江苏淮北山丘区生态治理模式最优决策序列研究

为提高山丘区生态治理模式最优决策序列的可靠性和科学性,以江苏省淮北山丘区为例,根据当地的自然、社会、经济等特征,提出了以小流域为单元的山丘区生态治理模式若干决策系列,并运用模糊层次分析法,建立了多层次、多目标、多决策的层次结构模型,通过求解模型各决策因素对生态治理模式影响的权重,确定满足多目标前提下的最优决策序列,为山丘区生态治理提供了决策依据。研究结果表明,最优决策序列是满意的,采用的方法是可行的。

信息不对称、时变和跨期影响下的组织与战略权变决策序列

信息不对称、时变与跨期影响下的权变决策通常表现为一个策略序列,有意设计出来的策略系列可称为"谋略"。传统组织行为中博弈论的应用主要局限于委托代理理论,事实上,猜测、试探、"干中看"等策略有着更广泛的应用,它在组织内外几乎所有的互动中都会出现,例如组织建言、团队沟通与效能、高管团队运作、组织变革、战略互动等。从管理实践的角度来看,只要存在行动、决策与信息不对称,就会出现博弈、策略与谋略;从理论发展的角度来看,猜测、试探、"干中看"等策略是对传统管理决策理论和经典博弈论的一个拓展。

基于序列决策分析的登陆作战决策

为解决作战决策中的序列决策问题,利用决策树的分析方法,以登陆作战中是否提前实施登陆行动、登陆成功后是否向登陆场纵深进攻的两级序列决策问题为例进行了分析,计算各决策节点以敌我损失人数为评价指标的益损值,得出较为合理的作战决策,其结果可作为指挥员的决策参考。

用于序列多阶段决策问题的信息方法

在处理序列多阶段决策问题中，基于决策问题的时序形式表达进行信息分类，将决策认知过程抽象为相应的信息变换关系，并结合实际问题开发专用决策支持系统（ＳＭＤＳＳ），这种支持时序性问题求解的方法为用于序列多阶段决策问题的信息方法．

基于序列决策的成绩分析系统研究

文章通过对数据挖掘技术的相关分析与比较,提出了序列决策的分析方法,将数据挖掘与统计分析相结合,从海量成绩数据中提取隐藏于其中的有用信息,从而科学指导教学,提高教学管理水平。序列决策是指:采用模糊聚类算法对数据进行分组;采用基于决策树的分类方法,对成绩分析库中数据进行挖掘,生成学生成绩决策树,采用基于总结规则的统计分析方法,进行模型准确性评估。

基于双重指针网络的车货匹配双重序列决策研究

由于我国对公路运输资源利用不均,车货供需问题成为如今的热点问题。车货供需匹配平台为最大化总体运力资源利用率,需要整合运输需求和运力,降低成本并提高效率。大部分平台通常采用启发式算法求解车货匹配问题,此类算法面对大规模的问题时存在寻优瓶颈。针对上述问题,首次将车货供需匹配问题转变成一种双重序列决策问题,据此研究适用于当今车货供需匹配环节的一种高效算法。首先,提出了一种车货匹配的数学模型,并将该模型抽象为双重序列决策问题,再创新性地提出双重指针网络算法求解该问题。本实验使用Actor-Critic算法作为模型的训练框架来训练双重指针网络,并评估了模型。经实验得,双重指针网络的车货匹配求解方法的寻优能力在小问题规模中与传统启发式算法相当,在大问题规模中超越启发式算法,同时时间消耗都大大下降。

显式知识推理和深度强化学习结合的动态决策

近年来,深度强化学习在序列决策领域被广泛应用并且效果良好,尤其在具有高维输入、大规模状态空间的应用场景中优势明显.然而,深度强化学习相关方法也存在一些局限,如缺乏可解释性、初期训练低效与冷启动等问题.针对这些问题,提出了一种基于显式知识推理和深度强化学习的动态决策框架,将显式的知识推理与深度强化学习结合.该框架通过显式知识表示将人类先验知识嵌入智能体训练中,让智能体在强化学习中获得知识推理结果的干预,以提高智能体的训练效率,并增加模型的可解释性.将显式知识分为两种,即启发式加速知识与规避式安全知识.前者在训练初期干预智能体决策,加快训练速度;而后者将避免智能体作出灾难性决策,使其训练过程更为稳定.实验表明,该决策框架在不同强化学习算法上、不同应用场景中明显提高了模型训练效率,并增加了模型的可解释性.

基于混合序列灰决策的车辆装备修理级别分析

修理级别分析是车辆保障性分析的重要内容,是制定车辆装备维修分配表的重要工具。针对目前非经济性分析与经济性分析缺乏统一权衡方法的问题,提出了构建混合序列灰决策模型进行修理级别分析的方法。通过三角模糊数将定性指标转化为定量指标,确定参考序列,进行灰关联的权重评判,得出最优方案。最后通过实例应用,验证了所建模型的科学性和有效性。

简明图书选题决策模式

如何更有效率地将好选题筛选出来,是当下出版企业迫切关注的问题。当下出版企业的选题决策模式主要有定性和定量决策两种,但实际运用中这两种模式各有利弊。要发挥两种选题决策模式的最大优势,就应结合业界当前选题决策的认知成果,引入认知心理学中的“序列决策”法,构建一种简明图书选题决策模式,将选题决策中的评估概率和价值的复杂性降为更简洁的判断性操作,在既保证选题论证效率的同时,又有效提升决策质量,为出版企业的选题管理提供参考和借鉴。

试论预测与决策的链环结构关系

本文首先论述了预测是决策的基础,决策是预测的前提。其次着重设计出“预测——决策—再预测——再决策”的链坏,以提高预测的科学性(效用性)和决策的正确性。量后在预测与决策链坏的基础上,再从理论上将它上升为预测与决策系统,即建立反馈预测系统,为今后利用计算机编制反馈预测系统程序指出了方向。

多阶段三支决策垃圾短信过滤模型

提出了一种多阶段三支决策垃圾短信过滤模型。该模型使用不同的信息粒度对短信进行表示,运用序列决策(即多阶段、多步骤决策),在不同的决策阶段基于不同的信息粒度分别进行三支决策,有效地避免了当信息粒度太大或信息量不足时进行不合理的决策,对于不能满足当前决策条件的信息,可以通过补充足够的粒度信息作进一步的决策。最后通过实验证明了该模型的合理性和有效性。

多目标模糊优选权敏感分析及其应用

研究了多目标模糊优选模型的权敏感性质 ,导出了权扰动方程 .找到了转移矩阵之范数的一个万有上界 .据此给出了保持最优决策序列不变的权扰动条件 ,即 |Δwi| <h/4 m,其中 h为目标相对优属度间的最小间隙 ,m为目标数 .举例说明了这些结果在水电规划方案优选计算中的应用 ,得到了保持最优序列不变的权扰动容许范围 ,结果表明该方法简单实用 .

基于收益塑造技术的知识图谱多跳推理

为解决现存多跳推理方法存在的泛化能力差、难以解释等问题,在基于策略的强化学习框架下,通过推理智能体扩展推理路径的方式解决,将实体对间的路径搜索问题转换为选择多个关系边和实体节点的序列决策问题。提出DRL-MHR(deep reinforcement learning for multi-hop reasoning)算法,将经过语义和拓扑表征的实体节点与关系边按照建模要求组成知识图谱强化学习环境,利用收益塑造技术,通过最大化推理智能体的收益,学习最优搜索路径。DRL-MHR算法在一次和三次命中率方面有显著改进,提升了多跳推理在不同量级和领域知识图谱上的问答应用能力。

动态规划

动态规划是解决多阶段决策最优化问题的一种思想方法。所谓“动态” ,指的是在问题的多阶段决策中 ,按某一顺序 ,根据每一步所选决策的不同 ,将随即引起状态的转移 ,最终在变化的状态中产生一个决策序列。动态规划就是为了使产生的决策序列在符合某种条件下达到最优。

动态规划解决具体的0/1背包问题

背包问题是计算机算法中的一个经典难解问题,已归为NP-完备问题类,已有的算法有动态规划、回溯法和分枝-限界法。其中动态规划方法就是在要在所有容许选择的决策序列中选取一个会获得问题最优解决的决策序列,即最优决策序列。运用传统的动态规划的方法来解决学生生活中的具体的0/1背包问题。

行人轨迹预测方法综述

随着深度学习技术的突破和大型数据集的提出,行人轨迹预测的准确度已经成为人工智能领域的研究热点之一。主要对行人轨迹预测的技术分类和研究现状进行详细的综述。根据模型建模方式的不同,将现有方法分为基于浅层学习的轨迹预测方法和基于深度学习的轨迹预测方法,分析了每类方法中具有代表性的算法的效果及优缺点,归纳了当前主流的轨迹预测公开数据集,并在数据集中对比了主流轨迹预测方法的性能,最后对轨迹预测技术面临的挑战与发展趋势进行了展望。

探析商业保险在供应链质量风险管理中的应用

一般而言,若零部件出现质量问题,将造成一定程度的经济损失。为降低经济损失,通常采用商业保险策略降低损失。实际上,购买商业保险的成本较高,因此,部分供应商会轻视零部件质量问题。论文对无策略及商业保险策略进行了阐述,对决策序列进行了分析,对无策略下的最优决策及商业保险策略下的最优决策进行了探讨,希望为相关人士提供帮助。

基于深度增强学习和多目标优化改进的卫星资源分配算法

针对多波束卫星系统中资源分配序列决策的多目标优化(MOP)问题,为了在提升卫星系统性能的同时,提高用户业务需求的满意度,提出了一种基于深度增强学习(DRL)的DRL-MOP算法。所提算法基于DRL和MOP技术,对动态变化的系统环境和用户到达模型建模,以归一化处理后的频谱效率、能量效率和业务满意度指数的加权和作为优化目标,实现了系统和用户累计性能的优化。仿真对比表明,所提算法可以更好地解决面向多波束卫星系统的多目标优化问题,系统性能和用户满意度优化结果较好,且收敛快、复杂度低。

融合混合知识与MCTS的针灸排序方案设定方法

传统的序列决策方法旨在对决策过程与决策步骤进行建模,以求解得到最优的决策序列.然而,序列决策建模过程对目标函数的确定性要求高,且序列搜索的算法多以深度优先或广度优先等遍历搜索为主,鲜有考虑搜索过程的随机性.蒙特卡洛树搜索算法(Monte Carlo tree search,MCTS)虽然适合求解随机序列搜索问题,但目前仅应用于博弈型搜索过程,鲜有探讨需要专家参与的知识约束序列决策的搜索策略,另外,传统MCTS算法往往存在搜索范围过大、收敛不及时等问题.为此,提出一种融合群决策经验型知识和部分确定型决策序列片段的混合知识约束的MCTS序列决策方法,并给出了详细的求解流程.最后,将所提方法应用于一类中风后吞咽功能障碍针灸穴位排序方案制订问题,给出了融合混合知识与MCTS的针灸排序方案设定方法,并与其他方法进行对比,验证了所提方法的可行性和有效性,为年轻医师的针灸方案制订技能的标准化培训工作奠定了方法基础.

基于三元多臂赌博机的树结构最优动作识别

蒙特卡罗树搜索(MCTS)在棋类博弈问题中展现出卓越的性能,但目前多数研究仅考虑胜负两种反馈从而假设博弈结果服从伯努利分布,然而这种设定忽略了常出现的平局结果,导致不能准确地评估盘面状态甚至错失最优动作。针对这个问题,首先构建了基于三元分布的多臂赌博机(TMAB)模型并提出了最优臂确认算法TBBA;然后,将TBBA算法应用到三元极大极小采样树(TMST)中,提出了简单迭代TBBA算法的TBBA_tree算法和通过将树结构转化成TMAB的三元极大极小采样树TMST最优动作识别(TTBA)算法。在实验部分,建立了两个精度不同的摇臂空间并在其基础上构造了多个具有对比性的TMAB和TMST。实验结果表明,相比均匀采样算法,TBBA算法准确率保持稳步上升且部分能达到100%,TBBA算法准确率基本保持在80%以上且具有良好的泛化性和稳定性,不会出现异常值和波动区间。