关键词： 供应链   物资预算   遗传算法   采购策略   人工智能  

摘要： 针对铁路物资采购预算管理和采购策略制定现状进行分析，运用遗传算法等技术，重构物资采购预算编制的模式，随机产生多种预算策略并进行比对，优胜劣汰，形成最优、最符合实际需求的预算策略。同时在采购策略制定过程中，聚焦供应商资格条件、采购方式选用、采购价格管理、供应周期和合规性管理等，构建智能化采购策略的模型，以有效提升采购效率，为实现铁路物资供应链数智化提供助力。

关键词： 频率指配   遗传算法   粒子群优化算法   冲突抑制  

摘要： 针对移动设备在动态环境下的同频干扰抑制问题，构建了融合时空约束的冲突干扰判定模型，系统化设计了随机指配及基于遗传算法（Genetic Algorithm,GA）和粒子群优化算法（Particle Swarm Optimization,PSO）的频率指配优化模型，并通过仿真实验对比验证了各模型在冲突抑制、频谱利用等方面的有效性。实验结果表明，PSO频率指配优化模型在冲突抑制方面表现最优，适用于高密度移动场景，而GA频率指配优化模型在中规模网络中展现出良好的平衡性与收敛性。该策略研究为工程实践中频率指配算法的应用提供了理论依据。

关键词： 人工智能   过程取向教学   多模态融合   机器主体性  

摘要： 过程取向教学是我国教育改革的题中之义和应有内涵，人工智能作为新动能推动着当前基础教育革命。人工智能促进了过程取向教学理念下的多模态融合，通过调动视、听、触等多重感官的信息交互，极大地促进了学生对知识的理解与吸收。然而，人工智能发展面临着世界范围的伦理危机，机器主体性的加强催化人的主体性消解。因此，依据我国当前教学理念与特点，本研究试图从人机关系理念调适和治理实践路径两个方面来探寻我国的教学如何消解机器主体性。

关键词： 质子交换膜燃料电池   催化层组分   人工神经网络   支持向量机   性能优化  

摘要： 质子交换膜燃料电池作为一种高效、清洁的能源转换装置,在交通、医疗、分布式电源和储能系统等领域具有广阔的应用场景。然而,燃料电池的性能和稳定性在很大程度上受到膜电极结构及其组成的影响,其中阴极催化层作为膜电极的核心部件,其微观结构和组分比例直接决定了电极反应动力学特性和物质传输特性。因此,合理优化阴极催化层组分对于提升燃料电池整体性能至关重要,尤其是最大功率密度。本研究以质子交换膜燃料电池的阴极催化层为研究对象,结合数值模拟、机器学习和遗传算法,系统地分析了催化层组分对燃料电池性能的影响,并通过遗传算法确定最优催化层组分,以提高质子交换膜燃料电池的最大功率密度体。本研究具体开展以下工作: 1、本研究基于COMSOL Multiphysics建立了一个燃料电池三维仿真模型,涵盖流道、气体扩散层、催化层和质子交换膜等关键部件,并详细考虑了氧气传输、电化学反应等过程。在此基础上,研究催化层的关键组分,包括铂负载量、Pt/C和I/C,分析了这些参数对燃料电池性能的影响。基于建立的燃料电池三维仿真模型,通过拉丁超立方抽样方法,构建数据集,为机器学习提供支持。 2、本研究采用人工神经网络和支持向量机两种机器学习方法分别构建代理模型,并对其拟合精度进行对比,目的是为了高效地表征催化层组分对燃料电池性能的影响,并提高优化效率。研究中,利用MATLAB神经网络工具箱构建BP神经网络模型,采用Tanh函数作为激活函数,对神经网络模型进行训练和优化。同时,基于LIBSVM工具箱,构建SVM模型,采用径向基函数作为核函数,对模型进行训练。通过决策系数R2等指标对比两种模型的性能,结果表明,在测试集上BP神经网络模型R2为0.98836,支持向量机模型R2为0.9997,支持向量机模型在精度和泛化能力上优于BP神经网络。因此在后续优化研究中,选择SVM模型作为代理模型,以预测燃料电池最大功率密度。 3、在优化过程中,本研究采用遗传算法对催化层组分进行优化。研究中,将SVM代理模型和遗传算法进行耦合,SVM作为适应度函数,催化层关键组分作为优化变量。通过优化得到最优催化层组分的铂负载量为0.4913 mg/cm2,Pt/C为0.3819,I/C为0.4954,预测的最大功率密度为1.5245 W/cm2,优化框架与燃料电池三维仿真模型计算得到的最大功率密度误差为1.2%。研究结果表明,通过遗传算法优化后的催化层组分显著提高了燃料电池的性能。此外,优化模型的传输能力和排水能力都得到进一步增强。

关键词： 斜交网格结构   层间隔震   抗震性能   遗传算法   隔震层优化  

摘要： 目前,斜交网格结构逐渐广泛应用于高层或超高层建筑的结构体系中。在罕遇或极罕遇地震作用下,传统的斜交网格体系常常面临结构延性不足、结构构件易发生脆性破坏等问题。为此,通过在斜交网格结构中引入层间隔震装置,可利用隔震层的变形和耗能机制吸收并耗散地震能量,进而增强结构的延性并提高结构的整体稳定性。然而,目前关于层间隔震斜交网格结构的研究相对较少,对于隔震层在不同楼层设置的减震效果规律尚不明确,且传统隔震层布置方案的优化通常依赖经验判断或试算方法,存在耗时长、效率低且难以获得全局最优解的局限性。针对以上问题,本文主要研究内容如下: (1)采用Open Sees软件建立了斜交网格结构的有限元模型,并与ETABS模型的周期、质量对比验证了模型的准确性。随后,确定了隔震支座的选型与布置方案,并完成了隔震层的验算。结果表明,隔震支座的选型与布置方案满足规范要求,但罕遇地震下隔震层产生的最大位移存在小于但接近位移限值的情况,表明现有支座布置方案尚需优化。 (2)以未设隔震层的斜交网格结构作为基准结构,构建了在结构的第1、3、5、7层分别设置隔震层的IS-1F、IS-3F、IS-5F、IS-7F四种层间隔震结构模型。通过模态分析以及多遇地震、罕遇地震下的动力时程分析,深入探究了不同隔震层位置对结构抗震性能的影响规律。结果表明,层间隔震斜交网格结构具有显著的减震效果,且隔震层位置较低时减震效果较好。 (3)通过设计Python与Open Sees之间的联用接口,实现了在斜交网格结构中指定楼层位置处快速添加隔震支座并输出模拟结果。在此基础上,构建了基于遗传算法的斜交网格结构隔震层优化模型,以实现隔震层布置方案的自动优化,经算法的多次迭代后输出了最优的隔震层布置方案,并对罕遇地震三条典型地震波作用下的优化前后结果进行了对比分析。结果表明,通过遗传算法对隔震层布置进行优化后,能够在确保隔震层最大位移不超限的前提下,降低层间隔震斜交网格结构的最大层间位移角。

关键词： 光伏电站   无功优化   多目标遗传算法   Pareto最优解   经济效益  

摘要： 本文针对光伏电站无功优化配置问题,提出了一种改进的多目标遗传算法求解方法。通过分析光伏电站无功特性,建立了以电压偏差最小化、网损最小化和投资成本最小化为目标的多目标优化模型。针对传统算法存在的问题,设计了自适应交叉变异算子和精英保留策略,提高了算法的收敛性能和解的多样性。通过某50MW光伏电站的实例分析表明,所提出的方法能够获得均匀分布的Pareto最优解集,可为工程实践提供多个可选方案。优化后的系统电压合格率提升到98.5%,年网损率降低0.8%,具有显著的经济技术效益。

关键词： 结霜   平行冷板   底板温度   翅片间距   相对湿度   人工神经网络  

摘要： 当空气流经温度低于水的露点温度的冷表面时,空气中的水蒸气会在冷表面凝结形成霜。结霜现象广泛存在于自然界和工业领域中,是一种复杂的传热传质过程,开展冷表面结霜特性研究对于提高制冷效率、降低系统能耗和优化抑霜除霜策略具有重要意义。 本文基于实验与人工神经网络研究了自然对流条件下平行冷板表面霜层生长过程,具体研究内容及结论如下: (1)揭示了底板温度对蒸气冷凝行为及相变的规律。实验结果表明,当温度从-10℃降至-15℃时,最大凝固液滴直径由0.42 mm显著减小至0.21 mm。值得注意的是,在-25℃条件下,铝板表面未观测到明显液滴形成,表明存在临界温度阈值。这一结果可为制冷系统除霜策略提供依据:传统定时除霜策略可升级为智能温度-时间双控模式。当温度在-10℃～-20℃区间时,因聚结液滴尺寸较大,霜层积累速度减缓,可适当延长除霜间隔。当温度逼近-25℃临界点时,缩短除霜周期,以防止直接进入凝华阶段。从而减少除霜频率与能耗。 (2)揭示了翅片间距对霜层形态演变及生长的规律。实验结果表明,传热系数与热阻的耦合作用导致霜层厚度呈现非稳态增长特性,其动态演变过程可通过多段线性方程描述。这一结果可为制冷系统除霜策略提供依据:传统定时除霜策略可升级为时间-厚度双控模式。对于小间距换热系统,当运行时间达到预设周期或霜层厚度时,立即触发除霜;大间距换热系统则采用阶梯厚度阈值或预设周期对应不同级别除霜措施。 (3)揭示了相对湿度对结霜过程及霜层表面粗糙度的规律。实验结果表明,冷凝液滴尺寸与相对湿度呈显著正相关,最大凝固液滴直径由60%湿度条件下的0.09 mm增大至80%湿度条件下的0.28 mm。随着相对湿度的增加,霜层的增长速率加快,结霜周期缩短。此外,相对湿度通过影响霜晶形貌、霜层密度、生长速率以及凝结和冻结过程,使得在较高湿度条件下,霜层表面更加平滑和均匀。 (4)通过对传统霜层厚度预测模型的分析,总结出传统模型中存在的缺点与不足。结合机器学习等新兴学科领域知识,采用人工神经网络算法,对翅片表面的霜层厚度问题进行分析、建模与评价;通过与常用的随机森林回归算法和支持向量机回归算法模型的性能比较,验证了基于神经网络算法模型具有相关性强、精度高和误差小等优势。 图[52]表[21]参[98]

关键词： 长三角机场群   航线网络   复杂网络   遗传算法   混合优化算法  

摘要： 近几十年来,随着我国经济的快速发展和全球化进程的加速,航空运输业在国民经济中的地位日益重要。长三角地区作为我国经济最活跃的区域之一,其航空运输网络对推动区域经济一体化和提升国际竞争力至关重要。然而,随着航空需求不断增长,长三角机场群面临航班延误、运营效率低等挑战。因此,研究长三角机场群航线网络的结构特征,并探索有效的优化策略,对于提升区域航空运输效率、促进经济发展等方面具有重要的研究意义。本文基于2022年夏秋航季的航班数据,构建了长三角机场群航线网络,并对其拓扑结构进行了分析。在此基础上,提出了不同的优化算法对其网络结构进行优化分析。本文的主要工作具体如下: 首先,基于对长三角机场群航线网络的拓扑结构进行了深入分析,其结果表明:度分布呈现幂律分布,即网络中存在少数高度连接的枢纽机场和大量连接度较低的机场;平均路径长度为2.23,显著低于随机网络,表明网络具有高效的连通性;聚类系数为0.208,远高于同等规模的随机网络,反映出网络中存在明显的群集效应;网络中的关键节点如上海浦东、杭州萧山等枢纽机场在网络中扮演着重要的中转和连接作用;网络存在明显的核心—边缘结构,中心城市机场与周边城市机场之间的联系较为紧密,而边缘城市机场之间的直接连接相对较少。 其次,为提高网络的全局效率,提出并评估了优化节点间连接、优化赋权介数节点以及优化节点最短路径三种传统的局部优化策略。结果表明这些局部优化策略能在一定程度上改善网络性能,如优化节点间连接策略使网络的全局效率从0.4879提升到0.4906,赋权聚类系数从0.0043增加到0.0061。但这些策略难以显著提高网络的整体鲁棒性,特别是在面对蓄意攻击时的表现并未得到明显改善,因此仅依赖局部优化难以实现网络全局性能的显著提升。 最后,本文引入了基于遗传算法的全局优化方法,并创新性地提出了一种混合优化算法。实验结果表明,基于遗传算法优化后,网络的平均路径长度从2.230减少至2.150,拉普拉斯能量从88388提升至100118,网络的连通性和鲁棒性均有所改善。进一步采用混合优化算法后,网络的平均路径长度显著缩短至1.381,拉普拉斯能量提升至124272,优化效果大幅超越单一遗传算法。基于混合优化算法的优化结果表明,长三角地区的航线网络在运输效率、航班延误改善以及应对局部故障或攻击的能力方面均得到了显著提升,为区域航空运输网络的优化提供了理论依据。

关键词： 数据中心   空调控制   改进BP算法   可编程逻辑控制器   遗传算法  

摘要： 数据中心的运行不仅需要大量的电力支持，同时也需要使服务器等设备处于适宜的温度范围内，以确保其稳定、高效地运行。因此，研究采用了一种基于改进反向传播神经网络的空调控制方法，该方法通过可编程逻辑控制器实现对机房空调的基本控制，结合改进反向传播神经网络对控制模型进行优化。实验结果表明，在所提出的控制模型的控制下，模型基本上能够通过控制空调来满足数据中心机房的冷却分布均匀性，基本在1℃左右波动。研究结果表明，所提出的空调控制模型具有较好的控制精度和适应性，给数据中心机房空调的控制提供了一种有效的方法。

关键词： 模型预测控制   脱丙烷塔   动态模型   人工神经网络   代理模型  

摘要： 模型预测控制(model predictive control,MPC)作为一种有效地控制多变量手段,在工厂中也得到一定程度的应用。代理模型作为MPC中的关键预测结构,广泛用于预测被控变量的未来轨迹。早期的代理模型研究主要集中在线性模型上,因为线性模型能够减少计算量并提高MPC的计算效率。然而,线性模型由于其简化假设,无法较为准确地描述被控系统的动态特征,从而降低了控制系统的准确性。通过采用非线性模型,如基于时间序列预测的神经网络模型,替代传统MPC中常用的线性模型,可以显著提高代理模型的预测精度,从而提升控制的准确性。 本研究以脱丙烷塔为控制对象构建MPC系统,首先基于Aspen HYSYS模拟平台构建数字工厂,为神经网络模型提供数据支持。系统性地评估了三种典型的时间序列预测神经网络模型:带外源输入的非线性自回归神经网络(non-linear autoregressive networks with exogenous input,NARX)、长短期记忆网络(long short-term memory,LSTM)以及卷积神经网络(convolutional neural networks,CNN)。基于贝叶斯优化方法确定各模型的超参数,并进行了预测分析。实验分析表明,虽然三种神经网络在预测精度上表现相当,但NARX网络仅包含107个可训练参数,较LSTM和CNN模型显著减少。从模型复杂度与预测性能的综合评估来看,NARX网络展现出更优的计算效率,因此在本研究案例中更适合作为MPC系统的代理模型。 其次,将NARX模型与序列二次规划(sequential quadratic programming,SQP)优化算法相结合,构建了基于组成直接测量方式的MPC系统。为全面评估该系统的控制性能,分别考察了设定值阶跃变化和进料扰动两种典型工况,并与传统比例积分(proportional-integral,PI)控制系统进行对比分析。实验结果表明,MPC系统在动态响应性能方面显著优于PI控制:在进料扰动工况下,MPC系统的上升时间和调节时间分别较PI控制缩短了16分钟和17分钟,展现出更优的抗干扰能力和动态响应特性。研究进一步证实,通过构建精确的神经网络代理模型,MPC系统不仅能够满足工厂设定值要求,其控制性能指标较传统PI控制系统也有明显的提升。 此外,考虑到温度作为一种易于测量的物理量,常被用于推断产品组成。探讨了采用单一NARX模型和NARX组合串联结构作为代理模型的温度推断MPC方法。在设定值阶跃变化的案例中,比较了温度推断MPC与组成直接测量MPC的控制性能。结果表明,两种代理模型所对应的温度推断MPC与设定值存在一定偏差,最大偏差为0.0008。与组成直接测量的MPC相比,温度推断MPC更倾向于使用较低的能耗进行控制,展现出一定的节能优势。后续通过优化神经网络的结构设计和训练算法,有望提升其预测精度,从而进一步提高温度推断MPC的控制性能,为实现工业过程的智能化控制提供解决方案。