众包任务定价模型与人员匹配方式研究

以广东省为例,研究"拍照赚钱"的市场任务定价和运作规律.首先,通过Logistic回归分析确定任务未完成的原因.然后,通过建立和分析任务标价与5个因素的多元非线性回归模型和任务标价与完成率的双目标规划模型,得出新的定价方案.最后,用K-means聚类对任务进行打包处理,得出改进后的定价方案和该方案对完成情况的影响,并将3种定价方案进行比较,确定众包任务的最优定价方案.     

基于云数据的自助式服务定价模型分析

针对"拍照赚钱"任务定价的问题,分析其定价影响因素。首先对已知项目设计新的任务定价方案,并与原来的方案进行比较,希望能够提高完成率。其次基于佛山、广州、东莞、深圳4市的已结束任务位置与会员数据,对任务位置进行聚类分析,利用显著性检验定量分析任务离聚类中心距离、会员密度、任务密度与定价的相关度。最后运用多元线性回归模型对新任务定价预测,对比新旧定价方案结果的差别,为优化定价方案提供理论依据。     

基于贪婪算法的众包平台定价规律的研究

针对"拍照赚钱"任务定价,利用数据可视化、K-means聚类等方法,分析定价规律和任务未完成的原因.对任务完成度低的区域,使用贪婪算法优化任务分配,并重新调整定价方案.最后,以广州市为例进行线性定价,验证了调整后定价方案的合理性.本文模型具有较好的可行性和有效性,能够为一般的定价机制提供参考.     

基于聚类分析的劳务众包平台任务定价模型

使用聚类分析与优化模型,对劳务众包平台上的任务定价进行分析,以此来提高平台的任务完成率,同时降低平台的定价成本.首先,对原有的定价方案及定价结果进行聚类分析,找到现有定价方案的缺点.然后,提出新的定价方案,引进任务打包的定价方式,构建双目标优化模型,给出新的定价模型.最后,利用新的方案进行仿真模拟,与原有方案进行对比,结果验证了所建模型的有效性.     

一种改进的K-means算法

通过分析传统K-means算法难以确定聚类中心数目的问题,提出了一种改进的K-means聚类算法(CS-kmeans).该算法分析当聚类效果较好时最大类内距离与最小类间距离之间的关系,使用类内距离小于最小类间距离以及类间距离大于最大类内距离实现对类别数的自动分割与合并,从而确定适当的聚类数目.实验结果表示,文中改进后的算法相比传统K-means算法和其他改进算法,对于确定聚类中心数目、提高聚类质量是更为有效的.     

基于密度峰值聚类的阵型识别算法

针对RoboCup2D足球仿真中阵型识别问题,提出了使用一种基于密度峰值聚类的机器学习算法来识别阵型。该算法是根据坐标点与坐标点之间的距离计算与第i个点之间的距离小于截断距离的个数,并对个数进行顺序排列,寻找被低密度区域分离的高密度区域,得到聚类中心。算法核心是对聚类中心的刻画以及数据的选取。聚类中心本身的密度大,被密度均不超过它的邻居所包围,与其他密度更大的数据点之间的"距离"相对更大。对有效数据进行聚类的仿真结果表明,该算法将数据聚类成3类,通过阵型读取显示文件证实了聚类结果的正确性,同时也印证了对球队中前锋、中锋、后卫的区域的定义。     

基于随机游走的密度峰值聚类算法

密度峰值聚类算法(DPC)是近年来提出的一种新的密度聚类算法,其核心基于局部密度和相对距离。该算法在定义局部密度以及相对距离时直接用欧式距离,导致在一些稀疏差异大及长弧形的类簇聚类效果差,且一步分配策略的鲁棒性不佳。提出基于随机游走的密度峰值聚类算法(RW-DPC),即引入随机游走首次到达模型来刻画数据点之间的相似性,重新定义数据点的局部密度,且给出一种新的样本分配策略。对比在人工数据集和UCI真实数据集上与其他聚类算法的实验结果,说明对于密度不均匀及弧形类的数据集,本文算法的聚类效果优于密度峰值聚类算法以及其他算法。     

基于距离度量学习的半监督多视角谱聚类算法

为了有效利用少量先验信息提高多视角数据聚类效果,提出了一种基于距离度量学习的半监督多视角谱聚类算法(简称ML-SMC)。首先,利用距离度量学习引入先验信息,将多视角数据映射到反映先验约束条件的空间.然后,根据相似性构造每个视角的视图,将多视角聚类问题转化为最小正则割的图划分问题。实验结果表明：ML-SMC算法聚类结果的精度优于3种经典的多视角聚类算法和4种半监督单视角聚类算法。并且通过利用少量先验信息ML-SMC算法能够有效提高聚类效果。     

基于任务定价的空间众包绩效提升研究

对空间众包这一新型分布式解决方案而言,提高众包绩效是亟须解决的问题,而任务的定价策略与众包绩效的提升具有密切相关性.提出等效任务代表点的概念,研究原有任务定价规律与任务密度、会员密度、会员平均信誉度、最邻近可达距离4个因素的关系.在此基础上从发包方、平台以及接包方3个角度出发,针对任务实现的4个步骤,分别建立了多目标的任务定价模型、会员动态抢单模型、任务分配模型以及任务完成概率预测模型.进而运用TOPSIS法计算不同方案的综合评价指数,排序选取最优任务定价方案.最后将优化后的方案与原方案进行对比,在保证发包方总成本尽可能低的情况下,平台任务完成率、会员个人平均收益以及单位信誉值转换的酬金均显著提高,即众包绩效得以提升.结果验证了该模型的可行性与有效性,为空间众包平台的任务定价提供了借鉴与参考.     

基于改进FCM算法的交通流分析

针对交通流聚类问题,提出一种改进的模糊C-均值算法。该算法根据交通流特点,对样本数据集进行处理得到模糊等价矩阵,通过改进隶属度函数和距离度量函数得到新的目标函数,利用拉格朗日算法优化隶属度和聚类中心,最后通过凝聚度和分离度实现自动聚类。实验结果表明,改进FCM算法削弱了突变点影响,提高了聚类效果。     

输入排队iSLIP算法的改进与比较

高速路由器交换网络中,输入排队调度算法有良好的性能。为了进一步提高经典算法iSLIP的性能,根据虚拟输出队列(VOQ)中包的个数和队首包的等待时间不同,对iSLIP算法进行改进,提出了lp-iSLIP(Long Queues Prioriy iSLIP)算法和op-iSLIP(Old Queues Priority iSLIP)算法。通过仿真可以看到改进后两种算法包的延时较iSLIP算法有一定降低,即算法性能有了提高。最后对iSLIP算法和对信元加入优先级的pri-iSLIP算法进行比较,仿真结果显示pri-iSLIP算法的性能较好。     

进化算法在求解连续空间函数优化问题上的比较

优化算法就是一种搜索过程和规则，它是基于某种思想和机制，通过一定的途径和规则来得到满足用户要求问题的解.优化问题也是人们在工程技术、科学研究和经济管理等诸多领域中经常遇到的问题.鉴于工程优化问题的复杂性、约束性、非线性、多极小等特点，分析各种算法，寻求一种适合要求的算法很重要.目前，进化算法主要包括遗传算法、模拟退火法、混沌算法、蚂蚁算法、粒子群算法等.分别介绍了5种算法的基本思想以及它们的特点，并且通过对几个连续函数的优化比较，阐述了算法的各自不足.     

基于单纯形和粒子群优化的搜索算法

在综合分析单纯形算法与粒子群算法优缺点的基础上,将单纯形算法与粒子群算法相结合,提出了一种单纯形,粒子群混合算法,有效地避免了原有两种算法的缺陷,提高了对目标函数的搜索效率与质量,并用试验函数验证了算法的可行性.     

密码学中信息摘要算法MD5的改进

在MD5算法的基础上,针对MD5算法密文是一个32位16进制字符来表示值的特征,提出MD5改进算法,首先采用替换加密算法Md5Replace加密MD5算法密文,隐藏MD5算法密文的特征;再选定替换加密密文中某一位置插入由随机函数算法Md5Random产生定长的字符串得到最后的密文,改变了替换加密密文位数,隐藏了替换加密算法替换规律。在不改变算法效率的前提下,提高算法安全强度。     

多算法加权融合的盲均衡算法

在研究了多种广泛使用的盲均衡算法的基础上,设计了一种对多种算法加权融合的新算法：
当均衡器的输出信号可靠性足够高时,用可获得高收敛精度的多模辅助算法(MAMA)进行均衡
;当均衡器的输出信号可靠性不够高时,用修正的常模算法(MCMA)、多模算法(MMA)和MAMA 三种算法的加权融合来均衡,且控制权重,使权重随迭代次数变化,提高了算法性能. 仿真结果证明,新算法性能稳定,在恶劣的水声信道中,可以在大约2?800次迭代后收敛,达到-35?dB左右的码间干扰(ISI).     

常用细化算法在纸浆纤维图像处理中的应用与比较

本文介绍了三种常见的细化算法,其中详细介绍了hilditch算法,并且通过编程将其应用于纸浆纤维图像的处理中.通过对处理后的纤维图像质量的比较,结果显示hilditch算法更适用于对纸浆纤维图像的细化,但仍然需要在对纤维图像中的非纤维图像信息进行有效地删除方面进行改进.     

EDF调度算法的实时性改进

在实时调度算法中,常用的EDF调度算法是非抢占式的,针对这个问题,研究应用SLAD算法和BACK-SLASH算法来改善EDF调度算法的实时性.对过载情况下的截止期错失率DMR的测试,结果表明其实时性确有所改进.     

学习特征权值对聚类算法的优化

现有的k-均值聚类算法大都是以距离差异为基础的,而同等重要地依赖所有属性的相似性度量会引起误导.传统的k-均值算法选择的相似性度量通常是欧几里德距离的倒数,这种距离通常涉及所有的特征.而在距离公式中引入一些特征权值后,其聚类结果将依赖于这些权值,从而可以通过调整这些权值优化聚类效果.由于k-均值算法是迭代算法,很难直接确定其权值以优化聚类结果,因此提出了一种通过免疫算法学习权值的方法以改进聚类结果.实验结果显示,该方法确定的权重值在提高聚类效果方面是可行的、有效的.     

COMP:一种有效的多模式/多对象匹配算法

为研究产生式系统的匹配效率问题,分析了RETE算法与TREAT算法的优缺点,提出了一种新的匹配算法－COMP算法,通过理论分析,在最坏情况下,该算法的时间复杂性为O（W^C）,优于RETE算法,实验结果表明,COMP算法在一般情况下优于TREAT算法,而在各种情况下均优于RETE算法。     

RA码译码简化算法的研究

RA码BP译码算法，可以实现线性时间译码，然而具有较高的复杂度。为了便于硬件实现，首先提出将最小和算法应用于RA码，然后对最小和算法进行了改进，提出了归一化算法和偏移算法，使循环译码算法在复杂度和性能之间取得了较好的折衷。仿真结果表明：归一化算法和偏移算法复杂度低，性能接近BP算法。