逢N退出的图形化算法设计

以"循环报数、逢N退出"问题求解过程的可视化演示为目的,采用C++面向对象思想,利用单向循环链表的相关理论和MFC集成环境等技术,设计数据类,结点类及链表类,将问题的求解过程以图形化的方式展现,获得了以直观方式观察求解过程的结果.     

融合软奖励和退出机制的WGAN知识图谱补全方法

基于强化学习的方法在知识图谱补全任务中虽然具有较好的表现,但存在智能体得到的指导奖励质量偏低、关系路径判定易错等问题。为此,提出一种融合软奖励和退出机制的对抗学习推理方法(WGAN reward and exit, WGAN-RE),在生成式对抗网络中引入软奖励和动作退出机制。利用知识嵌入模型构建外部软奖励机制,增强强化学习过程中的奖励机制;利用动作退出机制对路径上的中间实体随机掩盖外向边,并强制搜索路径集,稀释无意义路径的影响。在FB15K-237和NELL-995数据集上与多种强化学习方法进行对比实验,结果表明,所提方法的路径搜索成功率最高,在事实预测和链接预测任务上其性能均有显著提升。     

带有止步和中途退出的M／M／R／N部分服务员同步单重休假排队系统的性能分析

研究了带有止步和中途退出的M／M／R／N部分服务员同步单重休假的排队系统．假定在服务员全忙时,到达的顾客以一定的概率不进入系统,而进入系统的顾客可能因为等待得不耐烦则中途退出系统．当某顾客离去使得系统中的顾客数减少到定值R—d（1≤d〈R）时,空出的d个服务员立即进行同步单重休假．利用马尔可夫过程理论,建立了系统稳态概率方程组,用分块矩阵解法,得到了稳态概率的矩阵解,并求出了系统的性能指标．在此基础上,建立了系统费用模型,并通过数值方法进行了敏感性分析．     

基于心理契约违背的顾客行为研究

将组织心理契约违背与雇员之间的关系置换为营销情景下服务企业心理契约违背与顾客的关系,通过对263位经常接受银行服务的顾客进行定量研究和结构方程验证,得出如下研究结论:服务企业交易型心理契约违背导致顾客退出、抱怨行为增加和顾客忠诚降低、沉默行为减少;服务企业的关系型心理契约违背导致顾客忠诚降低、抱怨行为和沉默行为增加,对顾客退出行为影响不显著.交易型心理契约是顾客更加关注的心理契约形式,顾客对关系型心理契约的关注相对较少.     

探索股权退出机制 东大转让校企股份

“东大金智”公司前身是1995年成立的以部分国家863项目成果组建的校办企业，2000年12月，改制重组为股份有限公司．公司注册资本3730万元．东南大学拥有35％股份．计1305．5万股。2004年初．为推进“东大金智”股权结构调整．调动核心骨干的积极性．东南大学减持了700万股，转让给公司管理层核心骨干．转让金额1673万元。2005年，     

相机控制与风险资本最优退出决策

风险投资是一种以"退出"为导向的股权投资,退出对风险投资的运作至关重要。风险企业中风险投资家和企业家存在利益冲突,因此很可能在初始的控制权状态下作出的退出决策是无效的。相机控制是风险投资合约中非常重要的制度安排,通过在适当情况下的控制权相机转移能够对初始退出决策进行修正,并进一步实现最优退出决策。     

带排队信息提示的呼叫中心人力资源分配方法

针对一类带有排队等待时间提示的呼叫中心人力资源分配问题,提出了基于考虑顾客放弃行为的M/M/N+M排队模型的优化方法.首先,给出了系统提示等待时间的估算方法和排队等待时间提示对顾客放弃行为(直接退出和中途放弃)影响的概率函数.其次,通过生灭过程的评估方法给出了稳态系统的性能计算公式,并且设计了基于固定点算法的人力资源水平求解算法.最后,通过数值分析给出了排队信息对顾客放弃行为和对人力资源水平的影响效果.研究结果表明,所提出的方法对具有排队信息提示的呼叫中心人力资源管理具有一定的指导作用.     

具有止步和中途退出的M/M/c/2N-c优先权排队系统

研究了一个M/M/c/2N-c两类顾客排队系统,其中,第一类顾客具有优先权、止步和中途退出现象,第二类顾客可能因等得不耐烦而中途退出.首先,建立了系统稳态概率满足的方程组.其次,采用分块矩阵的方法得到了稳态概率的矩阵解.最后,利用稳态概率得到了系统中两类顾客的平均队长、平均等待队长以及平均中途退出率等性能指标,为系统的优化设计提供了参考.     

风险投资浅谈

对风险投资进行了综述,分别介绍了风险投资的内涵、特点、作用、发展、构成要素与组织形式、资本运作与退出机制,重点对各种退出机制进行了比较,论述了风险投资与高新技术产业的关系及我国相关方面存在的问题：     

Prefix-LSDPM：面向小样本的在线学习会话退出预测模型

在线学习会话退出预测旨在准确预测在线学习过程中的学习会话退出，是智慧教育领域中十分重要的一项研究任务。针对现有模型在小样本场景下预测准确率较低的问题，提出了基于前缀提示的在线学习会话退出预测模型Prefix-LSDPM。该模型为获取单个学习行为内部特征及连续学习行为之间的隐含关联信息，在改进了键值向量的Transformer网络中对提示形式的合成序列进行掩码学习；为降低模型训练涉及的参数量以适应小样本学习，将学习会话退出预测任务建模形式靠近预训练任务，并在冻结的预训练参数基础上对提示参数进行调优。基于多个数据集的实验结果表明，Prefix-LSDPM的预测准确率优于现有模型，且在小样本学习中仍能达到较好的预测效果。