服务资源动态分布的质量路由算法

从动态考察资源可能性分布的角度对质量路由算法进行改进,使之与用户需求与资源变化的不确定性相适应,以提高质量路由决策的效率与水平。仿真试验表明,新算法具有稳定服务水平、平衡网络负载的优点。     

神朔铁路钢轨折断风险评估模型研究

钢轨折断是一类严重的线路故障,研究钢轨折断风险评估对保障线路安全具有重要作用。基于模糊推理方法构建钢轨折断风险评估模型,该模型利用设备台账数据、钢轨状态检测数据和维修数据等相关的生产数据,识别钢轨折断致灾因子,量化评定致灾因子状态,建立模糊推理规则库,利用Mamdani模糊推理算法计算钢轨折断风险事件发生的可能性。最后采用神朔铁路神木北至黄羊城区间2013~2015年共3年的实际生产数据对模型的有效性进行验证,结果表明:所建模型可以较好地评估神朔铁路钢轨折断风险事件发生的可能性,对钢轨折断风险管理具有重要指导意义。     

基于最大相对隶属度的区间数多指标评价在交通规划中的应用

在实际生活中,某一交通区域道路上行驶的车辆数、车型、车速及行人的影响等客观因素是不确定的,与之相关的指标值也是不确定的。对于不确定的指标值在规划方案优劣的评比中采用区间数的形式要比采用确定值的形式更符合实际。为了解决具有不确定性区间数的多指标决策问题,提出了基于最大相对隶属度的区间数多指标评价法用于交通规划方案的综合评价,该方法在处理模糊性的评价问题方面具有明显的优势。该方法简单实用．本文的实例验证了该方法的有效性和实用性。     

基于蓝牙的车站旅客信息发布形式分析

针对铁路车站旅客服务信息系统信息发布中存在的问题,以“蓝牙”技术在国外车站中的应用作为引入点,详细分析蓝牙技术特性及经济特性分析。在此基础上,结合我国铁路车站旅客服务信息系统中存在的问题,从应用原理、硬件／软件结构、应用结构等方面给出相关的解决和应用方案。     

对话型模糊多目标规划模型及求解方法

本文对对话型模糊多目标规划方法的以下几个方面进行了探讨：对话型方法中隶属函数和模型的构造；调整满意解的原理和方法；应用可能性理论求解模糊多目标规划的对话型方法；并给出了应用实例。     

贺麟的儒家思想现代性话语

贺麟提出儒家思想的新开展问题。这一问题可以解读为儒家思想的现代性开展的可能性问题。我们从是否可能、为何可能和如何可能三个问题入手考察贺麟的解题思路：从儒家道德的批判、非儒思想的提倡和西方文化的引进三个方面回答了是否可能问题;从文化的体用之辨回答了为何可能问题;从检讨和“化西”两个途径回答了如何可能问题。他不是在儒家思想中找寻个别现代性因素,而是从整体上反思儒家思想现代性开展的可能性。这一可能性话语框架仍然存在一些问题,如儒家思想现代性开展的现实可能性、解释能力、客观途径等问题。这些问题表征出现代儒学复兴运动的内在困境。     

基于直觉模糊信息多属性群决策的新方法

给出了直觉模糊信息的比较可能度和数乘运算的概念,考虑了基于直觉模糊信息且属性权重完全未知的多属性群决策问题.基于直觉模糊熵权理论和相对熵原理建立相应最优化模型,讨论了模型的求解,获得了属性的客观权重和方案的最终权重,并依据方案的最终权重对方案进行排序.通过一个算例表明所提方法的有效性.     

舰船动力系统综合评估中的混合型多属性决策

研究了舰船动力系统综合评估中的以精确数、区间数和模糊数指标相结合的混合型多属性决策问题。在指标权重已知的情况下,采用近似方法将决策矩阵转化为区间型决策矩阵,提出了一种基于可能度原理的多属性决策模型,同时给出了具体的决策方法和过程。实例分析表明,该决策方法是有效的,且具有简单、实用等优点,可用于实际的舰船动力系统综合评估。     

LPG城市客车BRT改造及BRT车保障措施可行性分析

对广州市LPG城市客车进行BRT改造的主要内容以及BRT车的保障措施进行可行性分析,为其他城市推广应用BRT车提供参考.     

A method to estimate trip O‐D patterns using a neural network approach

This paper proposes a method which identifies the trip origin‐destination (O‐D) matrix when many pairs of values for the right hand side column (B) and the bottom row (A) of the matrix are given. The method considers B and A as the cause (input) and effect (output) of a system, respectively, and that the O‐D matrix represents the relationship between the cause and the effect. The relationship which satisfies all pairs of the cause and the effect data exactly may not be identified, but, should a general pattern of the relationship exist, it should emerge when many data sets of B and A are given. Two steps are involved in the method: the first step examines if a consistent O‐D pattern exists; if a pattern is found to exist, the second step identifies the values of the elements of the O‐D matrix. The first step is based on the shape of the possibility distributions of the values of the matrix elements. The second step uses a simple back‐propagation neural network. The method is useful to problems that require identification of the cause‐effect relationship when many sets of data for the cause and effect are available, for example, the station‐to‐station travel pattern on a rapid transit line when the total entering and exiting passengers are known at each station for many different days. The model can also be applied to other transportation problems which involve input and output relation.