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。