基于个体理性的水资源需求与节约的博弈分析

明确水资源是一种“池塘资源”,而不是纯公共资源,也不是私人资源,水资源的开采具有排他性和竞争性。应用简单的博弈模型分析理性个体的行为特点,提出在产权关系不明确、政府缺乏激励机制的情况下,水资源会出现开采过度和节约不足现象。     

动态交通分配中一类转换率系统的稳定性

在假设交通很拥挤同时交通的转换率与路径费用成正比的前提下，构建了一个动态的转换率模型．为了获取转换率系统的全局渐近稳定，提出了一个普遍适用的Lyapunov函数方法，与此同时通过线性矩阵不等式方法，得到了保证转换率系统全局渐近稳定的充分条件．     

考虑多样化需求的诊疗设备维护和患者调度联合优化研究

针对诊疗设备维护和住院患者候诊难以有效协调的问题,建立了联合优化模型。首先,假设设备具有离散的劣化状态,将设备的劣化过程建模为连续时间马尔可夫链;其次,考虑到患者对诊疗设备的不同功能频率需求,以及不同劣化状态对患者治疗时间、费用的影响,以患者就诊顺序、检查策略、修复策略为决策变量建立了设备维护和患者调度模型;最后,采用改进后的非支配排序遗传算法对多目标问题进行了求解。实验结果验证了设备维护与患者调度联合优化模型的有效性。改进后的算法提高了整体和局部的搜索能力,且具有鲁棒性。     

考虑疫情扩散传播风险的多目标拼车应急管理优化调度模型

为了解决在疫情背景下传统拼车出行模式面临的交互传染风险,对疫情背景下的拼车管理进行分析,提出了将低风险及潜在风险乘客分开服务的拼车策略。在进一步考虑拼车系统应兼顾的社会效益及服务质量的基础上,构建了在满足基本额定盈利及最小化等待时长的双目标拼车应急管理优化调度模型,并给出了求解该模型的组合模拟退火算法。通过具体算例对模型的有效性进行验证,结果表明模型能够较快收敛到一个稳定值,且计算结果能够反映实际场景,说明了模型及算法的有效性。最后,通过一个仿真实验对所构建模型在病毒传播中的作用进行了分析,结果显示所构建的模型可以有效抑制拼车导致的病毒传播速度。     

门诊动态溢流排队系统感性和理性退出率分析

在现实医疗服务中,面对医生座席数量供不应求的现状,采用传统的双队列独立排队系统很难高效利用医院资源。对此,在不改变医院现有资源的情况下设置系统动态用来合理配比各门诊患者容量,在传统双队列独立排队系统的基础上建立动态溢流门诊排队生灭模型,并考虑患者在感性与理性因素下退出系统的概率,便于更准确地分析系统的真实状态。借助ProModel这一灵活、可靠的离散事件仿真软件,将模型可视化研究,并与传统的门诊排队模型进行对比分析。仿真结果显示,新型排队模型的队列平均长度、患者等待时间等服务指标均优于传统的排队模型。     

基于特征分解的快速位姿图优化算法

位姿图优化（pose graph optimization,PGO）是计算机视觉领域中广泛应用的高维非凸优化算法,很难直接求解,主要依赖于迭代技术,对初始值的质量要求较高,在实践中很难得到保证。针对位姿图优化问题进行了研究,提出了基于特征分解的位姿图简单封闭解算法,该算法首先对PGO问题的最大似然估计进行半定松弛,然后将其转换为特征分解问题,并利用数据的稀疏性设计了改进的模型降阶方法进行求解,进一步提高了算法的计算速度。算法具有可伸缩性、计算成本低和精度高等优点。最后,在模拟和真实的位姿图数据集上进行实验评估,结果表明在不影响精度的情况下,该算法可以快速地进行位姿图优化。     

基于改进的NSGA2算法考虑病患公平性及医院运作成本的病床配置优化研究

针对目前医院病床调度存在运营成本较大以及医患关系之间公平性的问题,提出一个考虑医院运作成本和病患公平性下单科室病床分配的多目标随机规划模型。首先,根据基于医院的相关政策,提出一个考虑响应性与准入性的权重测度指标来反映医患关系的公平性,并考虑医院的运作成本建立多目标随机规划模型;其次,为方便算法求解,引入线性化方法将复杂模型处理成混合整数线性模型;最后,采用改进后的NSGA2算法对多目标问题求解,并对算例进行不同的数值实验。通过调整不同的参数进行相对应的灵敏度分析,改进后的算法提升了算法的收敛性与多样性,实验结果验证了模型的有效性和适用性。     

基于ADASYN-SFS-RF的欺诈检测模型泛化性能提升及可解释性研究

针对行业欺诈行为形式多样、操作隐蔽,且数据分布极端不平衡等问题,研究采用ADASYN（adaptive synthetic sampling approach for imbalanced learning）算法将分类决策边界向困难的实例进行自适应移动实现数据扩增,以解决不平衡数据造成的过拟合问题。采用基于随机森林的序列向前搜索策略算法筛选出最优特征子集对欺诈进行检测,降低ADASYN算法添加噪声数据对分类边界确定的影响,构建欺诈检测模型,并使用LIME对模型检测结果作出局部解释,提高模型的使用价值。实验表明,该模型可以较好地克服传统欺诈检测模型对多数类样本误分类的缺陷,有助于提高行业对交易欺诈行为识别的效率。同时,通过LIME对模型检测出的随机样本进行有效解析,便于决策者对算法模型的检测结果作出实证分析,起到明显的预警及决策参考价值。     

众筹项目推荐:面向隐式反馈的深度学习协同过滤

目前,在推荐系统研究中,用户的隐式反馈,以及极度稀疏的数据,已成为影响协同过滤推荐效果的主要问题.针对这一现象,本文提出了深度学习协同过滤算法,先利用卷积神经网络,对用户-项目矩阵的隐层特征进行学习,再结合协同过滤,对用户-项目的交互信息进行建模,并将两种特征融合预测推荐列表.以众筹平台的数据为实验对象,比较模型中各参数对推荐效果的影响,并设计与基线方法的对比实验.实验结果表明:均匀采集负反馈,并在一定卷积层数的网络中,数据稀疏度越高,效果越好;对比基线方法,本文提出的算法在公开数据集(Yahoo!Movie)上取得了最好的推荐结果.本文提出的算法有助于提高众筹平台的融资成功率,同时也丰富了推荐系统的研究体系.