考虑碳配额回购融资的再制造企业生产决策

以资金约束的再制造企业为研究对象，分析了碳配额回购融资下的再制造生产决策问题。分别建立了资金约束下有无碳配额回购融资的再制造生产决策模型，利用Kuhn-Tucker条件得到了不同情形下的最优解，并对两种情形下的最优解进行了比较；通过算例分析初始生产资金、消费者偏好和碳配额回购量对最优产量和利润的影响。研究表明：当初始生产资金较低时，再制造企业选择碳配额回购融资会提高新品产量和总产量；若消费者对再制造品的偏好较高，采取碳配额回购融资提高再制造企业的利润；随着碳配额回购量的提高，再制造企业的利润先提高后降低。另外，存在唯一的最优碳配额回购量使得利润最大。     

ECOC多分类算法在慕课数据挖掘中的应用

收集并整合多所高校学生的慕课学习行为数据，设计基于数据复杂度的纠错输出编码（ECOC）多分类算法。该算法利用数据复杂度降低多类之间的分类难度，从而提高算法的预测准确度。实验结果表明，在不同高校的慕课数据集的测试中，所设计基于数据复杂度的ECOC分类算法比传统的ECOC算法具有更高的分类准确度和鲁棒性，实现了学生学习成绩多等级的有效预测，为个性化教学奠定了基础。     

高盐、高浓度有机废水蒸发特性实验

 搭建废水动态蒸发实验装置，对精细化工行业常见的蒸氨废水、颜料生产废水开展蒸发分离实验研究以获得废水蒸发特性，为实际蒸发系统设计提供基础数据支持。结果表明：废水的沸点升高随浓缩倍数的增加而逐渐上升，来自不同工艺段的蒸氨废水、颜料生产废水由于浓度差别，在相同的浓缩倍数下沸点升高略有不同；在蒸发过程中，颜料生产废水蒸发冷凝液的COD随着蒸发的进行逐渐降低；不同种类废水蒸发冷凝液的TDS与pH值变化规律大致相同，受原液中易挥发物质及夹带液滴的影响较大，随着浓缩倍数的增加先减小后趋于恒定。     

基于混合流量预测的虚拟网络拓扑重构方法

目前在构建虚拟网络时, 为满足用户动态变化的带宽需求, 虚拟网络控制平台通常把虚拟链路带宽设置为流量最大值, 一定程度上造成了资源浪费。针对这一问题, 提出一种基于混合流量预测的虚拟网络拓扑重构方法, 利用基于参数优化选择的混合流量预测算法对下一周期的网络流量进行预测, 根据流量预测结果进行拓扑重构, 在避免出现乒乓效应的同时节省更多带宽资源。为了提高流量预测算法的精度与效率, 首先采用小波分解方法将流量数据分解为高频的细节时间序列和低频的近似时间序列, 然后利用基于粒子群优化的相空间重构方法, 对该时间序列进行特征提取构建训练样本。之后分别采用混沌模型对细节时间序列进行训练预测, 采用极限学习机(extreme learning machine, ELM)神经网络对近似时间序列进行训练预测。仿真结果表明, 所提的流量预测算法在保证预测精度的同时, 运行时间更短, 预测效率更高, 进而保证了拓扑重构方法可以节省更多的带宽资源。     

LINE-SERU转化的评价分析——以某医疗制造企业实施SERU为例

面对日益增加的需求不确定性及激烈的市场竞争,SERU (赛汝)生产方式应运而生,并广泛应用于日本电子装配制造企业.国内一些制造装配业正尝试将传统的流水线转化为SERU装配方式,简称LINE-SERU转化.一些文献报道了日本企业实施LINE-SERU转化的效果,而学术界对国内企业实施SERU装配方式的生产组织与运行效率缺乏理论分析和标杆分析.本文以国内某医疗器械装配企业实施LINE-SERU转化为例,通过理论分析和数据分析,系统地讨论了国内企业实施LINE-SERU转化的背景、过程、影响因素及生产组织形态,从多维度比较分析了改善效果及原因;总结了国内企业与日本企业在SERU系统的构建方式、布局形态和企业文化等方面的差异.研究发现,中国企业处于LINE-SERU转化的初期,SERU系统具有其独特的组织形式,在提高生产效率、缩短生产周期、减少在制品数量、精简作业人数和降低次品率等方面均有显著提升,但改善效果不同于日本企业.建议国内企业依据其人力资源特征构建SERU系统、优化单元布局、培育以人为本的企业文化,以提高系统柔性和改善效率.     

人工智能:统治人类还是服务人类?——基于历史唯物主义的思考

人工智能引起了社会各界的高度关注,并正在广泛而深刻地影响着社会生活。人们在享受人工智能带来的好处和便利的同时,也对人工智能的风险产生了巨大的担忧。人工智能究竟会统治人类还是服务人类?历史唯物主义为这个问题提供了一个独特的思考视角。从历史唯物主义的视角看,人工智能的本质是人的本质力量的对象化,是人类实践活动的成果。人工智能的活动与人的活动有本质的区别,它不会实践,因而人工智能不是人,更不会全面超越人类和统治人类。人工智能的益处和风险均来自于其应用,而其应用又从根本上取决于其所处的社会生产方式。故人工智能究竟是全面服务人类还是给人类带来风险,从根本上取决于生产方式。     

生产成本信息不对称下零售商风险厌恶的回购契约

探索在市场价格随机条件下,生产成本信息不对称零售商风险厌恶时,采用回购契约协调二级供应链的内在规律.构建新的条件下的回购契约模型并求解,分析信息不对称和风险厌恶对供应链上各决策变量的影响.通过算例仿真进行了验证,研究结果发现:在市场价格随机条件下,不管生产成本信息是否对称,只要零售商存在风险厌恶,供应链上各决策变量都会发生分岔突变的现象;不管零售商是否风险厌恶,生产成本信息不对称都会给供应商带来额外的收益,但会损害零售商与整个供应链的收益;信息越不对称,供应链上的各种决策变量在分岔突变区域的振幅越大.结论是:分岔突变现象是价格随机条件下,参与者风险厌恶时存在的一种特有现象;供应商能够通过隐瞒私人信息带来额外的收益,但损害零售商和供应链的利益;零售商应对生产成本信息不对称的最好办法就是以最低的成本使生产成本信息透明;零售商以平稳的心态面对各种外部风险,更有利于科学决策.     

基于自适应变异PSO-SVM的APU性能参数预测模型

为提高辅助动力装置(auxiliary power unit, APU)性能参数预测的精度,针对支持向量机(support vector machine, SVM)模型在实际使用中遇到的参数选择问题,采用自适应变异粒子群优化(particle swarm optimization, PSO)算法实现对SVM惩罚参数和核参数的优化选择,提出一种基于自适应变异PSO算法优化SVM的APU性能参数预测模型。进一步分析了预测模型不同预测步长对短期预测精度的影响。利用某型APU性能参数数据进行了验证,并与多种预测模型进行了对比实验。实验结果表明,对于排气温度(exhaust gas temperature, EGT)的预测,自适应变异PSO-SVM模型的平均绝对百分比误差(mean absolute percentage error, MAPE)比标准PSO-SVM模型低47%;对于滑油温度(oil temperrature, OT)的预测,自适应变异PSO-SVM模型的MAPE比标准PSO-SVM低29%,为短期APU性能变化趋势预测提供了一定的参考。     

不同光照条件下氮浓度对衣藻生长及油脂积累的影响

为探究莱茵衣藻(Chlamydomonas reinhardtii)油脂含量的最佳条件,在不同的光照条件下检测了氮浓度对莱茵衣藻生物量及油脂含量的影响.结果表明:在氮添加和光照强度增加的梯度上,衣藻的油脂含量逐渐降低;光照强度和氮添加量对衣藻的油脂含量都有显著影响;控制光照强度和氮添加量后发现,当光照强度为30μE·m~(-2)·s~(-1),氮质量浓度为100 mg·mL~(-1)时,衣藻油脂含量的质量分数为39.79%,叶绿素质量浓度为17.08 mg·mL~(-1),最适宜衣藻油脂积累.     

枯草芽孢杆菌XF-1的碳水化合物活性酶类(CAZymes)蛋白预测与遗传关系分析

枯草芽孢杆菌XF-1对多种植物病原菌具有较好的抑制作用,是农业生产上非常重要的生防菌之一.碳水化合物活性酶类蛋白(CAZymes)作为植物病原真菌、细菌中重要的蛋白,在其生长和发育过程中发挥着重要作用.基于前期获得的枯草芽孢杆菌XF-1中104个分泌蛋白基本序列信息,利用CAT预测程序对该菌中的CAZymes蛋白进行预测分析,明确其含有CAZymes蛋白的数量是58个,上述蛋白可以分为主要类别和复合类别两大类,前者包括26个GHs、21个CBMs以及2个CEs、3个PLs、2个GTs;后者则包括4个复合蛋白类型GH/CBM.该研究有效地实现了枯草芽孢杆菌XF-1中CAZymes的预测,为进一步开展其功能研究打下坚实的理论基础.