基于l_1、l_2范数度量的单位时间平行机加权总完工时间的逆调度问题(英文)

考虑了两种范数(l1和l2)度量下,单位时间的平行机上加权总完工时间调度问题的逆问题.对于已经给定的加工工序,在不同范数l1和l2下,通过最小限度地调整工件的权值,使得这一给定的加工工序成为最优,并且工件权值的调整不会增加原有的目标函数值.     

全国综合大学学报类期刊综合评价总分及影响因子等指标及排序

正~~     

最大路径算法在原条量材优化中的应用及其优化

在分析求解最短路径问题与求解最大路径问题差异的基础上,给出了一种在有向图中采用动态规划策略求解最大路径的算法,将其应用到原条量材网络图中求解原条最优量材问题;并提出了采用量材三角形优化原条量材网络图的一种优化方法,降低了算法的复杂度.通过实验验证了算法与优化方法的正确性与可行性.     

Web数据库关键字查询结果排序方法

为提高现有关键字查询结果的准确性,提出一种基于信息检索排序模型的关键字查询结果排序方法,该方法根据查询关键字在查询结果元组树和数据库中出现的频率来衡量查询结果的相关度,考虑了查询结果元组树中文本属性所包含字符串长度对排序分值的影响,使评分函数的计算更为合理.研究结果表明:提出的关键字查询结果排序方法的排序准确性高于现有典型排序方法,具有较高执行效率.     

基于C语言的排序算法在五年制高职课堂中的应用

排序算法是C语言的重点和难点。研究排序算法中具有代表性的冒泡排序算法和选择排序算法。认真分析教学对象和教学内容的特点,细化教学过程,创新教学手段,可以减少学生对C语言学习的恐惧心理,取得较好的学习效果。     

带有学习及退化效应和资源分配的交货期指派的单机排序问题

本文讨论带有学习及退化效应和资源分配的交货期指派的单机排序问题。所有工件有一个公共的交货期,如果工件在交货期内完工将不产生任何费用,但是在交货期之前或之后完工将产生相应的提前或延误费用。工件的实际加工时间是与开工时间、在排序中位置和资源分配有关的函数。目标是确定最优交货期的位置、交货期的大小、工件的最优排序和最优资源分配,最小化包括提前、延误、交货期大小、交货期位置和资源消耗的总费用。证明了带有学习及退化效应和资源分配的交货期指派问题仍然是多项式可解的,并且最优算法是可以在O n()3时间内求出最优解。     

基于时序区间数的多属性决策方法

研究了时序区间数信息环境下的多属性决策问题:首先将区间数推广到时序情形,并定义了相关的运算法则;其次利用区间数加权算术平均算子(IWAA)对每个对象的区间数进行集成得到综合区间数,结合可能度公式得到可能度矩阵,并利用排序向量法得到各时刻的排序向量矩阵;最后利用时间权重将各时刻的排序向量集成为综合排序向量,从而得到最优决策,同时结合实例验证了所提方法的有效性和可行性。     

基于加权总完工时间的两人合作排序博弈

现实活动中,往往存在一方无法独自完成一个项目中全部工件加工任务的情况,这就需要双方或者多方合作共同完成任务。假设每人有一台用于加工工件的机器,通过确定这批工件的一个恰当划分,把工件分配给两台机器,使得双方合作收益最大。本文研究当工件加工时间是其开工时间线性恶化函数,以最小的加权总完工时间作为加工成本,建立两人合作排序博弈模型。通过运用Matlab软件,分析不同的盈利能力和机会成本对最优解的影响,并与以总完工时间作为加工成本的模型进行比较,表明本文模型在盈利能力不强以及恶化因子小的情况下都可以求得最优解。     

加工时间可控的单机排序问题

研究带有学习效应和恶化效应的单机排序问题。在此模型中,工件的学习效应是与工件加工位置相关的减函数,工件的恶化效应是与其开始加工时间相关的线性函数。在无资源约束的情况下,分别讨论了目标函数为最大完工时间、总完工时间及总完工时间的绝对差之和的排序问题,证明了这些问题都是多项式时间可解的。对于带有资源约束问题,若分配一定的资源,工件加工时间会减少。讨论了在线性资源分配情况下,带有学习效应、恶化效应和资源分配量的交货期排序问题,其中所有工件有一个共同的交货期。目的是确定最优交货期、资源分配及工件的加工顺序,使交货期、提前、延误和资源分配量之和最小,通过将其转化为指派问题,证明问题是多项式时间可解的。     

微博转发者的个性化排序

转发行为是微博平台上信息传播的主要形式。目前已有的工作大多数聚焦在转发行为的分析和预测。针对给定的一条微博时如何找到其转发者这个问题并没有得到很好的解决。结合贝叶斯个性化排序优化标准(BPR-OPT)和分解机(FM),提出了一种通用的方法用于对微博转发者进行预测,并进一步对影响用户成为转发者的特征因素进行了细致分析,然后根据这些特征,在大规模真实数据集上对微博转发者进行了预测。实验证明该方法能够明显提高预测效果,同时也验证了基于pair-wise和特征相关的方法能更有效解决微博转发者预测问题。