摘要：目的为解决钢筋混凝土不连续约束板计算方法复杂、不利于程序实现的问题，笔者提出一种简化方法．方法利用有限差分解法对两边简支两边部分简支部分固支矩形板进行求解，并对结果进行理论分析以验证计算方法正确性．结果复杂约束板与简化处理后不考虑复杂约束的板相比，在位移和弯矩方面差别均较大，平均值在10％-20％，且计算结果表明采用不同的处理方法，对支座弯矩的影响较大，而对跨中弯矩影响稍小．结论提出的数值方法完全可以用于求解复杂约束板问题；考虑复杂约束与不考虑复杂约束的计算结果差别较大，建议在进行复杂约束板设计时应考虑其边界约束的影响。

摘要：根据集装箱配载问题中现实存在的多个制约因素,构建了多个集装箱配载优化模型.为寻求最优解,设计了以预分配策略为原则的遗传算法和启发式算法交互进行的混合算法.通过算例验证和比较得出,该模型算法在满足集装箱重心要求、下层货物额定承重能力,以及货物混装限制等约束条件下,可得到较高集装箱容积利用率的配载方案.

摘要：针对试验样本空间组成要素众多、动态变化且存在复杂关联约束的特点,围绕典型作战场景下导引头、目标、背景和干扰等4类要素及其相互作用,提出复杂约束条件下抗干扰试验样本空间的分析框架,实现“典型作战场景—全干扰对抗要素—全因子试验样本空间—约束满足的有限样本空间”的转化与映射。同时,重点关注对抗战术动态博弈影响下样本空间规范化描述以及多重约束下样本空间的不规则特征分析等问题,提出综合运用复杂网络、图分解、约束满足优化等理论解决其中关键问题的建模流程,为结合典型作战实例进行深入分析及后续的试验设计提供有效输入。

摘要：针对无线资源优化问题中普遍存在的复杂约束条件,详细梳理了各种基于AI的优化方法。尽管现有基于AI的优化方法在各种功率分配和波束赋形设计问题上取得了巨大成功,但大多数方法考虑的问题都仅仅配备较为简单的约束条件(例如功率预算约束条件),这些约束条件可以通过简单的投影操作得到满足。然而,对于更为复杂的约束条件,例如非凸的服务质量约束条件,其优化变量和无线信道通常是耦合的,如何有效处理非凸耦合的约束条件仍然是一个较大挑战。针对复杂约束条件下的无线资源优化问题,将现有基于AI的优化方法分为三类:监督学习方法、惩罚学习方法和拉格朗日对偶方法,并对这三类方法的适用性和不足作了细致的分析。最后,提出了一种基于增广拉格朗日法的惩罚-对偶学习框架,通过交替训练两个独立的神经网络,分别用以推断原问题的解和相应的拉格朗日乘子。此外,将所提出的惩罚-对偶学习框架应用于两个典型的无线资源优化问题上,并通过仿真实验表明,所提出的惩罚-对偶学习框架在约束违反和计算时间方面,分别优于当前最先进的AI和传统优化方法。

摘要：针对战时装备维修保障任务重、修理时间有限以及维修保障力量类型与待修装备损伤需求不匹配,难以实现战场精确保障的问题,进行了战时装备维修保障力量多目标行动控制研究。考虑修理时间窗、装备损伤状态、维修保障力量类型与维修保障能力变化以及非遍历性等复杂约束,构建了以装备重要度总和、修竣装备总和以及超出修理时间窗时间总和为目标的维修保障力量多目标抢修行动控制模型。对带精英策略的非支配排序遗传算法进行改进,结合变邻域搜索算法加强算法的局部搜索能力,设计了改进变邻域搜索和非支配排序遗传算法的混合算法实现模型求解,并通过示例验证了模型及算法的合理性和有效性。

摘要：针对二级助推战术火箭在多种约束下的高精度轨迹优化问题,提出了一种基于高斯伪谱法(GPM)的多阶段轨迹优化方法。针对二级发动机的工作特点,将全弹道划分为发射段、爬升段、续航段和制导攻击段4个阶段。为了提高禁飞区或敌方火力覆盖区附近的优化轨迹精确度,引入准接触点概念,将全弹道进一步进行阶段细分,并以连接点确保相邻阶段的顺利连接。利用GPM将轨迹规划问题转化为非线性规划问题进行求解。为了进一步提高计算效率、降低初值设置的难度,设计了基于初值生成器的迭代策略,实现了二级助推战术火箭多阶段轨迹优化。充分考虑飞行器各阶段飞行特点和约束,通过数值算例表明了该方法的优点。仿真结果表明,所提优化方法求解效率高,能够得到可行的最佳轨迹。

摘要：为了准确分析驮背运输2车组系统内力,提出并验证了复杂曲面接触摩擦简化处理技术对策。多体系统动态仿真分析表明:空载/重载单车可以实现车耳锁定、滚道支承以及地面支承3个平衡态及其传力路径转变,充分保障了货运汽车或集装箱半拖挂车公铁转运的100%滚装作业。利用复杂约束的拓扑关系图,提升了系统建模的模块化或模板建模程度。在全面考核仿真模型正确性的基础上,利用刚柔耦合仿真技术,深入研究了变形协调性和结构稳定性以及相关因素的影响规律,为轻量化车体优化设计提供了必要的技术支撑。局部高应力及其交替变化是判定结构损伤的主要依据之一,因而相关约束的内力性质需要通过刚柔耦合仿真加以具体分析,并非仅局限于几何空间研究域。

摘要：当已知未来的移动轨迹等信息时,面向视频点播业务的预测资源分配可以在满足用户体验的前提下降低基站能耗或提高网络吞吐量传统的预测资源分配方法采用先预测用户轨迹等信息再优化功率等资源分配的方法,在预测窗较长时预测误差大,导致预测所带来的增益降低.为了解决这个问题,近期已有文献把预测资源分配建模为马尔可夫决策过程,采用深度强化学习进行在线决策.然而,对于这类适于采用强化学习的马尔可夫决策过程,现有文献往往以试错的方式对状态进行设计.此外,对于有约束的优化问题,现有利用强化学习解决无线问题的方法大多通过在奖励函数上加入包含需要手动调节超参数的惩罚项满足约束.本文以移动用户视频播放不卡顿约束下使基站发射能耗最小的问题为例,提出在线求解预测资源分配的无监督深度学习方法对信息预测和资源分配进行联合优化,并建立这种方法与深度强化学习的联系.所提出的方法可以通过在线端到端无监督深度学习提高预测资源分配的性能,能以系统化而非试错式的方式设计状态,可以自动而非通过引入超参来满足复杂的约束.仿真结果表明,所提出的在线无监督深度学习与深度强化学习所达到的发射能耗相近,但能够简化状态的设计,验证了理论分析结果.