Multisets排序的最优并行算法

排序是一个既有十分重要的理论意义又有广泛的实际应用价值的问题 ,其中 ,Multisets排序问题是指对只有k个不同关键字值的n个数据 (记录 )进行排序 ,0 <k <n 基于“中值的中值”思想和“筛选”原理 ,通过在递归过程中不断地“筛选”掉某些具有相同关键字值的数据 ,以及自适应地动态分配处理器以平衡计算负载的方法 ,设计一种确定的稳定的Multisets排序并行算法 在具有 p =n1-ε(0 <ε<1)个处理器的共享存储并行机器上 ,对于CREWPRAM模型 ,算法的时间复杂度为O((n/ p +pε)logk) ,获得最优执行代价O(nlogk) ;对于EREWPRAM模型 ,算法所需时间为O((n/ p+pε+logp)logk) ,当 plogp≤n时 ,其执行代价也是最优的

可实现弱等效方案排序的改进TOPSIS排序法

针对TOPSIS法可能存在多个备选方案的接近度相同而无法进行全排序的问题。首先,考虑到等效方案在正、负理想解距离上的差异,本文将其细分为强等效方案(不同方案到理想解距离相等)与弱等效方案(不同方案到理想解距离的比值相等但距离不等)。其次,以二维目标为坐标系描述TOPSIS系统,发现TOPSIS评价系统中有:(1)所有方案均位于某一特定区域;(2)强等效方案为同一点,而弱等效方案则位于特定直线上等特性。进而,依据二维目标空间下等效方案与正、负理想解的相对位置关系,针对存在弱等效方案的TOPSIS评价系统,提出一种在依据接近度对备选方案进行分组与组间排序基础上,重新定义排序指数对组内等效方案实施排序。从而设计出一种组间排序基础上的组内排序与组间排序相结合的改进TOPSIS排序法。该方法既不改变方案的原有TOPSIS排序,又可实现弱等效方案的全排序。最后通过数值分析验证所提出方法的合理性和有效性。

面向大数据的可扩展正则采样并行排序算法

排序算法是计算机科学领域的一个基础算法,是大量应用的算法核心。在大数据时代,随着数据量的极速增长,并行排序算法受到广泛关注。现有的并行排序算法普遍存在通信开销过大、负载不均衡等问题,导致算法难以大规模扩展。针对以上问题,提出一种大规模可扩展的正则采样并行排序(scalable parallel sorting by regular sampling,ScaPSRS)算法,摒弃传统正则采样并行排序(parallel sorting by regular sampling,PSRS)算法中由一个进程负责采样的做法,转而让所有进程参与正则采样,选出p-1个分隔元素,将整个数据集划分成p个不相交的子集,然后实施并行排序,避免了单一进程的采样瓶颈。此外,ScaPSRS采用一种新的迭代更新策略选择p-1个分隔元素,保证划分的p个子集尽可能大小相同,从而确保p个进程对各自的子集进行本地排序时的负载均衡。在天河二号超级计算机上进行的大量实验表明,ScaPSRS算法能够成功地扩展到32000个内核,性能比PSRS算法和Hofmann等人提出的分区算法分别提升了3.7倍和11.7倍。

乘型模糊判断矩阵排序向量的递推方法

文章首先在模糊判断矩阵乘型一致性以及矩阵元素和权重之间关系的基础上,结合模糊判断矩阵的上三角矩阵元素,构建了一个关于权重和矩阵上三角元素的方程组,并证明了该方程组存在唯一的正解。随后指出方程组的证明过程就是模糊判断矩阵排序向量的求解过程,从而给出了乘型一致性模糊判断矩阵排序向量的一种递推方法。然后,在偏差函数基础上,通过构造并求解一个优化模型,求出了非乘型一致性模糊判断矩阵的排序向量,结果显示,其解的形式与采用乘型一致性模糊判断矩阵递推方法得到的排序向量完全一样。最后,通过实例以及相关方法对比说明排序向量递推方法是可行有效的。

基于属性层次模型加权逼近理想解排序法的阿哌沙班药物利用评价

目的促进临床合理使用阿哌沙班。方法以阿哌沙班药品说明书为基础,参考相关指南和文献,建立阿哌沙班药物利用评价(DUE)标准。采用属性层次模型(AHM)对DUE标准的指标进行赋权,采用逼近理想解排序(TOPSIS)法对医院2021年8月至2022年7月使用阿哌沙班的病历进行用药合理性评价。结果共形成3个一级指标,12个二级指标。共纳入102份病历(涉及患者102例),其中男52例,女50例,以非瓣膜性房颤(52例)和预防静脉血栓(30例)为主要用药指征。二级指标中相对权重系数较高的为适应证(0.108)、药物转换(0.107)、禁忌证(0.089),不合理率排前3的为用法用量(61.76%)、适应证(44.12%)、联合用药(38.24%)。评价为合理用药[与最优方案相对接近度(C_(i))≥0.8]、基本合理用药(0.6≤C_(i)<0.8)、不合理用药(C_(i)<0.6)的分别有15例(14.71%),61例(59.80%),26例(25.49%)。结论基于AHM加权TOPSIS法进行阿哌沙班药物利用合理性评价具有可行性。该院阿哌沙班的使用基本合理,但在适应证、联合用药、用法用量等方面仍存在问题,临床医师和药师应加强干预,进一步提高该药使用的规范性。

基于位置权重的窗口指派单机排序问题

研究了基于位置权重的窗口指派排序问题,机器限定为一台,其目的是在准时制环境下极小化窗口指派的窗口开始时间、窗口大小以及总延误的加权之和,以找到其最优工件加工序列以及窗口开始时间d_(k)^(1)(结束时间d_(k)^(2)),其中权重只和位置有关,而与工件无关。在共同、松弛和不同窗口指派下,通过相应最优解性质,证明此问题能够多项式时间可解。对于共同以及松弛窗口指派,算法的复杂度为O(n^(2)log n),而对不同窗口指派,问题可在O(n log n)时间内求解,其中n为给定工件数量。

汽车整车多级生产线协同排序优化方法

为满足汽车整车生产线不同工艺车间对车身序列的不同需求,提高汽车生产线多工艺车间的协同生产能力并降低生产成本,提出一种面向汽车整车多级生产线的协同排序优化方法。分析了汽车生产过程中不同工艺车间对车身序列的不同需求,在考虑焊接车间车型更换次数、涂装车间颜色更换次数、总装车间总超载和空闲时间、总装车间物料消耗均衡等传统优化目标的基础上,搭建了缓冲区重排序成本的目标函数,并以此构建了汽车整车多级生产线协同排序多目标优化模型,然后采用基于启发式出入站规则的第三代非支配排序遗传算法对模型进行优化求解。最后通过某公司的实际生产案例,验证了所提模型和方法的有效性。

基于测试树模型的软件测试能力值优先级排序

为了有效提升软件测试用例排序的执行效率,保障软件运行安全,提出基于UML顺序图的软件测试用例优先级排序方法。根据UML顺序图场景概念,通过遍历顺序图中的时间序列获取全部场景,得到与之对应的场景测试树模型。设置约束条件,根据场景环境条件形成软件测试用例。计算各个软件测试用例的迁移重要度,通过反馈机制动态调整软件测试用例的总测试能力值,根据测试能力值展开优先级排序。实验结果表明,采用所提方法可以全面提升软件测试用例缺陷检测率,确保在最短的时间内获取最优的排序结果。

基于排序蒸馏的序列化推荐算法

为解决当前基于知识蒸馏的推荐算法排名有效性和效率低,以及现有知识蒸馏模型更强调的是静态和单一知识迁移的问题,提出一种基于排序蒸馏的序列化推荐算法。训练一个性能优越、规模大的教师模型,训练一个符合移动终端设备的小模型即学生模型,使学生模型在教师模型的指导下学习排序。学生模型实现了与教师模型相似的排名性能,且学生模型规模较小提高了在线推荐效率。通过在数据集MovieLens和Gowalla上的实验,验证了该模型增强了学生模型的学习效果,缓解了学生模型学习不充分导致排名不佳的问题。模型可以自然地运用于序列化推荐的模型中,具有很好的通用性。

基于优化第三代非支配排序遗传算法的城市应急设施模糊选址

以杭州市上城区2022年全年核酸检测点记录数据为基础,采用优化型第三代非支配排序遗传算法(NSGA3),将杭州市上城区划分为10786个50 m×50 m的人口点,模拟每个人口点去往周边核酸检测这一聚集性应急行为,并进行50000次迭代.将迭代结果进行核密度分析,分别得出基于单设施点的15 min生活圈优化结果、基于双设施点的15 min生活圈优化结果、基于适老化需求修正的设施点优化结果,以及基于单设施点的5 min生活圈优化结果.结果显示,以单设施点的15 min生活圈优化结果为例,在不改变服务能力的前提下,基于优化NSGA3迭代后的核酸检测点网络,将设施平均可达时间从292.44 s优化到了264.62 s.基于核酸检测这一行为结果形成城市应急设施的模糊选址范围,得出“小集聚-大分散”空间规律;在此基础上将模糊选址范围转化为“社区级多功能应急空间”,为将来发生应急事件,进行临时应急设施选点决策时提供理论建议.

基于加权逼近理想解排序法对儿科应用喜炎平注射液的药物利用评价

目的:探讨喜炎平注射液药物利用评价(DUE)标准的建立与应用,为喜炎平注射液在儿童患者中的合理使用提供参考。方法:以喜炎平注射液说明书为基础,参考相关共识及指南建立新乡市第一人民医院喜炎平注射液DUE标准,并采用加权逼近理想解排序(TOPSIS)法对我院2023年3-6月使用喜炎平注射液的130份患儿归档病历进行评价及分析。结果:制订的喜炎平注射液DUE标准包括用药指征、用药过程、用药结果3个方面,11项评价指标。经评价我医院患儿在喜炎平注射液使用过程中存在的主要问题为用法用量不适宜24例(18.46%)、无适应证用药15例(11.54%)、用药疗程不适宜12例(9.23%)、给药速度不适宜6例(4.62%)。结论:基于加权TOPSIS法的儿科应用喜炎平注射液DUE方法可综合多个评价指标,操作性强,评价方法简便灵活,但我院儿科喜炎平注射液的临床应用存在不合理使用现象,应加强点评和干预。

基于词嵌入的科研主题排序研究

为准确把握科研领域内文献主题的发展变化,常利用隐式语义特征提取科研主题分布。但由于主题挖掘技术本身的限制,并非所有主题都具有同等重要性或意义。有些主题可能包含太多背景词,信息空泛,或者主题词之间缺乏连贯性,导致主题缺乏实际意义。针对上述问题,在已有研究基础上,基于词嵌入,提出一种新的多维度评估主题质量算法;针对科研文档的特点,利用语料库的统计特征对无意义主题距离评估方法进行优化,并最终将二者融合到一个统一的主题排序框架中。实验结果表明,本文提出的方法可以有效提高主题排序整体效果,能够识别出非重要和质量差的主题,主题排序的整体效果优于现有方法。

基于非支配排序的机场特种车辆调度

在机场过站期间,航空器需要依靠特种车辆来提供多项地面保障服务,包括燃油加注、配餐、装卸行李货物、清洁和拖车牵引等。这些服务由相应的特种车辆完成,特种车辆的调度对于提高地面保障服务水平和资源利用率至关重要。目前机场普遍采用基于人工的单车单航班服务的特种车辆调度方式,这种方式成本高、效率低,是导致航班延误的重要因素之一。为解决机场地面拖车保障服务调度的问题,根据拖车服务运行特点,建立拖车行驶总路程和航班延误最小化的车辆路径问题模型。与传统固定算法不同,为适应拖车调度的问题,采用了基于启发式算法的非支配排序思想对模型求解。通过国内首都机场的实际航班数据进行验证,研究结果显示,该算法较实际运行情况下延误数量减少了27%,有效地降低了航班延误率。

RECAT-CN间隔下点融合系统进场航班排序研究

为提升终端区进场航班运行效率,针对大连机场终端区点融合系统设计进场航班排序模型,改进遗传算法求解实际航班流的最优排序并提出了一种航班换序运行模式。通过分别对比在RECAT-CN间隔和CAAC间隔下航班换序运行模式与先到先服务(FCFS)运行模式的运行效率,得出了如下结论:1)CAAC间隔下实施航班换序运行模式较FCFS运行模式对航班总等待时间、总飞行时间、航班流总运行时间均有优化;2)在航班换序运行模式下采用RECAT-CN间隔可进一步提升运行效率;3)采用航班换序运行模式可以一定程度上缓解FCFS原则下航班延误逐渐累积的问题。

基于块排序优化机制的移动传感网数据精确算法

为解决当前移动传感网部署过程中存在的传输能力较低、数据传输误差较高等不足,提出了一种基于块排序优化机制的移动传感网数据精确算法。通过簇头节点间的位置拓扑关系,构建拓扑-信号传输误差评估指标,设计了节点区域矢量评估机制,以精确追踪数据传输过程中的拓扑轨迹,并采取莫度矢量方式来降低数据传输误差,从而提升网络数据传输能力。采用块排序机制,计算排序阈值,构建了误差消除方法,从而实现间歇性簇头数据传输能力,进一步降低簇头间数据传输存在的传输误差。仿真实验表明:与当前传感领域内常用的基于能量机制的改进蚁群算法和基于节能聚类机制的覆盖图量算法相比,本算法具有更强的网络数据传输能力和更低的网络传输误差。

增强鲁棒性的点融合系统进场排序与调度

现有进场航班排序与调度模型较少考虑不确定因素的影响,本文基于点融合系统(PMS,point merge system)连续下降进近时间符合高斯分布的特点,建立增强鲁棒性的两阶段进场排序与调度模型。第一阶段,描述随机变量带来的不确定性,基于机会约束规划理论设计带有额外缓冲区的静态排序与调度模型,以飞行时间和次序变更量为指标确定最佳额外缓冲区;第二阶段,补偿不可预知原因导致飞行时间超出缓冲区的情况,采用基于滑动时间窗的启发式算法对第一阶段的方案进行动态调整。通过Monte-Carlo模拟不确定性场景下的连续下降进近时间,仿真结果表明,在高、中、低3种交通密度下,所提出的两阶段模型相较于其他模型在鲁棒性和公平性的平衡方面表现出了良好性能。

基于重要值排序和自适应阈值的Douglas-Peucker算法

矢量数据压缩长久以来一直是地理信息系统(GIS)领域的关注焦点,旨在缩减数据规模以满足应用性能方面的需求,同时减少数据传输、系统处理时长以及储存成本,从而提高系统性能和运行开销。虽然在该问题上已取得了一些研究成果,但由于技术进步和新需求的涌现,对矢量数据压缩的压缩率和精度都提出了更高的要求,同时如何确定最优的阈值也成为了一个亟待解决的问题。因此,本文从矢量数据中不同节点对整个矢量图形产生变化的重要性以及如何确定最佳阈值出发,设计了结合重要值排序和自适应阈值的Douglas-Peucker算法。通过对上海市民政部门内部矢量数据集的实验表明,改进算法在压缩率相同情况下,数据压缩效果整体优于Douglas-Peucker算法及其改进算法。

基于任务优先权的军民航飞行活动协同排序模型

随着空域资源需求的不断增大,军民航间飞行矛盾日益突显。为解决此问题,本文以国务院、中央军事委员会空中交通管制委员会提出的“军民航空管联合运行”为背景,引入军民航共享空域的概念,重点研究了在此类空域中军民航飞行活动协同排序(CMFCS,civil-military aviation flight activity collaborative sequencing)问题。首先,基于军民航各自飞行任务特点与差异,对军民航飞行任务的种类进行划分,并使用层次分析法确定各类飞行任务的优先权原则;其次,以军民航飞行活动总延误时间成本最小为目标,建立CMFCS模型;最后,使用遗传算法对模型进行求解,确定军民航飞行活动批准进入共享空域的时间序列。研究结果表明,与经典的先到先服务(FCFS,first come first service)策略相比,协同排序策略得到的总延误时间成本降低了72.17%,优化效果显著且更符合实际,能够实现军民航共同使用国家空域资源,保障飞行活动安全、有序、高效地运行。

TrustOcCR:基于信任的社会化单类协同排序推荐算法

之前关于社会化单类协同排序推荐算法的研究仅仅集成用户的社交网络信息到推荐模型中,未能考虑到用户的社交信任网络的传递性。为了解决该问题,基于最新的CLiMF模型和TrustMF模型,提出了一种新的基于信任的社会化单类协同排序推荐算法(TrustOCCR)。该算法通过精心整合双重稀疏信息(隐式评分矩阵和具有传递性的社交信任网络矩阵)来进一步提高社会化单类协同排序推荐算法的性能。在真实的实验数据集上验证,采用两个不同的评价指标,本文提出的TrustOCCR算法均优于最新的社会化单类协同排序推荐算法。且TrustOCCR算法可扩展性好,适合在互联网信息推荐领域用于处理大数据。

基于深度主动学习的科研合作网络中节点排序研究

节点排序任务在社交网络与科研合作等领域的应用愈加广泛,准确评估网络节点重要性的课题备受关注。然而,合作网络通常存在大量噪声、不完整信息以及动态变化,传统节点排序方法往往难以取得令人满意的结果。为此,提出一种基于深度主动学习的方法进行科研合作网络中节点的排序。该方法结合深度学习的优势以及主动学习的查询策略,能够在数据标签稀缺和噪声干扰较大的情况下自适应地根据网络中节点的重要性进行排序。具体而言,首先利用深度学习模型从节点的多模态特征中进行表示学习,将节点表示与其重要性相结合,形成一个综合排序指标;然后通过主动学习方法选择对排序结果具有较大影响的节点进行标注,从而逐步优化排序模型。在真实的科研合作网络数据集上进行验证实验,发现与传统排序方法相比,基于深度主动学习的方法在节点排序准确性和稳定性方面有显著提升。