8篇关于多目标的计算机毕业论文

今天分享的是关于多目标的8篇计算机毕业论文范文, 如果你的论文涉及到多目标等主题,本文能够帮助到你

多目标优化的自适应学习资源推荐系统研究与设计

这是一篇关于学习资源推荐,自适应学习,并行推荐算法,多目标的论文, 主要内容为随着信息技术的迅速发展和教育理念的不断创新,智慧教育已经发展为重要的教育研究领域。在智慧教育中,自适应学习是解决学生的个性化学习需求的常用解决方案。为了解决自适应教学中的核心问题,即如何为每个学生精准地推荐最适合其学习需求和学习水平的学习资源,基于人工智能的推荐算法被广泛应用于自适应学习资源推荐中,帮助学生更好地获取个性化的学习资源和服务。本文基于高校课程教学特点,考虑知识点覆盖、知识连贯性、学习能力增长、学习积极性保护和激发等多个目标,综合考量学生的个性化学习基础以及试题的知识点、能力维度、难度等特征,研究了可用于自适应学习的试题推荐系统设计,主要内容包括以下两个方面:(1)设计了一种融合DSFM-LSTM(Deep Structured Feature Model based on Long-Short Term Memory)预测网络,基于多决策树和认知模型的试题并行推荐算法MDT&CD DSFM-LSTM(Parallel Test Recommendation Algorithm based on Multiple Decision Trees and Cognitive Diagnosis with DSFM-based LSTM Prediction Network),用于解决学习资源推荐中的推荐不准确、个性化程度不足等问题。该算法集成多决策树和认知诊断的推荐结果,并利用预测网络预测学生的状态,从而向学生推荐最合适的练习题。实验结果表明,MDT&CD DSFM-LSTM算法的推荐结果与评价效果要优于常用的改进决策树算法,能够帮助学生更好地理解知识点,提升学习能力,具有广泛的应用前景。(2)设计并实现了智能测评系统中学习资源推荐相关的需求分析和功能设计。为实现推荐系统的精准定位需求,设计了36个属性字段的试题库标注方法和相应的数据结构。出于对系统运行效率和稳定性的考虑,本文采用了Web技术和前后端分离的B/S架构;基于My SQL数据库,实现了学习资源推荐系统的题库和数据库的搭建,实现了试题管理、试卷管理和试卷发布等自适应推荐业务功能。这些系统功能的完善,除了可以帮助更好地管理试题和发布测试,同时可以进行数据分析,自动发现学生的问题和不足,并进行有针对性的练习题推荐,实现课程学习的智能辅导,提高学生有效学习的质量和学习效果。

基于微服务化电子商务平台的云容器部署研究与应用

这是一篇关于微服务,容器,多目标,资源利用率,能耗的论文, 主要内容为随着软件体系结构的快速发展,传统的单体架构很难支持当今社会的软件开发应用。自Docker问世以来,微服务也得到了快速的发展,企业、组织等纷纷使用微服务架构进行开发。通过微服务架构体系思想将电子商务平台进行微服务化拆分,能够有效的降低不断迭代开发带来的复杂度。同时使用Docker为微服务化电子商务平台做云容器部署,更能够简化部署的过程,提供良好的隔离机制。为了管理数以万计的容器应用,各种容器编排框架应运而生,其中,容器调度过程中带来的能耗高、资源利用率低等问题非常显著。研究合理的容器放置能有效的减缓此类问题。为了研究上述内容,本文以电子商务平台为背景,针对其架构与容器技术目前存在的一些问题,完成了以下的工作:(1)综述了微服务架构以及研究了微服务之间的通信、服务部署以及服务发现等内容,并详细介绍了Docker容器技术,对Docker作了简单的介绍,包括Docker容器的功能与组件等。然后分析了Docker优点,为什么Docker与微服务架构如此契合。介绍了目前流行的容器编排部署技术。(2)针对目前容器编排框架或技术在微服务化应用的容器编排过程中没有考虑容器镜像复用以及只考虑CPU能耗的问题,本文依据容器基础镜像可共享这一理论基础,同时以CPU、内存和带宽三个资源目标为容器选择放置的因素,提出一个基于镜像复用的多目标资源容器放置算法予以解决目前微服务化应用容器编排存在的问题。(3)针对单体架构已不能满足电子商务平台需求的问题,设计出一套微服务架构体系的电子商务平台,然后对平台进行容器化部署。首先对电子商务平台进行微服务的拆分,接着建立电子商务平台的微服务架构,然后对电子商务平台进行容器化,最后基于镜像复用的多目标资源容器放置算法对电子商务平台的容器进行了部署。(4)实验分析了电子商务平台的容器通过基于镜像复用的多目标资源容器放置算法部署到云容器的资源消耗情况。验证了该策略能够在云环境中为电子商务平台提供支持。本文通过对微服务架构、容器化部署和容器放置算法的研究,并在电子商务平台上进行应用,将有助于电子商务平台的发展。

基于图卷积网络的事件检测方法及服务负载均衡研究

这是一篇关于事件检测,注意力机制,鲁棒性,微服务,负载均衡,多目标的论文, 主要内容为事件检测致力于判断自然文本中是否包含事件并识别其类型,作为事件抽取的子任务在数据工程等方向发挥着越来越重要的作用。当下关于事件检测的研究大多关注于事件检测效果和性能的提升,这些研究涉及的方法包括传统的模式匹配方法、机器学习算法和现在流行的深度学习模型,这些方法的种类繁多、思路各异,其适用条件也不尽相同,上述特点给各模型的复现及落地实践带来了很大的困难和挑战。考虑到微服务的分布式、易部署、易复用、易迭代和易扩展性等特点正与上述各模型种类繁多、思路各异等特点相对应,本文提出将各事件检测模型微服务化,设计了一种基于微服务架构的事件检测系统,并提出了一种多目标微服务负载均衡策略,以微服务的方式解决了事件检测模型的服务响应效率问题。本文的主要工作如下:(1)提出了一种基于注意力图卷积网络的事件检测方法,提升了事件检测模型的检测效果。对在当前事件检测问题取得优异效果的GCNs类模型进行了改进,首先将句法依赖树的边标签信息引入模型,然后设计了一种基于注意力权重的打分策略作为边更新权重,最后对GCNs类事件检测模型进行了鲁棒性实验和分析。实验结果表明,该方法将事件检测的检测效果提升至78.4%,在GCNs类事件检测方法中暂居第一名,在目前已知的所有事件检测方法中暂居第二名,且该方法较其它GCNs类模型还具有更好的鲁棒性。(2)提出将各事件检测模型微服务化,设计了一种基于微服务架构的事件检测系统。将每种事件检测方法或通用的预处理策略等都设计为一种微服务,并提供一种开放接口,供用户或其它服务调用。同时,提出了一种多目标微服务负载均衡策略,建立以请求处理总时间、负载均衡率和通信传输总距离为多个目标的微服务用户请求分配模型,研究并发用户请求在部署于不同资源中心的多个微服务实例间的分配策略,并使用基于自定义初始解生成策略、交叉算子和变异算子的多目标进化算法对该问题进行了求解。实验结果表明,上述策略实现了事件检测微服务系统的负载均衡,提升了事件检测模型的服务响应效率。

基于差分进化算法的JSP环境下成套订单研究

这是一篇关于差分进化算法,作业车间调度问题,成套订单,多目标的论文, 主要内容为作业车间调度问题作为最难的优化组合问题之一，一直以来都是生产调度领域的研究热点。有效的调度方法和优化技术，可以提高制造企业的生产效率。差分进化算法作为一种新兴的智能算法，具有较强的全局收敛能力和鲁棒性，且不需要借助问题的特征信息，逐渐成为研究的热点。本学位论文围绕差分进化算法，针对于作业车间调度中的成套问题做了深入的研究。论文首先介绍了作业车间调度问题以及成套订单问题的研究现状和相关算法的研究。然后以加权订单成套率最大化为目标，对有交货期的作业车间调度环境下成套订单问题建立了数学模型，设计了一种基于局部邻域搜索的混合差分进化算法。通过模拟实验，随机产生有效数据，将混合差分进化算法与标准差分进化算法对比，多次实验结果表明了基于局部邻域搜索的混合差分进化算法具有较强的寻优功能，并更快收敛，表明了该算法的有效性。在此研究基础上，同时以加权成套订单率最大化和加权工件延误时间最小化为目标，建立数学模型，并设计了一种基于双种群的改进的差分进化算法，通过改进种群个体的质量来提高算法的寻优能力和收敛速度。通过模拟实验，将基于双种群的改进的差分进化算法与标准差分进化算法对比，多次实验结果表明了基于双种群的改进的差分进化算法具有较强的寻优功能，能够跳出局部最优，并更快收敛，表明了该算法的有效性。

炼钢-轧钢流程制程优化方法及系统开发

这是一篇关于炼钢-轧钢流程,工艺路径,制程优化,多目标,混合整数规划,启发式算法,模拟退火算法的论文, 主要内容为提高产品质量稳定性、降低生产及物流成本是钢铁企业一直追求的目标。制定合理的生产计划和保证物流平衡是钢铁企业进行一体化生产的重要手段,而物流平衡的核心环节就是高效的合同计划,其中,根据产线设备能力和工艺约束优化合同的生产工艺路径是整个计划的关键。合同制程即工艺路线,在生产之前需要综合工序加工特点、合同信息、库存信息和物流信息等因素为每个合同制定可行的制程,在投入生产时每个合同需要选择其中一个最适合的制程,使得合同计划的产能分配效率更高。合理规划合同制程,根据各机组的产能均衡分配合同排产量,可以提高机组的利用率,降低企业生产成本。炼钢-轧钢流程制程优化问题涉及到生产工艺约束、钢种类别、产品质量和各产线生产设备规格等因素,是一类复杂的组合优化难题。本文以国内某大型钢铁企业制造管理系统中合同计划子系统开发为背景,研究炼钢-轧钢流程制程优化方法,主要工作如下:(1)考虑合同制程对机组利用率和产品质量的影响,建立了制程优化多目标模型。考虑各机组之间的排产量平衡和产品最佳质量要求两个目标,结合工艺约束、机组生产规格约束和集批规则约束,将问题分为两类建立了无批量计划制程优化模型和基于炼钢工序批量计划的制程优化模型。采用实际生产数据,通过CPLEX求解验证了模型的正确性和有效性。(2)针对考虑炼钢批量计划制程优化模型的大规模实际问题,结合背景企业人工排产经验,设计了多目标模拟退火算法求解问题。通过多组实际案例对算法的正确性和有效性进行了验证,结果表明该算法可以有效解决实际问题。(3)基于对制程优化模型和算法的研究成果,开发了炼钢-轧钢流程制程优化功能模块,实现了以待排产合同信息为输入,制程优化结果为输出的合同制程推荐系统。系统还可以统计各类KPI指标,作为辅助参考,为合同规划较佳的工艺生产路线,降低企业生产成本,提高了企业一体化生产管理水平。

基于卷积神经网络的人体生命体征和多目标检测算法研究

这是一篇关于IR-UWB雷达,多目标,人体呼吸和心跳,卷积神经网络,未知场景的论文, 主要内容为近年来,雷达逐渐应用于日常生活中的人体目标探测、生命体征检测等领域。目前可用于多目标检测及人体生命体征检测的雷达有许多种,例如MIMO雷达、FMCW雷达、CW雷达等。这些雷达通常需要大规模的天线阵来实现,而UWB雷达具有功耗小、距离分辨率高、只需一对收发天线即可完成多目标和人体生命体征的非接触式检测的优点,因此本文应用IR-UWB雷达对多目标及人体生命特征进行提取。为了将实现方法应用于服务器、移动设备等不同的检测平台,应用卷积神经网络和轻量级卷积神经网络对多目标和生命体征信号分别进行识别。1.应用PCA对主要的运动特征进行提取,消除运动谐波的干扰,得到较为纯净的运动目标纹理特征,并结合GoogLeNet估计对应场景下运动目标的个数。结合GoogLeNet方法得到了99.84%的估计精度,结合MobileNet得到了71.6%的检测精度。2.结合GoogLeNet方法,学习不同特征场景下的多目标运动特征,消除不同环境对运动目标的干扰,对未知环境下的目标数量进行判断,得到了 86.8%的测试精度,MobileNet网络得到了65.4%的检测精度,解决了现有检测数据对环境具有依赖性、无法预测未知场景人数的问题。3.在人体生命体征检测中,提出了基于IR-UWB雷达的差分交乘及状态空间法(DACM-SSM)。应用DACM方法来处理arctan函数进行数字计算时会带来相位的多值性问题,应用阈值优化的SSM算法提取得到高信噪比的呼吸和心跳信号。该算法提高了运算速率,抑制了人体的随机位移对人体的呼吸和心跳提取的影响,消除呼吸谐波对心跳提取的干扰。解决了现有算法复杂度较高,需消耗较大的计算资源,实时判断结果准确性较低等问题。利用VGG卷积神经网络判断目标的呼吸和心跳是否异常,得到了 90%以上的检测精度,使用MobileNet得到了 71.1%的检测精度。通过将雷达信号处理与深度学习相结合,检测人员可根据深度学习的优势提取被检测者的生理特征进行分析、预测及更全面的了解。

基于免疫克隆算法的排课系统研究与设计

这是一篇关于自动排课,免疫克隆,多约束,多目标的论文, 主要内容为课程排程问题是学校每学期必须处理的例行工作。排课作业一直是现代高校教务信息管理中最为头疼的问题,以往皆为人工操作的方式排课,对于正在编排的课表,一再地进行检核、修正,尽可能满足各种排课的限制条件。随着高校教育事业的发展和招生规模的持续扩大,近年来高校在校学生的人数也在不断的增加,加上学校资源受限的问题,这种手工排课的方式不再合适,如何进行合理的排课就成为现代教育管理中一项关键的任务。目前教学排课问题尚无一有效的方法来达到快速满意的结果。其最大的困难在于多重条件的资源限制,如教室容量的限制、教室分配限制、开课班级同时段限制等问题,使得排课人员很难在同时兼顾多重条件限制下,难于短时间内排出满意度高的课表。简言之,排课作业是一种复杂的排程问题,亦为NP-Complete(Non-deterministic Polynomial Time,非决定论多项式时间函数,即目前所知的优化求解方法的解题所需时间均是指数函数)的问题,同时课程指派受到教师时间偏好、课程学分数、修课学生人数与教学资源等诸多因素影响,因此问题可视为在多重限制条件之下,寻优解的指派问题。自动排课问题可以归纳为：如何找出教师、学生、教学设施、规定习惯和上课时间等复杂限制条件下的最优解。本课题针对该问题,设计并实现了一种基于免疫克隆优化算法的自动排课系统。首先归纳出自动排课问题的多约束条件；其次,设计了免疫克隆优化中的克隆和选择算子来加快优化求解的速度；再次,以JSP为开发工具,在Windows操作系统平台上开发实现了该系统。最后,将系统用于实践的效果证明：该系统具有较好的适应性和实用性。