模糊机会约束规划下的物流配送路径优化

针对模糊需求信息条件下物流配送路径优化问题进行了分析,运用模糊数学的可能性理论建立了该问题的模糊机会约束规划模型,并构造了一种新的禁忌搜索算法进行求解。算例说明,该模型及算法对于模糊需求下物流配送路径优化问题具有一定的实用价值。     

云环境下基于偏好的资源公平分配策略

资源分配策略是云计算领域的一个重要研究热点,其主要目标是同时考虑云用户和云提供商双方的利益,有效满足系统用户和任务的公平性,同时尽可能达到系统资源的充分利用。考虑到云环境中的用户需求各异,每个用户的任务请求数量不同,各个任务的资源需求也不同,设计了一种基于偏好的公平分配策略FABP,并给出了用户优先级和任务优先级的定义。实验分析表明,该算法不仅能缩短平均任务调度时间,而且还可以保证任务调度过程中用户和任务的公平性,实现综合资源利用率的最大化。     

图标认知实验定量研究综述

图标作为人机界面的重要组成部分之一,长期以来受到用户界面研究人员和设计人员的关注,对图标视觉效果,生成机制,附加因素等的研究与探讨层出不穷。文章以一定程度的定量综述的方式,研究分析自2000年以来,在图标认知的实验方面的研究中,研究人员重点关注的实验变量和研究目的与方法,找出其中的相关性,为此领域的进一步研究提供参考。研究表明,研究涉及较多的变量包括图形因素,图标属性,图标隐喻和触觉听觉元素四类,主要研究目的包括视觉搜索,认知识别和用户偏好。且两者之间存在一定程度的相关性。     

非理性环境影响下的双边动态协商模型*

针对当前协商模型中大多未考虑非理性因素影响的问题,提出一种非理性环境影响下的双边协商模型。在该模型中,通过对决策者性格特征MI、个性偏好W和心理优越度MS的描述模拟非理性环境,同时利用协商过程中的协商状态等作为对非理性环境的外部影响。为体现非理性环境对协商决策的影响,采用了基于扰动的效用评估方法和环境依赖的协商策略。仿真实验表明,定义的非理性协商环境能够较好地模拟真实情况;同时,利用效用评估函数和协商提议策略更好地体现了非理性环境对决策的影响。经验证,提出的协商模型是有效的。     

基于社交圈层和注意力机制的信息热度预测

社交网络现已成为现实世界中信息传播与扩散的主要媒介,对其中的热点信息进行建模和预测有着广泛的应用场景和商业价值,比如进行信息传播挖掘、广告推荐和用户行为分析等.目前的相关研究主要利用特征和时间序列进行建模,但是并没有考虑到社交网络中用户的社交圈层对于信息传播的作用.本文提出了一种基于社交圈层和注意力机制的热度预测模型S...     

基于决策场理论的公交出行多阶段动态决策

针对城市公交出行决策问题,采用改进决策场模型从心理微观偏好进化的角度对两阶段出行决策行为进行了研究.提取了不同公交方式的同质属性构建属性矩阵;结合出行者个体特征和交通属性状态的波动构建注意力权重矩阵,同时优化了注意力转移概率的计算方法.通过问卷调查与计算机仿真相结合的方式对偏好进化过程进行分析,结果显示:出行者存在偏好震荡现象,且在短时思考时间内更加明显;在出行过程中进行决策时,换乘行为的触发需要更多的偏好进化时间;同一时刻下,个人对不同的交通方式的属性注意力是独立分布的;反馈矩阵中的记忆效应和方案竞争性对决策的形成时间有显著影响,强记忆效应和弱竞争性下的偏好进化速度更快.决策场模型可对公交出行动态决策行为进行描述.     

区间数信息下的多属性群决策研究

随着决策系统的不断扩大以及复杂化,评价指标以实数值描述稍显欠妥。研究属性权重为实数值、区间数信息下的多属性群决策问题,建立集结区间数信息的非线性规划模型,采用模拟植物生长算法集结各方案中多位专家给出的区间数偏好,并利用得到的偏好区间数构成群决策偏好矩阵。结合已知权重,引入投影理论得到各方案的综合评价值,从而选出最优决策方案。算例结果表明,模拟植物生长算法不仅计算简便、灵活,并且尊重每个专家的意见,较好地保留了信息的完整性,显示出人工智能算法在信息集结方面的有效性。     

基于用户侧档的网上图像信息检索策略

网络中的图像信息正在以越来越快的速度增加,信息检索技术面临极大的挑战。文章在现有图像技术的基础上提出了一种使用用户侧档的基于色彩偏好的图像检索技术,提高了图像检索的智能性和命中率。     

不确定偏好信息下质量管理的含糊群体决策

为实现质量管理的定量决策和信息集结,将质量管理决策问题归结为偏好信息不确定下群体决策问题.建立了质量管理多属性群体决策模型,分析了决策中语言偏好信息和权重偏好信息的不确定性.采用双重模糊的含糊集表达决策语言的不确定性,同时将模糊集的基本运算引入到含糊集中,定义了四种处理权重偏好信息的决策函数,分别实现了质量管理决策量化结果的集结处理.比较了这些决策函数在权重偏好信息不同的情况下的集结行为,通过案例计算验证了这些决策函数对信息集结的不同效果和应用场合.     

一种融合用户动态偏好和注意力机制的跨领域推荐方法

作为当今电子商务中的一项重要技术,推荐系统的重要性日益提升.在项目空间上用户的评分数据十分稀疏,导致推荐系统的质量不佳.商品评论中蕴含着丰富的信息,通过提取评论文本信息能够有效地减少数据稀疏性带来的影响.事实上,用户的偏好并非一成不变的,将不同时间段设置不同的权重能更有效地描述用户的整体状况.在神经网络算法广泛应用的背景下,将神经网络引入到跨领域推荐中可以发现不同领域用户偏好的映射关系.此外,注意力机制是一种流行的深度学习方法,将注意力机制与主题模型结合,提出一种基于注意力机制的跨领域推荐方法.首先,使用LDA(Latent Dirichlet Allocation)主题模型分别提取源领域和目标领域的项目主题分布.接着,将其与用户评分、时间权重因子、注意力机制结合,得到用户的动态偏好.然后,使用BP(Back Propagation)神经网络学习用户偏好的映射关系,并将用户在源领域与目标领域的偏好结合.最后,通过协同过滤的方法进行评分预测.实验结果表明,提出的推荐方法在亚马逊电子商品、影视与以及音乐的评分评论数据集上较其它传统推荐策略有着更好的推荐效果.