一般阶段任务系统的任务可靠性分析

研究一般PMS的任务可靠性分析.首先给出一个五元组分析模型,该模型能够有效描述阶段持续时间是随机分布的、阶段内行为特性符合马尔可夫再生过程的一般PMS;为了降低计算复杂度,分析模型的求解过程由两个步骤组成,首先利用马尔可夫再生过程理论,给出一般PMS的阶段内随机过程分析公式和简化计算方法;然后给出一般PMS任务可靠性分析公式和简化计算方法.应用该分析模型和求解方法,可以有效地对一般PMS进行可靠性分析.     

计算节点不可靠网络可靠度的一种MDD算法

节点或边不可靠网络的可靠度分析问题是NP-hard问题,网络节点和边都不可靠的假设更接近现实。基于网络节点和边二元状态的假设,构建了节点和边不可靠网络的形式化模型,给出了分析节点和边不可靠网络可靠度的NEF_MDD算法。该算法将单个节点与其未访问邻接边划分为一个集合,通过枚举节点和边的不同组合,合并导致子网同构的冗余状态,获得简化后的状态向量和可靠度向量,并用一个多值决策图变量来表述。通过使用自定义的MDD操作算子,构建整个网络的MDD,遍历MDD节点,计算网络的可靠度。与二元决策图方法相比,该方法能够降低决策图层数和节点规模,有助于节点和边不可靠网络的可靠度分析。     

基于自编码器的贝叶斯网嵌入及概率推理

贝叶斯网(BN)是不确定性知识表示和推理的基本框架,广泛用于社交网络、知识图谱和医疗诊断等领域.特定领域中基于BN的分析诊断和决策支持,其核心计算任务是基于BN进行多次概率推理.然而,使用传统的概率推理方法,基于同一BN的多次概率推理其中间过程存在很多重复的计算结果,具有较高的时间复杂度.为了提高多次概率推理的效率,提出易于重用和易于计算的贝叶斯网嵌入及相应的概率推理方法.首先,借鉴图嵌入的基本思想,使用点互信息矩阵来表示BN的有向无环图结构和条件概率参数,提出基于自编码器和注意力机制的BN嵌入方法.其中,自编码器的每一编码层利用节点与其邻居节点(父节点和子节点)的相关性生成节点嵌入,从而在嵌入向量中保存BN节点间的概率依赖关系.然后,使用嵌入向量之间的距离来度量节点之间的联合概率,提出基于嵌入向量的BN概率推理方法.实验证明,针对BN的多次概率推理,所提方法的效率高于现有方法,且能得到准确的推理结果.     

基于备件方案的多态PMS可靠性仿真模型

针对多阶段任务系统(PMS)的备件问题,构建基于Monte Carlo方法的仿真模型,给出具体的算法流程。该模型以多态结构函数为基本输入,产生等价于基本设备寿命实现值的随机数,代入仿真模型,经过逻辑运算和统计分析得到系统的可靠度,为多态PMS的备件决策提供依据。应用Matlab软件进行仿真实验分析,结果表明该方法具有较高的仿真精度。     

一种新的露天配矿开采几何约束模型及其应用

提出了一种露天矿配矿几何约束模型——圆周几何约束模型(CGCM)用于求解露天矿配矿问题(OMOMP)。采用图论的方法将爆堆块段模型抽象为节点与边的集合,用有向边连接节点与其圆周约束范围内的其他节点描述开采先后顺序,并详细介绍了CGCM模型的构建方法。基于CGCM的算法已在DIMINE数字矿山系统中实现,并应用于实际露天矿爆堆开采优化工程中。应用表明,CGCM能够很好地描述爆堆开采过程中各矿块间的开采先后顺序及其开采几何约束,适应于复杂几何约束条件下的OMOMP,结果准确,为解决实际OMOMP提供了一种新的有效方法。     

考虑信任可靠度的分布式动态信任管理模型

分布式动态信任模型作为适用于云计算环境下的访问管理机制已经得到广泛研究,然而现有的许多信任模型忽视了对信任数据可靠性的评估,导致推荐信任不可靠时出现模型失效.针对这一问题,本文提出了一种新的考虑信任可靠度的分布式动态信任管理模型DDTM-TR.DDTM-TR模型首先使用可靠度对信任进行评估,降低不可靠数据对直接信任、推荐信任、综合信任计算的影响.然后,选择多个待选节点计算它们的综合信任,并以计算出的综合信任为概率,随机选择待选节点进行交互.最后,在交互结束后,根据交互满意度反馈修正节点的可靠度.仿真实验表明,DDTM-TR模型在处理恶意服务、恶意推荐都优于对比模型并且能通过反馈算法进一步降低判断的失败率.     

基于图论的建筑机电设备逻辑关系自动提取方法

随着建筑信息模型(BIM)在建筑施工及运维阶段的深入应用,建筑机电设备的逻辑 关系自动提取成为进一步应用的瓶颈。针对建筑机电系统信息模型应用过程中逻辑连接关系应 用需求高、判断复杂的问题,提出了一种基于图论的建筑机电设备逻辑关系自动提取方法。基 于 BIM,将机电系统抽象为无向连通图,连接器抽象为图的边,机电设备、管道、管道附件等 抽象为图的节点,将一片管道抽象为管道团,将设备与大量管道的复杂连接转换为设备到几个 管道团的简单连接,从而将机电系统逻辑关系自动生成的问题转换为无向连通图求解的问题, 建立了机电构件物理连接关系提取方法、设备逻辑连接关系自动生成和设备连接路径计算方法, 实现了建筑机电系统逻辑关系快速、准确、智能的提取。该方法在工程中的实施有利于基于 BIM 的机电系统运营维护管理,有利于实现建筑的全生命期信息管理。     

对多信号模型中故障模式建模方法的改进研究

多信号模型是一种简单而有效的系统建模表示方法,已被美国QSI公司引入其TEAMS(测试性工程和维修系统)软件中用于系统测试性分析和预计、可靠性分析以及故障诊断等.论文分析了TEAMS软件中多信号模型故障模式建模和故障-测试相关性分析中存在的问题,提出了将故障模式由组元节点的构成层次变更为与组元作用信号相关联的组元节点属性的解决方案.通过分析表明,新的故障模式建模方法能够明显提高测试性建模与分析的准确性且易于计算,并有利于扩展和增强故障分析功能.     

一种超图的区域型可视化方法

针对超图绘制中超边表达困难、绘制算法复杂的问题,提出一种超图的快速可视化方法.该方法将超边节点沿其走势线垂线方向向两侧扩展,获得超边中各节点的扩展点;对扩展点根据位置关系重新组合,使用Catmull-Rom算法连接各扩展点,获得超边表示区域的平滑边界曲线;将超边表示区域划分为对偶子段和独立子段,并分别使用三角带和三角扇模式填充;最后根据色相环理论对超边表示区域进行着色,以增强各条超边的区分度.实验结果表明,文中方法能够对超图数据结构进行快速可视化,使用闭合区域包围所有超边节点,从而实现直观、有效的超边表示;对于100个节点/30条超边以内的超图,该方法的绘制效率能够满足实时交互的要求.     

基于二元决策图的节点不可靠网络可靠度计算

针对节点不可靠网络可靠度计算效率较低的问题,提出一种基于二元决策图的网络可靠度计算方法.通过因子分解得到节点可靠网络的有序二元决策图(OBDD),根据节点和边的关系对边的变量节点执行边替换操作,生成节点不可靠网络的OBDD,并利用其高效存储结构提高不可靠节点的处理效率.在遍历OBDD计算可靠度时,引入Hash表以避免对同一节点的重复访问,从而减少冗余计算,进一步提高计算效率.在基准网络中的对比实验结果表明,该方法不仅能正确计算网络可靠度,而且能快速分析大型网络.     

一种新型的多阶段任务系统可靠性分析方法

针对多阶段任务系统难以确定阶段间的状态转移关系及转移率的问题,提出一种新型的多阶段任务系统可靠性分析方法.通过将可变结构与可变成功标准问题分解为6种标准情况,实现了模型的通用化,解决了确定阶段间的状态转移关系问题.通过引入随机阶段间隔这个概念,使此算法既可以用来处理固定的阶段周期,同时又可对随机的阶段周期进行处理,解决了确定阶段间的状态转移率的问题.最后,通过对一个实例的计算和比对说明了算法的计算过程,证明了算法的有效性.     

Coverage Modeling and Reliability Analysis Using Multi-state Function

Fault tree analysis is an effective method for predicting the reliability of a system.It gives a pictorial representation and logical framework for analyzing the reliability.Also,it has been used for a long time as an effective method for the quantitative and qualitative analysis of the failure modes of critical systems.In this paper,we propose a new general coverage model (GCM) based on hardware independent faults.Using this model,an effective software tool can be constructed to detect,locate and recover fault from the faulty system.This model can be applied to identify the key component that can cause the failure of the system using failure mode effect analysis (FMEA).     

大规模多状态计算系统的容错性能分析

针对异构计算节点组成的大规模多状态计算系统的容错性能分析问题，提出了一种计算系统容错性能的评估方法。该方法采用自定义的两级容错性能形式化描述框架进行系统描述，通过构造多值决策图（Multi-value Decision Diagram，MDD）模型对系统进行容错性能建模，并基于构造的模型高效地计算出部件故障的条件下计算系统在特定性能水平上运行的概率，减少了计算的冗余性。实验结果表明，该方法在模型的大小和构建时间上均优于传统方法。该方法的提出将对系统操作员或程序设计者具有重要意义，使其确保系统适合预期应用。     

Understanding the scalability of Bayesian network inference using clique tree growth curves

One of the main approaches to performing computation in Bayesian networks (BNs) is clique tree clustering and propagation. The clique tree approach consists of propagation in a clique tree compiled from a BN, and while it was introduced in the 1980s, there is still a lack of understanding of how clique tree computation time depends on variations in BN size and structure. In this article, we improve this understanding by developing an approach to characterizing clique tree growth as a function of parameters that can be computed in polynomial time from BNs, specifically: (i) the ratio of the number of a BN's non-root nodes to the number of root nodes, and (ii) the expected number of moral edges in their moral graphs. Analytically, we partition the set of cliques in a clique tree into different sets, and introduce a growth curve for the total size of each set. For the special case of bipartite BNs, there are two sets and two growth curves, a mixed clique growth curve and a root clique growth curve. In experiments, where random bipartite BNs generated using the BPART algorithm are studied, we systematically increase the out-degree of the root nodes in bipartite Bayesian networks, by increasing the number of leaf nodes. Surprisingly, root clique growth is well-approximated by Gompertz growth curves, an S-shaped family of curves that has previously been used to describe growth processes in biology, medicine, and neuroscience. We believe that this research improves the understanding of the scaling behavior of clique tree clustering for a certain class of Bayesian networks; presents an aid for trade-off studies of clique tree clustering using growth curves; and ultimately provides a foundation for benchmarking and developing improved BN inference and machine learning algorithms.     

基于构件组装的项目管理系统开发研究

由于项目管理技术的不断提升和管理模式的多样化,不同行业甚至不同企业对项目管理系统的要求各不相同。如何利用软件构件技术快速地构造新的项目管理系统成为急需解决的问题。从项目管理系统的框架出发,首先对构件进行了形式化定义,然后基于此定义对项目管理系统组成部分进行了形式化描述,最后利用定义好的连接器,通过顺序、选择和并行三种组装方式组装成项目管理系统。并在此基础上提出了基于构件组装的PMS开发模型。     

嵌入式软件系统体系结构可靠性分析方法

AADL是嵌入式领域对SA进行建模、评估的常用方法,但其属于一种半形式化开发语言,无法直接对SA的可靠性进行验证。为此,提出一种基于AADL的可靠性分析框架,对SA的可靠性进行形式化验证。首先通过分析系统体系结构的元素关系,建立AADL可靠性模型;然后设计转换模型及其规则,将AADL模型转换为连续时间马尔科夫链模型;最后采用概率模型检验工具对连续时间马尔科夫链模型进行可靠性定量分析。仿真结果表明,与现有可靠性分析方法相比,该方法在计算效率和转换效率上都有明显的提高。基于AADL的可靠性分析框架实现在软件系统开发早期对SA进行可靠性定量计算,为AADL在嵌入式软件系统可靠性定量分析方面提供了一种新的验证思路。     

基于Extend的多态PMS仿真模型

针对现有解决多态多阶段任务系统(PMS)的方法存在过程复杂、缺乏统一排序的问题,以最小割集为基础,提出基于Extend的多态PMS仿真模型。通过结构函数表达各阶段的逻辑关系,在已知基本设备失效分布函数的情况下,利用抽样统计思想处理多态PMS中的阶段依赖和模式依赖关系。相比DEP-BDD解析算法,应用该模型求解PMS能在保证可靠度误差较小、稳定性较好的基础上,使建模分析过程更简单。     

BNC-VLA: bayesian network structure learning using a team of variable-action set learning automata

Bayesian Network (BN) is a probabilistic graphical model which describes the joint probability distribution over a set of random variables. One of the most important challenges in the field of BNs is to find an optimal network structure based on an available training dataset. Since the problem of searching the optimal BN structure belongs to the class of NP-hard problems, typically greedy algorithms are used to solve it. In this paper a learning automata-based algorithm has been proposed to solve the BNs structure learning problem. There is a learning automaton corresponding with each random variable and at each stage of the proposed algorithm, named BNC-VLA, a set of learning automata is randomly activated and determined the graph edges that must be appeared in that stage. Finally, the constructed network is evaluated using a scoring function. As BNC-VLA algorithm proceeds, the learning process focuses on the BN structure with higher scores. The convergence of this algorithm is theoretically proved; and also some experiments are designed to evaluate the performance of it. Experimental results show that BNC-VLA is capable of finding the optimal structure of BN in an acceptable execution time; and comparing against other search-based methods, it outperforms them.