基于遗传算法的WebGIS运输配送系统设计与开发
这是一篇关于运输问题,遗传算法,蒙特卡洛,相似度,WebGIS的论文, 主要内容为物流业的蓬勃发展为我国经济繁荣提供了稳固的基石,但随着“智慧物流”概念的提出,物流业面向信息化的转型出现巨大挑战。虽然我国物流业运力与投放能力逐年提升,但其面临的资源配置粗放、管理水平低下、成本高居不下等问题掣肘物流行业进一步发展,所以物流业数字化和信息化显得迫在眉睫。而运输业作为“物流闭环”中重要环节之一,对物流行业升级转型,物流方式融合发展非常重要。因此如何利用现有的计算机技术和信息技术,将传统物流行业信息化、规范化、便捷化,并提出可靠、高效的运输配送方案显得刻不容缓。针对物流业中运输问题,本文在分析了国内外研究现状综述的基础上,设计了一种基于蒙特卡洛相似度和遗传算法相结合的平衡/非平衡运输问题求解方法,分别采用了Prüfer数和矩阵两种编码方式,并在此基础上,设计了动态变异率和随机变异策略,引入了蒙特卡洛相似度接收的方式。最后从系统需求的角度出发,设计和开发了基于遗传算法的Web GIS运输配送系统。本文主要工作和成果如下:(1)在国内外研究现状综述的基础上,介绍了物流业中运输问题的研究背景和意义,介绍了遗传算法、蒙特卡洛、相似度等相关理论知识以及系统开发涉及的前端、后端、数据库存储和Web GIS等相关技术;(2)介绍了平衡运输问题和非平衡运输问题的数学模型和转化关系,并针对上述数学模型,提出了一种基于蒙特卡洛相似度的遗传算法。在所提算法基础上,引入了Prüfer数和矩阵两种编码方式;采用了动态变异率和随机变异策略,增强算法搜索能力,加快收敛速度;设计了蒙特卡洛相似度接收的方式,避免陷入局部最优解问题。最后,在杭州市实际路网上进行了算法测试,通过对算法收敛速度、适应度和最优解平均值等参数的比较,结果说明采用矩阵编码方式且引入蒙特卡洛相似度算子的遗传算法对运输问题的求解更有效;(3)对运输配送系统的信息需求、功能需求和性能需求进行分析,给出了系统总体架构、系统技术路线和系统整体结构设计,并对数据库表关系和表字段进行了详细设计。基于Arc GIS平台,结合上述算法,采用Vue.js、Bootstrap等前端框架和SSM等后端框架技术设计并实现了任务列表、任务创建、OD费用、配送方案、任务分析和个人中心六个功能模块的运输配送系统。最后运行测试结果表明系统能有效地降低配送成本,增加企业利润,提升企业效率。
克隆代码的检测与重构应用研究
这是一篇关于word2vec,克隆代码,检测,相似度,重构的论文, 主要内容为克隆代码是软件开发中的常见现象,它能够提高效率,产生一定的正面效益。但是现有研究表明,克隆代码也会对软件系统的开发、维护产生负面的影响,包括降低软件稳定性,造成代码库冗余和软件缺陷传播等。通过克隆代码检测技术找到系统中存在的克隆代码,从而用较低成本减少克隆代码所带来的负面效应是软件工程领域研究的重要课题。新疆马产业科技创新平台包含五个子平台,分别为新疆马业科技信息服务管理平台、马业生产过程数据采集平台、马业电子商务交易平台、赛马赛事组织管理信息平台、马产业大数据决策支持平台,该平台分别由五个项目组开发完成。但是在协同开发的过程中会产生大量的克隆代码,出现了系统体积过大,难以维护的问题,所以需要对平台进行克隆代码检测并重构,以降低系统代码冗余,提高系统的可维护性。本文以马业电子商务交易平台为样例进行了克隆代码检测研究与重构工作。本研究首先采用了两个基于传统技术的克隆代码检测方法与一个基于神经网络的克隆代码检测方法,使用这三种方法分别在BigcloneBench上进行实验;其次通过混淆矩阵分别计算三个方法的精确率、准确率、召回率及F1-score,以此方式对每个方法进行评价。最后,使用精度最高的克隆代码检测方法对新疆马业电商平台中的文件进行克隆代码检测,并对相关代码进行重构,对重构后的系统执行了回归测试。本文的研究创新点主要有以下两个方面:(1)实现了 word2vec中CBOW模型的克隆代码检测方法;(2)对两种传统方法与基于神经网络的方法进行了比较。研究结果表明,在F1-score评价指标中,基于token词频统计的克隆检测方法为88%、基于AST的克隆代码检测方法为77.5%,基于skip-gram模型的克隆代码检测达到了 94.4%,基于CBOW模型的克隆代码检测达到了 96.6%。通过分析可知,基于CBOW的模型能有效的检测出系统中的第三类克隆代码,通过对克隆代码进行重构,可以有效节约开发人员维护系统的成本,本研究对相关领域的研究具有借鉴作用。
基于购物特征分类的混合推荐算法研究
这是一篇关于相似度,惩罚因子,推荐系统,协同过滤,推荐算法,评分矩阵的论文, 主要内容为随着5G时代革新浪潮的到来,互联网经济的产业化、规模化已经迎来崭新的篇章。5G技术将为消费互联网时代的蓬勃与发展给予更强的技术支撑、更全的消费领域以及更快的用户体验。也因此,在消费互联网时代,人们的生活受到了极大地影响以及发生了极大地变化。人们将消费习惯的重心不断地转移到电商平台。现实生活中,人们的生活与网络越来越息息相关,越来越紧密联系,越来越密不可分,从而越来越离不开网络。网上购物不仅能极大地便利人们的生活,丰富人们的娱乐方式,带来有快感的消费体验,尤其在疫情期间更是功不可没,而且也是重要的经济增长模式之一。与此同时,各大电子商务平台的网站上每天不断更新和存储着日均PB级的用户网上行为等交互式记录,这些交易记录等数据隐藏着巨大的商业价值。对这些有价值的信息加以科学研究和利用,将有效改善用户的购物迷航和提高电商的服务质量。其中,推荐系统的应用最为普遍。本文对用户历史行为重点挖掘,对表述购物意愿力特征的数据加以分类提取,针对特征自身特点以特定的算法取得预测评分,提出增强评分矩阵协同过滤推荐算法(EPR＿IBCF),在用户具有比较强烈的购物意愿前提下,对目标客户进行准确推荐其感兴趣的商品,从而使用户减少购物迷茫的同时能够增强更好的购物体验感。主要的研究工作如下:本文首先通过基于项目的协同过滤推荐算法(IBCF)建立有潜在兴趣商品间的用户相似度矩阵,得到基础型矩阵(BRM)的预测评分;其次以受限玻尔兹曼机深度挖掘有意向购买特征以及以惩罚因子作为增强型矩阵ERM的评价权重,对特征加以分类并加权表征用户购买意愿力的商品画像,取得ERM的预测评分。最后,将BRM和ERM混合加权以得到最终评分,再以TOP-N结果向购买意愿较强的目标用户推荐排名靠前的商品,有效解决了用户感兴趣商品排名靠后,且购买次数很少或不被购买的局面。以此来达到目标用户更准,购买意愿力较强的推荐宗旨。实验结果表明:与传统的商品协同过滤IBCF推荐算法对比,EPR＿IBCF算法的推荐准确率提升2.68%,召回率提升4.61%,综合值F1提升3.39%。
面向用户兴趣变化的协同过滤推荐算法研究及应用
这是一篇关于协同过滤,艾宾浩斯,相似度,用户兴趣的论文, 主要内容为随着互联网的快速发展,我们已经进入“大数据”时代,每日产生的海量数据也让人们面临严峻的“信息过载”问题。推荐系统可以对用户进行个性化推荐,给用户带来方便与使用体验。因此,对于推荐系统的研究十分具有意义与价值。协同过滤算法作为主流的推荐算法之一,可以通过对用户与物品之间交互的行为信息进行相似度计算找出用户或者物品间的关系再进行推荐。但是传统的相似性度量公式例如余弦相似性度量只能结合用户或者物品的共同评分计算,无法充分的使用全部的评分信息。现实世界中数据集非常稀疏,传统的相似性度量公式会导致相似度计算不准确,从而影响推荐系统的准确率。同时,传统的协同过滤推荐算法在进行推荐时没有考虑到用户的兴趣,无法针对用户的兴趣进行个性化推荐,从而影响最终推荐效果。针对稀疏数据集下相似度计算不准确问题与传统协同过滤算法没有考虑到用户兴趣变化的问题,本文提出面向用户兴趣变化的协同过滤推荐算法。本文主要创新点包括以下几个部分:(1)提出了一种结合物品评分时序关系的混合相似性度量算法,本算法考虑到了物品的评分时序趋势,充分发掘用户评分物品的时间信息。同时将物品评分时序关系与共同用户评分相结合,相比于传统相似性度量算法能充分使用所有用户的评分信息。(2)提出一种面向用户兴趣变化的协同过滤推荐算法UICF,从时间上下文与物品属性特征两个方面考虑对用户兴趣的影响。结合TF-IDF理论构建用户兴趣模型,同时引入艾宾浩斯理论来模拟用户兴趣的衰减趋势,提出用户长短期兴趣衰减模型。(3)在本文提出的UICF算法基础上研发一套能针对用户兴趣进行个性化推荐的电影推荐平台。该平台从需求分析、系统设计、数据库设计等方面进行研发并实现,同时融合本文提出的UICF算法,可以针对用户的兴趣进行个性化推荐。本文通过在Movielens-100k数据集上实验分析,相比于其它相似性度量算法,本文提出的混合相似性度量算法能够更准确地计算物品之间的相似度。随后,在提出的混合相似性度量算法上考虑到了用户兴趣对于推荐效果的影响。在最终推荐时,充分的考虑到了用户的兴趣变化。通过与其它推荐算法对比,本文提出的UICF算法有着更高的推荐准确度。
面向小型诊所的医疗管理系统设计与实现
这是一篇关于诊所,医疗系统,相似度,SSH,B/S的论文, 主要内容为随着计算机技术的发展,各个大医院基本都配备了大型的医疗系统,这给医院的就诊以及病历管理等带来了极大的方便。然而由于资金与规模的限制,小型诊所并不具备拥有一个大型医疗系统的条件,这使得小型诊所的信息化水平远落后于信息时代的发展。传统纸质病历的信息分散性以及易失性使得病人的就诊记录无法得到统一的存储与管理,小型诊所就诊流程的不规范使得诊所容易出现误诊的情况。为了统一管理病历以及规范化就诊流程,一个面向小型诊所的医疗管理系统的出现是非常有必要的。面向小型诊所的医疗管理系统的是专门为小型诊所开发的。这个系统所具备的功能,除了有维持诊所正常运转的挂号、就诊、收费、药材管理、人员管理等常规功能之外,它还包含统一的规范化就诊流程、自动生成电子病历、诊疗提示、相似病历查看等特色功能。其中,规范就诊流程与自动生成病历的功能,使得医生就诊更加高效化、规范化;而诊疗提示与相似病历查看的功能,则使得医生误诊率低以及医务人员低年资化。小型诊所使用该系统,可以使得更多的人在这些诊所看病时,得到更加便捷的、高水准的医疗健康保障。本论文将会从需求分析、总体架构设计、详细设计跟部署应用等各个方面详细的介绍医疗管理系统的设计与开发。该系统使用B/S架构,采用J2EE中成熟的SSH集成框架,并结合了Ehcache,Quartz,Jquey,Ajax等技术开发。该系统包含:就诊、挂号、工作单、病人病历信息、药库管理、诊疗方案管理、疾病管理、人员管理、数据挖掘、日志查看、财务查看、配置等多个模块。在前期需求分析以及原型设计阶段,包括本人在内的小组跟诊所工作人员有过多次的面对面交流,小组深入了解诊所的需求并撰写需求分析说明书。除此之外,该系统的其余工作,包括架构设计、数据库设计、所有模块的开发、数据整理导入等工作,均有本人独自完成。目前,面向小型诊所的医疗管理系统的开发工作已经完成,项目正处于测试阶段。该系统只需要在服务器上做简单部署,便可以投入到实际的小型诊所中使用。
基于部件检测与分割的服装图像检索研究与应用
这是一篇关于服装图像检索,Mask R-CNN,VGG16,相似度,加权和的论文, 主要内容为随着互联网的不断普及和服装电子商务的兴起,越来越多的用户通过电商平台购物服装,网上购买服装已经逐渐成了人们的重要消费方式之一,如何在海量的服装商品中高效准确地检索出用户心仪的服装成为了热门的研究方向。目前“以图搜图”技术主要依赖于整张图像特征提取的结果,不能关注到服装的部件,并且服装图像拍摄时背景一般比较复杂,导致服装图像检索准确率低,因此,本文提出一种基于部件检测与分割的服装图像检索方法。本文调研了目前比较流行的服装图像检索方法,并对其优劣点进行了深入研究,主要完成了以下工作:首先,本文通过对服装实例分割数据集iMaterialist Fashion进行转换,并进一步将衣袖分为短袖、中袖、长袖等类别,在较大样本服装图像标注数据集的基础上,训练Mask R-CNN以建立服装图像检测与分割的深度学习模型,从而实现服装图像的检测与分割。利用自训练的Mask R-CNN模型提取服装主体图像、衣领图像、衣袖类别、口袋位置,同时对衣袖类别、口袋位置进行编码以便于相似性比较。其次,在服装图像检索中,本文首先利用Mask R-CNN对图像进行检测与分割得到服装主体、衣领部件、衣袖类别和口袋位置等信息;然后采用VGG16对服装主体与衣领部件提取512维的特征;基于这些信息,将待检索服装与数据库中的服装逐一计算相似度。相似度的计算方式为服装主体及衣领的512维特征的余弦相似度以及衣袖、口袋相似度的加权和,其中衣袖是比较其类别的相似性,口袋是比较其位置的相似性。根据相似度的降序排列,向用户呈现检索结果。实验结果表明,该方法可以关注服装整体以及各个部件,从而能够实现服装款式或风格的检索。并且允许用户调整相似度的权值,可以返回最符合用户个性化需求的检索结果。最后,针对目前服装图像检索中忽略服装部件相似性的问题,本文设计并实现了基于部件检测与分割的服装检索方法的商城系统,通过使用本文提出的检索方法来实现服装商品检索。整个系统使用前后端分离的技术实现,客户端采用小程序框架,服务端采用Spring Boot框架,充分的考虑到了系统的跨平台性和横向扩展性。系统的功能主要包括登录注册模块、商品浏览与检索模块、购物车及支付模块、个人中心管理模块等。
基于改进相似度的协同过滤算法
这是一篇关于协同过滤算法,k-means++算法,专家选择,相似度,时间因子的论文, 主要内容为随着互联网技术的不断更新,尤其是5G网络的普及,网络信息将会成为我们生活不可或缺的一部分,人们也会越来越依赖于网络信息。网络信息一方面会给人们带来全方位的数据服务,为人们生活和学习上带来便利,而另一方面也给人们带来了困扰,我们该怎样从浩如烟海的数据中获得自己感兴趣和有价值的信息,这就是著名的“信息过载”。为了解决这个问题,个性化推荐应运而生,其中最成功的,也是在商业上应用最广泛的个性化推荐算法之一的就是协同过滤算法。协同过滤算法诞生之初只是服务于内部群组,数据量小,功能单一。当面对如今的大数据平台,如微博、快手、微信等,如何利用收集到的用户海量数据,来了解用户的兴趣爱好,进而给出更好的用户推荐,成为了一个重要的研究课题。本文在单一的协同过滤算法的基础上加以改进,进行如下几个研究。(1)以协同过滤推荐的数据稀疏性问题和用户冷启动问题为切入点,传统的协同过滤算法以用户-评分矩阵为计算基础,遍历整个高维矩阵,计算量巨大。本文提出了一种基于用户信息和专家选择的混合算法,利用用户的基础信息,使用k-means++算法实现用户聚类,实现用户组内的推荐;并将聚类的群组作为特定领域,在领域内选取合适的用户作为专家,利用专家用户完成推荐,最后用数据加权的方法将两种算法结合。采用公开的电影数据集进行实验。实验结果表明,混合算法在保持算法精度的同时,提高了运行效率,在一定程度上缓解了传统协同过滤算法在稀疏矩阵时计算量大的问题,提高了算法的实用性和多样性。(2)以产品流行偏置问题为切入点,详细地分析了该问题产生的原因,本文提出了用logistic函数代替原来用累加的方式来记录每部电影被评论的用户数,同时引入时间因子,在计算相似度的时候,额外加上时间因子,越近上映的电影,相加的数值就越大,使推荐偏向于新上映的电影。实验结果表明,新的计算函数可以适当的提高产品的覆盖率,降低流行度;时间因子在推荐列表较长时也可以取得好的推荐效果。在适当的条件下,两种在相似度上的改进算法可以缓解流行偏置问题。
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：毕设工厂 ，原文地址：https://bishedaima.com/lunwen/46917.html
