基于R型聚类-因子分析的指标体系简化方法

评价指标体系过于复杂,容易产生冗余信息,增加计算与分析的难度.本文针对评价指标体系的简化方法展开研究,提出了基于R型聚类-因子分析的代表元提取方法.该方法具有定量控制代表元的信息丢失率、代表元实际含义易于解释等优点,同时避免了因子分析难以处理独立指标的问题.实验结果表明本文所提出的R型聚类–因子分析指标体系简化方法可以在没有先验知识可用的情况下,有效提高指标体系的简明性与有效性,同时保持指标信息的完备性.

基于显式模型预测控制的大规模路网交通信号控制方法

随着城市机动车保有量的不断增加,交通拥堵问题变得日益严重。作为一个有效的方法,模型预测控制(MPC)已经被应用于城市交通路网的控制中。然而由于需要在线进行优化,模型预测控制的计算负荷巨大,限制了其在对实时性要求比较高的场景中的应用。针对该问题,基于存储转发模型将显式模型预测控制(EMPC)引入大型交通路网的交通信号控制问题中。EMPC将多参数规划理论引入到线性时不变系统的约束二次优化控制问题的求解中,通过离线计算得到对应每个状态分区上的状态反馈最优显式控制律。实验结果显示,由于将在线优化过程转变为查表过程,EMPC可以显著提升交通信号控制的效率。

改进的K-prototypes算法在农民工养老参保中的应用研究

农民工养老问题一直备受社会关注。许多学者对该问题展开了调研,并采用Logistic回归模型来分析调研结果。但是,Logistic回归模型要避免变量间的多元共线性。农民工养老保险参保调研数据各变量之间往往存在关联性,而且数据维度高。针对Logistic回归模型的局限性和调研数据维度高的问题,本文改进了K-prototypes聚类算法,并用于分析农民工未购买养老保险的原因。基于该方法得到的分析结果可以为相关部门制定针对性政策提供参考。

一种基于交替方向乘子法改进的模型预测控制方法

模型预测控制能够有效处理实际应用中的扰动、多控制变量和复杂约束,因此被广泛应用于各种大规模控制问题.然而,在处理基于复杂线性时不变系统的模型预测控制问题时,传统的二次规划算法存在计算负载过大,实时性差的缺点.为此,本文引入交替方向乘子法对模型预测控制问题进行分布式地求解.仿真实验结果表明,基于交替方向乘子法的模型预测控制相较传统的方法,计算效率明显提高,更适于求解大规模优化控制问题.