模拟退火算法在大气环境质量综合评价中的应用

为了建立一种对多项指标都能普遍使用的大气环境质量综合评价模式,利用模拟退火算法对幂函数加和型指数评价中参数进行优化,并用优化后的综合评价指数公式对大气环境进行综合评价。该公式应用于大量实例的分析评价结果与其他多种评价方法评价结果比较表明:该公式不受污染物种类和数目多少的限制,计算简便,具有可行性、实用性和通用性。     

浅析求解最大子段和问题的算法

用计算机解决复杂的问题,往往把一个大的、复杂的问题根据其功能划分为不同的模块,每一个模块完成一独立的功能.如果每一个模块用计算机语言来实现,那么当所有模块都实现时,即为对复杂问题的解决.最大子段和问题就是一具有独立功能的小模块,在很多大的问题中都涉及到此问题,用不同的算法解决此问题,并分析其优劣.     

矿井重大灾害危险性评价的改进灰色统计法

用灰色统计理论［１］研究了矿井四大灾害即冒顶、水灾、火灾和瓦斯爆炸的危险性预评价问题，提出了一种新的评价方法──灰色统计综合法。同时，从应用的角度出发对灰色统计的算法作了改进，改进后的算法便于记忆和应用。     

基于层次优化算法的低温环境电动汽车变速器可靠性评估

当前,面对着石化能源日益短缺的压力,电动汽车的推广应用成为解决此问题的主要措施之一.电动汽车的应用范围逐步增加,为了保证其在极端天气下行驶的安全性,目前多采用低温环境电动汽车变速器可靠性评估方法对其变速器使用效果进行分析,但此方法由于可靠性模型构建能力较差,导致此方法使用效果不佳.因此,设计基于层次优化算法的低温环境电...     

基于多元感知信息融合的电抗器故障声纹诊断研究

为提高电抗器故障诊断准确率,提出一种基于多元感知信息融合的诊断方法。方法通过采用PSO(Particle SwarmOptimization)算法优化LSTM(LongShort-TermMemory)网络的神经元个数与dropout值改进LSTM网络,并利用改进LSTM网络对电抗器故障声纹进行分类识别,实现了电抗器故障诊断。仿真结果表明,采用PSO算法改进LSTM网络,可提高LSTM网络的收敛速度和分类识别精度;采用PSO算法改进LSTM网络模型对电抗器故障声纹进行分类识别,可有效诊断额定预紧力松动、单边夹件松动、双边夹件松动等不同类型的电抗器故障,且具有较高的准确率,平均准确率约为98%;相较于SVM、CNN、BP模型以及标准LSTM网络模型,所提PSO算法改进的LSTM网络模型对电抗器故障声纹诊断的准确率更高,具有明显优势。     

不同升温速率下煤自燃机理函数的优化——基于人工鱼群算法

为了确定最优的煤自燃机理函数,首先采用热重实验和热解动力学方法建立煤氧化反应的热分析动力学方程,再利用人工鱼群算法对煤自燃氧化方程进行优化,最终确定最优的煤自燃机理函数。该方法能较好的确定最优化煤自燃机理函数,且具有较好的拟合效果。对不同变质的煤样进行煤自燃机理函数的人工鱼群算法研究,并以双鸭山东荣二矿14层采区的煤样为例进行热重实验分析,得到不同转化率下的活化能。利用人工鱼群算法对不同升温速率下所得的煤自燃机理函数方程进行优化,结果表明煤自燃的最概然机理函数类型为[-ln(1-α)]n,反应级数n随着升温速率升高而降低。     

农村突发公共卫生事件应急医疗设施选址研究

为提高农村突发公共卫生事件应急医疗设施选址决策的科学性,基于新冠肺炎(COVID-19)疫情传播迅速,危害性强的突发公共卫生事件特征,依据应急医疗设施设计标准并兼顾农村医疗预算少、应急道路崎岖的特点,首先,选取设施备选地工程地质条件、单位成本、传染率、抵达时间、场所规模以及服务覆盖区域6项影响因素,将熵值法(EVM)和层次分析法(AHP)有效结合确定影响因素权重;其次,建立考虑患者到应急医疗设施的距离之和最小以及所选择应急医疗设施的综合评价值最优的多目标选址模型;然后,设计改进的粒子群优化(IPSO)算法求解模型,得到选址决策;最后,选取天门市部分村庄进行实证分析,以验证模型算法的有效性。结果表明：传染率和单位成本是建设应急医疗设施主要影响因素,IPSO算法选取3个应急医疗设施,能够满足8个村庄患者的治疗需求,并保证患者在4～7 min内就医,为高效开展疫情防控活动提供保障。     

基于文本挖掘的城镇燃气事故致因及关联分析

为有效预防城镇燃气事故发生,采用文本挖掘与复杂网络理论相结合的方法,系统分析影响城镇燃气安全的事故致因及其关联性。首先运用文本挖掘技术,从2017—2021年间的1 256份燃气事故案例中提取城镇燃气事故致因因素,采用Apriori算法挖掘城镇燃气事故致因的关联规则,共得到49条强关联规则;然后基于共现矩阵构建事故致因网络图,通过度中心性、紧密中心性、介数中心性分析,明确燃气事故的关键致因项和事故致因集合。研究结果表明：管道破损,阀门未关,设备老化,操作、使用不当和软管破损、脱落是城镇燃气事故关键致因因素,气体泄漏是燃气事故常见的事故类型,主要与管道破损、阀门未关等具有强关联性。     

改进YOLOv3算法下通航机场场面运动目标检测

为获得更好的检测精度和更快的检测速度,保障通航机场场面运行安全,提出一种改进的YOLOv3算法,分别从网络结构和损失函数2方面进行改进。首先,在主干网络中使用深度可分离卷积代替原卷积,构建基于距离交并比(DIoU)的目标框回归损失函数;然后,以某通航机场为研究对象,搭建通航机场场面目标检测场景,采用迁移学习和冻结训练相结合的训练方法,以提升场面目标检测的速度;最后,比较分析所提算法与传统的YOLOv3、YOLOv4算法的识别效果。结果表明：飞机目标的检测效果明显优于车辆和人员目标,改进的YOLOv3算法对目标的检测精度、召回率、全类平均精度(mAP)分别达到92.96%、80.51%、91.96%,图形处理器处理速度高达74帧/s,较传统的YOLOv3、YOLOv4算法性能均有明显提升,可实现通航机场场面运动目标的有效检测。     

基于多机器学习算法耦合的空气质量数值预报订正方法研究及应用

应用多种机器学习算法进行时空耦合从而建立一种新的多模式集合预报订正算法(简称“ET-BPNN算法”),对4种常规污染物(NO₂、O₃、PM_2.5和PM₁₀)的空气质量模型预报结果进行订正. 订正方法分为两步,第一步中利用随机森林、极端随机树和梯度提升回归树3种机器学习算法,采用4个空气质量数值预报模式(CMAQ、CAMx、NAQPMS和WRFChem)的多尺度污染物浓度预报数据、中尺度天气模式(WRF)的气象因子预报数据(包括2 m温度、2 m相对湿度、10 m风速、10 m风向、气压和小时累计降水量)以及污染物浓度观测数据作为训练集,训练结果进入基于均方根误差的择优选择器,选取3种机器学习算法中优化效果最好的算法;在第二步中利用了BP神经网络算法,通过加权平均获得集合模式订正预报结果. 结果表明:①与模式集合平均算法相比,ET-BPNN算法使NO₂、O₃、PM_2.5和PM₁₀浓度预报值与观测值之间的均方根误差分别减小了30.4%、18.9%、43.3%和38.1%. ②ET-BPNN算法的优化效果较随机森林、极端随机树和梯度提升回归树3个机器学习算法有明显提升,与极端随机树算法相比,ET-BPNN算法使NO₂、O₃、PM_2.5和PM₁₀浓度预报值与观测值之间的均方根误差分别降低了42.7%、20.1%、19.7%和9.7%. ③在易发生污染的秋冬季,ET-BPNN算法对PM_2.5浓度的预报具有明显的优化效果,此外该算法明显缩小了不同站点预报和不同预报时效之间的偏差,具有较好的鲁棒性. ④对O₃和PM_2.5浓度预报而言,经ET-BPNN算法优化后的预报结果能够更好地把握污染过程,对污染物峰值浓度的预报也较模式集合平均算法更准确. 研究显示,ET-BPNN算法提高了空气质量模式对污染物浓度的预报效果.