基于随机森林和组合赋权法的武汉市洪涝灾害风险评估研究

开展城市洪涝灾害风险评估工作是防灾减灾的基础和决策手段之一,已成为当前研究的热点和趋势。首先从城市洪涝灾害的概念和形成机制入手,将致灾因子危险性、孕灾环境敏感性、承灾体脆弱性和防灾减灾能力作为一级指标。以年平均降雨量、水系距离、高程、地形起伏度等14个二级指标为基础,建立风险评估指标体系。采用随机森林算法、层次分析法和熵值法相结合的方法对指标进行排序和赋权,得到各评估指标的组合权重。以武汉市为研究区域,将各指标权重输入到风险评估模型中,在ArcGIS中进行空间分析和栅格计算,得到研究区危险性、敏感性、脆弱性、防灾减灾能力风险区划图以及综合风险等级分布结果。

随机荷载组合作用下海上导管架基础结构的动力响应分析

在导管架动力学分析中,开展了不同随机荷载组合作用下的导管架动力响应特性研究。基于AR线性滤波法和随机波浪理论及P-M谱对于风速和水质点速度、加速度进行模拟,从而计算得到塔筒所受风荷载与结构所受波流荷载,基于线性叠加法和Turkstra法对随机荷载进行组合,进行不同组合作用下的导管架基础结构的动力响应分析,对塔筒顶部位移及导管架基础顶部位移、加速度进行对比。研究结果表明,海上导管架基础结构在随机风与最大波流荷载的组合作用下,塔筒顶部和导管架基础顶部的动力响应最大,塔筒所受风荷载取值对于结构的动力响应影响较小,可进行简化处理,波流荷载对于结构的影响很大。

考虑负荷侧惯量不确定性的机组组合

针对新能源高占比电力系统的频率安全问题和频率安全评价指标中只考虑电源侧惯量的问题,提出一种考虑电源侧惯量和负荷侧惯量并计及预测误差随机性的安全约束机组组合优化模型。首先,推导包含系统整体惯量的频率变化率和频率最低点公式。然后,深入研究电网调度运行的不确定因素,利用蒙特卡洛对风电功率预测误差概率分布模型抽样生成典型场景,利用随机规划理论对负荷侧惯量预测误差建模,在机会约束规划的基础上将其纳入频率约束中,建立随机机会约束的频率安全机组组合优化模型。最后,通过改进的10机算例,验证所提模型的经济性和频率安全性。

基于随机参数logit的山区高速公路事故严重程度研究

为了探究平曲线、纵曲线、平纵组合线形对山区高速公路交通事故严重程度的影响,首先,统计分析某山区高速公路263 km路段的线形数据和该路段5年内发生的1870起事故,并将其分类;然后,根据调研数据的结构形式,建立随机参数logit模型,进而利用该模型研究组合线形对事故严重程度的影响。结果表明:曲线比例(ROC)、加权曲率(CW)、单元坡度差(ΔS_(2))等因素与仅财产损失事故增加相关,而坡长组合(CSL)与仅财产损失事故减少相关;加权曲率(CW=0.6~0.7)和连续上坡与轻伤事故的事故增加相关,加权曲率(CW=0.3~0.4)、单元坡度差(ΔS_(1))、曲线比例(ROC)等因素与轻伤事故减少相关;曲率变化率(VRC)、单元半径比(CRF,CRB)、弯坡组合(CSR)等因素与重伤或死亡事故增加相关,曲线比例(ROC)与重伤或死亡事故减少相关;组合线形对事故严重程度有着显著影响。

基于随机游走算法的频谱组合拍卖机制

如何将频谱有效地分配给用户并提高提供商的收益是目前研究的热点。针对频谱组合拍卖中提供商收益低的问题,结合用户估值分布不对称的特点,设计了基于随机游走的频谱组合拍卖(RWSCA)机制,以最大化频谱提供商的收益。首先引入了虚拟估值的思想,用随机游走算法在参数空间搜索一组最优参数,并根据参数线性映射买家的估值;然后运行基于虚拟估值的VCG (Vickrey-Clarke-Groves)机制,从而确定赢得拍卖的用户并计算相应的支付金额。理论分析证明了所提机制具有激励相容和个体理性的性质。在频谱组合拍卖仿真实验中,相较于VCG机制,RWSCA机制至少提高16.84%以上提供商收益。

基于随机规划的多期投资组合决策研究

最优投资决策是投资者从长远角度出发,在复杂多变的环境中对风险资产进行合理配置,以获得最大的期望效用。研究了在多期投资时收益率不确定条件下的投资决策问题。首先,根据风险资产的历史数据建立ARMA-GARCH模型对资产的未来收益率预测,使用蒙特卡罗模拟法模拟收益率未来可能发生的情形,利用随机取样法搭建情景树。其次,在情景树的基础上,根据随机规划理论将Markowitz提出的均值–方差模型推广到多期。最后,选取中国证券市场上六只股票数据对模型进行实证研究。研究结果发现:情景树在描述不确定性问题上是有效的,提出的模型适用于多期投资,并能够给激进型、稳健型和保守型的投资者提供直观、明确的投资决策指导。

环境因子组合和负样本选取策略对花岗岩区崩岗易发性评价的影响

不同环境因子组合和负样本选取策略对崩岗易发性评价结果存在较多不确定性。为探究其对评价结果的影响,该研究以江西省兴国县花岗岩区为例,利用地理探测器探测17个环境因子的统计量q值,根据累计q值百分比大小依次选择4、7、10和17个环境因子进行组合;利用单随机欠采样、频率比法及改进频率比法等负样本选取策略构建与正样本等量的负样本数据集;采用随机森林模型进行易发性评价,并对评价结果进行对比分析。结果表明:1)3种负样本选取策略下的模型精度随着因子数量的增加先下降再上升,考虑4个环境因子的模型AUC(area under curve)值分别为0.729、0.909和0.909,较最优环境因子组合仅相差0.020~0.038,说明考虑主控环境因子,即可得到较为理想的精度;2)通过频率比法选取的负样本数据集更具合理性;3)研究区内高和极高易发区主要分布在兴国县西南部,而极低易发区主要分布在兴国县北部及东部,这与实际情况较吻合。该研究通过探究不同环境因子组合和负样本选取策略对崩岗易发性评价的影响,可为花岗岩区崩岗的防灾减灾提供科学依据。

基于高精度模态综合法的螺栓连接组合结构不确定模型更新

由于螺栓结构中存在复杂的微观特征,数值模型中无法避免的会引入不确定性。针对螺栓设计中参数不确定性量化问题,一种基于高精度模态综合法的螺栓连接组合结构随机模型更新方法被提出。首先考虑高阶剩余模态的影响,推导了适用于螺栓组合结构弹性交界面的高精度模态综合法;之后,在贝叶斯推理框架下,通过组合结构的自振频率和振型的概率分布,建立螺栓连接参数的后验概率密度函数,并借助DRAM(delayed rejection adaptive metropolis)抽样方法量化参数的不确定性。数值算例表明,针对各子结构之间自振频率差别较大的结构,与模态综合法相比,本研究方法在较少子结构模态参与的情形下,也可以保证良好的模型更新结果。

基于多特征组合的建筑垃圾分类方法

城市的快速发展产生大量建筑垃圾,引发了城市污染,产生“垃圾围城”现象。本文以北京市某区域为研究区域,研究多特征组合方法对高光谱影像的建筑垃圾分类精度的作用,并利用ASD QualitySpecTrek手持式光谱仪实地测量的光谱数据和珠海一号高光谱影像进行建筑垃圾分类试验;提取了光谱特征、植被指数、水体指数和纹理特征等90种特征变量,利用平均不纯度减少的方法对其进行特征重要性排序,选取其中重要性综合结果相对较高的特征变量构成分类多特征组合向量,利用随机森林算法对多特征组合向量进行建筑垃圾分类。试验结果表明,采用多特征组合的随机森林分类方法比传统的随机森林方法效果更好,总体分类精度达85.86%,Kappa系数为0.80,而原始的随机森林方法总体分类精度仅有83.48%,Kappa系数为0.75,这表明了多特征组合随机森林算法的有效性。

基于自适应组合窗函数的SPWVD算法及应用研究

针对平滑伪Wigller-Ville分布(Smoothing Pseudo-Winger-Ville distribution,SPWVD)在处理不同信号时,需要采用对应的平滑窗参数才能达到最优时频分布的问题,提出了一种基于自适应组合窗函数的SPWVD算法。该算法将Rényi熵作为时频评价指标,以组合窗函数的窗长和系数作为参数库,提出将随机梯度下降和扰动随机梯度下降分别用于窗长和系数的选取,提升计算速度分别为遍历法的20倍和9倍,最终得到信号的最优时频图。将上述的改进方法应用于碳纤维复合材料的缺陷检测中,结果表明,自适应组合窗函数的SPWVD可以有效地对不同信号选取最优的窗函数参数,对比固定窗函数的SPWVD,自适应组合窗函数的SPWVD具有更好的时频聚集效果,更加完备地对信号进行了表征,并对缺陷进行了定量分析,具备缺陷检测的良好应用前景。

基于灵敏度因子的随机电网规划方法

针对常规电网规划考虑系统灵活性不足的问题,建立多场景的不确定电网规划模型,该模型以设备投资成本和运行费用综合最小为目标,嵌入安全约束机组组合模型以充分反映系统灵活性的平衡;同时,鉴于常规电网规划模型规模过大,计算效率低下,提出一种基于灵敏度因子的电网规划方法,建立候选线路投建状态变量对输电断面约束的灵敏度模型,消除传统电网规划中的节点相角变量,实现线路和断面潮流的解耦,从而大幅提高电网规划求解效率。IEEE 118节点算例和实际电网算例的结果表明:对新能源消纳率的过高追求可能会导致巨大电网投资成本;同时,在中大型电力系统中,基于灵敏度因子的电网规划计算效率优势明显,从而验证模型和算法的有效性。

深度强化学习方法求解梯级水库随机优化问题

深度强化学习(deep reinforcement learning,DRL)是将强化学习与深度神经网络相结合的方法,近年来已广泛应用于求解组合优化问题.论文提出深度强化学习方法求解梯级水库多阶段随机优化问题,将问题建模为马尔科夫决策过程,构建基于梯级水库调度计算的强化学习训练环境,基于梯级水库调度模型定义强化学习的动作、状态、收益函数,通过与强化学习训练环境进行交互学习,采用邻近策略优化算法(proximal policy optimization,PPO)求解得到梯级水库随机优化策略.以西南流域梯级水库为例计算,实例表明,深度强化学习方法能够处理梯级水库随机优化中的随机性,通过强化训练学习可以解决梯级水库随机优化问题,梯级水库随机优化策略可用于实时调度运行决策.深度强化学习方法具备强大的计算和学习能力,理论上可以解决不同尺度的梯级水库随机优化调度问题,基于深度强化学习的梯级水库随机优化调度有可能改变梯级水库的管理和运营方式.

无频间钟偏差改正的BDS-2三频非组合PPP随机模型优化

针对北斗二号卫星导航系统(BDS-2)频间钟偏差(IFCB)导致多频精密单点定位(PPP)解算结果产生系统性偏差的问题,本文提出了一种适用于BDS-2无IFCB改正的三频非组合PPP随机模型优化方案,通过亚太地区分布的30个监测站数据客观评估和分析了最优随机模型建立方法。结果表明,当无IFCB改正时,BDS-2第三频率载波相位观测值方差应被放大为原始方差的2.0~4.0倍。为了进一步验证该随机模型的可用性,以放大3.0倍为例,实施了额外6个连续测站BDS-2三频观测数据非组合PPP静态和动态解。定位精度和收敛时间方面均表明,当将第三频频率载波相位观测值方差放大3.0倍后与采用真实IFCB改正具有同等性能改善效果,且均优于未顾及IFCB影响的BDS-2三频非组合PPP。

基于旋转算法的随机模糊均值-方差投资组合优化

Markowitz首先采用方差度量风险,并应用于投资组合优化中,大多数的均值方差模型仅对随机投资组合优化或模糊投资组合优化进行研究,然而,实际投资组合优化问题既包含随机信息也包含模糊信息。本文首先定义随机模糊变量的方差,并用其度量风险,提出了具有交易成本、借贷约束和阀值约束的均值-方差随机模糊投资组合优化模型。基于随机模糊理论,将上述模型转化为具有线性等式和线性不等式约束的凸二次规划问题,并得到其KKT条件。本文还提出改进的旋转算法求解上述模型,该算法消掉KKT条件中部分变量,减少计算量。最后,采用中国证券市场的实际数据进行样本内分析和样本外分析,验证了上述模型和算法的有效性。

一类随机泊松系统的保结构数值方法

考虑一类随机泊松系统,称为随机Lotka-Volterra系统的保结构数值模拟。为该类系统提出一种随机泊松积分子,并证明了该积分子具有一阶均方收敛阶。数值实验对理论结果进行了验证。

基于利率贴现模型的随机占优比较

建立单笔投资的利率贴现模型按照一阶随机占优序、二阶随机占优序以及风险偏好型随机占优序递减的充分条件。若组合系数按超优序递减,投资组合情况下的利率贴现模型按照二阶随机占优序、风险偏好型随机占优序递减的充分条件也做了分析。

基于电力数据的碳排放组合预测方法研究

针对现有碳排放预测方法精度较低、稳定性较差、数据难以获取的问题,提出一种基于电力数据的碳排放组合预测方法,分别建立改进BP神经网络、随机森林回归、Elman神经网络预测模型,并对这3种模型进行组合优化,建立基于电力数据的碳排放组合预测模型。对湖南省进行电-碳预测仿真,合理选取电力输入变量,对比分析所提组合预测模型与单项预测、其他组合预测模型。研究结果表明,电力数据能有效应用于碳排放预测,说明所提组合预测模型有着较高的精度,能有效应用于预测和减少碳排放量。

多阶段均值—标准差投资组合时间一致性策略研究

文章运用标准差度量投资组合的风险,考虑交易成本、借贷约束和阈值约束等情况,提出了具有Vasicek随机利率和风险偏好的多阶段均值-标准差投资组合模型(V-M-SD)。基于博弈论的方法,将该模型转化为时间一致的动态优化问题,并使用离散近似迭代法求解满足时间一致性的最优投资组合。最后,实证分析借贷约束、阈值约束和风险规避系数对V-M-SD模型的最优时间一致性策略的影响。研究发现,当其他约束条件保持不变时,在一定的阈值范围内,投资组合的终期财富分别与借贷约束、阈值约束、风险规避系数正相关、正相关、负相关;投资组合的单位风险水平分别与借贷约束、阈值约束、风险规避系数负相关、负相关、正相关。

完备市场和不确定性风险下的养老金投资组合

为了更好地契合实际金融市场,同时为模糊厌恶的养老投资者提供最优的投资策略,将价格扩散不确定性、波动扩散不确定性及跳跃过程的不确定性整合到具有罕见事件的传统股票市场中,推导出半封闭形式的稳健动态衍生品投资策略。通过数值分析,得出以下结论:在波动率跳跃幅度较大的情况下,投资者倾向于在负价格跳跃时增加对价格和波动率的风险敞口,并减少对市场跳跃的敞口。股票和波动率风险的最优敞口主要受到投资者对股票价格和波动率风险因素的模糊厌恶的影响,而市场跳跃风险的最优敞口则受到投资者对波动率和罕见事件风险因素的模糊厌恶的显著影响。

求离散型随机变量分布列的几种策略

求离散型随机变量分布列时,应注意以下两点:(1)确定离散型随机变量分布列的关键是搞清楚X 取每个值时对应的随机事件,进一步利用排列、组合知识求出X 取每个值时对应事件的概率;(2)在求离散型随机变量X 的分布列时,要充分利用分布列的性质,这样可以减少运算量,也可利用分布列的性质验证分布列是否正确。