全文文献 工具书 数字 学术定义 翻译助手 学术趋势 更多
搜索帮助
意见反馈
返回首页
  按相关度排序 | 按时间排序 共搜索到相关记录 213 条,本页显示第 1 - 10 条
 
本次模拟计算模型共划分为902个节点,941个单元,在本次有限元分析中,采用四节点四边形单元和三节点三角形单元,以钻探和探槽资料所得汛而具有更大的输出误差。表 1 不同的参数组合对虚拟传感器品质的影响参数序号发电机功率主汽温主气压一抽汽温一抽汽压高排温度高排压力真空调节级压力高压第一级金属温度三抽汽温三抽汽压阀门开度1阀门开度2参数个数平均相对误差( %)11111111111111114 0 .2 02 1111111110 111113 0 .1693 11111111110 10 112 0 .10 84111110 111110 1112 0 .13 7  注 :1表示对应的参数被选取 ,0表示对应的参数不取。2 遗传算法优选虚拟传感器的输入参数组合有很多 ,如果有n个相关参数 ,其组合数为 2 n- 1 ,1 4个相关参数就有 2 14 - 1 =1 6383个参数组合。在如此庞大的搜索空间中寻求最优解或准最优解 ,对于常规方法和现有的计算工具而言存在着诸多的困难 ,借助遗传算法的全局搜索能力是很自然的想法。遗传算法是模拟自然界生物进化过程的计算模型 ,是一种现代优化计算方法 ,其基本思想是 :首先通过编码操作将问题空间映射到编码空间(如 [0 ,1 ]) ,然后在编码空间内进行选择、交叉、变异 3种操作及其循环迭代操作 ,模拟生物遗传进化机制 ,搜索编码空间的最优解 ,最后逆映射到原问题空间 ,从而得到满足要求的原问题的最优解。选择操作模拟个体之间和个体与环境之间的生存竞争 ,优良个体有更多的生存繁殖机会。在这种选择压力作用下 ,个体之间通过交叉、变异等遗传操作进行基因重组 ,期望得到更优秀的后代个体在这场竞争中胜出。遗传算法实现全局并行搜索 ,搜索空间大 ,并且在搜索过程中不断地向可能包含最优解的方向调整搜索空间 ,以便寻找到最优解或准最优解 ,它比其它搜索方法 ,如随机查找、梯度下降、模拟退火等简单且鲁棒性强。遗传算法的流程图如图 2所示 ,其实施一般遵循以下步骤 :图 2 遗传算法的流程图   ( 1 )随机产生初始种群 ,个体数目一定 ,每个个体表示为染色体的基因编码 ;( 2 )计算个体的适应度 ,并判断是否符合优化准则 ,若符合 ,输出最佳个体及其代表的最优解 ,并结束计算 ;否则转向第 ( 3)步 ;( 3)依据适应度选择再生个体 ,适应度高的个体被选中的概率高 ,适应度低的个体可能被淘汰 ;( 4 )按照一定的交叉概率和交叉方法 ,生成新的个体 ;(5 )按照一定的变异概率和变异方法 ,生成新的个体 ;( 6)由交叉和变异产生新一代的种群 ,返回到第 ( 2 )步。本文群体大小取 80 ,终止进化代数为 30 0 ,交叉概率为 0 .75 ,变异概率为 0 .0 2 ,利用遗传算法进行输入参数优选的结果如表 2所示。表 2 虚拟传感器输入参数优选结果参数序号发电机功率主汽温主气压一抽汽温一抽汽压高排温度高排压力真空调节级压力高压第一级金属温度三抽汽温三抽汽压阀门开度1阀门开度2参数个数平均相对误差( %)110 1111111110 0 0 10 0 .0 972 110 10 10 110 110 0 90 .10 73 11110 10 111110 0 10 0 .11541110 0 10 1111110 10 0 .14 55 111110 0 110 10 0 0 80 .15 26110 0 110 1110 0 0 180 .166  注 :1表示对应的参数被选取 ,0表示对应的参数不取。  由表 2可以看出 :优选的 6组输入参数都少于1 4个 ,但输出误差却比 1 4个输入参数的输出误差小。有些强相关参数如发电机功率、真空和调节级压力在优选的 6组参数组合中都被选中 ,说明它们与调节级后汽温的关联性比其他的参数要强。为验证本文方法的有效性 ,在上述 1 4个输入参数之外追加 3个经验认为相关性较弱的参数 :转速、1号低压加热器出水温度 (凝汽器后 )和主汽流量 ,利用上述方法对这 1 7个参数进行优选 ,结果发现 :追加的 3个参数全部被舍弃 ,优选结果与表 2完全相同 ,而且转速参数总是最先被舍去。分析指出 :由于学习和仿真的样本均处于升负荷过程 ,转速一直维持在 30 0 0转左右 ,与调节级汽温的变化基本不相关 ,此外 ,给水流经 1号加热器 ,通过复杂的锅炉汽水系统后才进入汽机 ,其温度的变化特征相对于调节级后汽温而言已非强相关 ;而主汽流量参数所代表的信息已经反映在 2个阀门开度信号上 ,也可列入弱相关参数之列。DDAG结构运算相当于一个表操作。在初始状态下 ,分类对象所有可能的类别按照一定顺序排列在表单中。分类时 ,每次对表单中的首尾 2个类别进行比较 ,并排除掉分类对象最不可能属于的类别 ,从而使表单中的类别数减少 1 ,依次类推 ,那么当经过 N - 1次排除之后 ,表单中唯一剩下的一类就是该分类对象所属的类别。在 DDAG算法训练中 ,只需对各个子分类器进行训练 ,通过最大化 DDAG结构中的二值子分类器的分类间隔 ,即可以使得分类的一般错误率降低。DAGSVM采用排除法进行分类 ,每经过一次子分类器的运算 ,都排除掉最不可能的类别 ,使得误分的可能性降低。DDAG结构与树状结构不同 ,它具有冗余性 ,同一类别的分类个体 ,分类路径可能不同。这种方法与一般的决策树方法相比 ,更易于计算 ,且学习效果也更好。3  DAQSVM在汽轮发电机组振动故障诊断中的应用3.1  DAGSVM构成图 2  5类 DA GSVM拓扑结构  汽轮发电机组典型的故障类型 [8] 分别是不平衡、碰磨、不对中、松动和油膜 (震荡 )故障共 5类。设计 5× ( 5 - 1 ) /2 =1 0个两类分类器 ,分别用于将其中任两类故障两两分开 ,按图 2方式构成DAGSVM拓扑结构。故障数据从模拟转子实验台获得 ,从中选取 5组已知类别的故障样本共 80个进行训练。信号以频谱分析为基准 ,采集数据经过归一化作为输入征兆 ,对样本进行 DAGSVM计算 ,取支持向量机核函数为径向基函数K( Xj,Xj) =exp - | Xi - Xj| 2σ2d其中 Xi,Xj为训练输入 ,σ为核函数宽度。3.2 σ值的选取  样本的输出响应区间取决于σ的选择 ,σ越小 ,响应区间越窄 ,得到的分类面经验风险会越小 ,但是结构风险越大 ;σ越大 ,响应区间越宽 ,得到的分类面结构风险越小 ,表现为函数曲线越光顺 ,但是经验风险会越大。所以选择合适的宽度参数需要在这两者之间进行权衡。σ的值可以在训练过程中根据样本确定 ,这里提出了基于错分样本数的变增量迭代算法。具体步骤为 :( 1 )取较小的初值 σ1进行训练得到初始分类面 ;( 2 )将样本重新送入训练网络 ,遍历全部样本 ,将输出结果与样本实际类别比较 ,构造分类结果矩阵 [rij],其中 rij( i,j=1 ,2 ,… ,c)表示将第 i类故障分到第 j类的个数 ,rij( i=1 j)为正确分类数 ,若存在 rij>0 ,( i≠j)则说明存在错分情况 ,rij( i,j=1 ,2 ,… ,c)即为错分样本数 ;( 3)取 σk+ 1=σk+ ( e/n) * σk,其中 e为错分样本总数 ,e=∑i,j=ci,j=1,i≠ jrij,n为样本总数 ,转至步骤 2 ,进行变增量迭代运算 ,再次对样本训练 ,直到分类精度达到系统要求为止。3.3 仿真结果训练结束后 ,再利用模拟转子实验台得到新的测试故障样本对 DAGSVM算法进行考试 ,测试样本数据示于表 3。表 3 测试故障样本数据序号 征兆A B C D E F G H I 故障类型10 .0 40 40 .0 0 2 3 0 .0 0 2 3 0 .0 10 80 .7764 0 .10 0 40 .0 2 790 .0 2 790 .0 113不平衡2 0 .0 3 70 0 .0 0 15 0 .0 0 0 90 .0 12 70 .7885 0 .0 8180 .0 3 490 .0 3 490 .0 0 77不平衡3 0 .0 5 12 0 .0 0 2 60 .0 0 2 2 0 .0 1840 .75 790 .0 93 80 .0 3 3 70 .0 3 3 70 .0 0 5 9不平衡40 .0 65 3 0 .0 7890 .0 7890 .43 65 0 .14 5 80 .0 3 740 .0 5 45 0 .0 185 0 .0 83 7碰 磨5 0 .0 1110 .0 0 2 70 .0 0 2 70 .0 163 0 .7493 0 .12 3 90 .0 43 2 0 .0 43 2 0 .0 0 72碰 磨60 .0 0 760 .0 0 3 70 .0 0 410 .0 0 72 0 .782 5 0 .0 6870 .0 5 60 0 .0 5 60 0 .0 13 8碰 磨70 .0 0 880 .0 0 2 70 .0 0 2 10 .0 3 0 3 0 .7112 0 .16980 .0 2 970 .0 2 970 .0 15 7碰 磨80 .0 0 3 3 0 .0 0 13 0 .0 0 12 0 .0 0 3 0 0 .85 92 0 .0 9910 .0 14 80 .0 14 80 .0 0 43不对中90 .0 0 45 0 .0 0 14 0 .0 0 14 0 .0 0 5 3 0 .5 12 40 .2 5 980 .10 0 70 .10 0 70 .0 13 8不对中10 0 .0 0 2 0 0 .0 0 160 .0 0 160 .0 0 14 0 .77670 .0 75 90 .0 60 90 .0 610 0 .0 188不对中110 .0 3 160 .0 14 5 0 .0 14 5 0 .0 75 40 .410 0 0 .12 2 60 .15 5 3 0 .15 5 10 .0 2 10松动12 0 .0 3 110 .0 2 5 70 .0 2 5 70 .14 190 .3 444 0 .1685 0 .12 2 5 0 .12 2 5 0 .0 176松动13 0 .0 3 960 .0 0 860 .0 0 860 .0 1990 .760 10 .0 5 13 0 .0 5 3 3 0 .0 5 3 3 0 .0 0 5 4松动14 0 .0 2 44 0 .0 0 85 0 .0 0 5 10 .0 1840 .80 0 0 0 .0 4660 .0 45 40 .0 45 40 .0 0 61松动15 0 .0 2 0 5 0 .3 2 42 0 .3 2 42 0 .162 40 .0 4740 .0 7990 .0 1860 .0 1860 .0 0 42油膜160 .0 5 75 0 .2 72 40 .2 72 40 .160 3 0 .2 12 90 .0 0 95 0 .0 0 740 .0 0 490 .0 0 2 8油膜170 .0 0 3 80 .3 9960 .3 9960 .0 5 690 .0 675 0 .0 2 790 .0 2 0 0 0 .0 2 0 0 0 .0 0 45油膜  频域征兆 :A:( 0 .0 1-0 .3 9) f1 ;B:( 0 .40 -0 .49) f1 ;C:0 .5 f1 ;D:( 0 .0 1-0 .3 9) f1 ;E:1f1 ;F:2 f1 ;G:( 3 -5 ) f1 ;H:oddf1 ;I:>5 f1 ;其中 f1 为转速工频。  最终的分类结果矩阵为3 0 0 0 00 4 0 0 00 0 3 0 00 0 0 4 00 0 0 0 3  仿真输出结果表明 :错分样本总数 e为 0 ,应用 DAGSVM算法可以正确且有效地诊断多类汽轮机故障。4 讨论与建议汽轮发电机组热力系统中的各个热力参数都不是孤立的 ,一般都会与其它参数互相关联。这种相关性反映了热力系统中各个设备、各个过程的客观规律。本文利用此规律 ,以调节级后汽温为例建立了虚拟传感器 ,并且阐述了基于遗传算法的输入参数优选 ,可以用于电站实时控制系统中对重要信号的在线校验。建模过程中没有针对建模对象提出特别的要求 ,因而具有广泛适用性 ,在机组性能分析等系统中也可以实现充分的利用。参数相关性强弱的判别没有既定的规则 ,参数的不同组合也会产生迥异的效果 ,并非输入参数选择的越多越好 ,也非所有的强相关参数组合在一起就是最佳选择。设计虚拟传感器时可以根据经验确定出候选的相关参数集 ,利用本文方法进行优选 ,得出最佳的参数组合基于遗传算法的虚拟传感器输入参数的优选@赵瑜$武汉大学动力与机械工程学院!武汉430072新华控制工程有限公司,上海200245 @周宇阳$新华控制工程有限公司!上海200245 @胡念苏$武汉大学动力与机械工程学院!武汉430072汽轮发电机组;;神经网络;;虚拟传感器;;输入参数优化;;遗传算法为了解决在汽轮发电机组实时监测系统中采集参数偏移和失效的问题,提出以神经网络为仿真手段建立虚拟传感器的技术并以汽轮机调节级后汽温为例,讨论了其品质因输入参数组合不同而异的特性,进而引入遗传算法进行优选,以确定最优的输入参数组合。图2表2参3[1]闻 新,等.MATL AB神经网络应用设计[M].科学出版社,2000. [2]周 明,孙树栋.遗传算法原理及应用[M].国防工业出版社,1999. [3]王小平,曹立明.遗传算法——理论、应用与软件实现[M].西安交通大学出版社,2002.
源自:   《》
1976年 ,美国学者g .orcutt率先研制了美国经济微观模拟模型 ,该模型对家庭部门进行了微观模拟 :应用现实家庭样本 ,并将他们假设的行为模式应用于样本个体上 ;数据库中每个个体的特征用于确定模拟行为和模拟行为结果。
源自: 宏观经济微观模拟模型  《吉林大学社会科学学报》2001年02期
1976年,美国学者orcutt率先研制了美国经济微观模拟模型,该模型对家庭部门进行了微观模拟,通过应用现实家庭样本,并将他们假设的行为模式应用于样本个体上;数据库中每个个体的特征用于确定模拟行为和模拟行为结果。
源自: 私人轿车市场动态的微观模拟  《吉林大学硕士学位论文》2005
吉林大学硕士学位论文 20世纪50年代以来,人们越来越重视水库、?让它保持白色。这样一来,我们就可以在平面上挑选不同的初始点并重复这一过程。通过选择不同的初始点并应用上述方法,就可以得到被称为“放射虫”的生物形态①。引人注目的是,这个生物形态与真实的放射虫有惊人的结构相似性。上述两类计算机实验的显著特征,不在于道金斯和皮克奥弗采用的简单规则与大自然用来创建真实生物的方法之间的相似,而在于外观如此复杂的几何形状和形式竟然诞生于如此简单的规则!由道金斯、皮克奥弗和林登迈尔的简单规则所创建的生物形态与我们今天在地球所见到的真实生物显然是不可比拟的。因为,真实的生物有机体是三维对象,具有丰富的内部结构;而这种虚拟生物是二维创造物,根本没有体积。而且,这个简单的虚拟生物实际上什么都做不了,它们仅仅是数学对象,只不过其几何形状恰好与某类真实的生物形状非常接近罢了。随着人工生命研究的深入和高级计算机技术的出现,欧美国家在20世纪90年代早期纷纷建立了虚拟生物实验室,建构人工鱼、人工鸟的实验风靡一时。在那个激动人心的年代,只要走进人工生命的实验室里,就会看到十分精彩的计算机演示:“电子屏幕上动画的鸟群骤然飞起,栩栩如生的植物就在你眼前的屏幕上生长、发育,还有那些波动起伏、闪闪发光的希奇古怪的碎片似的生物体和模型。”[3]这些虚拟生物的形成受到进化规则以及人们创造力的影响。人们可以通过用手指在接触屏上设计任何形状的图形来产生三维的虚拟生物,这些生物自动“成活”并且能够进化和发展。比较晚近的虚拟生物的创建工作不能不提到考夫曼(S.Kauffman)。这个圣菲研究所的理论生物学家,花了30多年时间思考并试图解释这一令人困惑的事实:人体中的每一个细胞大约包含100000个基因,它们全部在难以想象有多么复杂的交互网络中互相打开和关闭。所有这些开、关不但没有导致混乱,反而使细胞将自己组织成稳定的活动模式,以适应细胞在身体中的特定功能。这里的问题是:个体基因这种貌似随机的活动,何以使细胞将自己配置成稳定的结构呢?按照达尔文主义者的说①所谓“放射虫”是一种与变形虫类似的单细胞动物,它具有复杂的对称性外骨骼,常常有许多向外伸展的刺。法,恐怕很难理解仅仅通过随机突变和自然选择,如何能产生新型的生物体。似乎需要更多的东西,来解释地球上各种生命形式的多样性。在考夫曼看来,“达尔文不懂得自组织”。这个问题的答案在于,正是复杂系统能够将自己自发地组织成能发挥作用的永久性活动模式。我们知道,主流生物学家与化学家,着眼于生物化学的细节来考察基因调节机制,以解释新模式的突现。与此不同的是,考夫曼以模拟基因调节活动的交互网络形式,建立了一个数学模型。现在我们用比较简明的说法来表述这个模型。假定我们有包含N个基因的一个网络,每个基因受K个其它基因调节,且在任一时刻呈开或关的状态。这样以来,在这个网络中每个基因总共有2k个可能的输入模式。考夫曼假定,在任一时刻,这些输入模式中的一个是随机选取的,而每个基因的每组输入从2k个可能的开/关模式中选择一个。每个基因的这种模式决定下一时刻基因的状态是开还是关。对于这些自组织网络,决定基因开或关的状态转换规则可以在任一时刻被随机选择。在无数次的实验中,考夫曼看到,这种网络显示出一种强烈的自组织倾向,它稳定于几种不同的周期性长期行为。换言之,考夫曼发现了若干个永久性自我重复的格局。他认为,这些周期都可以标记为从基因网络中产生的可能的细胞类型(肝、胃、皮肤)。如果考夫曼是正确的,那么一个细胞类型是基因表达的一种稳定的周期性模式,仅仅由建立在基因网络中的逻辑连接结构产生。在考夫曼的网络中,基因A打开基因B,基因B打开基因C并关闭基因D等等。这种模式显示出稳定的细胞类型可以作为动力学系统的吸引子而自发地产生。正是稳定吸引子与不稳定吸引子之间微妙的相互影响———合作与竞争———才使变化的模式与停滞的周期可以缓慢地演变。不仅如此,考夫曼模型还告诉我们,这些稳定模式的形成是不可避免的,不管网络开始于何种无序之中。正是基因的这种动态交互作用,才迫使细胞的基因组织自发地将自身组织成可以在其环境中存活的那种结构。[2](P127-129)如果考夫曼的工作的确把握了生物形成的本质,那么它给我们的重要启示是:遗传学(分子生物学)和自然选择并不是生物学的唯一解释性原理。考夫曼以前的生物学家已经看到,基因规定了在发展的各阶段的初始条件,从而决定性地影响作为结果的生物体[4],而自然选择则决定发展形式的哪一个微小变化将得以发展。然而,考夫曼还正确地看到,单是这两个因素(基因和自然选择)还不能说明生物的形成。从相对同质的非结构性起点发展出有序的生物体要归功于复杂系统的内在自组织属性。[5]虚拟生物遵循进化的逻辑分析方面,人工生命开拓者提出了具有进化特征的算法。勃克斯(A W Burks)把这种进化算法称之为“进化逻辑”,其中比较有影响的是霍兰德(J Holland)提出的遗传算法。所谓遗传算法是这样一种方法:它使用各种遗传算子,借助竞争机制选择个体,实施从基因型的一个种群到“更适应”的一个新种群的推导。遗传算法的基本程序是这样的:(1)从基因型的一个随机生成的种群开始;(2)计算该种群中每一基因型的适应程度;(3)把遗传算子应用于该种群,以创造出一个新种群;(4)进入第二步。遗传算法的目标是要挑选种群中具有较强增殖能力的基因型并判定每一基因型可能会产生多少后代。一般说来,适应程度高的基因型比适应程度低的基因型后代更多一些。如果遗传程序(1)-(4)重复多次,就会产生一系列种群,代代相传,直到出现一个最适应的基因型。遗传算法采用符号序列来描述信息集,然后借助一系列遗传算子的运算以得到最优解。例如,借助交叉(即符号序列的混合)、突变(即生成符号序列新的规则)、选择(选取最优符号序列)、淘汰(排除剩余符号序列)等遗传算子,通过竞争得到最优后代。由此看来,虚拟生物的研究与形态学、胚胎学、进化论、生态学有着密切的联系。它是在生命模拟的过程中发展起来的,也是从生物学或生命科学本身的发展需要出发的。虚拟生物的诞生得益于理论生物学的推动和影响。它与理论生物学的智慧上的联系非常紧密。事实上,创建虚拟生物的创作者大多是生物学家,他们建立模型的最初动机往往是解决理论生物学中特定的问题,再造一个“另类”生物,或再造一个“另类”基因是他们的宗旨。总的说来,贯穿虚拟生物研究的主旋律,是利用计算机作为一种实验工具的思想。由于虚拟生物研究者对这种实验技术的不懈追求,使我们模拟和合成虚拟生物的能力越来越强,从而又可以在程序中捕捉足够的真实世界,使这些实验更具有意义。圣菲研究所成员,维也纳理工大学教授卡斯蒂曾深刻地提出这样的问题:假如这种技术早一些被像亚里士多德、牛顿、高斯那样的思想家获得,那么以往的科学又该是一个什么样的情景呢?[2](P222)虚拟生物是一种人工生命。虚拟生物的研究是一种人工生命研究。这种探究引发了一系列哲学问题。这些问题是:第一,如同人工智能分为强的人工智能和弱的人工智能一样,人工生命也分为强的人工生命和弱的人工生命。这是两种对立的人工生命观。强的人工生命观认为,人工生命不仅仅是实现自然生命特征和行为的工具,而且它就等同于自然生命;弱的人工生命观认为,人工生命只是实现自然生命特征和行为的工具,它与自然生命不同。对此,我们的看法是:一方面,我们不能因为某些东西原本不在我们的经验范围内,不是我们所熟悉的生物就认定它们不是生命。如果这样认为,那就是自我中心主义的表现。人工生命的出现说明生命形式不是惟一的,在人类的努力下,一个个新的生命世界正在形成;另一方面,尽管人工生命是一种新的生命形式,但并不表明它与地球上业已存在的自然生命具有完全相同的意义。因此,我们在对待新的生命形式时,应当保持更加开放的心态;同时我们也要看到自然生命与人工生命的不同的特点。第二,虚拟生物的研究对于理论生物学和生物学哲学研究具有什么理论意义?我们认为,虚拟生物的研究揭示了生物发展的内在机理和动力,使生物发育的过程以比较纯粹的形态表现出来,从而有助于理论生物学和生物学哲学的深入发展;同时,虚拟生物的研究有助于生命本质的探索,有助于人类进一步认识生命的意义以及生命与非生命的界限。第三,虚拟生物的研究有什么实际意义?我们认为,虚拟生物研究可以为自然生物的生长发育机制和发展规律的探索,提供更有效的计算机研究手段,利用这些手段,我们可以深入研究动物和植物的遗传变异、杂交、优选的机制,以便发展动物和植物的新品种、新种群。第四,虚拟生物逻辑研究的意义何在?我们认为,虚拟生物的逻辑研究为复杂系统的进化提供了重要的逻辑手段。利用这种逻辑手段,我们可以深入研究人类的遗传、进化、优选的机制和方法,从而有助于我们推行计划生育的基本国策,有助于人类的优生优育[6]。虚拟生物的哲学探索@任晓明$南开大学哲学系!天津300071人工生命;;人工生命哲学;;虚拟生物虚拟生物是用计算机媒介对自然生物进行模拟或仿真而形成的人工生物。虚拟生物研究是指那些以计算机为媒介,以计算机程序为生物体的人工生命研究。它为深入考察自然生物的进化现象、生长发育机制以及发展规律提供了更有效的计算机研究手段。借助这些手段,我们可以深入研究动物和植物的遗传变异、杂交、优选的机制,以便发展动物和植物的新品种。虚拟生物的研究促进了理论生物学和生物学哲学的发展。[1]Lindenmayer,ADevelopmentalsystemswithoutCellularInteractions,theirlanguagesandGrammars,InJournaloftheoreticalBiology(1971)30:455 484 [2]约翰·L·卡斯蒂.虚实世界[M].王千祥,权利宁译.上海:上海科技教育出版社,1988. [3]沃尔德罗普.复杂:诞生于秩序和混沌边缘的科学[M].陈玲译.北京:三联书店,1997.278. [4]Dawkins,(1986)TheBlindWatchmaker(Harlow:Longman). [5]DepewandWeber,(1994)DarwinismEvolving:SystemsDynamicsandtheGenealogyofnaturalselection,(Cambridge,CambridgeUniversityPress) [6]艾迪明,陈泓娟,班晓娟,涂序彦.人工生命概述[J].计算机工程与应用,2002,(1).
源自:   《》
1976 年,美国学者 g..orcutt 率先研制了美国经济微观模拟模型,该模型对家庭部门进行了微观模拟:应用现实家庭样本,并将他们假设的行为模式应用于样本个体上;数据库中每个个体的特征用于确定模拟行为和模拟行为结果。
源自: 面向地方宏观经济的智能信息系统研究与开发  《重庆大学硕士学位论文》2006
1976年 ,美国学者orcutt等率先研制了美国经济微观模拟模型 ,该模型对家庭部门进行了微观模拟 :应用现实家庭样本 ,并将他们假设的行为模式应用于样本个体上 ;数据库中每个个体的特征用于确定模拟行为和模拟行为结果。
源自: 微观模拟模型与宏观经济分析  《东北亚论坛》2003年03期
所选取的函数关系源自己发表及作者未发表的实验数据,通过模拟已发表的法国marennesaiw buy菲律宾p生长实测数据进行部分参数的优化处理,最后以此模型模拟了胶夕,11湾菲律宾蛤仔个体的}生长过程,模拟结果与作者的多次实狈0值相近(欠q.sl,平均相对误差6.06%),初步证明此模型可以用于菲律宾蛤仔等双壳贝类的生k模拟和养殖管理。
源自: 菲律宾蛤仔的个体生长动力学模型  《中国科学院海洋科学青年学术研讨会暨2001年海洋湖沼科学青年学者论坛》2001
遗传模拟退火算法相当于一个群体中的很多个体同时进行退火,由于进行遗传操作的个体数目比较多,如果对每一个个体都采用长的 markov 链,势必造成计算量急剧增大,而长度大于 1 的短链与长度为 1 链相比也没多大优势,所以,确定遗传模拟退火算法在每一温度下的 markov 链长度为 1。
源自: 基于遗传模拟退火算法的生产调度过程中工作量规划  《福州大学硕士学位论文》2006
gas是对自然事物的直接模拟,它直接处理一个种群,该种群的个体都是对所给定问题的一个可能解,每个个体依据其对问题的解决程度都有1个适值,具有较高适值的个体具有较大的机会,通过与其它个体的杂交或变异进行繁殖,这个过程无条件地进行来产生后代。
源自: 基于模拟退火遗传算法的土地利用结构优化模型  《农业系统科学与综合研究》2004年03期
得到模拟条件下的最优方案,并对猪育种中实际存在的3种选择方法,即个体测验、个体加同胞测验和个体加后裔测验,作了分析比较.对后备种公猪数、成绩测验费用和风险因素作了灵敏度分析。
源自: 动物育种方案最优化——Ⅱ.一个模拟的猪育种方案及...  《东北农业大学学报》1991年02期
 
 
中国经济社会发展统计数据库
中国统计年鉴(资料)及最新经济运行数据收录最齐全、功能最先进的统计数据挖掘分析平台...
http://tongji.cnki.net/


CNKI历史上的今天
搜索人物生平,事件始末,历史脉络...
http://history.cnki.net/


 
 
首页上页下页末页  / 22
相关数字:
 
个体地方税个体登记费个体交易额个体管理费个体长度
个体剂量个体比重个体产量模拟量更多数字知识 >>
 
CNKI主页 设CNKI数字搜索为主页 | 收藏CNKI数字搜索| 网络统计数据资源导航
  2010 CNKI-中国知网
京ICP证040431号 京ICP证040441号 互联网出版许可证