程序代写 CS代考

􏰀􏰁􏰂􏰃􏰄􏰁􏰅 􏰇􏰈􏰉􏰊􏰋􏰂􏰌􏰍􏰎􏰏 􏰐􏰑􏰒􏰓􏰑􏰔 􏰕􏰖􏰈􏰗􏰃􏰘􏰂 􏰑􏰏 􏰀􏰃􏰁􏰖􏰌􏰍􏰎 􏰙􏰊 􏰂􏰈 􏰚􏰈􏰛􏰜􏰃 􏰁 􏰕􏰖􏰈􏰝􏰛􏰃􏰉 􏰕􏰛􏰁􏰍􏰍􏰌􏰍􏰎 􏰞􏰋􏰃 􏰒􏰋􏰃􏰟􏰠􏰁􏰅􏰡 􏰢􏰃􏰝 􏰣 􏰝􏰅 􏰤􏰊􏰉􏰥 􏰕􏰖􏰈􏰗􏰃􏰘􏰂 􏰞􏰋􏰃 􏰒􏰋􏰃􏰟􏰠􏰁􏰅􏰡 􏰢􏰃􏰝 􏰦􏰦 􏰝􏰅 􏰤􏰊􏰉 􏰧􏰨􏰈􏰋 􏰟􏰩􏰈􏰋􏰛􏰠 􏰁􏰛􏰄􏰁􏰅􏰟 􏰪􏰍􏰈􏰄 􏰄􏰩􏰃􏰍 􏰅􏰈􏰋 􏰁􏰖􏰃 􏰟􏰩􏰌􏰫􏰂􏰌􏰍􏰎 􏰎􏰃􏰁􏰖􏰟 􏰌􏰍 􏰛􏰌􏰫􏰃􏰬􏰧 􏰭 􏰓􏰃􏰈􏰍􏰂􏰅􏰍􏰃 􏰕􏰖􏰌􏰘􏰃 􏰒􏰌􏰛􏰛􏰅 􏰓􏰈􏰘􏰪􏰃􏰅􏰡 􏰁􏰎􏰃 􏰦􏰮􏰡 􏰉􏰈􏰠􏰃􏰛􏰌􏰍􏰎 􏰩􏰃􏰖 􏰧􏰯􏰃􏰖􏰈 􏰑􏰖􏰉􏰧􏰬 􏰩􏰂􏰂􏰊􏰟􏰏􏰰􏰰􏰈􏰊􏰃􏰍􏰝􏰌􏰈􏰍􏰌􏰘􏰟􏰬􏰘􏰈􏰉􏰰􏰂􏰌􏰛􏰛􏰅􏰰 􏰒􏰩􏰃 􏰕􏰖􏰈􏰝􏰛􏰃􏰉 􏰑􏰟 􏰁 􏰦􏰱􏰭􏰉􏰈􏰍􏰂􏰩􏰭􏰈􏰛􏰠 􏰒􏰌􏰛􏰛􏰅 􏰓􏰈􏰘􏰪􏰃􏰅􏰲􏰟 […]

本任务的目的是简化上述问题被解决。 这些简化会影响问题的三个方面： •地图的细分：任务中的地图将由四个具有相同尺寸的矩形组成。 在实际应用中，部分卡具有不同的尺寸，这使实现变得非常复杂（请参见图1）。 路径而不是路径：在此任务中，仅路径长度应确定，而不是路径是。 这具有关键优势，即您已经具备执行此操作所需的技术在编程任务6和7。 但是，这并不意味着此任务基于后者（请参阅下一点）。 •限制部分实施：它们成为程序代码的一部分得到提供。您的工作将受到精确的指示¨填补程序中的空白。 ¨可以在另一个层次上进行处理。面向对象的范式编程将使您能够以有意义的方式构造复杂的程序。 更高级的算法和数据结构（例如，使用¨的最短路径搜索Dijkstra算法）可让您更有效地解决此处描述的子问题更优雅地解决。 3.1路径查找算法示意图 可以找到最短路线的地图包括四个子地图，分别是它们以PA07格式存储在文本文件中。确定算法以下基本构建块具有许多最短的路径： •从上述文本文件中提取部分卡片。 •根据以下配方为每个子卡创建无向图：每个字段“ P”节点vi表示在局部图的边缘，为了简化符号我们用它们代表的节点来标识字段。对每一对vi，i=! j的vj加上边¨（vi，vj）如果在里面子图在两者之间有一条路径。边缘的重量就是长度两个节点之间的最短路径。 ¨ •局部图的节点对应于局部图之间的过渡。通过识别在过渡点中，子图可以组合成单个图¨G。解决所有对最短路径（APSP）问题并保存解决方案。给定起点s和终点t不在同一局部图中，将G添加到节点s和t。 （如果它们在同一子图上，请计算令v1，…，vk为G中G的节点。包含的子卡。 如果在s和vi之间存在路径，则添加一条边（s，vi）在存在包含s的部分映射。 选择最短的长度¨作为边缘权重s和vi之间的路径,类似地进行。 •在图表中确定，并借助所存储的有关以下信息的补充¨G中最短路径的长度s和t之间最短路径的长度。 4. 要求 您将收到文件PA13solution_Students.py。 这包含了该问题的解决方案，从中部分或全部删除了某些功能。该文件包括三个部分-主要部分和具有辅助功能的两个部分通过注释与主体分开。 辅助功能已完成。 所有差距都是在文件正文中。 现在，我们进入这部分的功能。 功能完成标记有星号 4.1生成不同图形的函数 •extractPartialMaps（）此辅助函数从文本文件students.in中提取部分卡。部分卡的每一行都显示在值U的字符串列表中或P字段。子图将另存为此类列表的列表。返回值¨该功能是部分卡的列表。第一张子卡的左上角元素   然后，例如，partialMaps [0] [0] [0]-其中，partialMaps是对象的名称部分卡列表是。部分卡按照以下方案编号： -左上：partialMaps [0]。 -右上：partialMaps [1]。 -左下：partialMaps [2]。 -右下：partialMaps [3]。 所有部分卡的尺寸始终为7行10列。关于坐标转换的注意事项：相邻局部地图的边缘彼此认同。也就是说，例如，在整个地图中，partialMaps [0] [0] [9]和partialMaps [1] [0] [0]是相同的字段。 •verticesFromMaps（partialMaps）*接受部分地图列表的列表。为每个局部图确定包含字符串¨P的边缘字段。这些将是格式 （行索引，列索引）归档在列表中。以这种方式编译的列表成为allVertices的列表汇总并从函数返回。 ¨ •edgesFromMaps（partialMaps，allVertices）∗对于每个局部地图¨partialMaps[i]

In [43]: import pandas as pd import os import jieba import codecs from gensim.models.ldamodel import LdaModel from gensim.corpora import Dictionary from gensim import corpora,models import math from sklearn.feature_extraction.text import TfidfVectorizer, CountVectorizer from sklearn.decomposition import NMF, LatentDirichletAllocation from gensim.models.coherencemodel import CoherenceModel import random from time import time from tqdm import * import matplotlib.pyplot as plt import numpy

In [2]: import pandas as pd import os import jieba import codecs from gensim.models.ldamodel import LdaModel from gensim.corpora import Dictionary from gensim import corpora,models import math from sklearn.feature_extraction.text import TfidfVectorizer, CountVectorizer from sklearn.decomposition import NMF, LatentDirichletAllocation from gensim.models.coherencemodel import CoherenceModel import random from time import time from tqdm import * import matplotlib.pyplot as plt import numpy

• 基本介绍 混合Logit模型以多项Logit模型为基础，但两者有明显的差异。与多项Logit模型相比，混合Logit模型的效用函数由可观测效用、误差项和随机项这三个部分构成，详见式（3-2），其中，误差项的分布形式视具体情况而定，比较典型的分布有正态分布、对数正态分布、均勾分布和SB分布等，其中，均匀分布适用于二分类变量，正态分布适用于无序多分类变量，对数正态分布适用于符号为正的变量。的引入允许各选择项之间存在相关性，从而使得混合Logit模型能较好地解决IIA问题。 若决策者n选择方案i的概率为，那么，是条件选择概率的积分，是权重密度函数，效用函数和选择概率函数详见（3-2）至（3-5）。 其中，式（3-4）表示的是多项Logit模型的选择概率，由此可知混合Logit模型的选择概率实则是多项Logit模型选择概率的加权；式（3-5）中，是服从某种分布的概率密度函数，它可以是连续函数，也可以是离散函数，在实际应用中，通常被假定为连续的，比较典型的分布有正态分布、对数正态分布、均匀分布以及SB分布等。Andrews等通过实证分析方法对分别为离散分布、连续分布及混合分布时的性能差异进行了比较。需要说明的是，往往通过参数来描述，比如正态分布通常运用均值和标准差进行描述。 • 参数估计 由于式（3-5）为隐性函数，积分没有固定的形式，当的维数较大时，积分运算将变得十分复杂而难以通过解析法求解，故宜借助仿真方法求解。其中，蒙特卡洛模拟是较适用于混合Logit模型求解的仿真方法。下面具体说明运用蒙特卡洛模拟方法近似求解混合Logit模型的主要步骤。 Step1：构建所需求解问题的概率模型，详见式（3-5）。 Step2：求解仿真概率：，确定的估计值。 首先，给定取值，从密度函数中随机抽取一个随机向量，记为，并记第一次抽取为r=1；然后，的值由式（3-4）计算可得；接下来，前面两个步骤被重复R次；最后，的均值由式（3-7）计算可得，将该值作为选择概率的仿真值。 Step3：构造极大似然算子。 N记为样本容量，I记为选择方案个数；为0-1辅助变量，当决策者选择方案i时，，否则；然后，构建样本仿真似然函数，详见式（3-8）；最后，取式（3-8）的对数形式，确定对数似然函数，详见式（3-9）。 Step4：改变取值，直到仿真极大似然算子取得最大值，求解值。 此时，混合Logit模型的求解己经转换为多项Logit模型的求解问题，参数估计过程也与多项Logit模型的参数估计过程一致，我们把该方法称为极大模拟似然估计法。在得到各参数的估计值之后，由式（3-7）计算决策者选择各方案的比例。需要注意的是，在混合Logit模型中，指定哪一项系数为随机系数以及随机系数的分布形式是参数估计的前提，在实际应用中，应根据具体情况而定。 4.3.2 换乘分担率组合模型构建步骤 1、确定效用函数 本文从旅客个人特性、出行特性、换乘方式特性和枢纽换乘环境感知特性四个角度构建特性变量，将枢纽换乘环境满意度潜变量添加到效用函数固定项中，则新的固定项如下所示： 式中：——旅客个人特性变量； ——旅客出行特性变量； ——换乘方式特性变量； ——枢纽换乘环境满意度特性变量； A，B，C，D——各类特性变量的个数； ，，，——标定参数； ——误差项，常用的分布形式有对数分布、正态分布、SB分布、均匀分布等。 2、参数估计 Mix Logit模型的参数估计采用极大模拟似然估计法，具体步骤见3.1.2节。 3、模型统计量检验 评估Mix Logit模型建模精度，需要选用合适的统计量从模型参数估计和模型整体拟合两方面衡量。 1）模型参数检验 模型参数检验的目的是衡量特性变量（自变量）对方案选择（因变量）是否产生影响，将影响不显著的变量从模型中剔除，重新建模估计参数。常用的检验方法有t检验（显著性水平检验）。 t检验： 2）模型拟合检验 模型拟合检验的目的是对模型整体进行评估，即整体模型是否可行，所有自变量与因变量是否相关，相关程度有多大，模型精度有多好等。常用的检验方法有似然比的卡方检验、McFadden决定系数检验、命中率检验和拟合优度检验等。

各个年份文献数量汇总 2014 7 2015 121 2016 292 2017 606 2018（截止到2018-8-6） 342