为了解决飞机移动生产线中多并行作业物料的供给问题，构建了飞机移动生产线物料配送与线边存储集成决策的模型并设计了求解算法.在物料组批和小车调度的基础上，引入了物料在线边空间的存储决策，建立了以小车出行趟数最小化为目标的数学模型并设计了一种以免疫算法为框架的启发式算法.在免疫算法较优的全局搜索能力下，综合考虑小车的配送能力与线边空间的重复使用、共享等因素，使用反向动态小车调度算法和物料存储前瞻算法对物料的组批方式、配送时刻和在线边的存放位置三类变量联合进行决策.对提出的算法进行了数值实验，实验结果证明了模型与算法的有效性

运用运筹学中图论及多目标优化的理论和方法建立应急救援物资车辆最佳运输路线的选择模型，并基于启发式算法求解该模型.从静态网络应急物资车辆运输路线的双目标优化问题入手，设计适合本文模型的算法，并将之推广至含有三个及三个以上优化目标的路线选择问题.引入时间扩展图的概念，将动态网络中的最佳运输路线问题转化为静态网络中的路径选择问题.算法实质是通过构造辅助决策函数实现Dijstra算法的调用，并在辅助函数构成的搜索空间上寻找最优解，是一种快速的、近似的算法.利用随机路网和真实路网测试本文算法，测试结果与本文的理论分析一致，证明本文算法在应急救援物资车辆运输路线的多目标优化问题中可行且有较好的应用效果

利用三维激光扫描技术对采空区进行探测以建立三维可视化模型,从而准确获取其三维空间位置和形态,是矿山采空区事故隐患综合治理工作中的重要环节.但由于采空区形态复杂,往往需要从多个方位对其进行多次探测才能准确获取采空区完整的三维形态.如何对多次探测点云数据拼合后的散乱点云构建三角网格模型,是实现复杂采空区三维探测建模的关键.本文提出了采空区激光扫描拼合散乱点云数据球面投影三角剖分生长算法,首先选定球心将原位点云投影到球面上得到投影点云,然后对投影点云进行三角剖分,最后将投影点云三角网空间拓扑关系还原到原位点云,从而构建复杂采空区三角网模型.为了有效实现算法,研究了球面投影参数设定、XYZ三向单元栅格点云搜索策略、三角形生成规则、优势顶点边界切分策略、边界闭合策略、不规则三角形优化策略等多种方法.实际应用表明,所研究的算法能够生成优质的采空区三角网模型,为实现复杂采空区三维精确建模及可视化管理提供了重要技术支持

针对钢管入库优化决策问题，建立了问题的约束满足优化模型，并通过对垛高和钢管堆放规则的分析，提出了基于聚类和约束满足技术的两阶段求解算法.算法在第一阶段采用聚类的方式对待入库的钢管按照多重属性进行分组；在第二阶段利用约束满足技术对于每组钢管分别指派垛位及其在垛位上的具体位置，并通过约束传播动态缩减问题的搜索空间.最后将算法与经典的BFD （best fit deceasing）算法进行实验结果对比.实验结果表明，算法能够在保证倒垛次数最小的前提下，有效减少垛位数并具有良好的垛位利用率，模型及算法可行、有效

为解决局部最优问题,将遗忘机制引入传统遗传算法中,提出了一种改进的遗忘遗传算法,给出了一种遗忘算子及其遗忘概率,通过在遗传过程中遗忘某些基因,增加了算法的搜索空间,使算法跳出局部最优,从而最大限度地避免早熟收敛.将该算法用于不同欠费率下的电信客户初始信用评分,找到信用权重的优化解,较好地解决了对高欠费率群体进行信用评分时,信用权重的适应值偏低的问题.实验结果表明所提算法有效可行.与标准遗传算法相比,本文所提算法可以获得更高质量的解

针对实际决策表中对象动态变化的情况,首先引入简化决策表概念,剔除决策表中大量重复的对象,并构造了基于正区域的简化矩阵,有效地缩小了算法的搜索空间;然后从理论上阐述了基于简化矩阵的属性约简和基于矩阵的属性约简的一致性,并仅需扫描一遍简化矩阵便可求解出属性约简;最后在原属性约简的基础上,提出一种快速的动态属性约简矩阵算法.通过算例分析和实验对比验证了算法的有效性和可行性

从露天矿采掘和运输成本的最小化角度出发,构建露天矿生产作业计划模型.基于群体智能优化理论,提出了用粒子群算法对露天矿生产作业计划模型进行解算的方法,并在求解过程中设计了带核粒子及双吸引子的粒子搜索策略.以MATLAB软件为平台进行求解运算最佳作业计划.以某露天铁矿为工程背景进行实例研究,将研究结果与露天矿实际生产指标和非线性规划解算结果进行比较验证.结果表明,粒子群算法可用于露天矿生产作业计划的优化编制

RMS算法是K.S.Chandra等人1982年提出的一种可用于非光滑函数的线搜索优化算法[1]它具有调用函数次数少,CPU时间短等突出优点。本文补充了文献[1]中未讨论的退化情况,并对RMS算法加以修改,使其理论上趋于完善。本文还论证了在一定条件下RMS算法的收敛性

近年来，无人机入侵的事件经常发生，无人机跌落碰撞的事件也屡见不鲜，在人群密集的地方容易引发安全事故，所以无人机监测是目前安防领域的研究热点。虽然目前有很多种无人机监测方案，但大多成本高昂，实施困难。在5G背景下，针对此问题提出了一种利用城市已有的监控网络去获取数据的方法，基于深度学习的算法进行无人机目标检测，进而识别无人机，并追踪定位无人机。该方法采用改进的YOLOv3模型检测视频帧中是否存在无人机，YOLOv3算法是YOLO（You only look once，一次到位）系列的第三代版本，属于one-stage目标检测算法这一类，在速度上相对于two-stage类型的算法有着明显的优势。YOLOv3输出视频帧中存在的无人机的位置信息。根据位置信息用PID（Proportion integration differentiation，比例积分微分）算法调节摄像头的中心朝向追踪无人机，再由多个摄像头的参数解算出无人机的实际坐标，从而实现定位。本文通过拍摄无人机飞行的照片、从互联网上搜索下载等方式构建了数据集，并且使用labelImg工具对图片中的无人机进行了标注，数据集按照无人机的旋翼数量进行了分类。实验中采用按旋翼数量分类后的数据集对检测模型进行训练，训练后的模型在测试集上能达到83.24%的准确率和88.15%的召回率，在配备NVIDIA GTX 1060的计算机上能达到每秒20帧的速度，可实现实时追踪

提出了一种新的模糊认知图分类器模型构造方法,它包括构建流程、激活函数、推理规则和学习方法等核心构件.模型利用提出的动态交叉变异算子自适应遗传进化过程,实现种群间自动调节和自动适应.仿真实验表明:本文提出的模型增强了局部随机搜索能力,加强了算法的全局收敛能力,与其他经典分类方法相比,不但性能较好,而且具有较强的抗噪能力,从而具有更强的鲁棒性