基于受限环境的分布式任务卸载系统的设计与实现
这是一篇关于任务卸载,受限环境,Kubernetes,DPSO,TOPSIS的论文, 主要内容为任务卸载是分布式计算中一个突出的研究课题,最小化任务卸载开销和优化计算延迟对提高分布式计算性能至关重要。随着边缘计算的快速发展,它为用户提供了强大的计算支持。然而,随着边缘计算架构应用场景的不断扩大,要求边缘计算在受限的环境中也能提供计算支持并保证计算效率。本论文主要研究受限环境下的任务卸载问题。基于云-边-端三层架构,在边层部署了不同的任务卸载策略,以解决不同类型计算任务在计算和网络受限下的任务卸载问题。本论文的主要研究内容如下:1.研究受限情况下的多集群的资源监控方法。针对受限的网络与计算环境,本论文的分布式框架基于边缘计算的云-边-端架构进行搭建。针对单机节点计算资源受限问题,在边层部署多个Kubernetes集群,通过主节点对集群内工作节点进行管理与数据采集;针对网络环境受限问题,采用低网络负载的心跳方式实现相邻集群的协同通信。该架构具备可扩展性、灵活配置等重要优点。2.研究最小化任务卸载开销的任务卸载策略。本文针对集群内任务卸载效率较低的问题,将任务划分为不可拆分任务,针对单个任务的卸载,对节点能耗开销系数进行优化,提出了基于贪心算法的单任务卸载策略(STS);针对多任务的整体卸载,对任务聚类构建带优先级的任务输入,对离散粒子群算法进行改进,以最小化整体任务卸载开销为目标函数,对粒子群模型的惯性系数和学习系数进行优化,提出基于离散粒子群算法的多任务竞争卸载策略(RC-DPSO)。实验测试结果表明,对比不同的任务卸载算法,该策略能提高集群内系统性能并减少任务卸载开销。3.研究均衡多集群资源利用率的任务卸载策略。本文针对多集群间协同资源利用率较低的问题,对TOPSIS算法进行改进,通过层次分析为不同的资源指标指定不同的组合权重,为可拆分任务选取相邻最佳卸载节点,以最大化多集群资源利用率为目标,提出基于TOPSIS的多资源最优节点选取算法(CMN-TOPSIS)。实验测试结果表明,该策略能显著提高多集群的资源利用均衡性。4.研究任务卸载系统的设计与实现。通过提出的优化任务卸载策略,搭建了一个管理和配置集群节点的可视化平台,为受限环境下不同类型的任务卸载问题提出一种解决方法。
结合模糊数学与多目标决策方法的混合多准则推荐系统
这是一篇关于混合推荐系统,多目标决策,模糊逻辑,DEMATEL,AHP,TOPSIS的论文, 主要内容为已过去的这几十年见证了信息爆炸这一问题的产生和发展。一方面，人们充分享受信息共享带来的便利；另一方面，人们也越来越普遍的意识到信息过载带来的不良后果。推荐系统被广泛运用于克服信息过载问题。 更为准确的用户偏好模型的建立对推荐系统的研究来说仍然是个挑战。在已有的研究中，大多数推荐技术都忽略了用户偏好和项目属性中的不确定性，它们大多基于单一推荐准则来产生推荐。因此，本文将主要关注两个有趣的研究热点：第一，应该使用精确的数字还是语义值来描述用户偏好信息；第二，应该使用单一还是多重属性值来描述项目信息。 首先，我们引用一个例子来说明在推荐系统中引入多准则评分体系的重要性。并进一步将这个例子延伸，用来说明如何用模糊逻辑收集用户的偏好信息。 接下来，我们介绍在本研究中会涉及到的各种算法及各种技术的背景。首先是推荐技术，包括协同过滤技术和基于内容的推荐技术。其次是语义变量与模糊数的基本知识。接下来介绍通过直接获取方式获取用户偏好的优点及原因。最后介绍三种将在本研究中使用到的MCDM（Multiple Criteria Decision Making）方法，分别是DEMATEL（Decision Making Trial And Evaluation Laboratory）、AHP（Analytic Hierarchy Process）及模糊TOPSIS（Technique for Order Preference bySimilarity to an Ideal Solution）方法。 在接下来的一章中，我们提出一种新的基于模糊多目标决策（Fuzzy MultipleCriteria Decision Making）方法的混合推荐技术。并结合三种多目标决策方法（DEMATEL,AHP和TOPSIS）以获得更好的推荐效果。 最后，为验证所提出的方法，我们通过在线实验收集真实用户数据。邀请豆瓣（Douban.com）活跃用户参加我们的在线实验。收集到了335位用户对200部电影的多准则评分（分别依据故事情节、导演指导、演员表演和视觉效果为电影评分）。平均绝对误差（MAE）, TOP-K Hit Rate以及营销学中用于衡量用户满意度的量表被用来衡量算法表现。实验结果显示我们提出的方法在多准则环境下可以显著的提高推荐准确性和用户满意度。
基于受限环境的分布式任务卸载系统的设计与实现
这是一篇关于任务卸载,受限环境,Kubernetes,DPSO,TOPSIS的论文, 主要内容为任务卸载是分布式计算中一个突出的研究课题,最小化任务卸载开销和优化计算延迟对提高分布式计算性能至关重要。随着边缘计算的快速发展,它为用户提供了强大的计算支持。然而,随着边缘计算架构应用场景的不断扩大,要求边缘计算在受限的环境中也能提供计算支持并保证计算效率。本论文主要研究受限环境下的任务卸载问题。基于云-边-端三层架构,在边层部署了不同的任务卸载策略,以解决不同类型计算任务在计算和网络受限下的任务卸载问题。本论文的主要研究内容如下:1.研究受限情况下的多集群的资源监控方法。针对受限的网络与计算环境,本论文的分布式框架基于边缘计算的云-边-端架构进行搭建。针对单机节点计算资源受限问题,在边层部署多个Kubernetes集群,通过主节点对集群内工作节点进行管理与数据采集;针对网络环境受限问题,采用低网络负载的心跳方式实现相邻集群的协同通信。该架构具备可扩展性、灵活配置等重要优点。2.研究最小化任务卸载开销的任务卸载策略。本文针对集群内任务卸载效率较低的问题,将任务划分为不可拆分任务,针对单个任务的卸载,对节点能耗开销系数进行优化,提出了基于贪心算法的单任务卸载策略(STS);针对多任务的整体卸载,对任务聚类构建带优先级的任务输入,对离散粒子群算法进行改进,以最小化整体任务卸载开销为目标函数,对粒子群模型的惯性系数和学习系数进行优化,提出基于离散粒子群算法的多任务竞争卸载策略(RC-DPSO)。实验测试结果表明,对比不同的任务卸载算法,该策略能提高集群内系统性能并减少任务卸载开销。3.研究均衡多集群资源利用率的任务卸载策略。本文针对多集群间协同资源利用率较低的问题,对TOPSIS算法进行改进,通过层次分析为不同的资源指标指定不同的组合权重,为可拆分任务选取相邻最佳卸载节点,以最大化多集群资源利用率为目标,提出基于TOPSIS的多资源最优节点选取算法(CMN-TOPSIS)。实验测试结果表明,该策略能显著提高多集群的资源利用均衡性。4.研究任务卸载系统的设计与实现。通过提出的优化任务卸载策略,搭建了一个管理和配置集群节点的可视化平台,为受限环境下不同类型的任务卸载问题提出一种解决方法。
面向群组的服务推荐方法研究
这是一篇关于群组推荐,权重,DEMATEL,ITQ,TOPSIS的论文, 主要内容为随着互联网技术的迅速发展,“信息过载”问题日益严重,这导致用户在短时间内很难找到自己所需信息。推荐系统作为解决该问题的有效方法而得到了快速的发展。传统的推荐系统都是面向个人,但是大多数人更喜欢集体活动,因此面向群组的推荐系统逐渐成为研究热点。群组推荐往往先聚合群组成员的偏好,然后再向群组中所有成员推荐他们共同喜欢的项目。但是,目前的群组推荐过程还存在一些挑战,例如:(1)用户动态影响力导致用户权重难以计算,这可能会降低群组成员的满意度;(2)项目与用户数量的迅速增加导致群组自动识别过程的时间成本急剧增加,这会加长用户的等待时间;(3)项目排序不合理降低了群组推荐的准确性。为了解决以上问题,本文提出了两种群组推荐方法,具体研究内容如下:(1)针对用户权重难以计算的问题,本文提出了权重分配感知的群组推荐方法Group Rec D。该方法主要使用DEMATEL(Decision-making Trial and Evaluation Laboratory)算法改进权重分配方式,旨在提高群组成员的满意度。具体来说,Group RecD方法首先使用K-means算法识别群组;其次,使用皮尔逊相关系数(Pearson Correlation Coefficient)计算成员的相似度,从而量化成员之间的影响力;然后,根据成员们的影响力使用DEMATEL算法计算他们的权重;最后,向群组推荐加权评分最高的前K项目。实验证明,Group Rec D方法可以通过改进权重分配的方式提高群组成员的满意度。(2)针对群组识别时间成本较高的问题和项目排序不合理的问题,本文在第一项工作的基础上提出了优劣解感知的群组推荐方法Group RecIDT。该方法主要从两方面优化群组推荐过程。一方面,在群组识别过程中,该方法主要使用ITQ(Iterative Quantization)算法将大量的评分数据转化为较少的二进制码,旨在降低群组识别的时间成本。具体来说,该过程首先使用ITQ算法将大量的评分数据转化为较少的二进制码;然后,使用汉明距离(Hamming Distance)计算用户的相似度;最后,不断划分群组,直到达到预定义的群组个数。另一方面,在推荐过程中,该方法主要使用TOPSIS(Technique for Order Preference by Similarity to an Ideal Solution)算法改进项目的排序方式,旨在提高群组推荐的准确率。具体来说,该过程先使用DEMATEL算法计算群组中每个成员的权重;然后,使用TOPSIS算法精确地反映项目之间的差距,从而合理地排序候选项目。实验证明,Group RecIDT方法既可以在保证准确性的前提下降低群组识别的时间成本,又可以通过改进项目的排序方式提高群组推荐准确性。本文分别从用户权重分配方式、群组自动识别方式以及项目排序方式等三方面改进群组推荐过程,并执行了大量的实验,实验结果表明这些方法可以有效提高群组推荐性能。
基于ANP和TOPSIS电商企业物流模式的选择研究
这是一篇关于电商企业,物流模式,ANP,TOPSIS的论文, 主要内容为随着“互联网+”的不断发展,经济交易模式逐渐与网络相融合,而电子商务作为一种新兴的经济交易模式正逐渐被消费者所接受。在电子商务发展的初期,它主要受网上支付方式、支付安全度以及物流配送服务的影响。随着网络技术水平和安全度的日益提高,网络支付方式以及其安全度都日益完善,消费者对线上资金流的信任感也不断增强。物流作为电子商务与消费者之间的桥梁,是消费者衡量电子商务企业服务质量的重要参考指标。同时物流作为“第三利润源泉”,是提高电子商务经济效益的重要手段。因此一个合理、流畅、高效的物流模式对于电子商务企业在激烈市场竞争中的发展以及品牌的建立都具有至关重要的作用。而现阶段对于物流的研究主要集中在物流企业仓库选址、节点优化以及线路规划方面,对于电子商务企业物流配送模式的选择研究的评估方法相对较少。并且由于我国电子商务企业自身经济实力、战略目标、经营环境以及客户消费群的差别,不同的电子商务企业,物流模式决策也需要具体分析,因此对电商企业物流配送模式的研究具有一定的现实必要性。同时物流各因素是存在“效益悖反”的关系。因此,在电子商务物流配送模式的决策研究时,需要考虑各元素的相互影响关系。基于此,本文将采用ANP网络层次分析法,同时根据德尔菲法及9分法得到影响电商企业物流模式决策的各个指标及相互影响程度,这些指标可分成5个一级指标:经济性、稳定性、服务质量、协调性、绿色度;13个二级指标:仓库成本、运输成本、管理成本,参与主体稳定性、提供服务稳定性,配送时间、配送准确率、配送范围,物流技术水平、外部沟通能力、物流系统集成,能源耗费率、废弃物回收率。指标间的分值越大,指标则更重要。在考虑物流各元素及其层级相互影响的基础上,计算出各指标元素对实现最优物流配送模式的权重,在各元素权重的基础上进而根据逼近理想解排序法(TOPSIS),得到各备选物流模式相对于最优目标的距离值,与正理想解最近与负理想解距离最远的方案则为最优方案。本文基于B2C电子商务W企业,并根据W企业的物流模式及其相关数据,利用ANP网络层次分析法及Super decisions,针对W企业的具体情况,得到13项二级指标的权重。基于权重值,运用TOPSIS逼近理想解排序法和MATLAB,可计算得到W企业各备选物流模式相对于最优目标的距离值。而计算结果的最优物流模式与W电商企业实际物流模式相符,同时该物流配送模式也确实提高了该企业的经营效率和效益。因此基于ANP和TOPSIS的电商企业物流模式选择是科学正确的,同时也具有现实可行性,可以将以上两种评价方法综合用于电子商务企业的物流模式决策。根据ANP网络层次分析法和TOPSIS逼近理想解排序法得到的电商企业物流配送模式评估结果,能有效改善层次分析法在计算各元素权重的局限性。ANP网络层次分析法能综合科学全面的考虑物流各元素的相互影响关系,与TOPSIS逼近理想解排序法的综合使用,为电商企业物流配送模式的决策提供了更为科学的理论依据。综上所述,ANP和TOPSIS两种评价方法在电商企业物流模式决策方面的综合使用,在提高电商企业的经济效益、发挥物流“第三方利润源泉”作用的同时,也为电子商务企业在进行物流配送模式的决策时提供科学的参考依据。
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：源码客栈网 ，原文地址：https://m.bishedaima.com/lunwen/48458.html
