主动数据库管理系统的特征

对于一个数据库管理系统必须支持哪些功能才称得上主动系统还未达成共识，本文提出了主动数据库管理系统必须支持的功能概念，并指出主动数据库管理系统必须具有的特点，最后，给出了几个著名主动数据库管理系统实现的范例。     

一种混合策略的家族遗传分类算法

本文在以往研究工作的基础上,对遗传分类算法进行了改进。算法在种群中引入家族概念,采用族间交叉算子对算法进行综合调控,对族内交叉操作进行微调,针对分类问题的特点采用相应的编码方式和适应度函数。实验结果表明了分类算法的有效性。     

基于XML路径和类型的决策问题的研究

提出了一种算法来分析用正则树表示的XML数据中对XPath的决策问题,并用该方法检查XPath静态类型的数据。此外根据对有限顺序树的带逆操作的逻辑的判定性定理,证明了算法时间复杂度为简单的一个表达式的指数级大小。提出了一套实用的、有效的数学模型来解决XPath表达式中的可满足性问题。并通过对一些决策问题,例如带或者不带类型约束的XPath的空、包含、重叠和覆盖问题的实验对算法进行了证实,实验证明该系统能够有效用于对操作XPath表达式和XML类型注释的程序语言的静态分析器中。     

XML过滤中缓存失效策略的性能分析数学模型

硬件缓存行为是内存驻留的数据密集型系统(例如XML过滤机制)的一个重要特征.目前对XML的过滤方式的主流研究都是用自动机来表达主存中长期运行的XML查询.现主要通过分析性的建模和系统度量来研究基于自动机的XML过滤的cache性能,将原本笼统地针对整个cache失效性的分析细化成建立cache圈内模型和跨圈模型来估计cache的失效率,并通过实验证明该评估机制具有较高的精确度.     

异构安全数据集成的本体建模方法研究

异构安全数据集成对安全信息共享和安全业务协同处理具有重要意义,是数据集成领域的一个重要方向。在分析异构安全数据现状的基础上,研究了现有的基于本体的数据集成建模方法和异构系统间实现安全策略的协同。通过对本体语言OWL进行安全性扩展,提出了一个异构安全数据的本体建模方法并通过实例进行了验证。     

面向服务匹配问题的协同演化算法

服务匹配是服务发现的主要环节.目前,原子服务匹配过程主要存在服务匹配概念狭窄、匹配算法的时间复杂度较高及匹配方案的表示难以被智能优化算法处理等问题.针对上述问题,在原子服务匹配的基础上引入复合服务匹配、抽象复合服务匹配过程的适应度函数及约束条件,设计适用于智能优化算法处理的匹配方案的表示方法.同时,结合协同演化算法设计思路,提出基于粒子群和模拟退火的协同演化算法(PSO-SA),用以求解复合服务匹配.实验结果表明:与现有智能优化算法相比,PSO-SA可在有限迭代次数内获得精度较高的匹配结果,对不同维度的服务匹配问题具有较高的适应性,可用于提高服务发现结果的质量.     

一种基于隶属度优化的演化聚类算法

针对FCM中数据点隶属度的计算是影响算法执行效率的主要因素,提出一种新的加速FCM算法(accelerated fuzzy C-means,AFCM),用于加速FCM及基于FCM的演化聚类算法.AFCM算法采用抽样初始化操作,产生较好的初始聚类中心,对于拥有较大隶属度的数据点,通过一步k-means操作更新模糊聚类中心,同时仅更新小隶属度来达到加速FCM算法的目的.为了验证所提出方法的有效性并提高聚类算法的效率,将AFCM应用于基于演化算法的模糊聚类算法.实验表明,此方法在保持良好的聚类结果前提下,能够减少大规模数据集上聚类算法的计算时间.     

网构软件系统中实体协作的贝叶斯博弈分析

现有的网构软件系统信任模型缺乏对软件实体信任协作过程的分析,以及对信任协作结果的有效预测。为此,运用贝叶斯博弈对软件实体的信任协作关系进行研究。阐述网构软件系统中存在的安全问题,给出网构软件的演化模型,在此基础上,采用贝叶斯博弈理论对系统中软件实体的信任协作过程进行建模。针对博弈过程中信息不完整的问题,通过引入自然选择的概率,利用Harsanyi转换得到更符合实际情况的贝叶斯纳什均衡解,对信任协作结果进行有效预测。实验结果表明,信任协作结果与软件实体与自然选择概率的判断有关,通过调整博弈模型中的相关参数可以促进软件实体有效地进行协作。     

基于引力作用的可选粒度社区发现算法

社区发现是复杂网络研究中的一个重要领域,且应用广泛,但目前已有的大多数算法都需采用社区评判函数来确定社区结构的划分,且仅能得到一种划分结果。引入宇宙星系模型和万有引力定律,基于引力思想提出一种新的复杂网络社区发现算法,为网络中节点赋予质量并构建出社区框架,继而利用引力作用完成社区结构划分,并可对发现社区的粒度大小进行选择以得到多种划分结果,无需先验知识及相关参数。通过真实网络实验验证,并与现有的社区发现算法比较,本文提出的算法能有效且较为准确地挖掘出复杂网络中的社区结构。     

面向离散优化问题的改进二元粒子群算法

二元粒子群算法被广泛用于求解离散组合优化问题。在求解离散优化问题时,二元粒子群算法会出现解空间利用率低,速度和状态趋同以及退化和波动等演化问题。针对这些问题,提出一种改进的二元粒子群算法。算法使用Gray码演化基编码,混沌初始化过程,改进速度和状态调整方法以及子代处理方法用于提高种群利用率和种群多样性。在不同类型的检验函数以及多选择背包问题上,和现有优化算法及其他二元粒子群算法相比,改进算法能够获得较高的收敛精度以及较快的收敛速度,体现出多离散优化问题的实际效用。