航班快速恢复建模与仿真研究

随着民用航空的发展与竞争,航班延误不仅影响航空飞行的安全与正常,更与航空公司的运营效率、运营成本及乘客利益息息相关。针对某一恶劣天气影响,对某公司受影响航班进行重新调配,考虑到航班的备降、盘旋等待、延误、取消等多种状态,以总成本最小为目标函数,建立航班快速恢复模型,通过MATLAB运用遗传算法设计航班恢复算法进行求解,得出最经济的航班恢复方案。     

城市轨道交通列车故障救援延误计算与仿真

针对城市轨道交通列车故障救援方式及延误计算问题,对列车故障救援作业流程进行分析,然后根据作业流程建立5种救援方式的延误计算方法,最后使用Open track对福州市某地铁线路进行列车故障救援仿真,并对仿真与计算结果进行比较分析.研究结果表明:在一定范围内提高救援速度可有效减小救援列车作业时间;所提出的计算方法可较为准确反映延误情况;在救援起讫点内,以固定闭塞运行的后序列车的延误会突增并积累,造成延误增幅的差异.     

基于主客观综合定权法的单值中智TODIM决策方法

定权问题是多属性决策问题中的核心内容,传统定权方法大多仅单方面从主观或客观角度确定权重,合理的属性权重应综合考虑专家偏好与决策数据.因此,文中以单值中智集为研究对象,设计基于熵权法和DEMATEL法的主客观综合定权法,充分考虑决策者的有限理性特点,提出基于单值中智集的TODIM决策方法.首先,分析现有记分函数的缺陷,提出一种新的记分函数,实现单值中智数的大小比较;其次,提出主客观综合定权方法,其中,运用熵权法确定客观权重,根据DEMETAL方法获得主观权重,根据线性加权法确定各属性的综合权重;再次,将TODIM方法拓展到单值中智集理论,构建了基于单值中智集的TODIM方法模型;最后,以决策者投资中小企业为决策背景进行案例分析,验证文中方法的可行性和合理性.     

面向新型混合交通流的智能交叉口网络布局优化

考虑网联自动驾驶车辆(Connected Autonomous Vehicle, CAV)应用先进的车联网与自动驾驶技术，可以采用智能交叉口的组织形式，大幅提升交叉口的通行效率，为降低CAV与人工驾驶车辆(Human-driven Vehicle, HV)混行条件下城市交通系统的整体出行成本，提出智能交叉口在城 市交通网络中的布局优化问题，建立数学优化模型并求解。首先，基于对两类车辆行驶特性的分析，建立混合用户均衡模型，描述CAV与HV的路径选择行为；其次，从交通规划者的角度，以系统最优为目标，整合混合用户均衡模型，建立面向新型混合交通流的智能交叉口网络布局优化模型，并利用改进的遗传算法求解；最后，选取Sioux-Falls交通网络作为案例分析，验证模型与算法的有效性，并研究CAV渗透率变化对优化结果的影响。研究表明，智能交叉口在城市路网中的合理规划极大地提高了新型混行场景下城市交通系统的出行效率，同时，大幅降低了由于网联自动 驾驶单方面技术优势带来的CAV与HV的出行效率差距，增进了出行公平性。     

水深平均k—ε紊流模型在大尺度水域中的应用研究

本文利用Patanker求解紊动输运方程标准的SIMPLEC计算程式,对小尺度丁坝绕流进行了模拟计算,取得了与水槽试验一致的流速分布结果。为了探讨大尺度水域紊动量K、ε壁面边界条件的给定,本文将水槽看成是一种比尺模型,将水槽试验流速分布按重力相似和阻力相似准则延伸到大尺度水域,并以此研究k—ε模型模拟大尺度回流的置信水平。计算结果表明通过选择合适的紊动量壁面边界条件,该模型对大尺度回流计算也能取得较好的结果。     

利用残余力概念进行结构损伤识别

提出一种利用残余力进行结构损伤识别方法。用刚度损伤系数将有限元模型参数化来描述结构的损伤。用特征值和特征向量预测算法构造目标函数,利用两点交叉算子的二进制代码的遗传算法反复迭代优化刚度损伤系数,获得待测结构的损伤系数、损伤位置与损伤程度的信息。通过一个平面桁架对该方法进行验证,结果表明:利用残余力概念进行损伤识别所得结构的损伤系数与理论值很接近。该方法能够较准确地判断结构的损伤位置和损伤程度。     

组件式GIS空间查询与分析包的设计与实现

在组件式技术成熟和空间查询语言规范化的今天,越来越多的GIS系统不再满足于现有的空间查询与分析能力。组件式GIS空间查询分析开发包?S-GIS的Queries包提供了一组API接口可供GIS系统二次开发人员使用。该组件包提供一个轻量级的SQL解释器来对内存中要进行查询的SQL语句进行解释执行。本文介绍了Queries包的特色,并且将它与Oracle10g,ArcGIS等软件的空间查询部分做了一些简单比较。     

基于Matlab的船舶静水力性能数值计算

本文提出一种基于Matlab的船舶静水力性能数值计算方法，该方法完全独立于传统的表格算法，方便快捷，精确度高。