在微电网调度过程中综合考虑经济、环境、蓄电池的 循环电量，建立多目标优化数学模型。针对传统多目标粒子 群算法(multi-objective particle swarm optimization，MOPSO) 的不足，提出引入模糊聚类分析的多目标粒子群算法 (multi-objective particle swarm optimization algorithm based on fuzzy clustering，FCMOPSO)，在迭代过程中引入模糊聚 类分析来寻找每代的集群最优解。与 MOPSO 相比， FCMOPSO 增强了算法的稳定性与全局搜索能力，同时使优 化结果中 Pareto 前沿分布更均匀。在求得 Pareto 最优解集 后，再根据各目标的重要程度，用模糊模型识别从最优解集 中找出不同情况下的最优方案。最后以一欧洲典型微电网为 例，验证算法的有效性和可行性。
上传时间： 2019-11-11
上传用户：Dr.赵劲帅
华为AI安全白皮书2018-cn近年来，随着海量数据的积累、计算能力的发展、机器学习方法与系统的持续创新与演进，诸如图像识别、语音识 别、自然语言翻译等人工智能技术得到普遍部署和广泛应用。越来越多公司都将增大在AI的投入，将其作为业务发展 的重心。华为全球产业愿景预测：到2025年，全球将实现1000亿联接，覆盖77%的人口；85%的企业应用将部署到 云上；智能家庭机器人将进入12%的家庭，形成千亿美元的市场。 人工智能技术的发展和广泛的商业应用充分预示着一个万物智能的社会正在快速到来。1956年，麦卡锡、明斯基、 香农等人提出“人工智能”概念。60年后的今天，伴随着谷歌DeepMind开发的围棋程序AlphaGo战胜人类围棋冠 军，人工智能技术开始全面爆发。如今，芯片和传感器的发展使“+智能”成为大势所趋：交通+智能，最懂你的 路；医疗+智能，最懂你的痛；制造+智能，最懂你所需。加州大学伯克利分校的学者们认为人工智能在过去二十年 快速崛起主要归结于如下三点原因[1]：1）海量数据：随着互联网的兴起，数据以语音、视频和文字等形式快速增 长；海量数据为机器学习算法提供了充足的营养，促使人工智能技术快速发展。2）高扩展计算机和软件系统：近 年来深度学习成功主要归功于新一波的CPU集群、GPU和TPU等专用硬件和相关的软件平台。3）已有资源的可获得 性：大量的开源软件协助处理数据和支持AI相关工作，节省了大量的开发时间和费用；同时许多云服务为开发者提供 了随时可获取的计算和存储资源。 在机器人、虚拟助手、自动驾驶、智能交通、智能制造、智慧城市等各个行业，人工智能正朝着历史性时刻迈进。谷 歌、微软、亚马逊等大公司纷纷将AI作为引领未来的核心发展战略。2017年谷歌DeepMind升级版的AlphaGo Zero横 空出世；它不再需要人类棋谱数据，而是进行自我博弈，经过短短3天的自我训练就强势打败了AlphaGo。AlphaGo Zero能够发现新知识并发展出打破常规的新策略，让我们看到了利用人工智能技术改变人类命运的巨大潜能。 我们现在看到的只是一个开始；未来，将会是一个全联接、超智能的世界。人工智能将为人们带来极致的体验，将 积极影响人们的工作和生活，带来经济的繁荣与发展。
上传时间： 2022-03-06
上传用户：yiyewumian
在互联网高速发展的今天，人们的娛乐、购物、支付等活动已经离不开互联网应用。电脑手机等移动设备的快速发展，使得获取信息的途径更加多样化，娱乐服务吏加精巧化。随着网络用户访间量的不断增加，Web服务器的压力成倍增加，会导致服务器宕机和数据库崩溃等问题。本文通过对网上商城项目高并发场景的分析，总结了影响服务器并发量的客观原因，针对这些因素，本文以数据库缓存和高并发web服务器负载均衡技术为主，设计并优化了服务器高并发访问机制。本文主要对以下儿点展开研究（1）根据需求，选择使用MyQL数据库作为数据存储器，本文分析了 MySQL数据库的优缺点，针对MyQL数据库查询提出了 MySQL查询调优方法，在高并发环境下为了保障数据库的读写安全，设计并实现了 MySQL的主从复制。（2）分析了加入 Redis缓存数据库的必要性，在高并发环境下，为了防止瞬时访问数据库的频率过高以及恶意攻击等问题，提出了在Web服务器与 MySQL数据库之间加入Reis缓存数据库，以保障数据的安全性，并极大地提高了数据的查询效率。为了保障 Redis数据库的可靠性，避免宕机或断电产生的系列不可恢复的问题，设计并实现了 Redis集群策略，通过测试，证明了 Redis缓存的优越性（3）分析了Web集群后会造成的负载分配问题，决定加入负载均衡策略，并提出了一种新的基于加权轮询的动态负载均衡策略。这种动态策略会根据集群服务器节点的CPU、内存、磁盘IO以及网络性能的情况，计算负载权重，并根据节点对接口一段时间内的响应时间，获取到响应时间平均权重。负载权重和响应寸间权重都与初始权重成负相关，根据这一特性，动态地设定服务器节点的权重大小。通过 JMeter测试工具测试负载均衡策略的性能，通过对比证明，本文的动态策略在响应时间和吞吐量上优于 Nginx内置的加权轮询策略，更加适应高并发环境关键词：Web服务器，高并发，Redis，Nginx，负载均衡
标签： web服务器
上传时间： 2022-03-11
上传用户：kent
随着科技进步，工业厂房、农业温室、仓库和智能建筑等领域对温度的要求越来越严苛，对温度监控需求也越来越高，特别是在某些环境恶劣的工业环境和户外环境中，通过传统的检测难度大，且无法远程传输数据以便进行实时监测。本研究针对这些问题，在对STC89C52单片机、温湿度传感器、TC35i模块功能研究基础上，应用VB程序开发出集群计算机房环境信息检测系统，改变传统温度检测的方法和思路，利用本系统数据信息检测、传输的优势，解决集群计算机房的远程实时温度监测问题，为管理人员提供可靠的温度监测数据。 本论文研究设计使用温湿度传感器DHT11，对计算集群计算机房的环境温度等信息进行多点、实时采集，通过单片机串口和TC35i模块串口之间的通信，把从单片机读取的数据，传输到接有短信猫模块的上位机中，最后将采集的数据存储到数据库中，以供查询，同时，可还以将监测点的信息数据，发送到指定的用户手机上，实现实时远程监控集群计算机房的环境温度。 本文首先对当前国内外温度监控检测的现状与发展趋势进行调研，在结合集群计算机房温度实际检测需求的基础上，有针对性地进行方案论证，并选择合适的实现路线进行相应的研究;从理论上明确实验依据，遵循各个硬件模块的工作原理及主要芯片的技术参数，采用模块化设计，按设计需求设计外围工作电路，对系统的各组成模块进行集成。然后，根据实验方案调整系统的软件编程思路，对相应的程序进行说明并论述相应的编程技巧。为实现集群计算机房中环境温度的高精度测量，我们对软件进行了一些技术处理，论文中对此也进行了相应的介绍。论文还介绍了系统的电路设计仿真和软件设计及调试，并对其中遇到的问题和所采用的解决办法进行了相应的说明。本论文中设计的环境温度监测控制系统在测试过程中，能有效地完成机房的环境温度监测，实现实时无线传输，达到了预期目的。
上传时间： 2022-06-10
上传用户：bluedrops
粒子群算法程序集,应用于粒子优化处理!最新的算法.
上传时间： 2013-12-20
上传用户：dragonhaixm
一个异常点是相当不同的或不符合一个数据集的其余部分数据。检测离群点是非常重要的许多应用中，并在最近引起了广泛关注 在数据挖掘研究界。在本文中，提出了一种方法检测发现异常数据的频繁模式（或频繁项目集
上传时间： 2017-08-28
上传用户：jing911003
烈火之家整站程序 本程序集商业娱乐一体,本来是给自己用的但是我的国外空间支持不够好,就送给大家了. 1. 栏目包括 最新信息,下载,影音娱乐,作品展示,定制业务,支持服务,留言,关于本站. 2.管理员密码采用md5加密. 3.后台功能强大所有栏目采用后台统一管理. 4.支持ubb代码及无组件上传 5.为减轻数据库负担,影视娱乐和其他栏目分开采用2个数据库在data目录下 后台用户名 admin 密码 admin 内容应该是比较全了,有什么问题大家提出来共同学习呀 演示地址 http://www.amap.com.cn/home/ http://liehuo.com.ru/ 我的站点 http://liehuo.uni.cc 我的qq 55782000 专用q群:3370873 Email: liehuogo@126.com
上传时间： 2013-12-11
上传用户：xwd2010
Discrete mathematics离散数学 书名《离散数学在信息学竞赛中的应用》 涉及领域：算法、ACM、数学 内容包含： 重集全排列 Catalan数 简单数论 矩阵的简单运用 棋盘多项式与任务分配 置换群与pólya定理
标签： mathematics Discrete Catalan ACM
上传时间： 2016-04-06
上传用户：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.
标签： Self-Organization SOM Map 分
上传时间： 2013-12-26
上传用户：朗朗乾坤
蚁群算法基本模型STEP1（外循环）若满足算法停止规则，停止计算，输出计算得到的最好解给定外循环的最大数目，表明有足够的蚂蚁工作当前最优解连续K次相同而停止，K是给定的整数，表示算法已收敛◆给定优化问题的下界和误差值，当算法得到的目标值同下界之差小于给定的误差值时，算法终止否则使蚂蚁s（1≤s≤m）从起点出发，用L（S）表示蚂蚁S行走的城市集合，初始L（s）为空集。设m只蚂蚁在图的相邻节点间移动，协作异步地得到解。蚂蚁计算出下一步所有可达节点的一步转移概率，并按此概率实现一步移动，依此往复。一步转移概率由图中每条边上的两类参数决定：信息素值、可见度（即先验值）。信息素的更新有2种方式：挥发——所有路径上信息素以一定比率减少增强——给评价值“好”（有蚂蚁走过）的边增加信息素蚁群算法基木模型令我们以求解平面上n个城市的TSP问题（1，2，…，n）表示城市号为例说明ACA的模型。n个城市的TSP问题就是寻找通过n个城市各次且最后回到出发点的最短路径蚁群算法研究现状令ACA是模拟自然界中真实蚁群的觅食行为而形成的一种模拟进化算法。10年多来的研究结果已经表明：ACA用于组合优化具有很强的发现较好解的能力，具有分布式计算易于与其他方法相结合、鲁棒性强等优点，在动态环境下也表现出高度的灵活性和健壮性。在求解TSP、QAP问题方面，与遗传算法、模拟退火算法等算法比较，ACA仍是最好的解决方法之一。
标签： 蚂蚁算法
上传时间： 2022-03-10
上传用户：hxd
