摘要：最小种子集合选取问题(J-MIN-Seed问题)的目标是选择一个种子集合S,在影响传播结束后,它不仅需要影响一定数量的用户(如J个用户),同时S是最小的集合.虽然该问题得到了广泛的研究,但是现有工作却忽略了一个重要事实,即地理位置信息对于J-MIN-Seed问题是非常重要的.在许多真实的应用中,例如位置敏感的口碑营销,都有地理位置的需求.因此,该文将地理位置因素融入到J-MIN-Seed问题中,提出了位置敏感的J-MINSeed问题,并证明了该问题是NP-hard问题.该问题的一个挑战是如何高效且有效地计算给定区域的影响范围.为了解决这个挑战,该文对现有的树模型进行扩展,设计出一种高效且有效的近似模型.基于此模型,该文首先提出了朴素的贪心算法***-Greedy虽然有近似保证,但其计算量太大.为满足在线查询的需求,该文又提出了另外两种高效的算法Bound-based和Partition-Assembly-based.大量真实数据的实验结果表明:文中算法能有效地解决位置敏感的J-MIN-Seed问题.

摘要：越来越多的人开始研究如何能够快速高效地采用数据挖掘的方法获取有用的知识,然而面对大量数据特别是海量数据时,采用现有的挖掘算法有时会需要相当长的执行时间,而且如果挖掘请求相似,将会出现重复计算问题。论文在挖掘过程中引入一种称为语义cache的机制,在对挖掘请求进行分析并和已有挖掘结果进行比较的基础上,除去某些可以避免的计算,提取出用户所需的所有知识,以此来达到减少计算量,提高系统响应速度的目的。理论分析和实验结果证明了该机制的有效性。

摘要：给出了一个相关规则新的并行算法,利用DHP算法中的HASH技术削减候选集,同时对DHP算法进行优化改进以利于并行算法的实现.在并行化设计中充分利用DMA及OA算法的鹊巢原理及分割思想,针对DMA及OA算法的优越性依赖于数据的特性,提出了动态调整策略,根据数据偏斜情况决定是否采用削剪策略,从而解决数据偏斜问题.

摘要：随着碳达峰碳中和战略目标的提出,降低碳排放量是新形势下电力系统转型要面对的重要问题。风电等新能源虽然具有零碳排量的优势,但其具有不确定性,给电网的平稳运行带来了挑战,因而较为稳定的火电仍然是重要的电能来源,但需要对传统火电厂进行改造,采用碳捕集和封存利用技术减少碳排放量。经改造后的碳捕集电厂具有综合灵活的运行方式,可以与风电进行配合。在综合灵活运行方式下,研究了碳捕集电厂灵活运行时的能量特性,建立了低碳经济调度模型。同时,为了提高调度的效率,减少不确定性的影响,设计了基于深度强化学习的算法来学习调度策略,并基于真实的电力系统运行数据进行仿真,证明了所提出方法的有效性。