排序方式: 共有26条查询结果,搜索用时 15 毫秒
1.
构建倒排文本空间索引树(IR)分裂聚类多目标模型,对非支配排序遗传算法(NSGA-Ⅲ)的求解过程进行改进,提出一种基于先验初始种群策略的非支配排序遗传算法(PIPS-NSGA-Ⅲ),使其更适应于倒排文本空间对象分裂聚类问题的求解.通过PIPS-NSGA-Ⅲ算法寻求对象最小包围矩形(MBR)之间的重叠与覆盖面积、对象群间平均距离以及语义相似度等目标的最优前端解.通过对比PIPS-NSGA-Ⅲ,NSGA-Ⅱ,NSGA-Ⅲ和SPEA-Ⅱ进化多目标算法,从对象分类时间、效率、查询时间和准确度等多个方面来评估算法的优劣.实验结果表明:PIPS-NSGA-Ⅲ算法对文本空间对象聚类分裂具有较高的效率;相对于简化传统R树(STR树)与R树空间索引结构,基于改进NSGA-Ⅲ文本空间索引的平均查询时间减少24.8%,平均准确度提高3.75%. 相似文献
2.
面对物联网中的海量空间资源,在空间资源索引的构建中引入语义分类的方法,使得传统的IR树具备语义特征,支持用户对资源的语义查询,并提出一种top-k语义查询优化算法,通过对实际数据的使用和实验分析,得出索引结构的有效性和查询结果的正确性,从索引构建时间、查询时间和查询准确率3个指标来评估算法的性能,实验结果表明,算法支持语义空间资源索引构建,并且查询性能好,准确率高。 相似文献
3.
提出了一种将潜艇的航路规划问题转化为多阶段最短路径问题的模型,和最短路径问题的威胁度加权算法,并使用蚁群算法来计算最短路径,达到求解潜艇航路规划问题的目的.还针对现有的蚁群算法收敛速度慢的缺陷提出了一种蚂蚁学习策略,同时对现有算法的信息素更新策略进行了改进.最后的实验比较得出,改进后的蚁群算法收敛速度与成功率相比传统蚁群算法有了明显提高. 相似文献
4.
一种防空C~3I系统的效能分析方法 总被引:6,自引:1,他引:5
本文讨论了一种评定C~3I系统效能的方法。这种方法是根据系统完成使命的能力和系统的内部结构两方面的分析来完成的。通过对IFFN系统的评定,对本方法进行了举例说明。 相似文献
5.
在线联机分析处理(OLAP)是一个分析商业信息趋势的重要工具。虽然OLAP用多维立方体模型来分析结构化的商业数据是理想的,但是它并不适合用来表现和分析复杂的半结构化数据,如:XML文档。因为在广泛的应用领域,XML都是表现数据的语言选择,所以分析XML文档是必需的和紧迫的。描述了一个用XML树模型来分析XML文档的想法。鉴于OLAP的多维聚合操作不能够表示XML文档上的、结构复杂的分析操作,提出了新的、扩展了的XQUERY来支持这种复杂的分析操作。 相似文献
6.
GLAV集成方法中的模式匹配研究 总被引:2,自引:0,他引:2
GLAV是一种新的集成方法,它能为信息集成系统的映射关系提供更具表现力的方式.映射表示源模式与全局模式之间的对应关系,主要研究了GLAV集成方法中产生映射规则的模式匹配方法.首先将SUDAI模型转换为模式树,然后基于树进行匹配.匹配包含语言学和结构匹配两个基本阶段,语言学匹配结合了术语关系和约束进行计算,结构匹配结合了类属性和上下文节点两个方面,并成功解决了模式规模差异带来的负面影响.计算的结果可以判断两个信息类是否是一个映射候选,经过验证后可确定它是否是一个合理的映射.最后定义了一个基本DTD来描述匹配的最终结果. 相似文献
7.
面向微服务实例在不同资源中心的组合部署与调度问题,构建微服务组合部署与调度最优化问题模型。以资源服务中心计算及存储资源利用率、负载均衡率和微服务实际使用率等为优化目标,以服务的完备性、资源与存储资源总量和微服务序列总量为约束条件,提出基于进化多目标优化算法(NSGA-Ⅲ,MOEA/D)求解方法,寻求微服务序列在不同资源中心的实例组合部署与调度策略。通过真实数据集实验对比,在全部满足用户服务请求的约束下,该策略比传统微服务组合调度策略的计算、存储资源平均空闲率和微服务实际空闲率要分别低13.21%、5.2%和16.67%。 相似文献
8.
基于UML的多维数据概念建模方法研究 总被引:3,自引:0,他引:3
针对数据仓库中的概念建模,提出了一种改进的多维数据概念建模方法。该方法利用UML(unifiedmodelinglanguage)的扩展机制,通过定义相应的类,可以对数据仓库中概念建模的各种情况进行图形化描述。根据具体背景对该方法的应用进行了描述,并与其它的相关概念建模方法进行了对比。 相似文献
9.
为了满足日益增长的数据密集型应用对数据网格信息服务的需求,在深入研究数据网格体系结构的基础上,提出了一种面向精确信息服务的数据网格体系结构,并分析了精确信息服务机制下数据网格服务层的工作过程。 相似文献
10.
基于密度的聚类算法因其抗噪声能力强和能发现任意形状的簇等优点,在聚类分析中被广泛采用。提出的基于相对密度的聚类算法,在继承上述优点的基础上,有效地解决了基于密度的聚类结果对参数值过于敏感、参数值难以设置以及高密度簇完全被相连的低密度簇所包含等问题。 相似文献