一种区间数的因子分析技术及其在证券市场中的应用

传统的因子分析技术能够有效地对高维变量空间进行降维处理,但它对于样本空间却缺乏行之有效的降维效果.为了解决这一问题,一种针对大量样本数据、新的因子分析技术———区间数因子分析技术(intervaldatafactoranalysis,IFA)被提出并得到了迅速的发展。IFA方法对传统的数据概念做了本质性的扩张,运用'数据打包'的理念,对海量原始数据在不破坏其原有内在逻辑关系的前提下,可以进行变量和样本点维度的双重降维。本文详细阐述了区间数因子分析技术的原理,并以中国股票市场为案例研究背景,结果表明IFA分析技术对大规模多维数据系统做综合简化是十分有效的。     

招标采购中的采购物品打包模型及其优化算法

招标采购是采购物品(货物或服务)的有效方式, 采购物品打包是招标采购的重要环节并对采购绩效有重要影响。采购物品打包是确定一组互斥的采购包集合, 在充分的市场竞争条件下购买全部采购物品, 且每个采购包的候选供应商应对该采购包中的所有物品进行投标。目前采购物品打包问题的研究文献较少, 本文通过定义采购包和采购打包方案等概念, 建立了采购物品打包问题的0-1整数规划模型。由于该模型具有NP-hard特征, 为此首先将其转化为旅行商问题, 并基于遗传算法设计采购物品打包问题的求解算法。实验表明:与整数规划求解软件和双聚类算法相比, 本文所提出的算法在解决采购物品打包问题时具备更好的优化性能和计算效率。     

专利联盟许可行为的博弈分析

专利联盟这一新的经济组织近年来引起了众多学者的关注。本文以Shapiro Carl(2000)的模型为基础,从博弈论的角度对互补性专利持有企业的许可行为进行了研究,并将其对产品市场的影响作了进一步的比较分析,研究表明:专利联盟内的协调、约束机制的存在是企业的获得较高许可收益的保证,并且联盟可以提高产品市场的均衡产量,降低单位产品的成本和价格,改善社会福利水平。     

基于Boosting的BAN组合分类器

Boosting是一种有效的分类器组合方法,它能够提高不稳定学习算法的分类性能,但对稳定的学习算法效果不明显.BAN(BN augmented Naive-Bayes)是一种增强的贝叶斯网络分类器,通过Boosting很容易提高其分类性能.比较了GBN(general BN)和BAN的打包分类器Wrapping-BAN-GBN与基于Boosting的BAN组合分类器Boosting-BAN.最后通过实验结果显示了在大多数实验数据上,Boosting-BAN分类器显示出较高的分类正确率.     

移动众包平台的任务酬金定价模型及调控策略研究——以珠三角地区为例

以珠三角地区移动众包平台为研究对象,实证分析了移动众包平台中的任务酬金定价模型和调控策略问题.首先使用GIS软件将移动众包平台中的用户和任务点的位置信息投射到真实地图,定性分析了影响任务点定价模型的交通、商圈等因素.然后建立以任务完成率最大和任务发布者收益最大的多目标任务酬金定价模型,使用熵权法确定模型中交通、商圈等因素的权值.最后借助贪心算法对上述模型进行求解,在分析部分任务未完成原因的基础上,提出了一种基于缓冲区打包的定价调控策略,通过实验分析,这种方法有助于提高任务的完成率和增加任务发布方的收益.     

关于长方体规则打包的一些讨论

北大附中张思明老师曾设计了“打包问题”的教学案例．这里“打包问题”指的是：诸如若干个香烟盒等长方体物品，按照“打包时要求包内的相邻两物体必须全等的两个侧面来对接，且打包后仍是长方体”这一要求，将这些小长方体打成一大包(大长方体)，这种打包方法称为长方体规