摘要：金属涂层损伤的自动识别是一项具有重大实际应用价值的研究。随着深度学习在各类材质的表面损伤图像分割任务中取得突破性进展,大部分研究工作使用端到端的深度卷积神经网络分割模型分割损伤区域。然而,端到端深度学习方法很难利用金属涂层损伤相关的先验知识来识别损伤尺度差异大、训练数据不足等问题。因此,设计了一种基于先验知识的金属涂层损伤区域分割算法,结合深度学习分割模型U-Net实现金属涂层损伤的自动识别。该算法基于Hue通道分布和边缘响应对金属涂层图像中的异常区域进行分割,深度学习分割模型利用先验知识排除异常样本,可有效避免过拟合。在含有开裂、起泡、生锈和脱落这4类损伤的金属涂层数据集中,该算法取得了81.24%mIoU的分割效果,优于端到端的深度学习方法。实验结果表明,先验知识辅助能够有效提升深度学习分割模型对金属涂层损伤的分割效果。

摘要：在现代信息化战争中,识别电网中的重要目标能有效指导攻击方或防御方战术的制定。而现有的电网攻防策略研究通常忽略真实电网具有弹性这一特性,因此提出RHGEle_Rank方法用于在电网的多轮攻防博弈中识别重要的变电站和输电线。首先基于仿真的弹性电力网络模型,考虑电站节点的工作效率,设计了节点的自我恢复策略用于模拟多轮攻防博弈下变电站的自我修复场景。然后,针对电网的异质特征,构建了基于过载式和断电式的级联失效模型。最后,利用贪心算法,识别每轮攻防博弈中的最佳攻击(防御)目标。实验表明,相较于传统的度中心性、介数中心性方法,攻击RHGEle_Rank选择出的重要目标能更大程度上破坏电网的供电能力。同时,考虑网络弹性的贪心算法能有效避免多轮攻防博弈中出现“无效攻击”。

摘要：利用深度残差网络中逐通道不同阈值的残差收缩模块(DRSN-CW)的降噪能力和特征提取能力,结合长短时记忆网络(LSTM)和注意力机制,设计了一个端到端的基于振动信号的轴承故障诊断模型DRSNCW-LSTM。其中,LSTM模块很好地利用了信号的时序特点,充分提取振动信号的内部时域特征。同时,注意力机制的引入可以使得模型自动提取出重要的时域特征用于后续的故障类型识别。在凯斯西储大学(CWRU)数据集上对提出的模型进行了测试,实验表明提出的方法在无降噪处理的情况下,相比于最新的MCNN-LSTM模型能更准确地诊断轴承故障。在训练数据不足的情况下,提出的方法依旧能较好地实现轴承故障诊断,平均准确率能达到98.16%,比MCNN-LSTM平均提升了2.62%。

摘要：为了更为有效地挖掘复杂网络中综合影响力高的节点集、提高重要节点集挖掘算法的准确性,针对节点集中各节点在信息传播中不同程度的相互促进和相互抑制作用,基于DynamicRank算法设计了一种新的级联概率计算模型。通过增强贪心策略,优先从种子集邻居以外的节点中选取备选节点,减小种子集内重叠邻居对信息传播引发的抑制作用;利用级联概率计算模型,增强种子集对信息传播的级联促进作用。在4个实际网络上采用SIR模型进行了测试,实验结果表明,相较于已有重要节点挖掘方法H-index、Degree、DynamicRank、VoteRank和EnRenew,提出的算法挖掘出的节点集具有更高影响力。特别地,在Grid数据集上,本文方法挖掘出的种子集的传播范围比对比算法平均提升了49.3%。提出的算法针对信息传播概率和贪心策略的改进有利于重要节点集的挖掘和识别。

摘要：复杂网络中重要节点的挖掘对分析和治理现实复杂系统有着重要的指导意义。设计能反映节点重要性的有效计算方法,是高效准确挖掘重要节点的关键。该文基于节点的邻居信息,采用特征工程中的特征提取、特征重构等方法提取能有效反映节点局部结构的特征向量。利用局部特征向量,通过回归模型建立节点局部结构和重要性的关系模型。在13个真实网络上的实验结果表明,相比于已有的重要节点挖掘基准方法,该方法具有更优的性能。

摘要：为解决高陡构造的井斜问题 ,钻井界试验了很多办法 ,但真正能够实现大钻压降斜的技术措施仍然很少。研究了新型铰接钻具组合在大钻压下的防斜机理 ,推导出铰接防斜钻具组合的力学三弯矩方程组、钻头侧向力和钻头偏转角计算公式 ,并由此编制了计算和分析软件 ,得出了 2种最优钻具组合 ;并在川东高陡构造的 2口井上进行了探索性试验 。

摘要：在超大规模集成电路设计,裁缝裁剪布料,玻璃切割等工作中提出了矩形和圆形装填问题,即把不同大小的矩形块和圆饼装入一个矩形容器中,以最大化容器的面积利用率为优化目标。对这一问题,可采用模拟退火,遗传算法等国际流行算法进行求解,但这些方法计算时间较长,计算结果的优度也不甚理想。利用人类的智慧和经验,提出了一种求解此问题的最大穴度算法。并对3个随机生成的测试实例进行了实算测试,所得结果的平均面积利用率为90.80%,平均计算时间为8.38s。测试结果表明,算法对求解矩形和圆形装填问题是行之有效的。

摘要：在货物装载、木材下料、超大规模集成电路设计等工作中提出了矩形packing问题。对这一问题,国内外学者提出了诸如模拟退火算法、遗传算法及其它一些启发式算法等求解算法。该文利用人类的智慧及历史上形成的经验,提出了一种求解矩形packing问题的贪心算法。并对21个公开测试实例进行了实算测试,所得结果的平均面积未利用率为0.28%,平均计算时间为17.86s,并且还得到了其中8个实例的最优解。测试结果表明,该算法对求解矩形packing问题相当有效。

摘要：在货物装载、木材下料、超大规模集成电路(VLSI)设计等工作中提出了矩形块装填与切割问题,对这一问题,国内外学者提出了诸如模拟退火算法、遗传算法及其它一些启发式算法等求解算法。本文利用人类的智慧和他们上万年以来形成的经验,提出了一种求解矩形块装填问题的拟人算法。该算法使用了两个主要的思想策略,即矩形块选择策略和矩形块放置策略。用本文提出的算法,对21个测试算例进行了实算测试,测试结果表明:算法所得装填结果的优度高,计算时间短。对这21个测试算例,用本文算法计算,得到了其中16个算例的最优解,而计算时间都在2秒以内。进一步的测试表明,本文提出的算法对求解矩形决装填问题十分有效。

摘要：集合覆盖问题是运筹学研究中的一个基本的组合优化问题,它通常描述成如下的一个覆盖问题:从一个m行、n列的0-1矩阵(aij)m×n中选出若干列盖住所有的行,使得付出的代价最小。集合覆盖问题被广泛应用到航空人员行程安排、电路设计、运输的车辆路线安排等领域。对这一问题,国内外学者提出了诸如遗传算法、模拟退火算法、蚁群算法、人工神经网络算法等求解算法。本文以贪心算法为基础,利用人类的智慧和经验,提出了一种求解集合覆盖问题的启发式算法。算法的主要思想为:从某个解出发,随机移除一定比例的列,再用贪心策略加入若干列。用本文提出的算法,对Beasley提出的45个测试实例进行了实算测试,所得结果和最优解的平均相对差值为0.44%,并且得到了其中33个实例的最优解,实算结果表明,本文提出的算法对求解集合覆盖问题是行之有效的。