Recommendation algorithm of cloud computing system based on random walk algorithm and collaborative filtering model

The traditional collaborative filtering recommendation technology has some shortcomings in the large data environment. To solve this problem, a personalized recommendation method based on cloud computing technology is proposed. The large data set and recommendation computation are decomposed into parallel processing on multiple computers. A parallel recommendation engine based on Hadoop open source framework is established, and the effectiveness of the system is validated by learning recommendation on an English training platform. The experimental results show that the scalability of the recommender system can be greatly improved by using cloud computing technology to handle massive data in the cluster. On the basis of the comparison of traditional recommendation algorithms, combined with the advantages of cloud computing, a personalized recommendation system based on cloud computing is proposed.

Optimized quantum random-walk search algorithm for multi-solution search

This study investigates the multi-solution search of the optimized quantum random-walk search algorithm on the hypercube. Through generalizing the abstract search algorithm which is a general tool for analyzing the search on the graph to the multi-solution case, it can be applied to analyze the multi-solution case of quantum random-walk search on the graph directly. Thus, the computational complexity of the optimized quantum random-walk search algorithm for the multi-solution search is obtained. Through numerical simulations and analysis, we obtain a critical value of the proportion of solutions q. For a given q, we derive the relationship between the success rate of the algorithm and the number of iterations when q is no longer than the critical value.

Decoherence in optimized quantum random-walk search algorithm

This paper investigates the effects of decoherence generated by broken-link-type noise in the hypercube on an optimized quantum random-walk search algorithm. When the hypercube occurs with random broken links, the optimized quantum random-walk search algorithm with decoherence is depicted through defining the shift operator which includes the possibility of broken links. For a given database size, we obtain the maximum success rate of the algorithm and the required number of iterations through numerical simulations and analysis when the algorithm is in the presence of decoherence. Then the computational complexity of the algorithm with decoherence is obtained. The results show that the ultimate effect of broken-link-type decoherence on the optimized quantum random-walk search algorithm is negative.

Effects of systematic phase errors on optimized quantum random-walk search algorithm

This study investigates the effects of systematic errors in phase inversions on the success rate and number of iterations in the optimized quantum random-walk search algorithm. Using the geometric description of this algorithm, a model of the algorithm with phase errors is established, and the relationship between the success rate of the algorithm, the database size, the number of iterations, and the phase error is determined. For a given database size, we obtain both the maximum success rate of the algorithm and the required number of iterations when phase errors are present in the algorithm. Analyses and numerical simulations show that the optimized quantum random-walk search algorithm is more robust against phase errors than Grover＇s algorithm.

Full Euclidean Algorithm by Means of a Steady Walk

Let x and y be two positive real numbers with x < y. Consider a traveler, on the interval [0, y/2], departing from 0 and taking steps of length equal to x. Every time a step reaches an endpoint of the interval, the traveler rebounds off the endpoint in order to complete the step length. We show that the footprints of the traveler are the output of a full Euclidean algorithm for x and y, whenever y/x is a rational number. In the case that y/x is irrational, the algorithm is, theoretically, not finite;however, it is a new tool for the study of its irrationality.

基于随机游走麻雀搜索算法的多特征结构尺寸熔融沉积成型工艺参数优化

在熔融沉积成型过程中,打印参数对成型样件精度有着重要影响.为了提高整体尺寸精度,采用随机游走的麻雀算法获得最优实验方案.首先,以熔融沉积成型的分层厚度、喷头温度、打印速度和填充率为实验变量设计4因素4水平的正交试验;然后,以样件不同特征结构尺寸的相对误差为优化对象,使用田口-灰色关联法对实验数据进行处理;最后,通过随机游走的麻雀算法计算最优参数方案.结果表明,相比常用的田口-灰色关联法,采用优化后工艺参数成型样件的综合尺寸精度提高了20%,灰色关联度提高了27%.

煤矿履带式定向钻机路径规划算法

煤矿履带式定向钻机路径规划过程中存在机身体积约束和实际场景下的行驶效率需求,而常用的A^(*)算法搜索速度慢、冗余节点多,且规划路径贴近障碍物、平滑性较差。提出一种以改进A^(*)算法规划全局路径、融合动态窗口法(DWA)规划局部路径的煤矿履带式定向钻机路径规划算法。考虑定向钻机尺寸影响,在传统A^(*)算法中引入安全扩展策略,即在定向钻机和巷道壁、障碍物之间加入安全距离约束,以提高规划路径的安全性;对传统A^(*)算法的启发函数进行自适应权重优化,同时将父节点的影响加入到启发函数中,以提高全局路径搜索效率;利用障碍物检测原理对经上述改进后的A^(*)算法规划路径剔除冗余节点,并使用分段三次Hermite插值进行二次平滑处理,得到全局最优路径。将改进A^(*)算法与DWA融合,进行煤矿井下定向钻机路径规划。利用Matlab对不同工况环境下定向钻机路径规划算法进行仿真对比分析,结果表明:与Dijkstra算法和传统A^(*)算法相比,改进A^(*)算法在保证安全距离的前提下,加快了搜索速度,搜索时间分别平均减少88.5%和63.2%,且在一定程度上缩短了规划路径的长度,路径更加平滑;改进A^(*)算法与DWA融合算法可有效躲避改进A^(*)算法规划路径上的未知障碍物,路径长度较PRM算法和RRT^(*)算法规划的路径分别平均减小5.5%和2.9%。

一种新的多能互补分布式能源系统动态约束工作点设计方法

提出了一种新的动态约束工作点设计方法,通过调节部分设备容量,并同步优化储能设备容量,强化储能设备削峰填谷的优势。以经济性最优为目标,以系统中各设备容量为优化变量,将容量配置优化模型与强制进化随机游走算法相结合,并将其应用于具体算例。结果表明:相比其他3种方案,采用动态约束工作点设计方法后年综合费用分别降低了11.3%、8.8%和4.1%,进一步提高了系统的经济性。

基于贝叶斯估计的空间函数型自回归模型及其应用

目的为了研究函数型数据中响应变量的空间相关性,根据现有研究方法,对具有空间依赖性的函数型数据进行研究,并提出其模型的贝叶斯估计方法。方法以典型空间自回归模型为基础,根据函数响应变量的空间依赖性,假设响应变量和解释变量间存在内生关系,生成空间函数型自回归模型,通过主成分分析将模型中函数型部分变为离散型,然后在给定先验情况下计算模型中参数的完全条件后验分布,使用贝叶斯MCMC方法进行估计。结果使用联合Gibbs采样和随机游动的Metropolis-Hastings算法对模型中参数进行估计,通过模拟研究发现:不同参数下模型的函数型系数以及其他参数的估计偏差和均方误差较小,由此验证了贝叶斯估计方法的有效性,同时将空间函数型模型用于重庆市主城区新房平均价格的实证分析,结果表明所提出模型的贝叶斯估计方法是有效的。结论使用贝叶斯估计方法对模型中参数进行估计,在不同情况下函数型解释变量的估计效果一直都比较好,并且随着样本量的增大,其估计效果也越来越好,可以认为使用贝叶斯估计方法对空间函数型自回归模型进行估计是有效且可行的,同时通过实证分析说明重庆市主城区新房平均价格具有空间自相关性,而且会受到二手房挂牌量的影响。

图神经网络研究综述

随着人工智能的快速发展,深度学习已经在图像、文本和语音等可在欧氏空间表示的数据中取得了巨大成功,但却一直无法很好地应用于非欧氏空间。近年来,图神经网络在非欧几里得空间中展现出了强大的表示学习能力,并广泛应用于推荐系统、自然语言处理以及机器视觉等众多领域。图神经网络模型基于信息的传播机制,具体地,图中的目标节点通过聚合邻居节点的信息来更新自身的嵌入表示。利用图神经网络,可将众多现实问题(如社交网络、知识图谱和药物化学成分等)抽象成图网络,借助图中的连接边,对不同节点之间的依赖关系进行合理建模。鉴于此,对图神经网络进行了系统综述,首先介绍了图结构数据方面的基础知识,然后对图游走算法和不同类型的图神经网络模型进行了系统梳理。进一步地,详细阐述了当前图神经网络的通用框架和应用领域,最后对图神经网络的未来进行了总结与展望。

应用单元活性强化策略的质量交换网络优化

质量交换网络优化后期,存在结构易固化、新单元生成受限的现象,不利于结构变异和全局寻优。因此,文中首先探究了结构固化的成因,并提出单元活性强化策略。在优化过程中,实时监测个体状态,以一定的概率随机抽取一个超过阈值的质量交换器,并将其分化为多个传质单元,以此增强新生单元的活性和个体结构变异能力,提升算法的全局搜索性能。将改进策略应用于废水脱酚和空气除氨2个算例中,所获结构的年综合费用为129 200、336 148美元/a,均优于目前文献最优解。结果表明:单元活性强化策略可以促进结构优选,有效提升算法优化质量。

基于Random Walk算法的CT图像肺实质自动分割

针对复杂情况下肺实质的分割问题,提出了一种基于Random Walk算法对肺实质自动分割的方法。首先,根据胸部组织解剖学及其计算机断层扫描(CT)图像的影像学特征,在肺实质及其周围组织分别确定目标区域种子点和背景种子点位置;然后,使用Random Walk算法对CT图像进行分割,提取近似肺区域的掩模;接下来,对掩模实施数学形态学运算,来进一步调整目标区域种子点和背景种子点的标定位置,使其适合具体的复杂情况;最后,再次使用Random Walk算法分割图像,得到最终的肺实质分割结果。实验结果显示,该方法与金标准的平均绝对距离为0.44±0.13 mm,重合率(DC)为99.21%±0.38%。与其他分割方法相比,该方法在分割精度上得到了显著提高。结果表明,提出的方法能够解决复杂情况下肺实质分割的问题,确保了分割的完整性、准确性、实时性和鲁棒性,分割结果和时间均可满足临床需求。

基于可视图与改进遗传算法的机器人平滑路径规划

针对传统遗传算法在路径规划中存在收敛速度慢、易早熟和路径质量差等缺点,提出一种基于可视图与改进遗传算法的路径规划算法。首先,利用可视图法压缩地图信息,减少搜索节点;然后,对路径个体采用浮点数编码,引入模拟二进制交叉(simulated binary crossover,SBX)算子和多项式变异算子,并采用精英保留策略和轮盘赌相结合的选择算子以防止优质个体丢失;之后,将贝塞尔(Bezier)算子引入遗传算法,改善路径的平滑性;最后,分段优化贝塞尔控制节点,防止优化路径与障碍物碰撞。在仿真地图中进行测试,实验结果表明,所提算法相比于其他算法可以规划出一条更平滑、更短的路径。将算法应用在康复助行机器人中进行测试,实验结果表明,所提算法能有效解决机器人的全局路径规划问题,提升全局路径规划的效率。

基于复杂网络探究肺系疫病各阶段核心“症-药”关联及作用机制

目的通过整合肺系疫病的各阶段临床表现与中药复方,利用现代生命科学的组学大数据资源,挖掘肺系疫病各阶段症状与中药的内在联系,为阐明中医药在治疗肺系疫病中的作用机制提供数据支持。方法明确界定肺系疫病非特异性症状特征,系统梳理古代疫病文献资料、中成药目录,以及针对新型冠状病毒肺炎的中医药诊疗方案,构建包含肺系疫病各阶段症状与方药的大数据集;运用网页排名算法提炼出肺系疫病在急性期(轻症、重症)和恢复期3个不同阶段的“核心症状群”和“核心中药群”,并通过随机游走算法深入剖析核心“症-药”间的相互关系。结果在纳入的822条数据中(轻症287条,重症403条,恢复期132条),所识别的核心症状群与各阶段肺系疫病的实际临床表现高度吻合。轻症阶段的核心中药以解表药和清热药为主,重症阶段则在此基础上增加了祛湿化痰药,而恢复期以补气养阴药为核心。进一步的富集分析揭示,急性期核心中药主要涉及调控Janus激酶/信号转导与转录激活子和核转录因子κB信号通路,恢复期核心中药主要影响成纤维细胞增殖相关通路。结论核心症状群对应的核心中药群可能通过调节关键转录因子来治疗肺系疫病。

一种对称损失下逆高斯分布形状参数的Bayes估计

在加权p、q对称损失下,分别研究了逆高斯分布形状参数的Bayes估计、多层Bayes估计和E-Bayes估计,并把刀切法的思想运用到Bayes估计中,得到逆高斯分布形状参数的刀切Bayes估计的精确形式,为验证形状参数估计的合理性,运用R软件,采用随机游动Metropolis算法对所研究参数的Bayes估计、E-Bayes估计和刀切Bayes估计进行数值模拟,比较了在加权p、q对称损失、Linex非对称损失、平方损失和q-对称损失下逆高斯分布形状参数的Bayes估计的精度,结果表明加权p、q对称损失下逆高斯分布形状参数的Bayes估计的精度最高。

基于改进遗传算法的采煤机牵引部行走轮优化设计

行走轮是采煤机牵引部的重要零件,其可靠性对采煤机的工作效率和可靠性有着直接的影响。基于采煤机虚拟样机模型的仿真数据,利用机械优化设计理论建立煤机牵引部行走轮动态可靠性,选取行走轮齿根圆角和花键轴段倒圆角为设计变量,行走轮等效应力为目标函数,构建行走轮的优化设计函数。利用改进遗传算法求得行走轮结构尺寸的最优解。仿真结果表明:行走轮优化后的最大应力395.09 MPa,降低20.008%,有效地提高了行走轮的综合性能。

基于改进的SSA-BP神经网络的矿井突水水源识别模型研究

机器学习与寻优算法的结合在矿井突水水源识别上得到广泛应用,但突水水样数据具有随机性且寻优算法易陷入局部最优,提高模型泛化能力和跳出局部最优需进一步研究。针对上述问题,提出了一种改进的麻雀搜索算法(SSA)优化BP神经网络模型,用于对矿井突水水源进行定量辨识。以鲁能煤电股份有限公司阳城煤矿为研究对象,通过常规离子浓度分析、Piper三线图对该煤矿水样的水化学特征进行分析,初步判断矿井水来源于奥灰含水层和三灰含水层,并确定Na^(+)+K^(+)浓度、Ca^(2+)浓度、Mg^(2+)浓度、HCO_(3)^(-)浓度、SO_(4)^(2-)浓度、Cl^(-)浓度、矿化度、总硬度、pH值作为突水水源识别指标;建立基于改进SSA-BP神经网络的矿井突水水源识别模型:首先进行SSA参数设置,引入Sine混沌映射使麻雀种群均匀分布,然后通过计算适应度值进行麻雀种群的更新,引入随机游走策略扰动当前最优个体,如果满足终止条件,则获得最优BP神经网络权重和阈值,最后基于构建的BP神经网络,输出识别结果。研究结果表明:①改进的SSA-BP模型在训练集上的识别准确率达95.6%,在测试集上的识别准确率达100%。②改进的SSA-BP神经网络模型与BP神经网络模型、SSA-BP神经网络模型对比结果:BP神经网络模型误判率为5/18,SSA-BP神经网络模型的误判率为2/18,改进的SSA-BP神经网络模型误判率为0,迭代10次后趋于稳定,且与设定的目标误差相差最小,初始适应度值最优,识别结果可信度高。③将阳城煤矿5组矿井水水样数据作为输入层数据输入到训练好的模型中,矿井水水样的主要来源为奥灰含水层、三灰含水层和山西组含水层,模型识别结果与水化学特征分析的结论相互印证,实现了精准区分。

基于分群游走机制的灰狼优化算法的FPRM逻辑电路面积优化

针对基于XNOR/OR的固定极性Reed-Muller电路(FPRM)逻辑电路面积优化方法搜索最优解速度较慢,易陷入局部最优等问题,提出一种新的FPRM逻辑电路面积优化方法,利用基于分群游走机制的灰狼优化算法(GDGWO)搜索电路面积最小的FPRM电路.GDGWO在初始化种群后,采取“轮盘赌”选择算法选出合适的新群体头狼,以提高种群多样性;执行种群分裂机制,防止因原始种群陷入局部最优而降低算法的鲁棒性;在分群搜索开发过程中引入改进后的随机游走策略,使灰狼种群能够更快地包围猎物,提高算法的收敛速度.基于北卡罗来纳微电子中心Benchmark测试电路的实验结果表明,GDGWO与粒子群算法相比,电路面积优化率提升57.42%;与黑猩猩算法相比,提升41.94%;与原始灰狼优化算法相比,提升43.68%.

南京市游客社会感知特征差异研究

研究基于自然语言和复杂网络分析技术,利用大众点评的评论数据,对南京市老城区的本地和外地游客的社会感知特征进行分析。研究发现本地和外地游客所重点关注的景点类型存在着一定差异,外地游客所关注景点比本地游客在空间上更为聚集,呈现“三角网”的结构;本地游客所重点关注的景点之间联系网络的空间覆盖范围广;在关注的主题内容上也有所差异,本地游客更偏重于日常旅游问题,而外地游客对南京市的历史、著名景点、建筑等要素更为注重;关键词语义网络分析结果表明本地和外地游客在一些重要景点关联上也存在着差异性。总体上,研究成果可为当前城市旅游发展规划和相关政策制定提供一定的参考依据。

基于遗传算法优化XGBoost模型的地铁乘客出站走行时间预测

地铁乘客出站走行时间的预测是城市交通运行和管理的重要依据,对其进行准确预测有助于缓解地铁拥堵、优化地铁服务和提高乘客满意度。为了准确预测地铁乘客出站走行时间,首先,基于视频分析软件从监控视频中提取了乘客出站时的走行时间和若干特征变量。其次,为了筛选出对走行时间有显著影响的因素,采用相关性分析和最优尺度回归模型进行影响因素分析,并使用遗传算法进行最优特征组合的提取。最终,将提取出的特征作为输入向量,使用极端梯度提升模型(extreme gradient boosting,XGBoost)进行走行时间的预测,并以平均绝对误差等作为评价指标。实验结果表明,本文提出的方法在地铁乘客出站行为预测方面具有较好的效果,平均绝对误差为1.55 s,低于未优化的极端梯度提升模型(1.87 s)、支持向量机(2.03 s)和随机森林(1.96 s)等模型。