在时变啮合刚度和Blok闪温理论的基础之上,系统地分析齿廓修形参数对齿间载荷分配、传动误差和齿面闪温的影响,并确定在单目标条件下齿廓修形的最佳修形参数.基于模糊综合决策理论,确定了综合考虑多目标条件下齿廓修形最佳修形参数.引入多目标条件下修形量的修正系数Xc,确定修正系数Xc的值,并给出多目标条件下修形量的计算公式.综合最佳修形参数的最大修形量,取单双齿啮合区交替点B和D的变形量乘以修正系数Xc,修形指数取1.43,修形方式为长修形

订单接受与不相关并行机调度是订单接受与订单调度的联合决策, 广泛存在于面向定制的多品种混合生产环境中. 针对这一问题, 考虑了顺序与机器依赖的安装时间以及可加工机器限制, 并以最小化总成本为优化目标. 其中, 总成本由被接受订单的总拖期成本和被拒绝订单的总拒绝成本构成. 通过分析订单拒绝对目标的影响, 提出了列表拒绝方法和订单拒绝规则, 进而设计了协同进化遗传算法. 算法将染色体编码分解为订单列表和订单指派两个个体, 提出了基于列表拒绝方法的解码方案来进行订单拒绝决策. 由于两个个体相互独立, 且二者的进化约束不同, 因而引入协同进化策略, 并根据个体的编码特征, 分别采用单亲遗传算子和传统遗传算子进行遗传操作. 数据实验验证了算法的有效性和求解效率, 并对问题规模和订单拒绝成本对算法性能的影响进行了分析

网络环境下的恶意软件严重威胁着工控系统的安全，随着目前恶意软件变种的逐渐增多，给工控系统恶意软件的检测和安全防护带来了巨大的挑战。现有的检测方法存在着自适应检测识别的智能化程度不高等局限性。针对此问题，围绕威胁工控系统网络安全的恶意软件对象，本文通过结合利用强化学习这一高级的机器学习算法，设计了一个检测应用方法框架。在实现过程中，根据恶意软件行为检测的实际需求，充分结合强化学习的序列决策和动态反馈学习等智能特征，详细讨论并设计了其中的特征提取网络、策略网络和分类网络等关键应用模块。基于恶意软件实际测试数据集进行的应用实验验证了本文方法的有效性，可为一般恶意软件行为检测提供一种智能化的决策辅助手段

谷歌的人工智能系统（AlphaGo）在围棋领域取得了一系列成功，使得深度强化学习得到越来越多的关注。深度强化学习融合了深度学习对复杂环境的感知能力和强化学习对复杂情景的决策能力。而自然语言处理过程中有着数量巨大的词汇或者语句需要表征，并且在对话系统、机器翻译和图像描述等文本生成任务中存在大量难以建模的决策问题。这使得深度强化学习在自然语言处理的文本生成任务中能够发挥重要的作用，帮助改进现有的模型结构或者训练机制，并且已经取得了很多显著的成果。为此，本文系统阐述深度强化学习应用在不同的文本生成任务中的一些主要方法，梳理其发展的轨迹，分析算法特点。最后，展望深度强化学习与自然语言处理任务融合的前景和挑战

14.1 INTRODUCTION 14.2 WHAT IS DATA 14.3 DESCRIBING VARIABLES 14.4 THE CONCEPT OF A STATISTICAL DISTRIBUTION 14.5 SUMMARY 14.6 THE NATURE OF A SAMPLE 14.8 DESCRIBING SAMPLE DATA 14.7 DATA ANALYSIS USING SAMPLE DATA 14.9 INVESTIGATING RELATIONSHIPS BETWEEN VARIABLES

管道滑坡危险性评价是长输油气管道沿线滑坡灾害预防和治理中规划决策的重要依据.该评价组织由定量和定性两类指标构成,评价系统具有随机性和模糊性的特点.针对常用的定性和半定量评价法在处理系统的随机性和模糊性上存在顾此失彼和人为主观性强的问题,引入能同时有效反映事物随机性和模糊性的云理论,运用黄金分割率法构建5级标度的管道滑坡危险性状态标尺云和指标重要性权重云,提出定量指标的不确定性推理过程和定性指标专家群语言云转化的浮动云偏好集结算法,构建了油气管道滑坡危险性的综合评价模型并进行了工程例证分析.4处待评样本的综合评价结果与半定量法结果基本一致,并与实际相符.该模型软化了指标边界的硬划分,简化了指标数据的预处理;实现了评价的定量与定性融合和集成决策;提高了结果的精确性、合理性和可视化

深圳大学管理学院：《运筹学》课程教学资源（PPT课件讲稿）决策与对策（决策论）运筹学3类 Business Decision Modelling

深圳大学管理学院：《运筹学》课程教学资源（PPT课件讲稿）决策与对策（决策论）运筹学3类 OUTPUT and ANALYSIS

深圳大学管理学院：《运筹学》课程教学资源（PPT课件讲稿）决策与对策（决策论）运筹学3类 FURTHER DATA ANALYSIS 2

16.1 Introduction 16.2 FURTHER DATA ANALYSIS: (MEASURED V ATTRIBUTE) 16.3 HYPOTHESIS TEST 1 16.4 HYPOTHESIS TEST 2