为同时应对不确定信息表示与风险信息融合对群决策带来的挑战,构建一种三角模糊不完备三支群决策方法,并将其应用于糖尿病诊断决策.首先,针对信息不确定性蕴含的模糊性和不完备性,分别引入三角模糊集和不完备信息系统的概念.通过与多粒度三支决策结合,构建了可调多粒度三角模糊概率粗糙集模型.然后,根据离差最大化法计算属性权重与专家权重,结合ELECTRE(elimination et choice translating reality)方法建立了三角模糊多属性群决策方法.最后,通过对糖尿病患者数据的案例分析和评估,验证了所提方法的可行性和有效性.该方法不仅从不确定信息表示、风险信息融合和最优粒度选择的视角丰富了多粒度三支群决策理论,而且推动了糖尿病智能诊断方面的应用.
针对云计算环境下的多目标任务调度问题,提出一种新的基于Q学习的多目标优化任务调度算法(Multi-objective Task Scheduling Algorithm based on Q-learning,QM TS).该算法的主要思想是:首先,在任务排序阶段利用Q-learning算法中的自学...
详细信息
针对云计算环境下的多目标任务调度问题,提出一种新的基于Q学习的多目标优化任务调度算法(Multi-objective Task Scheduling Algorithm based on Q-learning,QM TS).该算法的主要思想是:首先,在任务排序阶段利用Q-learning算法中的自学习过程得到更加合理的任务序列;然后,在虚拟机分配阶段使用线性加权法综合考虑任务最早完成时间和计算节点的计算成本,达到同时优化多目标问题的目的;最后,以产生更小的makespan和总成本为目标函数对任务进行调度,得到任务完成后的实验结果.实验结果表明,QMTS算法在使用Q-learning对任务进行排序后可以得到比HEFT算法更小的makespan;并且根据优化多目标调度策略在任务执行过程中减少了makespan和总成本,是一种有效的多目标优化任务调度算法.
在监督分类学习中,标签噪声对模型有重要的影响;而现有的标签噪声过滤方法一般都是基于模型的预测结果对噪声样本进行检测并去除,当噪声样本较多时,去除噪声样本的同时将会影响原来样本的完整性,使样本信息缺失。针对这一问题,提出一种基于主动学习的标签噪声清洗方法(active label noise cleaning based on classification with gaussian process,GP_ALNC),该方法将高斯过程模型和主动学习相结合,从已有标签样本集中筛选出不确定性最高的样本交给人工专家进行检验,通过这种迭代方法清洗掉大部分噪声数据的同时保持了原有数据的完整性;并针对二分类任务中的标签噪声问题,在MNIST数据集和UCI数据集上,与已有方法ALNR(active label noise removal)以及ICCN_SMO(iterative correction of class noise based on SMO)进行了实验对比,并取得了不错的表现。
暂无评论