摘要：针对传统蚁群算法在室内移动机器人全局路径规划中,存在的搜索效率低下、路径不够平滑、易陷入局部最优及死锁状况等问题,设计出一种融合改进A^(*)算法的双向搜索蚁群优化算法。首先利用改进A^(*)算法在栅格环境中快速收敛得到初始路径,构建初始信息素矩阵,并引入障碍物因子来减少蚂蚁死锁状况的发生;其次设定双向搜索蚁群优化算法规则,并改进双向搜索中的启发函数模型,引入精英蚂蚁搜索策略和自适应信息素挥发因子策略;最后利用三阶贝塞尔曲线对路径进行平滑处理。通过Pycharm平台仿真结果表明,该算法融合了A^(*)算法全局搜索能力强及蚁群算法正反馈的特性,使得融合改进后算法比传统蚁群算法和麻雀算法在路径长度上优化12.85%和7.76%,搜索时间上优化38.17%和23.46%,迭代次数上优化67.71%和54.41%,全局路径优化效果较明显。

摘要：针对矿山塌陷土地复垦适宜性评估指标因素的模糊性和随机性,构建博弈论综合赋权-云物元模型。该模型结合矿山实际情况,从地形环境、水利环境和土壤环境3个方面划定11个二级评估指标,采用遗传层次分析法和变异系数法分别计算各评估指标的主、客观权重,再通过博弈论计算得到指标综合权重,并将云模型引入物元模型。将所建立的模型应用于广西凤凰山银矿,计算了一级指标关联度和综合关联度,并进行土地复垦适宜性评估。结果表明:1^(#)塌陷区和6^(#)塌陷区复垦为林地的适宜性评估等级为“勉强适宜”;2^(#)塌陷区、3^(#)塌陷区、4^(#)塌陷区、5^(#)塌陷区和7^(#)塌陷区复垦为林地的适宜性评估等级为“中等适宜”。评估结果与现场调研情况相吻合,可为矿山塌陷土地复垦工作实施提供新的思路。

摘要：文化创意产业是以创造力为核心的新兴产业,其发展规模和发展水平已成为一个国家和地区综合竞争力的重要标志。“广电湘军”“出版湘军”“移动互联网湘军”群体性崛起,显示出湖南文化创意产业发展在不断加速。同时,湖南文化创意产业也存在着产业结构不合理、科技研发投入比重较低以及企业融资渠道较单一等问题。结合湖南发展文创产业的自然与人文优势,提出加大科技与资金投入、加快主流媒体建设、拓宽企业融资渠道以及扩大对外影响力等建议,让更多“湖南特色文化品牌和现象”繁荣发展,推进湖南省文化强省建设。

摘要：本文基于股权激励的意义和目的为切入口,分析了股权激励计划的实施是如何影响公司在技术创新上投入的.通过探析美国波音公司案例,发现股权激励计划可能在公司技术创新投入中起到负面影响.如何避免股权激励对技术创新的负面作用是企业需要思考的问题,企业应根据具体业务情况设计更加完善的股权激励具体考核机制.

摘要：文章基于2001—2019年中国各产业和地区的碳排放相关数据,分析了中国实现“双碳”(碳达峰和碳中和)目标存在的问题及挑战;从系统观角度,将影响中国碳排放的因素分为经济、能源、技术、政策4个方面,并在此基础上构建中国“双碳”目标下的碳减排模式。研究表明:要实现“双碳”目标,就要以政策为引领,以技术为突破,重点优化产业与能源结构,实现经济与能源的协调发展;坚持行业联动与地区协同,建立各省(区、市)之间的互动机制,实现顶层设计与地方实践的有效衔接。

摘要：为弱化信息从最终客户端向原始供应商传递而引发的“牛鞭效应”,本文基于信息传递的视角,提出了一种运用区块链技术构建的新能源汽车供应链信息管理系统。在对新能源汽车供应链运用区块链技术弱化“牛鞭效应”原理进行分析的基础上,完成系统的总体设计和程序编码,并对系统功能应用及性能进行了测试和对本系统弱化“牛鞭效应”的效果进行了验证,结果表明:系统所有功能都能够正常运行并完成基本要求;系统的性能测试结果显示该系统的最大平均时延为6.2 s,最高吞吐量为每秒处理187个事件;系统在供应商、主机厂和销售商3个节点的“牛鞭效应”值分别弱化了70.1%、64.9%和24.6%,实现了预期效果并验证了系统对供应链“牛鞭效应”的弱化具备可行性。

摘要：针对局部路径规划时因无法提前获取环境信息导致移动机器人搜索不到合适的路径,以及在采用马尔可夫决策过程中传统强化学习算法应用于局部路径规划时存在着学习效率低下及收敛速度较慢等问题,提出一种改进的Q-learn-ing(QL)算法。首先设计一种动态自适应贪婪策略,用于平衡移动机器人对环境探索和利用之间的问题;其次根据A*算法思想设计启发式学习评估模型,从而动态调整学习因子并为搜索路径提供导向作用;最后引入三阶贝塞尔曲线规划对路径进行平滑处理。通过Pycharm平台仿真结果表明,使得改进后的QL算法所规划的路径长度、搜索效率及路径平滑性等特性上都优于传统Sarsa算法及QL算法,比传统Sarsa算法迭代次数提高32.3%,搜索时间缩短27.08%,比传统QL算法迭代次数提高27.32%,搜索时间缩短17.28%,路径规划的拐点大幅度减少,局部路径优化效果较为明显。

摘要：为进一步提高岩石爆破块度预测效果,利用多个矿山的岩石爆破统计数据,通过优化极端梯度提升模型(extreme gradient boosting, XGBoost)超参数,建立一种基于随机森林(random forest, RF)特征选择的麻雀搜索算法(sparrow search algorithm, SSA)优化XGBoost爆破块度预测模型。利用麻雀搜索算法对XGBoost模型决策树数量、决策树最大深度、学习率3个核心超参数进行优化以提高运行效率;利用随机森林对输入特征进行筛选,并将优化后的特征集输入预测模型。结果表明:经特征集优化的模型,爆破块度预测效果整体上更加逼近实际值,且预测结果的可决系数(R-squared,R~2)、均方根误差(root mean square error, RMSE)和平均绝对误差(mean absolute error, MAE)分别为0.954、0.026和0.020,相较于BP(back propagation)神经网络、随机森林和XGBoost模型的效果更优,在实际应用中更具适用性,能为爆破参数设计和优化提供借鉴。