-
公开(公告)号:CN104317831A
公开(公告)日:2015-01-28
申请号:CN201410529714.1
申请日:2014-10-09
Applicant: 东南大学
CPC classification number: G06Q50/01
Abstract: 本发明公开一种在线社交网络中基于用户行为演化的福利精准投放技术,包括以下步骤:定义在线社交网络服务中所有用户的决策信息和评估信息;然后构建在线社交网络服务的用户行为演化模型;获取用户社交网络结构和有限的福利资源数目以及福利投放的时间;计算说服非本在线社交网络服务用户采用本在线社交网络服务所需要投放的福利资源大小;计算非本在线社交网络服务用户采用本在线社交网络服务所能产生的潜在价值;将用户的潜在价值进行排序,由高到低选择用户进行福利投放。本发明考虑了用户的行为演化特点,避免以往的影响最大化决策仅仅激活节点状态,忽略行为演化过程的局限性。
-
公开(公告)号:CN101719083B
公开(公告)日:2013-02-27
申请号:CN200910263289.5
申请日:2009-12-18
Applicant: 东南大学
IPC: G06F9/50
Abstract: 本发明公布了一种结构化网构软件系统中任务执行的资源缓存方法,本发明每当一个软件Agent执行一次任务,Agent调用所需的资源,并且采用以下方法对调用的资源进行缓存:在调用的资源中,如果调用的是原始资源,那么就产生一个该资源的副本,该资源副本向调用的Agent移动一步;如果调用的是资源副本,那么就直接将该副本向这个Agent移动一步。因此,当以后该Agent执行任务需要调用该资源时,就会比调用原始资源更能节省时间,故而提高任务执行的效率。本发明方法避免了Agent每次执行任务时都需要直接访问资源造成的时间浪费,提高了系统的性能和效率。
-
公开(公告)号:CN101719083A
公开(公告)日:2010-06-02
申请号:CN200910263289.5
申请日:2009-12-18
Applicant: 东南大学
IPC: G06F9/50
Abstract: 本发明公布了一种结构化网构软件系统中任务执行的资源缓存方法,本发明每当一个软件Agent执行一次任务,Agent调用所需的资源,并且采用以下方法对调用的资源进行缓存:在调用的资源中,如果调用的是原始资源,那么就产生一个该资源的副本,该资源副本向调用的Agent移动一步;如果调用的是资源副本,那么就直接将该副本向这个Agent移动一步。因此,当以后该Agent执行任务需要调用该资源时,就会比调用原始资源更能节省时间,故而提高任务执行的效率。本发明方法避免了Agent每次执行任务时都需要直接访问资源造成的时间浪费,提高了系统的性能和效率。
-
公开(公告)号:CN119886272A
公开(公告)日:2025-04-25
申请号:CN202510067613.5
申请日:2025-01-16
IPC: G06N3/092 , G06N3/096 , G06N3/045 , G06N3/0464 , G06F18/22
Abstract: 本发明公开了一种针对高动态决策场景智能体探索的强化学习系统及方法,包括正演员‑评论家模型、负演员‑评论家模型、演员‑评论家模型、策略相似度模型和策略动作选择模型,通过使用正向策略和负向策略指导主策略的学习,同时最小化主策略与正向策略的接近程度和最大化主策略与负向策略的接近程度,让主策略以高概率产生高价值动作,低概率产生低价值动作,提升方法的整体性能;同时,在训练过程中通过策略动作选择模型以概率形式选择执行主策略动作、正向策略动作、负向策略动作,增加动作选择的多样性,间接提高探索环境的多样性,最终实现性能提升。
-
公开(公告)号:CN119647037A
公开(公告)日:2025-03-18
申请号:CN202411785231.8
申请日:2024-12-06
Abstract: 本发明公开了一种针对多重网络化工业软件的关键组件识别方法及系统,首先计算各网络层上所有组件的影响半径,对每个组件计算基于动态影响范围的重要程度#imgabs0#再使用余弦相似性算法计算各组件在不同关系网络层上的多重特征向量之间的相似度#imgabs1#使用隐变量模型计算不同组件之间在不同关系网络层上的关联强度#imgabs2#再计算各网络层Gα的重要度LIα;最后基于动态影响范围的重要程度#imgabs3#不同组件间的关联强度#imgabs4#网络层Gα的重要程度LIα构造重力中心性模型,计算各组件的重要程度。并根据重要程度值排序,从而识别出多重网络化工业软件系统上的关键组件。本发明方法高效可靠,增强了多重网络化工业软件系统上关键组件的识别能力。
-
公开(公告)号:CN118966647A
公开(公告)日:2024-11-15
申请号:CN202411005425.1
申请日:2024-07-25
Applicant: 东南大学
IPC: G06Q10/0631 , G06N5/04 , G06N3/042 , G06N3/092 , G06N3/044
Abstract: 本发明提出了一种针对高动态博弈场景中无人机群体的辅助任务截止时间特性的任务分配方法。该方法旨在解决辅助任务超时消失对系统稳定性的影响。辅助任务在截止时间前完成可加速其他任务的完成。在高动态博弈场景下,辅助任务的作用范围并不确定,辅助任务之间的级联扩散影响也不确定,增大了问题的复杂度。本发明首先对任务进行时间编码,生成特征向量;然后计算任务截止优先级并更新智能体特征;最后应用多智能体系统决策学习进行任务分配。与现有方法相比,本发明通过时间编码和截止优先级的计算,结合注意力机制,有效提升了任务完成率和系统在复杂博弈环境中的存活率。
-
公开(公告)号:CN118227990A
公开(公告)日:2024-06-21
申请号:CN202410317011.6
申请日:2024-03-20
Applicant: 东南大学
IPC: G06F18/20 , G06Q10/067 , G06F16/901
Abstract: 本发明提供了一种适用于具有群结构的多重产业链网络中关键节点发现方法,首先,通过图论技术建模多重产业链网络为多层无向网络,企业群建模为无向子网络;其次,定义群结构模块度和群密度的计算公式;接着,由具备群落桥梁作用的节点获得全局子网络,并根据节点单群落和多群落属性划分节点局部子网络,获得节点的层内影响力;然后,定义网络层复杂性和重要度计算公式;最后,得出多层无向网络中所有节点的影响力,发现多重产业链网络中的关键企业。与传统关键节点发现方法相比,本方法综合考量了企业之间的多重连接关系以及企业群的协同效果,更符合具有企业群结构的多重产业链网络这一实际场景,从而能更准确地发现具有较高影响力的关键企业。
-
公开(公告)号:CN116610432A
公开(公告)日:2023-08-18
申请号:CN202310679849.5
申请日:2023-06-07
Applicant: 东南大学
Abstract: 本发明提供了一种多重网络化产业链中面向任务动态性的自适应任务迁移方法,以解决其在生产过程中存在的层内、层间负载不均衡问题。首先,该方法将多重网络化产业链上的生产单元建模为智能体,并从每个网络层中选择关键智能体来相互合作;其次,为了实现网络层之间的负载均衡,被选中的关键智能体以集中式的形式将任务向目标网络层迁移;最后,为了实现每个网络层内的负载均衡,被级联触发的智能体会以分布式的形式将任务向网络层内其余的智能体迁移。与传统的单一网络化任务迁移方法相比,本方法结合了集中式和分布式任务迁移的优点,在保证任务迁移灵活性的前提下,利用整体状态信息,更好地维持系统的稳定性和高效性。
-
公开(公告)号:CN113283692A
公开(公告)日:2021-08-20
申请号:CN202110296445.9
申请日:2021-03-19
Applicant: 东南大学
Abstract: 本发明公开了一种针对大宗商品交易市场监管资源调配的智能化人机协作调度方法与系统,根据任务需求对人、机资源进行智能化实时调度分配以提高任务完成率至关重要,当任务到达时,任务处理模块根据任务不同环节构成的拓扑图关系进行部分关键路径集合的求解和截止时间的分配计算,得到任务待执行队列和任务池;之后,通过资源调度模块进行人、机资源的智能化实时分配,输出任务的执行次序和具体开始时间;根据任务实时反馈的执行信息自动调整调度分配策略,使得尽可能多的任务在截止时间前完成。该调度方法兼顾任务执行不确定性的影响,与以往“先来先服务”、分配单一固定的方式相比,具有调度计划鲁棒性高、任务延期风险低的优点。
-
公开(公告)号:CN113112360A
公开(公告)日:2021-07-13
申请号:CN202110361421.7
申请日:2021-04-02
Applicant: 东南大学
Abstract: 本发明公开了一种基于反向拍卖模型的大宗商品交易数据共享激励方法和系统,采用反向拍卖模型来解决在交易平台向综合服务平台进行交易数据共享的过程如何为交易数据定价的问题,综合服务平台通过任务管理模块来发起数据拍卖活动;交易平台通过查询请求模块选择符合条件的数据拍卖活动进行竞拍,提交竞拍标的;综合服务平台通过激励机制模块计算此次拍卖活动中获胜的交易平台来实现收益的最大化,并计算获胜的交易平台得到的积分;获胜的交易平台通过数据管理模块上传进行竞拍的交易数据,本发明保证了综合服务平台的收益最大化,在多项式时间内计算出竞拍结果,同时保证了交易平台的非亏损性,能够有效地激励交易平台向综合服务平台进行数据共享。
-
-
-
-
-
-
-
-
-