基于AR与DNN联合模型的地理传感器时间序列预测

地理传感器时间序列具有复杂动态的语义时空相关性和地理时空相关性。尽管已经开发了各种深度学习模型用于时间序列预测，但很少有模型能专注于捕捉地理传感器时间序列内的多类型时空相关性。此外，同时预测多个传感器在未来某一时间步的值非常具有挑战性。为了解决上述问题，提出了一种自回归模型与深度神经网络的联合模型(Joint model of Autoregression and Deep Neural Network, J-ARDNN),用于处理地理传感器时间序列的多目标预测任务。在该模型中，空间模块用于捕捉不同序列间多类型空间的相关性，时间模块采用时间卷积网络来提取单个序列内的时间依赖关系。此外，还引入自回归模型来提高预测模型的鲁棒性。为了验证J-ARDNN模型的有效性和优越性，在不同领域的真实时间序列数据集上进行了充分的实验，结果表明，J-ARDNN模型的预测性能优于对比方法。     

建筑工程中质量通病研究与防治措施分析

随着城市化的不断推进,我国的建筑市场也迎来了空前繁荣的局面,随之而来的就是对于建筑施工质量的技术管理,这是建筑业得以长久有效发展的一个重要条件,也是工程能否保证质量按时按点完成的关键。本文就现在建筑行业在工程质量管理中存在的一些通病进行分析研究,并提出相应的防治措施。     

一种改进的基于分解的多目标进化算法

利用基于分解的多目标进化算法框架(MOEA/D),将混合策略的进化算法用于求解分解后的若干单目标优化子问题,提出了一种带局部搜索的基于分解的多目标混合策略进化算法(LMS-MOEA/D)。算法利用均匀设计产生子问题的聚合权重向量,混合交叉策略能够充分利用不同交叉算子的优势;同时算法针对演化过程收敛的特点,结合局部搜索策略,获得逼近Pareto前沿的最优解集。最后通过实验验证算法在多样性和收敛性方面的有效性。     

设计Agent系统应注意的问题

面向Agent技术在不久的将来可能为计算机或其它科学提供一种新的计算模式,现在已经引起了各国的关注,并取得了一些惊人的效果.由于对Agent定义有许多争议,所以给设计Agent系统带来了一些困难,文章就设计者在设计Agent系统时应注意的问题,提出几点建议.     

一种求解冰壶比赛对阵多约束问题的逐层优化算法

冰壶比赛对阵编排问题是一个难于收敛的多约束优化问题.为此提出一种求解此类问题的逐层优化的单亲遗传算法.首先将待求解问题的多个约束进行分层;其次设计了靶向自交叉算子进行第一层优化以提高搜索效率,设计了定点-随机自交叉算子进行第二层优化以保持种群的多样性;最后,将改进的算法用于解决冰壶比赛对阵编排的多约束优化问题,构建了该问题的适应度函数.仿真实验表明,与粒子群算法和经典遗传算法相比,所提算法能够有效求解冰壶比赛对阵编排的多约束优化问题.     

电信欺诈预警的多粒度免疫方法

电信欺诈是电信业普遍存在的一个问题,而电信欺诈检测技术、手段的滞后性、不准确性,且误报率高.人工免疫系统借鉴了机体免疫的原理,具有动态平衡性,自治性,分布性,多层性,适应性等优点,正好弥补了传统检测方法的不足.本文详细介绍了基于免疫方法的欺诈检测的方案,针对电信行业的海量数据,提出了粒度变换的概念,在不同粒度上进行建模和检测.     

一种求解约束优化问题的演化规划算法

提出了一种新的求解约束优化问题的演化算法--基于混合策略求解约束优化问题的演化规划算法（CMSEP）.借鉴了Mezura-Montes的算法中直接比较的约束处理方法,为求解位于边界附近的全局最优解采用多样性保护机制,允许一定比例最好不可行解进入下一代种群,混合策略变异机制用于指导算法快速搜索过程.标准测试函数的实验结果验证了算法的通用性和有效性.     

基于Horspool算法的模糊匹配

匹配模式中存在模糊信息的匹配形式称为模糊匹配，它是目前字符串匹配的重要研究方向。Horspool算法是精确匹配的经典算法，但不能实现模糊匹配。该文将要求匹配的模式转化为相应的二进制数序列，在HorSpool算法基础上扩大其功能，使其能够实现模糊匹配，且不影响其精确匹配的功能。     

一个多Agent系统模型

一个Ａｇｅｎｔ的知识和问题求解能力是有限的,为更好的服务于用户,必须与其它Ａｇｅｎｔ全作,Ａｇｅｔｎｔ寻找合作伙伴是问题求解的关键。本文结构Ｎ．Ｒ．Ｊｅｎｎｉｎｇｓ等人的工作给出了一种系统模型,任务减少了通开锁,自适应单元增强了Ａｅｇｎｔ对外界变化的自适应能力,Ａｇｅｎｔ个性倾向性使模型更合理,排除了冲突因素,提高了２求解的效率。