测试不可靠条件下的诊断策略优化方法

提出了一种测试结果不可靠条件下的诊断策略优化生成方法.首先将描述测试可靠性的参数(检测概率和虚警概率)转换为误诊代价,将其与基于霍夫曼编码的测试费用评估函数相结合,构建了一种既考虑测试费用又考虑诊断精度的启发式评估函数,然后基于该启发式评估函数提出了一种不确定AO*算法.为了有效评估诊断策略的诊断精度,提出了一种测试性参挝数预计方法.最后应用案例验证了本方法,测试性预计结果表明本方法实现了诊断精度和测试费用的权衡.     

不完全维修条件下的备件多级库存优化

考虑到不完全维修条件下有限维修次数的约束,研究含有报废流程的可修件多级库存优化问题.以可维修备件多级管理技术模型为基础,以可用度为约束条件,以系统费用为优化目标,引入报废流程,建立多保障等级多装备层次的库存优化模型;在算法设计上提出了粒子群—边际禁忌混合算法,算法前期使用粒子群算法求解,以便快速得到全局优质解,后期进入...     

基于Petri网的业务流程低频行为挖掘与优化分析

低频行为的挖掘是业务流程管理的重要内容之一,区分有效低频和噪音在业务流程优化中显得尤为重要。已有挖掘方法多是从数据属性研究低频行为,较少根据不同模块间的行为属性来分析低频行为,由此提出基于Petri网的业务流程低频行为的挖掘与优化方法。首先,通过用流程树切的直接流图表示日志的行为关系,并与初始模型做匹配,发现所有的低频序列;然后,计算日志与模型的行为距离向量,基于行为紧密度区分有效低频日志和噪音日志,优化事件日志;其次,利用不包含噪音序列的事件日志通过融合交互模块网与特征网,挖掘得到一个优化的业务流程模型;最后,通过具体的实例分析和仿真实验验证了该方法的有效性。     

不确定条件下车间动态重调度优化方法

分析车间生产环境复杂、多变以及生产过程中各种随机扰动所导致的不确定性问题,将扰动分为显性扰动和隐性扰动两类。分别采用主动和被动触发式重调度驱动规则,对各种扰动进行响应,并通过建立重调度优化集,结合滚动时域优化方法,对大规模动态重调度优化问题进行了简化。提出重调度优化集内待加工工件的选取规则,以减少工序间机器空闲时间。最后提出混合粒子群调度优化算法,对优化集内待加工工件进行智能优化调度,并采用该算法结合具体的仿真实例验证了该动态随机重调度优化方法的有效性。     

不确定条件下机械产品设计方案费效权衡优化

为解决由产品设计和实际生产过程中各种不确定性因素的影响导致的机械产品设计方案费效权衡结果出现偏差的问题,提出将不确定优化理论引入机械产品设计方案费效权衡中。在对产品关键性能参数敏感性分析的基础上,将受不确定性因素影响的敏感性参数以及费用估算的偏差描述为随机变量,以一定置信水平下的费效比为优化目标,构建基于以费用为独立变量的费效权衡随机机会约束规划模型,并采用嵌入Monte Carlo模拟的遗传算法求解,得到不确定条件下最优产品设计方案,最后以混凝土泵车系列产品为实例进行验证。研究结果表明,采用基于以费用为独立变量的费效权衡随机规划模型优化的产品设计方案,更能反映生产实际,可以在不确定条件下最大程度地实现产品全生命周期成本目标的有效控制。     

双重不确定条件下危险品运输的多目标优化

针对危险品运输路径优化问题,考虑危险品终端需求量和人口中心的不确定性影响,构建了双重不确定条件下以运输成本和风险系数的期望值最低为目标的随机优化模型。设计了基于优先权的多目标粒子群遗传混合算法结合样本平均近似法对随机模型进行求解,并进一步采用基于动态拥挤距离的精英解集更新。通过算例分析和算法对比验证了模型的可行性和算法的有效性,并进一步对不同样本规模下的结果进行了稳定性分析,对需求量和人口数量两个不确定条件进行灵敏度分析。实验结果表明改进的多目标粒子群算法可有效解决该问题,且具有很好的收敛性和多样性,不同样本规模和不确定性条件均会对路径规划产生影响,所得结果可以为决策者提供参考。     

基于FP-矩阵的频繁项集挖掘算法

针对频繁项集挖掘时间与空间效率低的问题,提出一种基于FP一矩阵的高效频繁项集挖掘算法。用此算法构造FP-矩阵压缩事务数据库,无需递归构造条件模式树,仅需3次扫描数据库即可生成所有频繁项集。最后的实验证明了该算法的有效性。     

基于FP-矩阵的频繁项集挖掘算法

针对频繁项集挖掘时间与空间效率低的问题,提出一种基于FP-矩阵的高效频繁项集挖掘算法.用此算法构造FP-矩阵压缩事务数据库,无需递归构造条件模式树,仅需3次扫描数据库即可生成所有频繁项集.最后的实验证明了该算法的有效性.     

基于Spark的并行频繁项集挖掘算法

针对大数据环境下基于Spark的频繁模式增长(FP-Growth)算法存在创建条件频繁模式树(FP-tree)时空效率低,节点间通信开销大,以及冗余搜索等问题,提出了基于Spark的并行频繁项集挖掘算法(PAFMFI-Spark)。首先,该算法提出非负矩阵分解策略(SNMF),通过提供支持度计数查询和分解储存支持度计数的矩阵,解决了创建条件FP-tree的时空效率低的问题;其次,提出基于遗传算法的分组策略(GS-GA),均衡分配频繁1项集至各节点,解决了节点间的通信开销大的问题;最后,提出高效缩减树结构策略(ERTSS),缩减FP-tree树结构,解决了冗余搜索的问题。实验结果验证了PAFMFI-Spark算法的可行性以及相较于其他挖掘算法的性能优势,所提算法能有效适应各种数据的频繁项集挖掘。     

供需不确定条件下集团制造企业物料资源共享优化

通过对集团制造企业物料资源共享的分析,将集团物料资源的共享问题转化为运输问题。根据不同供需关系建立相应的物料资源共享数学模型,且以最少运输费用为目标函数。应用于集团制造企业实际物料资源共享问题,并采用LINGO软件进行模型求解,得出物料资源共享最优配置方案,从而实现在供需不确定条件下集团制造企业物料资源共享优化。     

多源不确定条件下的M公司生产线优化研究

针对M公司生产敏捷性不足,生产率低,生产环境复杂多变的问题,并为了解决动态条件下的精益生产问题。以M公司为例,提出了采用加权平均的手段处理产品配比问题的方法,并且使用了均衡化生产的方法来平衡订单和生产资源配置的波动,采用基于规则的方法优化M公司的单元生产线布局,并提出了使用暂存区来平衡加工时间和机器故障波动的方法,最后使用Em-plant仿真软件对波动程度和暂存数量设置问题进行了仿真求解。使生产线平衡率上升13.85%,资源利用率上升66.7%,生产单元占地面积下降38.5%,生产率提高7.41%。     

不确定条件下液压系统过滤器优化配置模型的改进

基于液压系统污染颗粒迁移特征的描述,通过引入液压元件污染磨损理论及颗粒尺寸分布模型,运用区间优化算法,建立了典型单回路液压系统过滤设备的运行成本数学模型,以确定系统中各过滤器的安装位置及维修周期,使得系统在正常工作的前提下所耗费的成本最小,从而避免过滤器配置设计的盲目性,为液压系统日常检修方案的制定提供理论依据。算例验证了模型的有效性。     

不确定条件下考虑相互影响的研发项目组合选择优化

深入分析了研发项目组合选择过程中的项目间收益、技术和资源的相互影响,应用模糊集理论进行研发项目的不确定参数定义。在项目相互独立基本模型的基础上,建立了考虑相互影响的研发项目组合选择优化数学模型;运用定性的可能性原理完成了模糊规划模型的清晰化过程,针对清晰型数学模型,提出利用遗传算法的宏观和微观策略进行求解;最后,应用算例验证了优化方法和算法的有效性。     

不确定交货条件下供应链装配系统订货优化与协调研究综述

供应商交货的不确定性对供应链装配系统订货优化与协调具有重要影响。在分析影响供应链装配系统协同订货的不确定性及其主要表征形式后,对交货数量不确定、交货时间不确定和供应商库存不确定三种情形下的供应链装配系统订货优化与协调模型研究进行了归类综述,即针对引起上述不确定交货条件的原因进行了分类,分析和归纳了不确定交货条件下装配系统订货优化与协调研究动态。根据目前研究和实践情况,从协调机制、组织机制和监控机制三个方面,提出不确定交货条件下供应链装配系统订货优化与协调研究的趋势和方向。     

虚拟数据库与WEB数据挖掘

首先分析了虚拟数据库信息检索的现状,虚拟数据库技术的原理。主要针对虚拟数据库基于WEB信息检索的局限性,引出WEB数据挖掘,并对WEB数据挖掘技术作了概要的介绍。然后,讨论了WEB数据挖掘与虚拟数据库信息检索之间的关系,最后阐述了WEB数据挖掘和虚拟数据库信息检索的结合,从而提高WEB信息检索的效率和质量。     

Web数据挖掘的分析与探讨

介绍了Web数据挖掘的含义、原理、实现以及他们所使用的相关技术,最后指出了数据挖掘的应用前景。     

Web数据挖掘研究与探讨

WWW是一个巨大的、分布广泛的、全球性的信息服务中心,它包含了丰富的信息资源.Web数据挖掘可以快速有效地获取所需要的信息.本文重点探讨了Web挖掘的基本原理和关键技术,针对Web挖掘的分类进行了描述,论述了Web挖掘的挖掘流程、应用领域及研究发展方向.     

云制造环境下并行频繁模式增长算法优化

针对云制造环境下的海量数据挖掘,分析了现有并行频繁模式增长算法的实现和不足。研究了利用键值存储系统对其中的计数和分组部分进行优化。利用键值型数据库存储简单、自动增长且有序的方式,将计数和分组的信息存储在了键值型数据库上。通过减少对分布式文件系统的读写,并将计数过程和排序过程并行化执行,优化后的算法减小了存储节点的网络及内存开销。在真实数据集上,通过实验对比了优化前后算法的性能以及对于文件系统I/O的开销。     

基于GASA优化算法的不确定条件下Job-Shop调度问题研究

针对不确定因素和动态干扰事件下Job-Shop调度问题,基于模糊数理论和动态调度策略,综合考虑完工时间、机器加工成本和机器负荷,建立了作业车间多目标不确定性调度模型;为了求解该调度模型,结合遗传算法和模拟退火算法的特点,设计了遗传模拟退火混合算法,并针对作业车间的复杂性要求,对算法的编码解码、交叉变异算子以及保优策略等方面进行了改进;通过仿真,得到了初始调度方案,然后在此基础上,采用动态调度策略对紧急插单、机器故障、工件取消和交货期变更等不确定干扰事件进行了研究.通过对某电动产品生产公司车间进行的实证研究结果表明,根据上述研究得到的较好的调度方案,可以有效地提高机器利用率和客户满意度.该模型和算法能够较好地应用到企业实际生产中.