三支决策将不确定样本划分至边界域进行延迟决策,但需基于损失函数确定阈值,以划分边界域,然而,损失函数通常需要先验知识,具有一定的主观性,因此对边界域划分能力不足。针对这种问题,构建一种多目标三支决策边界域求解方法,从而更好地...三支决策将不确定样本划分至边界域进行延迟决策,但需基于损失函数确定阈值,以划分边界域,然而,损失函数通常需要先验知识,具有一定的主观性,因此对边界域划分能力不足。针对这种问题,构建一种多目标三支决策边界域求解方法,从而更好地划分边界域,提升分类性能。采用贝叶斯规则获取样本的条件概率;设定3个目标,包括降低边界域的不确定性、缩小边界域的大小以及减小整个决策区域的错误分类率,通过融入熵权法的TOPSIS(technique for order preference by similarity to an ideal solution)方法求取最优阈值,该方法采用熵权法计算这3个目标所占的权重,得到最优阈值,获得边界域,进行延迟决策;结合不同分类器对边界域进行分类。通过UCI数据集进行对比实验,根据分类准确率和F1值,表明该方法学习到的阈值能合理地划分边界域,建立的模型能取得更好的分类性能。展开更多
[目的/意义]为解决当前作物管理中个性化需求难以捕捉、决策过程缺乏灵活性难题,本研究提出了一种基于大语言模型的个性化作物生产智能决策方法[方法]通过自然语言对话收集用户在蔬菜作物管理过程中的个性化需求,涵盖产量、人力资源消...[目的/意义]为解决当前作物管理中个性化需求难以捕捉、决策过程缺乏灵活性难题,本研究提出了一种基于大语言模型的个性化作物生产智能决策方法[方法]通过自然语言对话收集用户在蔬菜作物管理过程中的个性化需求,涵盖产量、人力资源消耗和水肥消耗等方面。随后,将作物管理过程建模为多目标优化问题,同时考虑用户个性化偏好和作物产量,并采用强化学习算法来学习作物管理策略。水肥管理策略的训练通过与环境的交互持续更新,学习在不同条件下采取何种行动以实现最优决策,从而实现个性化的作物管理。[结果和讨论]在gym-DSSAT(Gym-Decision Support System for Agrotechnology Transfer)仿真平台上进行的实验,结果表明,所提出的个性化作物生产智能决策方法能够有效地根据用户的个性化偏好调整作物管理策略。[结论]通过精准捕捉用户的个性化需求,该方法在保证作物产量的同时,优化了人力资源与水肥资源的消耗。展开更多
随着电动汽车(electric vehicle,EV)和第五代移动网络技术(5th generation mobile communication technology,5G)基站规模的不断增长,聚合商作为一种能够将众多EV和5G基站聚合起来的主体,在电力市场进行投标决策时会面临多重不确定因素...随着电动汽车(electric vehicle,EV)和第五代移动网络技术(5th generation mobile communication technology,5G)基站规模的不断增长,聚合商作为一种能够将众多EV和5G基站聚合起来的主体,在电力市场进行投标决策时会面临多重不确定因素。为应对市场电价和调频信号的不确定性以及EV和基站储能的时序响应能力可能存在互补性的问题,提出了一种基于目标鲁棒的EV和基站储能联合参与电力市场的决策方法。基于EV和基站储能单体模型建立了聚合商的聚合模型;计及市场电价和调频信号的不确定性,构建了聚合商参与电力市场的目标鲁棒优化模型;通过算例验证了所提模型相于传统不确定性优化模型的优越性,以及EV和基站储能联合参与电力市场可显著提高聚合商的收益。所提策略可为聚合商的投标决策提供参考,聚合商可利用所提模型合理地平衡决策行为的经济性和鲁棒性。展开更多
文摘三支决策将不确定样本划分至边界域进行延迟决策,但需基于损失函数确定阈值,以划分边界域,然而,损失函数通常需要先验知识,具有一定的主观性,因此对边界域划分能力不足。针对这种问题,构建一种多目标三支决策边界域求解方法,从而更好地划分边界域,提升分类性能。采用贝叶斯规则获取样本的条件概率;设定3个目标,包括降低边界域的不确定性、缩小边界域的大小以及减小整个决策区域的错误分类率,通过融入熵权法的TOPSIS(technique for order preference by similarity to an ideal solution)方法求取最优阈值,该方法采用熵权法计算这3个目标所占的权重,得到最优阈值,获得边界域,进行延迟决策;结合不同分类器对边界域进行分类。通过UCI数据集进行对比实验,根据分类准确率和F1值,表明该方法学习到的阈值能合理地划分边界域,建立的模型能取得更好的分类性能。
文摘[目的/意义]为解决当前作物管理中个性化需求难以捕捉、决策过程缺乏灵活性难题,本研究提出了一种基于大语言模型的个性化作物生产智能决策方法[方法]通过自然语言对话收集用户在蔬菜作物管理过程中的个性化需求,涵盖产量、人力资源消耗和水肥消耗等方面。随后,将作物管理过程建模为多目标优化问题,同时考虑用户个性化偏好和作物产量,并采用强化学习算法来学习作物管理策略。水肥管理策略的训练通过与环境的交互持续更新,学习在不同条件下采取何种行动以实现最优决策,从而实现个性化的作物管理。[结果和讨论]在gym-DSSAT(Gym-Decision Support System for Agrotechnology Transfer)仿真平台上进行的实验,结果表明,所提出的个性化作物生产智能决策方法能够有效地根据用户的个性化偏好调整作物管理策略。[结论]通过精准捕捉用户的个性化需求,该方法在保证作物产量的同时,优化了人力资源与水肥资源的消耗。
文摘随着电动汽车(electric vehicle,EV)和第五代移动网络技术(5th generation mobile communication technology,5G)基站规模的不断增长,聚合商作为一种能够将众多EV和5G基站聚合起来的主体,在电力市场进行投标决策时会面临多重不确定因素。为应对市场电价和调频信号的不确定性以及EV和基站储能的时序响应能力可能存在互补性的问题,提出了一种基于目标鲁棒的EV和基站储能联合参与电力市场的决策方法。基于EV和基站储能单体模型建立了聚合商的聚合模型;计及市场电价和调频信号的不确定性,构建了聚合商参与电力市场的目标鲁棒优化模型;通过算例验证了所提模型相于传统不确定性优化模型的优越性,以及EV和基站储能联合参与电力市场可显著提高聚合商的收益。所提策略可为聚合商的投标决策提供参考,聚合商可利用所提模型合理地平衡决策行为的经济性和鲁棒性。
