摘要：为有效提升多重入车间的生产效率,考虑实际生产中队列约束,提出了基于列生成算法的可重入混合流水车间的调度方法.首先对两阶段生产调度问题进行描述,以最小化工件总完成时间为优化目标,建立数学规划模型.针对该调度模型提出列生成算法,设计带多重决策的动态规划方法来求解工件级子问题,为更快收敛,主问题求解中采用自适应加速策略.在使用分支定界将得到的解整数化的过程中,构造列池并设计局部变异.最后,对各种不同问题规模进行了数值实验,结果表明所提出的调度算法是有效可行的.

摘要：为了提高队列行驶的安全性、经济性、高效性和平顺性,提出了基于云控系统的队列预测性巡航与换道决策方法。通过路侧基础设施获取动态交通信息,并上传云平台;云平台利用预测模型估计环境车辆的未来状态;队列采取不同的行为而获得的惩罚体现在设计的目标函数中,通过最小化目标函数实现纵向加速度与横向换道决策的协同优化,并将决策结果发送至车端进行跟踪控制。利用Sumo与Matlab搭建联合仿真环境,设计了不同交通流量下的5组仿真工况。结果表明:对比微观驾驶模型(IDM+MOBIL),采用该方法的队列在巡航时碰撞风险降低42.2%,换道时碰撞风险降低3.41%,平均节油率为1.22%,速度提升0.83%,平顺性提高49.84%,在安全性、经济性、高效性和平顺性方面均优于微观驾驶模型。

摘要：针对网联混合动力汽车队列具有混杂非线性、多动力源混合驱动等特点,提出基于深度强化学习的队列分层控制策略。首先,设计了队列模型预测控制器,基于车车通信获取的车辆状态求解约束条件下满足多性能目标的队列车辆最优期望加速度。其次,为提高车辆的燃油经济性,将发动机最优工作曲线和电池特性曲线作为专家知识嵌入深度强化学习算法中。然后,通过分析电池荷电状态、车辆车速以及车辆加速度对智能体动作值的影响来阐明基于深度强化学习(Deep Q network,DQN)的队列能量管理策略是如何根据动作值实现对队列中车辆多系统动力输出之间的协调控制。最后,设计了以电池荷电状态、瞬时燃油消耗率为自变量的奖励值函数,利用最小化损失函数,采用梯度下降法对DQN网络参数进行更新,通过深度强化学习算法实现网联混合动力汽车队列的能量管理控制。试验结果表明,所提出的队列控制策略可以动态规划出队列中车辆期望加速度,实时合理的分配发动机功率与电机功率,最终实现队列中车辆的节能行驶。

摘要：基于分布式控制结构和基于图论的通信拓扑描述方法,针对车辆节点动力学的不确定性设计了一种异质队列的鲁棒解耦控制策略。采用乘性不确定模型覆盖由下位控制器和车辆动态特性构成的队列节点的动态特性,在此基础上通过通信拓扑的特征值分解和线性变换将异质队列控制系统分解成H∞范数有界的不确定部分和一个对角系统,从而实现队列系统的解耦。进一步对该控制系统的鲁棒稳定性、跟踪性能和队列稳定性进行理论分析。通过与非鲁棒控制器,以及不同通信拓扑下的系统性能进行台架实验对比分析,对所提方法的鲁棒稳定性、跟踪性能和队列稳定性进行了验证。

摘要：“All of Us”研究计划是由美国国立卫生研究院支持的百万自然人群队列研究项目。该项目通过招募100万余名生活在美国本土的志愿者,建立一个强大的研究资源,促进对健康和疾病的生物、临床、社会和环境决定因素的探索。本文系统全面地介绍“All of Us”的研究设计方案,为我国精准医学计划百万自然人群队列建设提供可借鉴的思路和经验。

摘要：目的通过队列研究分析上海市和天津市MSM药物滥用者HIV新发感染状况及影响因素,为在该人群中开展艾滋病预防干预提供基础。方法采用队列研究设计,2016年6月至2018年6月采用滚雪球抽样方法招募最近6个月内有药物滥用史的MSM为研究对象,并建立MSM开放性队列,在完成基线调查和HIV检测的基础上开展随访调查和检测。调查内容包括人口学特征、艾滋病相关性行为和药物滥用行为情况等信息。以随访过程中“HIV阳转”为结局因变量,同时,将从研究对象进入队列到出现HIV阳转的时间作为时间因变量,应用Cox比例风险回归模型分析HIV新发感染的影响因素。结果研究对象共455人,HIV新发感染16例,队列随访累积观察时间为586.08人年,HIV新发感染率为2.73/100人年。多因素Cox回归分析结果显示,相比于≥30岁年龄组、最近6个月与男性肛交时坚持使用安全套、无药物混合滥用情况,<25岁年龄组(HR=5.01,95%CI:1.09~23.11)、最近6个月与男性肛交时未坚持使用安全套(HR=1.58,95%CI:1.04~2.41)和药物混合滥用者(HR=1.92,95%CI:1.08~3.40)发生HIV感染风险较高。结论MSM药物滥用者中,HIV新发感染的危险因素包括年龄<25岁、与男性肛交时未坚持使用安全套和药物混合滥用,应持续加强MSM药物滥用者的HIV预防和干预。

摘要：目的分析N-亚硝胺与消化道恶性肿瘤发生／死亡风险的关系。方法通过系统检索中国生物医学文献数据库、中文期刊全文数据库、万方电子期刊、PubMed、EBSCO等文献数据库，纳入N-亚硝胺与消化道恶性肿瘤发生／死亡风险队列研究文献，采用RevMan5．1软件进行Meta分析。结果共检索到相关文献13篇，纳入其中7篇含有消化道恶性肿瘤的文献进行Meta分析；N-亚硝胺显著增加消化道癌症的发生风险（RR=1．12，95％CI：1．03～1．21）；与食管癌发生风险无显著性关联（RR=1．18，95％CI：0．98～1．41），但显著增加食管鳞状细胞癌发生风险（RR=1．72，95％CI：1．01～2．96），而与食管腺癌无显著性相关（RR=0．88，95％CI：0．57～1．37）；N-亚硝胺能显著提高胃癌的发生风险（RR=1．08，95％CI：1．00-1．18），但对贲门癌与胃腺癌发生风险的影响无显著性。结论现有人群队列研究证据显示，N-亚硝胺会显著增加消化道恶性肿瘤的发生风险，但是对不同亚型食管癌和胃癌的影响不同，由于队列研究数量较少且在研究设计、人群选择、暴露测量等方面存在差异，仍需进一步积累相关研究证据。

摘要：出生队列是研究孕前和孕期各种环境暴露因素与胎儿、婴幼儿、青少年健康之间关系的有效方法。出生队列建设周期长、环节众多,研究质量可能受到多种因素的影响。本文对中国国家出生队列建设过程中的各项质量保证和质量控制措施进行梳理,归纳总结建设经验。以期为相关队列研究提供经验,减少相关因素对队列研究的影响,提升队列研究质量。中国国家出生队列在质量保证的顶层设计方面采取一系列措施保障研究质量,包括研究中心筛选、成员管理系统开发、标准化操作流程制定及工作人员规范化培训;在质量控制方面,包括针对队列数据产生过程的实时、及时、定时质控,针对生物样本采集、处理及保存的全周期质控,以及针对参与工作人员的培训、督查和量化考核的全面立体质控。

摘要：近年来,复杂性疾病(例如恶性肿瘤、心脑血管疾病等)逐渐成为现代社会最主要的疾病负担,并造成巨大的健康和经济损失[1]。复杂性疾病的发生是基于生活方式、环境、遗传的相互作用而导致的,探讨此类疾病的发病机制已经成为现代病因学研究的重要课题。队列研究是流行病学最基本的分析性研究设计之一,在病因学研究中具有不可替代的地位和作用。当检验病因假说时,队列研究可以探讨有害暴露的致病作用,而基于人群构建的队列(population-based cohort)可以用来研究多种暴露因素和多种健康结局的关系,且研究结果具有较好的外推性[2],不仅是解决现代医学一些迫切问题的重要研究手段,也是转化医学研究的重要基础[3]。1队列数据共享的必要性1.1样本量需求增长迅速传统的流行病学研究通常是单一项目组收集和整理数据,而后完成数据分析和文献发表,研究计划和数据通常仅限于课题组内部使用,外部无法接触原始数据。这对研究结果的可重复性、可追溯性和研究效率都会造成一定程度的影响[4]。同一问题的不同研究其结果可能相互支持,也可能相互违背。当同类研究结果不一致时,很难区分这种差异是不同研究采用不同的方法所致,还是人群间确实存在真实差异[5],另外,样本量也是制约队列研究开展的主要局限之一。

摘要：为提高IEEE 802.16 Mesh网络性能,提出了基于队列占用率的分布式调度算法(QO-CDS).该算法应用跨层设计方法,通过计算各竞争节点的队列占用率来设定节点的优先权,使具有高占用率的节点优先获得调度,以达到减少网络拥塞.提高资源利用率的目的.对算法的数学分析和与其他算法的对比仿真实验表明,相对于传统CDS算法和基于避让指数的改进算法,该算法可以有效提高吞吐量、降低端到端时延.