基于粗糙集全局离散和粒子群算法的启发式航材订货模型

为了解决目前航材订货模型单纯依托人为经验,对航材消耗规律变化反应滞后且可信度不高工作量过大的问题,提出在原始订货模型的框架下,使用PAM聚类、粗糙集全局离散和粒子群算法,计算模型中的航材分类、属性离散和区间权重,从而建立启发式航材订货模型,并在测试集上对比新老模型的均方离差。结果表明,启发式航材订货模型可以使人摆脱依靠经验确定模型的繁琐工作,并且能有效提高模型的准确性和及时性,从而提高航材订货工作效率。

基于增强学习的航材二级库存优化配置研究

为了解决编制体制调整后,二级库存条件下航材供应的横向调配供应问题,提出了增强学习思想下使用马尔科夫决策过程对二级库存航材供应过程建模,利用增强学习中的策略评估和策略迭代方法求解,得到在任意库存状态下,对应的最优横向供应策略。通过验证,该模型可以在二级库存条件下,减小各单位库存不平衡对航材保障效率的影响,延长保障时间,增强航材横向供应的提前性和科学性。

基于特殊任务Prophet模型的航材消耗需求预测模型

为了解决当前航材消耗需求预测方法难以处理特殊任务造成的异常消耗数据,对特殊任务数据的拟合和预测效果不佳的问题,应用考虑特殊任务因素的Prophet时序预测模型对航材的消耗过程进行建模。分析了特殊任务的航材消耗需求预测特点与要求,建立了特殊任务航材消耗需求预测Prophet模型,并与无特殊任务Prophet模型和传统时序预测模型进行了对比。结果表明:该模型能够有效拟合97%的特殊任务的航材消耗数据,具有更高的预测精度。

基于OWL本体和内嵌谓词SWRL的空军智慧航材订货模型

针对目前航材订货中的人为修正经验可能因订货决策人员岗位变动而"失传"的问题,提出了利用本体论和内嵌谓词SWRL(Semantic Web Rule Language)构建航材订货的OWL(Ontology Web Language)本体和订货推理的SWRL规则,采用Protégé软件和Jess推理引擎实现了空军智慧航材订货系统的应用模型。该模型可以有效积累航材订货工作经验,协助航材订货人员进行订货决策,从而减少航材订货的学习成本,提高订货效率。

简短一句话,蕴含大力量

两年前的一个夜晚,那些从天上飘下来的零零星星的雪花还没有完全落地就化成了小水滴。我清楚地记得,那一天是一整年中最冷清的一天。黑暗吞噬着一切,除了耸立在路旁的路灯。一个小女孩吃力地扛着古筝,向前面走去。她皱着眉头,艰难地踏上一级级台阶。哪怕额头上已经渗出了大颗的汗珠,她也毫不在意。到了一扇门前,她轻轻敲了敲,见无应答后便悄悄地打开门,先探头往里望望,继而松了口气。