针对多目标货物配载问题, 建立了以最大化总订单货物重量、最小化车次总数、最小化货物装卸地总数为目标的配载模型, 提出了一种快速收敛的基于精英策略多目标遗传算法(Fast Convergence Based on the Elitism Genetic Algorithm, FEGA). 首先, 在遗传算法的基础上加入Pareto支配关系上的分层结构和精英保留策略, 从而提高种群的多样性, 同时还可以加快算法的局部搜索能力; 其次, 修改初始种群的随机结构, 并加入双种群策略, 添加自适应操作算子, 依次提高算法的全局搜索能力, 加速种群的收敛速度; 最后, 基于新算法, 利用真实的货物数据验证算法的可行性与优化效果. 结果表明, 与传统遗传算法相比, 所提算法在求解强约束条件、庞大搜索空间的货物配载过程中具有较好的优化效果, 搜索性能与收敛性都有所提升.
随着科技的发展, 金融业信息化程度不断提高, 金融行业和电力营销平台在紧密结合的同时, 增加了用户与电力营销平台大数据(如客户基本档案数据、电能计量数据、电费回收数据等)的双向互动. 而这种双向互动增加了数据泄露的风险. 营销数据泄露会导致用电策略、电价等的错误制定, 从而给电力企业带来巨大经济损失, 严重影响电力企业的经济效益. 因此, 需要采用访问控制机制来满足电力营销系统数据交互的安全需求, 从而保障电力企业的经济效益. 提出了一个基于有序二元决策图(Ordered Binary Decision Diagram, OBDD)的密文策略、基于属性加密(Ciphertext Policy Attribute Based Encryption, CP-ABE)分级访问控制方案, 解决了访问远程终端单元共享数据权限控制自主性过高的问题, 并提高了数据访问的效率及安全性. 最后, 安全分析和性能分析表明, 所提访问控制方案相较于其他方案更高效安全.
知识图谱是将无结构的知识进行结构化表示和组织的有效途径, 已经成为支持众多智能应用的基础设施. 然而, 与商品相关的知识通常呈现出海量性、异质性和层次性的特点, 这对现有基于关系模型和图模型的知识查询处理方法提出了挑战. 针对商品知识的这些特点, 本文设计与实现了一种利用CPU和GPU协同计算的商品知识查询处理方法. 首先, 为了充分发挥GPU的并行计算能力, 提出了一种基于稀疏矩阵的商品知识存储策略, 并针对商品知识进行存储优化; 其次, 根据稀疏矩阵的存储结构设计了一种查询转换方式, 将SPARQL查询转化为对应的矩阵计算, 并将连接查询算法扩展到GPU上进行加速. 为了验证所提出方法的有效性, 我们在LUBM数据集和一个半合成的商品数据集上进行了一系列的实验. 结果表明, 本文提出的方法, 不仅在海量商品知识下相对于现有RDF查询引擎在检索效率上有较大提升, 而且在通用的RDF标准数据集上也能取得较好的检索性能, 并验证了GPU加速查询处理的有效性.
对电力系统客户的精确分类可为客户提供良好的差异化管理和个性化服务. 针对客户分类问题, 提出了一种基于均衡优化与极限学习机的分类方法. 该方法中提出了一种自适应竞争机制来平衡均衡优化的全局探索与局部挖掘能力, 从而有效提升了均衡优化搜索最优解的性能. 之后, 将提出的均衡优化集成极限学习机对电力系统的客户进行分类. 通过真实数据集上的实验表明, 在不同的分类指标下, 所提出的均衡优化集成极限学习机都具有良好的预测效果, 可为电力系统客户管理与服务提供有效的技术手段.
针对现有施工场所下工人安全帽佩戴检测模型推理耗时长、对硬件要求高, 且复杂多变环境下的训练数据集单一、数量少导致模型鲁棒性较差等问题, 提出了一种轻量化的安全帽佩戴检测模型YOLO-S. 首先, 针对数据集类别不平衡问题, 设计混合场景数据增强方法, 使类别均衡化, 提高模型在复杂施工环境下的鲁棒性; 将原始YOLOv5s主干网络更改为MobileNetV2, 降低了网络计算复杂度. 其次, 对模型进行压缩, 通过在BN层引入缩放因子进行稀疏化训练, 判定各通道重要性, 对冗余通道剪枝, 进一步减少模型推理计算量, 提高模型检测速度. 最后, 通过知识蒸馏辅助模型进行微调得到YOLO-S. 实验结果表明, YOLO-S的召回率及mAP较YOLOv5s分别提高1.9%、1.4%, 模型参数量压缩为YOLOv5s的1/3, 模型体积压缩为YOLOv5s的1/4, FLOPs为YOLOv5s的1/3, 推理速度快于其他模型, 可移植性较高.
传感器技术的普及使得时间序列数据受到人们越来越多的关注. 早期时间序列分类(Early Time Series Classification, ETSC)希望通过观测尽可能短的时序数据而对其做出尽可能准确的分类, 已在科技金融领域发挥着重要的作用. 首先概述了常见的时间序列分类器, 并综述了基于最小预测长度、基于最大区分子序列和基于模型的3类早期时间序列分类框架的最新研究进展. 然后在每类方法中, 分析了具有代表性的早期时间序列分类模型的关键技术及其优缺点; 整理了科技金融领域的公开数据集和常见的评价指标. 最后对未来的发展趋势做了展望.
窃电行为是导致电力企业电能与经济效益损失的重要原因. 提出了一种基于t-LeNet(Time-Series Specific Version of LeNet Model)与时间序列分类(Time Series Classification, TSC)的窃电行为检测方法: 首先, 获取用户用电量时序数据, 使用降采样方法生成训练集; 然后, 使用t-LeNet神经网络训练并预测得到分类结果, 判断用户是否存在窃电行为. 使用国家电网真实用户的用电量数据集进行了实验验证. 实验结果表明, 所提方法相较于基于Time-CNN(Time Convolutional Neural Network)、MLP(Muti-Layer Perception)的时间序列分类方法, 在综合评价指标、精确率、召回率指标上均有不同程度提高, 其对窃电行为的检测具有可行性与有效性.
中国综合性科技类核心期刊(北大核心)
