基于AGENT的生产调度系统研究
这是一篇关于多Agent系统,生产调度,合同网协议,模拟退火的论文, 主要内容为日益加剧的市场竞争和客户的个性化需求使得现代制造企业正面临着前所未有的挑战,为了适应这种新的生存环境,企业必须充分利用有限的生产资源,提高生产能力。本文以此为背景,结合智能Agent技术,建立了基于MAS的生产调度系统,对Agent在敏捷制造模式下的应用进行了深入的研究。 论文采用统一建模语言(UML)描述了一个生产系统的基本框架,重点对生产调度过程中的任务分解、任务发布、任务分配等问题进行了研究。在分析Agent的角色和功能实现方法的基础上,对Agent进行了划分和形式化描述,研究了各个Agent的内部组织结构、行为方法、活动流程、通讯语言以及管理模式,采用基于合同网招投标的形式来解决Agent之间信息交换的冲突和协作问题。成功地实现了调度过程中各执行流程、操作方法等功能和智能体Agent之间的映射,形成了一个基于多Agent的生产调度系统。 论文中提出基于模拟退火算法的全局指标优化方法,该方法以时间和成本的综合结果为目标,建立了时间成本转换的函数,在“退火”过程中形成趋于优化的配置方案,从而获得了通过Agent之间招投标方式进行任务分配的优化调度结果,解决了一般的资源Agent和管理Agent不具备整体优化的局限。针对模拟退火算法收敛性差的问题,论文中引入遗传算法,对随机方案进行生成和筛选,最终以遗传模拟退火算法的形式取得了较优的调度结果。通过实例分析,证明了该算法的可行性和有效性。 采用JAVA编程语言,以JADE为平台,建立了多Agent的生产计划调度原型系统,结合JSP技术完成了系统开发,该系统包含了计划编制、任务分解、任务发布以及任务优化分配等功能,和本室其他研究工作相结合,形成了较为完整的敏捷制造信息管理系统。
基于.NET的预测决策算法研究及系统实现
这是一篇关于预测决策,组合预测,模拟退火,.NET,C#的论文, 主要内容为大量数据的产生,促使计算机相关技术在统计学领域的应用不断深入和发展。计算机技术的应用,软件是灵魂。在统计学应用软件相关领域,国内与国外存在较大的差距。随着知识产权保护力度的加大,软件的使用成本将会变得越来越高。国家知识产权局联合九个相关部门决定要在符合条件的相关行业和企业有计划、分步骤、积极稳妥地推进中型企业使用正版软件。国务院更是要求中央国家机关和地方政府应分别于今年5月底前和10月底前完成软件正版化检查整改工作。与此同时,国家在“十二五”期间将信息技术产业列为七大战略性新兴产业之一,并专门出台相关政策鼓励软件产业的发展。统计领域的应用软件迎来了极好的发展机遇,同时也面临着很大的挑战。 本论文首先对.NET相关技术进行分析论述,并设计出软件的功能框架,为软件的实现做出规划。为降低代码的冗余,在论文中,将统计模型中常用的矩阵运算相关方法以及对数据库操作的方法在.NET平台上进行了实现。然后论文对常用的预测决策算法进行了算法设计,并将各模型在.NET平台上实现,使其具有较好的扩展性和重用性。 为了提高预测算法的准确度,论文又对组合预测模型进行了研究,并将模拟退火算法引入到组合预测模型中。通过应用发现,模拟退火算法可以准确有效的确定组合模型的权系数,组合预测能够有效提高预测的精度。 论文将这些常用的算法模型在.NET平台上用C#语言实现,并与实际应用相结合,开发出广东省高新区专利与商标统计分析与评价系统。 最后,论文进行了总结与展望,结合目前技术的发展趋势,对统计分析软件的发展进行了展望。
基于聚类的推荐算法研究
这是一篇关于推荐系统,聚类,模拟退火,聚类顺序差的论文, 主要内容为推荐系统和聚类是两种应用广泛的数据挖掘技术。推荐系统可以帮助用户高效、有效地获取有用的在线资源,聚类技术能够降低数据的高维度和稀疏度,尽可能地将相似的对象聚类在一起,将不同的对象分开。近年来,在进行推荐之前,将具有相似特征的用户或者项目进行分组已经成为一种趋势,以此提高推荐质量。本文分别从优化常见聚类的缺点和消除聚类的关键性参数角度提出了聚类与推荐算法结合的思路,即基于聚类和模拟退火的协同过滤算法和基于层次聚类树的最佳用户推荐算法。1)基于聚类和模拟退火的协同过滤算法:首先,我们根据用户观看电影的电影类别,将用户历史行为转化为与电影类别相关的用户类型向量,然后将用户类型向量作为聚类对象,用K平均聚类算法将用户进行分类,并在其中使用模拟退火算法进行优化,最终以聚类为单位用协同过滤算法分别对用户进行推荐,并通过是否使用模拟退火算法来对比推荐结果的准确性和稳定性。用户之间相似度的计算使用用户类型向量和用户历史的评分分别进行计算,并通过实验确定两个相似度合适的比例,作为用户之间的最终相似度。2)基于层次聚类树的最佳用户推荐算法:首先通过Ward的层次聚类方法对用户进行层次聚类,然后通过聚类顺序差和聚类节点内部的方差来定义单个聚类节点的目标函数,最终通过簇最优选择框架(Framework For Optimal Selection Of Clusters,FOSC)从层次聚类树中提取聚类簇,并在不同的数据集上采用不同的推荐算法进行验证。基于上述研究,从性能评估可以看出,本文提出的基于聚类和模拟退火的协同过滤算法可以大大消除K平均聚类算法初始聚类中心的随机选取所带来的推荐结果不稳定性问题,基于层次聚类树的最佳用户推荐算法可以避免使用“聚类数”这一聚类关键参数,且适用于广大数据集,提升了适用性。两者都属于聚类作为推荐系统的预处理阶段,是具有代表性的两种聚类算法。
基于AGENT的生产调度系统研究
这是一篇关于多Agent系统,生产调度,合同网协议,模拟退火的论文, 主要内容为日益加剧的市场竞争和客户的个性化需求使得现代制造企业正面临着前所未有的挑战,为了适应这种新的生存环境,企业必须充分利用有限的生产资源,提高生产能力。本文以此为背景,结合智能Agent技术,建立了基于MAS的生产调度系统,对Agent在敏捷制造模式下的应用进行了深入的研究。 论文采用统一建模语言(UML)描述了一个生产系统的基本框架,重点对生产调度过程中的任务分解、任务发布、任务分配等问题进行了研究。在分析Agent的角色和功能实现方法的基础上,对Agent进行了划分和形式化描述,研究了各个Agent的内部组织结构、行为方法、活动流程、通讯语言以及管理模式,采用基于合同网招投标的形式来解决Agent之间信息交换的冲突和协作问题。成功地实现了调度过程中各执行流程、操作方法等功能和智能体Agent之间的映射,形成了一个基于多Agent的生产调度系统。 论文中提出基于模拟退火算法的全局指标优化方法,该方法以时间和成本的综合结果为目标,建立了时间成本转换的函数,在“退火”过程中形成趋于优化的配置方案,从而获得了通过Agent之间招投标方式进行任务分配的优化调度结果,解决了一般的资源Agent和管理Agent不具备整体优化的局限。针对模拟退火算法收敛性差的问题,论文中引入遗传算法,对随机方案进行生成和筛选,最终以遗传模拟退火算法的形式取得了较优的调度结果。通过实例分析,证明了该算法的可行性和有效性。 采用JAVA编程语言,以JADE为平台,建立了多Agent的生产计划调度原型系统,结合JSP技术完成了系统开发,该系统包含了计划编制、任务分解、任务发布以及任务优化分配等功能,和本室其他研究工作相结合,形成了较为完整的敏捷制造信息管理系统。
基于模糊聚类和协同过滤的E-learning课程推荐方法研究
这是一篇关于E-Learning,协同过滤,模糊聚类,模拟退火,课程推荐的论文, 主要内容为协同过滤算法作为推荐算法中的经典算法之一,是E-Learning平台解决课程推荐的常用方案,但其也存在冷启动和计算耗时长、课程推荐准确率不高的问题。为了解决协同过滤推荐算法在E-Learning应用中的问题,本文提出了基于模糊聚类和协同过滤的课程推荐算法(SAFCMCF),对基于用户的协同过滤推荐算法进行改进,为用户提供更加精准的课程推荐服务。首先,为了解决模糊聚类算法容易陷入局部最优的问题,深入研究了模糊聚类算法的原理和流程,并详细分析了模拟退火算法,将其应用于改进模糊聚类算法的过程中,使用改进的模糊聚类算法对用户进行聚类。在真实的数据集上验证改进的模糊聚类算法的有效性,最终通过实验证明了本文提出的改进模糊聚类算法优于传统模糊聚类算法。其次,为了优化课程推荐结果,通过分析E-Learning平台用户的特点,提出基于模糊聚类和协同过滤的课程推荐算法。该算法首先对数据集进行清洗和处理,提取相关的特征指标,对用户的隐式行为数据进行分析,建立用户-课程的评分映射,综合评估用户行为偏好;然后计算同一聚类簇内用户的相似度以及目标用户的最近邻集合,预测目标用户对未观看课程的评分;最后将基于模糊聚类和协同过滤的课程推荐算法应用于E-Learning平台,根据用户的评分偏好实现对课程资源的个性化推荐,以帮助用户更好地完成课程学习。通过实验证明,本文所提出的SAFCMCF算法相比传统协同过滤算法、传统模糊聚类和协同过滤算法,其误差更小、推荐的准确度更高。最后,以本文研究的基于模糊聚类和协同过滤的课程推荐算法作为系统的核心推荐算法,同时融合基于统计的热门课程推荐方法,应用于基于SpringBoot、VUE框架设计实现的E-Learning课程推荐系统,能够给用户推荐符合兴趣偏好的课程。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：代码港湾 ，原文地址：https://m.bishedaima.com/lunwen/46293.html
