基于MaxEnt模型的陕西省菊芋种植潜在适宜区分析

利用陕西省29个菊芋空间分布数据和26个环境因子,综合陕西省边际土地分布,运用最大熵模型(MaxEnt)模拟历史时期及未来气候变化下陕西省菊芋潜在适宜区分布,并将结果叠加陕西省现有边际土地进行分析。结果表明:(1)MaxEnt模型模拟陕西省菊芋种植潜在适宜区结果精度较高,曲线下面积AUC为0.914。(2)基于历史时期环境数据,陕西省菊芋潜在分布区主要分布在榆林定边县、延安志丹县、安康汉滨区、商洛商州区和汉中西乡县,边际土地总适宜区面积约为75992km^(2),占陕西省总面积的36.9%,其中低、中、高适宜性面积分别约为63169、11617和1205km^(2),主要边际土地利用类型为中覆盖度草地。(3)影响菊芋生长的5个重要环境因子为土壤深度(142.4~155.4cm)、最暖月最高气温(29.4~31.6℃)、高程(210~593m)、坡向(70.7°~239.5°)和坡度(0~10.5°)。(4)未来4种气候情景模式下陕西省菊芋种植中、高适宜区面积总体明显增加,2021-2040年分别增加14.39%~46.46%和46.90%~95.39%,2041-2060年分别增加15.95%~71.52%和48.46%~111.40%。未来气候变化有助于陕西菊芋适宜种植区扩大,建议在榆林定边县、商洛商州区等高适宜地区开展种植实验,验证菊芋对当地环境的适宜性,探索推广培育的可行性。

强化学习求解组合优化问题的研究综述

组合优化问题广泛的存在于生产实践的各个领域,解决组合优化问题的主要手段通常包括使用由领域专家人工设计的启发式算法以及设计成熟的求解器,按照一定顺序构建一个解决方案.而随着实际问题复杂度逐渐的增加,这类方法无法于在线求解方面取得很好的效果,得到的结果可能往往是次优的.而强化学习给出了一个很好的替代方案,通过对智能体模型的良好训练,迅速地对此类问题进行求解.故回顾了近年来将强化学习框架应用于组合优化问题的研究,对其基本原理、相关方法、应用研究进行总结和综述,并指出未来该方向亟待解决的若干问题.

山西省奶牛淘汰原因分析

奶牛淘汰策略是影响养殖场效益的因素之一。本研究对从山西省三个规模化牛场获得的2011~2013年奶牛淘汰相关数据进行统计分析,结果表明,奶牛淘汰率平均在10%左右。与奶牛业发达国家相比,本研究得出的淘汰率偏低且多为被动淘汰,主动淘汰很少。对淘汰原因进行分析发现,因繁殖问题淘汰的奶牛比重(30.74%)最大,且绝大部分淘汰发生于泌乳前30d或泌乳360d后;因乳房问题淘汰的奶牛比重(16.45%)占其次,且集中发生于泌乳150~180d,即奶牛泌乳中期阶段。这些结果对为牛场饲养管理提出可行的科学建议有参考价值。

Rotational State g-Factors in ^(84)Zr

The g-factors of the rotational states along the positive parity yrast band in even-even nuclei ^(84)Zr were measured up to a spin I=16^(+)by a transient magnetic field-ion implanted perturbed angular distribution method and calculated by a cranking shell model.A peak structure of the g-factors has been observed for the first time.The measured g-factors confirm the mixed configuration of proton and neutron alignments.

基于深度强化学习的模糊作业车间调度问题

针对具有模糊加工时间和模糊交货期的作业车间调度问题,以最小化最大完工时间为目标,以近端策略优化(PPO)算法为基本优化框架,提出一种LSTM-PPO(proximal policy optimization with Long short-term memory)算法进行求解.首先,设计一种新的状态特征对调度问题进行建模,并且依据建模后的状态特征直接对工件工序进行选取,更加贴近实际环境下的调度决策过程;其次,将长短期记忆(LSTM)网络应用于PPO算法的行动者-评论者框架中,以解决传统模型在问题规模发生变化时难以扩展的问题,使智能体能够在工件、工序、机器数目发生变化时,仍然能够获得最终的调度解.在所选取的模糊作业车间调度的问题集上,通过实验验证了该算法能够取得更好的性能.