论文部分内容阅读
企业数据权益的性质厘定及权利构造
【出 处】
：
太原科技大学
【发表日期】
：
2021年01期
其他文献
实际工程应用中的大多数优化问题,不仅是只有一个目标函数,而是含有多个相互冲突的目标,且这些目标进行一次函数评价需要耗费较多的时间成本。多目标进化算法可以优化此问题来获得一组能够兼顾每个目标的折衷解,但通常在获得最优解集之前,都需要进行大量的函数评价。目前,代理模型辅助的进化算法是求解这一问题的有效手段,然而关于昂贵的多目标优化问题的研究仍处于初期阶段。因此,本文就计算昂贵的高维多目标问题进行研究,
离群检测是数据挖掘领域的研究热点之一,其任务是检测出数据集中与绝大多数数据相比具有显著差异的数据对象,并揭示其背后所隐藏的有意义信息和知识。随着信息技术的发展,数据量急速增加,数据维度也在不断增多,“维灾”成为影响传统离群数据检测效果的主要原因之一,难以适用于大数据分析任务。本文利用加权概率密度和相关了空间,对上下文离群数据检测及其并行化进行了深入研究。其主要成果如下:（1）给出了一种基于加权概率
现实生活中存在的很多问题都是多目标优化问题,为了解决存在的多目标优化问题,人们提出了很多的方法并取得了较好的效果。但随着现实生活中很多问题的复杂化,目标个数和决策变量个数急剧增大,使得搜索空间成倍增加,导致现有的多目标算法收敛压力损失和多样性管理失效,不适用于求解大规模高维多目标优化问题,所以研究大规模高维多目标问题的求解方法是十分必要的。目前已有的大规模高维多目标优化算法主要是通过决策变量分析,