分享7篇关于动态环境的计算机专业论文

今天分享的是关于动态环境的7篇计算机毕业论文范文, 如果你的论文涉及到动态环境等主题,本文能够帮助到你

动态环境下的知识图谱表示学习方法的研究

这是一篇关于知识图谱,知识图谱表示学习,动态环境,知识图谱更新的论文, 主要内容为知识图谱表示学习旨在将知识图谱中的实体和关系编码到一个低维、连续的向量空间之中,以此来支撑不同领域的应用,如知识图谱补全、问答、推荐系统等。在现实应用中,知识图谱总是动态变化的,既会有新知识的加入,也会有旧知识的删除。大多数现有知识图谱表示学习模型都注重于对静态环境下的知识图谱进行编码,却忽略了其动态性。为了应对知识图谱产生的变化,这些模型需要花费很高的时间代价去重新训练整个图谱,而无法以一种更高效的方式去更新图谱的向量表示。为了解决以上问题,本文提出了一个新的基于上下文的动态知识图谱表示学习方法(Dynamic Knowledge Graph Embedding,简称DKGE)。该方法不仅支持对知识图谱进行表示学习训练,还支持在图谱发生更新时,以一种高效的方式去更新图谱新的向量表示。DKGE为每个实体和关系引入两种向量表示,即知识向量表示和上下文角色向量表示。通过两个基于注意力机制的图卷积神经网络和门策略,对实体、关系自身与其上下文进行联合建模。这样的建模方式既有效提升了表示学习的效果,又有效地将图谱更新带来的影响限制在一定范围内,而非整个图谱。得益于此,DKGE可以通过本文设计的在线表示学习算法来高效地更新图谱的向量表示。本文的主要贡献如下:1)提出一个基于上下文信息的知识图谱表示学习模型:通过对实体和关系的上下文信息进行编码,并和实体和关系自身的向量表示进行联合训练,得到实体和关系的高质量向量表示。2)提出一个动态环境下的知识图谱向量表示的在线表示学习算法:在上述基于上下文信息的表示学习模型的基础上,设计了一个在线表示学习算法,能够在图谱更新后高效获得新的高质量向量表示。3)在真实世界的数据集上进行实验,并利用常用的评估标准对实验结果进行评估:实验结果表明本文提出的基于上下文信息的知识图谱表示学习模型相比于其他表示学习模型表现更佳,本文的在线表示学习算法不论是效果还是效率都表现优异(尤其是效率)。研究动态环境下的知识图谱表示学习方法,能够有效提升知识图谱表示学习技术在动态环境下的应用能力,将众多现有基于知识图谱与知识图谱表示学习的应用扩展到动态场景之下。这不论是对于知识图谱本身还是基于知识图谱与知识图谱表示学习的应用的发展都具有重要意义。

非固定任务和非静态环境中强化学习方法的研究

这是一篇关于强化学习,重用,元策略,浅迹,动态环境,分层采样回放,近似遗憾奖赏的论文, 主要内容为强化学习是机器学习中的重要研究方向之一,通过让智能体在环境中不断试错学习,从而改善自身策略来获取最大的累积奖赏。近年来深度强化学习已经在很多序列决策问题上取得了重要突破和进展。传统强化学习方法一般针对固定的任务和静态的环境,然而,在很多真实世界的问题中,智能体不是仅完成一个任务,而是面对一系列任务,并且其所处环境也在动态变化,这就导致了传统强化学习方法的适用性大大下降,学习效果受到影响。针对非固定任务的应用场景,本文提出基于浅迹的元策略方法。元策略学习最大化的是在多个任务上的累积奖赏,而不是针对单个任务优化,这就使学习到的元策略可以在测试任务上进行重用,从而可以适应于非固定任务的情况。然而,元策略的重用会遇到两个主要的困难,其一是任务空间较大,其中可能存在一些不相关甚至是目标相矛盾的任务,一起训练会造成干扰,影响学习效果;其二是在训练和重用策略时,元策略学习需要有效的任务特征。为了解决上面这两个问题,我们提出了浅迹方法,并在此基础上提出了 MAPLE算法。OpenAI Gym的MuJoco环境上的实验显示出MAPLE算法可以在训练任务上学习到很好的策略,并且可在测试任务上重用,证明了提出的方法的有效性。针对非静态环境的应用场景,本文提出了鲁棒DQN方法。我们观察发现动态环境对强化学习的影响主要有两个方面,一是奖赏估计中的方差过大,二是奖赏波动。针对方差过大的问题,我们提出用分层采样回放方法来取代传统的随机采样回放方法,针对奖赏波动问题,我们提出了用近似遗憾奖赏方法来取代原始的瞬时奖赏。然后,我们将这两种方法与Double DQN算法结合,提出了鲁棒DQN算法,并在淘宝的锦囊推荐系统中进行了应用。我们首先证实了推荐平台上确实存在着高度的动态变化的情况,并通过线上A/B test实验证明了鲁棒DQN算法能够有效地稳定奖赏估计,从而能够提升智能体在真实的动态环境中的学习表现。

长期动态场景下的鲁棒SLAM系统研究

这是一篇关于同时定位与地图构建,动态环境,回环,移动机器人的论文, 主要内容为同时定位与地图构建(Simultaneous Localization and Mapping,SLAM)是指同时估计载有传感器的机器人的运动状态和构建传感器检测到的环境模型,是自主移动机器人的关键技术。当前视觉SLAM系统主要应用于静态环境,其在动态场景中运行存在许多稳定性问题。本文面向视觉SLAM系统在长期动态变化场景下稳定运行的需求,关注SLAM系统的回环(Loop Closure)模块,研究和设计在长期动态变化环境下能长期稳定运行的视觉SLAM系统。视觉SLAM系统的回环模块主要包括回环检测和回环矫正两个部分。本文相应地对两个部分研究了在长期动态变化环境下鲁棒的算法,并融合到视觉SLAM系统中,搭建长期动态场景下的鲁棒视觉SLAM系统。针对回环模块的回环检测部分,本文结合深度学习在图像识别上的优势,类比地点识别任务,设计了基于卷积神经网络的图像特征提取器和回环检测特征提取器,分别用于计算环境图像特征图,提取回环检测特征,并基于此设计了回环检测方法和回环决策机制,实现视觉SLAM系统的回环检测,完成了在长期动态变化场景下鲁棒的回环检测模块的设计。针对回环模块的回环矫正部分,本文设计了基于卷积神经网络的定位特征提取器,在环境图像特征图的基础上提取图像帧的定位特征,进一步设计了针对定位特征的匹配方法,搭建了包括特征匹配、位姿估计、位姿传播、地图优化的回环矫正方法,实现视觉SLAM系统的回环矫正,完成了在长期动态变化场景下鲁棒的回环矫正模块的设计。基于所设计的回环检测和回环矫正模块,本文构造了在长期动态变化场景下鲁棒的视觉SLAM系统回环模块和相应的特征提取模型,并在此基础上构建了长期动态场景下的鲁棒视觉SLAM系统。本文在公共数据集和现实环境中实验证明了所设计的视觉SLAM系统在长期动态环境变化下具有鲁棒性。本文的研究成果是提出了在长期动态环境下鲁棒的回环检测、回环矫正模块和视觉SLAM系统。

Dynamic Optimization of E-commerce Logistics Network Based on Machine Learning Algorithms

这是一篇关于电子商务,优化,物流网络,动态环境,机器学习算法的论文, 主要内容为在互联网科技飞速发展的今天,电子商务已经逐渐成为了国内购物的一种主要的形式。相比于传统的商业模式,电子商务有着诸多优势,对于电商公司来讲,电子商务比实体店经营的成本更低,而对于消费者来讲,在线购物也比传统的购物方式更加方便。在电子商务的业务流程中,物流运输是一项重要的环节,而物流运输的成本和效率则是影响电子商务发展的一个重要因素。然而,如今大部分电商公司的物流管理存在着许多问题,这些问题不仅降低了公司的利润,也影响了消费者的体验。这些问题主要体现在以下几个方面:1.物流网络本身的设计不够合理。2.物流运输的总体过程较为复杂,难以做到实时监控。3.大数据和网络相关的技术没有被充分地利用。这些问题的存在,导致了物流运输的效率降低、成本变高,因此,如何合理地设计物流运输网络,如何用高效率、低成本将货物运输到客户的手中,成为了电子商务领域中被研究的一个重要问题。针对这个问题,许多人用不同的方法提供了不同的解决方案,这些方案中大部分都可以实现物流网络的智能化计算。然而,这些现有的方案主要着眼于静态环境下的物流路线优化计算,它们可以在物流系统开始运作之前提前地规划好所需的路线,但是它们并不能及时地应对物流系统在运作的过程中遇到的各种问题,因此,需要设计一种新的物流网络优化方案来应对动态环境下的各种问题,这种方案设计思想被称为动态优化。在现实生活中,物流运输的情况是实时的、动态的,故而静态环境下的物流网络已经不能满足日益发展的电子商务业务需求,因此,本研究将根据物流运输过程中的实际情况,动态地优化物流网络,以保证这个网络可以及时地处理运输配送过程中遇到的各种问题。本研究中的具体问题描述如下:在一个区域内有多个城市,每个城市的位置和货物需求量是已知的,在这个区域内还存在一定数量的货源地,货源地中存有所需的商品和运输车辆。本次研究中需要做的工作就是根据已知的城市和商品信息,合理地设置货源地的位置,并计算出较优的运输路线,以保证整个物流网络的运输时间和运输成本较低。此外,本研究中还会对物流网络运行过程中的几种常见问题进行分析,并给出相应的解决方案,以实现物流网络的动态优化。整个研究过程将被分为三个步骤进行:1.静态环境下的物流网络设计。在静态环境下,物流网络的模型是固定的,所有的条件和参数都是已知且不变的。在这个阶段需要做的工作,就是根据已知条件选择合适的货源地位置,并设计出相应的运输路线。这一步骤是整个研究的基础,在这个步骤中建立的模型和算法将会运用到动态环境下的物流网络优化研究中。2.动态环境下的物流网络优化。这一步骤是整个研究的重点,其主要目的是将静态环境下的物流网络进行升级,使得其可以智能地应对动态环境下的各种问题。动态环境下物流网络中出现的问题和变化,主要可以被分为资源分配问题和路线变化问题两个大类,它们的具体描述如下:(a)物流网络运行过程中运输资源不足的问题。在本论文中,运输资源的含义,包括货源地中的商品库存和运输车辆。在物流网络运作的过程中,根据来自电商平台的订单,货源地不断地把货物分发给各个城市,因此货源地中的商品库存和运输车辆都是在持续被消耗的。当订单的货物需求超过了货源地中的运输资源存量时,就会发生运输资源不足的问题。本次研究将详细分析货源地中商品库存不足和运输车辆不足两类具体问题,并通过智能化的算法给出详细的解决方案。(b)物流运输过程中出现意外情况的问题。在前面的静态物流网络中,商品运输被视为没有任何意外和变化的理想过程,但在实际的商业运作流程中,经常会发生各种意外情况,迫使运输车辆改变原有的运输路线。本次研究中主要分析了两种意外情况,第一种是运输路线中断的情况。在商品运输过程中,由于天气、交通管制、交通事故等原因,运输路线偶尔会被中断,此时运输车辆就需要选择新的路线完成运输工作。第二种则是客户改变订单信息的情况。当前的电商平台都普遍具有订单修改功能,在商品运输的过程种,客户可以在网站上修改所需的商品数量和目的地。当订单信息发生变化时,运输车辆自然需要重新选择运输路线。这里还需要注意的是,如果客户增加商品需求量,则有可能会导致商品库存量不足,这个问题同样需要被考虑到路线计算当中。本次研究将通过详细具体的建模和实验,具体分析这些问题,以重新计算出较优的运输路线。3.对未来物流网络的资源分配需求进行预测。物流网络运行的过程中会出现运输资源不足的问题,降低物流运输的效率,因此,本次研究的最后一项工作,是根据已有的订单数据,对未来物流网络的资源分配需求进行预测,以尽可能地提前避免资源不足的问题。这项工作被分为三步:第一步是根据各城市的订单历史数据,预测每个城市未来的商品需求;第二步则是根据预测到的商品需求,设计一个物流网络,并检测物流网络中是否存在运输资源缺乏的情况;最后一步则是重新分配每个货源地的运输资源,以提前避免资源缺乏的情况。这项工作可以有效地预防物流网络中运输资源不足的情况,以提高运输效率,降低运输成本。本次研究的主要难点,在于对大量的订单数据的分析处理,以及对动态环境中各种情况的具体应对。在一个庞大的物流网络中,订单的数据量庞大,涉及的目的城市数量众多,物流运输中出现的各种意外也是千变万化的,这些都会给本次研究带来较大的困难,这些困难具体体现在两个方面:1.对动态环境下物流网络的各种变化的分析。动态环境中,物流网络是在持续不断运行的,而运行过程中的每一步都是未知的。无论是运输资源的分配,还是运输路线的变化,其具体情况都是复杂多变的。对这些复杂情况的分析和总结本身就是一项复杂的工作。此外,由于动态环境的多变性和不确定性,单一的解决方案并不能保证高效合理地解决所有问题,因此,本文会针对其中的一些常见情况,提出相应的解决方案,并通过分析总运输时间和运输成本来得到较优的解决方案。这一系列工作,都需要大量的分析和实验,这是本次研究中最大的挑战。2.对未来物流网络中运输资源分配的预测。由于在动态环境下,未来的库存和需求都是未知的,为了完成商品需求量的预测,本次研究工作中需要收集大量的订单历史数据,以总结出影响商品销量的具体因素。对于一个电子商务公司来说,每天都要处理大量的订单,而影响这些订单的因素总是多种多样的。因此,处理大量数据是这项工作的难点之一。而在商品需求预测完成后,如何将该预测结果与动态物流网络相结合,如何合理规划物流路线并提前分配资源,将会是本次研究工作的另一大难点。为了完成这项研究,机器学习算法将作为一项先进的优化手段被运用到研究工作当中,机器学习是人工智能的核心,它的目的是让机器通过模拟人脑的学习方式,不断地进行自我训练和学习,不断地升级自己,使得机器能以人脑的思维方式去解决各种现实问题。为了充分利用机器学习算法解决本次研究中的问题,首先需要做的是建立合适的数学模型,以保证机器学习算法能与具体的问题相契合,然后,通过一系列的实验和分析得到较优的解决方案。对于研究中的三个具体问题,它们的建模和实验过程如下:1.静态环境下的物流网络设计。静态环境下,物流网络的各种条件和参数都包括城市位置、商品需求量、现有库存、现有运输车辆数都是已知且不变的,同时在运输过程中也不会发生任何的意外情况。该问题可以被视为:在一个区域内有多个城市,每个城市都需求一定量的货物,同时在该区域内还设置了多个货源地负责货物的分发。每个货源地负责多个城市的货物配送,而每个城市智能被一个货源地所服务。当运输开始时,多个运输车辆将沿着不同的路线出发,将货物运输到不同的城市,只有所有城市都收到它们所需的货物时,运输才算完成。这个问题需要被分为两步来解决:(a)货源地位置的选择。为了合理选择货源地的位置,区域内的城市被视为平面中不同的点,这些点需要被划分为不同的簇,则每个簇的中心就是货源地的位置。K-means聚类算法可以高效地解决这个问题。该步骤实现的关键点在于两点之间距离的计算,普通的k-mean模型中只需要计算两点之间的几何距离,但在本问题中需要计算的是两点之间的运输成本,即几何距离与商品需求量的乘积。(b)运输路线的计算运输路线的计算是一种典型的优化问题,它可以用遗传算法来解决。该问题建模的关键,在于遗传信息的编码,即如何用一串数字来表现出一种解决方案。这里考虑到一辆车可以服务多个城市,而一个城市只能被一辆车服务,因此,可以用阿拉伯数字来表示车辆的编号,而数字出现的位置则表示车辆访问城市的编号。此外,适应度函数则通过该解决方案的总运输成本来定义,总成本越高,则适应度越低。完成了建模之后,解决方案的验证则通过模拟实验来完成,其中的实验数据,包括城市的位置和商品需求量,都是系统随机生成的,城市的个数被设置为50,其余参数,包括货源地的库存量、运输车辆数、最大运输时间等等,都是通过手动设定的。实验的结果包含两个部分,一是最终计算出的货源地位置和运输路线图,二是整个物流网络的总运输成本和运输时间。最后,该方案的运输成本和运输时间,被与人工决策下运输路线的运输成本与运输时间对比,以体现该解决方案的优势。2.动态环境下的物流网络优化。动态物流网络是静态物流网络的升级,静态环境下的问题模型可以套用到动态环境的很多步骤之中。其中,货源地的选择、路线计算的遗传算法、以及实验数据的设置方式,都是可以直接套用到这部分的。这里将重点介绍动态环境下常见问题的几种解决方案。(a)物流网络运行过程中运输资源不足的问题。当一个货源地的运输资源不足时,每个城市聚类不能再被视作单独的个体,需要从整个物流网络的层面上动态地进行资源分配来解决这些问题。·商品库存不足的问题。针对商品库存不足的问题,本文提供了两种解决方案。第一种是从其他库存充足的货源地运来足够的货物以保证分发;第二种则是等待新的货物生产完成之后,再进行货物的分发。通过模拟实验,这两种解决方案的运输路线都被计算出来,同时它们的运输成本和时间也被评估对比。实验结果是在物流网络的库存量较为紧缺时,方案一会产生较高的运费,此时方案二较优;而在物流网络的库存量较为充裕时,或者商品在生产速度较慢时,方案一较优。·运输车辆不足的问题。针对运输车辆不足的问题,本文同样提供了两种解决方案。第一种是增加运输车辆的往返次数,第二种则是从其他车辆充足的货源地借取车辆。同样地,两种解决方案的优劣通过模拟实验来进行验证。实验结果是在整个物流网络的运输车辆都较为充足时,方案二的运输时间和运输成本较低;但是当整个物流网络的运输车辆不足时,方案一则较优。(b)物流运输过程中出现意外情况的问题。当运输路线被改变时,运输车辆被滞留在中途城市,此时,这些有车辆滞留的城市被视为新的货源地,货源地的库存量就是车辆的载货量,货源地的运输车辆数为1。新路线的计算都是以这个模型为基础的。·运输路线被中断的问题。对于被中断的路线,它们的长度被直接设置为“正无限”,同时相应地调整模型中的相关参数,即可计算出新的运输路线。在模拟实验中,需要新设置一个条件,即运输路线中断的位置,然后,新运输路线的成本和时间被用来与未发生中断的旧路线进行对比,以评估路线中断所带来的损失。经过实验得知,路线中断所造成的损失在可以接受范围之内,所以该方案可以解决路线中断问题的。·订单信息被改变的问题。订单信息的改变,在模型中是通过修改目的城市的位置和货物需求来实现的。对于新的订单,如果货源地中的货物充足,则货物可以直接被配送到新的目的地,但如果出现货源地库存不足的情况,就需要寻找相应的解决方案来应对这个问题。本次研究中提供了两种解决方案:第一种是先将运输车辆运到库存充足的另一个货源地,待装载足够的货物之后,再完成配送;第二种则是将运输车辆开回原本的货源地,等待新的货物生产完毕之后,再继续完成运输工作。在模拟实验中,需要新设置一个条件,即订单的具体改变情况,然后,两种方案的运输成本和时间被对比分析。根据实验得知,当整个物流网络的商品库存较为紧缺时,方案一需要进行长距离的运输,效率较低,此时方案二较优;而当整个物流网络的商品库存比较充足时,方案一较优。3.对未来物流网络的资源分配需求进行预测。这一步骤通过回归分析与路线计算相结合的方式来实现。首先,通过回归分析,每个城市未来的商品销量可以被预测,然后,利用前文中建立的路线计算模型,物流网络的货源地位置和运输路线被计算出来。此时,物流网络需要进行自我检测,确认是否存在运输资源不足的问题,如果存在,则及时调整资源分配,以保证每个货源地都有充足的运输资源。这一部分的模拟实验与之前的实验有所不同,这里每个城市的商品需求是未知的,实验数据中所提供的,只有这些城市以往的订单历史数据,商品需求量的预测都是基于这些订单历史数据来实现的。在实验完成后可以得到两个物流网络,第一个是资源重新分配之前的物流网络,这个网络中可能存在资源不足的情况;第二个则是资源重新分配之后的网络。实验完成之后,可以看到,第二个网络的运输时间和成本都要明显低于第一个网络,这表现出该预测工作确实降低了整个物流网络的运输时间和成本。本次研究的主要贡献体现在两个方面:一是提出了动态优化的思路,设计出了一个高度智能化的动态物流网络,该网络可以在极少人工干预的情况下,及时地处理物流运输过程中出现的各种问题。二是采用了预测与分配相结合的思想,在资源分配的过程中采用了预测技术,从而设计出了一个可以提前优化资源分配的智能化物流网络。更重要的是,本文中采用的动态优化思想,并不局限于电商物流网络的优化问题上,在实际生产中,许多问题都可以采用动态优化的思维方式来分析和处理,例如城市规划、农业生产等等。对于各类优化问题,本次研究都具有较好的实用价值。

长期动态场景下的鲁棒SLAM系统研究

动态环境下基于深度语义联合估计的单目视觉定位算法研究

这是一篇关于单目视觉定位,深度估计,语义分割,动态环境,不确定性预测的论文, 主要内容为视觉定位技术因其仅需相机采集的视频序列就能实时解算相机位姿,在微创手术、增强现实以及自动驾驶等领域有着广泛的应用前景。然而多数视觉定位算法基于静态场景假设,动态物体会破坏相机与地图点的几何约束,导致相机定位丢失,这在安全领域十分致命。本文为了解决这一关键问题,利用深度学习网络预测的深度及语义信息,提出一种动态环境下的单目视觉定位算法。研究内容如下:1.用于单目视觉定位的深度预测与语义分割联合估计网络研究。为提供给视觉定位算法高精度的场景深度信息及动态物体的语义信息,进而提高视觉定位算法的相机位姿估计精度,本文设计融入场景上下文信息的深度与语义联合估计网络(Contextual Information Network,CI-Net)。首先,提出场景理解模块,利用语义标签及交叉熵损失函数为网络注入上下文先验信息。随后,提出特征交互模块,利用多个上下采样操作融合不同任务的特征,并设计用于任务间相互指导的一致性损失函数。最后在公开数据集上验证各模块及损失函数的有效性。2.用于动态环境下视觉定位的动态特征点滤除算法研究。针对单一语义分割或几何约束方法分割动态特征点不准确进而影响单目相机位姿估计的问题,本文提出一种结合极线约束及语义分割的动态特征点滤除算法。几何约束方面,改进移动一致性检验算法,计算各特征点基于极线约束误差的动态概率值;语义分割方面,利用CI-Net预测的语义向量计算出各特征点基于语义分割的动态概率。随后设计自适应概率融合函数融合两类动态概率并滤除概率高于阈值的特征点。最后在多个场景验证了该算法的有效性。3.动态环境下融合历史深度及语义信息的视觉定位算法研究。针对现有动态视觉定位算法未充分利用历史深度及语义信息,导致相机位姿估计精度受限的问题,提出一种基于融合历史深度及语义信息的动态视觉定位算法。首先在CI-Net基础上提出融入不确定性预测的深度语义联合估计网络,利用网络预测的语义不确定性融合当前帧与历史帧的语义信息,计算得到更加准确的各特征点基于语义分割的动态概率值,进而结合动态点滤除算法获得更优的动态点滤除效果。此外,根据不确定值筛选网络预测的高质量深度值,并提出深度信息融合算法优化关键帧中的深度值,以获得更优的相机位姿估计精度。最后在公开数据集上验证该算法的有效性。最后总结论文的研究工作,并对未来动态视觉定位算法的研究计划进行展望。