任务多标准优先级排序方法综述

任务的多标准优先级排序(multi-criteria priority ranking)涉及在可能存在冲突的多个标准下为大量任务计算优先级,以便决策者能够高效地分配资源,优先处理更为关键的任务,进而提高整体工作效率。经过近二十年的持续修改与扩展,目前优先级排序领域已展现众多成熟的经典方法;且随着大数据时代的到来,采用新兴技术的排序方法也开始涌现。为了帮助决策者根据不同情境下的优先级排序需求来评估和选择最适合特定应用场景的多标准优先级排序方法,文章阐释了不同多标准优先级排序方法在标准间的可替代性、优缺点、数据输入/输出要求、适用场景等方面的差异,将当前多标准任务优先级排序方法分为:全聚合法、劣势排序法、参考水平法以及基于数据处理技术的优先级排序方法4大类,详细讨论了各类别下代表性方法的基本原理、最新研究结果和优缺点;并总结了当前优先级排序方法研究的热点,包括层次分析法、模糊理论及人工智能辅助排序技术,提出其未来研究方向,涵盖了AI辅助的大数据排序优化、增强排序稳定性以及智能偏好识别。

小世界效应加速生物地理学优化的社团识别算法

为提高基于优化方法的网络社团结构识别算法的有效性,设计一种利用小世界效应加速生物地理学优化过程的网络社团结构识别算法.首先基于矩阵随机编码建立网络社团识别生物地理学优化框架,在栖息地中全局进化地搜索对应于最大化模块度的网络社团划分.然后,给出基于小世界效应的生物地理学迁移策略,可以加速进化算法的信息交换过程.最后,运用该算法在现实网络和人工合成网络上进行实验.结果表明:引入小世界效应能够降低网络社团结构识别算法的收敛时间;在典型现实网络与人工合成网络上运行该算法能够获得较高的模块度值与标准化互信息值;信息交换的拓扑结构能够优化进化算法效率.应用小世界效应加速生物地理学优化的网络社团识别算法具有较好的可行性与有效性.