为提高无法准确建立数学模型的非线性约束单目标系统优化问题的寻优精度,并考虑获取样本的代价,提出一种基于支持向量机和免疫粒子群算法的组合方法(support vector machine and immune particle swarm optimization,SVM-IPSO).首先,运用支持向量机构建非线性约束单目标系统预测模型,然后,采用引入了免疫系统自我调节机制的免疫粒子群算法在预测模型的基础上对系统寻优.与基于BP神经网络和粒子群算法的组合方法(BP and particle swarm optimization,BP-PSO)进行仿真实验对比,同时,通过减少训练样本,研究了在训练样本较少情况下两种方法的寻优效果.实验结果表明,在相同样本数量条件下,SVM-IPSO方法具有更高的优化能力,并且当样本数量减少时,相比BP-PSO方法,SVM-IPSO方法仍能获得更稳定且更准确的系统寻优值.因此,SVM-IPSO方法为实际中此类问题提供了一个新的更优的解决途径

8.1 案例研究:科信建筑公司项目P285 8.2 用网络图直观显示项目P287 8.3 用PERT/CPM进行项目排程 P291 8.4 处理不确定活动工期 P303 8.5 考虑时间－成本平衡 P309 (利用线性规划求解的部分,了解即可) 8.6 项目成本的安排和控制 P317 8.7 从管理的视角评价PERT/CPM P323

可分为线性电阻电路、动态元件电路、电路方程的矩阵形式等。其 核心内容有基尔霍夫电流定律、电压定律、代维宁定理、替代定理、 结点电压法、一阶电路、二阶电路、相量法分析正弦稳态电路、互 感电压的确定、S域分析法、网络函数、电路方程的矩阵形式、Z参 数的确定等

介绍了对角递归神经网络,针对BP算法收敛慢的缺点,将递推预报误差学习算法应用到神经网络权值和域值的训练.通过对非线性系统辨识的仿真及在磷化温控系统建模中的应用,验证了这种建模方法的有效性

应用神经网络建立连铸钢水温度预报模型，重点研究了转炉出钢到中间包浇铸区间的温度变化，确定钢水温降与其影响因素之间的非线性映射关系.本模型能较准确地预报连铸钢水温度

鉴于炉热状态判断对电石冶炼的重要性,在对电石炉冶炼过程特点分析的基础上,提出炉热指数的基本概念.建立了基于两段式热平衡分析的炉热指数计算模型,在此基础上建立了基于BP神经网络的电石液温度预测模型.采用这两种模型可以更有效地对电石炉热状态进行判断.模型仿真研究表明,电石液温度与高温区热盈余线性相关,用炉热指数判断电石炉热状态是可行的.电石液温度预测模型的命中率达到86.7%

在直流电弧炉炼钢过程控制系统中,由于它的复杂机理,高度非线性加大了建模的难度.为提供适用于直流电弧炉炼钢过程优化控制的模型,提出一种引人遗传算法的神经网络建模方法,并将其用于某厂直流电弧炉炼钢过程模型的建立,获得了很好的效果.同时给出了基于现场实测数据的仿真结果

针对网络控制系统中时延不确定因素,将时延的不确定性转换为系统状态方程系数矩阵的不确定性,网络控制系统对象模型为具有时滞的不确定离散模型.在此模型的基础上,将网络控制系统的保性能控制问题转化为研究时滞的不确定离散系统的鲁棒保性能控制问题.利用Lya-punov理论及线性矩阵不等式(LMI)方法,证明了通过状态反馈控制,使网络控制系统保性能控制的充分条件等价于求解LMI.仿真示例验证了该控制方法的有效性

鉴于边坡系统影响因素之间的高度非线性和不确定性,融合RS-GP模型的优势,提出了依据边坡稳定性影响因素类比计算边坡安全系数的方法.该方法通过学习样本的数据特征分析、计算属性的重要性及约简规则,降低了遗传规划预测模型的结构规模.人工神经网络(ANN)模型与RS-GP模型计算结果比较表明:该方法具有计算速度快、容错能力强及精度高等特点

运用运筹学的理论和方法，建立一种重大事故救灾路线双目标优化数学模型.基于启发式算法思想，提出适合该模型且收敛速度较快的优化算法.该算法通过构造辅助函数调用Dijkstra算法，在最优解的近似区间内多次迭代逐渐逼近最优解，实现了双权重网络图最短路的求解，是一种近似的、快速的算法.基于所构造辅助函数的性质，给出实现该算法的具体步骤.对误差进行线性估计，分析了该算法收敛速度的影响因素，并讨论了算法的时间复杂度及优势.最后在案例分析中编译并运行该算法，证实其模拟结果与理论分析结论相吻合