针对钢铁企业连铸工序余材板坯及热轧工序余材钢卷对热轧生产合同的匹配问题,基于一体化的管理思想建立了余材板坯、钢卷与合同集成匹配的多目标0-1非线性整数规划模型,在模型中引入板坯材质与合同要求钢种特征差异值矩阵及钢卷钢种与合同要求钢种特征差异值矩阵.采用分段整数编码、基于启发式修复策略的改进遗传算法求解.最后,通过对实际生产数据的仿真实验验证了所提模型和算法的有效性,为科学合理地匹配铸轧工序余材板坯、钢卷提供了有效的解决方法

针对板带热连轧机活套的高度和张力系统,在工作点附近,以实际热轧现场数据为依据,建立了对象的动态数学模型。采用基于BP神经网络整定的PID控制策略以减弱系统的耦合影响,并给出了其控制算法在FPGA上实现的方法,包括脉动阵列算法映射、数据表示及精度和运算部件设计。仿真结果验证了本算法的有效性和控制策略的适用性

1.①试证明:当n≥p时,算法6.1的时间复杂度为logn p ②令表示P中第j段中的元素数,试证明算法61在执行过程中,处理器中所积累 的元素数目不会超过2n/p,即∑<

针对客户订单的重量需求为固定值、客户订单分配过程中有最小重量限制的板坯设计问题,建立了以最小化板坯数量为目标的约束满足模型.通过三划分问题的多项式归结,证明了该问题是强NP难的;针对问题的特殊性质,给出了变量选择策略和值选择策略;提出了基于约束满足技术的求解算法,并证明了算法的收敛性;通过数据实验对算法的有效性进行了验证

实验项目 已知函数f(x在若干点的函数值:

一、线性插值 假设给出了连续函数f(x)在两个互异节点x,x的函数值

一、线性 Newton插值 假设已知yo=f(xo),y1=f(x1),求N1(xo),使得

针对传统神经网络优化算法易陷入局部最优值的问题,在标准粒子群算法的基础上,对粒子速度与位置更新策略进行改进,提出一种基于改进粒子群优化算法的BP神经网络建模方法.使用sinc函数、波士顿住房数据及某钢厂带钢热镀锌生产的实际数据进行验证.结果表明,与标准的反向传播神经网络和支持向量机相比,基于改进粒子群优化的神经网络模型可以有效提高预测精度

提出了一种应用于中厚板轧制的道次间自适应算法.该算法以实测数据为基础,通过实测轧制力与实际计算轧制力的比值决定轧制力模型学习量的大小,做到了真正意义上的以实测数据来校正模型,从而使设定的模型有较好的自学习功能,并在实际应用中表现出较好的学习效果

一、串的定义、存储结构和基本运算 二、数组的定义、基本运算和存储结构 三、特殊矩阵的压缩存储