【摘 要】
:
资源分布情况复杂,资源指派涉及到较多的影响因素,合理划分空间以评估资源数量及利用资源,使得空间呈现出明显的多维特性,例如城市交通网络划分和物种集聚地划分等。为了在资源有限的情况下,根据服务对象的相关需求,高效利用资源,保证空间主体划分和客体资源利用的利益最大程度,本文主要研究多维空间中资源分配的指派问题,通过任务属性划分空间网络,避免资源分配和使用的效益因空间约束过度耦合而降低。合理分配相应的资源
论文部分内容阅读
资源分布情况复杂,资源指派涉及到较多的影响因素,合理划分空间以评估资源数量及利用资源,使得空间呈现出明显的多维特性,例如城市交通网络划分和物种集聚地划分等。为了在资源有限的情况下,根据服务对象的相关需求,高效利用资源,保证空间主体划分和客体资源利用的利益最大程度,本文主要研究多维空间中资源分配的指派问题,通过任务属性划分空间网络,避免资源分配和使用的效益因空间约束过度耦合而降低。合理分配相应的资源,是提高空间划分和资源分配利益的关键,也更好地提升了对资源合理利用效率。本文选取了交通网络空间为背景,取交通网络中供应能源的充电桩作为资源,结合各划分网格中的车辆用电需求和资源利用情况等实际约束,对多维空间约束问题进行相关的工作求解。主要包括了以下的内容:(1)约束条件下的量化评估及指派问题建模。通过聚类分析对交通空间中的数据集进行划分,研究空间与资源调度的分配模式,使用基于角色的协同理论方法,抽象提取资源分配要素,选取划分的交通网格空间作为角色,选取合适的指派模型将交通网络中基础设施资源属性抽象,将影响资源指派的约束使用矩阵形式化表达,建立群组角色指派模型协作矩阵;(2)提出基于代理集的量化评估矩阵的计算方法。平衡空间划分和资源使用情况对基础设施指派的关系,促使资源指派利用率得到更好的提升,同时使用整数规划算法对考虑资源使用电量负荷和资源利用收益率的问题指派;(3)大规模指派调度实验验证及多目标平衡指派,根据单目标规划下的多维空间约束及指派问题的指派求解得到证实有效后,增加对平衡子目标重要性的考虑,使得指派结果促进资源协作效益,使用多目标规划进行资源指派。通过定义代理和量化资格评估矩阵,提出多目标规划中促进各子目标平衡的资源指派方法,使得在保证资源高效利用的同时,选取最满意的调整方案。论文分析了交通网络中基础设施数据,对指派方法进行了大规模的仿真实验。通过基于单目标规划及多目标规划将空间中的资源调度指派,合理地提升对复杂资源分布的利用率,更好地提升了空间中基础设施资源指派的高效性,同时提升了资源调用的收益。通过与随机指派方法相对比,本文的求解方法对于复杂交通网络所需的新型资源,例如充电桩资源指派来说,多目标规划下的电量负荷与一般随机指派相比有了较大的降低,同时也提升了收益。指派任务结果所需的求解时间短,满足多维空间约束下的资源指派要求,能快速进行基础设施资源指派求解,增加了多维空间资源利用的效益。
其他文献
在大数据时代,知识图谱成为表示和组织海量知识的一种重要形式。其中,知识图谱的新探索领域是分布式知识表示学习,它主要研究在低维空间中如何表示知识图谱的关系与实体,同时捕捉其语义信息。但是,实体稀疏性常见于知识图谱,导致现有的分布式知识表示学习方法难以正确地学习到稀疏实体的向量表示,从而影响知识图谱的应用效果,为此,本文开展了以下工作:(1)提出一种捕获稀疏实体特征的激活机制,用于优化知识表示学习模型
启发式搜索作为智能规划问题求解的重要范式之一,其性能主要取决于启发式估值函数的信息度和启发式搜索算法的效率。FF规划器的放宽规划图启发式、Fast-Downward规划器的因果图启发式、LAMA规划器的7)8)(8启发式等精心设计的领域无关启发式,都表现出了优异的求解性能。然而,不同的启发式具有不同的结构特征,代表了不同的设计策略。一方面,单一启发式并不能完美适用于所有规划问题。另一方面,预先设计
掺铥光纤激光器(Thulium-Doped Fiber Laser,TDFL)输出功率的持续增长以及应用范围的不断拓展,其输出激光的功率稳定性要求也越来越严格。TDFL长时间工作时会因为光子暗化效应(Photon Darkening Effect,PD)的影响而导致输出功率慢慢下降,稳定性变差,温度升高等情况,严重影响了稀土掺杂激光器的持续发展。本论文以目前的光子暗化研究为基础,对掺铥光纤激光器的
联合用药对复杂疾病的治疗具有非常重要的应用价值。通过药物组合治疗,可以提高临床治疗效果,减少药物的副作用,甚至可以帮助病人克服耐药性。近年来,联合疗法被研究人员应用到癌症治疗中,已经成为现代癌症治疗中不可或缺的一种治疗手段。在生物学中,研究人员凭借着先验的生物知识与临床经验,通过生物实验筛选方法来确定有效的药物组合。虽然传统的实验筛选方法已经有效地发现一批药物组合,但是随着大量新药被研发出来,药物
与传统的协作过滤和基于内容的推荐不同,序列推荐通过对用户与项目之间顺序行为的建模,很好地捕捉到用户与项目之间的交互以及随时间变化的用户偏好。会话是对序列的更细粒度的划分,会话推荐可以更好地捕获用户的短期兴趣;图神经网络能对非欧式数据进行向量化表示,在推荐系统中,可以很好地捕获用户项目之间的关系,两者越来越受到业界广泛关注。在研读大量相关文献后,发现目前基于会话的序列推荐仍然存在以下问题:一是关注于
序数回归(Ordinal Regression,OR)是指在具有有序类别数据的基础上建立分类模型。目前,序数回归模型得到了广泛的应用,但是现有的序数回归算法主要在单视角数据上建立分类器,面向多视角数据的序数回归算法还存在一定的空白。此外,由于采样误差、传输错误等原因,多视角数据可能存在不确定信息。如何利用有序数据中的多视角信息和处理有序数据中不确定信息,是本文亟待解决的问题。针对上述序数回归目前存
三维目标检测是自动驾驶车辆环境感知的关键技术之一,通过提供周围场景中丰富的三维信息,为自动驾驶的下一步规划决策提供重要依据。鉴于单目相机价格便宜、容易安装等特点,基于单目的三维目标检测在商业应用中受到广泛青睐。为此,本文重点针对车辆、行人及非机动车检测,研究基于单目的轻量化三维目标检测算法,并实现了算法在移动端嵌入式设备SE5 AI平台的部署。主要研究内容如下:(1)单目三维目标检测基准算法测试。
现今的药物研发工作所消耗的人力物力、时间和资金都变得越来越多,并且每年的申报名额也在逐年减少,药物研发工作变得越来越难以开展。得益于前人的科研工作经验的总结和大数据化的数据交流的发展,人们逐渐倾向于寻找一种成本低、效率高的方法应用于药物的研发初期,为现有药物提供高置信度区间的潜在适应症,这种技术被称为药物重定位。虽然目前已有不少科研人员提出了极具研究价值的预测模型,然而,在药物相似性和疾病相似性的
多标签学习(multi-label learning,MLL)是监督学习的一种,但与传统监督学习不同的是,在多标签数据中,一个示例往往与多个标签相关联。多标签学习中,一个对象往往可以通过多个方面来描述。例如,在网络图像检索中,一幅图像可以使用图像的视觉特征集或者图像周围文本的文本特征集来进行描述。在这些应用中,一个对象与多个视角相关联,并且每个视角都从不同的方面来描述同一对象。因此,如何利用多视角
中医智能处方推荐指利用人工智能技术,根据患者病历信息进行学习,对候选中药进行预测,以模拟医生开具处方的过程。近年来许多学者围绕中医处方推荐开展了相关研究,但目前领域内仍存在亟待解决的问题,如现有临床诊疗数据具有“一多一少”的特点、无法对临床表型中的“未登录词”形成表示、现有处方推荐方法性能较低、现有方法推荐结果的配伍合理性不强等。为解决上述问题,本文围绕中医处方推荐开展了以下三方面研究。第一,针对