基于节约法的村镇生活垃圾收运路线优化研究

为了降低垃圾收运成本,减少垃圾收运过程产生的环境和社会影响,对含有多种级别道路的村镇生活垃圾收运路线进行了优化。综合考虑垃圾收运过程的运输距离、路况、环境污染等因素,利用层次分析法确定了不同级别道路的综合权重,并对实际运输距离进行修正,得到综合运输距离。以节约综合运输距离为目标,使用节约法对收运路线进行优化,得出了节约路程多、发生拥堵少、环境污染小的村镇生活垃圾收运路线。并以蒙城县岳坊镇为例,对该地区的垃圾收运路线进行优化设计,验证了方法的可行性。     

内陆水体后向散射系数模拟研究

在利用半分析方法结合光学闭合原理模拟水体后向散射系数的过程中,参考波长的选择对最终结果有较大影响.为了得出最佳参考波长的影响因子,利用太湖、巢湖和滇池的野外实测数据,对后向散射系数进行模拟,进而分析水体的最佳参考波长与其对应的水质参数浓度之间的变化规律.同时,建立了太湖、巢湖和滇池水体的后向散射系数曲线的幂函数光谱模型,获得的光谱指数分别为2.643±0.317、 2.719±0.242、 1.638±0.534.结果表明：①以整个湖泊为研究对象时,最佳参考波长随着湖泊水体中总颗粒物浓度c_SPM、有机颗粒物浓度c_SPOM和叶绿素浓度c_CHL平均值的增大而向长波方向移动,太湖、巢湖和滇池水体的最佳参考波长分别为695、 720和730 nm;②以单个湖泊的各个样点为研究对象时,由于内陆湖泊光学特性的复杂性,最佳参考波长的影响因子存在一定差异,但c_SPM是一个共同的影响因子.此外,过高的c_CHL将削弱水质参数浓度与最佳参考波长间的规律性;③在以无机颗粒物为主的水体中,后向散射系数与总颗粒物浓度之间存在更好的相关性,如在太湖水体中,R²达到0.852.     

混合物质谱的简单分类算法

有毒化合物质谱分类是以光谱数据的数值特性为基础的。这此数据的计算机分类提供了各种参数,用以确定属于有毒化合物中某一类的对应化合物。质谱数据的简单分类算法常被用于自相关变换质谱的主分量建模。主分量的有效值为相互确认为确定。对环境空气中１１９种被监测的有毒化合物,有色谱－质谱联用的试验和校正数据所得到的４类预报正确率为７６．５％。     

模式搜索算法在毒气泄漏中的源强反算

基于泄漏源下风向的浓度监测数据并结合大气扩散模式建立反算模型,以确定泄漏源的位置和强度。以扩散模式仿真的浓度数据与监测数据的匹配度作为目标函数,将反演问题转化为优化问题,利用模式搜索算法迭代优化。以高斯模型为例验证了算法的可行性,结果表明利用探测器提供的测量浓度值,模式搜索算法能够在较短时间内搜索到最优解,在计算复杂性或时间上较梯度型算法和智能优化算法有一定优势。该算法能够及时而准确地反算出泄漏源强度和位置,为事故的应急响应与救援提供依据。     

机场终端区飞行流量的优化算法研究

为解决繁忙机场飞行终端区的交通拥挤问题,研究了遗传算法在跑道分配和飞机排序中的应用。建立多条跑道多架飞机的数学模型,使用遗传算法仿真计算寻求飞机进场总延迟时间最小的排序方案,并与传统的先到先服务算法进行了对比。结果表明:遗传算法与先到先服务排序相比较,总延迟时间减少了53%,说明了该算法排序结果明显优于先到先服务的排序结果。遗传算法具有全局寻优,且优化效率高的特点,有助于空中交通流量管理优化方案的建立。     

一种PM_(2.5)辅助监测系统的设计与实现

为解决目前国内外PM2.5监测仪器价格昂贵,运行成本高,单点负责区域大,监测点少的问题,提出以国家监测网络为基础,以低成本、高精度为特点的PM2.5辅助监测方法。系统采用DSM501A作为PM2.5浓度采集传感器,完成粒子数量浓度到质量浓度的转换,通过在一定区域内布置监测终端,并借助于GPRS网络和参数曲面构建方法,建立了一定区域内PM2.5质量浓度网络图,填补了国家监测点间的监测盲区,并利用高斯消元法建立了从历史数据到未来浓度的预测算法。实验结果表明:实测数据与国家监测点数据基本一致,具有广阔的应用前景。     

基于自适应遗传小波神经网络的水质评价建模

水环境污染过程的非确定性和非线性,使得传统的水质评价方法存在局限性。为了提高水质评价的准确性,提出了一种基于改进小波神经网络(wavelet neural network,WNN)的水质评价模型。采用自适应遗传算法(adaptive genetic algorithm,AGA)对小波神经网络的初始权值进行优化,再通过小波神经网络算法对网络进行训练,最后对训练好的网络展开测试。仿真结果表明,自适应遗传算法和小波神经网络的结合提高了网络的训练效率,该方法可以用于水质评价建模,并且评价结果具有较高的精度和准确性。     

基于灰色神经网络优化组合模型的火灾预测研究

为了提高火灾事故预测的精度,根据我国火灾事故数据样本较小,波动性较大的特点,将遗传算法优化的灰色无偏预测模型与遗传算法优化的BP神经网络模型结合起来,建立灰色神经网络优化组合模型,充分发挥无偏灰色预测模型适用于小样本的数据预测的优势与BP神经网络处理非线性问题的优点。分别采用遗传算法优化后的无偏灰色GM（1,1）模型、遗传算法优化的BP神经网络预测模型与灰色神经网络优化组合模型对我国1998-2008年的火灾事故进行拟合,并对2009-2011年的火灾事故发生数进行预测。结果表明:灰色神经网络优化组合模型的预测误差最小,精度最高,适用于火灾事故的预测。     

全尾砂絮凝沉降参数GA-SVM优化预测模型研究

为了得到经济、高效的絮凝沉降参数,建立GA_SVM预测模型进行优化选择。在优选过程中,以供砂浓度、絮凝剂单耗和絮凝剂添加浓度作为输入因子,以沉降速度作为综合输出因子,通过室内试验,建立训练、验证样本集;建立支持向量机（SVM）回归预测模型,用训练集对模型进行训练,进而以验证集预测值的均方误差作为适应度函数,通过遗传算法（GA）对SVM模型参数进行优化选择,应用优化得到的SVM模型对絮凝沉降参数进行预测、优化。以湖南某铅锌银矿为例,通过建立的GA_SVM模型对全尾砂絮凝沉降参数进行预测,优选出该矿最佳絮凝沉降参数为:供砂浓度20%-25%,絮凝剂单耗8g/t,添加浓度009%。经实验对比,该模型对絮凝沉降参数预测结果的相对误差能控制在5%左右,精确度较高,可以作为絮凝沉降参数优选的一种新思路     

基于神经网络集成的单个飞行事件噪声预测模型

通过分析影响单个飞行事件噪声的各种因素,构建了BP神经网络回归预测模型,并通过自适应遗传算法优选出参与集成的个体神经网络,提出了预测单个飞行事件噪声的神经网络集成预测模型.为了有效保证差异性,设置不同隐藏神经元个数和Bagging算法来构建和训练单个网络.实验结果表明,单个飞行事件噪声的神经网络集成预测模型相对单个BP神经网络模型泛化能力更强,稳定性能更好.本文方法在测试集上误差在3dB以内的平均比率为96.9%,比单个网络高6.8%.