- 综合排序
- 最热优先
- 最新优先
- 来自专栏量化投资与机器学习
基于TRA和最优运输学习的多股票交易模式
但是问题又来了，如果对于路由不加限制，就会一直选择一个历史上表现最优的Predictor，而违背了最初的设计，所以作者又引入了最优运输的机制，控制Router对Predictor的分配。 的两个主要模块和基于骨干模型的具体实现可以参下图： 针对当前的Sample，根据Attention LSTM的输出及记忆中的temporal prediction errors 共同确定最合适的Predictor 什么是最优运输 因此，研究员们基于最优运输 (Optimal Transport) 设计了一个迭代优化的算法。最优运输被用来求解在分配的样本满足特定比例约束下，如何分配样本能够最小化整体预测偏差。 问题3，最优运输规则（Optimal Transport, OT）到底对于TRA有没有帮助?
1.9K20发布于 2021-09-17 上海杨浦复兴岛交通优化方案 —— 融合最优运输理论实践
最优运输（OptimalTransportation）理论聚焦资源与需求的最优匹配，通过量化分析交通流的成本、效率与空间分布，实现运输资源的精准配置，为复兴岛交通优化提供了科学的理论支撑。 一、复兴岛交通现状：最优运输视角下的核心矛盾最优运输理论的核心是实现“供应端交通资源”与“需求端客流/车流”在空间和时间维度的最小成本匹配，而复兴岛当前交通体系的核心矛盾，正是资源配置与需求分布的严重错配 二、融合最优运输理论的复兴岛交通优化核心方案以最优运输理论“最小成本、精准匹配、动态平衡”为核心原则，结合复兴岛1.31平方公里的空间特征与“科创+文旅”的双需求属性，通过通道容量优化、交通资源精准配置 ”定制公交延伸至复兴岛，串联轨交12号线复兴岛站、量子科技基地、船台PARK、复兴岛公园、定海桥渡口等核心需求点，形成滨江核心区与复兴岛的一体化交通环线；基于客流大数据设置弹性发车间隔，工作日通勤高峰10 ；开通岛内环岛微公交：以岛内核心需求点为节点，规划短距离、高频次的环岛微公交，覆盖科创园区、居民区、文旅地标，解决“点对点”短途出行需求，站点设置基于需求点的客流密度优化，避免资源浪费，发车间隔控制在10
20310编辑于 2026-03-07- 来自专栏云社区活动
从深圳到西安，最优运输路径怎么走？——用 Dijkstra 算法搞定它！
从深圳到西安，最优运输路径怎么走？——用 Dijkstra 算法搞定它！ 我们给出了一个包含10个城市的运输图，其中每一条边标注了运输所需时间（单位：小时）。 我们的目标是构建一个智能算法，在各种限制条件下快速给出最优方案！ 2. red') nx.draw_networkx_nodes(G, pos, nodelist=path, node_color='orange') plt.title(" 从深圳到西安的最优运输路径 结语：从小图出发，走向现实的大规模交通系统虽然今天我们只在一个 10 城市的小图上演练，但这背后的算法思路，完全可以支撑大规模应用。
27210编辑于 2025-06-23 - 来自专栏韩曙亮的移动开发专栏
【运筹学】表上作业法 ( 运输规划问题最优解分析 | 退化与非退化 )
文章目录 一、运输规划问题 二、退化与非退化 一、运输规划问题 ---- 运输规划最终的求解最优解结果有如下情况 : ① 有唯一最优解 : 有一个检验数等于 0 ; ② 有无穷多最优解 : 这种情况下 所有的检验数都严格小于 0 ; 运输规划中不存在 ① 无界解 , ② 无可行解 两种情况 , 运输问题是一个实际的问题 , 运费肯定有一个可行的解 ; 二、退化与非退化 ---- 退化问题 : 运输问题的退化问题比较多 严格大于 0 ; 退化解 : 一个问题是 退化的 , 当且仅当 , 存在 一个的 基变量 是 等于 0 的 ; 在 【运筹学】表上作业法 ( 示例 | 使用 “ 闭回路法 “ 计算检验数判定最优解 ) 博客中求解的运输规划问题是 非退化的 , 所有的基变量都是 严格大于 0 的 ;
1.4K00编辑于 2023-03-28 - 来自专栏Java3y
运输层
一、运输层的基本概念 从通信和信息处理的角度看，运输层向它上面的应用层提供通信服务，它属于面向通信部分的最高层，同时也是用户功能中的最低层。 从运输层的角度看，通信的真正端点并不是主机而是主机中的进程。端到端的通信是应用进程之间的通信。 也就是说：运输层主要是处理进程之间的通信的，而端口就代表了进程。 端口用一个 16 位端口号进行标志。 1.2屏蔽作用 运输层向高层用户屏蔽了下面网络核心的细节（如网络拓扑、所采用的路由选择协议等），它使应用进程看见的就是好像在两个运输层实体之间有一条端到端的逻辑通信信道。（这也是分层的好处） ? 二、两种不同的运输协议TCP、UDP 当运输层采用面向连接的 TCP 协议时，尽管下面的网络是不可靠的（只提供尽最大努力服务），但这种逻辑通信信道就相当于一条全双工的可靠信道。 两个对等运输实体在通信时传送的数据单位叫作运输协议数据单元 TPDU (Transport Protocol Data Unit)。
99821发布于 2018-09-14 - 来自专栏韩曙亮的移动开发专栏
【运筹学】运输规划 ( 运输规划问题的数学模型 | 运输问题引入 )
文章目录 一、运输规划涉及内容 二、运输规划问题的数学模型 一、运输规划涉及内容 ---- 运输规划涉及内容 : ① 运输规划问题的数学模型 ; ② 表上作业法 ; ③ 运输问题应用 ; 二、运输规划问题的数学模型 + x_6= 200 \\\\ \rm x_1, x_2, x_3 , x_4 , x_5 , x_6 \geq 0 \end{cases}\end{array} 使用单纯形法对上述规划求解即可得到最优解 ; 单纯形法解线性规划最优解过程 : ① 基可行解 : 先找到一个 初始基可行解 ; ② 检验数 : 计算检验数 , 判定当前基可行解是否是 最优解 ; ③ 迭代 : 根据检验数确定 入基变量 , 根据入基变量系数计算 5 个 ; 上述运输问题的系数矩阵为 : 5 个约束方程对应的是 \rm 5 \times 6 矩阵 ; \begin{pmatrix} \quad 1 \quad 1 \quad 1 \ , 也需要按照 ① 初始基可行解 , ② 最优解判定 , ③ 迭代 , 步骤进行计算 ;
92600编辑于 2023-03-28 - 来自专栏物流IT圈
物流运输系统——整车运输系统搭建
物流公司利用自身平台的影响力，通过整合上下游的车辆资源，为客户提供全链路的运输服务。 本文详述了目前市场整车运输行业的业务流程以及系统搭建方案。 整车运输可以理解为针对B2B的客户，对原材料、零配件、商品这些大宗货物进行干线运输、仓间调货等，系统搭建则需要建立客户、平台、车队之间的货物流、信息流和资金流，从而达到互利共赢的结果。 一、描述业务场景 如果你是水果供货商，你需要将整车的农场的水果从原产地运输到千里之外的城市销售。你对运输过程有哪些需求？ 运输安全；为保证货物的安全，希望全程能够监控车辆的位置、路况、车锁情况。对于冷藏运输，还有温度监控的需求。 支付完成之后，系统会下发运输任务给车队。 待发车：客户下单之后，司机发车之前。司机在手机APP上启动运输任务，上传操作信息到后台系统。
1.4K30编辑于 2023-03-09 - 来自专栏布衣者博客
运输公司计算运输费的两种方法
问题 如果路程为S s<250 没有折扣 250<=s<500 2%的折扣 500 <=s< 1000 5%折扣 1000 <=s< 2000 8折扣 2000 <=s <3000 10%折扣 3000 首先是用switch语句的形式 #include<stdio.h> void main() { float d,f,p; int x,s; p=10;//一公里的价格 printf("请输入公里数："); scanf("%d",&s); x=s/250;//通过运输的公里数与250的关系进行分类 switch(x) { case 5: case 6: case 7:d=0.08;break; case 8: case 9: case 10 1523 价格为14011.60 第二种用if语句形式 #include<stdio.h> void main() { float d,f,p; int s; p=10
55620发布于 2021-09-07 - 来自专栏WD学习记录
机器学习 学习笔记（10）序列最小最优化算法
序列最小最优化算法（Sequential minimal optimization） SMO算法要解如下凸二次规划的对偶问题： ? ? ? SMO算法是一种启发式算法，基本思路是：如果所有边的解都满足此优化问题的KKT条件，那么这个最优化问题的解就得到了，因为KKT条件就是该最优化问题的充分必要条件。 于是SMO最优化问题可以写成： ? ? ? ? 其中 ? 只有两个变量，约束如下图： image.png 假设初始的可行解为 ? ， ? ，最优解为 ? ， ? 的最优解为 ? ? 的取值范围需要满足 ? 如果 ? ， ? ， ? 如果 ? ， ? ， ? 首先沿着约束方向未经剪辑即为考虑不等式约束时 ? 的最优解 ? ： ? 令 ? ， ? 定理最优化问题沿着约束方向未经剪辑时的解释 ? ， 其中 ? 经过剪辑后 ? 的解是： ? ? ? 由 ? 求得 ? 是： ?
1.9K20发布于 2018-09-03 - 来自专栏韩曙亮的移动开发专栏
【运筹学】运输规划 ( 运输规划基变量个数分析 )
文章目录 一、运输规划基变量个数 二、运输规划问题数学模型基变量数定理 一、运输规划基变量个数 ---- 上一篇博客 【运筹学】运输规划 ( 运输规划问题的数学模型 | 运输问题引入 ) 提出了运输规划问题 , 其约束方程系数矩阵的系数都是 0,1 , 该矩阵称为 稀疏矩阵 , 现在开始使用简化版的单纯形法解出最优解 ; 运输问题的线性规划如下 : \begin{array}{lcl} \rm minW ---- 运输规划问题数学模型基变量数定理 : 假设有 \rm m 个产地 , \rm n 个销地 , 并且 产销平衡 , 其基变量数为 \rm m + n - 1 ; \rm m 个产地 任意删掉一个约束方程 , 就不再有多余的方程了 ; 确定约束方程个数后 , 就确定了基矩阵的秩 , 根据单纯形法的基本流程 , 第一步找初始基可行解 , 可行基就知道找什么样的可行基了 ; 单纯形法解线性规划最优解过程 : ① 基可行解 : 先找到一个 初始基可行解 ; ② 检验数 : 计算检验数 , 判定当前基可行解是否是 最优解 ; ③ 迭代 : 根据检验数确定 入基变量 , 根据入基变量系数计算 出基变量 ,
1.3K00编辑于 2023-03-28 - 来自专栏韩曙亮的移动开发专栏
【运筹学】运输规划 ( 运输规划基变量个数 | 运输问题一般形式 | 产销平衡 | 产销不平衡 )
文章目录 一、运输规划基变量个数 二、运输规划问题一般形式 三、运输规划中的产销( 不 )平衡问题 一、运输规划基变量个数 ---- 运输规划问题 : \begin{array}{lcl} \rm minW x_3 + x_6= 200 \\\\ \rm x_1, x_2, x_3 , x_4 , x_5 , x_6 \geq 0 \end{cases}\end{array} 根据上一篇博客 【运筹学】运输规划 ( 运输规划基变量个数分析 ) 可知 , 该线性规划的约束方程个数是 \rm m+ n - 1 = 4 , 基矩阵的秩也是 4 ; 继续求解上述运输规划问题的最优解 ; 该运输规划问题有 6 稀疏矩阵 , 矩阵中的元素都是 0 或 1 ; 二、运输规划问题一般形式 ---- 运输规划问题一般形式 ( 产销平衡 ) : \rm m 个产地 : \rm A_1, A_2,A_3 , ; 假设 \rm x_{ij} 是从产地 \rm A_i 运往销地 \rm B_j 的运输量 ; 可以得到如下线性规划模型 : \begin{array}{lcl} \rm minW =
80100编辑于 2023-03-28 - 来自专栏程序员也要懂业务
6个方法-减少运输过程中运输成本
电子商务中最耗时和成本的部分之一是订单的快递运输过程。 但是随着业务的增长和订单就开始变多，快递运输过程的处理可能会变得不堪重负。 特别是在移动互联网时代后期，每个商家都会有多个推广和销售渠道，如果不简化或减少运输过程中的步骤，将会给商家带来许多的成本（包括人力和财力成本）。 拥抱自动化降低运输成本 自动化是简化整个订单处理流程的关键工具。设置自动化的一种方法是使用一组在满足某些参数时触发的 if-then 规则。 让我们看一个例子，在这例子中，自动化可以使快递运输管理变得更加容易，也能帮助降低运输成本。
1.4K20发布于 2021-08-04 - 来自专栏数据结构与算法
P1772 物流运输
货物运输过程中一般要转停好几个码头。物流公司通常会设计一条固定的运输路线，以便对整个运输过程实施严格的管理和跟踪。由于各种因素的存在，有的时候某个码头会无法装卸货物。 这时候就必须修改运输路线，让货物能够按时到达目的地。但是修改路线是—件十分麻烦的事情，会带来额外的成本。因此物流公司希望能够订一个n天的运输计划，使得总成本尽可能地小。 n表示货物运输所需天数，m表示码头总数，K表示每次修改运输路线所需成本。接下来e行每行是一条航线描述，包括了三个整数，依次表示航线连接的两个码头编号以及航线长度(>0)。 但任何时间都存在至少一条从码头A到码头B的运输路线。 输出格式： 包括了一个整数表示最小的总成本。总成本=n天运输路线长度之和+K*改变运输路线的次数。 【样例输出说明】 前三天走1-4-5，后两天走1-3-5，这样总成本为(2+2)*3+(3+2)*2+10=32。
748100发布于 2018-04-12 - 来自专栏机器学习爱好者社区
机器学习从零开始系列连载(10)——最优化原理（下）
SGD相对简单并且被证明有较好的收敛性质和精度，所以自然而然就想到将其扩展到大规模数据集上，就像Hadoop/Spark的基本框架是MapReduce，并行机器学习的常见框架有两种：AllReduce 和 Parameter Server（PS）。
75130发布于 2020-02-29 - 来自专栏技术汇总专栏
长安的荔枝最优转运路线：用 Python 实现荔枝运输结合时间与费用的多目标最短路径算法
长安的荔枝最优转运路线：用 Python 实现荔枝运输结合时间与费用的多目标最短路径算法系统已整合为一个python文件，可在文末直接复制运行使用。 本文围绕“荔枝运输路径优化”这一实际问题，利用经典图论算法（Dijkstra 和 A*），结合运输时间与费用的多目标优化，为运输规划提供最优路径选择方案。 长安的荔枝最优转运路线系统效果展示设置权重后选择Dijkstra算法：设置权重后选择A* 算法算法：断路：武汉—西安再断路郑州到长沙任务目标基于给定城市图（节点为城市，边带有运输时间和费用）实现多目标路径优化 ) plt.title("城市运输图及最优路径（红色）") st.pyplot(plt)此外，通过柱状图展示路径各段的时间和费用分布，帮助用户做出权衡。 ) plt.title("城市运输图及最优路径（红色）") st.pyplot(plt)def restore_all_edges(): st.session_state.graph
2.8K70编辑于 2025-06-23 - 来自专栏燧机科技-视频AI智能分析
煤矿皮带运输智能监控算法
煤矿皮带运输智能监控算法通过opencv+python深度学习算法网络模型，煤矿皮带运输智能监控算法实时监测皮带运输过程中的各种异常情况，如跑偏、撕裂、堆料异常等，一旦检测到异常情况，立即发出告警并采取相应的措施 煤矿皮带运输智能监控算法中OpenCV的全称是Open Source Computer Vision Library，是一个跨平台的计算机视觉处理开源软件库，是由Intel公司俄罗斯团队发起并参与和维护 也就是说，Python可以使用C / C++轻松扩展，这使煤矿皮带运输智能监控算法可以在C / C++中编写计算密集型代码，并创建可用作Python模块的Python包装器。 这给我们带来了两个好处：首先，煤矿皮带运输智能监控算法代码与原始C / C++代码一样快（因为它是在后台工作的实际C++代码），其次，在Python中编写代码比使用C / C++更容易。 煤矿皮带运输智能监控算法基于CUDA和OpenCL的高速GPU操作接口也在积极开发中。完善的传统计算机视觉算法，涵盖主流的机器学习算法，同时添加了对深度学习的支持。
39800编辑于 2023-09-15 - 来自专栏物流系统设计
物流运输系统设计浅谈
本文的结构目录： • 物流系统框架构成介绍 • 目前运输管理系统情况简介 • 运输系统设计方法浅谈 • 运输作业环节的拆解与分析 • 苏宁运输系统设计案例 • 未来运输发展方向畅像 物流系统框架构成介绍 运输系统设计方法浅谈 在初步了解市场上主流的运输系统之后，开始运输系统产品设计方法介绍之前，再聊一聊运输的核心。 如何评估最优线路？如何合理安排作业班次，降低车辆空跑率？ 首先是第一步对运输过程的阶段性拆解，运输过程可以简单粗暴的分为运输前、运输中、运输后三大阶段。（如图3所示） 04：图3.png 1. 10：辅助图1.png 第二步：基于初步场景的共用服务和能力梳理 所有运输作业场景基本都基于一套共用的服务和数据资源，以苏宁运输系统为例，针对运输作业的支撑，主要有三类共用服务： 1) 运输侧特有的共用服务
1.6K20编辑于 2022-06-01 - 来自专栏韩曙亮的移动开发专栏
【运筹学】运输规划求最大值 ( 运输规划求最大值问题示例 | 转为运输规划求最小值的方式 )
文章目录 一、运输规划求最大值问题 二、运输规划求最大值问题示例 一、运输规划求最大值问题 ---- 目标函数求最大值 : 如求利润最大值 , 营业额最大值 ; \begin{array}{lcl} \ 0 \ \ \ \ ( \ i = 1, 2,3, \cdots , m \ \ ; \ \ j = 1, 2,3, \cdots , n \ ) \end{cases}\end{array} 二、运输规划求最大值问题示例 ---- 下面的表格是 \rm A_i \ \ ( i = 1,2,3 ) 到 \rm B_j \ \ ( j = 1,2,3 ) 的吨公里利润 , 如何安排运输 , 能使得总利润最大 ; -7 10 \rm A_3 -6 -5 -4 12 销量 8 14 9 在所有值都变为负数后 , 为了方便计算 , 给所有的值都加上一个正数 , 计算的数值虽然不同 , 但是最终的运输规划结果是相同的 \rm A_3 8 9 10 12 销量 8 14 9 求上述运输规划最小值即可 ;
2.2K00编辑于 2023-03-28 - 来自专栏大数据杂货铺
教程|运输IoT中的NiFi
运输IoT用例中的NiFi 什么是NiFi？ NiFi在此流处理应用程序中扮演什么角色？ 从我们的“使用Apache NiFi分析运输模式”教程中获得。 演示运行NiFi 环境设定 我们将致力于运输物联网项目。如果您安装了最新的Cloudera DataFlow（CDF）沙盒，则该演示已预先安装。 选择“运输物联网”，然后单击“添加”。通过单击画布上的任意位置来取消选择数据流。 2.在“操作面板”中，将手指向上，将其展开（如果已关闭），单击齿轮图标，然后单击“控制器服务”齿轮图标。 在即将推出的“自定义NiFi处理器-物联网运输”教程中了解有关构建GetTruckingData处理器的更多信息。
3.3K20发布于 2021-04-16 - 来自专栏超级架构师
GE运输加入区块链联盟
通用电气上周晚宣布，它已经加入了区块链的运输联盟(BiTA)，这是区块链教育和标准发展的行业协会。 区块链是一种数字分类技术，它记录交易并将数据存储在一个分布式网络中。 其他成员包括卡车运输公司、第三方物流提供商、技术公司、主要零售商和金融服务提供商。 GE运输公司首席数字官劳里·托尔森(Laurie Tolson)表示:“随着通用电气(GE)运输将其功能扩展到更广泛的供应链，我们将在每个节点和多种模式之间连接合作伙伴和客户。”
1.6K60发布于 2018-04-16
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号