中国队长
算法工程师
中软国际 · 3年经验
日薪：
￥1000/8h
地点：
北京 海淀
时间：
下班后周六周日
信用行为
0
接单数
0
评价数
0
收藏数
技术能力
理论：
·了解深度学习、机器学习相关理论知识；
·熟悉、掌握运筹学相关知识；
·掌握相关启发式算法：遗传算法、邻域搜索、模拟退火、粒子群算法等；
·掌握相关精确求解算法：单纯性、分支定界、列生成等；
·具备良好数学能力；
·具备一定业务抽象、数学建模能力；
·掌握强化学习理论知识；
工程：
·了解linux系统；
·了解pytorch等深度学习框架；
·了解MySQL、Redis等数据库操作；
·熟练使用pycharm等开发工具；
·掌握启发式算法代码实现；
·掌握求解器实现代码规范；
·掌握强化学习相关代码实现能力；
·了解深度学习、机器学习相关理论知识；
·熟悉、掌握运筹学相关知识；
·掌握相关启发式算法：遗传算法、邻域搜索、模拟退火、粒子群算法等；
·掌握相关精确求解算法：单纯性、分支定界、列生成等；
·具备良好数学能力；
·具备一定业务抽象、数学建模能力；
·掌握强化学习理论知识；
工程：
·了解linux系统；
·了解pytorch等深度学习框架；
·了解MySQL、Redis等数据库操作；
·熟练使用pycharm等开发工具；
·掌握启发式算法代码实现；
·掌握求解器实现代码规范；
·掌握强化学习相关代码实现能力；
项目经验
项目一（电动公交充电行为优化算法）
在节能减排的号召下，**集团大多公交已换为电动公交，对于电动公交而言充电费用是不容小觑的成本。而决定充电费用高低的原因可以概括为:公交什么时候进站、哪次进站需要充电、充多久电，以及全天不同时段的尖峰平谷电价。业务分析:只要决策了车辆的行为(发车时刻以及是否补电)，就能够控制充电费用。由此进行数学抽象:1、决策变量:公交发车时刻;2、优化目标:全部车辆补电费用;3、约束:a)公交运营时空约束、b)电量能够保证后续任务;4、优化求解算法改进遗传算法;5、充电时长以及耗电量预测:XGBoost 预测模型。开发完成后，使用算法优化结果进行运营，通过测算可以节省 12%左右的补电费用。
项目二（基于强化学习的机场特车保障算法）
在**机场，每天会有若干航班到达机场，停留一段时间后离开。在此停留时间内，会有特车对其进行保障，如何决策不同车辆在不同时间保障不同航班，是一个非常有趣的问题。我利用强化学习框架，对该问题进行了求解。具体为对地面车辆保障算法场景进行建模（调研论文，目前没有使用此方法解决该场景问题），并使用学界、工业界都较为领先的深度神经网络（Actor-Critic框架）拟合车辆的状态、动作，完全自主实现智能体类、环境类、交互过程、策略/价值迭代优化等难度较高程序模块，并最终实现理论预计效果；
在节能减排的号召下，**集团大多公交已换为电动公交，对于电动公交而言充电费用是不容小觑的成本。而决定充电费用高低的原因可以概括为:公交什么时候进站、哪次进站需要充电、充多久电，以及全天不同时段的尖峰平谷电价。业务分析:只要决策了车辆的行为(发车时刻以及是否补电)，就能够控制充电费用。由此进行数学抽象:1、决策变量:公交发车时刻;2、优化目标:全部车辆补电费用;3、约束:a)公交运营时空约束、b)电量能够保证后续任务;4、优化求解算法改进遗传算法;5、充电时长以及耗电量预测:XGBoost 预测模型。开发完成后，使用算法优化结果进行运营，通过测算可以节省 12%左右的补电费用。
项目二（基于强化学习的机场特车保障算法）
在**机场，每天会有若干航班到达机场，停留一段时间后离开。在此停留时间内，会有特车对其进行保障，如何决策不同车辆在不同时间保障不同航班，是一个非常有趣的问题。我利用强化学习框架，对该问题进行了求解。具体为对地面车辆保障算法场景进行建模（调研论文，目前没有使用此方法解决该场景问题），并使用学界、工业界都较为领先的深度神经网络（Actor-Critic框架）拟合车辆的状态、动作，完全自主实现智能体类、环境类、交互过程、策略/价值迭代优化等难度较高程序模块，并最终实现理论预计效果；
中国队长
算法工程师 · 3年经验 · 中软国际
0
累计接单
0
用户评价
0
被收藏
信用行为
0
接单数
0
评价数
0
收藏数
技术能力
理论：
·了解深度学习、机器学习相关理论知识；
·熟悉、掌握运筹学相关知识；
·掌握相关启发式算法：遗传算法、邻域搜索、模拟退火、粒子群算法等；
·掌握相关精确求解算法：单纯性、分支定界、列生成等；
·具备良好数学能力；
·具备一定业务抽象、数学建模能力；
·掌握强化学习理论知识；
工程：
·了解linux系统；
·了解pytorch等深度学习框架；
·了解MySQL、Redis等数据库操作；
·熟练使用pycharm等开发工具；
·掌握启发式算法代码实现；
·掌握求解器实现代码规范；
·掌握强化学习相关代码实现能力；
·了解深度学习、机器学习相关理论知识；
·熟悉、掌握运筹学相关知识；
·掌握相关启发式算法：遗传算法、邻域搜索、模拟退火、粒子群算法等；
·掌握相关精确求解算法：单纯性、分支定界、列生成等；
·具备良好数学能力；
·具备一定业务抽象、数学建模能力；
·掌握强化学习理论知识；
工程：
·了解linux系统；
·了解pytorch等深度学习框架；
·了解MySQL、Redis等数据库操作；
·熟练使用pycharm等开发工具；
·掌握启发式算法代码实现；
·掌握求解器实现代码规范；
·掌握强化学习相关代码实现能力；
项目经验
项目一（电动公交充电行为优化算法）
在节能减排的号召下，**集团大多公交已换为电动公交，对于电动公交而言充电费用是不容小觑的成本。而决定充电费用高低的原因可以概括为:公交什么时候进站、哪次进站需要充电、充多久电，以及全天不同时段的尖峰平谷电价。业务分析:只要决策了车辆的行为(发车时刻以及是否补电)，就能够控制充电费用。由此进行数学抽象:1、决策变量:公交发车时刻;2、优化目标:全部车辆补电费用;3、约束:a)公交运营时空约束、b)电量能够保证后续任务;4、优化求解算法改进遗传算法;5、充电时长以及耗电量预测:XGBoost 预测模型。开发完成后，使用算法优化结果进行运营，通过测算可以节省 12%左右的补电费用。
项目二（基于强化学习的机场特车保障算法）
在**机场，每天会有若干航班到达机场，停留一段时间后离开。在此停留时间内，会有特车对其进行保障，如何决策不同车辆在不同时间保障不同航班，是一个非常有趣的问题。我利用强化学习框架，对该问题进行了求解。具体为对地面车辆保障算法场景进行建模（调研论文，目前没有使用此方法解决该场景问题），并使用学界、工业界都较为领先的深度神经网络（Actor-Critic框架）拟合车辆的状态、动作，完全自主实现智能体类、环境类、交互过程、策略/价值迭代优化等难度较高程序模块，并最终实现理论预计效果；
在节能减排的号召下，**集团大多公交已换为电动公交，对于电动公交而言充电费用是不容小觑的成本。而决定充电费用高低的原因可以概括为:公交什么时候进站、哪次进站需要充电、充多久电，以及全天不同时段的尖峰平谷电价。业务分析:只要决策了车辆的行为(发车时刻以及是否补电)，就能够控制充电费用。由此进行数学抽象:1、决策变量:公交发车时刻;2、优化目标:全部车辆补电费用;3、约束:a)公交运营时空约束、b)电量能够保证后续任务;4、优化求解算法改进遗传算法;5、充电时长以及耗电量预测:XGBoost 预测模型。开发完成后，使用算法优化结果进行运营，通过测算可以节省 12%左右的补电费用。
项目二（基于强化学习的机场特车保障算法）
在**机场，每天会有若干航班到达机场，停留一段时间后离开。在此停留时间内，会有特车对其进行保障，如何决策不同车辆在不同时间保障不同航班，是一个非常有趣的问题。我利用强化学习框架，对该问题进行了求解。具体为对地面车辆保障算法场景进行建模（调研论文，目前没有使用此方法解决该场景问题），并使用学界、工业界都较为领先的深度神经网络（Actor-Critic框架）拟合车辆的状态、动作，完全自主实现智能体类、环境类、交互过程、策略/价值迭代优化等难度较高程序模块，并最终实现理论预计效果；
立即沟通
