- 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。 在2018年下半年，基本上选择的是1号，整体很少会选择3号，因为三号大部分时间Loss都很大。说明TRA能够选择Loss最小的Predictor。 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 加快推进复兴岛第三通道（平凉路车行桥）建设，通过量化分析登岛车流的时空分布特征（通勤早高峰、文旅周末高峰），确定通道设计容量，重点缓解工作日科创通勤车流压力，分流现有两座桥梁的交通负荷；规划建设3条专属步行 三、配套实施建议开展交通流全维度量化调研，委托专业机构结合最优运输模型，对复兴岛现有车流、客流的时空分布进行精准测算，为通道建设、公交优化、资源配置提供数据支撑；联动岛内科创企业、高校科研团队，将复兴岛作为最优运输理论在城市岛屿交通中的实践样板
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. ⛔ Step 3：模拟断路只需在图中删除某些边，再运行算法即可。用来测试“当一条路断了怎么办”。 3. 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
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。 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)。 如果发送方发送了前 5 个分组，而中间的第 3 个分组丢失了。这时接收方只能对前两个分组发出确认。发送方无法知道后面三个分组的下落，而只好把后面的三个分组都再重传一次。 (3) 调整网络系统的运行以解决出现的问题。 TCP 采用基于窗口的方法进行拥塞控制。该方法属于闭环控制方法。 最后 如果大家有更好的理解方式或者文章有错误的地方还请大家不吝在评论区留言，大家互相学习交流~~~ 如果想看更多的原创技术文章，欢迎大家关注我的微信公众号:Java3y。
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 的总的销量之和是 500 , 上述产量之和等于销量之和 , 是产销平衡的 ; 不同的产地运往不同的销地 , 运费不同 , 如何合理安排运输 , 能使总运费最少 ; 这里存在一个产销平衡问题 : 总产量 rm x_3 + 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 , 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。 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。 3）财务信息：账期、结算方式、开户行、银行账号、发票抬头、发票类型等。 3）增值服务：如果装卸、吊装等此类增值服务，还涉及到拆单的处理。主订单发送给中标的车队，然后调度中心会将子订单分配给具有增值服务能力的供应商去承接任务，系统要做到应收合单计费，应付拆单计费。
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
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 switch(x) { case 0:d=0;break; case 1:d=0.02;break; case 2: case 3:
55620发布于 2021-09-07 - 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 \ \rm x_1, x_2, x_3 , x_4 , x_5 , x_6 \geq 0 \end{cases}\end{array} 上述运输问题的系数矩阵为 : 5 个约束方程对应的是 \rm 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 \ \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 个变量 , 找到一个初始基可行解 ---- 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 , \cdots , A_m ; \rm n 个销地 : \rm B_1, B_ rm B_j 的销量 , \rm j = 1, 2,3, \cdots , n ; \rm c_{ij} 表示将 \rm A_i 产地的产品运往 \rm B_j 销地的运输成本 ; 假设
80100编辑于 2023-03-28 - 来自专栏木东居士的专栏
决策树3: 特征选择之寻找最优划分
下一篇我们模拟在一个节点上进行搜索，找到一个节点上信息熵的最优划分。 那么问题来了： 我们如何找到各个特征/节点上的最优划分呢？ 在哪个维度熵进行划分：2在哪个值上进行划分：0.5 也就是说，根据穷举各个字段上的最优熵，可以得知，在第3个特征（有自己的房子）上，以0.5为阈值进行分类，可以得到最小熵。 A)=H(D)−H(D|A) infoGain = baseEntropy - conditionalEnt #打印每个特征的信息增益 print("第%d个特征的增益为%.3f return bestFeatVec optimalPartition(dataSet) 输出： 第0个特征的增益为0.083第1个特征的增益为0.324第2个特征的增益为0.420第3个特征的增益为 # 计算信息增益率 infoGainRatio = infoGain / penaltyItem #打印每个特征的信息增益率 print("第%d个特征的增益率为%.3f
1.5K10发布于 2019-12-23 - 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。 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。 目前已经有很多ERP系统可以实现多物流公司管理，但是需要自己接入各个快递公司的API，如果只对接2-3家快递公司还好，如果超出3家，那么你需要1个程序员盯着各家快递公司的数据传输情况和通道健康度以及跟多家快递公司单独对账和沟通
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。 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。 输入输出样例 输入样例#1： 5 5 10 8 1 2 1 1 3 3 1 4 2 2 3 2 2 4 4 3 4 1 3 5 2 4 5 2 4 2 2 3 3 1 1 3 3 3 4 4 5 输出样例#1： 32 说明 【样例输入说明】 ? 【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 3. 用户交互体验基于 Streamlit，搭建交互界面：选择起点、终点城市调节时间和费用权重滑块，实时改变搜索目标添加或恢复断路，模拟实际运输突发情况选择算法（Dijkstra 或 A*）点击计算按钮，显示最优路径
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
3、 安全：安全不必多说，事故越少则损失越小，但完全杜绝事故也是非常困难的。企业运输作业的百万公里事故率需力争压至1.5%以下，若百万公里事故率会高于3%，那就可能会引起运输作业线的崩盘。 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. （如图4所示） 05：图4.png 综上所述，当我们在对运输系统做产品设计研究时，我们就可以围绕这3个运输阶段、12个运输环节、26个攻研课题逐个开展设计研究。 3) 运输作业考核：门店补货，特别是冷链货物对于时效及运输环境要求较高，考核也会围绕这两块开展。但是具体如何考核会涉及到企业内部的一些敏感信息，这里就不做太多介绍。
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} \ {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 ; B 1 , 计算的数值虽然不同 , 但是最终的运输规划结果是相同的 ; 如加上 14 , 表格变为 : B 1 产量 \rm A_1 12 9 6 9 \rm A_2 5 4 7 10 \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 - 来自专栏网络技术联盟站
全网最优质的H3C设备命令大全
最近咨询H3C问题的朋友挺多的，大部分是命令不太熟悉，今天瑞哥进行整理大的整理，分类整理，希望大家能够收藏起来，以备不时之需！ global global-address | inside inside-address } ] [ destination dst-address ] HDLC 实验命令列表 对广域网的协议进行封装，H3C
1.6K01发布于 2021-03-29 - 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。 如果不是“启用”，请执行以下步骤： 3.单击HortonworksSchemaRegistry右侧的Lighting Bolt。 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。 原文链接：https://www.cloudera.com/tutorials/nifi-in-trucking-iot/3.html
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