云制造环境下供应链节点企业的优化组合

来源 :计算机应用研究 | 被引量 : 19次 | 上传用户:neithernor86
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
为了适应互联网的快速发展,实现云制造环境下供应链各个节点企业的快速组合,将云制造供应链与蝙蝠算法相结合,建立了供应链选择的三维结构模型。从云制造的角度对供应链节点进行选择,重点研究了多目标云制造供应链选择模型,应用蝙蝠算法对模型进行量化求解。在众多种组合中快速找到了整体最优的云制造供应链,证明了蝙蝠算法在云制造海量数据选择中的有效性,对供应链在云制造环境下的进一步发展具有一定的指导意义。
其他文献
针对传统窗宽固定不变的Mean-Shift跟踪算法不能实时地适应目标尺寸大小变化这一问题,提出了一种基于目标相似度辅助决策的带宽自适应跟踪算法。首先利用目标与背景的特征显著性,提高跟踪算法空间定位准确性;然后利用局部穷搜索的方法,计算目标模型与每一帧目标跟踪中心点附近一定区域的相似性;最后通过统计分析前后帧相似像素点数目变化,确定目标尺度变化情况,从而建立一种自适应更新带宽准则,提高算法对目标尺度
针对多尺度边缘检测中如何有效地将不同尺度上的边缘信息相融合问题,提出了一种新的多尺度边缘跟踪算法。该方法首先获得输入图像的多尺度边缘图像和多尺度梯度方向图,然后根据相邻尺度间对应边缘点的相似特征,进行由大尺度到小尺度的逐层边缘跟踪,将不同尺度上的边缘信息融合,最后通过对获得的跟踪边缘图像的细化处理得到最终边缘图像。实验结果表明,该融合算法具有边缘检测完整、定位准确、伪边缘点少等优点,并且具有较高的
为了减少非限定环境下干扰对人脸验证的影响,提出一种基于视觉条件评估的自适应人脸验证算法。该算法首先把输入的一对人脸图像分割成多个人脸区域;然后采用支持向量回归机方法评估每个区域上图像对的视觉条件并选出可靠区域;最后联合多特征融合、度量学习和支持向量机等技术在所选区域上执行分类验证该对人脸。实验结果表明,根据人脸图像间的视觉条件自适应地选择人脸区域,可以有效地减少复杂干扰的影响,并能显著提高非限定环
针对传统匹配算法得到的初始视差图不精确的问题,提出一种基于均值偏移和区域映射的视差图优化算法。该算法首先采用均值偏移算法对视差图进行区域分割,提取由误匹配所导致的黑洞区域;将左原始图像的分割区域映射到视差图中,从而对视差图进行每个区域内的平面拟合,去除误匹配点和像素跳跃点;结合标定数据得到三维场景的深度信息和三维坐标,最终实现三维重建。通过对图割算法及四种经典匹配算法进行实验,结果显示本算法能显著
对于当前多种解决平移抖动的运动估计算法存在精度和效率难以兼顾,且在较大搜索窗口下易陷入局部最优,不适于大平移抖动图像稳定的问题,提出一种新的稳像算法。该算法采用菱形法匹配,大模板改进为六边形并对搜索域分区后排序优选,采用最多样本统计法提取全局运动矢量,采用自适应均值滤波实施补偿。通过算例验证,结果表明该法较穷尽法、三步法、四步法和传统菱形法具有更高的搜索效率;自适应滤波补偿相对于固定尺寸滤波更能兼