车载自组网的自适应证书分发策略

提出了一种自适应证书分发策略,能够根据各种环境动态调整分发方式获得最优均衡解。首先,设置一个可以根据交通环境和安全状况自适应调整的阈值,当该阈值小于给定的新车占比时,节点将发送带有证书的数据包;否则,将发送没有证书的包。然后,提出了一个量化模型来评估车载自组网的收益,包括计算和分析发送/接收节点的开销、安全性和损耗等。仿真结果表明,本文所提出的策略在各种交通条件下都能很好地平衡性能和安全。     

基于GSPN的Ad-hoc网络性能和安全平衡

关于Ad-hoc网络研究中性能与安全的平衡问题有很多优化方案,但一直缺乏统一的量化标准来比较性能和收益,为此,提出了一种可以广泛使用的方法来评估Ad-hoc网络中性能和安全平衡。首先,采用GSPN构建节点内和节点间的数据传输模型;然后,运用Petri网抽象和精化;最后,结合连续时间马尔可夫链CTMC计算性能、安全和收益。通过这种方式,可将不同策略纳入统一的评估框架中,根据不同环境和需求选择最优均衡解,并在数据加密算法、密钥大小和策略选择上进行了仿真,为该模型利于网络资源的利用提供了理论依据和数据支持。     

教学与科研关系的思考及其在数据结构课程建设中的实践

分析教学与科研对立与统一的关系问题,指出二者关系对于社会发展、高校发展以及教师个人发展的重要意义,结合国家级精品课数据结构的建设过程说明如何做到教学与科研的统一,介绍两则实验题目和创新实验的设计原则。     

基于相似度约束的双策略蒸馏深度强化学习方法

策略蒸馏是一种将知识从一个策略转移到另一个策略的方法，在具有挑战性的强化学习任务中获得了巨大的成功。典型的策略蒸馏方法采用的是师生策略模型，即知识从拥有优秀经验数据的教师策略迁移到学生策略。获得一个教师策略需要耗费大量的计算资源，因此双策略蒸馏框架(Dual Policy Distillation, DPD)被提出，其不再依赖于教师策略，而是维护两个学生策略互相进行知识迁移。然而，若其中一个学生策略无法通过自我学习超越另一个学生策略，或者两个学生策略在蒸馏后趋于一致，则结合DPD的深度强化学习算法会退化为单一策略的梯度优化方法。针对上述问题，给出了学生策略之间相似度的概念，并提出了基于相似度约束的双策略蒸馏框架(Similarity Constrained Dual Policy Distillation, SCDPD)。该框架在知识迁移的过程中，动态地调整两个学生策略间的相似度，从理论上证明了其能够有效提升学生策略的探索性以及算法的稳定性。实验结果表明，将SCDPD与经典的异策略和同策略深度强化学习算法结合的SCDPD-SAC算法和SCDPD-PPO算法，在多个连续控制任务上，相比经...     

面向应用场景的数据结构线上实践教学案例

针对疫情下的数据结构线上实践教学需要,为进一步激发学生编程兴趣和参与热情,例举3个与实际应用紧密结合的、基于在线评测的数据结构线上实践教学案例并进行相关分析,最后说明取得的教学效果。     

结合部件动态变化度求解最小碰集的GRASP算法

针对最小碰集求解问题,提出一种改进的GRASP算法。在算法构造解阶段,提出一种结合部件动态变化度d-covered的打分机制,用来选择可能是最小碰集的部件,避免非最小碰集部件的加入,并能较早地得到最小碰集;在算法局部搜索阶段,结合部件动态变化度drcovered给出锦标赛策略,进而从当前解对应的冗余部件中删除较可能是非最小碰集的部件。此外,还给出了完备算法和不完备算法的时间复杂度分析。实验结果表明:与现有完备算法相比,本文算法能够在较短的时间内找到最优解;与现有不完备算法相比,本文算法可以找到更短长度的最小碰集。