- 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? 问题4，TRA模型对于Predictor的数量（也就是假设的市场状态的数量）是否敏感？
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 通道资源与流量需求错配：仅2条车行登岛桥，海安路桥有限载限制，无专属慢行通道，高峰时段（通勤、大型活动）通道流量接近饱和，非高峰时段则资源闲置，符合最优运输中“运输通道容量与需求分布不匹配”的典型问题； 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 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. 5.0, 'cost': 150}}, '西安': {'武汉': {'time': 10.0, 'cost': 320}, '洛阳': {'time': 5.0, 'cost': 150}}} 4. 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AI那点小事
CCF考试——201412-4最优灌溉
样例输入 4 4 1 2 1 2 3 4 2 4 2 3 4 3 样例输出 6 样例说明 建立以下三条水渠：麦田1与麦田2、麦田2与麦田4、麦田4与麦田3。
41220发布于 2020-04-20 - 来自专栏AI那点小事
CCF考试——201409-4最优配餐
现在你得到了栋栋的客户的需求，请问在最优的送餐方式下，送这些餐需要花费多大的成本。 输出格式 输出一个整数，表示最优送餐方式下所需要花费的成本。 q.empty()){ front = q.front(); q.pop(); for(int i = 0 ; i < 4 ; i++){
52020发布于 2020-04-20 - 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。 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)。 2.2.2TCP 报文段的首部格式 TCP 虽然是面向字节流的，但 TCP 传送的数据单元却是报文段 TCP 报文段首部的前 20 个字节是固定的，后面有 4n 字节是根据需要而增加的选项 (n 是整数
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 4 4 6 \\\\ \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。 4）在途监控：为了保证运输时效，对于可能会晚点到达的车辆，系统需要及时预警，按照不同的预警等级向对应的运作人员发起提醒。 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
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 0:d=0;break; case 1:d=0.02;break; case 2: case 3:d=0.05;break; case 4:
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 )
= 6x_1 + 4x_2 + 6x_3 + 6x_4 + 5x_5 + 5x_6 \\\\ \rm s.t\begin{cases} \rm x_1 + x_2 + x_3 = 200 \\\\ \ rm x_4 + x_5 + x_6 = 300 \\\\ \rm x_1 + x_4 = 150 \\\\ \rm x_2 + x_5= 150 \\\\ \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} 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 ; 初始基可行解对应的 基变量 4 个 , 非基变量 2 个 ; 运输问题的系数矩阵是 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
80100编辑于 2023-03-28 - 来自专栏低代码（low code）专栏
低代码（lowcode）帮助运输公司增强供应链管理的4种方式
运输公司维系着全球供应链国际运输货物，从炼油厂运输燃料，再到将产品送到零售点。最后一公里将包裹送到消费者家中，总的来说运输行业绝对称得上是经济的粘合剂。 所以运输企业必须能满足电商平台等在线零售商的期望，快速运送货物，而且这个时间还不能太久。如果用时太久或者运输缓慢，那可能就会导致一些负面报道和“口吐芬芳”的顾客。 遇到这种情况，织信低代码平台可以通过其特性帮助运输公司提高可见性、连接不同的系统并提高整个运营的效率，帮助减轻运输公司的负担。下面简单介绍一下，织信低代码帮助运输公司减少供应链问题的四种方式。 织信低代码改善供应链管理中的运输1、提高可见性和连通性很多运输企业经常依赖于许多不同的系统，包括企业资源规划(ERP)系统、仓库管理系统、运输管理系统，在某些情况下甚至是纸和笔。 与运输成本急剧上升由于持续的供应链问题，运输公司可以使用低代码来简化流程和降低成本。4、为行动不便的员工提供支持卡车司机长途跋涉，在仓库装货，在目的地卸货。货运员工必须装卸货物集装箱。
49540编辑于 2022-07-07 - 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。 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】 ?
748100发布于 2018-04-12 - 来自专栏智慧物联产品＆方案
基于工业4g网关的危化品运输车监控方案
得益于物联网技术的发展，现在可以利用4G/5G无线技术、边缘计算技术、智能感知等技术，构建全方位的危化品运输车监控管理系统，显著提高运输车辆的安全性和可靠性。 ，做到细致监测、运输可靠、物流高效。 基于工业4g路由器的危化品运输车监控方案1、车辆定位：BMG700工业4g网关，支持搭载全球定位模块，实时定位上传危化品车辆位置数据。 2、车情监测：网关可统一采集车速、油量、行驶里程等数据，并4g无线上传至企业车辆管理平台，帮助企业感知每一辆运输车的车辆情况，及时做好车辆加油、维护，提高运营可靠性。 3、行车监控采集：危化品运输车同样需要搭载摄像头记录行驶情况。
41420编辑于 2023-02-08 - 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 nx.draw_networkx_edge_labels(G, pos, edge_labels=edge_label_path, font_color='red', font_size=10) plt.title("城市运输图及最优路径 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
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. （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。 06：表格2.png 07：表格3.png 08：表格4.png 当然不同的企业规模、不同的行业属性、不同的业务侧重，都会影响到运输系统产品规划的方向。
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} \ 4 4 12 -4 −4 12 4 4 7 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
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