基于遗传算法的西安邮政配送路线优化研究

构建了单源点、单车型、有时间窗约束的非满载车辆调度问题的模型,设计了基于自然数编码的遗传算法用于求解该模型。采用最大保留交叉算子,最大程度地保留了父代的优良特性并增强了算法的寻优能力。通过最后对西安邮政配送系统的行车路线问题进行计算机仿真,得出3个不同配送中心所负责的需求点范围内的行车路线安排,证明了本算法的优越性。

一种改进的临近支持向量机

基于线性临近支持向量机,提出一种改进的分类器—直接支持向量机。该分类器与临近支持向量机相比,对线性分类二者相同;对于非线性分类,直接支持向量机的Lagrangian乘子求解公式和分类器的表达式都更加简单,计算复杂度降低一半,且通过替代核函数就可实现线性与非线性的统一,可使用相同的算法代码,改正了临近支持向量机的不足。数值实验表明,非线性分类时,直接支持向量机的训练速度比临近支持向量机要快一倍左右,而测试速度则快更多,且分类精度并没有降低。

基于遗传算法的西安邮政配送中心选址研究

从配送中心选址问题的实际需求出发,在综合考虑配送中心的建设经济性、交通便利性和功能布局合理性的基础上,构造了基于实际交通距离和实际地价的选址模型,并把遗传算法引入模型求解中,通过构造恰当的编码方式和遗传算子,对西安邮政物流配送中心的选址问题分别按照不考虑土地地价、需求点类型差异和考虑土地地价、需求点类型差异两种情况求解,得到了最优选址方案。研究结果证明了模型的正确性和有效性,对于解决大规模物流系统配送中心的选址问题具有重要的现实意义。

非均衡数据的支持向量机新方法

为了弥补支持向量机对非均衡样本集分类时倾向于较大类的不足,提出一种平衡策略。基于Fisher判别思想,计算出两类样本在分类超平面法向量上投影后的均值和方差,再依据两类错分概率相等准则,给出新的阈值计算方法对超平面进行调整。该方法可补偿非平衡数据分类的倾向性,提高预测分类精度。最后在非均衡的人工和真实数据集上的数值实验表明了该方法的可行性与有效性。

三维GIS模型的分层表示及可视化技术研究

在分析目前三维GIS建模策略的基础上,根据矿山地质三维数据的特征,提出了三维模型的分层表示策略和基于OpenGL的可视化技术。给定原始的分层数据,结合离散网络模型自动创建控制点之间的拓扑关系,由此建立三维实体的表面模型,加载模型内部属性数据,实现到三维实体模型的转换。然后利用OpenGL造型系统对上述模型进行渲染,进行纹理、光照、消隐、阴影等计算,从而生成高真实感的三维实体模型。最后开发了一套三维G IS仿真系统,并结合实证数据进行了仿真分析。

基于系统动力学的环境承载力仿真与调控

环境承载力是区域环境系统结构与区域社会经济活动适宜程度的一种表示。环境承载研究很重要。为使陕西省经济发展与环境保护相协调,优化陕西省环境承载能力,采用定性和定量相结合的方法,通过建立系统动力学模型,仿真陕西省中长期(2007-2020年)不同发展策略下各指标数值,并采用综合评价方法计算不同策略下环境承载力的值,最终得出承载状态(超载、满载、可载)。仿真结果表明基于系统动力学的环境承载力模型能够动态仿真现实的环境承载力;研究结果可为陕西省发展规划的制定提供一定的理论依据。

基于K近邻的支持向量机分类方法

针对支持向量机对噪声和孤立点非常敏感,以及对大规模且交错严重的训练集支持向量个数多,分类速度慢和精度低等问题,基于KNN方法提出KNN-SVM分类器。首先在特征空间中,根据每个样本K个近邻中同类别样本数目的多少来删减样本集,然后对新样本集进行SVM训练;又证明了当取高斯核函数或指数核函数时,上述删减方法可简化为在原空间中进行。该方法减少了由噪声和孤立点以及一些对分类面贡献不大的样本所带给训练器的负担,减少了支持向量的个数,从而与SVM相比,加快了训练和测试速度,提高了分类精度。仿真实验表明KNN-SVM具有上述优势,而且比NN-SVM更能合理地删减样本集,达到更高的分类精度。

西安城市周边地带的界定(英文)

在定义城市周边地带的基础上,分析了城市周边地带城市化特征.根据西安市城市空间结构现状,利用专家打分法确定了西安市各区县隐性城市化调整系数,提出计算其城市化率的公式.根据计算结果初步界定了西安城市周边地带范围.

二维波动方程的一种高精度紧致差分方法

提出了一种求解二维波动方程的高精度紧致差分方法,该方法首先利用紧交替方向隐式差分格式,其截断误差为O(τ2+h4),分别在粗网格和细网格上对原方程进行求解,然后利用Richardson外推计算一次,进一步提高精度,得到了二维波动方程具有O(τ4+h6)精度的数值解。数值实验验证了该方法的可靠性、有效性和精确性。

基于近似支持向量回归机的多属性决策

将近似支持向量回归机应用到多属性决策问题,提出基于近似支持向量回归机的多属性决策方法。该方法从决策问题本身出发,构造学习样本,再通过近似支持向量回归机拟合出多属性效用函数,从而实现对方案的排序。与支持向量机相比该模型参数少,核函数无需满足Mercer条件,算法简单、可靠。最后通过算例表明方法的可行性与有效性。