- 综合排序
- 最热优先
- 最新优先
基于运营工况的重型卡车保养周期动态优化模型
本文提出一种基于运营工况的重型卡车保养周期动态优化模型，以发动机累计功、燃油消耗量、机油衰减指数、工况特征等多维参数为核心决策依据。 三、动态优化模型：给发动机装上“可穿戴健康监测”2023年2月，潍柴动力股份有限公司公开了一项发明专利——“发动机机油更换周期预测方法及车辆”（专利号CN115795270B）。 +每5000公里油样抽检测试组执行力猛动态保养模型，换油时机完全由算法决策，不做人为干预。 铁磨损浓度：测试组换油终点均值68ppm，对照组A为92ppm，动态模型使机油在高里程段仍保持更低的磨损颗粒浓度总碱值剩余：测试组换油终点均值5.8mgKOH/g，对照组A为4.2mgKOH/g，动态模型避免了 5.4验证层：反向优化模型每一台按动态模型保养的车辆，其换油周期的油液检测数据、发动机后续运行状态、故障记录都会回传至算法中心，持续迭代工况权重系数。
12010编辑于 2026-02-12- 来自专栏互联网大杂烩
最优化模型数据挖掘之优化模型
数据挖掘之优化模型 1.1数学规划模型 线性规划、整数线性规划、非线性规划、多目标规划、动态规划。 ---- 1.2微分方程组模型 阻滞增长模型、SARS传播模型。 ---- 1.3图论与网络优化问题 最短路径问题、网络最大流问题、最小费用最大流问题、最小生成树问题(MST)、旅行商问题(TSP)、图的着色问题。 ---- 1.4概率模型 决策模型、随机存储模型、随机人口模型、报童问题、Markov链模型。 ---- 1.5组合优化经典问题 多维背包问题(MKP) 背包问题：n个物品，对物品i，体积为iw，背包容量为W。如何将尽可能多的物品装入背包。 解决这一类经典组合优化问题的方法有： 穷举法，贪心法，动态规划法，分支限界法，回溯法等传统算法以及一些智能算法如蚁群算法和遗传算法。
1.4K20发布于 2018-08-22 - 来自专栏喔家ArchiSelf
性能优化之动态加载
动态加载机制运用动态链 接的原理使得系统具有动态的加载和动态解析的能力，模块只有在被调用执行时才被链接，进入系统执行。 为此，创建一个动态路径的加载应用会极大方便编码，提升开发效率。 用户首先访问入口页面视图，视图请求控制器，控制器响应特定行为，获取相应模型数据，而后将处理结果反馈到视图中呈现给用户。 为实现控制器类中方法能调用不同视图和模型，需要在实例化类对象之前，加载类的定义，即要完成对不同存储位置下类的引用。为优化代码的性能，节省无谓的精力消耗，应用类自动加载方案。 $class_name.".class.php"; } 作为是一种网页优化技术，动态加载可以在网页加载时延迟加载不必要的资源，以提高页面的加载速度和性能。 如何对软件系统进行全方位的优化是一个系统工程，如果您希望成为一个对系统性能有追求的工程师，我们最近出版的《性能之道》一书可能会给您带来实际的帮助和较大的启发。
92110编辑于 2025-01-20 - 来自专栏量化小白上分记
动态情景Alpha模型
01 WHY DCA 传统的多因子模型是在一个特定域内对所有股票一视同仁的打分，市值行业中性化后排序打分。 如果发现存在因子在某些变量分组下，显著的不一样，就可以用前文最大化IR的方法来优化。 这里还可以做的一点是单个情景内的权重能否再优化，这个也是参考研报，比如说都是按照SIZE分组，两只股票都在高SIZE组，但一个在上沿，一个在下沿的话，这两个股票肯定是有差异的，所以也可以根据情景来对股票打分 实证就略过了，感兴趣的童鞋可以自己尝试下 参考文献 [1]动态情景Alpha模型再思考——因子选股系列研究之十九 [2]动态情景多因子Alpha模型——因子选股系列研究之八 [3]量化多因子系列（2） ：非线性假设下的情景分析因子模型
1.1K40编辑于 2023-04-03 - 来自专栏FunTester
动态模型之动态增减【FunTester测试框架】
思路 首先要抛弃原有的模型结构，将每个多线程任务都当做一个可管理对象，需要有一个中断方法，然后有一个全局的运行状态的管理类，包含一些基础添加，删除，终止单个多线程任务的能力。 首先对多线程任务基础类进行改造，我重新写了一个com.funtester.base.constaint.ThreadBase的子类com.funtester.base.constaint.FunThread，专门用于创建动态模型任务 } } /** * 运行待测方法的之前的准备 */ public void before() { } /** * 动态模型正常不会结束 * @return */ @Override public abstract FunThread clone(); /** * 线程终止,用于动态调节并发压力 import java.util.ArrayList; import java.util.List; import java.util.concurrent.ExecutorService; /** * 动态压测模型的启动类
55220发布于 2021-11-19 - 来自专栏小工匠聊架构
Oracle优化07-分析及动态采样-动态采样
---- 07系列文章 Oracle优化07-分析及动态采样-直方图 Oracle优化07-分析及动态采样-DBMS_STATS 包 Oracle优化07-分析及动态采样-动态采样 ---- 动态采样Dynamic_sampling 动态采样（ Dynamic Sampling）技术的最初提出是在 Oracle 9i R2，在段（表，索引，分区）没有分析的情况下，为了使 CBO 优化器得到足够的信息以保证做出正确的执行计划而发明的一种技术 ---- 动态采样的级别 Level 0 不做动态分析 ---- Level 1 Oracle 对没有分析的表进行动态采样，但需要同时满足以下 4 个条件。 ---- 什么时候使用动态采样 动态采样也需要额外的消耗数据库资源，所以，如果 SQL 被反复执行，变量被绑定，硬分析很少，在这样一个环境中，是不宜使用动态采样的，就像 OLTP系统。 动态采样发生在硬分析时，如果很少有硬分析发生，动态采样的意义就不大.
70420发布于 2021-08-16 - 来自专栏HAUE_LYS'Blog
动态规划专题——背包模型
选择物品i } } cout << dp[n][m] << endl; } int main(){ solve(); return 0; } 优化 - 1][j - v[i]] 初始化：dp[0][0] = 1，j = 0时不选即为一种方案 集合属性为集合的个数，取两种方案之和：dp[i][j] += dp[i - 1][j - v[i]] 优化 即dp[i][j] = max(dp[i - 1][j], dp[i][j - v[i]] + w[i])，与k取值无关 由此k层循环可以被优化掉 进一步优化，发现更新方式同01背包： 01背包：dp 1][j - v[i]] + w[i]) 完全背包：dp[i][j] = max(dp[i][j],dp[i][j - v[i]] + w[i]) 即可将dp[i][j]的第一维按01背包的思想将其优化 使用无限次的按照背包的最大空间调整使用次数，再用二进制优化捆绑 代码 #include <bits/stdc++.h> using namespace std; const int N = 1e7
1.3K10编辑于 2022-09-19 - 来自专栏人工智能与演化计算成长与进阶
动态多目标优化研究综述
本文对动态多目标优化的研究进行了比较 全面的综述，具体内容包括：（1）本文介绍了动态多目标优化的相关理论背景；（2）本文介绍了动态多目标优化问题的分类 并对现有的测试函数进行归纳总结；（3）在对动态多目标优化问题的一般解决方案作简单分析的基础上本文详细讨论了动态 多目标优化算法的研究现状；（4）本文还对动态多目标优化算法的性能评价指标进行了归类介绍；（5）本文通过实验对比了 主流动态多目标优化算法的性能；（6）本文总结了动态多目标优化算法的一些实际应用案例；（ 近年来，越来越多的学者开始关注动态多目标 优化问题的研究，这是因为动态多目标优化具有重 要的理论研究价值，并且动态多目标优化在现实生 活和工业生产的许多方面都具有非常广泛的应用 前景，下面简单地列举几个动态多目标优化算法的 本文主要介绍了动态多目标优化的相关理论 背景及动态多目标优化问题的分类、动态多目标优 化算法的研究现状以及性能评价指标、主流动态多 目标优化算法的性能对比及动态多目标优化算法 的实际应用案例，在以上内容的基础上本文总结了 作者 仅测试了算法在FDA1上的性能，也证明了在FDA1 上预测是有效的，但是作者也表明可以采用其它的 预测模型来解决复杂的优化问题，比如人工神经网 络，贝叶斯模型等，并且可以研究不同的预测模型 所适合的问题类型
3.8K40发布于 2021-06-09 - 来自专栏FunTester
动态模型中嵌入静态模型实践
在之前的动态模型之动态增减【FunTester测试框架】中分享了动态的性能测试模型的实现，后面在实际工作中也是受益匪浅，有文为证动态压测模型让工作更轻松。 相对一段时间来说只有一些简单的功能： 设置步长 增减步长 终止测试 很长一段时间内都够用了，但是随着测试的深入，可能需要执行更多动态用例，如果靠人力一个个输入会比较麻烦。 这个时候我又想起来了静态模型的好处来。就是过程不需要中途干预，可以按照预定的测试计划执行。 那么问题来了，如何才能将动态模型和静态模型结合在一起呢？ 经过权衡，还是将静态的模型融入动态模型比较方便，毕竟还是先启动再说，后续过程随意设置参数调整压力比较方便。 思路 非常简单，就是在异步线程中增加对命令的支持即可。 这里我以动态QPS模型为案例，修改异步控制器。
36920编辑于 2022-12-09 - 来自专栏AI工程落地
Mxnet模型性能优化
导语：模型优化有很多方法，比如模型压缩、模型剪纸、转tensorrt等。本文讨论mxnet模型tesorrt优化，主要解决动态batch、Op不支持问题。 1. 3.1 支持动态batch mxnet没有dynamic_axes可以配置，此时转好的模型batch固定为1。 ONNX中对shape的处理，可以为text，所以我们可以直接修改onnx模型去支持动态batch。 ： [不支持动态batch] 修改后模型结构： [支持动态batch] 3.2 PRelu参数修改 报错如下： [TensorRT] ERROR: relu0_1: slope tensor must ： [旧slope模型结构] 修改后模型结构： [新slope模型结构] 4. onnx简化 from onnxsim import simplify model_onnx = onnx.load(onnx_path
71020编辑于 2022-02-25 - 来自专栏AI人工智能
深度学习模型优化
来源商业新知网，原标题：如何优化深度学习模型 看过了各式各样的教程之后，你现在已经了解了神经网络的工作原理，并且也搭建了猫狗识别器。你尝试做了了一个不错的字符级RNN。 如果学习率太小，模型将花费太长时间来收敛，如上所述。 动量 由于本文侧重于超参数优化，我不打算解释动量的概念。但简而言之，动量常数可以被认为是在损失函数表面滚动的球的质量。 球越重，下落越快。 但是，如果你愿意花费时间和精力，那么通过使用贝叶斯优化，你的模型效果将大大提升。 贝叶斯优化 与我们迄今为止看到的其他方法不同，贝叶斯优化使用了算法的先前迭代的知识。 本质上，左侧表示将超参数映射到模型的度量的真实函数（如验证准确性，对数似然，测试错误率等）的概率为Fn(X)，给定一些样本数据Xn等于右侧的式子。 现在我们有了优化函数，就开始进行优化吧。 一旦找到最佳模型，Nanonets就会把它放在云端，以便你使用其Web界面测试模型，或使用两行代码将其集成到你的程序中。 跟不完美模型说拜拜吧。 结论 在本文中，我们讨论了超参数和一些优化它们的方法。
79920发布于 2019-05-06 - 来自专栏Python与算法之美
10，模型的优化
搜索超参数空间以优化超参数需要明确以下方面： 估计器 超参数空间 交叉验证方案 打分函数 搜寻或采样方法（网格搜索法或随机搜索法） 优化模型的常见方法包括 网格搜索法，随机搜索法，模型特定交叉验证， 信息准则优化。 三， 模型特定交叉验证 一些特定的模型，sklearn构建了一些内部含有交叉验证优化机制的估计器。 它们主要是在linear_model模块。 四， 信息准则优化 模型选择主要由两个思路。 解释性框架：好的模型应该是最能解释现有数据的模型。可以用似然函数来度量模型对数据集描述能力。 预测性框架：好的模型应该是最能预测结果的模型。 其中L为似然函数，k为模型参数个数，n为样本数量。 linear_model.LassoLarsIC 采用了信息准则进行优化。
77421发布于 2020-07-17 - 来自专栏量化投资与机器学习
投资组合优化模型
投资组合优化方面的文献已经有数十年的历史了。在今天的推文，我们将介绍一些传统的投资组合优化模型。总体目标是从考虑的所有可能的具有定义的目标功能的投资组合中选择资产的投资组合。 2 比较投资组合优化 全局最小方差投资组合 全局最小方差投资组合 ? 是一种资产组合，它为我们提供尽可能低的收益方差或投资组合波动性。 我们的目标是希望从模型中找到最佳权重，从而使我们的风险最小化。 下面的问题包括我们的Minimisation问题 ? quad_form函数采用 ? 我们可以使用R中的Disciplined Convex Programming(CVXR)包，其中: 分析问题 检验凸性 将问题转化为规范形式 解决问题 我们希望从模型中找到最佳权重，以使我们的风险最小化 4 结果分析 有8种不同的投资组合优化模型。将所有数据汇总在一起，可以更快速地检查结果。 ? ? ? 从图中可以看出，全局最小方差投资组合显示出投资组合收益的最低波动性。
2.2K21发布于 2020-02-20 - 来自专栏CVer
旷视揭秘大模型训练神器！看 MegEngine 如何实现动态图显存优化
本篇文章将从工程实现的角度重点介绍在 MegEngine 中如何使用 DTR 技术对动态图显存进行优化的。 ? 二 动态图显存优化与 DTR 策略 2.1 动态图显存优化 对于动态图的显存优化，相比静态图，最明显的变化是，动态图无法提前获得全局的计算图信息。 下面是 MegEngine 框架上开启不同显存优化的训练耗时对比，baseline 是在动态图模式下不加任何显存优化运行的结果。 对于这种网络，在动态图里实现会比较自然。因此，这里只取了动态图 DTR 优化的结果与 Baseline 比较。 更宏观地，我们希望抽象出一套同时适用于静态图和动态图的显存优化策略，如下图所示： ?
1.3K40发布于 2021-06-09 动态张量运算自动优化技术突破
动态张量运算的自动优化深度学习模型核心依赖于张量运算——矩阵的高维扩展版本，这些运算可能重复数万次。 尽管速度大幅提升，DietCode还改善了生成代码的性能：相比先前自动调度器提升最高达70%，相比现有张量运算库中手动优化代码提升最高达19%。这有望加速客户的动态形状机器学习工作负载。 动态工作负载处理任意长度文本字符串的NLP模型是动态设计模型的典型代表，允许可变尺寸输入。但其他应用也需要动态工作负载，例如神经架构搜索通过不同形状组件构建深度学习架构，这需要操作不同形状张量。 某些模型（如BERT语言模型）在网络不同层应用相同操作，这些层具有不同数量的节点。微内核技术自动调度器通常依赖计算内核——程序模板能极大加速不同候选优化的评估速度。 获得优化的微内核后，训练高效决策树模型将工作负载形状映射到微内核。该决策树被集成到执行张量操作的二进制文件中，将任意形状的输入路由到适当的微内核进行处理。关于实验结果和更多细节，请参阅相关论文。
15210编辑于 2025-08-25- 来自专栏Java后台
hive 查询优化之动态分区详解
所以需要对 hive 查询性能进行优化，在查询相关资料发现 hive 查询优化有如下几种方式： 使用分区表( use partition table ); 连接优化( join table ); 排序优化 针对以上几种性能优化方法，分析目前业务数据特点，决定使用分区表来提高查询性能，具体如何操作，下面详细解答。 但是这样的分区表我不能每天手动将数据导入到指定的分区，这样的操作影响效率，所以我们就需要使用到 hive 的“动态分区( dynamic partition )”。 我们的方案是先创建源数据外部表，然后采用动态分区方式从源数据表导入数据到新的分区表，和上述操作的主要区别在于：我们在数据导入的操作中不指定分区值，而是根据数据中的 create_time 自动导入到相应分区 当然，后续肯定还有优化的空间，下一篇将使用查询引擎进行查询优化。
3.5K30发布于 2019-12-12 - 来自专栏机器学习之旅
动态最优化经典面试题
best_floor 结果： In [74]:print(f(100, 2)) 14 这边f(200,2)实在没跑出来，时间太久了，所以跑了100，2的结果，迭代次数超多，具体我没有算过，建议优化一下计算的代码再执行
38320发布于 2018-08-27 - 来自专栏音视频技术
动态优化器—一种感知视频编码优化框架
基线则是最好的fixed-QP编码;在这种情况下，动态优化器将比特率平均降低了30％。 这个完整的系统被称为“动态优化器”，该框架产生了Netflix最新一代的编码。 在这个比较中，由于为整个序列获得固定QP编码的凸包，需要与动态优化器相同的复杂性，所以基线和动态优化器结果之间的计算复杂度保持不变。 因此，这代表了动态优化器带来的改进量的下限。 尽管如此，需要记住的是动态优化器解决方案的计算复杂度也非常高。 其他视频编解码器有多好？ 根据前面介绍的内容，可立即明白动态优化器框架中并没有特殊的编解码器。 使用不同的视频编解码器和质量度量，相对于固定QP / CRF编码，动态优化器提高了BD-rate。 可以看到，动态优化器将这三种编解码器的编码效果均提高了大约28-38％。 动态优化器总结 动态优化器是对视频编码的优化框架。
1.3K20发布于 2021-09-02 - 来自专栏饶文津的专栏
【BZOJ 1701】Cow School（斜率优化动态凸包分治优化）
题解 基础思路 法1 平衡树维护动态凸包 法2 普通维护凸包 法3 分治dp 由于决策单调，计算?[?],?[?]f[j],g[j]时还可以分治计算。 代码 //平衡树动态维护凸包 #include <bits/stdc++.h> using namespace std; #define mem(a,b) memset(a,b,sizeof(a)) # if(g[i]>f[i]) ans[cnt++]=i; } cout<<cnt<<endl; rep(i,0,cnt)cout<<ans[i]<<endl; return 0; } //分治优化
1.2K20发布于 2020-06-02 - 来自专栏拓端tecdat
经济学：动态模型平均(DMA)、动态模型选择(DMS)预测原油时间序列价格
简要地提供了在经济学中使用模型平均和贝叶斯方法的论据，使用了动态模型平均法（DMA），并与ARIMA、TVP等方法进行比较。希望对经济和金融领域的从业人员和研究人员有用。 特别是，动态模型平均化（DMA）、动态模型选择（DMS）、中位概率模型。 动态模型平均（DMA） DMA在[1]的原始论文中得到了非常详细的介绍。 动态模型选择(DMS) 动态模型选择（DMS）是基于相同的理念，与DMA的理念相同。唯一的区别是，在DMA中进行的是模型平均化，而在DMS中是模型选择。 换句话说，模型的选择会比模型的平均数更有优势。这可以通过分析DMS和中位概率模型来检查。然而，从图5可以看出，没有一个模型的后验概率超过0.5。 [CrossRef] ---- 本文摘选《R语言经济学：动态模型平均(DMA)、动态模型选择(DMS)预测原油时间序列价格》
1.6K30编辑于 2022-03-05
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