在微電網調度過程中綜合考慮經濟、環境、蓄電池的 循環電量，建立多目標優化數學模型。針對傳統多目標粒子 群算法(multi-objective particle swarm optimization，MOPSO) 的不足，提出引入模糊聚類分析的多目標粒子群算法 (multi-objective particle swarm optimization algorithm based on fuzzy clustering，FCMOPSO)，在迭代過程中引入模糊聚 類分析來尋找每代的集群最優解。與 MOPSO 相比， FCMOPSO 增強了算法的穩定性與全局搜索能力，同時使優 化結果中 Pareto 前沿分布更均勻。在求得 Pareto 最優解集 后，再根據各目標的重要程度，用模糊模型識別從最優解集 中找出不同情況下的最優方案。最后以一歐洲典型微電網為 例，驗證算法的有效性和可行性。
上傳時間： 2019-11-11
上傳用戶：Dr.趙勁帥
華為AI安全白皮書2018-cn近年來，隨著海量數據的積累、計算能力的發展、機器學習方法與系統的持續創新與演進，諸如圖像識別、語音識 別、自然語言翻譯等人工智能技術得到普遍部署和廣泛應用。越來越多公司都將增大在AI的投入，將其作為業務發展 的重心。華為全球產業愿景預測：到2025年，全球將實現1000億聯接，覆蓋77%的人口；85%的企業應用將部署到 云上；智能家庭機器人將進入12%的家庭，形成千億美元的市場。 人工智能技術的發展和廣泛的商業應用充分預示著一個萬物智能的社會正在快速到來。1956年，麥卡錫、明斯基、 香農等人提出“人工智能”概念。60年后的今天，伴隨著谷歌DeepMind開發的圍棋程序AlphaGo戰勝人類圍棋冠 軍，人工智能技術開始全面爆發。如今，芯片和傳感器的發展使“+智能”成為大勢所趨：交通+智能，最懂你的 路；醫療+智能，最懂你的痛；制造+智能，最懂你所需。加州大學伯克利分校的學者們認為人工智能在過去二十年 快速崛起主要歸結于如下三點原因[1]：1）海量數據：隨著互聯網的興起，數據以語音、視頻和文字等形式快速增 長；海量數據為機器學習算法提供了充足的營養，促使人工智能技術快速發展。2）高擴展計算機和軟件系統：近 年來深度學習成功主要歸功于新一波的CPU集群、GPU和TPU等專用硬件和相關的軟件平臺。3）已有資源的可獲得 性：大量的開源軟件協助處理數據和支持AI相關工作，節省了大量的開發時間和費用；同時許多云服務為開發者提供 了隨時可獲取的計算和存儲資源。 在機器人、虛擬助手、自動駕駛、智能交通、智能制造、智慧城市等各個行業，人工智能正朝著歷史性時刻邁進。谷 歌、微軟、亞馬遜等大公司紛紛將AI作為引領未來的核心發展戰略。2017年谷歌DeepMind升級版的AlphaGo Zero橫 空出世；它不再需要人類棋譜數據，而是進行自我博弈，經過短短3天的自我訓練就強勢打敗了AlphaGo。AlphaGo Zero能夠發現新知識并發展出打破常規的新策略，讓我們看到了利用人工智能技術改變人類命運的巨大潛能。 我們現在看到的只是一個開始；未來，將會是一個全聯接、超智能的世界。人工智能將為人們帶來極致的體驗，將 積極影響人們的工作和生活，帶來經濟的繁榮與發展。
上傳時間： 2022-03-06
上傳用戶：
在互聯網高速發展的今天，人們的娛樂、購物、支付等活動已經離不開互聯網應用。電腦手機等移動設備的快速發展，使得獲取信息的途徑更加多樣化，娛樂服務吏加精巧化。隨著網絡用戶訪間量的不斷增加，Web服務器的壓力成倍增加，會導致服務器宕機和數據庫崩潰等問題。本文通過對網上商城項目高并發場景的分析，總結了影響服務器并發量的客觀原因，針對這些因素，本文以數據庫緩存和高并發web服務器負載均衡技術為主，設計并優化了服務器高并發訪問機制。本文主要對以下兒點展開研究（1）根據需求，選擇使用MyQL數據庫作為數據存儲器，本文分析了 MySQL數據庫的優缺點，針對MyQL數據庫查詢提出了 MySQL查詢調優方法，在高并發環境下為了保障數據庫的讀寫安全，設計并實現了 MySQL的主從復制。（2）分析了加入 Redis緩存數據庫的必要性，在高并發環境下，為了防止瞬時訪問數據庫的頻率過高以及惡意攻擊等問題，提出了在Web服務器與 MySQL數據庫之間加入Reis緩存數據庫，以保障數據的安全性，并極大地提高了數據的查詢效率。為了保障 Redis數據庫的可靠性，避免宕機或斷電產生的系列不可恢復的問題，設計并實現了 Redis集群策略，通過測試，證明了 Redis緩存的優越性（3）分析了Web集群后會造成的負載分配問題，決定加入負載均衡策略，并提出了一種新的基于加權輪詢的動態負載均衡策略。這種動態策略會根據集群服務器節點的CPU、內存、磁盤IO以及網絡性能的情況，計算負載權重，并根據節點對接口一段時間內的響應時間，獲取到響應時間平均權重。負載權重和響應寸間權重都與初始權重成負相關，根據這一特性，動態地設定服務器節點的權重大小。通過 JMeter測試工具測試負載均衡策略的性能，通過對比證明，本文的動態策略在響應時間和吞吐量上優于 Nginx內置的加權輪詢策略，更加適應高并發環境關鍵詞：Web服務器，高并發，Redis，Nginx，負載均衡
標簽： web服務器
上傳時間： 2022-03-11
上傳用戶：kent
隨著科技進步，工業廠房、農業溫室、倉庫和智能建筑等領域對溫度的要求越來越嚴苛，對溫度監控需求也越來越高，特別是在某些環境惡劣的工業環境和戶外環境中，通過傳統的檢測難度大，且無法遠程傳輸數據以便進行實時監測。本研究針對這些問題，在對STC89C52單片機、溫濕度傳感器、TC35i模塊功能研究基礎上，應用VB程序開發出集群計算機房環境信息檢測系統，改變傳統溫度檢測的方法和思路，利用本系統數據信息檢測、傳輸的優勢，解決集群計算機房的遠程實時溫度監測問題，為管理人員提供可靠的溫度監測數據。 本論文研究設計使用溫濕度傳感器DHT11，對計算集群計算機房的環境溫度等信息進行多點、實時采集，通過單片機串口和TC35i模塊串口之間的通信，把從單片機讀取的數據，傳輸到接有短信貓模塊的上位機中，最后將采集的數據存儲到數據庫中，以供查詢，同時，可還以將監測點的信息數據，發送到指定的用戶手機上，實現實時遠程監控集群計算機房的環境溫度。 本文首先對當前國內外溫度監控檢測的現狀與發展趨勢進行調研，在結合集群計算機房溫度實際檢測需求的基礎上，有針對性地進行方案論證，并選擇合適的實現路線進行相應的研究;從理論上明確實驗依據，遵循各個硬件模塊的工作原理及主要芯片的技術參數，采用模塊化設計，按設計需求設計外圍工作電路，對系統的各組成模塊進行集成。然后，根據實驗方案調整系統的軟件編程思路，對相應的程序進行說明并論述相應的編程技巧。為實現集群計算機房中環境溫度的高精度測量，我們對軟件進行了一些技術處理，論文中對此也進行了相應的介紹。論文還介紹了系統的電路設計仿真和軟件設計及調試，并對其中遇到的問題和所采用的解決辦法進行了相應的說明。本論文中設計的環境溫度監測控制系統在測試過程中，能有效地完成機房的環境溫度監測，實現實時無線傳輸，達到了預期目的。
上傳時間： 2022-06-11
上傳用戶：bluedrops
粒子群算法程序集,應用于粒子優化處理!最新的算法.
上傳時間： 2013-12-20
上傳用戶：dragonhaixm
一個異常點是相當不同的或不符合一個數據集的其余部分數據。檢測離群點是非常重要的許多應用中，并在最近引起了廣泛關注 在數據挖掘研究界。在本文中，提出了一種方法檢測發現異常數據的頻繁模式（或頻繁項目集
上傳時間： 2017-08-29
上傳用戶：jing911003
烈火之家整站程序 本程序集商業娛樂一體,本來是給自己用的但是我的國外空間支持不夠好,就送給大家了. 1. 欄目包括 最新信息,下載,影音娛樂,作品展示,定制業務,支持服務,留言,關于本站. 2.管理員密碼采用md5加密. 3.后臺功能強大所有欄目采用后臺統一管理. 4.支持ubb代碼及無組件上傳 5.為減輕數據庫負擔,影視娛樂和其他欄目分開采用2個數據庫在data目錄下 后臺用戶名 admin 密碼 admin 內容應該是比較全了,有什么問題大家提出來共同學習呀 演示地址 http://www.amap.com.cn/home/ http://liehuo.com.ru/ 我的站點 http://liehuo.uni.cc 我的qq 55782000 專用q群:3370873 Email: liehuogo@126.com
上傳時間： 2013-12-11
上傳用戶：xwd2010
Discrete mathematics離散數學 書名《離散數學在信息學競賽中的應用》 涉及領域：算法、ACM、數學 內容包含： 重集全排列 Catalan數 簡單數論 矩陣的簡單運用 棋盤多項式與任務分配 置換群與pólya定理
標簽： mathematics Discrete Catalan ACM
上傳時間： 2016-04-07
上傳用戶：hustfanenze
使用SOM(Self-Organization Map)進行資料分群，以載入座標點資料集及並以TChart分群顯示為例.
標簽： Self-Organization SOM Map 分
上傳時間： 2013-12-26
上傳用戶：朗朗乾坤
蟻群算法基本模型STEP1（外循環）若滿足算法停止規則，停止計算，輸出計算得到的最好解給定外循環的最大數目，表明有足夠的螞蟻工作當前最優解連續K次相同而停止，K是給定的整數，表示算法已收斂◆給定優化問題的下界和誤差值，當算法得到的目標值同下界之差小于給定的誤差值時，算法終止否則使螞蟻s（1≤s≤m）從起點出發，用L（S）表示螞蟻S行走的城市集合，初始L（s）為空集。設m只螞蟻在圖的相鄰節點間移動，協作異步地得到解。螞蟻計算出下一步所有可達節點的一步轉移概率，并按此概率實現一步移動，依此往復。一步轉移概率由圖中每條邊上的兩類參數決定：信息素值、可見度（即先驗值）。信息素的更新有2種方式：揮發——所有路徑上信息素以一定比率減少增強——給評價值“好”（有螞蟻走過）的邊增加信息素蟻群算法基木模型令我們以求解平面上n個城市的TSP問題（1，2，…，n）表示城市號為例說明ACA的模型。n個城市的TSP問題就是尋找通過n個城市各次且最后回到出發點的最短路徑蟻群算法研究現狀令ACA是模擬自然界中真實蟻群的覓食行為而形成的一種模擬進化算法。10年多來的研究結果已經表明：ACA用于組合優化具有很強的發現較好解的能力，具有分布式計算易于與其他方法相結合、魯棒性強等優點，在動態環境下也表現出高度的靈活性和健壯性。在求解TSP、QAP問題方面，與遺傳算法、模擬退火算法等算法比較，ACA仍是最好的解決方法之一。
標簽： 螞蟻算法
上傳時間： 2022-03-10
上傳用戶：
