课程文献中心 更多>>

关键词： 医疗设备   精细化管理   公立医院  

摘要： 目的探究DRGs支付背景下二级公立医院医疗设备管理的重要性,以完善医疗设备精细化管理。方法从医疗设备低效闲置、运维成本高、生命周期短3个方面,分析二级公立医院医疗设备管理中存在的问题。结果从上述3个方面对医疗设备管理提出了针对性的策略分析,包括建立健全医疗设备相关管理制度,加强信息化建设,提高医疗设备成本效益分析能力。结论从理论上着重强调了医疗设备管理在二级公立医院发展中的重要性,为医疗设备精细化管理提供了新的思路,以推动二级公立医院高质量发展。

关键词： CatBoost   沙猫群优化算法   神经网络   Python   气象预测   偏差订正  

摘要： 当前环境下,气象要素的准确预报在农业生产,社会生活和交通运输方面起到了越来越重要的作用,因此提出了一种改进的沙猫群算法(sand cat swarm optimization, SCSO),用于优化CatBoost模型,以解决传统气温和风速预测不准确的问题。研究数据涵盖了南京地区2012年1月1日—2014年12月31日的气象数据,利用ERA5再分析数据作为真实数据。首先,将数据划分为训练集和验证集,利用SCSO优化CatBoost模型,以订正24、48、72 h刻预报的气温和风速。为了克服SCSO易陷入局部最优解和收敛速度慢的问题,采用Halton Sequence搜索算法初始化沙猫群位置,并引入莱维飞行和三角游走策略优化寻优过程。在迭代中,采用LOBL策略和边界突变算子确保不会陷入局部最优解。最后,利用改进的SCSO优化CatBoost的超参数,并结合K折交叉验证提高参数的可靠性和泛化性。结果表明,改进的SCSO-CatBoost模型相比XGBoost、LightGBM、传统GBDT、随机森林、支持向量机和线性回归模型具有更高的准确性和优越性,在24 h的气温和风速预测中均方根误差分别提升了0.514 5和0.174 9,在48、72 h的提升也十分显著。为提升气象要素预报准确性提供了科学依据和技术支持。

关键词： 电动汽车   电动汽车充放电控制   深度强化学习   电网调控   电池建模  

摘要： 随着电动汽车数量的逐步增加,其接入对电网的负荷带来显著影响。在这一背景下,V2G/G2V技术被广泛认为能在电网管理方面发挥重要作用。以电动汽车的充放电控制算法为研究对象,引入了一种基于软演员评论家(SAC)的深度强化学习算法,从而实现对电动汽车连续充放电行为的精细控制。研究着眼于解决电网中负荷时序动态变化的难题,通过调整不同车辆在不同电价条件下的充放电功率,最大程度地提升用户的经济效益。此外,为应对充放电过程中可能导致电池损耗加剧的问题,引入了基于物理混合神经网络(PHNN)的电池损耗预测模型。同时,通过将充放电过程建模为马尔可夫决策问题,并将PHNN模型融入电动汽车的充放电控制中,构建了一个全新的奖励函数,以精确量化电池损耗所带来的成本。基于SAC算法,该奖励函数用于学习最优的充放电策略。实验结果显示,该算法能够有效地调控车辆的充放电行为,发挥电力网络调控作用,同时在充放电过程中降低对电池寿命造成的损耗,进一步保障用户经济利益。

关键词： 稀疏脉冲反演   奇偶分解   谱反演   重加权TL1范数  

摘要： 地震数据反射系数反演是联结地下储层和地震数据的桥梁,一直是研究的热点。目前反射系数反演大多基于L_(1)范数约束的稀疏脉冲反褶积。近年来,奇偶分解算法的出现使得子波间调谐效应减弱,这使得基于L_(1)范数约束的谱反演得到进一步应用。稀疏约束的能力关系到待求解反射系数的准确性,本文针对常用的L_(1)范数和Lp范数稀疏能力约束度不足的问题,引入TL_(1)范数(Transformed L_(1)Norm)稀疏约束,有利于获得更准确的反演反射系数;同时考虑反射系数较大的位置拟合能力需要增强,提出重加权TL_(1)范数(Reweighted Transformed L_(1)Norm,RTL_(1))进一步提高稀疏约束能力。参数测试结果证明了重加权类范数重建能力强于未重加权类范数,RTL_(1)在稀疏重建上的有效性。模型和实际数据处理结果证明RTL_(1)相比于常用的稀疏约束项更有利于提高谱反演的反射系数精度。

关键词： 动态优化   增量极限学习机   前馈神经网络   粒子群优化  

摘要： 在动态优化问题(DOP)中环境的变化可描述为不同类型的动态,动态优化算法(DOA)对环境的适应性十分重要。此外,DOA的局部和全局多样性损失是导致其开发和勘探能力下降的主因之一。在动态环境中保持局部和全局多样性可有效避免多样性损失。为此,提出一种基于搜索引导网络的粒子群优化算法(SGNPSO),每个输入粒子基于SGN隐藏层选择学习目标,在输出层调整其加速系数,从而引导粒子的搜索。SGN属于单隐层径向基神经网络,每个隐藏节点由其中心和半径组成。设置多个相互远离的隐藏节点中心,即子群中心,从而获得多个子群。每个粒子从其所属子群不同个体历史最优位置中选择局部学习目标,从相互远离的多个子群中心中选取全局学习目标,有助于种群的局部和全局多样性保持。SGN以强化学习方式来获得输入粒子的期望输出,并通过极限学习来预训练网络。设计节点的重要性和拥挤度指标,以获取紧凑网络结构,并增量学习保证网络拟合能力。无论环境如何变化,所提方法都能够通过学习来适应不同的环境,以引导粒子的搜索,从而有效处理不同动态的DOP。在MPB和DRPBG标准测试组件上和五种主流DOA开展对比实验,结果表明,SGN-PSO在求解多种动态的DOP上取得了显著的表现提升。

关键词： 白鲸优化算法   额隆感知   围攻机制   动态高斯扰动   工程优化  

摘要： 白鲸优化算法(BWO)是一种有效的元启发式算法,但存在种群多样性低、全局搜索能力不足等问题.为此,提出一种额隆感知和围攻机制改进的白鲸优化算法(MSBWO).受麻雀算法的启发,设置安全区域和额隆感知机制,增强白鲸的判断能力并加快收敛速度.然后引入多方式的围攻机制,丰富个体位置更新的多样性,增大全局搜索能力.同时加入了动态高斯变异进行扰动,以提高算法跳出局部极值的概率.通过14个基准函数和CEC2019进行算法有效性测试,并与其他优化算法进行了比较.结果表明,MSBWO取得更优的收敛速度和预测精度.最后,将该算法应用于2个工程设计问题.实验结果表明,所提出的MSBWO算法具有良好解决实际工程问题的能力.

关键词： 矩阵分解   向量优化   图卷积神经网络   相似度矩阵   链路预测   高阶近邻  

摘要： 对于无标签网络,由于基于图神经网络的链路预测方法使用其高效建模机制进行链路预测任务时性能较差,因此,提出了一种近似图神经网络框架的无监督链路预测算法(ALIP),旨在模拟图神经网络算法的高效建模机制和学习过程,解决网络节点标签缺失导致的建模不充分问题。首先,参照GCN的输入层,融合网络的结构信息和节点属性;其次,使用矩阵分解替代GCN的隐藏层,模拟正向传播;再次,借鉴恒等映射和高阶近邻的思想实现向量转化和模型优化,从而得出网络节点表示向量,该过程模拟GCN的反向传播;最后,计算相似度矩阵,进行链路预测任务性能评测。在Citeseer数据集、DBLP数据集和Cora数据集上的实验结果表明:所提ALIP算法AUC值最高为98.01%,其性能优于其他23种链路预测算法,证明了该算法的有效性和可行性,同时也为无标签的复杂网络链路预测任务提供了一种新的解决方案。

关键词： Flash故障检测   March-like算法   Flash故障敏化序列   ATE检测  

摘要： 随着芯片制造工艺与逻辑复杂度的提升,对非易失性存储部件的要求越来越高。Flash存储部件由于高稳定性和性价比被广泛使用,且以IP形式集成到芯片内部,导致芯片原型样品测试时间成本和资源成本增加。为降低芯片样品测试时间和提高检测Flash的故障覆盖率,提出了一种新的Flash故障算法,通过对Flash存储器不同故障相同部分的敏化序列进行提取,提取内容替换部分March-like算法内容,再加入少量读写操作,达到符合所有故障敏化序列的要求,减少了算法步骤,使Flash存储单元通过自动测试设备(ATE)检测时,提高测试效率和所能探测的故障种类。实验结果表明,该算法在存储器规格一致的情况下,比较于March-like pFlash和March-like算法,测试效率分别提高39%与52%,故障覆盖种类分别增加2到3种。

关键词： 智能仓库   任务规划   强繁殖遗传算法   加强群   繁殖能力  

摘要： 为了减小智能仓库拣选机器人的行驶路径,提出了基于强繁殖遗传算法的多机器人拣选任务规划方法。介绍了多机器人系统的混合式控制与智能仓库运行流程,建立了智能仓库的栅格环境模型。以减小机器人行驶路径长度为目标,建立了拣选任务规划的优化模型。在遗传算法中定义了染色体的繁殖能力,根据繁殖能力将染色体分为传统群和加强群;传统群使用传统提出操作方式,维持其较强的繁殖能力;提出了强繁殖交叉和变异方式,从而强制提高加强群的繁殖能力。将强繁殖遗传算法应用于智能仓库拣选任务规划,传统遗传算法任务规划的机器人路径长度为63.0103,强繁殖遗传算法任务规划的路径长度为55.9496,比传统算法减少了11.21%,且强繁殖遗传算法的收敛速度高于传统遗传算法。仿真结果验证了强繁殖遗传算法在智能仓库拣选任务规划中的优越性。

关键词： 随机算法   抽样   分布式监控   数据流   数值监控  

摘要： 分布式监控问题作为分布式系统中的一个热点领域,主要关注如何高效地协调多个传感器与中枢处理器之间的计算任务。与将所有传感器信号实时传输至中枢的低效方法相比,分布式算法通过逐轮统计、汇总结果后再发送给中枢,显然更经济。良好的分布式监控算法能以较小的通信代价完成对特定目标的监控任务,有效节约传感器电能,延长使用寿命。该类算法对通信效率和准确性有双重需求。然而,目前对于基于预设概率分布的分布式阈值监控问题的研究相对有限,且现有研究往往基于理想化的假设,导致所设计的算法对实际干扰缺乏抵抗能力。通过引入干扰因素来模拟现实世界的复杂性,旨在寻找更为鲁棒的分布式监控算法。所提算法通过合理选择通信时机,不仅减少了通信次数,显著降低了通信代价,同时也保证了有干扰的环境下的分布式算法的准确性。所提算法的准确性可以在理论层面得到证明,其通信代价在干扰较少时可达到O(K loglog N)。这一研究为分布式监控算法提供了新的视角,为现实复杂监控问题的解决提供了有力支持。