MEC系统中基于无线供能的多用户任务调度算法

节能且高效的计算是移动用户设备的必然趋势,针对无线供能的边缘计算网络,提出了一种多用户卸载决策及任务调度算法。在多用户二进制计算卸载模式下,通过联合优化无线供能时间、边缘用户的卸载决策及任务调度建立一个系统执行最大时延最小化的优化问题。由于该优化问题是一个混合整数的非凸优化问题难以求解,设计了一种两层交替迭代的求解方案,第一层采用贪婪算法或基于改进的约翰逊算法,求解出在给定无线供能时间下的用户卸载决策和任务调度,第二层基于黄金分割法求解出最优的无线供能时间。仿真结果表明,算法收敛速度快,并且有效降低了整个系统任务的执行时延。     

基于属性聚类的贝叶斯分类算法

在数据挖掘的过程中,由于贝叶斯分类算法要求条件属性必须独立,因此具有一定的局限性.考虑该缺陷,提出用数据挖掘中另一种常用聚类算法对原始数据的条件属性进行数据预处理后,再使用贝叶斯算法.实验表明该算法提高了分类的准确率.     

Bayes方法在滚动轴承寿命考核中的应用

本文在收集并处理某轴承厂近十年来滚动轴承寿命试验数据基础上,拟合了 Weibull 寿命分布参数的先验分布.推出 Baycs 可靠性验证试验(简称 BRDT),并将其应用于滚动轴承寿命考核。由于该方法充分利用先验信息和当前试验信息,所以较现行考核方法大大缩短试验时间,降低试验费用.     

公路工程投标的决策与思考

我国进入WTO后建筑业体制也向着与国际接轨的方向发展，招投标法将更加严密与规范，市场竞争更加激烈，施工企业只有正确运用投标的决策方法和策略，才有可能增加企业中标的机会，而且会使企业获得更大的利润。     

浅谈以辅助决策为重点的现代企业秘书工作

本文以现代企业制度下秘书工作重点的转变为着眼点,就秘书工作在现代企业的经营管理过程中的主要职能─—辅助决策,从其现实性与必要性、具体工作方法与职责及对秘书人员自身素质的要求等三个方面进行了初步的探讨,以期使现代企业的秘书工作能及时调整自身的工作重点,更好地适应企业改革与经济建设发展的需求。     

基于DSP技术的H.263视频编码协议算法

对H．263编码原理进行了简单介绍，对运动估值中几种主要搜索算法的性能进行了分析比较，完成了H．263的运动图象的编码模拟，最后对其中的搜索算法——十字交叉搜索算法在TMS320 C6211 DSK板上进行了仿真。     

智慧学习环境中基于贝叶斯网络构建学生模型的研究

智慧学习环境是当前教育技术学界的一个前沿研究领域,从C/S架构的智能学习系统发展到B/S架构的智能化网络学习环境,学生模型仍然是其最核心的功能模块,是学生自我导向式学习情境中构建智慧学习环境的关键因素.本文采用文献分析法和实践调研法,从学生模型的分类、数据结构和建模方法等几个方面,对国内智能网络学习环境中学生模型的研究现状进行了较为详细的研究,并通过梳理近年来关于静态学生模型和动态推理模型的研究,提出了智慧学习环境中基于贝叶斯网络构建学生模型的框架,期望为智能学习系统中学生模型的理论研究和实践发展提供可借鉴的参考和经验.     

群决策中基于语言评价信息的TOPSIS方法

针对基于语言评价信息的群决策问题，提出了一种新的TOPSIS方法。依据传统的TOPSIS方法的基本思路，首先将语言决策矩阵转换为规范决策矩阵；其次，通过变量转换关系对有序语言短语集中的有序语言短语进行“量化”，构造与原语言决策矩阵“等价的导出”决策矩阵，并利用算术加权平均算法对所得到的导出决策矩阵进行群的集结；然后对所得到的决策矩阵构造理想点和负理想点，计算每个方案的相对接近度，根据得到的相对接近度对方案进行排序从而确定最优方案。最后通过一个算例说明了该方法的有效性和实用性。     

系统发展决策有效性的辩证关系

从系统思想与系统学理论相联系上讨论了系统发展决策有效性中的辩证关系,目的是在研究人造系统发展决策的有效性时,首先在总体层面上能使该类决策保证系统发展方向的正确性。这在企业管理实践中是具有战略意义的。     

云计算环境中面向大数据的改进密度峰值聚类算法

对密度峰值聚类算法进行有效改进,计算各样本点之间的距离和各样本点局部密度,选择两者中较大的样本点作为聚类中心点,根据其余样本点与各中心点的距离设定样本点所属类别;引入K近邻算法对密度峰值聚类算法进行优化,求解各样本点的距离时只需要考虑其周围由邻近值决定的若干样本点,实现距离阈值的自动选取;根据距离矩阵计算样本点的密度,绘制决策图并选择簇内中心点,将剩余点根据密度值分配给离中心点距离最近的类;最后将K近邻-密度峰值聚类算法部署至Hadoop云计算平台,用于解决大规模数据聚类的问题。仿真结果表明,通过合理设置K近邻算法的近邻值k,K近邻-密度峰值聚类算法具有较好的大数据样本聚类性能,与常用聚类算法相比,该算法具有更高的聚类准确率和聚类效率,适用于大数据样本聚类。