一种复杂诊断系统的多智能体协同求解算法

为适应故障诊断中动态变化的环境和满足求解复杂系统全部任务的要求,研究一种基于MAS的分布式智能监控系统.以诊断决策问题的结构及建模过程的层次性为基本思想,基于诊断任务的多层次混合分解策略,提出了融合不同表达方式和推理机制的多Agent并行诊断结构,分析了管理Agent,诊断Agent和决策Agent的基本职能.探讨了实时Agent的组织和演化机制,给出了并行推理过程中的冲突消解算法,建立了具有公共属性的智能体模块化层次结构,实现了基于MAS多层分布式黑板模型的智能监控系统.工程应用效果验证了该求解的可行性和有效性.     

求解高次方程的一个异步并行迭代算法

用高次方程正项分解方法，将求解实系数高次方程非零实数根的问题，转化成求解两单调上升凹函数在平面直角系第一象限内交点横坐标的等价问题；给出了基于共享存储多指令流多数据流(MIMD)并行计算模型求解任意实系数高次方程全部实数根的大范围收敛性异步并行迭代算法，并分析了算法计算的复杂程度。     

基于蚁群算法的多QoS约束的多播路由优化算法

蚁群算法是一种新型的随机优化算法,能有效地解决QoS受限的多播路由问题.文中基于蚂蚁具有找到蚁巢与食物之间的最短路径的工作原理,并在分析多约束QoS的多播路由的基础上,提出了一种具有全局优化能力的多播路由算法(OQMRA),仿真实验表明了该算法是合理的和有效的.     

基于神经网络的传感器故障诊断仿真

针对现代工业大型复杂系统的不确定性使得对其进行建模比较困难的特点，提出了一种用神经网络进行传感器故障诊断的方法．以凝汽式汽轮机调速系统中的转速传感器为例进行了传感器故障诊断研究，给出了仿真实现结果，并加以分析．仿真结果表明，所提出的利用神经网络进行传感器的故障诊断的方法具有可行性．     

零担货物序贯装箱优化问题的遗传模拟退火算法

从缩小搜索区域，增强算法的收敛性以及缩短计算时间的角度出发，提出将模拟退火思想引入遗传算法，应用遗传模拟退火算法（GSAA）求解零担货物在集装箱中的序贯装箱优化问题，阐明了该算法的具体实现过程，包括问题编码，适应函数值计算，遗传操作，领域选择以及降温方法等内容，并通过实际数值计算表明该算法优于传统的计算方法。     

基于神经网络和遗传算法结合的桥梁结构损伤诊断

利用神经网络对有限元计算的样本数据建立起桥梁结构的损伤参数——损伤位置、损伤程度（输入）以及位移差——损伤结构与完好结构的位移差（输出）的全局性映射关系，以获得遗传算法求解桥梁结构损伤问题所需的目标函数值，从而识别桥梁的损伤参数．某连续梁桥算例表明，此方法可以在较少的有限元分析次数下获得较好的损伤诊断结果．     

分布式实时控制系统的网络调度研究

基于实时网络分布式控制系统的性能不仅取决于控制算法，而且取决于网络信息调度的特点，以具有确定时间性与可靠性的TDMA（时分多路访问）网络作为控制网络，对网络中的控制信息进行调度，建立了分布控制系统的任务调度模型。并采用遗传算法求解网络调度问题，以提高控制系统性能和网络利用率，寻求最优的通信时序．仿真结果表明，经过优化调度后，控制回路的任务周期最短；与常规非优化状态下的系统性能相比，控制系统的总体性能指标减小，网络利用率提高．     

基于售检票数据的城市轨道交通乘客分类

既有基于交通调查的乘客分类存在样本有限及分类标准主观性强等不足,本文以 乘客真实出行记录为基础,从“消费行为”视角构建客观的乘客分类指标及方法.为满足大规模 数据集处理需求,采用SPSS Modeler 软件对全样本乘客进行聚类.选取北京轨道交通连续1 个 月自动售检票(AFC)数据进行实证分析,结果显示：将乘客分为5 类时,聚类效果最佳;通过连 续5 个工作日聚类结果对比,验证了分类结果具有良好的稳定性.结合乘客分类结果进一步对 北京市轨道交通低峰折扣票价策略下不同类型乘客的出发时间转移弹性进行测定.该研究提 高了乘客分类客观性,能够为交通政策制定及运营策略评价提供方法支持.     

含同类构件的多构件结构区间不确定性优化

在土木工程领域,工程结构往往为含同类构件的多构件结构。针对该类结构的区间不确定性优化模型无法直接转换为数值模型且计算量巨大的问题,本文提出了一种含同类构件的多构件结构区间不确定性优化方法,该方法结合基于数值转换的二阶区间泰勒展开公式与不确定目标函数与约束的转换方法,将区间不确定性优化模型转换为确定性优化模型,最后通过遗传算法求解。研究结果表明:六杆桁架内力计算误差由0.047~0.08减少到0.001~0.005,计算精度显著提高,在十杆桁架优化中,本文的方法与2层嵌套优化方法结果一致,且其遗传算法迭代时间仅为2层嵌套优化方法的1/30左右,证明对于小不确定性问题,该方法不存在区间扩张与缩减问题,同时计算精度高,计算量小。     

一种动车组转向架装配线电机传动系统健康状态评估优化方法研究

对于动车组转向架装配线,电机传动系统是其关键部分,由于其运行状态的实时监测数据具有无标签性,采用K-Means聚类等无监督式学习算法是解决这类系统健康状态评估的常用方法。针对传统K-Means算法受噪声及孤立点影响较大的缺陷,提出基于局部异常因子算法的优化方法,有效地去除数据噪声点的影响;针对中心点选取过于随机性的缺陷,提出一种基于样本密度的初始中心点选取方法,并且中心点更新是选取距簇中其他样本点方差最小的点,从而改善了聚类效果;利用实际电机传动系统的运行数据对优化的K-Means算法进行验证。实验结果表明:优化后的算法有效提高了聚类质量,很好解决了实际应用环境下的电机传动系统健康状态评估问题。