加权Internet访问直径短期及长期预测行为分析

Internet物理特征量短期及长期预测是一个重要课题,为此,首先定义了加权Internet网络,然后形式化定义表征加权Internet的物理参量———加权Internet访问直径,接下来根据海量数据变化特点,提出了基于Logistic模型的、以正余弦函数模拟振荡变化的数学模型,使用浮点型遗传算法分别进行拟合实验,并通过实验结果对上述模型进行了评价和选优·由于加权访问直径演化极为复杂,传统的一维数学模型在长期预测中已不适用·因此,在长期预测方面,首先计算得到加权Internet访问直径的关联维数,证实其演化过程为混沌现象,存在奇异吸引子·最后根据关联维数及奇异吸引子相近空间混沌轨道运动特性,提出了基于四维微分方程组的加权访问直径长期预测的形式模型·     

中国大陆Internet物理特征的测量与分析

结合网络测量技术和复杂网络理论对中国大陆地区Internet物理特征展开测量与分析。首先阐述了Internet网络测量的研究现状,然后形式化地定义了Internet物理特征的3个重要表征量:Internet直径、聚类系数、度分布。其次,研究人员经过18个月的测量与分析中国大陆地区Internet物理特征,计算出未加权Internet直径是14.9跳,聚类系数为0.32,度值为5.68。最后,对Internet直径进行了加权处理,计算出加权的Internet直径为15.6±3.1跳,加权后的Internet直径分布特征能更加精确地反映Internet特性。     

Internet网络访问直径的短期及长期预测

本文首先形式化定义表征Internet的参量-访问直径,然后根据海量数据变化特点,提出了基于Logistic模型的、以正余弦函数模拟振荡变化的数学模型,使用浮点型遗传算法确定模型形式.由于Internet访问直径演化复杂,传统一维模型在长期预测中已不适用.因此在长期预测方面,首先计算得到Internet访问直径的关联维数,然后根据关联维数及奇异吸引子相近空间混沌轨道运动特性,提出了基于三维常微分方程组数学模型形式.     

Internet网络特征量分析

形式化定义、量化分析了Internet网络的特征量,给出Internet网络空间和时间效能的一般性定义,定义两种效能的特征参量——网络密度和Internet网络访问直径,量化分析近5 000万条来自CAIDA的Internet测量数据样本,证明网络密度和访问直径之间的数学关系,形式化定义Internet网络效能因子,并将Internet网络的时间和空间效能联系起来,实现对网络效能的综合评判。网络效能因子基于时间维演化的数学模型有助于预测和评价Internet的发展状况。     

遗传算法在数据挖掘中的应用

论文介绍一种利用遗传算法的演化计算机编程的方法来自动建立一种动态非线性数学模型进行数据挖掘,并进行社会经济趋势预测和回归曲线拟合,改变过去那种只使用拟合粗糙、预测结果准确度差的传统预测模型进行曲线拟合和趋势预测的分析方法。在数据实验中,使用遗传算法演化计算机编程的方法自动生成的演化模型对一些真实的历史资料进行了曲线拟合和发展趋势预测以及对前馈、后馈误差进行了深入分析。结果表明,使用该方法建立的演化模型要比传统的线性回归、指数回归、抛物线回归三种固定传统数学模型所预测的数据准确度高很多,而且拟合曲线的前馈标准差和预测后馈标准差也明显要小。     

Internet网络效能及其物理特征量分析

通过公式推导证明了网络比重和访问直径两个物理参量之间的数学关系,并基于此形式化地定义了Internet网络效能因子,将Internet网络的时间效能和空间效能联系起来,实现了对网络效能的综合评判.最后给出了网络效能因子基于时间维演化的数学模型,有助于对Internet未来发展情况进行预测和评价.     

面向组合投资预测的大数据生成算法

为满足组合投资预测对数据的需求,提出一种基于增量式贝叶斯网络模型的大数据生成方法.使用时间序列生成算法对未来各项数据进行部分生成;结合新生成数据对历史数据训练的贝叶斯网络模型进行更新,使更新后的贝叶斯网络能够体现该时间段内新旧金融数据中各项变量之间的关系及蕴含的规律;在贝叶斯网络中通过路径搜索算法生成投资组合路径的集合,根据其中各路径的概率分布,生成具有真实数据特征的可用于组合投资预测的大数据集.实验结果表明,该方法具有可行性,保证了一定的准确度.     

基因表达式程序设计进行复杂函数参数识别

在介绍了基因表达式程序设计方法的基础上,采用基因表达式程序设计建立了复杂函数参数识别的模型,给出了算法结构与算法程序流程,并利用基因表达式程序设计方法进行未知函数拟合的实验,定义合适的终止条件,得到精确的预测结果.实验结果表明,此方法具有很高的预测精度,明显优于传统方法.最后指出该方法只需要提供足够的实验或实验数据,知道目标函数,就可以达到准确预测的目的,因而可以广泛应用于复杂函数拟合中,具有广阔的应用前景.     

基于小波变换的网络流量预测模型应用研究

研究优化网络性能问题,因网络流量数据具有很强的突发性和自相似性等分形特征,引起系统流量不稳定和不精确,用传统网络流量预测模型预测准确低.为解决上述问题,提出一种基于小波变换(WT)的自回归(AR)预测模型,首先对原始流量数据进行小波分解,并将分解得到的近似部分和各细节部分分别单支重构到原级别上,对各个重构后的序列分别建立自回归模型,由所拟合的模型分别进行预测,最后结合各个重构后序列的预测结果,得到对原始序列的预测结果.运用WT_AR进行仿真实验,实验结果表明模型比传统的网络流量预测模型具有更高的准确度.证明WT_AR是一种高效的网络流量检测模型,网络流量预测方法提供参考依据.     

一种融合时空关联与社会事件的交通流预测方法

交通流预测作为智能交通系统的一个关键问题,是国内外交通领域的研究热点。交通流预测的主要挑战在于交通流数据本身具有复杂的时空关联,且易受各种社会事件的影响。针对这些挑战,提出一种用于交通流预测的深度学习框架。一方面,针对道路网络非欧氏的空间关联以及交通流时序数据的时间关联,设计了一种融合图卷积神经网络和循环神经网络的特征抽取子网络;另一方面,针对社会事件对交通流的潜在影响,设计了一种基于卷积神经网络的社会事件特征抽取子网络。最后,融合时空关联特征抽取子网络和社会事件特征抽取子网络,实现交通流预测模型。为了验证模型的有效性,文中基于真实交通流数据进行了实验。结果表明,所提模型与传统的预测模型相比具有较高的准确度,准确度提高了3%~6%。     

Levels of representationality

Abstract. The dominant assumptions throughout contemporary philosophy, psychology, cognitive science, and artificial intelligence about the ontology underlying intentionality, and its core of representationality, are those of encodings-some sort of informational or correspondence or covariation relationship between the represented and its representation that constitutes that representational relationship. There are many disagreements concerning details and implementations, and even some suggestions about claimed alternative ontologies, such as connectionism (though none that escape what is argued is the fundamentalflaw in these dominant approaches). One assumption that seems to be held by all, however, usually without explication or defence, is that there is one singular underlying ontology to representationality. In this paper, it is argued that there are in fact quite a number of ontologies that manifest representationality-levels of representationality-and that none of them are the standard ‘manipulations of encoded symbols’ ontology, nor any other variation on the informational approach to representation. Collectively, these multiple representational ontologies constitute a framework for cognition, whether natural or artificial.     

基于分裂算子的遗传算法和自适应遗传算法

针对遗传算法所存在的早熟和收敛速度慢等问题,基于低等生物的分裂生殖现象,提出了分裂算子的概念,并将该算子引入到传统遗传算法和自适应遗传算法中,对这两种遗传算法进行了改进。通过一系列多峰函数测试实验,将改进算法分别与基本遗传算法和自适应遗传算法进行比较,证明引入分裂算子后的遗传算法和自适应遗传算法不仅有效地收敛到全局最优解,而且提高了收敛速度。     

量子遗传算法研究

量子遗传算法是在遗传算法中引入量子计算的概念,是20世纪90年代新兴的研究领域。介绍了遗传算法(GA)和量子算法(QC)的特点,以及量子遗传算法(QGA)的基本理论与方法。并在Matlab下编程对量子遗传算法与传统遗传算法的效率进行比较。     

遗传算法的性能分析

以几个典型的函数优化问题为例,比较,分析几种不同策略下遗传算法的全局收敛性及收敛速度,发现了以往理论分析与实际问题之间的不一致,提出以寻找最优解或最优解组的角度衡量算法收敛性能的观点及标准,定义了一个更为直观地反映算法收敛过程的测度函数及部分在线特性。     

Genetic doping algorithm (GenD): theory and applications

Abstract: This paper describes an evolutionary algorithm, GenD, conceived by Buscema in 1998 at the Centro Ricerche di Scienze della Comunicazione – Semeion in Rome, where it is still successfully used and has been further developed. Unlike classic genetic algorithms, the GenD system maintains an inner instability during evolution, presenting a continuous evolution of the evolution and a natural increase in biodiversity during the progress of the algorithm. The theory which leads to defining the GenD system is outlined. Specific characteristics of GenD, such as the definition of a species‐health aware evolutionary law, the use of genetic operators and the adoption of a structured organization of individuals (tribes), are described. In order to measure GenD capabilities, we investigated also different problems, such as that known as the travelling sales person problem, which belongs to the class of full NP problems.     

多重群体遗传算法在多选择背包问题中的应用

在解决多选择背包问题中，引入了多重群体遗传算法作为求解方法，根据此问题的特点，制定了具体的杂交、变异方法，设计了遗传算法。在算法中以目标函数加惩罚函数为适应值评价函数，采用新陈代谢的跨世代选择策略，以更好地保持进化过程中的遗传多样性。实践表明，引入了多重群体遗传算法之后，求解此问题效率有明显的改善与提高。     

联姻遗传算法在CSTR 系统中的应用

将基于联姻遗传算法的模型参考自适应控制方法引入连续搅拌反应釜这一复杂的非线性系统,通过运用新型的联姻遗传算法对控制系统的PID参数进行在线调整,使模型参考自适应控制达到理想的控制效果。仿真结果表明了该方法的良好控制性能。     

紧致遗传算法及其在武器目标分配中的应用

介绍了紧致遗传算法的基本原理,并对其进行了改进,通过仿真验证了算法的有效性。针对武器-目标分配(WTA)问题,提出利用紧致遗传算(CGA)法求解该问题,通过验证并与其它方法比较,证明该方法可行。由于紧致遗传算法的编码简单,运行时占用的内存较小,所得到的结果较为稳定并且运行速度较快。     

基于遗传算法的入侵检测技术的研究

在简要介绍入侵检测和遗传算法的基础上,给出了基于异常检测的训练算法模型。详细介绍了遗传算法的构造过程,包括染色体的构造以及选择、交叉、变异等操作,并予以简单实现。算法提高了入侵检测的效率,并能检测部分未知攻击。     

遗传算法在Snake模型中的应用

文章针对Snake模型应用于图像边缘检测时对于噪音过于敏感的不足，提出了一种改进的方法。利用遗传算法的全局优化特性改进Snake模型局部优化的缺点，并取得了较好的效果。