多属性决策的TOPSIS算法。
其中leibie.mat可修改各个属性效益型or成本型，效益型即为1，成本型即为-1。
shuxing.mat可修改各个方案的评价值。
最终输出的index为最终的排名结果。
其中leibie.mat可修改各个属性效益型or成本型，效益型即为1，成本型即为-1。
shuxing.mat可修改各个方案的评价值。
最终输出的index为最终的排名结果。
2024/9/27 20:07:24
972B
1
为了提供满足客户需求的组合Web服务,将Web服务的属性分为功能属性和非功能属性(即服务质量QoS属性).通过服务类对功能属性进行划分,并按照服务类以QoS属性的组合类型方式进行服务组合.提出了将基于QoS的服务选择转换成有限方案的多目标决策问题,同时给出选择组合服务的最优执行计划的规划算法.实验表明此方法既利用了现有工作流技术的成果,又具有动态绑定和QoS支持.
2024/9/16 15:19:23
976KB
1
决策树ID3算法matlab源代码片段function[TreeRulesMatrix]=DecisionTree(DataSet,AttributName)%输入为训练集，为离散后的数字，如记录1：11321；
%前面为属性列，最后一列为类标ifnargin＜1error('请输入数据集');elseifisstr(DataSet)[DataSetAttributValue]=readdata2(DataSet);elseAttributValue=[];end
%前面为属性列，最后一列为类标ifnargin＜1error('请输入数据集');elseifisstr(DataSet)[DataSetAttributValue]=readdata2(DataSet);elseAttributValue=[];end
2024/9/13 9:14:03
44KB
1
在实验中，实验和戡测常常会产生大量的数据。
为了解释这些数据或者根据这些数据做出预测、判断，给决策者提供重要的依据。
需要对测量数据进行拟合，寻找一个反映数据变化规律的函数。
数据拟合方法与数据插值方法不同，它所处理的数据量大而且不能保证每一个数据没有误差，所以要求一个函数严格通过每一个数据点是不合理的。
数据拟合方法求拟合函数，插值方法求插值函数。
为了解释这些数据或者根据这些数据做出预测、判断，给决策者提供重要的依据。
需要对测量数据进行拟合，寻找一个反映数据变化规律的函数。
数据拟合方法与数据插值方法不同，它所处理的数据量大而且不能保证每一个数据没有误差，所以要求一个函数严格通过每一个数据点是不合理的。
数据拟合方法求拟合函数，插值方法求插值函数。
2024/9/11 15:03:03
105KB
1
自动驾驶车辆的本质是轮式移动机器人，是一个集模式识别、环境感知、规划决策和智能控制等功能于一体的综合系统。
人工智能和机器学习领域的进步极大推动了自动驾驶技术的发展。
当前主流的机器学习方法分为：监督学习、非监督学习和强化学习3种。
强化学习方法更适用于复杂交通场景下自动驾驶系统决策和控制的智能处理，有利于提高自动驾驶的舒适性和安全性。
人工智能和机器学习领域的进步极大推动了自动驾驶技术的发展。
当前主流的机器学习方法分为：监督学习、非监督学习和强化学习3种。
强化学习方法更适用于复杂交通场景下自动驾驶系统决策和控制的智能处理，有利于提高自动驾驶的舒适性和安全性。
2024/9/10 5:12:16
1.67MB
1
adaboost演示demo（基于Matlab，学习算法包括决策树、神经网络、线性回归、在线贝叶斯分类器等），动态GUI显示学习过程、vote过程等
2024/9/6 2:43:42
13KB
1
TPC-H工具包针对数据库不同的使用场景TPC组织发布了多项测试标准。
TPC-H是决策支持的基准测试。
它由一套面向业务的即席查询和并发数据修改组成。
这些查询和填充数据库的数据具有广泛的行业相关性。
TPC-H是决策支持的基准测试。
它由一套面向业务的即席查询和并发数据修改组成。
这些查询和填充数据库的数据具有广泛的行业相关性。
2024/8/29 9:40:05
19.71MB
1
通过将任务从资源匮乏的移动设备卸载到资源丰富的云，计算卸载已成为一种扩展移动设备功能的有效方法。
在本文中，我们研究了在具有多个移动设备用户的情况下无线计算分流的能量和时间优化问题。
首先，针对以能量最小化为目标的情况，我们将多个移动设备用户之间的计算卸载决策问题公式化为具有随机访问权限的计算卸载游戏。
我们分析了游戏的结构特性，然后设计了一种算法，通过利用其有限的改进特性来实现纳什均衡。
其次，对于以时间最小化为目标的情况，我们导出了要为每个移动用户分担的任务的最佳部分。
数值结果验证了我们的理论分析。
在本文中，我们研究了在具有多个移动设备用户的情况下无线计算分流的能量和时间优化问题。
首先，针对以能量最小化为目标的情况，我们将多个移动设备用户之间的计算卸载决策问题公式化为具有随机访问权限的计算卸载游戏。
我们分析了游戏的结构特性，然后设计了一种算法，通过利用其有限的改进特性来实现纳什均衡。
其次，对于以时间最小化为目标的情况，我们导出了要为每个移动用户分担的任务的最佳部分。
数值结果验证了我们的理论分析。
2024/8/28 4:50:10
172KB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB