为解决大规模突发灾害给人民带来的生理与心理痛楚问题,考虑模糊需求情景下灾区道路受损、物资相对短缺、灾区需求紧迫度差异等因素,同时考虑灾民有限理性下物资竞争心理,运用前景理论刻画灾民对物资分配、运抵时间的综合感知,以灾区运...为解决大规模突发灾害给人民带来的生理与心理痛楚问题,考虑模糊需求情景下灾区道路受损、物资相对短缺、灾区需求紧迫度差异等因素,同时考虑灾民有限理性下物资竞争心理,运用前景理论刻画灾民对物资分配、运抵时间的综合感知,以灾区运输时间感知满意度最大、物资分配感知损失最小、运输成本最小为目标构建应急物资调度多目标优化模型,设计改进灰狼优化算法(Grey Wolf Optimizer,GWO)求解,引入混沌反向学习、差分进化、非线性收敛等策略实现对GWO算法的改进,并以2008年四川地震案例数据展开分析验证,依据模糊逻辑加权法选择合适的应急调度方案。研究表明,该模型可合理衡量有限理性下灾民综合感知,改进算法能够得出更加公平高效的调度方案,有效解决了灾后模糊需求情景下应急物资调度问题。展开更多
文摘为解决大规模突发灾害给人民带来的生理与心理痛楚问题,考虑模糊需求情景下灾区道路受损、物资相对短缺、灾区需求紧迫度差异等因素,同时考虑灾民有限理性下物资竞争心理,运用前景理论刻画灾民对物资分配、运抵时间的综合感知,以灾区运输时间感知满意度最大、物资分配感知损失最小、运输成本最小为目标构建应急物资调度多目标优化模型,设计改进灰狼优化算法(Grey Wolf Optimizer,GWO)求解,引入混沌反向学习、差分进化、非线性收敛等策略实现对GWO算法的改进,并以2008年四川地震案例数据展开分析验证,依据模糊逻辑加权法选择合适的应急调度方案。研究表明,该模型可合理衡量有限理性下灾民综合感知,改进算法能够得出更加公平高效的调度方案,有效解决了灾后模糊需求情景下应急物资调度问题。
文摘针对不平衡数据集中少数类样本分类识别率较低的问题,提出一种基于代价敏感卷积神经网络(cost sensitive convolutional neural network,CSCNN)和AdaBoost的分类算法(classification algorithm based on cost sensitive convolutional neural network and AdaBoost,AdaBoost-CSCNN)。设置特定的代价敏感指标来协同卷积神经网络的交叉熵损失函数,从而构建CSCNN。在训练过程中,借助代价赋权机制降低少数类样本关键特征属性的损失度,实现单个CSCNN作为基分类器在AdaBoost中的分类效果。为验证算法的有效性,使用Accuracy、Recall、F1值和AUC这4个评价指标在9个具有不同不平衡率的数据集上开展实验。结果表明,AdaBoost-CSCNN算法处理不平衡数据集分类问题有较好的显示度。
