基于遗传算法的装备采购决策优化研究

在装备采购中，由于需求单位地域分布和担负的任务各不相同，对装备的品种、数量、时限要求也就不一样，如何使装备采购科学化、合理化，是一个涉及多变量、多目标的复杂系统问题。在综合考虑装备采购各项因素的基础上，构建多约束条件下的多目标模糊指派模型，提出了基于遗传算法的解决方案，最后通过案例进行仿真实验，验证该算法的可行性和有效性，解决了采用传统优化方法难以解决的装备采购优化决策问题。     

零售4.0时代先行发货问题的大数据分析

在零售4.0时代，渠道的多样化不仅丰富了数据源，还能迅速生成大量数据，需要通过分析大数据，为决策提取有意义的信息，通过分析先行发货的重要性，提出了一种基于遗传算法（GA）的优化模型，预测顾客何时购买，然后在顾客线下单前将产品运送到距顾客最近的配送中心，解决先行发货中存在的问题。研究认为，需要先部署云计算来存储所有渠道生成的大数据，再应用基于集群的关联规则挖掘研究顾客的购买行为，根据“如果-那么”预测规则预测未来的采购情况，最后利用修正的遗传算法生成最优的先行发货计划；这种遗传算法考虑了其在运输成本和运输距离之外，还有预测规则的置信度，利用大量的数值实验权衡了先行发货中的不同因素，验证了模型的最优可靠性     

变换法在解微分方程中的应用

变量代换法是解常微分方程的一种辅助方法，它能使问题简化．本文通过联系实例给出了变换在求解微分方程中的具体应用。     

新式多路任意开关波形发生器

利用顺序脉冲发生器加译码电路产生多路任意开关波形,是传统的设计方法。近年来,大多利用具有可编程定时功能的单片机系统来实现,只要将状态转换表和相应的驻留程序固化在一片EPROM中。本文导出了多路任意开关波形的离散化表示式;在此基础上提出了一个产生多路任意开关波形的新算法。用户只要从键盘输入开关延时参数,就可得到相应的多路任意开关波形输出。对不同的波形要求,无须更换驻留程序,具有一定的通用性。     

博采异同遂混虚实——论干宝的小说理论与实践

自鲁迅《中国小说史略》问世以来,学界咸以为魏晋南北朝小说一如写新闻,并非有意创作。然细阅干宝的生平资料,细阅其《晋纪》、《搜神记序》及《搜神记》却会发现:号曰良史的干宝实爱搜神志怪;在那时就发现小说“难免失实”,划清了与历史散文的界限;其《搜神记》题材采自典籍者多荒诞失实;题材采自现实者实非写实而多虚构。干宝的创作实践了他的小说理论,已开有意为小说之先河,在中国小说史上具有里程碑式的意义。     

延迟支付条件下易逝品的最优订货决策研究

本文在考虑延期支付的情况下构建了二级供应链关于易逝品的最优订货决策模型,其中供应链由单个供应商和多个面临资金约束的零售商组成。在不允许缺货的情况下,供应商为零售商提供延迟支付来缓解零售商的资金压力,同时零售商对产品的定价将随易逝品的价值变质而变化。本文利用遗传算法对模型进行了算例分析,同时对模型中的相关参数进行了敏感性分析。结果表明,延迟支付能够提高供应链总利润并降低风险,从而有利于供应链整体效益的提高。在延期支付条件下,供应链各成员获得的收益增量存在较大差距,其中供应商能够获得更多收益。最后,通过敏感性分析,我们还发现产量及易逝品保质期的变动会对供应链整体利润产生不同程度的影响。     

二维变系数线性微分系统的求解定理

给出二维变系数线性微分系统在已知某解的情形下求通解的公式,并直接应用此公式,导出几类二维变系数线性微分系统的通解公式.对理论和实际应用都是有益的.     

Testing Inference in Inflated Beta Regressions under Model Misspecification

We consider testing inference in inflated beta regressions subject to model misspecification. In particular, quasi-z tests based on sandwich covariance matrix estimators are described and their finite sample behavior is investigated via Monte Carlo simulations. The numerical evidence shows that quasi-z testing inference can be considerably more accurate than inference made through the usual z tests, especially when there is model misspecification. Interval estimation is also considered. We also present an empirical application that uses real (not simulated) data.     

Quadratic Approximation via the SCAD Penalty with a Diverging Number of Parameters

The high-dimensional data arises in diverse fields of sciences, engineering and humanities. Variable selection plays an important role in dealing with high dimensional statistical modelling. In this article, we study the variable selection of quadratic approximation via the smoothly clipped absolute deviation (SCAD) penalty with a diverging number of parameters. We provide a unified method to select variables and estimate parameters for various of high dimensional models. Under appropriate conditions and with a proper regularization parameter, we show that the estimator has consistency and sparsity, and the estimators of nonzero coefficients enjoy the asymptotic normality as they would have if the zero coefficients were known in advance. In addition, under some mild conditions, we can obtain the global solution of the penalized objective function with the SCAD penalty. Numerical studies and a real data analysis are carried out to confirm the performance of the proposed method.     

A comparison of maximum likelihood and least squares for the estimation of a cumulative distribution

Monte Carlo methods are used to compare the methods of maximum likelihood and least squares to estimate a cumulative distribution function. When the probabilistic model used is correct or nearly correct, the two methods produce similar results with the MLE usually slightly superior When an incorrect model is used, or when the data is contaminated, the least squares technique often gives substantially superior results.