基于复杂网络的云制造资源配置方法研究
这是一篇关于云制造,任务分解,图聚类,复杂网络,演化博弈论的论文, 主要内容为随着以智能化为代表的新一轮信息革命的到来,传统制造业急需进行转型升级以适应多变的市场环境。云制造依托网络共享各种制造服务资源,满足客户定制化需求,成为了制造业发展的新趋势,其中云制造资源的高效合理配置是其核心问题。本论文围绕云服务资源在配置过程中精准度有限、集体收益较少的问题,在构建面向云任务的资源匹配框架的基础上,通过复杂网络及演化博弈论等方法研究复杂云任务的分解聚合、任务资源匹配以及基于集体利益的服务资源优选等问题,主要的研究内容如下:提出了基于复杂网络的云任务分解聚合方法。确定了云任务分解的基本单元,阐述了复杂任务分解的具体内容与步骤。针对复杂云任务,提出了任务粒度的衡量指标,给出了任务拆分的基本原则与相关约束。根据元任务之间的任务相关度,建立了关联无向图,采用图团体检测算法进行图分割,达到了复杂任务分解聚合的目的。提出了基于复杂网络的服务资源筛选匹配方法。根据任务约束结构,对复杂云制造任务分解聚合得到的子任务进行综合语义描述。基于二模网络,构建了任务—资源网络模型,在对服务资源优劣模糊综合评价的基础上,以任务需求为参考序列,通过灰色关联分析法求解候选服务资源与任务间的匹配度。采用二模网络社区发现算法获得各子任务的资源候选池,通过模块性函数对社团划分质量进行评价,保证了资源的快速合理筛选匹配。构建了基于云制造联盟集体利益的服务资源优选模型。在子任务候选服务资源集的基础上,构建了任务发布方与服务资源方的演化博弈网络模型。通过前景理论提出了考虑预估任务完成满意度的激励方法,扩展了博弈策略空间,提高了联盟的任务完成效率。利用费米更新规则在各参与主体的策略学习过程中引入随机性,演化了博弈网络达到均衡状态的全过程。以云制造联盟的最大集体收益为目标,选择最优服务资源组合方案。研发了云制造资源配置原型系统。在分析原型系统功能模块以及业务流程的基础上,以IntelliJIDEA为开发平台,采用Vue框架设计前端界面、MATLAB实现相关算法、MySQL数据库存储数据、Java编程语言联通前后端,实现了面向复杂云制造任务的资源配置原型系统,验证了本论文所提模型与方法的可行性和有效性。
基于复杂网络的云制造资源配置方法研究
这是一篇关于云制造,任务分解,图聚类,复杂网络,演化博弈论的论文, 主要内容为随着以智能化为代表的新一轮信息革命的到来,传统制造业急需进行转型升级以适应多变的市场环境。云制造依托网络共享各种制造服务资源,满足客户定制化需求,成为了制造业发展的新趋势,其中云制造资源的高效合理配置是其核心问题。本论文围绕云服务资源在配置过程中精准度有限、集体收益较少的问题,在构建面向云任务的资源匹配框架的基础上,通过复杂网络及演化博弈论等方法研究复杂云任务的分解聚合、任务资源匹配以及基于集体利益的服务资源优选等问题,主要的研究内容如下:提出了基于复杂网络的云任务分解聚合方法。确定了云任务分解的基本单元,阐述了复杂任务分解的具体内容与步骤。针对复杂云任务,提出了任务粒度的衡量指标,给出了任务拆分的基本原则与相关约束。根据元任务之间的任务相关度,建立了关联无向图,采用图团体检测算法进行图分割,达到了复杂任务分解聚合的目的。提出了基于复杂网络的服务资源筛选匹配方法。根据任务约束结构,对复杂云制造任务分解聚合得到的子任务进行综合语义描述。基于二模网络,构建了任务—资源网络模型,在对服务资源优劣模糊综合评价的基础上,以任务需求为参考序列,通过灰色关联分析法求解候选服务资源与任务间的匹配度。采用二模网络社区发现算法获得各子任务的资源候选池,通过模块性函数对社团划分质量进行评价,保证了资源的快速合理筛选匹配。构建了基于云制造联盟集体利益的服务资源优选模型。在子任务候选服务资源集的基础上,构建了任务发布方与服务资源方的演化博弈网络模型。通过前景理论提出了考虑预估任务完成满意度的激励方法,扩展了博弈策略空间,提高了联盟的任务完成效率。利用费米更新规则在各参与主体的策略学习过程中引入随机性,演化了博弈网络达到均衡状态的全过程。以云制造联盟的最大集体收益为目标,选择最优服务资源组合方案。研发了云制造资源配置原型系统。在分析原型系统功能模块以及业务流程的基础上,以IntelliJIDEA为开发平台,采用Vue框架设计前端界面、MATLAB实现相关算法、MySQL数据库存储数据、Java编程语言联通前后端,实现了面向复杂云制造任务的资源配置原型系统,验证了本论文所提模型与方法的可行性和有效性。
基于专业文档管理系统中个性化推荐方法及应用研究
这是一篇关于文档,标签,信任,图聚类,个性化推荐的论文, 主要内容为随着全球信息化建设的加速,企业的专业文档管理系统在日常运作中会积累大量的电子文档。系统中文档数量的不断增加导致用户不能快速获取所需的文档,严重影响了企业的办公效率。面对系统中海量的文档资源,针对不同用户的个性化文档推荐子系统可以高效地帮助用户发现其感兴趣的文档。本文的重点是对个性化推荐子系统中的推荐算法做进一步的改进和优化研究,并用各项实验评估数据进行对比分析来证明改进算法的有效性;同时,文中也对专业文档管理系统中存在的个性化文档推荐子系统部分进行了详细地需求分析,逻辑结构以及主要数据库设计,总体以及各项功能模块设计研究。对于原有的协同标签推荐算法而言,并没有考虑用户的配置文件信息,不能针对特定用户进行个性化推荐而且准确性也欠佳。系统在标准的协同标签推荐算法基础上,通过融入图聚类方法以及信任信息来进一步提高针对特定用户的个性化文档推荐结果准确性。本文对原算法主要做了如下两个方面改进:(1)文中在对大量的用户以及文档标签进行分类处理的过程中,通过引入近似最密集子图聚类方法将所有的标签生成若干个标签簇,使得簇内标签彼此相似且不同标签簇彼此相异,提高了原算法对大数据集的处理效率以及对未知推荐对象的挖掘能力。(2)文中将用户对不同标签簇的信任信息引入原算法中,在原算法的基础上线性组合用户的信任信息以及其对文档资源的兴趣度来生成每个文档的个性化分数。不仅能让系统针对特定用户进行个性化的文档推荐,而且在推荐结果的准确度上也有所提高。在两种不同数据集下,通过将HTGCPR算法与KMCPR、TCFR算法的各项实验数据进行对比分析和评估,结果表明个性化组合推荐方法的应用满足了用户对文档推荐实时性和准确性的要求,在一定程度上提升了用户的体验。
面向推荐模型的图聚类采样方法研究
这是一篇关于采样,自监督学习,图聚类,图神经网络,推荐系统的论文, 主要内容为个性化推荐系统是当前互联网产品不可缺少的部分,尽管推荐模型已经发展至与图神经网络相结合的阶段,相应的采样技术却并未得到足够的重视。然而,采样方法对于推荐模型效果的影响不容忽视。近几年关于负采样的研究大多关注难负样本,即与正样本相似的负样本,难负样本使模型更好的学习到正负样本的边界。然而,过分追求难负样本可能导致伪负样本问题,即把用户未来可能发生交互的物品当作负样本,使得模型效果变差,现有方法并不能很好的平衡二者关系。另一方面,之前的推荐方法大多使用均匀分布进行正采样,然而移动互联网时代的用户交互方式正发生改变,正样本中也存在着由于误点击导致的伪正样本,正采样策略需要得到调整。为了解决上述问题,提出一种面向推荐模型的图聚类采样方法(Graph Clustering based Sampling,GCS)。GCS将自监督学习和图神经网络结合进行预训练,拉近正样本,推远负样本,使学习到的节点表征具有较强类别性,并对学习到的节点表征聚类,基于聚类结果制定正负采样策略。具体来说,针对难负样本与伪负样本问题,GCS在图聚类的基础上使用动态负采样,挖掘难负样本同时避免伪负样本;针对伪正样本问题,利用聚类结果调整采样分布,进行全类别正采样,学习用户完整喜好,同时过滤伪正样本,从而提升推荐模型的效果。在ML-1M、Beauty和TikTok三个不同规模的数据集上验证GCS算法的效果,并与当前效果最好的方法进行对比。实验结果表明,GCS在三个数据集上均可取得一定的提升。此外,通过消融实验证明了GCS算法各模块的有效性,通过超参数实验确定GCS算法对不同超参数的敏感程度。
面向推荐模型的图聚类采样方法研究
这是一篇关于采样,自监督学习,图聚类,图神经网络,推荐系统的论文, 主要内容为个性化推荐系统是当前互联网产品不可缺少的部分,尽管推荐模型已经发展至与图神经网络相结合的阶段,相应的采样技术却并未得到足够的重视。然而,采样方法对于推荐模型效果的影响不容忽视。近几年关于负采样的研究大多关注难负样本,即与正样本相似的负样本,难负样本使模型更好的学习到正负样本的边界。然而,过分追求难负样本可能导致伪负样本问题,即把用户未来可能发生交互的物品当作负样本,使得模型效果变差,现有方法并不能很好的平衡二者关系。另一方面,之前的推荐方法大多使用均匀分布进行正采样,然而移动互联网时代的用户交互方式正发生改变,正样本中也存在着由于误点击导致的伪正样本,正采样策略需要得到调整。为了解决上述问题,提出一种面向推荐模型的图聚类采样方法(Graph Clustering based Sampling,GCS)。GCS将自监督学习和图神经网络结合进行预训练,拉近正样本,推远负样本,使学习到的节点表征具有较强类别性,并对学习到的节点表征聚类,基于聚类结果制定正负采样策略。具体来说,针对难负样本与伪负样本问题,GCS在图聚类的基础上使用动态负采样,挖掘难负样本同时避免伪负样本;针对伪正样本问题,利用聚类结果调整采样分布,进行全类别正采样,学习用户完整喜好,同时过滤伪正样本,从而提升推荐模型的效果。在ML-1M、Beauty和TikTok三个不同规模的数据集上验证GCS算法的效果,并与当前效果最好的方法进行对比。实验结果表明,GCS在三个数据集上均可取得一定的提升。此外,通过消融实验证明了GCS算法各模块的有效性,通过超参数实验确定GCS算法对不同超参数的敏感程度。
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：毕设客栈 ，原文地址：https://m.bishedaima.com/lunwen/52885.html
