基于增强学习的代理谈判模型

利用增强学习的Q-learning理论，构造了一个基于时间信念、价格信念和状态期望Q值的代理谈判模型。将代理交互报价的过程看成代理选择报价行动，实现状态的迁移，可以计算出代理在不同状态采取行动的Q值。代理可以通过修改信念函数及时间贴现率来调整报价。该文实现了谈判模型的报价算法，并从理论和实验数据两方面进行了分析比较。

基于Q学习的适应性进化规划算法

进化规划中,个体选择变异策略特别重要.适应性变异策略因在进化过程中动态选择个体变异策略,能够取得较好的性能.传统适应性变异策略都依据个体一步进化效果考察个体适应性,没有从多步进化效果上对变异策略进行评价.本文提出一种新的基于Q学习的适应性进化规划算法QEP(Q learning based evolutionary programming),该算法将变异策略看成行动,考察个体多步进化效果,并通过计算Q函数值,学习个体最优变异策略.实验表明,QEP能够获得好的性能.

基于强化学习与对策的多代理协同技术

本文从强化学习与 Markov 对策相结合方面考察了多代理协同技术的发展,系统地分析了已有的研究成果,并指出基于强化学习与对策的多代理协同技术研完中存在的问题及未来研究方向。

多代理信息融合算法

提出了一种基于模糊数的多代理信息融合算法。多代理系统中,自身代理为实现自身利益,有时提供非真实的诱导信息影响决策。通过分析信息融合算子对诱导信息的响应,扩充了简洁OWA(n-OWA)为信息融合算子以消除诱导信息的影响。同时,引进后续惩罚因子,降低该代理在后续阶段的作用来惩罚提供诱导信息代理。

行人重识别研究综述

行人重识别是指实现不重叠的不同摄像头下同一行人图像的匹配技术,在加强社会管理、预防犯罪行为发生以及实现事件重构等方面具有重要应用价值.由于行人重识别主要依靠人体外表视觉表示特征和人工设计特征,且受光照、图像分辨率、行人姿态及拍摄视角度等因素的影响较大,因此,行人重识别面临巨大挑战.本文对现有行人表示特征学习技术及度量技术进行了综述分析,指出存在的问题及可能的解决思路.本文的论述有利于该领域研究人员对现状的把握及提出新的研究思路.

多代理最优响应Q学习及收敛性证明

在分析了多代理强化学习的基础上,提出了一种基于对手策略假设的代理最优响应强化学习规则,并证明了当对手策略满足一定条件时,基于该学习规则的Q值收敛。实验结果与理论证明相一致。

基于绿色声誉生成模型的企业战略对策研究

现今社会,随着生态破坏和资源浪费现象日益严重,人们的环保意识不断增强,企业越来越重视绿色管理,于是绿色声誉应运而生,并成为企业保持自身可持续发展的必然趋势。本文分析了绿色声誉的内涵及其实施的阻碍因素,从绿色声誉的生成模型出发,综合分析各影响因素,提出合理有效的战略对策。

关于威海海滨度假旅游的营销对策研究

一．海滨度假发展简述 海滨度假作为一种全球性的朝阳型度假产品，富有国际和区域竞争力，经过近百年的发展，已经成为人们熟知和喜爱的旅游目的地类型。 在国外，海滨度假产品体系开发的已经比较成熟，出名的如西班牙的太阳海岸、夏威夷海滨等，其迷人的阳光和沙滩、良好的品牌效应吸引着世界各地的游客。在国内，海滨度假起步较晚，但发展迅速，如大家熟知的海南三亚，以其美丽的热带风景和气候吸引着游客；

一般和对策中基于协商的多代理强化学习

一般和对策中,只考虑个体理性的多代理协作是一种无全局目标的协作.代理学习基于对手策略假设,不能保证假设的正确性.为此通过定义代理协作的集体目标,提出了一种基于多代理协商的代理强化学习算法.代理选择协商策略,并惩罚偏离该策略的代理来保证协商策略的执行.文中给出了学习收敛的条件及证明,并以实例加以分析.

P2P网络中基于增量学习的节点聚类

本文研究了p2p网络中基于内容的节点聚类。基于文件名关键词精确匹配的查询没有考虑文本语义及内容相似性。如果能够根据节点发布内容的相似性,建立节点聚类,信息查询在类内进行,必将提高查询效率。本文提出了一种基于增量学习的节点聚类方法,通过兴趣爬虫代理计算节点得分,据此判断一个节点是否可以加入节点簇。实验表明,节点簇的建立可以有效地提高 p2p 网络的查询效率。

多代理模糊收益及策略学习

本文研究了基于模糊知识的多代理决策问题。通过建立代理决策目标的模糊知识,我们给出了基于模糊收益的多代理决策模型,并研究了基于梯度的代理策略学习算法。

量子计算的表象无关性探讨

大因数分解和数据检索量子算法的提出带来了量子计算与量子信息的研究高潮。由于量子计算具有并行性、不可克隆性及量子态的不可测性,使得量子信息及量子计算在某些方面具有传统计算所无法比拟的优势。量子的态空间作为一个完备的Hilbert空间,在定义了内积和范数并赋予相应的物理意义后,就构成了理论意义上的量子计算系统。该文抽象了量子系统的本质,描述了量子计算及遵循的计算规则以及如何实现量子信息表示和进行信息的处理与测量,从理论上阐述了量子态系统迁移的线性同构和等距同构,说明了量子计算与量子信息的研究与具体的量子表象空间无关。

国内运动品牌竞争战略探析——以安踏为例

新形势下,我国体育用品市场迎来难得的发展机遇,同时面临激烈的市场竞争。通过对安踏品牌的外部竞争环境和内部能力的分析,研究适合的竞争战略,对国内体育运动品牌进行了有益探索。

刍议文化培育在企业经营中的作用——以海尔为例

海尔作为我国家电企业巨头,有其独特的企业文化。以创新为核心的海尔文化带动了海尔内部的经营管理,同时也产生了很好的外部效应。本文从海尔文化观、人才观、战略观及服务观等等多个方面入手,对文化培育在企业经营中的作用进行了探讨,并提出了一些建议,以给我国企业在文化培育上提供借鉴。

基于最近邻原则的半监督聚类算法

基于最近邻原则的半监督聚类算法是以基于最近邻的聚类中心求解算法为基础的。在基于最近邻的聚类中心求解算法中,用相似度矩阵记录数据点间的相似程度,由目标函数最小值求得聚类的类中心点。在基于最近邻原则的半监督聚类算法中,根据约束信息来调整相似度矩阵G,数据点间相似度的变化引起了数据点间加权欧式距离的变化,由此更新加权欧式距离矩阵M,最后执行聚类中心求解算法完成聚类。大量实验结果表明,该算法能获得较好的聚类结果。

用于不均衡数据集分类的KNN算法

针对KNN在处理不均衡数据集时,少数类分类精度不高的问题,提出了一种改进的算法G-KNN。该算法对少数类样本使用交叉算子和变异算子生成部分新的少数类样本,若新生成的少数类样本到父代样本的欧几里德距离小于父代少数类之间的最大距离,则认为是有效样本,并把这类样本加入到下轮产生少数类的过程中。在UCI数据集上进行测试,实验结果表明,该方法与KNN算法中应用随机抽样相比,在提高少数类的分类精度方面取得了较好的效果。

改进的模糊C-均值聚类算法研究

为解决模糊C-均值(FCM)聚类算法对噪声和孤立点数据敏感、样本分布不均衡的问题,提出了具体的改进和提高的方法:改进隶属度函数,以消除孤立点对聚类结果的影响;为每个样本点赋予一个定量的权值,以区分不同的样本点对于知识发现的不同作用,改善噪音和分布不均衡的样本集的聚类结果。实验结果表明该算法具有更好的健壮性和聚类效果。

关联规则中频繁项集高效挖掘的研究

针对Apriori时间性能较低的缺陷,结合二项集支持度矩阵提出了Apriori改进算法Apriori-M。在扫描数据库时生成一个二项集支持度矩阵,利用矩阵的性质提高了连接和剪枝的效率;通过第二次扫描数据库就能正确地获取所有的频繁项集,并很好地解决了Apriori生成无效二项集的问题。实验结果表明Apriori-M的性能优于Apriori。

针对不平衡数据集的Bagging改进算法

传统的Bagging分类方法对不平衡数据集进行分类时,虽然能够达到很高的分类精度,但是对其中少数类的分类准确率不高。为提高其对少数类数据的分类精度,利用SMOTE算法对样例集中的少数类样例进行加工,在Bagging算法中根据类值对各个样例的权重进行调整。混淆矩阵和ROC曲线表明改进算法达到了既能保证整体的分类准确率,又能提高少数类分类精度的目的。

属性加权的朴素贝叶斯集成分类器

为提高朴素贝叶斯分类器的分类精度和泛化能力,提出了基于属性相关性的加权贝叶斯集成方法(WEBNC)。根据每个条件属性与决策属性的相关度对其赋以相应的权值,然后用AdaBoost训练属性加权后的BNC。该分类方法在16个UCI标准数据集上进行了测试,并与BNC、贝叶斯网和由AdaBoost训练出的BNC进行比较,实验结果表明,该分类器具有更高的分类精度与泛化能力。