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.     

一种基于极坐标的快速邻域搜索算法

一般邻域搜索方法面临着邻域定义的难点：定义的邻域较小，搜索就可能很快陷入局部最优，相反，则搜索效率会显著下降．针对这一问题，提出了一种基于极坐标的快速邻域搜索算法．试验证明，该算法能有效地解决邻域定义问题，并能在一定程度上解决常用的优化方法还较难解决的非凸集问题，对于一般复杂度问题，有较小的时间和空间复杂度。     

甲状腺细针穿刺细胞学检查诊断甲状腺疾病

甲状腺细针穿刺吸取细胞病理学检查各种甲状腺疾病1000例,共1318例次,其结果与临床诊断对比符合率在90%以上,重复一致性达70%以上,与甲状腺手术后病理对比符合率达90%。故我们认为此法操作简易,病人痛苦少,诊断精确性较高。     

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。     

动态多维离散系数的传函数生成算法

基于多维离散傅立叶变换，提出了一种动态多维离散系数的传递函数的自动生成算法，可求出高阶，复杂拓扑结构的动态多维离散系统的系统矩阵，传递函数。     

基于Apriori算法的城市关键路段识别

为提高城市交通精细化管理,方便居民出行,采集车辆出行过程中的射频识别(RFID)数据,利用大数据算法实现城市路网中关键路段的识别,提出了一种基于Apriori 算法的城市关键路段识别方法。该方法通过计算支持度,计算出1 d 内城市道路的频繁程度以确定城市路网中的关键路段。本文对判定城市路网中的关键路段提供了新思路,为制定关键路段交通拥堵管理措施、引导部分交通流出行路径或通行权提供了重要依据。并对关键路段的交通流来源进行分析,回溯每条关键路段交通流的产生源头,进而指导城市交通规划和基础设施建设。     

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.     

解读铁道行业标准《电气化铁路用铜及铜合金接触线》

在介绍TB/T 2809—2005《电气化铁路用铜及铜合金接触线》修订背景、依据和原则的基础上,从接触线产品型号、接触线用材料、接触线截面形状及表示方法、接触线机电性能要求、接触线载流量要求及试验、接触线磨耗性能要求、接触线室内试验时张力的确定等方面,详细介绍标准修订情况。总结分析接触线生产工艺,提出新标准实施建议。新标准整体要求较高,适合我国国情,能满足对接触线的设计、生产、施工、检验需要。     

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。