云仿真系统可信度评估问题探讨

云仿真平台支持"云仿真"模式,能够自动查找仿真资源、动态构建云仿真系统.由于云仿真平台具有按需构建仿真服务、多粒度资源共享等特点,云仿真系统的可信度评估工作在仿真资源的可信度、仿真子系统的可信度、仿真运行环境的可靠性等方面面临新的问题.从云仿真系统全生命周期角度,建立了云仿真系统的可信度评估过程模型和云仿真系统可信度评...     

扩展AUC模型下最优k-部排序函数的计算

本体作为一种结构化数据存储和表示模型已成为信息科学的核心研究内容之一.在扩展AUC模型的k-部排序本体算法的框架上,提出一种计算最优k-部排序函数的迭代算法.最后,将算法分别作用于GO本体和大学本体.实验表明：新算法对特定的应用领域具有较高的效率.     

改进凸包的贝叶斯模型显著性检测算法

针对传统贝叶斯模型算法对图像显著区域检测精度需要进一步提高的问题,提出一种改进凸包的贝叶斯模型显著性检测算法。首先,利用流行排序算法对图像进行前景提取,提取的前景区域作为贝叶斯模型的先验概率;其次,利用颜色增强的Harris角点检测算法检测图像在RGB,HSV,CIELab 3个颜色空间中的特征点,分别构造RGB,HSV,CIELab空间的凸包,求取3个颜色空间下的凸包的交集;再次,通过贝叶斯模型根据先验概率、凸包与颜色直方图结合得到的观测似然概率计算获得显著性区域图;最后,将新算法在两大公开数据集MSRA和ECSSD中进行测试。结果表明,新算法能够有效抑制背景噪声,完整检出显著区域,F-measure值在MSRA和ECSSD数据库中的测试结果分别为0.87和0.71,准确率-召回率曲线在复杂图像数据库高于传统经典算法。新算法改进了传统经典算法的检测效果,进一步提高了显著图检测的准确性。     

基于综合扩展优势度排序L-R型模糊数的方法

根据决策者的偏好及L-R型模糊数的左、右扩展优势度定义该类型模糊数综合扩展优势度,再依据综合扩展优势度,计算每个模糊数相对于其它模糊数综合优势度的几何平均值,以确定模糊数的排序向量,提出一种基于综合扩展优势度排序L-R型模糊数的方法,并用算例进行检验．算例验证表明,该方法在一定程度上克服了现有模糊数排序方法存在的缺陷．     

A DEA-TOPSIS method for multiple criteria decision analysis in emergency management

A hybrid approach of DEA (data envelopment analysis) and TOPSIS (technique for order performance (preference) by similarity to ideal solution) is proposed for multiple criteria decision analysis in emergency management. Two DEA-based optimization models are constructed to facilitate identifying parameter information regarding criterion weights and quantifying qualitative criteria in TOPSIS. An emergency management case study utilizing data from the Emergency Management Australia (EMA) Disasters Database is provided to demonstrate the feasibility of the proposed analysis procedure.     

面向误差最小化的在线服务信誉度量

由于每个在线服务可以通过其自身的真实质量被客观比较,存在潜在的真相服务排序。为了使用户进行服务选择时有真实客观的在线服务信誉排序作为参考,服务信誉应当尽可能地接近真相服务排序。提出一种面向误差最小化的在线服务信誉度量方法。该方法将用户对服务的偏好排序视为对真实服务排序的带噪估计,利用Kendall tau距离指标来衡量服务排序与真相排序之间的误差,通过设定真相与用户对服务的偏好排序集合之间的平均误差上限找出可能的真相服务排序,寻找与可能的真相服务排序集合之间平均误差最小的服务排序作为服务信誉。由于所有的服务排序都有可能为真相排序,造成了该方法的计算困难,利用分支切割法对该方法进行优化求解。以真实数据集和模拟数据集为基础,通过实验验证了该方法在保证运行效率的同时得到与真相误差更小的信誉度量结果。     

Valuable information in early sales proxies: The use of Google search ranks in portfolio optimization

We extract information on relative shopping interest from Google search volume and provide a genuine and economically meaningful approach to directly incorporate these data into a portfolio optimization technique. By generating a firm ranking based on a Google search volume metric, we can predict future sales and thus generate excess returns in a portfolio exercise. The higher the (shopping) search volume for a firm, the higher we rank the company in the optimization process. For a sample of firms in the fashion industry, our results demonstrate that shopping interest exhibits predictive content that can be exploited in a real‐time portfolio strategy yielding robust alphas around 5.5%.     

多约束混流线平衡与排序优化问题研究

针对G企业混流装配线设计不合理导致工位间负载不均衡及产品堆积现象，考虑工序与工位间匹配关系，节拍时间、工序优先关系等多约束，以减少工位数量、均衡工位间负载、减少产品等待时间为目标，建立混流装配线设计与产品排序问题的多目标混合整数规划模型，分别设计了分层算法和混合启发式算法；利用小规模算例验证了分层次算法的精确性，利用大规模算例验证了混合启发式算法高效性。基于本文算法对G企业装配线进行优化后，其工位间负载极差由15.6 min减少到0.1 min，优化后投产顺序对应的节拍时间降低了6 min。     

考虑后悔规避的突发事件应急响应的风险决策方法

针对突发事件发展演变存在多种可能情景且实施不同应急方案时各情景发生概率不同的应急响应风险决策问题,基于后悔理论的思想,提出了一种考虑后悔规避的突发事件应急响应的风险决策方法.在该方法中,首先分别针对突发事件造成的损失以及方案实施成本计算应急方案的效用值;然后,分别针对突发事件造成的损失和方案实施成本,计算各应急方案的后悔值,进而得到分别针对损失指标和方案实施成本的决策者对应急方案的感知效用;进一步地,将针对损失指标和方案实施成本的感知效用进行综合集成,得到应急方案的综合感知效用,并依据综合感知效用的大小确定应急方案排序.最后,通过一个算例分析说明了该方法的可行性与有效性.     

无监督排序学习算法的一致性比较

对于无监督的排序学习算法来说,排序结果的评价指标是非常具有挑战性的问题.从一致性的角度,比较了4种比较典型的无监督排序学习方法,并在机器学习标准数据库中进行实验比较分析.结果显示,RPC这种非线性的无监督排序融合方法产生的排序结果有最小的Kendall距离和Spearman简捷距离,体现了RPC在无监督排序方法上的优越性.