针对多目标进化算法搜索效率低和收敛性差的问题,提出了基于精英重组的混合多目标进化算法,将多目标优化问题分解为多个单目标优化问题单独求解,并采用基于遗传算法的精英重组策略将多个相异解重组生成唯一的精英解.提出区域化的种群初始化方法,改进局部搜索及群体选择机制,采用以优化子群为核心的分组交叉策略及自适应多位变异算子,并引入基于混沌优化的重启机制,有效克服了精英保存的固有缺陷,以及现有多目标进化算法存在的目标空间解拥挤、收敛慢、易早熟等问题.多目标测试函数的数值仿真和关键步骤的性能分析证明了本文算法的有效性和优越性

内直角台阶的轧齐一直是楔横轧的关键技术之一，一般内直角台阶的轧齐曲线公式和算法不适合小台阶的生产应用。为了解决这一问题，通过改进几何模型，针对内直角小台阶的螺旋体体积提出一种新的计算方法。根据楔横轧工艺的特点，比较轧件初始半径与对应辅助圆半径的大小关系，指出了二辊轧齐过程中内直角小台阶的判断条件。根据轧件大端半径与旋转角度的关系，将轧齐过程分成了三个阶段。通过对小台阶螺旋体的分块，将其近似成三个规则体积的组合，推导出了轧齐过程中各个阶段的体积公式。依据体积平衡原理和楔横轧模具特点，得到了二辊楔横轧内直角小台阶随轧件旋转角度变化的轧齐曲线。最后采用刚塑性有限元软件Deform-3D对一定断面收缩率范围内的轴类件进行楔横轧数值模拟，验证了本文所提出的轧齐曲线计算方法的适用性。同时通过对比分析，发现在小断面收缩率轴类件直角台阶成形时展宽角应尽量取小

针对电机驱动系统进行了基于有限时间控制器的结构/控制一体化设计.针对电机驱动系统跟踪控制问题，采用有限时间收敛方法设计了跟踪控制器.考虑系统状态信息不可测的情况，设计了有限时间滤波控制器，在估计系统速度信息的同时实现了有限时间跟踪控制.为进一步提升系统控制性能，考虑结构与控制之间存在的耦合问题，对电机驱动系统进行结构/控制一体化设计.首先针对电机驱动系统设计了同时考虑结构优化和控制器优化的一体化性能指标.所设计一体化性能指标能够在满足控制性能要求的同时，得到所能驱动的最大负载.同时优化系统的结构参数与控制器参数能够使控制系统达到全局最优，从而取得良好的控制效果.随后，采用嵌套优化策略对电机驱动系统的一体化设计问题进行简化，采用自适应步长的布谷鸟搜索算法对控制器参数优化问题进行求解，得到了一体化最优解.通过数值仿真验证了所提方法的有效性

针对标准无迹卡尔曼滤波(Unscented Kalman filter, UKF) 算法本身存在着因状态误差协方差矩阵无法实现Cholesky分解而导致滤波发散的隐患，以及在电池状态估计过程中由离线标定的电池等效模型参数而造成的累积误差的问题，本文发展了一种平方根无迹卡尔曼滤波(Square-root unscented Kalman filter, SR-UKF)算法，并设计了一种电池状态联合估计策略。首先快速SR-UKF算法通过对观测方程进行准线性化处理，降低了每次无迹变换时的计算开销；然后在迭代过程中，用状态误差协方差矩阵的平方根代替状态误差协方差矩阵，该平方根是由QR分解与 Cholesky因子的一阶更新得到，解决了UKF 算法迭代过程中可能由计算累积误差引起状态误差协方差矩阵负定而导致滤波结果发散的问题，保证了电池荷电状态(State of charge，SOC)在线滚动估计的数值稳定性；最后采用联合估计策略，对电池等效模型参数进行实时辨识，保证了电池等效模型的准确性与有效性，从而提高了电池SOC的估计精度。仿真对比结果验证了快速SR-UKF算法以及电池状态联合估计策略的可行性与鲁棒性

大概是由于以前人们使用计算工具非常落后,所以计算量较小的计算方法更受欢迎 解线性方程组的约当消去法的计算量比高斯消去法稍大一些,这对于我们现在使用的计算机来说,完全算 不了什么 约当消去法算法更简单,编程的方式更灵活,还可用来求解有无数组解的线性方程组,还可用来求矩阵的逆。所以约当消去法的价值超过了高斯消去法。 高斯消去法的回顾 高斯消去法的的关键是把线性方程组化为上三角形线性方程组,也就是利用akk不为零来消去

通过本章的学习应掌握Exce中的算法问题,将管 理活动提升到理论的高度,提高数字化管理的能力

南京大学：《计算机问题求解》课程教学资源（PPT课件讲稿）数论算法

南京大学：《计算机问题求解》课程教学资源（PPT课件讲稿）数论算法（OLD）

传统的分类算法大多假设数据集是均衡的,追求整体的分类精度.而实际数据集经常是不均衡的,因此传统的分类算法在处理实际数据集时容易导致少数类样本有较高的分类错误率.现有针对不均衡数据集改进的分类方法主要有两类:一类是进行数据层面的改进,用过采样或欠采样的方法增加少数类数据或减少多数类数据;另一个是进行算法层面的改进.本文在原有的基于聚类的欠采样方法和集成学习方法的基础上,采用两种方法相结合的思想,对不均衡数据进行分类.即先在数据处理阶段采用基于聚类的欠采样方法形成均衡数据集,然后用AdaBoost集成算法对新的数据集进行分类训练,并在算法集成过程中引用权重来区分少数类数据和多数类数据对计算集成学习错误率的贡献,进而使算法更关注少数数据类,提高少数类数据的分类精度

针对部分聚类算法对数据输入顺序敏感的问题,定义了不干涉序列指数,提出了应用不干涉序列指数对分类数据进行加权排序的方法,并基于该方法对受数据输入顺序影响的CABOSFV_C分类数据高效聚类算法进行改进,提出了考虑加权排序的聚类算法(CABOSFV_CSW),消除了算法对数据输入顺序的敏感性.采用UCI基准数据集进行实验,发现应用加权升序排序的CABOSFV_CSW算法在处理分类数据时,聚类质量较原始CABOSFV_C算法和其他受数据输入顺序影响的算法在准确性上有改善,在稳定性上有显著提高