Optimal Policy and Simple Algorithm for a Deteriorated Multi-Item EOQ Problem

This paper considers a deteriorated multi-item economic order quantity (EOQ) problem, which has been studied in literature, but the algorithms used in the literature are limited. In this paper, we explore the optimal policy of this inventory problem by analyzing the structural properties of the model, and introduce a simple algorithm for generating the optimal solution to this problem. Numerical results are reported to show effi-cacy of the proposed method.

Multi-Item Fuzzy Inventory Model Involving Three Constraints: A Karush-Kuhn-Tucker Conditions Approach

In this paper, a multi-item inventory model with storage space, number of orders and production cost as constraints are developed in both crisp and fuzzy environment. In most of the real world situations the cost parameters, the objective functions and constraints of the decision makers are imprecise in nature. This model is solved with shortages and the unit cost dependent demand is assumed. Hence the cost parameters are imposed here in fuzzy environment. This model has been solved by Kuhn-Tucker conditions method. The results for the model without shortages are obtained as a particular case. The model is illustrated with numerical example.

基于元数据增强的多模态会话推荐模型

为学习会话推荐中不同项目属性的共享表示和提升推荐性能,提出一种基于元数据增强的多模态会话推荐模型。应用项目元数据模态感知模块从项目元数据中学习不同项目属性的共享表示,将离散重组编码学习集成到推荐模型中,设计一种双循环知识蒸馏框架,最大化不同通道学习到的会话嵌入的互信息。与现有主流模型相比,该模型在大压缩比下实现了快速推理,展示出优越的推荐性能。

融合时间感知和多兴趣提取网络的序列推荐

针对序列推荐任务中的时间动态性和多重兴趣建模问题,提出一种时间感知的项目嵌入方法,用于学习项目之间的时间关联性。在此基础上,提出一种融合时间感知和多兴趣提取网络的序列推荐(time-aware multi-interest sequence recommendation,TMISA)方法。TMISA采用自注意力序列推荐模型作为局部特征学习模块,以捕捉用户行为序列中的动态偏好;通过多兴趣提取网络对用户的全局偏好进行建模;引入门控聚合模块将局部和全局特征表示动态融合,生成最终的用户偏好表示。实验证明,在5个真实推荐数据集上,TMISA模型表现出卓越性能,超越了多个先进的基线模型。

基于人工智能算法的刀具磨损形貌预测研究现状

磨损表面形貌能够反映运动副的磨损状态,通过对运动副表面磨损形貌进行研究分析,可以得到其磨损规律,预测磨损形貌变化。随着人工智能的快速发展以及在工程中的广泛应用,人工智能技术中的人工神经网络、模糊神经网络算法、遗传神经网络算法、支持向量机和多目标粒子群优化算法等方法逐步应用于磨损表面形貌表征参数的预测,且具有较高的预测精度。本文主要介绍国内外利用人工智能技术对磨损表面形貌的研究现状,分析各种算法的优点和应用局限性。总结了人工智能技术在磨损表面形貌预测领域中亟待解决的关键难题以及未来的研究方向。

计算机自适应测验有效性检验的探索与优化

计算机自适应测验(Computerized Adaptive Testing,CAT)的有效性检验是评定测验生成过程以及解释测验结果是否恰当、合理的必要步骤,然而系统性探讨CAT有效性检验的研究相对较少。为弥补其不足,文章在剖析CAT有效性检验内涵的基础上,首先梳理了基于IRT的题库、模拟CAT与真实CAT有效性检验的基本内容。然后,文章针对题库中试题逐渐向多维度和多模态转变的特点,提出利用高阶因子模型与多质多法模型对多维度与多模态试题进行有效性检验的方法;同时建议从测验公平性的角度,检验CLT与CAT中个体人格特质对被试作答表现的影响是否具有跨组不变性,最终形成了一套符合时代发展的CAT有效性检验的完整流程,以期为CAT的持续改进及其在教育实践中的普及推广提供助力。

煤炭筛分最佳入料条件探索试验研究

为了探索煤炭入料量、水分以及粒度组成对筛分效果的影响,先采用多因素逐项试验寻找各因素较优水平,进而利用正交试验探索各因素的主次顺序、最佳水平组合。结果表明:各因素的主次顺序为:小于3 mm占比>水分>入料量。最佳水平组合为入料量15 kg、水分2.55%、小于3 mm占比25%,筛分效率最高达85.28%。

基于卷积神经网络的安检X光图像违禁品多标签识别

在安全检查工作中,违禁品的检测与识别仍然过度依赖于安检员的视觉经验。如何自动判别出X光图像中存在的常见违禁品,进而辅助安检员进行决策,成为安检领域的一个亟待解决的问题。基于深度学习技术研究安检X光图像中的违禁品多标签识别方法。通过引入multi-hot向量标注法对安检X光数据集进行标注,迁移训练Darknet-53卷积神经网络实现对X光图像中违禁品的类别判定。实验结果表明,安检X光图像违禁品多标签识别平均精度达到了98%以上,满足现实安检场景下的应用需求。

GraphMLP-Mixer:基于图-多层感知机架构的高效多行为序列推荐方法

在多行为序列推荐领域,图神经网络(GNNs)虽被广泛应用,但存在局限性,如对序列间协同信号建模不足和处理长距离依赖性等问题.针对这些问题,提出了一种新的解决框架GraphMLP-Mixer.该框架首先构造全局物品图来增强模型对序列间协同信号的建模,然后将感知机-混合器架构与图神经网络结合,得到图-感知机混合器模型对用户兴趣进行充分挖掘.GraphMLP-Mixer具有2个显著优势:一是能够有效捕捉用户行为的全局依赖性,同时减轻信息过压缩问题;二是其时间与空间效率显著提高,其复杂度与用户交互行为的数量成线性关系,优于现有基于GNN多行为序列推荐模型.在3个真实的公开数据集上进行实验,大量的实验结果验证了GraphMLP-Mixer在处理多行为序列推荐问题时的有效性和高效性.

基于多空间属性信息融合的序列推荐

序列推荐旨在从用户的历史行为中建模用户不断变化的兴趣,从而做出与用户兴趣相关的推荐。近年来,物品属性信息被证明可以提升序列推荐的性能,很多工作基于属性信息融合去提升序列推荐的性能,都取得了成效但仍存在一定的不足。首先,它们没有显式地建模出用户对物品属性的偏好或者只建模了一个属性偏好向量,无法充分表达用户的偏好。其次,它们的物品属性信息融合过程未考虑用户个性化信息的影响。因此,针对上述不足,提出了基于多空间属性信息融合的序列推荐(MAIF-SR)。文中提出了多空间属性信息融合框架,在不同的属性空间下融合属性序列并建模出用户对不同属性的偏好,用多维兴趣充分表达用户的偏好;设计了个性化属性注意力机制,在融合信息的过程中引入用户个性化信息,增强融合信息的个性化效果。在两个公开数据集以及一个工业私有数据集上进行实验,结果表明,MAIF-SR优于用于对比的基于属性信息融合的序列推荐。

考虑保鲜影响消费者时变效用的生鲜农产品多品种订货模型

针对生鲜农产品易变质的特性,利用效用理论构造了受生鲜农产品新鲜度和价格影响的消费者时变效用函数刻画保鲜对消费者购买决策的影响,在此基础上,构建了零售商的生鲜农产品多品种订货模型,分析了针对供应商不同单位保鲜成本时零售商的订货决策。结论表明:供应商单位保鲜成本的增大将使零售商逐渐由联合订货策略转变为单独订货策略,且在保鲜状态下,不同生鲜农产品之间新鲜度衰减速度相差越大,零售商越倾向于单独订货策略;反之,零售商越倾向于联合订货策略。

维修器材联合订货的库存决策模型

分析了一种多品种维修器材联合订货的库存决策模型,该模型采用连续检查的多品种统一订购库存策略。维修器材库存控制的目的是在确保维修器材服务水平的基础上,降低库存成本。根据这一思想设计算法,首先假设订货点和订购提前期为零,根据库存成本确定最大库存量,然后考虑订货点和订购提前期不为零的情况,根据维修器材满足率确定各品种维修器材的订货点,从而求得决策参数。最后通过实例证明模型和算法的有效性。

多品种小批量精益生产方式适应性分析

精益生产方式是在丰田生产方式基础上发展起来的一种强调彻底消除浪费、减低成本和持续改善的准时化生产方式。其目的是通过流程整体优化与持续改进,均衡物流,高效利用资源,最大限度消除浪费,降低成本,缩短周期,以最少的投入向顾客提供最完美价值的目的。

多尺度数据挖掘方法

多尺度理论已被引入到数据挖掘领域,但人们对其研究仍不够深入和完善,缺乏普适性理论与方法.随着大数据处理应用的不断深入,其研究变得更加迫切.针对上述问题,进行了普适的多尺度数据挖掘理论和方法的研究.首先,基于概念分层理论给出了数据尺度划分和数据尺度的定义以及多尺度数据集之间的上下层尺度数据集关系;其次,阐明了多尺度数据挖掘的定义、研究实质和方法分类;最后,提出了多尺度数据挖掘算法框架,给出其理论基础,并将此框架应用于关联规则挖掘,提出了多尺度关联规则挖掘算法MSARMA(multi-scale association rules mining algorithm),实现了多尺度数据集之间知识的跨尺度推导.利用IBM T10I4D100K数据集和H省全员人口真实数据集对MSARMA算法进行了实验和分析,实验结果表明:算法具有较高的覆盖率、精确度和较低的支持度估计误差,是可行且有效的.

供应链中时变需求的多种变质商品订购策略

针对供应链中时变需求的变质商品,建立了多品种的库存模型,通过该模型分别求得单独订购策略、统一定购策略和联合订购策略下的总成本函数,经过对这些总成本函数性质的分析,提出了多种变质商品的最优订购策略.最后给出了算例.算例结果表明:当附加订购成本占订购成本的比例较大时,集聚效应明显,最优的订购策略趋于联合订购;当附加订购成本占订购成本的比例很小时,最优的订购策略趋于统一订购;当订购成本增大时,订购次数减少,供应链中的循环库存增加;当库存成本或变质成本增大时,订购次数增大,供应链中的循环库存减少.

基于定周期策略的多品种维修器材联合订购模型

针对维修器材需求的随机性特点,在考虑维修器材保障度约束的条件下,基于定周期策略建立多品种维修器材的联合订购模型并给出了优化算法。该算法采用蒙特卡罗随机模拟技术求解随机变量的期望值,结合遗传算法求出使库存费用最小的基本订购周期、各种器材的订购周期和最大库存量,并能满足预定的保障度要求。与传统单品种补充策略比较发现,联合补充策略对经费节省作用显著。

资金和库存空间约束下多种易变质产品的联合订购策略

在给定时间范围内,研究了多种易变质产品的一次性联合订购决策,使库存系统总成本最小的问题.在允许缺货、库存空间和资金有约束的条件下,建立了此问题的数学模型并证明了该问题是一个凸规划问题.依据简约梯度法,给出了求解每种产品最优订购量的具体算法.最后,以三种易变质产品为例进行数值仿真,分别分析了相关参数以及总的库存空间和资金的变化对最优订购策略和系统最小总成本的影响.

多随机因素下多品种库存优化的改进遗传算法

为有效利用库存资源,降低企业运行和库存费用,需研究多随机因素下的多品种库存问题。以单位时间费用最小为目标,建立了求解多随机因素下多品种商品联合订货的(s,S)模型;提出了一种基于最小基因片段编码、两代竞争的改进遗传算法。利用该算法求解出各商品的最佳体积分配和最优联合订货点,实现对仓库资源和运营资金更为科学的管理和控制。需求和提前期随机的3种商品联合订货的实例表明,使用改进遗传算法求解的结果明显优于其他方法生成的解。

基于批量折扣和支付时间折扣的多物品多阶段联合订购模型

假定系统运行在有限计划期的前提下,考虑了基于3种不同形式批量折扣及支付时间折扣的多物品多阶段联合订购问题。给出了在有限计划期内每个阶段寻求多种物品最优订购批量和最佳滞后(或提前)支付货款时间的算法。并针对基本订购费用为零时,提出了一个基于动态规划方法寻求多种物品最优订购策略的更有效算法,分析了基本订购费用取不同值和供货商提供不同批量折扣方式对销售商最优订购策略和总利润的影响。最后,利用数字实例说明模型的求解过程。