智能模型

智能模型（共12篇）

智能模型 篇1

一、批购智能模型的使用

存货经济批量采购是企业日常存货管理的重要方法,但由于前提条件多、计算繁杂等,存货批购的理论模型难以广泛应用。笔者利用Excel 2007强大的数值、图表、交互选择等功能,设计了“存货批购决策智能模型”,如图所示,只需要轻点鼠标即可智能运算与决策建议。适当修改公式或设计代码(代码隐藏于圆柱图后部和C3、C4单元格之中),还可运用于不同企业的存货批购决策。

使用方法是:用第3、4行的单选按钮、下拉箭头进行选择,或用第6、8、10行的滚动条进行数值设置,以确定待决策方案及相关决策数据;每次鼠标的选择或设置,下部的动态文字、计算值、警示色、图表、信息的提示或隐藏等,均会智能更新。选择C21单元格组合框的选项,对比的圆柱图与数值等,也将随之动态变换。

二、选项与智能文本的设计

1. 设计动态日期与静态元素

(1)在C2单元格键入动态显示当前日期的函数公式“=Today()”或“=NOW()”。

(2)在Al、A5:C5、A7:C7、A9:C9、Al1:B11、A19、A20单元中键入本模型仅有的14项静态文字。合并A1:C1、C17:C20单元区域。

(3)选定A3:C5,按下Ctrl键,再选择A7:C7、A9:C9、A11:C29单元区域(不选有滚动条的单元格),单击功能区“开始/字体”组中“填充色”的下拉箭头,选择“橙色”。

2. 设计分组框窗体控件

(1)单击Excel2007窗口左上角Office按钮、再点击下部“Excel选项”,勾选“常用”类型的“在功能区显示开发工具”选项(Excel 2003选择“视图/工具栏/窗体”命令)。

(2)单击功能区“开发工具/控件/插入”按钮并点击“表单控件”(Excel2003单击“窗体工具栏”)中的“分组框”按钮,此时鼠标变“+”字状,在A3单元格中拖出一个控件;将其标签修改为“特殊采购(与正常采购比)”;右击该控件选择“设置控件格式”命令,勾选“控件”卡中的“三维阴影”选项。

(3)右击该分组框选择“复制”命令、在C3单元格右击选择“粘贴”命令;再将该控件标签修改为“单位”。

(4)点击分组框使之进入编辑状态(四周有8个小圆圈),拖动调整其大小、位置。

3. 设计单选按钮窗体控件

(1)在功能区“开发工具”的“表单控件”中点击“选项”按钮,此时鼠标变“+”字状,在A4单元格中拖出一个单选按钮;按下键盘上的Ctrl键并单击该控件进入编辑状态(四周有6个小圆圈),将其标签修改为“陆续到货”;通过控件上的小圆圈调整其大小、位置;右击该控件选择“设置控件格式”,在“控制”卡的“单元格链接”中键入“$A$23”(绝对引用A23单元格)、勾选“三维阴影”选项。

(2)复制并粘贴为两个单选按钮,修改控件的标签为“数量折扣”、“允许缺货”。

(3)将三个单选按钮放置于“特殊采购”分组框内。若选择“陆续到货”项,A23单元格将显示“1”;选择其他项则显示“2”或“3”,这是单选按钮的设计代码。

4. 选项代码值转换为智能文本

键入C11单元格的条件函数IF公式,将设计代码转换为智能文本:“=IF(A23=1,"陆续到货采购",IF(A23=2,"数量折扣采购","允许缺货采购"))”,如图上部的编辑框所示。

公式的含义是:设计代码为1显示“陆续到货采购”,若为2则显示“数量折扣采购”,否则显示为“允许缺货采购”。

注意:Excel公式或函数的标点,应使用英文符号且不能有空格,只有英文双引号内才能使用中文、中文标点符号和空格(下同)。

5. 设置数据序列的选择值

(1)选定C3单元格,单击功能区“数据/数据工具/数据有效性”进入“数据有效性”界面。在“设置”卡的“允许”中选择“序列”,在来源中键入“公斤、件、台”等存货实物计量单位(用英文逗号分隔不同的计量单位),勾选“提供下拉箭头”;在“输入信息”卡键入“请选择”;在“出错警告”卡选择“停止”样式,并键入“请修改”为标题和“该计量单位不存在,请先在来源中设置”为内容的警示。

设置完成后,选定该单元格时将显示“请选择”的提示框和下拉箭头;通过下拉箭头可选择在此预先设置的计量单位;若输入或选择的字符有错,将弹出标题为“请修改”的警告界面,直到修改正确为止。

(2)类似地,设置C4单元格的序列值为“元、百元、千元、万元”等金额单位。

6. 序列值选择后的智能显示

(1)选定C3单元格(假设序列值选择为“件”),点击功能区的“开始/数字”组右部的“设置单元格格式”按钮进入“单元格格式”界面,在“数字”卡中选“自定义”、在右部的类型框中键入“"实物:"@”(@符号前的文本字符要用使用英文的双引号);单击“确定”按钮后将显示为“实物:件”,如图所示(单元格中保存的仍为原来的选择值“件”)。

(2)类似地,在C4单元格中设置自定义格式为“”金额:"@”。

7. 序列值与选项代码转换为智能文本

(1)键入A12单元格公式“=”待决策:采购批量/"&C3”、A13单元格公式“="年进货费用/"&C4”;即用“&”文本运算符,连接英文双引号中的字符和被引用单元格的保存值(如C3单元格的显示值是“实物:件”,而保存值是“件”,此处运算的是保存值)。

(2)键入A18单元格公式“=IF(A23=3,"年最大缺货量/",&C3,"")”;这是条件函数IF与文本运算的联合公式,其含义是:若A23单元值为3 (允许缺货),则显示英文双引号中的字符和C3单元保存值,否则显示为空(无文字)。

(3)类似地,键入A14:A17单元区域公式。设置完成后将有图中的显示,它们随C3、C4单元格或单选按钮的选择而智能更新。

三、滚动条的智能转换与自动提示

1. 滚动条控件的设计

(1)在“开发工具”的“表单控件”中点击“滚动条”按钮,在A6单元格中拖动一个控件;再复制并粘贴产生其他8个滚动条控件。按下Ctrl键并单击该控件进入编辑状态(控件四周有6个小圆圈),拖动他们到各自的单元格中,并调整各控件的大小、位置。

(2)右击A8单元格的滚动条选择“设置控件格式”命令,在“控制”卡中键入最小值“10”、最大值“900”、步长“1”、页步长“5”、单元格链接“$A$8”(绝对引用该滚动条所在的A8单元格),勾选“三维阴影”;单击“确定”按钮后,A8单元格将显示键入的最小值。单击A8单元格控件的左右箭头,则采购单价(A8单元值)将增减1,单击控件上空白滑槽,则采购单价增减5,变动极值为10～900。

(3)右击B10单元格滚动条选择“设置控件格式”命令,在“控制”卡中键入最小值、最大值、步长、页步长为:1、260、1、10,单元格链接为$B$25,勾选“三维阴影”;单击“确定”按钮后,此滚动条的值(设计代码)没在B10、而在B25单元格中显示。

(4)类似地,根据存货的成本、费用、单价、商业折扣与天数等可能变动情况,设置其他7个滚动条的最大值、最小值、步长、页步长,并勾选“三维阴影”。对于A6:C6这3个滚动条的“单元格链接”,应绝对引用为该控件所在的单元格;对于B8、C8、A10、C10这4个滚动条的“单元格链接”,分别应为:$B$23、$C$23、$A$25、$C$25。

2. 滚动条设计代码的智能转换

(1)键入B10单元格的条件函数IF公式“=IF(A23=2,B25/1000,"")”;其含义是:若A23单元格的值为2 (数量折扣),则用B25除以1000,否则显示为空。再选定B10单元格,分别单击功能区“开始/数字”组中的百分比按钮、增加小数位数按钮各一次。

设置完成后,在“数量折扣”类型下,将在B10单元格显示商业折扣率,单击B10单元格控件左右箭头,B25增减1而B10则增减0.1%;否则B10单元格不显示内容。

(2)键入B8、C8、A10、C10单元公式:=IF(A23=1,B23,"")、=IF(A23=1,C23,"")、=IF(A23=2,A25,"")、=IF(A23=3,C25/10,"")。

3. 用颜色自动提示滚动条不可用

选定B8:C8,按下Ctrl键再选定A10:C10单元区域,单击功能区“开始/样式”组中“条件格式/突出显示/等于”命令,在左部键入“=""”;在右部下拉框中点击“自定义格式”,并在“填充”卡中选择“橙色”。

设置完成后,若某个单元格没有内容显示,则用橙色填充。从而智能提示:底色(白色)显示的单元格中的滚动条设置的数值有效,橙色显示的单元格中的滚动条设置值无效。

注意:Excel 2003不能对单元区域进行条件格式设置。所以,对这5个单元格,应分别选定后按上述方法进行条件格式设置。

四、存货批购计算与逻辑错误警示

1. 自动计算存货采购批量

(1)公式说明。采购批量是指能使一定时期内存货的全年决策成本达到最低的每次进货数量。用Q表示采购批量,A表示全年需用(销售)量,B表示每次进货费,C表示单位年储存成本,d表示日均需用(销售)量,e表示订货后日到货量,f表示单位缺货损失,g表示采购类型系数,QS表示全年最大缺货量。则:

式中,正常采购的g为1、陆续到货的g为e÷(e-d)、允许缺货的g为(C+f)÷f。

(2)用平方根函数SQRT在B12单元格键入正常批购量公式

“=SQRT(2×A6×B6/C6)”。

(3)键入C12单元格的特殊批购量公式“=IF(A23=2,A10,SQRT(2*A6*B6/C6*(IF(A23=1,C8/(C8-B8),(C6+C10)/C10))))”。

2. 自动计算采购成本与费用

(1)公式说明。用TC表示决策成本,h表示商业折扣率,P表示采购单价,则:

式中,PA或PA×(1-h)表示采购货款,A/Q表示全年采购次数,AB/Q表示全年进货费用,QC/2表示全年储存费,表示全年进货费、储存费与缺货损失总和。

(2)键入B13、C13单元格的全年进货费公式:

“=A6*B6/B12”、“=A6*B6/C12”。

(3)键入B15单元格的正常采购货款公式“=A6*A8”;键入C15单元格特殊采购货款公式“=IF(A23=2,A6*A8*(1-B10),A6*A8)”。

(4)键入B16单元格的正常采购全年决策成本公式“=B15+SQRT(2*A6*B6*C6)”;

键入C16单元格的特殊采购全年决策成本公式“=C15+IF(A23=1,SQRT(2*A6*B6*C6*(1-B8/C8)),IF(A23=3,SQRT(2*A6*B6*C6*C10/(C6+C10)),A6/C12*B6+C12*C6/2))”。

(5)键入B14、C14单元格的储存及缺货费公式:“=B16-B15-B13”、“=C16-C15-C13”。

3. 舍入函数与信息显示

(1)选定B12:C16单元区域,单击功能区“开始/数字”组的“千位分隔符”按钮一次、“减少小数位数”按钮两次。

Excel中的输入值、显示值与保存值是有区别的。如在D1单元格键入“=8/3”,单击千位分隔符后显示为“2.67”,再在D2单元格键入“=D1*3”将显示“8”而不是“8.03”。用四舍五入函数ROUND、取整函数INT等,可使单元格的显示值等于保存值。

(2)键入B17单元格选择批购量的公式:“=ROUND(IF(C16

(3)键入B18单元格的全年缺货量公式:“=IF(A23=3,INT(C12C6/(C6+C10)),0)”;其中“INT(C12*C6/(C6+C10))”的含义是:将公式的计算值取整数而舍去尾数。

(4)键入B19单元格四舍五入后保留两位小数的公式“=ROUND(A6/B17,2)”,B20单元格的取整公式“一INT(360/B19)”。

(5)键入C17单元的字符与条件函数公式“="说明:"&C11&IF(A23=2,"。没有","。不")&C11&ROUND(B12,0)&C3&","&ROUND(A6/B12,2)&"次"”,以智能提示决策信息。

4. 逻辑错误的自动警示

根据存货批购原理,相关数据不应存在以下逻辑错误:“商业折扣量>年需用量<采购批量<定购后日到货量≤日需用量”。

(1)选定A10单元格,单击功能区“开始/样式/条件格式/管理规则”,进入“条件格式规则管理器”界面。单击上部“新建规则”按钮进入“新建格式规则”界面,选择上部“只为包含以下内容的单元格设置格式”;选择或键入中部的单元值大于“=$A$6”;点击下部“格式”按钮,并在“字体”卡中选择“单下划线”和“删除线”,在“填充”卡中选择“橙色”。

设置完成后,用滚动条选择出现“A10>A6”时,A10单元格自动警示为:用橙色填充整个单元格,数值上显示下划线和删除线。

(2)类似地,设置“A6C12”的条件格式。

五、组合框与动态圆柱图的设计

1. 设计组合框

(1)在“开发工具”的“表单控件”中点击“组合框”按钮,在B21单元格中拖动一个控件;按下Ctrl键并单击该控件进入编辑状态(四周有6个小圆圈),调整其大小、位置。

(2)右击该控件选“设置控件格式”命令,在“控制”卡中的数据源区域中键入“$A$13:$A$16”、单元格链接中键入“$A$27”、勾选“三维阴影”选项。

设置完成后,单击组合框下拉箭头,可选择数据源区域的各选项,并在A27中动态显示该选项在源区域中的序号(设计代码)。

2. 设计圆柱图的设计代码

(1)在B27、B28中键入“=B11”、“=C11”,以动态显示单选按钮的不同选择。

(2)键入C27、C28单元格的公式:“=IF(A27=1,B13,IF(A27=2,B14,IF(A27=3,B15,B16)))”、“=IF(A27=1,C13,IF(A27=2,C14,IF(A27=3,C15,C16)))”。其含义是:根据组合框的不同选择,动态显示其成本费用额。

3. 插入并编辑堆积圆柱图

(1)选定B27:C28区域,单击功能区“插入/图表/柱形图/堆积圆柱图”按钮,工作表中将插入圆柱图;上部功能区也将自动增加“设计”、“布局”和“格式”3个图表工具。

(2)单击插入图表右部的“系列1”并按下键盘上的Del键将其删除;同样地,将其主要网格线删除。

(3)选定圆柱下的基底(四周出现4个小圆圈),单击功能区“布局/当前所选内容”组中的“设置所选内容格式”,将“填充”卡的“纯色填充”选择为“茶色”;“三维旋转”卡的X、Y修改为“100”,深度修改为“85”。

(4)选定圆柱(两个圆柱四周出现6个小圆圈),单击功能区“格式/形状样式”组中的“其他样式”,选择“强列效果”。单击功能区“布局/当前所选内容”组中的“设置所选内容格式”,将“系列选项”卡中的系列间距、分类间距修改为“20%”。单击功能区“布局/标签”组中的“数据标签”,选择“显示”。

(5)选定圆柱上显示的数据,单击功能区“布局/当前所选内容”组中的“设置所选内容格式”,设置数字格式的小数位数为“0”。

(6)选定圆柱图下部水平轴文字,通过功能区“开始/字体”组,设置字体、字号。再设置圆柱图左部垂直轴文字的字体、字号。

4. 隐藏设计代码

选定绘图区拖动其四周的调节柄,对整个图形的大小进行调整;然后拖动绘图区将其放置于A21:C29单元区域上从而将本智能模型的设计代码隐藏于圆柱图后部。

智能模型 篇2

本方案如上图所示，由尺寸60*60*55CM的别墅模型作为依托，外观精美、档次高档，模型内嵌入了现在家庭中都会用到的电视、电灯、空调、窗帘、安防、报警、车库、门等，保留所有实际功能，即缩小版的家庭别墅。各个之间用手机或电脑就可以进行远程控制。提供通信协议，让学生，自己发送简单指令达到自己想要的效果，及数据反馈。本产品更适用于展示智能家居的概念。

1.尺寸：60*60*55CM

2.功能：电视、空调、路灯、室内灯、电动窗帘、电动平移门、电动车库门、红外、报警等。

利用手机、电脑可以控制电视机、空调的开关、调试等；路灯、室内灯的开关；窗帘的开关；电动门的开关；车库门的开关；人体红外报警等。

3.用手机对全宅进行控制（直观体验快速响应，零延时）； 4.窗帘、门、红外、可燃气体、室内温度与报警器的联动，5.预留第三方兼容接口，有RS232、485、开关量、模拟量、红外等，可以自己动手加入监控、门铃、背景音乐等

6.拓展模块zigbee区域，方便于教学，采用可拆卸式zigbee区域，zigbee采用最新的德州仪器CC2530方案，此芯片的优点就不必说了吧。温度传感器、湿度传感器、光敏传感器、可燃气体传感器、红外传感器、继电器执行器等采用20针，可任意插拔，方便老师教学讲解。

拓展Zigbee区域功能：监控室内外温湿度值、光照值；厨房可燃气体监控、排风，人体红外报警等（需要电脑支持）。

物联网沙盘套件特点和优势：

1、安全性：系统各节点及控制设备低压供电和电池供电，专注可靠性设计，机械装置固定牢固沙盘布局科学合理。

2、稳定性：硬件高可靠性设计，通讯模块使用专业仪器测试，软件程序性能优化和运行可靠。

3、便捷性：节点可移动，灵活拆分，灵活组装，连线设计方便快捷，传感器和控制系统操作便捷，学生学习，体验，实验方便快捷。

4、美观性：沙盘设计有专业设计师设计，美观大方，软件代码优化。

5、技术先进性：沙盘包含多个物联网技术环节，在物联网技术积累的经验，确保系统先进性。

智能模型 篇3

摘 要：针对城市公共交通系统中公交优化调度问题的具体特征，提出一种基于状态空间模型的实数编码智能优化算法（SIA）。SIA引入遗传算法（GA）的基本理念。通过构造状态进化矩阵来指导算法的搜索方向，再通过选种池的优胜劣汰的选择机理来实现算法朝最优解逼近。将该算法与GA分别应用到公交优化调度问题中，考虑发车时间间隔的约束，建立以企业和乘客的利益最大化为目标的数学模型。实例仿真结果表明，SIA在寻优精度和计算量方面优于GA，验证了该算法的有效性。

关键词：公交调度；时间间隔；状态空间模型；状态进化矩阵；选种池

中图分类号：U491.2TP18 文献标识码：A

Abstract：An intelligent optimization algorithm with real strings based on state space model （SIA） was presented to solve bus dispatching problem in urban public transport system. The basic idea of genetic algorithm （GA） was introduced to SIA. The state evolution matrix was constructed to guide the search direction of the algorithm， then through the selection mechanism of selection pool to approach optimal solution. This algorithm and GA were applied to the public transport optimization dispatching problem. Mathematical model was set up by considering the time interval，and the benefit maximization of enterprises and passengers. The results of example simulation show that SIA is better than GA in optimization accuracy and amount of calculation.

Key words：pubic transport dispatching；time interval；state space model；state evolution matrix； selection pool

1 引 言

随着现实世界中交通拥堵情况日趋严重，调节城市公共交通运营工作成为舒缓交通状况、改善城区生活质量的重要手段之一。城市公共交通运营工作可以转化为公交优化调度问题进行处理，而本文以公交线路发车间隔的设定来进行公交优化，即要求在一个调度周期（公交线路一天的运营时间）内，根据车流情况，在满足整体社会效益和经济效益的情况下，优化各时段的发车时间间隔，以使得公交公司和乘客花费成本最低。随着对公交优化调度问题研究的不断深入，国内外许多学者提出了大量方法来解决该问题，取得了一定的成果。如Qing和Han[1-2]等人从发车间隔对公交系统的影响出发，提出用遗传算法进行公交车发车时间间隔优化；Gong和Cheng[3-5]等人了改进型遗传算法用以优化发车频率问题；文献[6]通过两种算法融合，采用优势互补的特点为优化公交调度问题提供了一种有效途径；文献[7-9]则分别介绍了不同算法在求解公交调度问题最优解过程中的方法。

以上所提及的优化方法对于本文进行优化公交车调度问题具有重要的指导意义。本文提出一种基于离散系统状态空间模型的实数编码智能优化算法[10]。由于状态空间模型的引入不仅能把种群信息以最小信息形式描述出来，而且还能清楚显示算法迭代寻优过程中个体的状态变化，因而该模型可以将问题的求解过程表示为动力学求解过程。基于此，该算法通过构造一个状态进化矩阵来替代遗传算法中的交叉与变异算子功能来产生一组进化解。通过选种池的选择作用产生较优解。相比于遗传算法易陷入早熟停滞、计算量大和局部搜索能力差等缺点[11]，本文提出的算法具有计算量较小、计算精度较高、计算速度较快等特点。最后给出一个公交车发车时间间隔优化实例，仿真结果验证了这种算法的有效性。

2 基于状态空间模型的智能优化算法

2.1 概述

近年来，国内外有不少学者热衷于用不同的方法来解决公交调度优化问题。其中，遗传算法成为人们寻求解决优化问题的重要途径，它通过迭代执行选择、交叉、变异三个遗传算子的遗传操作，使问题的解逐步向最优解方向靠近。本文提出的基于状态空间模型的实数编码智能优化算法是一种以离散系统状态空间模型为基础，引入遗传算法理念的优化算法。它将实数编码问题的解方便地以状态空间模型的方式表示，使得问题的求解过程更直观、高效。

基于状态空间模型的智能优化算法将问题的求解过程表示为离散系统的动力学求解过程，即X′（k+1）=GX（k）（1）其中，状态向量X（k）表示为第k代群体，它是一个N×M矩阵（N表示为种群中个体总数量，M为每个个体包含的变量数）。G为状态进化矩阵（N×N方阵），G的构造是本算法研究的核心内容，可以依照遗传算法的基本思想构造。本文以遗传算法的基本理念构造G，此矩阵替代了在遗传算法中起交叉、变异的遗传操作。本算法采用在约束范围内随机生成的方式来产生初始群体X（0），再通过G矩阵生成群体X′（1），即种群X（k）通过G矩阵生成新的种群X′（k+1）（k=0，1，….）。在种群X′（k+1）中判断其个体是否满足算法约束条件，若不满足，则需进行约束处理，再将包含X（k）与X′（k+1）的共2N个投入选种池。选种池是依照遗传算法中优胜劣汰的思想启发而设计，通过计算2N个个体适应度函数值选择适应度值较大的N个个体组成新一代群体X（k+1），再置X（k+1）为X（k），如此循环迭代，直到满足停机条件后结束，如图1所示。

3 SIA用于公交优化调度

3.1 公交优化调度问题的数学描述

1）模型假设条件

公交发车时间间隔模型的建立要考虑到多种因素的影响，如公交公司满意度、乘客满意度、运行环境等。在同一时段内，若发车间隔较短，公交公司发车次数较多，平均每辆车的载客量减少，环境污染指数升高，不利于公交公司的经济效益和社会效益；若发车间隔较长，乘客平均等待时间较长，乘客的时间损失较大，会影响乘客的情绪，车内人流拥挤，也会影响乘客的舒适度，从而进一步影响乘客一天的生活和工作质量，乘客损失费用较高；若公交车运行环境拥挤，平均每辆车走完全程耗时相对较多，影响公交公司和乘客的整体利益，应适当的调整发车间隔，以舒缓城市交通环境。综上所述，本文对此模型作如下假设：

（1）公车各时段运行环境良好，且营运期间无特殊状况发生；

（2）公车运行期间为恒速行驶；

（3）公车额定载客人数相同；

（4）公车运营一趟的成本为固定值；

（5）同一时段公车发车频率相同；

（6）各时段内到达站点的乘客服从均匀分布；

（7）将乘客上下车时间算入等车时间；

（8）全程实行统一票价，票价2元/人。

2）数学模型的建立

从以上仿真结果可以看出，在α=0.7的情况下，即充分考虑公交公司利益时，发车间隔明显比其他两种情况大；α=0.3时，充分考虑乘客利益，发车间隔明显比其他两种情况小，符合现实情况。同时，根据表2中的客流情况可以看出，时段1和时段4的客流量相对较大，在仿真结果中，这两个时段的发车间隔整体较其他时段小，达到了根据客流合理分配发车间隔的目的。对比GA和SIA优化的发车间隔及其对应的目标函数，可以看出SIA的优化结果明显优于GA，SIA有效性得到验证。

相较于传统遗传算法，SIA的优势在于，通过状态空间模型中矩阵的乘法操作来搜索可行域区间，替代了GA的交叉和变异操作，也在一定程度上减小了算法的计算量。同时，SIA采用实数编码，虽然需要对连续的可行域区间进行离散化，但离散化的计算量较小。而一般情况下，GA采用二进制编码，编码长度决定了算法的寻优精度，精度要求越高，算法编码越长，过长的二进制编码在解码的过程中大大增加了算法的计算量，影响算法效率。故在对寻优精度要求更高的情况下，SIA的优势更加突出。

5 结 论

本文针对公交车调度优化中传统智能算法的不足，提出了一种基于离散系统状态空间模型的实数编码智能优化算法。主要分析了SIA相较于GA在寻优精度和计算量方面的优势。仿真结果表明，在相同的算法条件下，SIA的优化结果明显优于GA，验证了SIA的有效性。参考文献

[1] 韩印.基于遗传算法的智能公交发车频率优化研究[J].计算机工程与应用，2008，44（33）：243-245.

[2] 覃运梅，王玲玲.基于遗传算法的公交发车间隔模型[J].交通标准化，2009，（2）：190-192.

[3] 龚成清.改进遗传算法在公交调度优化中的应用[J].微型电脑应用，2012，28（10）：48-51.

[4] 陈玲玲，苏勇.改进遗传算法在公交车优化调度中的应用[J].科学技术与工程，2009，9（12）：3567-3569.

[5] Jinling Du， Chunxiao Wang， Feng Zhang. Multi-objective Optimization of Bus Dispatching Based on Improved Genetic Algorithm[C]//2011 Seventh International Conference on Computational Intelligence and Security.China：IEEE，2011.

[6] Minan TANG， Enen REN， Chunyan ZHAO. Route Optimization for Bus Dispatching Based on Genetic Algorithm-Ant Colony Algorithm[C]//2009 International Conference on Information Management， Innovation Management and Industrial Engineering.China：IEEE，2009.

[7] 付阿利，雷秀娟.粒子群优化算法在公交车智能调度中的应用[J].计算机工程与应用，2008，44（15）：239-241.

[8] 王敏.免疫克隆算法求解公交发车频率问题[J].计算机应用研究，2010，27（12）：4483-4485.

[9] 白子健.快速公交线路组合频率优化的禁忌模拟退火算法仿真[J].计算机应用研究，2008，25（2）：355-358.

[10]李茂军，贾玲. 一种基于状态空间模型的进化算法[J]. 计算技术与自动化. 2014，33（2）：85-88.

智能变电站信息模型的讨论 篇4

IEC 61850标准是当前变电站自动化领域唯一的国际标准,自2004年翻译转化成DL/T860标准后,就成为国内变电站发展的指导性规范。该标准旨在提高系统的开发性、通用性和可扩展性,实现不同厂家不同设备之间的互操作[1,2,3],而信息模型则是其实现的关键和基础。

自2005年开始,由国家电力调度通信中心牵头,对国内主要厂家的设备进行了6次大范围的一致性测试,经多次协调和修改,各厂家基于IEC 61850标准的产品基本实现了互操作。经过数字化变电站的发展建设,各厂家的产品在制造报文规范(MMS)通信上已没有任何障碍,但在设备的数据模型上还存在较大差异,给变电站的建设和调试带来了困难。

2009年5月,国家电网公司发布了智能电网建设规划,发展建设智能变电站成为变电站发展的新方向。随着智能变电站试点工程的建设,一体化信息平台作为建设智能变电站的关键技术被广泛应用,而信息模型的统一则是该技术实现的关键。为进一步规范和指导智能变电站内部的信息模型,国家电网公司先后发布了《IEC 61850工程继电保护应用模型》[4]、《智能变电站继电保护技术规范》[5]等标准,以指导智能变电站的建设。但随着智能变电站内部设备和系统的增加,尤其是状态监测、辅助应用等设备的接入,虽在一定程度上充实了变电站自动化系统的内涵,提高了全站的自动化水平,但同时也带来了模型不统一、信息交互困难的问题。从智能变电站试点工程的建设情况来看,早期保护测控装置之间的互操作在国内主要二次厂家之间都能进行有效交互,且随着大量工程经验的积累,彼此之间的互操作性越来越强。新出现的问题主要集中在新增设备的模型,如状态监测设备厂家的监测信息等,此类信息因不同厂家在名称和属性定义上存在较大的差异,给全站的一致性测试带来了困难。为规范状态监测相关设备信息模型,国家电网公司于2011年发布了《基于DL/T860标准的变电设备在线监测装置应用规范》,在一定程度上为信息的标准化建设提供了指导,但仍需完善和补充。另外,变电站内部的电能质量监测设备、稳定控制装置和辅助应用设备等虽然在变电站内部使用了较长时间,但涉及的相关模型仍缺乏相关的标准。

本文以智能变电站当前发展建设的现状为基础,对变电站内部涉及的设备信息模型和公共数据类模型的应用现状进行分析和讨论,并对其下一步的发展方向进行了展望。

1 设备模型现状

模型的应用关键在于逻辑节点和数据对象,逻辑节点是组成各逻辑设备的基础,而数据对象是组成各个逻辑节点的基础,因此,模型的统一和规范主要针对逻辑节点和各节点类的数据对象。当前智能变电站内设备的信息模型主要涉及保护、测量、控制、状态监测4类,保护和测量控制类的相关模型标准可参考文献[4-5],状态监测类的信息模型参考文献[6-7]。在相关规范指导下,智能变电站相关设备的信息模型得到有效统一,为变电站设备之间的互操作、一致性测试及一体化信息平台构建提供了保证,但在具体工程实践中仍存在以下问题。

1.1 模型的缺失

保护类设备是实现电网运行安全的重要保障,为规范其模型,文献[4-5]针对不同电压等级变电站的特点,针对变压器保护、断路器保护、线路保护、母线保护等主要设备制定了统一的信息模型,这些模型的制定在一定程度上对变电站保护装置信息的交互提供了指导。但保护模型却不仅限于此,在全面建设智能变电站的同时,电抗器保护、电容器保护、小电流接地选线等装置的模型还没有相关规定。

1.2 模型的扩展

在智能变电站继电保护规范发布以后,智能变电站对保护提供了点对点的采样要求,这就给合并单元的模型带来了改变。新的合并单元要具有双AD的功能,因此导致了同样的逻辑节点TCTR(代表电流互感器)中,电流采样值信号Amp演变成了Amp1和Amp2以满足保护要求;随着智能变电站对合并单元提出新的要求,该设备还需具有面向通用对象的变电站事件(GOOSE)报文收发功能、电压并列和切换功能。GOOSE报文的发送用来传输合并单元的状态告警信息、AD采样故障信息等,同时要接收远方的电压并列和操作指令,因此合并单元内部需增加GO逻辑设备以实现报文的收发。

一次设备状态监测是当前智能变电站建设的新热点,大量状态监测设备的使用给智能变电站增添了大量数据,这些数据大都采用传统的私有协议模式,给全站信息的交互带来了困难,迫切需要制定相关规范对其信息模型进行规范。文献[6-7]针对开关状态监测、变压器状态监测、套管状态监测、避雷器状态监测、电容型设备状态监测和变电站环境监测等内容定义了统一的信息模型,在一定程度上规范了状态监测信息的接入。但由于不同厂家处理数据方式的不同,状态监测的原始数据以及对原始数据进行处理后的统计数据等相关信息还存在较大差异。因此,各厂家自行扩展的信息无法相互兼容,且在类似的统计数据中各厂家定义的数据对象属性也各不相同,如定义成整型变量、浮点类型等。

1.3 模型的一致性测试

由于当前信息模型中存在不同厂家自身扩展的信息,因此在一致性测试中仍然存在较多错误,需要检测人员进行人工判别。扩展的模型虽然未能在XSD(可扩展标记语言(XML)架构定义)约束文档中检测,但通过人工判断能够有效识别。

模型扩展导致扩充的数据对象类型经常报错,如自行扩展的数据类型不匹配等。

不同厂家都有各自定义的数据类型模板(DataTypeTemplate),同一厂家定义的LNType,DOType,DAType类型太多。以LNType为例,仅因为DOType对象有扩展,有些厂家会建立多个LNType,结果导致数据模板的容量非常大。当系统集成商汇集全站各厂家设备的ICD文件时,会发现整个工程文件相当大,其中绝大多数都被冗余繁杂的数据模板所占据,即使是国家电网公司统一定义的数据类型在不同厂家也有不同的版本,给整个调试带来了困难。而这些众多的数据模板类型则是一致性检测中发现问题最多的地方。

2 暂时缺失的设备模型

继电保护、测量控制和状态监测类的相关设备模型规范的发布为智能变电站信息模型的统一和规范起到了较好的指导作用。但在智能变电站建设过程中发现,仍有较多设备的信息模型并没有进行规范制定,如辅助设备、光伏系统、电能质量监测设备、稳定控制装置以及高级应用模型等,具体如下。

2.1 辅助设备模型

在智能变电站建设中,辅助设备通常是指那些并不直接关系到电网运行的相关设备,如交直流一体化电源或直流屏、光伏系统、安全防护等设备。

新建智能变电站中交直流一体化电源包括交流电源、直流电源、不间断电源(UPS)、逆变电源和通信电源等,在传统的变电站中存在独立直流屏设备,当进行智能化改造时也需要对其信息模型进行规范,以利于信息的统一接入。

光伏系统在智能变电站中作为新能源,目前主要用做站用电源的一部分,与大规模的光伏发电站相比,光伏系统的规模和容量较小,但目前该系统的测量数据、状态信息等并未有效进入站内的监控系统。目前IEC 61850第2版中新增了光伏系统的相关模型信息,迫切需要将其转换并形成国内标准。

在变电站同时存在着安全防护、消防、门禁、视频等众多辅助设备,这些设备与电网的稳定运行并没有直接的联系,但却与变电站的安全密切相关,尤其是在新建智能变电站均采用无人值班模式后,这些辅助设备的作用就显得更加突出。作为变电站的运行管理人员或者调度(调控)中心的人员,需要及时获取消防、安全防护、门禁等设备的异常告警信息并安排相关人员进行处理。为此,针对此类信息的接入也需通过相关设备建立模型。

2.2 电能质量模型

电能质量监测设备在目前的智能变电站建设中对其信息模型并未进行规范,一方面是因为该设备并未被大量应用,另一方面,一些厂家的测控装置已经具有电能质量监测的相关功能,但并未将数据上送。随着智能变电站整体水平的不断提升,电能质量监测的数据将接入一体化信息平台或一体化监控系统,因此其相关的信息模型也应规范和统一。文献[8]探讨了电能质量监测模型及具体实现,为今后电能质量监测装置的开发和应用提供了参考。

2.3 稳定控制装置

在传统变电站中,稳定控制装置被广泛应用,在数字化变电站建设阶段,这类稳定控制装置基于IEC 61850标准进行了升级,但由于缺乏相关规定和具体的要求,很多厂家的此类装置并未遵循IEC61850标准。随着智能变电站的发展建设,稳定控制类装置的信息也将统一接入,这关系到电网运行的安全和稳定,因此需要针对此类设备制定相应的标准规范,具体包括频率电压紧急控制装置、失步解列装置、低频低压解列装置和功率振荡解列装置,而这些目前均没有相关的模型规范。

3 未来发展

3.1 IEC 61850第2版

IEC 61850在第2版中对第1版所存在的含糊不清的内容进行了修改。第2版的名称也已从“Communication Networks and Systems in Substations”(变电站通信网络和系统)变成“Communication Networks and Systems for Power Utility Automation”(公用电力自动化事业的通信网络和系统)。这些都表明在未来电力领域,IEC61850将会得到更为深入和广泛的应用。在模型应用方面,主要是相关模型扩展应用于水电领域和分布式能源领域,未来甚至会向配电领域扩展,具体可参考文献[9]。而IEC 61850标准面向对象的建模思想在发布之初就被风电标准IEC 61400-25所采用,因此,以IEC 61850标准为基础的信息模型在变电站得到成熟应用和推广后,将扩展应用到整个电力系统。因此,整个智能变电站所涉及的信息模型也会更加完整和完善,尤其是在变电站与分布式能源、光伏发电等相结合的领域。

当前相关标准中所定义的模型均以设备为对象,即针对具体设备定义其具体的逻辑设备和逻辑节点,逻辑节点是信息模型的功能主体,这些也是IEC 61850标准模型定义的核心内容之一。逻辑节点中所包含的数据对象是组成其实体的关键,而不同厂家模型协调的主体就是相同逻辑节点的数据对象的扩充,数据对象又都源自公共数据类型,因此公共数据类型中所包括的才是最基础的数据属性。智能变电站当前所采用的数据对象都是沿用IEC61850标准所定义的,随着IEC 61850第2版的陆续发布,新增了一系列数据对象类,具体如表1所示。可见,在IEC 61850标准第1版中定义的公共数据类有29项,而在智能变电站实际使用了18项,具体可参考文献[4];之后针对信息模型的标准均以此为基础,仅文献[7]扩展了STG数据类型,但在实际工程中并未得到应用。IEC 61850第2版根据自身应用领域扩展的需求,新增了11项数据类型,这些都在IEC 61850-7-3第2版中有明确定义,这类数据类型国内目前正在消化整理,暂未工程应用。除此之外,在IEC 61850-6第2版中,装置配置模型文件中又有新的特点,即在公共数据类的类型描述时,又增加了STS,NTS,MTS,GTS,LTS,BTS,UTS,CTS等8类数据类型,但这些并未在IEC 61850-7系列标准中有具体定义和解释[10,11,12,13,14,15]。

注:SPS为单点状态信息;DPS为双点状态信息;INS为整数状态;ACT为保护激活信息;ACD为方向保护激活信息;SEC为安全违例计数;BCR为二进制计数器读数;MV为测量值;CMV为复数测量值;SAV为采样值;WYE为三相系统中相对地相关测量值;DEL为三相系统中相对相相关测量值;SEQ为顺序值;HMV为谐波值;HWYE为WYE谐波值;HDEL为DEL谐波值;SPC为可控的单点状态信息;DPC为可控的双点状态信息;INC为可控的整数状态;BSC为二进制控制步进位置信息;ISC为整数控制步进信息;APC为可控模拟设点信息;SPG为单点定值;ING为整数状态定值;ASG为模拟定值;CURVE为定值曲线;DPL为设备铭牌;LPL为逻辑节点铭牌;CSD为曲线形态描述;ENS为枚举型状态量;VSS为可视数组状态量;HST为柱状图;ENC为枚举型可控状态量;BAC为二进制可控模拟量;ENG为枚举型设置状态量;ORG为对象路径设置;TSG为时间设置组;CUG为当前定值组号;VSG为可视数组整定量;CSG为曲线形状设置。

表1中的IEC 61850第2版仍沿用的数据对象并非没有变化,相反,第2版在继承第1版的基础上,不仅结合实际进行了数据对象的扩充,同时针对已经广泛使用的数据对象的属性也进行了扩展,以DPL类为例,不仅增加了与设备有关的信息(设备供货商、软硬件版本信息、序列号和产品型号),还增加了与操作员相关的信息(包括位置、拥有者、电力系统名称)、全球定位系统(GPS)位置(包括经纬度和海拔)、时区信息和资产唯一标识码等。这些新增加的数据类型都是可选项,不必严格采用,同时这些数据类型是否符合国内使用情况也仍需考虑,国内对于此类新增的数据属性一方面可以继承,以确保与国际上一致,同时也可根据实际进行扩展,但必须由行业协会统一协调和制定。

3.2 IEC 61850与IEC 61970的协调

IEC 61850第2版增加了IEC 61850-80-1和IEC 61850-90-2来规范变电站与控制中心之间的通信,而这一问题的关键就在于变电站与主站之间的信息模型。IEC 61850-80-1基于变电站公共数据类实现与IEC 60870-5-101/104之间的信息交换。IEC 61850-90-2则是应用IEC 61850标准实现变电站与主站之间的通信,其关键仍然是信息模型。目前,国内外针对两者之间模型的协调也开展了一系列研究。文献[16-17]介绍了IEC TC57工作组2010年和2011年的工作近况,以及IEC TC57在模型协调上的工作进展,即通过IEC 61850向统一建模语言(UML)的转变使得IEC 61850与公共信息模型(CIM)协调取得了一定进展。文献[18]阐述了美国电力科学研究院(EPRI)在IEC 61850和CIM协调上最新的研究成果,即建立公共语义模型,通过在XML基础上用UML建立包容IEC 61850模型的新的类对象体系,促使CIM和IEC 61850的相互理解。文献[19]对IEC 61850与IEC 61970之间的保护模型的协调进行了研究,通过在原理层针对IEC 61970增加量测和保护设备的关联,扩展新的保护设备模型,在原理层针对IEC 61970增加与IEC 61850逻辑节点队形的基类,并以此为基础扩展和量测与设计层模型相关的数据类来实现保护模型的协调。文献[20]针对IEC 61850和IEC 61970之间的模型协调方案进行了评析,分析了模型映射、无缝通信体系、直接统一模型和公共语义模型4种实现方式,认为公共语义模型是当前需要解决的核心和关键,而模型映射则是工程应用比较适合的方式。这些研究都为基于IEC 61850标准的信息模型向调度领域的延伸和扩展打下了基础。

3.3 功能模型的应用

智能变电站当前信息模型的使用现状和IEC61850第2版进行的改进、完善和延伸应用都是针对数据为载体,笔者认为今后信息模型应用的一个发展方向应是功能模型的应用,即将各种功能、应用中的过程信息、阶段性状态信息,以及运行信息等通用类的信息通过建立标准化模型来实现信息对外的统一展示和监视。以智能变电站高级应用中的顺序控制为例,由于顺序控制功能的定位比较明确,而且操作的流程及过程都有明确的定义,因此,IEC61850标准面向对象的建模思想就可应用其中,为顺序控制的过程信息和阶段性状态信息建立模型。例如:顺序控制的总操作数、当前执行的步数、失败的原因、暂停以及继续执行等功能信息均可采用类似IEC 61850报告控制模型的结构进行规范和定义,由此可以确保各高级应用功能在保证原理和实现方式存在差异的情况下实现各过程信息的统一和标准化。这样也符合智能变电站高级应用模块化的发展思路,由于各应用功能模型的统一,在模块化应用的情况下,不同厂家之间的高级应用模块可以自由替换,进一步提高了智能变电站的水平,有效确保了智能变电站的通用性和可扩展性,而这也是IEC61850标准在国际上进行推广应用的目的和宗旨。

4 结语

信息模型是变电站内部数据进行统一的基础,是实现信息标准化、通信网络化的基础,是一体化信息平台的实现基础,也是一体化监控系统的基础。信息模型的统一与否直接影响到全站信息的共享以及全站一致性测试的进度和效率。本文针对智能变电站信息模型当前使用的现状和存在的问题进行讨论,对站内信息模型的公共数据类进行了分析,并对其未来的发展进行了展望,能够为今后智能变电站的发展建设提供参考和指导。本文针对保护、测控等设备工程应用存在的模型缺失、模型扩展和模型一致性测试的现状进行了分析;对缺失的设备模型以及当前未定义的辅助设备模型、电能质量模型、稳定控制设备模型进行了讨论,笔者对这些缺失设备的模型的研究成果已融入国家电网公司制定的相关标准,目前正在报批中,相信能对智能变电站的发展建设提供有益的补充。

当然,随着智能变电站的不断发展和创新,站内所涉及的信息模型也需要不断进行修改、完善和扩充。当前已广泛使用的逻辑节点将会根据工程建设的实际需求进一步进行改进和完善,而新制定的信息模型在指导工程建设的同时也将面临现场的检验,将会根据工程应用中发现的问题进行修改。因此,信息模型的制定是一个动态过程,不仅需要定义标准统一的信息模型指导智能变电站的工程建设,同时需要通过工程建设中发现的问题对信息模型进行修改,通过不断的改进和完善,并由行业协会或国家相关部门牵头将其固化并形成最终的行业或者国家标准,以进一步指导和规范智能变电站的发展建设。

智能模型 篇5

本文分析了交通管理数据粒度的必要性,建立了粒度模型,阐述了对数据仓库中早期细节级、当前细节级、轻度综合级、高度综合级数据的分类管理及促使业务流程数据与决策信息形成有效流转情况.在此基础上.根据粒度化历史数据变动情况和查询统计要求,提出辅助决策数学模型和相关系统自动报警指标临界值.进一步分析了粒度模型在智能辅助决策IDSS中的应用.

作 者：张爱华  作者单位：广州市公安局交警支队科技设施处,广州,510640 刊 名：广东公安科技 英文刊名：GUANGDONG GONGAN KEJI 年，卷(期)： 17(3) 分类号：U4 关键词：智能交通   管理数据   粒度模型   IDSS  

智能模型 篇6

关键词 交易系统 ZI-C；交易价格；实验；概率；模型

中图分类号 F224.7 文献标识码 A

Model of the ZI-C Experiment for Double Auction System

LI Liang, DU Xin

(School of Economics and Management,University of Electronic Science and Technology of China,Chengdu,Sichuan 610054,China)

Abstract Simulation experiment is an important way for trading system research,and the system filled with zero intelligence with budget constraint(ZI-C) agents is commonly used as a benchmark for double auction experiments. This paper analyzed the classic ZI-C experiments, revealed the relationship between the price clearing process and the experimental settings, and quantified the trading process for each trader.A math model was proposed and theiteration algorithm was used to predict the probabilities of the transaction prices in trading process. The results show that the prediction is consistent with the outputs of the well known experiments,demonstrating that it is the mechanism of the ZI-C experiment that determines the price convergent process, not the market discipline itself. It also suggests that, in the ZI-C system, the auction market itself has no predictive power.

Key words double auction system ZI-C；trading price；experiment；probability；model

1 引 言在交易过程中，供需双方如何能够达到均衡，即市场的出清是交易系统中最本质的问题之一，也是学界长期关注的问题［1-2］.一般来说价格在一开始会处于不稳定的状态（很高很低），但经过一段时间会逐渐达到一个中间状态，并稳定下来.价格的这种过程，近似于马歇尔路径：即最高价和最低价最先匹配，然后是次最高价和次最低价，沿此路径最后到达一个中间的均衡价格.Nobel奖得主Smith最早提出了用仿真实验研究来揭示交易市场规律的思路［3］，其方法在以后几十年中被大量的实验所验证.在20世纪90年代Gode等人提出来了“零智能”ZI-C(zero intelligence with budge constraint)模型［4］，此模型已成为当今进行双向拍卖( Double Auction)研究的基准模型.按其结论，交易双方（的Agent）不需任何信息、不需任何经验、不需任何能力，只靠市场这只“无形”的手就可以达到交易的有效性，靠此模型可定性地描述了市场的能力.在模型中，买家的出价不得高于一个预先的估价，卖家的要价不得低于一个起码的成本.在此基础上，大量的学者力图通过其他一些“智能”和“非智能”的方法来研究交易的性能［5-7］，其中仿真是一种重要手段［8-10］.Zhan在其文献［11］中提出了K-ZI的概念.这里K的取值范围为0—1之间.当K=0时为纯ZI-C方式，当K=1时为不存在要价空间的完全真实报价方式.大多相关文献中均提到了市场出清时的均衡价格的形成现象（price convergence），并把此现象归咎为市场的自然规律（market discipline），即认为这与交易人的智力无关.均衡价格的形成过程被认为是以马歇尔路径为基础的.List［12］通过实证的方法说明了这种均衡的普遍存在性.但在其他的一些文献中，有学者如Brewer等则认为交易中人的智力起了决定性作用，因此他专门设计了一种交易机制［13］，并通过实验来证明马歇尔路径在此交易机制下的无效性.实际上无论是市场还是人对交易都可能有些作用，人的作用依赖于人的智商，但在ZI-C交易模型中的市场本身并不具有任何价格调节作用.

在“零智能”情况下，市场的作用究竟有多大或者说其性能如何，目前主要是通过仿真实验来描述出来的.由于ZI-C模型系统中，人为智商因素被完全排除，故它可能是研究市场本身能量的最佳系统.实验设计（包括环境和参数如何选取）是决定实验结果的重要因素.在多数的ZI-C实验中，人们使用的是无补充模式：仿真中交易Agent的数量是有限的，当一个买家Agent和一个卖家Agent一旦匹配成功，它们将立刻退出交易.因此在实验中的交易Agent的数目将越来越少，而这并不一定符合真实交易市场的情况.为此Brewer对上述实验进行了改造（补充模式）：成交后的Agent并不立刻退出市场，而是更新状态后继续等待以后的匹配交易，这样实验中的Agent数量会始终保持不变.Brewer的实验结果表明ZI-C中市场并不一定具有（许多学者认为的）调节的能量，而Agent本身的行为是决定成交的主因素.从其他许多文献（如［10］）中也可以看出，ZI-C交易模型中市场本身的作用一直存在争议.

不同于已有的、大量的交易系统的仿真实验，本文的工作不是做实验而是对实验本身进行分析.将对ZI-C的实验建立一个数学模型.通过理论证明和迭代计算，本文模型可以预测出实验机制下价格形成的轨迹，量化价格出清的过程.即不需做实验就可以计算出实验将会产生的结果.实际上模型计算的结果也可以反过来说明实验设计的合理性和有效性.

2 实验模型的设计

考虑一种完全ZI-C（即0-ZI）实验的模型（无补充模式）.此类实验由于它的基准性，已被大量用于研究双向交易问题.在此机制下有2组成员：买方、卖方，且买卖时不分优先经 济 数 学第 28卷第1期黎 亮等：带约束的零智能交易系统的实验模型的研究

级；同普通的双向交易模型一样，任何时候只要任何买方的出价不低于任何卖方的报价，则可以立刻成交.本文模型对标准的CDA交易略加简化，假设所有买卖匹配都由市场方进行串行（按时间或其他方式随机排序）匹配，匹配上的（即买价不小于卖价）双方退场，没有匹配上的则有机会继续参加下一轮匹配.此模型可以很好地模拟一些简单的电子交易系统.其目的是想从模型的输出记录中分析价格出清的过程.模型具体表述为：

假设有N个卖家（S1-SN），成本从小到大分别为（C1-CN）.假设有N个买家（B1-BN），能够承受的价格从小到大分别为（V1-VN）.卖家i的要价在［Ci-SMAX］之间作均匀分布,买家j的出价在［BMIN-Vj］之间作均匀分布.为了便于仿真计算，假定一种可能完全成交的情况(同于文献［3］中描述的情况)：

BMIN≤C1≤ V1≤C2≤V2 ≤…… ≤CN≤

VN≤SMAX.

在执行交易时简单起见，每次从所有尚未成交的卖家中任意选出一个和从所有尚未成交的买家中任意选出一个进行匹配，若成功则此二家退出，若不成功则它们再参加下一次可能的匹配，此过程反复进行.

设PSt(i)为在t时刻（第t轮）中第i个卖家仍未成交（仍在市场中进行交易）的概率.设PBt(i)为在t时刻（第t轮）中第i个买家仍未成交的概率.在刚开始时，都无成交，故有PS0(i)=1，PB0(i)=1.设MR(i,j)为卖方确定为i和买方确定为j时，双方成交的可能性，则MR(i,j)的求法有二种：从卖方出发和从买方出发.若从卖方出发，则MR(i,j)为

1SMAX－Ci+1×∑Vjw=CiVj－w+1Vj－BMIN+1. （1）

若从买方出发，则MR(i,j)为

1Vj－BMIN+1×∑Vjw=Ciw－Ci+1SMAX－Ci+1.（2）

把式(1）和式(2）展开后，可知它们完全一样，都可表示MR(i,j)为

(Vj－Ci+1)×(Vj－Ci+2)2×(SMAX－Ci+1)×(Vj－BMIN+1).（3）

在t+1轮的交易中，第x个卖家仍然没有成交的概率应为

PSt+1(x)=PSt(x)－

PSt(x)×∑Nj=x［PBt(j)×MR(x,j)］∑Nk=1PSt(k)×∑Nk=1PBt(k) ,（4）

其中，PSt(x)∑Nk=1PSt(k)为这一轮中卖家x被从全体卖家选出的概率；而∑Nj=x［PBt(j)×MR(x,j)］∑Nk=1PBt(k)为卖家x同各买家能够匹配中的概率.同理第y个买家仍然没有成交的概率应为

PBt+1(y)=PBt(y)－

PBt(y)×∑yi=1［PSt(i)×MR(i,y)］∑Nk=1PSt(k)×∑Nk=1PBt(k).（5）

对于无补充模式1ZI系统来说，有MR(i,j) = 1（即1ZI是0ZI的特例）.

对于Brewer所提的补充模式，其模型非常简单.买家和卖家的PSt(i) 和 PBt(i)都是恒定的.

卖家x成交的机率始终为 ∑Nj=xMR(x,j)N . 买家y成交的机率始终为 ∑yi=1MR(i,y)N.

3 实验模型的机制分析

从式(4）和式(5）可知 PSt+1(x)＜PSt(x)和PSt+1(y)＜PSt(y).即随着交易的进行，对每个买家和卖家来说，其仍未成交的机率会越来越小.再者，由于SMAX≥ Vj≥Ci≥ BMIN (当i≤ j时)，可以从式(4）推断出

PSt+1(x)PSt(x)PSt+1(x+1)PSt(x+1)＜1

和 PSt(x)t→

0. （6）

式( 6）说明了当x越小（即卖价越低），其仍未成交的概率会衰减的越快；当t较大时，PSt(x)会迅速趋于零.同理，也可以从式(5）推断出

PBt+1(y)PBt(y)PBt+1(y+1)PBt(y+1)＞1和 PBt(y)t→

0. （7）

式(7）说明了当y越大（即买价越高），其仍未成交的概率会衰减的越快；当t较大时，PBt(y)会迅速趋于零.

若考虑式(4) 和式(5)的右上角，可发现

∑Nx=1［PSt(x)×∑Nj=x(PBt(j)×MR(x,j))］

=∑Ny=1［PBt(y)×∑yi=1(PSt(i×MR(i,y)］.

故可以接着导出

∑Nx=1(PSt+1(x)－PBt+1(x))

=∑Nx=1(PSt(x)－PBt(x)).

由于 ∑Nx=1PS0(x)=∑Ny=1PB0(y)

∑Nx=1PSt(x)=∑Ny=1PBt(y).（8）

式(8)说明在任意时刻全体买家和全体卖家的未成交率都是相等的，这显然合乎逻辑，并反过来映证出了上面其他公式的正确性.随着t的增大，式(8)二端将越变越小.既在刚开始时，买卖成交总的可能性大；越往后面，双方成交的机会将越小.

据上可知，在t+1时刻(t+1)轮，卖家x的发生交易的可能性match_s(x)为

PSt(x)∑Nk=1PSt(k)×∑Nj=x［PBt(j)×MR(x,j)］∑Nk=1PBt(k). （9）

而在t+1时刻(t+1轮)，买家y的发生交易的可能性match_b(y)为

PBt(y)∑Nk=1PBt(k)×∑yi=1［PSt(i)×MR(i,y)］∑Nk=1PSt(k). （10）

假若在t+1时刻 (t+1轮)可能成交，在所有卖家中相比，卖家x成交几率的相对可能性为

match_sr(x)=match_s(x)∑Ni=1match_s(i).（11）

式(11)中，∑Nx=1match_s(x)为在t+1时刻(t+1轮)的总成交概率.

同样假若在t+1时刻(t+1轮)可能成交，在所有买家中相比，买家y成交几率的相对可能性为

match_br(x)=match_b(x)∑Ni=1match_b(i).（12）

式(12)中，∑Nx=1match_b(x)为在t+1时刻(t+1轮)的总成交概率.

从式(4）、式(5）和式(8）不难推出 ∑Nx=1match_s(x)= ∑Nx=1match_b(x).因此，式(11）和式(12）的实质是一样的，下面只讨论式(11）中卖家的情况.

4 实验模型计算结果的分析

图1中有11个卖家和11个买家.（注：在文献［3］实验中，也使用了11来作为买卖双方的数量.）在图中的纵轴表示当成交时，恰好是某卖家x的概率.当x=1时，该卖家要价最低；当x=11时，该卖家要价最高；当x=6时，该卖家要价为均衡值.图中的横轴表示第几轮匹配（即第t轮的迭代计算）.从图1中可以看出，刚开始时，若有成交，则要价最低的卖家（x=1），成交可能性最大（即match_sr(1) 最大）；而要价最高的卖家（x=11），成交可能性最小（即match_sr(11) 最小）；其他的卖家成交的可能性按序介于其间.随着交易的进行，即随着t的增大，绝大多数卖家成交的可能性都逐渐趋于0，其中要价最低的卖家渐趋于0的速度最快.这时唯一的成交可能性大的卖家只有一个（x=6），其要价是所有要价的均衡值（competitive equilibrium）.这说明随着t的增大，市场上可能的成交价将最可能是（当t=55 000时，概率约为94%）要价的均衡值.另外也可以看出其成交过程中的价格的概率走势基本符合马歇尔路径，同文献［3］的实验结果基本吻合，也符合Gode等人实验的结论.

图111个买家 和11个卖家的0ZI交易

（无补充模式）

图2是1ZI模型(即完全真实报价、要价)的价格走势，同样分别是11个买家和卖家，可看到其价格的形成情况同图1基本一样，但其收敛于平衡点的速度要快得多.（当t=200时，x=6的概率约为94%）这说明当买卖双方都用真实的价格进行交易活动，则市场的效率要高得多.

图 2 11个买家 和11个买家的1ZI交易

（无补充模式）

图3的方法同第一个完全一样，但分别使用了20个卖家和买家，用C#程序模拟的迭代次数达2 400万次.同上面一样可知，当x=1时，该卖家要价最低；当x=20时，该卖家要价最高；当x=10时和x=11，该卖家要价为均衡值.（注：由于卖家数为偶数，故有二个均衡值）从图3中可以看出，随着交易的进行，即随着t的增大，绝大多数卖家成交的可能性都逐渐趋于0.其中要价最低的卖家渐趋于0的速度最快.在t为80万时成交可能性有显著性的卖家只有二个（x=10和x=11），其要价是所有要价的均衡值.再随着t的增大，由于x=10的卖出的可能性更大，在市场上留下的将是唯一的一个均衡值x=11.（x=10同x=11相比，呈现出先高后低的现象）

图320个买家 和20个卖家的0ZI交易 （无补充模式）

图4同图1一样有11个卖家和11个买家，但不同的是采用了Brewer所提出的补充模式.图4中仅列举了前4位，可以看出所有交易者的成交的几率都是恒定的.

图4 11个买家 和11个卖家的0-ZI交易 （补充模式）

5 结束语

本文针对ZI-C交易系统实验提出了一种概率计算模型，然后通过其中机制的分析和迭代计算，得出了ZI-C机制下各时刻产生各种价格的概率.此方法与以往交易系统的仿真实验思路不同，另外它还可以推广到更广义的交易系统模式的分析中.从前三个模型计算的结果来看，系统最后的成交价格将趋于均衡值，并且其形成路径总的说来是大致遵从马歇尔路径的；即本模型的预测同许多著名的ZI-C实验的结果完全吻合，这说明了本文模型的合理性.从计算仿真结果中量化了ZI-C类型交易中的价格形成过程.最后一个图展示了Brewer一派的观点，即ZI-C交易系统本身对价格的形成过程和发展并不产生作用.

从本文计算模型的结果可以看出，首先ZI-C交易系统实验可以用数学模型来表达，即数学模型可以预测实验的结果，因此反过来交易系统实验的有效性、合理性可以通过实验模型的分析来确认.其次，交易系统仿真实验的机制可以决定实验的结果.从本文分析来看，由于多数的ZI-C实验都使用了无补充模式，造成人们把实验机制产生的马歇尔路径现象归结为交易市场的作用，所以本文的结论更倾向于Brewer一派的学说，即纯的零智能交易系统本身并不具有决定市场交易的能量.本文的实验模型对交易系统的机制设计具有一定的参考意义.

参考文献

［1］ A Rubinstein.Competitive equilibrium in a market with Decentralized Trade and Strategic Behavior: an Introduction". In: G. Feiwel (ed.) The Economics of Imperfect Competition and Employment［M］. New York University Press, New York,1989.

［2］ A Bosch-Domenech,SSunder.Tracking the invisible hand:convergence of double auctions to competitive equilibrium［J］.Computational Economics, Springer, 2000, 16(3):257-284.

［3］ V L Smith.An experimental study of competitive market behavior［J］. The Journal of Political Economy, 1962, 70(2): 111-137.

［4］ D K Gode,S Sunder.Allocative efficiency of markets with zero-intelligence traders: market as a partial substitute for individual rationality［J］. The Journal of Political Economy, 1993, 101(1): 119-137.

［5］ L Y Chu,Z MShen.Agent competition double-auction mechanism［J］. Management Science, 2006, 52(8): 1215-1222 .

［6］ M G Daniel,J D Farmer,GIori,et al.How storing supply and demand affects price diffusion［R］. 2001, http://xxx.lanl.gov/cond-mat/0112422.

［7］ P Huang,A Scheller-Wolf,K Sycara.Design of a multi-unit double auction e-market［J］. Computational Intelligence, 2002, 18(4):596-617.

［8］ S Park,E HDurfee,W PBirmingham.An adaptive agent bidding strategy based on stochastic modeling［C］//Proceedings of the Third International Conference on Autonomous Agents, 1999:147-153.

［9］ M P Wellman,JHu.Conjectural equilibrium in multiagent learning［J］.Machine Learning, 1998, 33(2/3):179-200.

［10］M L Calzi,MMilone,PPellizzari.Allocative efficiency and trader’s protection under zero intelligence behavior［R］.Venice: Department of Applied Mathematics, University of Venice,2009.

［11］W J Zhan,J LZhang,JYang. k-ZI: a general zero-intelligence model for continuous double auction markets［J］.International Journal of Information Technology and Decision Making, 2002, 1(4):673-691.

［12］J A List,D LMillimet.The market: catalyst for rationality and filter of irrationality［J］.The B.E. Journal of Economic Analysis & Policy,8, Article 47. 2008 DOI: 10.2202/1935-1682.2115.

［13］P J Brewer,MHuang,BNelson. PLOTT CR.On the behavioral foundations of the law of supply and demand: human convergence and robot randomness［J］.Experi Kental Economics, Springer, 2002, 5(3): 179-208.

针对惯犯的智能侦查研判模型研究 篇7

在实际案件中,惯犯通常具有一定的反侦查意识,他们会在作案后清除在案发现场留下的活动痕迹。在案发现场没有留下有价值线索的情况下,公安机关只能根据案发前与案发后嫌疑人的活动痕迹进行侦查破案。然而案发前、后涉及到的痕迹往往种类众多、信息量庞大。在实际办案过程中往往依靠民警手工排查,这样的工作效率很低,为案件的侦破带来很大难度。此时如何在海量信息中快速找到有价值的线索就显得非常重要。

另外,虽然目前的数据自由碰撞对比(又称多点自由碰撞对比)技战法[1]可以在一定时空范围内发现嫌疑人。但是该方法计算出的嫌疑人集合的范围较大,这样办案民警的工作量仍然很大。并且该方法也没有对嫌疑人进行定量分析(即求出嫌疑人的犯罪可疑程度的大小),缺乏科学性和准确性。

基于以上考虑,本文提出针对惯犯的智能侦查研判模型,在案发现场没有留下有价值线索的情况下,为侦查人员自动挖掘有价值的线索,排查出犯罪嫌疑人。该模型以“泛犯罪空间理论”为指导,以犯罪嫌疑人在公安机关的业务信息(人口、重点人、前科人员、车辆、卡口、视频监控、旅店业、网吧、电子围栏等)和社会留存的数据信息(金融、电信、交通、医疗、水电气等)为基础,通过对这些数据的空间关系进行自动化分析、挖掘,最终求解出犯罪嫌疑人的综合犯罪隶属度,得出满足一定犯罪隶属度阈值的重点嫌疑人列表,为公安机关侦查人办案员提供辅助工具。

1 泛犯罪空间的理论基础

1.1 泛犯罪空间理论

犯罪时空理论[2,3]认为:任何犯罪都是在一定的时间和空间发生的,离不了时间和空间这两个要素,犯罪分子总会在一定的时空中留下蛛丝马迹。狭义的犯罪时空仅关注犯罪时的现场证据。而广义的犯罪时空将这一范畴扩展到案发前(后)的一段时间和包含犯罪现场及其以外的空间,在该时空中,重点关注犯罪嫌疑人社会活动的数字足迹[4,5]。犯罪分子不是空降到犯罪现场的,在犯罪前和犯罪后均会有一定的社会活动,特别是犯罪前的一系列踩点等准备行为,以及犯罪后的逃逸、销赃等活动。在传统的侦查办案过程中,很难将这些信息有效地与案事件关联。但在信息化时代的今天,以公安工作信息化和社会全面信息化的大数据[6]为基础,可有效地将犯罪嫌疑人的事前踩点、事中犯罪和事后销赃关联起来,从而还原犯罪过程,这已经成为现代侦查办案的新模式和指导思想。

在广义犯罪时空理论中,将犯罪前、犯罪中和犯罪后的时间段称为泛犯罪时间,将以犯罪现场为中心的犯罪份子活动空间区域称为泛犯罪空间,将泛犯罪时间和泛犯罪空间统称为泛犯罪时空。泛犯罪时空模型是一个三元式:

其中:a是指犯罪嫌疑人案发前的各种社会活动的痕迹,b是指犯罪嫌疑人案发中的痕迹,c是指犯罪嫌疑人案发后各种社会活动痕迹。

由于犯罪活动一定遵循泛犯罪时空模型,所以侦查办案就是要寻找满足犯罪模型的嫌疑人,还原其犯罪事实。尽管犯罪份子往往会将犯罪现场的痕迹消除,但犯罪份子在犯罪前和犯罪后的活动痕迹是抹不掉的,作案的特点是抹不掉的,这就为案件的侦破提供了充分的信息。由于在犯罪前、中、后三个阶段中,泛犯罪时空的信息可能不完整,泛犯罪时空模型可演绎出以下几种实用侦查方法[7,8]:用法1:现场有痕迹的侦查模式;用法2:现场无痕迹的激情侦查模式;用法3:现场无痕迹的惯犯侦查模式。

本文主要研究用法3(即现场无痕迹的惯犯侦查模式)。由于犯罪现场没有留下有价值痕迹,这里我们只考虑案发前、后的活动的痕迹,此时的泛犯罪时空模型变成:

1.2 智能侦查研判流程

嫌疑人的每种活动痕迹都暗含一定的犯罪信息,本模型通过数据挖掘[9]和定量分析[10]等方法可以得出嫌疑人的可疑程度。通过对案发前后的相关痕迹进行抽象化、信息化处理,我们可以分别求解出案发前、后的犯罪隶属度,最后对两者进行融合求解,得出嫌疑人的综合犯罪隶属度。其工作流程如图1所示。

1.3 模型相关概念

本文提出了以下几个概念:犯罪隶属度、子犯罪隶属度、案发前(后)犯罪隶属度、综合犯罪隶属度。本文参照模糊数学中“隶属度”[11]的概念给予它们如下的定义:

定义1(犯罪隶属度)嫌疑人涉嫌犯罪的可疑程度,其取值范围为[0,1]。

定义2(子犯罪隶属度)嫌疑人单项活动痕迹涉嫌犯罪的可疑程度。

定义3(案发前(后)犯罪隶属度)嫌疑人在案发前(后)的一系列活动痕迹集的犯罪可疑程度。

定义4(综合犯罪隶属度)嫌疑人在案发前和案发后的所有活动痕迹集的犯罪可疑程度。

2 智能侦查研判模型

根据泛犯罪时空理论,犯罪痕迹是必然存在的。本文对案发前、后可能涉及的各种痕迹进行分类,并根据实际情况对相应的子犯罪隶属度进行赋值计算。进而建立模型对案发前(后)犯罪隶属度以及综合犯罪隶属度进行求解。

2.1 相关变量

假设犯罪嫌疑人x,涉嫌犯罪的痕迹有m个,它们的集合记作:

称之为涉嫌犯罪痕迹集。

根据式(2),每种犯罪痕迹都可以分为案发前和案发后犯罪痕迹,分别记作:

所以,涉嫌犯罪痕迹集可记作:

根据式(6),对于犯罪嫌疑人x,其涉嫌犯罪的痕迹有m个,则存在m个相应的子犯罪隶属度,它们的集合记作:

2.2 子犯罪隶属度赋值

针对惯犯,实际中涉嫌犯罪的活动痕迹集[12]U一般包括以下9大类子犯罪痕迹:

U1旅店类痕迹、U2电信业类痕迹[13]、U3网吧上网类痕迹[14]、U4嫌疑车类痕迹[15]、U5交通业类痕迹、U6银行业类痕迹、U7快递、物流业类痕迹、U8邮政业类痕迹、U9医疗网点类痕迹。

根据实际情况和侦查办案人员的经验,利用案件数据进行统计分析[16,17]可以得到每类痕迹的子犯罪隶属度(如表1与表2所示)。

2.3 案发前(后)犯罪隶属度计算

根据嫌疑人x在案发前后的活动痕迹,可以得出他的子犯罪隶属度列表(如表1所示,根据x的实际活动痕迹,表中某些项可能会被赋值为0)。设案发前与案发后嫌疑人的犯罪隶属度分别为Rbef和Raft。

首先将嫌疑人的子犯罪隶属度μi(i=1…m)由大到小排序,假设排序结果为μsort(j)(j=1…m)(其中μsort(j)是μi(i=1…m)由大到小排序后的第j个子犯罪隶属度)则:

其中,k=2,3,…,m-1。

根据式(8),可以分别求出Rbef和Raft的值:

(1)将μi=μbefi代入式(8)可以求出:

(2)将μi=μafti代入式(8)可以求出:

该求解模型对子犯罪隶属度μi(i=1…m)由大到小排序,并以最大值作为犯罪隶属度求解的基数,这样可以突出主因素。由于整个求解过程中,每个子犯罪隶属度按照由大到小参与叠加,使得结果在基数上不断增加,并且通过加权叠加保证最终结果不大于1。

2.4 综合犯罪隶属度计算

设综合犯罪隶属度为Rcom,则根据“泛犯罪空间模型”中的式(2)可知,Rcom、Rbef和Raft满足下面的二元式:

根据点(Rbef,Raft)所处的区域的不同,式(11)中的系数a、b的值作出不同的赋值。进行赋值时,需要参考的原则有:

(1)当Rbef和Raft都为1时,Rcom也应等于1;

(2)当Rbef逐渐大于Raft时,Rcom的增长速度会逐渐变小;

(3)当Raft逐渐大于Rbef时,Rcom的增长速度会逐渐变大;

(4)当Rbef等于0时,Rcom的最大值可以趋近于1(在本文中,不妨取Rcom的最大值为0.85);

(5)当Raft等于0时,Rcom的最大值只能为0.5(该值可以根据实际情况进行调整)。

根据以上五个原则,可以得出系数a、b的经验取值:

(1)当点(Rbef,Raft)落在区域D1={(Rbef,Raft)|Rbef≥0,Raft≥0,Rbef≥Raft}中时,求得a=0.5,b=0.5,所以此时有:

(2)当点(Rbef,Raft)落在区域D2={(Rbef,Raft)|Rbef≥0,Raft≥0,Rbef<Raft}中时,求得a=0.15,b=0.85,所以此时有:

综上可知,Rcom、Rbef和Raft满足下面二元式应为:

在Matlab软件上利用三维图形切割、拼接算法[18,19],绘制式(14)所对应的曲面,如图2所示。

3 模型性能分析

3.1 相关概念介绍

根据定义1可知,犯罪隶属度是衡量活动痕迹与涉嫌犯罪之间相关程度的一个指标,犯罪隶属度是一种非确定性的关系,犯罪隶属度越大,说明其涉嫌犯罪的程度也越大。综合犯罪隶属度的取值范围与分布趋势如图3所示。

参照统计学中相关系数的相关知识[20]并结合实际情况,本文详细列出了综合犯罪隶属度不同取值区间所代表的实际意义(如表3所示)。

3.2 实验与分析

首先对省份A某一地区的案件1的相关历史数据进行处理,选出与案件1相关的所有可能犯罪嫌疑人,并对其进行实验编号,利用此编号来代替嫌疑人的身份证号。根据犯罪嫌疑人在泛犯罪空间的活动轨迹,参照表1可以得出他们的各类痕迹的子犯罪隶属度。然后将各类子犯罪隶属度数据代入式(8)-式(10),可求得案发前、后的犯罪隶属度,再将Rbef和Raft代入式(14)可求出每位犯罪嫌疑人的综合犯罪隶属度。按照综合犯罪隶属度由高到低的次序对案件1中的犯罪嫌疑人进行排序,得到位于前10名的犯罪嫌疑人列表(如表4所示)。本文将前10名犯罪嫌疑人形成的集合称为重点嫌疑人集合。

另外,通过智能侦查研判模型,本文还对省份A的另外99个案件进行同样的数据处理和分析。结果发现其中有94个案件中的犯罪人员都位于相应案件的重点犯罪嫌疑人集合中,所以本模型锁定嫌疑人的准确率为95%。当重点犯罪嫌疑人集合的规模扩大至35时,本模型锁定嫌疑人的准确率将上升为98%。但当该集合规模继续扩大时,准确率几乎不再上升,锁定嫌疑人的准确率与重点犯罪嫌疑人集合规模的关系如图4所示。

当该集合规模无限扩大时,本模型的准确率将接近于1。但是因为本模型的意义是在尽可能锁定犯罪人员的情况下最大可能缩小犯罪嫌疑人集合,进而为办案人员提供参考。所以当集合规模很大时,本模型就会失去了价值。根据图4可知,重点犯罪嫌疑人集合的最佳规模为35,此时不但本模型锁定嫌疑人的准确率能够达到98%,而且重点犯罪嫌疑人集合的规模也处于办案人员的可接受范围内。

4 应用展望

本文中的智能侦查研判模型可以分析犯罪嫌疑人在泛犯罪空间内的活动痕迹,并求出犯罪嫌疑人的综合犯罪隶属度。可以根据综合犯罪隶属度的大小得出不同嫌疑程度的犯罪嫌疑人集合。

设综合犯罪隶属度最低阈值为Rmin_thr,那么犯罪嫌疑人的集合为:

当Rmin_thr取表3中不同值的时候,就可以求出涉嫌犯罪可疑度不同的犯罪嫌疑人集合。该集合与前科同案人(根据案情,在前科库查找有同案底的前科人员)集合、重点人(由公安部发布的重点人和本地确定的重点人)集合求交集,形成本案的前科嫌疑人表、重点嫌疑人表,没有交集的形成一般嫌疑人表。这三个表按综合犯罪隶属度进行排队,形成三张嫌疑人的排序表,这为公安机关进一步有针对性地摸底、排查,提高办案水平提供了依据和信息化办案的工具。

5 改进与拓展

5.1 模型改进方向

本模型还有一些地方需要改进,首先是子犯罪隶属度的赋值问题。子犯罪隶属度通常是根据办案民警的经验或以往同类型案件的统计数据来确定,这具有一定的主观性。为了使赋值更科学地体现客观情况,可以对不同类型案件的历史数据进行一些分析(比如聚类分析、关联性分析等),并构造不同的子犯罪隶属度函数。

其次是关于子犯罪隶属度科学性的度量问题。子犯罪隶属度的确定,有很多种方法,本质上应该是客观的,但实际上常常带有一定的主观性。对同一犯罪嫌疑人,不同的方法或用不同的判断标准,所得出的各类痕迹的子犯罪隶属度也不尽相同。那么,有没有办法来比较哪一个更正确些呢,这就涉及到怎样来度量子犯罪隶属度的问题。

5.2 模型拓展方向

一方面,本文模型讨论的犯罪隶属度都是正值,而未来的研究方向是将一些可以降低嫌疑人可疑度的痕迹考虑进来。这样犯罪隶属度的范围就变成[-1,1],此时模型就会变得更科学合理。

另一方面,它的应用范围可以进行拓展,它不仅可以锁定犯罪嫌疑人,还可以锁定犯罪嫌疑车辆。此时,只需找出车辆涉嫌犯罪的痕迹即可,比如监控涉及的车辆痕迹、GPS涉及的车辆痕迹、交通违法车辆涉及的痕迹等。

6 结语

当惯犯在案发现场没有留下有价值的线索时,根据其在案发前后在信息化社会中留下的活动痕迹,本文提出了一种基于泛犯罪空间的智能侦查研判模型。它是一种巧妙利用嫌疑人的数字足迹进行侦查办案的自动化、智能化工具。在大数据时代,越是有预谋的犯罪(尤其是惯犯)越会在泛犯罪空间留下大量数字足迹,比如犯罪嫌疑人案发前的踩点、案后的逃逸等都会体现出一定规律性,并会留下很多数字足迹。本模型就是将这些数字足迹进行采集与分析,并利用相应的公式求解出综合犯罪隶属度,最后得出犯罪嫌疑人列表,它具有实用方便、准确率高、可拓展性强、应用范围广等优点。

摘要：在大数据背景下,案件的侦查范围已经由原来的犯罪现场拓展到虚拟空间的泛犯罪时空范畴。以广义的犯罪时空理论为指导,以泛犯罪时空模型为依据,分析研判犯罪嫌疑人在该时空内的活动痕迹。由于惯犯的犯罪活动痕迹有一定的规律性,所以,通过对其活动痕迹进行分类和相应犯罪隶属度进行研究,建立惯犯的犯罪模型。然后,分别求出犯罪嫌疑人案发前、后的犯罪隶属度。最后,将两个犯罪隶属度进行整合求出犯罪嫌疑人的综合犯罪隶属度,进而得出犯罪嫌疑人列表,为侦查办案人员进一步有针对性地开展摸底、排查提供科学依据。该模型的研究为侦查办案提供了新的思路,也为相关的信息侦查系统提供了理论支撑。

物流企业商业智能系统模型设计 篇8

一、物流企业商业智能系统需求分析

商业智能是一类由数据仓库、查询报表、数据分析、数据挖掘、数据备份和恢复等部分组成的、以帮助企业决策为目的的技术及其应用, 它允许用户查询和分析数据库或数据仓库, 进而得出影响商业活动的关键因素, 最终帮助用户做出更好、更合理的决策。物流企业商业智能系统模型设计必须考虑企业高层管理者、各部门主管、信息管理人员及信息分析等各方的需求。综观我国物流企业存在的问题:信息化程度不高, 缺乏对历史数据、海量信息进行分析的平台, 无法形成科学的分析结果;缺乏一套灵活的运输配送调度系统;缺乏良好的库存决策系统等。物流企业商业智能系统应具有解决上述问题的能力, 它是企业领导层通过信息技术, 对海量信息进行有效分析, 从而做出科学决策的平台, 能够为企业管理层、基层进行信息分析、综合决策提供一个方便科学的平台。因此, 物流企业商业智能系统应具有以下功能:第一, 基本的企业信息管理的功能, 企业信息管理一方面可以为企业提供电子信息管理平台, 实现企业管理的信息化;另一方面负责采集物流企业的各种信息, 为企业决策支持系统的建立提供必要的数据, 商业智能系统的建立也有赖于企业信息管理模块所收集到的数据, 如:客户信息管理数据、仓储库存管理数据、运输配送管理数据、财务管理数据等。第二, 高级的决策功能。如:顾客价值分析、库存优化决策、库位安排、智能配送等等。

二、物流企业商业智能系统体系结构设计

物流企业决策问题具有多元多层的目标体系、复杂而灵活的约束条件、事先无法确定的周围环境等, 物流企业商业智能系统应具有一定的知识处理或完成一定的思维活动的能力, 以便解决复杂的决策问题, 并能启发、引导用户根据问题特点构造解决问题的思路。对非结构化的问题, 应能运用专家的推理知识加以解决, 最终达到辅助决策者做出高质量的决策的目的。

根据以上要求, 物流企业商业智能结构概念模型如图1示。该框架基于传统决策系统的“六库”结构, 且将数据仓库和数据挖掘技术与“六库”有机地集合起来, 既有传统决策系统的辅助决策功能, 又可通过数据挖掘来提高系统的智能性。其中, 智能化的人机交互界面负责接收用户的各种请求, 并提供给用户需要的信息, 是商业智能系统能力表达和实现的窗口。它的使用情况直接影响着物流系统的可用性和实用效果。用户首先完成对决策问题的描述, 然后系统对问题进行分析/识别, 建立模型;用户通过交互手段进行模型选择/优化后实施模型的简化运行来对模型进行评价, 最后完成模型的求解输出结果, 整个决策过程结束。

三、物流企业商业智能系统的功能结构设计

物流企业商业智能系统主要由业务系统模块、数据仓库系统模块、数据挖掘系统模块、联机分析模块和决策支持系统模块组成, 如图2示。业务数据库是数据仓库数据的基础来源, 数据仓库通过一定的数据抽取、转换、清洗和加载工具, 通过元数据库保证数据的一致性、准确性、综合性和易用性, 且自动生成统一可靠的数据仓库。进而, 根据各个成员企业的决策需求, 对数据进行不同粒度、不同维度的组合, 将数据仓库转换成有关运输、仓储、配送、绩效评估、客户关系, 以及风险管理等具体业务领域的数据集市, 为各种多维分析和数据挖掘等决策支持方案提供整齐一致的数据。

使用数据挖掘模块, 基于人工智能、机器学习、统计分析等技术, 应用关联规则分析、序列模式分析、聚类/判别分析、人工神经网络、遗传算法、决策树方法、模糊逻辑, 以及公式发现等数据挖掘分析方法, 从大量的数据中挖掘出潜在的模式、规律或关系, 帮助企业的决策者调整市场策略, 预测客户的行为, 减少风险, 做出正确的决策。通过建立各类物流决策模型 (车辆路线模型、网络物流模型、分配集合模型、设施定位模型和全球定位系统模型等) 来实现对物流业务的互动分析, 提供物流一体化运作的合理解决方案。最后, 结合联机分析处理 (OLAP) 模块, 把能够真正为用户所理解的信息从当前及历史数据等原始数据中转化出来。这些信息能够真实地反映数据的维度特性, 帮助分析人员从多角度对数据进行快速、一致、交互地访问和分析, 以便管理人员可以对数据了解更深入。联机分析模块关键是对数据仓库中数据进行多维分析。多维分析是指对以多维形式组织起来的数据采取切片、切块、旋转等各种分析动作, 以求剖析数据, 使最终用户能从多个角度、多侧面观察数据库中的数据, 从而深入地了解包含在数据中的信息、内涵。OLAP系统功能主要由两部分组成:为客户提供的信息服务和为企业本身提供的统计分析, 这也是确定数据仓库主题的依据。

四、结论

本系统是针对一般物流企业的业务情况开发的, 有一定的通用性, 但每个企业的业务情况和管理方式都不一样, 设计时并没考虑这些情况, 因此, 它不是通用的商品软件。物流市场需求的个性化、多样化和集成化, 要求物流企业必须不断改进和优化企业的运作流程, 开发出具有针对性商业智能产品, 以适应物流市场发展的变化。商业智能系统将物流企业运营过程中产生的信息数据进行有效整合处理, 为物流企业合理定位、精确控制和准确决策提供依据, 它将成为现代物流企业提升自身整体竞争能力的必然选择。

参考文献

[1]况漠.物流决策支持系统开发研究[J].四川工业学院学报, 2003.2.

[2]张德海等.面向物流服务供应链的商业智能系统设计[M].管理学报, 2007.5.

变形监测数据分析的群集智能模型 篇9

变形监测资料的合理准确处理对于保障建筑物的安全, 防止变形朝不安全的方向发展具有重要意义。近年来, 随着进化计算研究热潮的兴起, 人们将微粒群优化算法 (Particle Swarm Optimization, PSO) 、神经网络 (Neural Network) 等智能技术应用到变形数据分析工作[1], 利用微粒群算法去训练神经网络, 表现出了优于传统优化方法的很多性能。其中, PSO是一种新的仿生群集智能 (Swarm Intelligence) 随机优化算法, 该算法使用参数较少且易于选择, 对目标函数的形式没有特殊要求[2], 以往的研究表明, PSO在优化神经网络方面具有很大的潜力。

PSO在搜索初期收敛速度很快, 但与其他全局优化算法如遗传算法 (Genetic Algorithm, GA) 一样, 在后期却易于陷入局部极优点, 即早熟收敛, 且存在搜索精度不理想、不能保证收敛等缺点。研究发现, 缺乏合理的变异机制, 是导致PSO运算后期收敛速度变慢, 且容易收敛到局部极值点的重要因素, 为此, 引入非均匀变异机制, 当算法出现早熟收敛时, 对微粒群进行变异操作, 使微粒在其他区域继续搜索, 且变异算子随算法的迭代进行动态调整, 逐渐由全空间变异逐步转为局部微调, 重点搜索有效范围, 从而避开局部极值点。同时, 为了进一步提高算法性能, 对标准PSO的惯性权重因子进行了改进, 然后将改进PSO (Improved PSO, IPSO) 用于优化BP神经网络的权重以及阈值, 并建立了IPSO-BP模型, 最后将该模型应用到大坝变形分析工作中, 通过算例表明, IPSO-BP模型在收敛速度、搜索精度方面优于标准PSO-BP模型以及回归分析模型。

1 标准PSO及其改进

1.1 基本原理

PSO由美国的Kennedy和Eberhart于1995年提出, 通过对生物群体行为的模拟来实现对解空间的有效搜索[3]。为了改进其收敛性能, Shi Y和Eberhart在文献[4]中提出在算法的速度进化方程中引入惯性权重, 目前, 大多数文献将带惯性权重的PSO称之为标准PSO。其数学描述如下:

假定目标搜索空间是D维的, 搜索粒子数有N个, 每个粒子在空间的位置坐标表示一个潜在的有效解。第i个微粒的位置向量维Xi= (xi1, xi2, …, xiD) , 此时的粒子飞行速度向量为Vi= (vi1, vi2, …, viD) , 粒子迄今为止搜索到的最优位置向量 (即此位置坐标处粒子具有最优的目标函数值) Pi= (pi1, pi2, …, piD) 。整个微粒群迄今的最优位置向量为Pg= (pg1, pg2, …, pgD) , 每次迭代时, 微粒群中的每个粒子的速度和位置更新公式如下:

$\begin{array}{l}v{}_{id}^{k+1}=w\cdot v{}_{id}^k+c{}_1\cdot Rand()\cdot (p{}_{id}-x{}_{id}^k)+\\ c{}_2\cdot Rand()\cdot (p{}_{gd}-x{}_{id}^k)(1)\\ x{}_{id}^{k+1}=x{}_{id}+v{}_{id}^{k+1}(2)\end{array}$

式中:i=1, 2, …, N;rand () 为随机数, 服从 (0, 1) 上的均匀分布;v${}_{id}^k$为第k次迭代微粒i飞行的速度向量的第d维分量值;v${}_{id}^{k+1}$为v${}_{id}^k$更新后的速度分量;x${}_{id}^k$为第k次迭代微粒i位置向量的第d维分量;x${}_{id}^{k+1}$为更新后的分量;pid为微粒 迄今为止飞行中的最优位置向量的第d维分量;Pgd为微粒群体迄今为止飞行中经过的最优位置向量的第d维分量;c1和c2为权重因子, 一般取常数;w是惯性权重因子。

进化过程中, vid应限制于一定范围内, 即vid∈[vmin, vmax], 其中, vmax=k·xmax, vmin=k·xmin, 0.1≤k≤1.0, 当vid超出该范围时, 则设为vmax或vmin。若微粒离开搜索空间时, 则位置更新为:

$\{\begin{array}{l}x{}_{id}^{´}=2x{}_{\max }-x{}_{id},x{}_{id}＞x{}_{\max }\\ x{}_{id}^{´}=2x{}_{\min }-x{}_{id}‚x{}_{id}＜x{}_{\min }\end{array}(3)$

1.2 改进策略

1.2.1 惯性权重的改进

标准PSO算法具有运算简单、易于实现、需要调整的参数少等优点, 然而在实际优化问题的应用中, 其搜索精度存在一定缺陷, 且控制参数的选择对于算法的收敛速度及优化精度有很大影响, 若标准PSO的惯性权重因子w选择不合理, 将导致粒子飞离搜索空间而只能通过最大速度来限制粒子飞行, 增大搜索时间, 对微粒快捷搜索目标不利。针对这一问题, 文中w采用下式进行计算:

$w=(w{}_0-0.4)\cdot (\text{m}\text{a}\text{x}iter-iter)/\text{m}\text{a}\text{x}iter+0.1(4)$

式中:w0为微粒飞行初始的取值;maxiter为微粒迭代的最大次数;iter为当前迭代次数。

这样, 在粒子搜索最初, 取值会大些, 有利于微粒的全局搜索, 可以不断搜索新的区域, 搜索过程中 取值适当减小, 开发能力逐渐增强, 使算法可在可能最优解周围精细搜索, 有效地平衡了收敛的全局性和收敛速度, 提高了算法的搜索精度。

1.2.2 变异算子

分析公式 (1) 不难发现, 当粒子的当前位置处在全局极值位置Pg时, 该粒子只有在先前速度和惯性权系数不等于0情形下, 才有可能离开这一点;如果种群中粒子的先前速度都接近于0, 一旦它们落于Pg, 则很难再移动, 这意味着算法将收敛到种群目前寻优到的最优解, 即Pg, 如果Pg对应的解只是优化问题的一个局部最优解, 则算法就会过早收敛[5]。

为了解决这一问题, 将变异思想引入到标准PSO算法。改进思路是:在算法出现早熟收敛现象时, 对微粒群进行变异操作, 使变异粒子在解空间的其他区域进行搜索, 寻找更优的全局解, 从而跳出局部最优, 避免算法陷入局部极值点。由于在均匀变异方式下, 发生变异的分量在其变化范围内均匀取值, 无法重点搜索局部范围, 因此本文采用非均匀变异机制。对于一个在[ai, bi]范围内变化的分量xi, 按下式对其进行变异:

如果随机产生的一位二进制数为0,

$x{}_i^{´}=x{}_i+(b{}_i-x{}_i)\cdot \alpha \cdot \left(1-\frac{iter}{iter{}_{\max }}\right){}^{\beta }(5)$

如果随机产生的一位二进制数为1,

$x{}_i^{´}=x{}_i-(x{}_i-a{}_i)\cdot \alpha \cdot \left(1-\frac{iter}{iter{}_{\max }}\right){}^{\beta }(6)$

式 (5) 、 (6) 中, α是闭区间[0, 1]内的随机数;β为一个确定非均匀性程度的参数, 一般可取β=2。由式 (5) 、 (6) 可见, 随着迭代次数iter的逐渐增大, 变异算子动态地由全空间变异逐步转为局部微调, 使搜索范围逐渐减小。改进PSO (IPSO) 的运算流程如图1。

2 IPSO-BP模型

1989年Robert Hecht-Nielson证明, 任何一个在闭区间连续的函数都可以用具有1个隐层的BP网络来逼近, 即1个3层网络可以完成任意n维到m维的映射, 因此本文采用3层前向神经网络, 即1个输入层、1个隐层、1个输出层。假定隐层节点数nhid足够多的初始网络隐层激励函数和输出层分别为ψ (x) 和ϕ (x) , 给定样本集Ω={Pi, qi|1≤i≤N;Pi, qi∈R}, 则前向神经网络的输出为:

$\widehat{q}{}_i=k\text{ϕ}{}_i[{\displaystyle \sum _{n=1}^{n}V}{}_{n,i}\psi {}_i({\displaystyle \sum _{m=1}^{r}W}{}_{m,n}{\rm P}{}_i)](7)$

其中:W, V为权值, 满足-1<W, V<1, k=max (q1, q2, …, qN) 。网络学习算法采用反向传播算法 (Back Propagation Algorithm, BP) 。

为了获得既稳定又相对快速的训练算法, 进化过程可分2步进行, 将BP算法和IPSO取长补短进行阶段性结合:首先, 利用IPSO训练网络的权值;然后, 在由IPSO得到的一个接近最优解的空间B (W*) 之后, 再使用BP算法进一步寻优, 得到网络权值的最优值W*。记这种组合训练法为IPSO-BP。

采用IPSO-BP训练法可以提高网络训练的精度和学习收敛的速度。应用IPSO优化BP的具体步骤如下:

(1) 将网络中所有神经元间的连接权编码成实数码串表示的个体, 即将微粒群中每一个体的分量映射为网络中的权重和阈值, 从而构成一个神经网络。

(2) 初始化IPSO, 设置微粒数M, 进化代数t以及加速因子c1, c2和权重w, 随机初始化微粒的位置和速度, vij∈[vmin, vmax]并设置算法停止条件。

(3) 运行IPSO算法训练BP神经网络, 对微粒适应值进行评价, 当适应值小于预设阈值或迭代达到最大预设次数时, 算法停止, 保存计算结果。由于每个微粒代表一组网络权值, 对微粒的评价就是对该组权值在训练集上产生的均方误差的评价, 故可将均方误差作为IPSO算法的适应度:

$E(X)=\frac{1}{2n}{\displaystyle \sum _{p=1}^n{\displaystyle \sum _{k=0}^c(}}Y{}_{k,p}(X)-t{}_{k,p}){}^2(8)$

式中:X为微粒向量;tk, p为训练样本P在k输出端的给定输出;n为训练集样本个数;c为输出端个数;Yk, p为微粒对应的网络输出。这样, 可以保证通过IPSO算法寻优得到的D维参数W, 能够使得网络输出误差较小。

(4) 在用IPSO算法得到一个接近最优的网络权值后, 初始化BP算法, 将IPSO的训练结果作为BP算法训练的起始值, 设置算法停止条件。

(5) 当全部样本的输出误差小于设定的误差 时, 训练结束, 保存训练结果即完成神经网络个体的训练。利用BP算法得到网络权值最优值W*的训练过程主要由信息正向传递、误差信号逆向传播、权重和阈值的调整等步骤组成, 详见参考文献[6]。

3 应用实例

在某混凝土重力坝的变形监控工作中, 采用IPSO-BP模型对其坝顶引张线数据进行处理, 共选取120组观测数据, 前100组作为学习样本, 以确定最优连接权重、阈值等参数, 后20组数据作为预测样本, 以利用学习得到的网络模型求得水平位移预测值。为对结果进行对比分析, 同时建立PSO-BP模型 (其算法是基本PSO算法优化后的BP算法, 模型形式及输入和IPSO-BP模型相同) 和统计回归模型。

影响混凝土大坝水平位移的主要因素有上游水位、温度和时效, 因而BP算法采用多输入单输出模式, 输入节点为:水位分量, 大气温度和时效分量, 输出节点为坝顶水平位移, 隐含层神经元个数为9, 即采用的网络结构为3-9-1, 学习速率为0.016, 动量因子为0.012, 取误差平方和指标为0.01。在用IPSO寻找BP神经网络最佳权值和最佳阈值时, 各参数设置为:群体规模M=1 000, 每一个种群对应一个46维的参数 (包括36个可调权重和10个神经元阈值) , 进化代数t=2 000, 加速度c1=c2=1.8, 惯性因子的初始值w=0.9, 以后随着进化递减, 最小值为0.35, 微粒的最大速度vmax=1, 算法停止阈值ε=0.02, 非均匀变异率pm=0.01。统计模型采用的回归因子为:水位因子、温度因子、时效因子, 模型形式为:

$\begin{array}{l}y={\displaystyle \sum _{i=0}^{4}a}{}_i{\rm H}{}^i+b{}_1\text{s}\text{i}\text{n}G+b{}_2\text{c}\text{o}\text{s}G+b{}_3\text{s}\text{i}\text{n}G\text{c}\text{o}\text{s}G+\\ b{}_4\sin {}^{2}G+c{}_1\theta +c{}_2\ln \theta (9)\\ G=\frac{2\text{π}t{}_i}{365}(10)\end{array}$

式中:H为上游水位;θ=ti/100 (即以100 d为单位) ;ti为观测时刻距初始时刻的天数, d。

通过逐步回归分析 (显著水平α=0.05) , 得到统计模型的复相关系数为0.941, 回归中误差m=±1.06, 这表明所建立的统计模型拟合精度高, 具有较高的可靠性。3种模型的计算结果及拟合效果对比见表1和图2。从表1可以看出, 3种模型都能较好地拟合出实际变形情况, 其中, IPSO-BP模型的拟合精度比统计模型的拟合精度高, 略好于PSO-BP。从图2可以看出, IPSO-BP模型的拟合效果明显优于统计模型和PSO-BP模型。

为了评价模型的实际预报能力, 选用监测数据的后20组数据作为预测样本, 分别利用以上3种模型对某坝段的水平位移进行预测, 预报精度对比如表2所示。从表2可以看出:IPSO-BP模型的预测精度高于统计分析模型和PSO-BP模型, 其预测值和实测值最为吻合, 较好地反映了大坝水平位移的变化趋势。同时, 利用PSO对BP算法进行训练时需迭代750余次, 而采用IPSO只需迭代200次即能达到相近精度, 接近于全局最优, 可见IPSO-BP比PSO-BP在收敛速度方面有所进步。

4 结 语

能否准确分析建筑物变形状况的关键在于是否选择好的监测数据分析模型。本文结合BP神经网络算法, 将IPSO引入到大坝变形预测模型中, 通过分析和验证, 得到如下结论:

(1) IPSO-BP模型能较好地描述和预测建筑物的变形过程, 因此, 该模型在变形监测的数据分析和变形预报中有较好的实际应用价值;

(2) 标准PSO算法存在许多缺陷, 需要进一步的研究。本文通过引入非均匀变异机制, 选择合理的惯性权重因子对其进行改进, 并将IPSO应用于优化BP神经网络, 得到的数学模型在精度和预报能力等方面有明显提高;

(3) IPSO-BP具有原理清晰、公式简洁和全局寻优能力强等优点, 其拟合效果及预测精度明显优于统计回归模型和PSO-BP模型, 且具有较高的可靠性, 因此, 该方法在变形监测数据处理中有较好的应用前景。

参考文献

[1]李红连, 黄丁发, 陈宪东.大坝变形监测的研究现状与发展趋势[J].中国农村水利水电, 2006, (2) :89-93.

[2]张燕, 汪镭, 康琦, 等.微粒群优化算法及其改进形式综述[J].计算机工程与应用, 2005, (2) :1-3.

[3]J Kennedy, R Eberhart.Particle Swarm Opti mization[C]∥Inter-national Conference on Neural Networks.Piscataway, 1995:1 942-1 948.

[4]Shi Y, Eberhart R.A modified particle swarmopti mizer[C]∥In-ternational Conference on Computational Proceeding.Piscataway, 1998:69-73.

[5]Natsuki Higashi, Hitoshi Iba.Particle Swarm Opti mization withGaussian Mutation[C]∥Proceedings of the 2003 IEEE SwarmIntelligence Symposium.Indianapolis, 2003:72-79.

智能模型 篇10

1 模型的设计与制作前的准备与制作

1.1 研究目标

在电子控制的基础上发展研究并结合了, 电磁感应技术、遥感技术、电子灯光技术等诸多技术所研发出来的一种新的驾校内场教练系统。这种系统的推广将给广大驾校学员带来前所未有的便利, 让他们在轻松活跃的气氛中拿到自己的驾照。

1.2 模型主要内容

(1) 国内驾校路考内容的介绍。

现在驾校的考试内容主要有三个科目的考核分别为科目一:理论考试、科目二:内场考试、科目三:外场考试、科目四:实际模拟路况考试。其中科目二的主要考试项目包括:倒库和移库、坡道定点停车和起步、侧方停车、通过单边桥、S弯道行驶、直角转弯。

(2) 驾校实地调研。

我们首先对正在驾校学习的学员进行了问卷调查并对调查结果进行分析选择他们认为最难的五个路段进行设计制作分别是直道路段、饼障路段、单边桥路段、S弯道和起伏路段。

(3) 驾校内场智能教练系统模型图纸的设计。

我们结合国内驾校路考内容的基本情况, 并结合问卷调查的调查结果进行分析和研究, 最终绘制出了驾校内场智能教练系统模型图

当学员驾车从入口进入大饼路段时, 经过此路段的车辆动线指示开车依次绕过设在路上的大饼, 当学员的驾驶车辆经过正确的位置时, 那么压力开关被触动处在闭合状态, 使电路导通, 灯光显示器工作, 显示学员车辆开到此路段所在位置正确, 可进行到下一路段。那么当学员驾车进入直道路段的前端是学员的驾驶车辆经过正确的位置时, 那么压力开关被触动处在闭合状态, 使电路导通, 灯光显示器工作, 显示学员车辆开到此路段所在位置正确, 可继续前行。否则, 灯光显示器将不显示。当车辆行驶到90°转弯路段时如果学员的驾驶车辆经过正确的位置时, 那么压力开关被触动处在闭合状态, 使电路导通, 灯光显示器工作, 显示学员车辆开到此路段所在位置正确, 可继续前行。否则, 灯光显示器将不显示。紧接着, 车辆来到了s弯道处, 那么当车辆经过正确的位置时, 那么压力开关被触动处在闭合状态, 使电路导通, 灯光显示器工作, 显示学员车辆开到此路段所在位置正确, 可继续前行。否则, 灯光显示器将不显示。同时, 车辆也可以转弯进入起伏路段。同样当车辆经过正确的位置时, 那么压力开关被触动处在闭合状态, 使电路导通, 灯光显示器工作, 显示学员车辆开到此路段所在位置正确, 可继续前行。否则, 灯光显示器将不显示。当学员驾车走完所有的路段时他就可以驾车由起伏路段的末端经直道路段转弯过大饼路段再从如蓝色箭头驶出。

(4) 驾校内场智能教练系统模型电路图设计与绘制。

此教练系统所用的技术是在电磁感应原理的基础上结合现在成熟的传感器技术、电子灯光技术、智能声光控制技术而设计电路图。

1.3 驾校内场智能教练系统模型运用的主要原理

(1) 电磁感应。

电磁感应现象是指放在变化磁通量中的导体, 会产生电动势。此电动势称为感应电动势, 若将此导体闭合成一回路, 则该电动势会驱使电子流动, 形成感生电流。

(2) 压电效应。

当系统中压力高于额定的安全压力时这种压力会驱动压力开关工作, 压力开关中的碟片瞬时发生移动通过连接导杆推动开关接头接通。当路面中的车辆驶离压力开关所在位置时系统中的压力就会恢复到正常值, 此时压力开关中的碟片瞬时复位, 开关自动复位。那么整个电路处于断路状态, 灯光提示器将不再工作。

(3) 继电器的工作原理。

电磁继电器一般由铁芯、线圈、衔铁、触点簧片等组成的。只要在线圈两端加上一定的电压, 线圈中就会流过一定的电流, 从而产生电磁效应, 衔铁就会在电磁力吸引的作用下克服返回弹簧的拉力吸向铁芯, 从而带动衔铁的动触点与静触点 (常开触点) 吸合。当线圈断电后, 电磁的吸力也随之消失, 衔铁就会在弹簧的反作用力返回原来的位置, 使动触点与原来的静触点 (常闭触点) 释放。这样吸合、释放, 从而达到了在电路中的导通、切断的目的。

2 驾校内场智能教练系统模型的特色概述

第一点:现在驾校中内场的考试科目主要有倒库和移库、坡道定点停车和起步、侧方停车、通过单边桥、S弯道行驶、直角转弯、限速通过限宽门、通过连续障碍、百米加减档、起伏路行驶。等而我们的驾校内场智能教练系统将会使广大驾校学员对驾校的每个路况都能清楚的知道, 并可大大缩减学员的学车时间, 方便他们更好更快的拿到驾照。

第二点:这个系统一旦被推广应用将便于驾校对学车人员的教授和管理, 大大减轻教练的教学难度, 可以实现一个教练同时教授多个学员, 近一步帮助驾校实现效率化教学, 可以让驾校在短期内实现利益的最大化。

3 结语

随着现代社会的进步和科技.经济的发展人们生活水平的逐步提高汽车越来越多的被千家万户所接收但随着近年来交通事故发生的比例在逐年攀升。面现在从驾校出来的驾车新手由于教学资源有限、上车练习时间不够、等等原因不能很好的掌握驾驶汽车的要领。驾校内场智能教练系统模型的设计就很好的解决了这一问题。在每个路段的正确的行驶位置均设有智能开关, 学员只有驾车经过正确的位置此智能开关才会被触发从而接通电路, 电子灯光显示器方可工作提示此行驶位置正确。否则电子灯光显示器将不会工作, 也就表明车辆现在所处的位置不正确。这样就可对学员错误的驾驶路线进行规范和纠正, 帮助学员行驶正确的路线。

摘要：驾校内场智能教练系统模型在电子控制的基础上结合了电磁感应技术、遥感技术、电子灯光技术等诸多技术所研发出来的系统模型。它采用智能传感器、交直流转换器等诸多电器设备并用电子灯光显示器来提示驾校学员驾驶车辆所在位置对错, 并对错的驾驶路线进行纠正。给广大驾校学员带来前所未有的便利, 让他们在轻松活跃的气氛中拿到自己的驾照。

关键词：智能教练系统,压力传感器,灯光电子提示器,设计制作

参考文献

[1]江海学, 廖国贵.驾校学车指南:桩考路考的驾驶技巧[M].中国建筑工业出版社, 2004.

[2]邵恩坡.道路交通安全法规[M].湖北科学技术出版社, 2005.

[3]朱三九, 主编.汽车驾驶口诀[M].人民邮电出版社, 2011.

[4]汪立亮, 张志刚, 主编.汽车驾驶入门[M].安徽科学技术出版社, 2011.

[5]吴文琳, 主编.汽车驾驶从入门到精通[M].机械工业出版社, 2010.

智能模型 篇11

关键词：单片机；智能车；驱动模块

中图分类号：TP311.52 文献标识码：A 文章编号：1007-9599 (2012) 09-0000-02

随着我国工业自动化技术的不断更新和进步，自动驾驶技术受到各类企业越来越多的重視。传统的搬运以及运输装置不仅耗时耗力，而且工作效率和安全性能低下，不符合我国改进产业结构提高产业质量的发展趋势。

智能模型 篇12

建筑业一直是国家经济发展的支柱产业,长期用来进行劳动密集型和粗放型经营的行业,建筑行业在利用信息技术方面发展地比较缓慢,需要更多提高。信息智能化技术通过所携带的设计流程,在整个流程中,不断被应用于汽车,航空,电子行业和消费制品,通过传统图纸设计转向信息模型设计流程,对于每一个数据,估算和产品供应链都不断吸收了制造业经验,使得建筑智能化不断加深。

2 建筑信息智能化模型

建筑信息智能化模型是一种全面、先进的方法,它能够将从建筑设计到建筑管理的整个阶段都纳入管理范围,同时还包括常见的3D模型,这些有会纳入详细的数据信息,给设计师提供准确有价值的参考内容。理想的建筑信息模型都包含GIS模型。从市政建设,勘察部门提供的数字化模型中不断获取地理环境现状,从建筑师的造型和空间设计中可以获取集合图形,从结构设计师计算获取电气和管道布置信息,以上都包含这建筑3D模型,任何实际建筑工程都在建筑信息模型中得到相应的描述。

从理论上讲,建筑信息模型表现的是实际的建筑构件,不仅包含了建筑的建筑的几何数据,还包括建筑工程的大量详细信息,包括建筑开发商、施工单位,建筑材料,设计信息等。可以看出,建筑信息模型与普通的平面模型有很大的区别,建筑信息模型更加全面,更加便利,是未来建筑的发展趋向。

所以说建筑信息模型包含的信息应该满足整个建筑生命周期,模型必须要非常精确,相当多的建筑元素,才能适应所有阶段建筑需要,通常建筑信息模型系统可以分类两种,一种就是超级复杂的综合模型,就是从计算机角度分析,共享一个数据库,同时还包含结构分析,预算模块和能量分析等很多模块。这套系统包含的信息具有全面、多样的特点,帮助设计师、工程师等工作人员提供全面的资料,因此,这个高集成系统需要大量的资源信息进行维护,同时,这个系统数据也同样会存在很多风险。另外一种就是分类模型管理,使用联合数据库进行合理分析,从设计到施工各个阶段都要有专业人士通过精确模型,然后把信息通过格式进行相互交换。再就是要进行档案格式管理,原则上就是将建筑的3D模型看成一个真实世界。

3 参数化模型技术

建筑信息模型是一种方法,并非是一种技术,所以在应用过程中需要一种技术来与其配合实施,这种技术即是CAD。这种技术可以进行自动绘图,因此很大程度上节省了人力和物力。另一个就是利用图层分类方法,对于建筑设计附加一些额外信息,通过使用软件开发,同时使用软件最终使得信息趋于合理化和完整化。

同时还要进一步发展CAD系统,除了储存2D建筑提醒,还要储存建筑逻辑结构数据图,为用户提取有效数据进行综合分析,使得图纸设计更加自动化,本质目的都是为了能够依靠图形达到文件储存管理合理化。另一个就是对于建筑信息创建管理工作要进行严格研究,对于部分图形要进行人工维持,在设计变更时,对当前工作要进行立面图,剖面图的自动调整,特别是在很多大型项目中,设计变更更需要付出相当大劳动力,所以要提高图纸绘制方式。

参数化建筑模型解决方法用一个关系数据库和一个行为模型动态捕捉所有信息,比如可以应用3D视图,2D图纸和表格等方式,表达建筑图纸的一个基本数据库。从基于CAD技术的环境转移到面向对象工作环境可以认为是功能的延伸和增强,如果转移到参数化建筑模型工作就需要将所有工作信息给予建筑信息模型,沿用传统辅助回吐模型来使用这种新技术是完全行不通的,这中工作模式可以使用新的建筑设计方法来提高效率。

结束语

参数化智能技术的建筑信息模型对于设计师来说无疑是一个非常实用的工具,它可以帮助设计师维持原有的设计理念,并且,这种技术相比原来的计算机辅助设计方法有很大的优势,必将在未来成为信息化建筑行业新的使用平台。研究建筑信息模型的周期管理,可以解决建筑物全生命周期的问题,使得信息传递渠道,积累方式得懂啊多方面根本性变化,构建相关模型对设计施工和运用维护阶段都有巨大作用,可以应用建筑信息模型有效对各种问题进行分析,对施工中各个阶段问题都可以找个合理解决方法,值得有关部门和科研人员深入研究。

摘要：建筑信息化是未来建筑行业发展的趋势,对加快及规范建筑行业发展,提高建筑行业的整体实力有重要的作用。建筑信息化模型是运用计算机辅助技术,对建筑行业的全部阶段都纳入信息化管理范围,本文对我国建筑行业信息化发展的主要趋势进行了阐述,并对建筑信息智能化模型进行介绍,并对参数化模型技术进行了探讨。

关键词：建筑信息,智能化模型

参考文献