飞机货舱火灾CO浓度神经网络补偿算法研究

针对飞机货舱火灾探测误报率偏高且响应速度较慢的问题，采用电化学式一氧化碳传感器来代替传统民机所用的光电式烟雾探测器来探测飞机货舱火灾，并提出了一种基于粒子群算法(Particle Swarm Optimization, PSO)优化长短期记忆(Long Short-Term Memory, LSTM)神经网络的一氧化碳浓度补偿模型。首先在自搭建试验平台采集密闭空间火灾的多项试验数据，然后用PSO优化LSTM的隐藏层神经元个数和学习率，提高了LSTM的预测精度。通过与其他3种神经网络对比，PSO改进LSTM模型在基于时间序列的火灾一氧化碳检测中具有更好的补偿效果。通过浓度补偿，可以使电化学式一氧化碳探测器在飞机货舱火灾发生的早期阶段进行更准确的探测预警。     

关联站点协同攻击下轨道交通网络脆弱性研究

为探究轨道交通网络多个关联站点受到蓄意攻击后网络的脆弱性以及不同攻击下影响的差异，量测分析多站点之间的关联性，给出关联站点协同攻击下轨道交通网络脆弱性量化方法，提出以脆弱性最大化为目标的攻击模型，通过免疫算法求解模型，得到最优攻击策略，并以上海市地铁网络为例，研究多站点协同攻击下轨道交通网络脆弱性。结果表明：多站点蓄意攻击下轨道交通网络脆弱性不仅取决于每个站点的重要程度，还取决于不同站点之间的关联性，尤其是空间位置关联性和乘客出行关联性。位于不同线路且客流量较大的多个换乘站点受到协同攻击下轨道交通网络脆弱性最高，占网络站点总数3.56%的多个站点同时受到攻击后，轨道交通网络性能损失最高可达63.61%。     

基于非遗传进化算法的四边形海上风电场设计

海上风力发电厂正在成为可再生电力生产的现实选择。作为海上风电场建设中较常用到的一种设计，平行四边形风电场进一步优化了风电机组排布，由此可以得到风电场最大发电量的优化方案。作为提高海上风电场盈利能力的工具，这项工作提出了第一个完整的非遗传进化算法，以优化平行四边形海上风电场的位置、大小和布局。该模型考虑了影响投资盈利能力的大多数相关经济数据，已经在海上风电场荷斯韦夫I(Horns Rev I,HR-I)的现场进行了测试。测试的结果显示，在10个优化结果的区域中心，确定了横轴与纵轴范围，平行四边形角度为（100～120）°，方向角度为（85～105）°，涡轮机之间行与列的距离分别为（9～20）m以及（5～8）m。涡轮机距离优化优化后的搜索时间为2 400 s，效率提升了14.29%。研究结果表明该方案在投资和年发电量方面与实际海上风电场的价值相似，均体现了最佳方向和盈利能力。     

基于BFGS-BP神经网络岩爆分类研究

BP神经网络模型是岩爆预测中的常用模型，为了强化预测效果，选取BFGS算法对BP神经网络模型进行优化。选取应力系数■、脆性系数■和弹性能量指数W_et作为预测指标，国内外46组案例作为样本库，分别建立BFGS-BP神经网络模型和传统BP神经网络模型，对比验证其优化效果，将建好的模型用于锦屏二级水电站和秦岭隧道加以检验，得到一种有应用前景的机器学习预测模型。     

基于QAR数据的着陆超限风险贝叶斯网络分析模型

为分析民机着陆超限风险及其影响因素，基于飞行快速存取记录器(Quick Access Recorder, QAR)数据，构建着陆超限风险贝叶斯网络分析模型。首先，采集2019年和2020年国内某航空公司B737-800机队共37 443个航段QAR数据作为样本数据；然后利用GeNIe 3.0软件GTT(Greedy Thick Thinning)算法进行参数学习，建立着陆超限风险贝叶斯网络(Bayesian Network, BN)模型，应用10-fold交叉验证方法对模型进行检验。结果表明，着陆超限风险贝叶斯网络可有效分析着陆超限事件的因果关系，计算得出样本机队减小着陆超限风险的飞行参数组合。该分析模型可用于对机队或飞行员个体的着陆超限风险预测，为降低着陆飞行超限风险、前移安全关口提供客观依据。     

基于人工神经网络算法的垃圾组分识别模型研究

为增强环卫智能化程度，利用TensorFlow深度学习框架实现人工神经网络(Artificial Neural Network, ANN)算法，建立以生活垃圾图像RGB均值和垃圾重量为输入的生活垃圾组分识别模型。对比不同超参数设置下模型A1至A4的识别效果。结果表明，使用三层ANN网络结构和Adam优化算法可以建立性能优秀的垃圾组分识别模型。A1至A4模型经过参数训练后识别误差均在±5%内。对A1至A4模型的学习率和迭代次数进行调试可得，A4模型即隐藏层第一层、隐藏层第二层和输出层的激活函数分别为ReLU函数、Tanh函数和Sigmoid函数的ANN模型，在学习率为0.01的情况下，识别误差在±1%以内，稳定性最佳。     

基于涟漪扩散算法的元胞自动机人员疏散模型研究

为探究大型公共场所内应急疏散调控策略的合理性、有效性和安全性，开展了2类场所的应急疏散调控策略的仿真研究，记录疏散时间、疏散拥堵时间和路径拥堵程度作为衡量应急疏散调控措施的指标，建立以多对多涟漪扩散算法为核心的线性元胞自动机模型。结果显示，与原有的疏散路线相比，使用算法规划的应急疏散路径可以缩短疏散时间；与仅仅使用算法规划应急疏散路径相比，考虑单一的路径拥堵情况或路网结构而增加的调控措施可能与疏散初衷相悖；但在使用算法规划路径的基础上，综合考虑路径拥堵情况和路网结构而增设的调控措施，其疏散效果是最好的。研究结果可为应急疏散管理者提供紧急情况下的调控策略，避免疏散过程中出现的拥挤、踩踏等二次事故的发生，进而保障人群的疏散安全。     

考虑新冠疫情扩散规律的医疗物资动态配送优化

为了满足新冠疫情防控的应急性需要，基于传染病扩散模型提出了一种物资配送方案周期滚动优化模型。该模型结合医疗物资外源补给和点对点运输的特点，考虑疫区医疗物资数量和物资配送时间对新冠疫情扩散的影响，以最小化感染人数和使用车辆数为目标，联合决策配送中心物资补给数量、疫区物资配送时间及配送量。根据所提出的多目标模型的特征，提出了两阶段优化方法，分别采用同步扰动随机逼近算法与大规模邻域搜索算法对模型进行求解，并结合具体算例将所提方法与其他配送策略进行了比较分析。结果表明，相较于其他策略，所提优化模型可有效减少13.9%～40.0%的感染病例和17.6%～30.0%的调度车辆，优化后的周期滚动决策方法，在节省人力物力的同时，有效避免了配送中心出现“爆仓”现象，为后续研究和实践提供参考。