交互式多目标决策方法及其在海洋平台方案综合优选中的应用

提出了一种新的交互式多目标决策方法.它是在对指标有偏好信息及客观熵信息输出权重基础上,以严格的最小二乘法为工具,建立确定指标权重的优化模型,达到主观与客观的统一,从而为多目标决策问题寻求到一种行之有效的方法.通过将该方法应用于某海洋平台多目标决策,并与采用传统层次分析(AHP)方法相比较,结果表明该方法在应用于海洋平台方案综合优选等复杂多目标决策问题时是适用的和可靠的.     

基于KPCA算法的高校大学生网络消费预警研究

当今各高校的学生网络消费趋势逐渐加强,为促进高校大学生形成良好且积极的消费观念并进行合理评价与校正,通过多渠道收集了在校大学生的月消费总额以及各个消费领域的金额.采用KPCA算法,建立了针对高校大学生的网络消费预警模型,通过实例分析建立了消费回归曲线,将结果与PCA算法进行对比.结果表明:该模型较PCA算法表现出更显著...     

苏交科承担的“省级高速公路养护技术体系和决策支持体系研究”可行性研究报告通过评审

日前,苏交科承担的交通运输部建设科技项目“省级高速公路养护技术体系和决策支持体系研究”可行性研究报告评审会在北京召开,会议由交通运输部西部交通建设科技项目管理中心主持。     

煤炭品类装车日计划自动调整辅助决策系统研究

为规范煤炭运输计划受理流程、合理配置运力资源、实现煤炭运输效益最大化，设计研发了煤炭品类装车日计划自动调整辅助决策系统。通过对煤炭品类运力资源配置业务建模，基于Quick UI、JFinal框架技术和Git版本控制技术，实现空车资源管理、运输能力管理、日班计划管理和计划调整管理等功能。该系统在中国铁路西安局集团有限公司上线运行后，有效减少了煤炭运输计划编制工作的中间环节，合理配置运力，规范受理流程，取得了良好的使用效果。     

车联网环境下自动驾驶车辆动态障碍物协作避让模型

车路协同和车联网的发展为车辆群体之间的协作控制提供了可能.本文关注的是在车联网环境下,自动驾驶车辆群体避让动态障碍物的问题,目标是实现在不损失车辆个体效益的同时,可以达到车辆群体系统最优.本文提出了一种基于深度强化学习算法(DQN)的自动驾驶车辆群体协作避让动态障碍物的模型.模型在学习过程中考虑了车辆的安全性、单个车辆和车辆群体的行驶效率,并加入了车辆的换道协作机制.仿真验证结果表明,与现有的非协作避障模型相比,该模型可以显著地提高整体交通效率,在非常拥堵、比较拥堵和自由流三种给定的不同交通流状态下,车辆行驶效率(车辆平均速度)分别提高5.26％、21.44％、10.38％,整体车流量分别提高8.22％、34.47％、0％.     

自动化集装箱码头智能水平运输系统设计

为提升自动化集装箱码头水平运输系统作业效率，推动码头集装箱集疏运体系发展，结合集装箱码头自动化、智能化的建设要求，开展码头智能水平运输模式及系统设计研究。在分析自动化集装箱码头生产作业流程的基础上，制定码头整体运行机制，设计水平运输系统功能及运行模式，从作业调度、路径规划、交通管控、充电管理等多个方面，设计水平运输系统工作机制及流程；给出自动化集装箱码头智能运输决策方法，采取运输作业的全局规划和局部引导相结合的管控策略，为自动化集装箱码头建设和智能水平运输系统开发提供参考。     

一种“效率-公平-运力”多维权衡的需求可拆分配送方法

针对自然灾害及重大社会公共事件等各类突发事件的配送问题，本文以公路运输为研究场景，将配送时间最短、加权时间攀比值最小和使用车辆数最少为多维目标，在引入需求可拆分这一限制条件的基础上，构建“效率-公平-运力”多维权衡的需求可拆分应急物资配送模型。针对该问题设计改进的蚁群算法求解模型。从选择拆分点、信息素更新和引入变邻域搜索算子这3个方面改进了算法，并实现当解持续不变时，初始化信息素，以增加随机性。结果表明，与传统求解算法相比，改进算法的稳定性更高(平均偏差率降低7.00%)，寻优性更好(优化率提高7.41%)。 通过分析考虑三目标、双目标和决策者具有明显偏好的多重场景下的求解结果得知：效率、公平、 运力这3个子目标相互悖反，增加运力投入可以显著提高配送方案的效率与公平；当运力不变时，效率与公平之间近似呈同比例反比关系。研究结论可为救灾目标不确定条件下多因素考量的应急物资配送决策生成与优化问题提供方法改进与可量化决策支撑。     

成都都市圈铁路建设策略探讨

为建设高质量、有效益、可持续的铁路项目，推动成德眉资同城化，提高成都都市圈经济发展速度，打造双核平衡的成渝地区双城经济圈，支撑国内大循环高速运转，本文首先参照国内铁路建成情况与相关规划，推测四川铁路的建设空间，其次用logit方法分析手机信令数据，再参照国内发达城市群发展规律用趋势外推法，分别预测成都都市圈的未来铁路客运规模，对比纠正相关投资主体的内部收益预测，确定四川铁路的建设空间与改善负债的可能，在此基础上对四川境内铁路建设投融资、选线决策、TOD开发、运营等阶段的问题提出解决策略或发展方向，为提高四川省铁路投资、决策、开发、运营水平建言献策。     

基于强化学习的干线信号混合协同优化方法

交通拥堵已成为很多大中城市普遍存在的社会问题。信号控制作为缓堵保畅的重要措施之一，愈发受到社会关注。信号优化手段可分为模型驱动和数据驱动两类，且随着交通大数据的不断充实，基于强化学习的数据驱动方法日益成为新兴发展方向。然而，现有数据驱动类研究主要偏重于决策模型设计，缺乏对智能体结构的探讨；同时，在多路口协同方面多采用分布式策略， 忽略了智能体之间信息交互，无法保障区域层面的整体最优性。为此，本文以干线信号为对象， 构建一种多智能体混合式协同决策的信号优化方法。首先，针对交通状态的多样性、异构性及数据不均衡性，设计分布训练-分区记忆的单智能体决策模型，并优化状态空间和回报函数，界定单路口控制的最佳方案；其次，融合分布式和集中式学习的模型优势设计多智能体交互方法，在单路口分布式控制的基础上，设置中心智能体评价局部智能体的决策行为并反馈附加回报以调整局部智能体的决策模型，实现干线多信号的协同运行。最后，搭建仿真平台完成效果测试与算法对比。结果表明：新方法与独立优化和分布式协同相比，在支路交通流基本不受影响的前提下， 干线停车次数分别降低了14.8%和13.6%，具有更好的控制效果。