共同配送合并策略及其配送成本

共同配送即合并运送,其目的在于将地域内随机发生且重叠运送的零星货物加以统合化与整合化。分析了存货合并、车辆装载能力合并及转运点合并3种合并运送策略,通过建立合并运送的收益与亏损之间的平衡模型,计算出各合并策略的配送成本。阐述了合并收益与降低运输成本、合并亏损与增加存货成本和延长配送路线之间的平衡关系,从而得出各合并策略的适用条件,为合并运送的实施和运输资源的优化配置提供了理论基础。

带有自适应合并策略和导向算子的增强型烟花算法

针对传统烟花算法(FWA)在寻优过程中爆炸半径限制搜索范围、粒子间缺少有效交互的缺点,提出带有自适应合并策略和导向算子的增强型烟花算法(EFWA-GM)。首先根据烟花粒子间的位置关系,对寻优空间中重叠的爆炸范围进行自适应合并;其次通过对火花粒子进行分层来充分利用优质粒子的位置信息,从而设计导向算子引导次优粒子进化,以提高算法的寻优精度和收敛速度。在12个标准测试函数上的实验结果表明,所提出的EFWAGM相较于标准粒子群(SPSO)算法、增强型烟花算法(EFWA)、自适应烟花算法(AFWA)、动态烟花算法(dynFWA)、有导烟花算法(GFWA)在寻优精度和收敛速度方面具有更好的优化性能,并在9个测试函数上取得最优的求解精度。

标签转换路由合并策略及其安全性能分析

在各种网络交换技术中,标签交换技术具有更快的速度,但受其自身因素的限制,标签交换过程中面临各种网络攻击的威胁。将来自不同源但有着相同目的的虚拟电路合并技术引入标签交换中,形成,标签交换路由的合并策略并给出了数学模型和实现方案。在仿真实验中,模拟了由恶意频繁阻塞和流量释放引起的路由与交换间的振荡这种网络攻击,通过对采用合并策略和不采用合并策略的交换机进行比较,证实了合并交换策略具有更高的安全性能。

非理想环境下基于广义选择合并策略的无线网络系统模型构建

基于物理层安全的研究逐渐成为无线网络安全技术研究的重要方向,而协作策略、系统模型又是物理层安全研究的核心模块,本文针对非理想信道环境,基于物理层安全理论初步分析了广义选择合并策略,并在此基础上构建了无线网络系统模型。

基于分支合并策略的轻量级遥感图像分割

为有效解决现有遥感图像分割网络在提升分割精度时带来大量参数和计算量的问题,提出基于分支合并策略的轻量级语义分割网络。网络的两个分支分别为全局语境分支和空间信息分支。全局语境分支采用轻量级网络CGNet(context guided network)的思想作为基网络提取像素级别和分割级别的上下文纹理特征,空间信息分支采用三层卷积提取图像的空间特征,通过特征融合模块将两种特征融合,设计加权的多尺度交叉熵损失函数增强小目标分割效果。在开源遥感数据集上实验,其结果验证了该网络在同等条件下利用较少的资源能达到较高的精度。

企业合并后财务报表合并策略的优化研究

企业合并作为市场经济中的重要现象,对财务报表的合并策略提出了更高要求。财务报表合并不仅关乎合并后企业的财务状况和经营成果的准确反映,还影响着投资者的决策和市场的稳定性。文章基于财务报表合并的理论,分析了企业合并后财务报表合并存在的合并范围界定不清晰、会计政策与核算方法不统一、合并报表编制过程中信息披露不足等问题,提出明确合并范围、制定统一的会计政策、加强信息披露与透明度等措施,以期推动合并的顺利进行和维护市场的健康发展。

基于人工鱼群的自适应密度峰值聚类算法

针对密度峰值聚类算法中截断距离d c和聚类中心缺乏选取依据,以及对簇中存在多密度峰值的数据无法准确聚类问题,提出一种基于人工鱼群的自适应密度峰值聚类算法(AFSADPC)。选择簇中心权值γ大于幂律分布上分位数的样本点作为聚类中心,根据两个相邻簇的簇间边界区域密度与簇平均密度构造簇间合并规则,利用人工鱼群算法寻找使改进轮廓系数指标达到最大值时的最优截断距离d_(c)。在合成数据集和真实数据集上的实验结果表明,AFSADPC算法具有较好的聚类效果。

自适应聚合策略优化的密度峰值聚类算法

针对密度峰值聚类算法受人为干预影响较大和参数敏感的问题,即不正确的截断距离dc会导致错误的初始聚类中心,而且在某些情况下,即使设置了适当的dc值,仍然难以从决策图中人为选择初始聚类中心。为克服这些缺陷,提出一种新的基于密度峰值的聚类算法。该算法首先根据K近邻的思想来确定数据点的局部密度,然后提出一种新的自适应聚合策略,即首先通过算法给出阈值判断初始类簇中心,然后依据离初始类簇中心最近分配剩余点,最后通过类簇间密度可达来合并相似类簇。在实验中,该算法在合成和实际数据集中的表现比DPC、DBSCAN、KNNDPC和K-means算法要好,能有效提高聚类准确率和质量。

基于属性的访问控制策略逻辑融合框架研究

基于属性的访问控制策略合并在大规模分布式多域环境下有着重要的应用背景。从现有文献关于基于属性的访问控制策略合成的研究结论出发,提出了一种逻辑融合框架,用以描述各种策略合并场景,并用实例对其进行了应用分析。该框架不仅能支持已有工作,而且能描述动态的策略合成方法。随后引入一个推理系统,根据它可以形式地验证合并出的新策略的一致性,并给出所提策略逻辑对访问请求的一种评估方法,保障了策略融合的正确性,进一步增强了策略融合方法的适用性。

二阶K近邻和多簇合并的密度峰值聚类算法

针对流形数据中密度峰值聚类(DPC)算法的局部密度易找到错误的类簇中心,且分配策略易导致远离类簇中心的剩余样本被错误分配的问题,本文提出二阶K近邻和多簇合并的密度峰值聚类(DPC-SKMM)算法。首先,利用最小二阶K近邻定义局部密度,凸显类簇中心与非类簇中心间的密度差异,从而找到正确的类簇中心;其次,利用K近邻找出样本局部代表点并依此确定核心点,用核心点指导微簇划分;最后,利用最小二阶K近邻及共享近邻定义的微簇间吸引度合并微簇,避免远离类簇中心的样本被错误分配,且微簇合并过程无须迭代。本文将DPC-SKMM算法与IDPC-FA、DPCSA、FNDPC、FKNN-DPC、DPC算法进行对比,实验结果表明,DPC-SKMM算法能有效聚类流形及UCI数据集。

基于改进粒子群算法的车辆配装问题求解

为解决普零货物的车辆配装问题,通过引入合并策略对标准蚁群算法进行了改进。算法中构造了和配装问题相适应的粒子,使得粒子每一维对应一个货物票号并且其取值为装载此货物的车辆编号,即一个粒子对应一个配装方案。考虑车辆的容积、载重等约束条件,在计算粒子适应度时引入了超载惩罚系数,并为改善粒子局部优化能力提出了合并策略。此算法优化过程运算简单、并行,粒子根据群体和个体历史经验逐步向最优解靠近。实例验证结果表明,该算法是有效和可行的。

基于DST-PCR5多目标自适应视觉跟踪方法

复杂场景下实现快速稳定的自适应跟踪是视觉领域亟待解决的课题之一,利用目标的多特征信息进行高效融合是提升跟踪算法鲁棒性能的重要途径。基于DST(Dempster-Shafer theory)和PCR5(proportional conflict redistribution No.5)设计了一种新的合并策略融合运动目标的颜色和纹理特征,在粒子滤波框架下建立复杂场景下的多目标自适应跟踪模型,最终实现了复杂场景下多特征信息融合的自适应视觉跟踪。实验结果及性能分析表明,该方法在不良的跟踪条件下,高冲突证据的自适应处理能力得到明显改善,有效提高了粒子的使用效率和跟踪的鲁棒性,可以较好地实现复杂场景下准确、稳定的多目标跟踪。

融合裕度和否决权的案例相似度量方法

现有相似度量方法未考虑关键属性的否决作用与虑属性值裕度对案例推理的影响。为此,提出一种新的案例相似度量方法。定义属性值裕度和关键属性否决权,采用布尔函数、熵值理论和Composite策略等数学理论和分析工具,设计否决权和裕度属性的相似度量公式,给出先局部后全局的合并策略。实例结果表明,该方法在保证相似度量效能的前提下,能提高案例相似度量的分辨率。

基于效用距离的分层多播反馈控制算法

源自适应的分层多播存在着因反馈信息爆炸而导致的缩放性问题,反馈信息合并是一个较好的解决办法。本文给出一个以效用最优为目标的自适应分层多播模型UALM,分析了在反馈树的支持下,通过反馈合并策略实现反馈控制的方法,提出了一种基于加权效用距离的分层多播反馈合并算法。仿真结果表明,该算法能够有效地控制反馈信息数目,同时使得在此基础上完成的动态分层效用接近于不进行反馈合并时的系统效用,满足分层多播的缩放性要求。

一种传感器网络的分布式多播路由优化算法

传感器感知的信息需要通过网络传送给感兴趣目标节点,传统网络中的多播技术往往能耗高、实时性不够理想,不利于在传感器网络中使用。针对WSN中节点对网络拓扑未知,该文先将多播路由问题演化为最优多播路径问题,通过启发式算法求解分布式最优路径,并通过一种基于贪婪思想的裁剪合并策略优化多播路由树,直至整个网络得到最优路径,最后并结合了节点区域集中以及无线多播特性,提出了DCast路由算法。最后通过仿真实验与uCast,SenCast等经典的传感器网络的多播路由算法仿真比较,可以得出其算法在时延性以及能耗等方面性能有优势。

线性递归并行排序算法

应用左递归二叉树构造一个新的并行排序算法，对ｐ个有序块进行排序．从而，将ｎ元素的分类问题转化为对ｐ个有序块的并行排序问题．算法在最坏情况下并行步为Ｏ（（ｎ／ｐ）ｌｏｇｎ／ｐ），是目前比较好的排序算法．

一种自动的图像分割方法

针对传统图像分割算法需要参数设置等缺点,提出了一种自动的图像分割算法,采用基于改进视觉注意机制的粗分割和结合主动轮廓与区域生长的精确分割两个过程对图像进行自动分割。实验结果表明,该方法的分割性能优于自适应阈值算法和Kmeans聚类算法,且具有较强的鲁棒性。

复杂场景下多运动目标遮挡跟踪方法

基于Dezert-Smarandache theory(DSmT)提出一种自然场景下多运动目标遮挡的跟踪方法。在DSmT和粒子滤波框架下,通过设计新的合并策略来融合运动目标的颜色和位置信息,建立起融合位置和颜色信息的多目标跟踪仿真实验平台,最终实现自然场景下基于DSmT多运动目标遮挡的跟踪算法。通过两组不同场景下的跟踪实验测试,结果表明论文给出的证据合并策略和目标跟踪模型快速、高效。特别是对于完全交叉、遮挡目标的跟踪,最大粒子数达到40就能有效处理高冲突信息。进一步分析每个目标估计位置的RMS误差,对于自然场景下多目标跟踪过程中所涉及的证据间高冲突问题,采用文中方法显示出良好的跟踪能力和精度,其研究成果可为视觉跟踪技术的应用提供新的研究方法和思路。

面向Cassandra数据库的高效动态数据管理机制

Cassandra数据库是当前通用的数据库之一,同时也被Apache列为重点发展的顶级项目。针对Cassandra分布式数据库系统而言,大量的写请求会造成过多分散的SStable结构以及过高的数据冗余度,进而造成用户读取请求响应速度下降。该问题可以通过系统自动触发的局部数据合并机制或人为干预的整体数据合并机制来解决。然而,不合时机的系统自动局部合并过程会严重降低用户正在执行的读取操作的性能,而过长时间的人为整体数据合并过程又会长时间地占用系统资源,严重制约系统的整体性能。针对此问题,提出了一种面向Cassandra数据库的动态数据管理机制。首先,实时监测系统环境,将数据按照写入时间和大小进行分层分级管理,对合并的时机、参与合并的文件及合并过程分别制定相应的执行策略;其次,通过特定优化手段减少数据的合并时间,以降低合并过程对系统性能的影响。测试结果表明,该管理机制优化了Cassandra数据库的合并过程,提升了系统整体的读取响应速度。