cpu英文代號的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列地圖、推薦、景點和餐廳等資訊懶人包

高鐵維修排程最佳化之研究

為了解決cpu英文代號的問題，作者巫柏翰 這樣論述：

高鐵是國內大眾最主要的交通工具之一，不僅影響人民的生活，對於業者營運效率與成本更是息息相關。由於高鐵至今仍維持零營運責任事故，這和維修安全方面更是息息相關，但是如此高規格的安檢是和高額的成本離不開關係，因此本研究希望藉由演算法去降低列車維修排程的成本問題。而高鐵維修排程問題是需要在排程周期內依據維修法規需求、公司硬體設施，依序安排列車進廠維修。本研究以列車檢修成本為主軸進行車輛排班之數學建模，並考量檢修時間長短、檢修次數、廠房限制、相關法規等限制，規劃列車維修之班表，希望能藉由列車維修排程實務上所發現的問題，並建立符合合理性、合法性的進廠排程，將成本達到最小化。最後，本研究利用具有搜尋與記憶

特性的平行禁忌搜尋法(Parallel Tabu Search)，發展列車維修排班問題之啟發式演算法，並以高鐵維修班表為實例測試。經過最後的資料實證，透過本研究的平行禁忌搜尋法進行運算，並以迭代數次數150次得到的結果確實優於原班表的成本，並下降了8.877%。

貝氏羅吉斯模型應用於海上運輸保險可能危險因子之研究

為了解決cpu英文代號的問題，作者袁道寬 這樣論述：

本研究試以貝氏羅吉斯迴歸模型與羅吉斯迴歸模型探討影響海上運輸保險發生出險可能風險因子，研究範圍為國內某產險公司2014年度至2015年度承保條件為協會貨物A條款 (Institute Cargo Clause A) 之海上運輸保險航程保單。研究資料分為兩個部分，一為該公司依中華民國產物保險商業同業公會水險委員會及保險事業發展中心所制定貨物運輸保險業務統計規程編製之承保及出險紀錄檔案，另外使用世界銀行2010年至2014年度所統計之世界各國國內生產總值。 由於出險案件僅佔總承保案件的0.94%，為極度不平衡資料，為避免直接建模低估出險案件發生率，故先以卡方獨立性檢定了解影響出險的變項對於

的影響是否據統計顯著性，再針對非出險的投保案件，使用分層隨機抽樣，抽出出險案件4 倍的樣本當成對照資料，重複進行1000次取樣與建模，為了確認模型，再以9:1方式分別取出訓練及驗證樣本，先以訓練樣本進行建模，再利用驗證樣本確認模型準確性。 本研究得知在其他變項條件不變下，當保單以海運為主要運輸方法、高風險分類貨物、投保時未知確切航程為要保條件且在投保後有批改動作的出險機率相對較高；至於投保條件為出口、航行區域為美加地區、日本或其他收入為最低四分位之貧困地區則相對安全。另外，本研究使用二種模式所的推論一致，但貝式羅吉斯需使用因蒙地卡羅馬可夫鏈法進行重複取樣來推估參數抽樣過程，導致其建模時

間多羅吉斯回歸42.67倍。故未來若有機會取得更多的承保數據，在一樣的變項編碼與抽樣方法下，直接使用羅吉斯迴歸建模會是比較好的選擇。本研究建議保險公司可以從客戶過往累積保單投保資料，依模型所得的風險分數有條件區分風險族群，訂定出更具競爭力之費率價格。