【摘 要】
：
为了更准确地描述交通流,考虑驾驶员反应延迟时间和前车信息的非均衡使用,建立一种多预期延迟跟驰模型。线性稳定性分析表明,驾驶员反应延迟时间的增加会降低交通流的稳定性,多个前车信息的使用可以提高交通流的稳定性。数值仿真的结果表明,减少司机的反映延迟时间和适当地增加前车信息都能提高交通流的稳定性。为尽可能少地引入输入变量,不均衡地利用前车的车间距和速度差信息是必要的;理论和数值模拟的结果均表明驾驶员反应
【机 构】
：
长安大学经济与管理学院,长安大学理学院,西北工业大学自动化学院
【基金项目】
：
国家自然科学基金资助项目(11102165,11772264),陕西省自然科学基础研究计划资助项目(2015JM1013),中央高校基本科研业务费专项资金资助项目(3102015ZY050)
论文部分内容阅读
为了更准确地描述交通流,考虑驾驶员反应延迟时间和前车信息的非均衡使用,建立一种多预期延迟跟驰模型。线性稳定性分析表明,驾驶员反应延迟时间的增加会降低交通流的稳定性,多个前车信息的使用可以提高交通流的稳定性。数值仿真的结果表明,减少司机的反映延迟时间和适当地增加前车信息都能提高交通流的稳定性。为尽可能少地引入输入变量,不均衡地利用前车的车间距和速度差信息是必要的;理论和数值模拟的结果均表明驾驶员反应延迟在交通拥堵的形成过程中起着重要作用。
其他文献
通过分析光学优化算法的特性,将光学优化算法中每个光源点都用量子空间中的一个粒子来描述,利用群体智慧的聚集性,建立了光学优化算法的量子势能场模型,并根据势能场模型的群体自组织性和协同性等特点提出了量子光学优化算法。通过对多个经典测试函仿真分析,得出量子光学优化算法在量子力学收敛理论下比光学优化算法控制参数少,设置简单,优化性能更好,收敛速度更快,优化了算法的收敛精度和速度。
在仅以输入评分矩阵作为唯一算法输入的协同过滤推荐算法研究中,针对数据的质量不同带来的差异性对推荐结果的影响这一问题,包括对数据质量方面的重视与关注、如何刻画质量差异性以及如何针对不同质量数据的用户组别进行分组推荐建模等问题。提出针对数据质量的刻画,综合考虑用户行为一致性和用户信息熵两个指标对数据质量进行评价并对用户进行分组。对于不同组别的用户在分析其历史行为的基础上可以进行更精准的推荐建模。实验结
灰狼优化算法(GWO)是目前一种比较新颖的群智能优化算法,具有收敛速度快、寻优能力强等优点。将灰狼优化算法用于求解复杂的作业车间调度问题,与布谷鸟搜索算法进行比较研究,验证了标准GWO算法求解经典作业车间调度问题的可行性和有效性。在此基础上,针对复杂作业车间调度问题难以求解的特点,对标准GWO算法进行改进,通过进化种群动态、反向学习初始化种群以及最优个体变异三个方面的改进操作,测试结果表明,改进后
针对Modbus工业总线协议的特殊性及工控数据样本的不均衡性,利用单类支持向量机(OCSVM)分别构建正常OCSVM模型和异常OCSVM模型,即双轮廓模态来模拟系统通信的正常模式和异常模式,从而实现工控系统异常检测。同时将遗传算法优化自变量降维应用于工控网络入侵检测场景,实现对输入自变量的降维压缩处理,防止OCSVM模型出现过拟合现象及分类准确率低的问题,提高异常检测的精度,缩减建模时间。通过仿真
针对粒子群优化算法在搜索高维多峰问题时容易出现种群多样性减少,导致算法早熟收敛,陷入局部最优等缺点,提出了一种基于多尺度分数阶多重记忆与学习的粒子群算法。该算法将分数阶微积分引入标准粒子群速度、位置更新公式,通过记忆粒子的历史速度、位置轨迹、个体最优轨迹、种群最优轨迹,借助分数阶微积分具备的长期记忆特性来充分利用寻优过程中的历史信息,增强算法的收敛速度和收敛精度。同时针对种群进化过程中出现的一些特
推荐系统是处理信息过载问题的重要手段,现有的基于信任网络推荐算法没有充分挖掘用户信任关系信息,影响推荐效果。提出了综合评估信任(CETrust)的模型,该模型综合考虑了用户间的直接信任和间接信任等因素。结合推荐项目的特征属性信息,集成到概率矩阵的因式分解模型中推荐。实验表明,新提出的推荐算法(H-CETrust)推荐精度高于现有推荐算法。