教学课程资源库 更多>>

关键词： 分布式异构柔性流水线   多转运系统   多目标差分模因算法   能耗  

摘要： 为求解考虑多专用运输资源的分布式异构柔性流水线调度问题，以同时最小化最大完工时间和总能耗为优化目标构建整数规划模型，并提出一种多目标差分模因算法。设计基于工厂-工件的向量编码以描述工厂分配和工件加工顺序，进而采用基于机器-AGV联动的动态解码完成机器与AGV的分配以构建可行解；通过设计协同初始化机制以生成高质量的初始模因组，然后经过基于双差分策略的差分变异，随机位置交叉，多目标归一化模拟退火实现模因组的全局进化；进而提出基于双层外部档案的变邻域搜索过程并结合精英策略使其得到局部优化。通过仿真实验与一些现有多目标进化算法进行对比，实验结果显示了所提算法所得非支配解集的收敛性与多样性均优于其他对比算法，进而验证了算法优越性。

关键词： 干热岩   增强型地热系统   地热抽采模拟   蒙特卡洛方法   压裂改造体积  

摘要： 持续半个世纪世界范围内增强型地热系统（Enhanced Geothermal System， EGS）的现场试验显示出低孔低渗干热岩开发的巨大风险。考虑产出不确定性传递溯源，实现人工热储渗透率分布的随机性表征以及基于此的系统产出预演，才能给出当前增渗造储技术条件下EGS热能产出的一般性客观评价。在完善前人压裂域预设构造的基础上，基于蒙特卡洛思想，通过热能抽采的遍历模拟实现同一增渗条件下热能产出的预演分析。首先，基于人工造储的增渗量级和扩展范围确定渗透率整体的递减趋势，利用转向带法模拟生成随机分布，叠加递减趋势和随机分布构造出具有整体确定性和局部随机性的渗透率分布样本；其次，建立多物理场耦合模型，由统一的初边值条件对所构造的渗透率分布样本展开热能抽采模拟，并总结了热能产出的评价指标；最后，由数值模拟结果得出每个样本的产出评价指标，分析样本产出指标的分布特点。基于产出指标的统计分析，指出工质载热运移过程中能否有充足的流量扫掠经过足够的热储空间，决定了EGS的不同产出模式。当以产出流量20 kg/s和服务年限15年为临界指标时，失败样本所占的比率约为1/4，即在最大增渗5个数量级，扩展范围达350 m的条件下，EGS系统仍面临着严重的产能风险。有效构筑EGS人工热储的两个关键点为足够空间的有效联通增渗域与避免形成优势渗流通道，即干热岩开发要求储层增渗技术具有更高的可控导性，当前技术条件下对EGS的建造决策应持保守谨慎态度。

关键词： 大语言模型   陆路交通   设计规范   知识抽取   语义信息   相似度算法   强化学习模型  

摘要： 陆路交通基础设施领域设计规范具有结构化程度低、标注数据稀缺、嵌套实体难以学习等特点，为实现设计规范知识的智能化抽取，提高规范检索和应用的智能化水平，在调研大量文献的基础上，以线路、路基、桥梁、隧道等结构物的相关设计规范为例，提出“主语+条件+措施”的规范条文知识抽取规则，采用正则表达式对规范文本进行了数据清洗，根据规范的格式特点定义了规范的关键语义信息与待抽取关系的类型。基于清华大学大语言模型ChatGLM2-6B，采用LoRA微调方法进行人类反馈的强化学习模型训练，应用标注的数据集进行有监督学习，引入相似度算法自动打分排序进行奖励学习，采用KL散度算法，构建强化学习模型，并对抽取结果进行质量分析和结构化数据整合，建立了规范知识图谱。结果表明，该强化学习模型训练收敛效果较好，质量评分超过90分，相对原大语言模型提升35%～99%。用于设计规范文本知识抽取任务时，可以较准确地抽取出规范条文中的“主语”“条件”“措施”的关键语义信息，挖掘嵌套文本语句中的逻辑或序列关系，抽取效果显著。建立了规范知识的非结构化数据治理方法，实现了陆路交通领域设计规范知识的智能高效抽取，为知识图谱构建和知识应用的研发奠定了基础。

关键词： 数据库原理及应用   OBE理念   混合式教学   教学改革  

摘要： 针对数据库原理及应用课程目前存在的教学问题,文章提出了基于OBE理念和"一线两库三堂四实施"的混合式教学模式.从OBE理念入手,提出了改革思路、课程总体框架设计、教学模式构建以及课程评价方式改革,最后通过近三年大数据专业的课程教学实践说明改革效果.

关键词： 云计算   云数据库产品   时间序列   成分分解   多模态  

摘要： 云数据库技术以其灵活扩展、易于管理、按需收费等特点得到了广泛地应用。业务方通常根据自身应用场景和实际需求选择云数据库产品，而服务提供商确定产品中不同类型资源如计算资源和存储资源的用量来满足业务方的业务需求。云产品用量的准确预测对于提升资源使用效率、降低运营成本、保障服务质量(QoS)至关重要。然而，云数据库产品用量预测场景复杂，用量序列通常由存在复杂纠缠的多个成分组成，并且不同业务方在不同云产品及计费项下的行为特征差异较大，这对用量预测提出了巨大的挑战。针对这一难题，本文提出一种基于成分分解和多模态融合的云数据库产品用量预测框架，有效地对存在复杂纠缠的时间序列进行成分分解，并融合多模态需求数据，构建需求趋势与用量趋势之间的映射关系，并通过自动调节成分的权重参数以获得准确的预测结果。本文使用阿里云计算服务商的四个主要云数据库产品的真实生产数据进行预测效果评估，并与五个预测算法进行性能比较。通过分析MAPE等评估指标，实验结果表明本预测框架在四个云数据库产品中都有不同程度的预测准确率提升，约18%～51%，能更好地适用于云数据库产品用量预测场景，有助于云服务提供商做出更准确的资源容量规划。