MINI——一种可减小变更影响范围的本体演化算法

本体演化会影响依赖本体的服务,使其重新修订和重新部署.面对同一变更需求,不同演化实现方法造成的影响范围差别很大.当前的本体演化研究主要集中在如何实现变更需求以及维护变更前后本体的一致性,对于如何降低演化影响范围关注甚少.文中提出了一种可以有效减小变更影响范围的本体演化算法MINI.该算法首先分析了本体实体和服务之间的依赖关系并提出了量化变更影响范围的数学公式.根据这一公式,MINI算法将本体演化过程转变为图的启发式搜索过程,通过搜索一条影响值最小的变更路径来减小本体演化的影响范围.实验结果表明,MINI算法导致的平均变更影响范围大大小于现有的本体演化算法.该算法已在某实际项目中得以应用和验证.     

网格中一种事件驱动的服务动态中介机制

为实现网格中自治、动态和语义不一致的服务之间的互操作,提出一种事件驱动的服务动态中介机制,以解决网格中服务的动态匹配和互操作问题.在该机制中,引入了业务事件,围绕业务事件给出了一组业务事件关系.基于业务事件关系,给出了四个服务中介操作原语,以实现网格环境下服务之间更为松耦合的交互和数据交换.结合跨组织的供应链场景,讨论了该机制的核心概念、工作原理和互操作过程.实验表明,该机制能够在保持各个服务独立性的情况下实现服务之间的互操作.     

云环境下基于聚簇的科学工作流执行优化策略

基于云环境下的科学工作流,以提高处理机利用率、降低费用为目标,提出了一种基于聚簇的执行优化策略。该策略首先基于合理的任务复制和分簇,以实现关键任务的尽早调度;在此基础上,对任务簇再次进行聚集,以充分利用任务簇中任务间可能的空闲时间。实验表明,该策略能够提高任务的并行度,提前工作流的最早完成时间,并且在提高处理机的利用率和降低科学工作流的执行费用方面有显著效果。     

数字化变电站过渡方案的研究

IEC61850标准研究的逐步深入与电子式互感器等智能电子设备的发展,使变电站实现全数字化成为可能。分析了传统变电站与数字化变电站的区别,阐明了IEC61850与原有协议的差异,并结合现有变电站自动化系统的实际情况,提出了过渡期数字化变电站的解决方案。     

云环境下影响数据分布并行应用执行效率的因素分析

云环境下,类似MapReduce的数据分布并行应用被广泛运用。针对此类应用执行效率低、成本高的问题,以Hadoop为例,首先,分析该类应用的执行方式,发现数据量、节点数和任务数是影响其效率的主要因素;其次,探讨以上因素对应用效率的影响;最后,通过实验得出在数据量一定的情况下,增加节点数不会明显提高应用的执行效率,反而极大地增加执行成本;当任务数接近节点数时,应用的执行效率较高、成本较低。该结论为云环境中类似MapReduce的数据分布并行应用的效率优化提供借鉴,并为用户租用云资源提供参考。     

融合偏置的动态专家信任推荐算法

针对协同过滤推荐算法中数据稀疏、冷启动与噪声用户对推荐质量的严重影响,该文将用户-项目评分数据与用户信任关系数据相结合;提出一种融合偏置的动态专家信任推荐算法(BDETA),首先根据用户信任关系数据进行社区划分,获取用户间显式信任值;其次从社区中用户-项目评分数据获取可信度、隐式信任值;通过结合用户间可信度、显式信任值、隐式信任值动态确定专家信任因子,根据用户的推荐能力为每个社区确定专家数据集;最后结合用户不同评分标准进行评分预测。在真实数据集FilmTrust的实验结果中,能够有效地解决协同过滤中冷启动与数据稀疏问题,可更好地满足用户的个性化推荐需求,并且在推荐系统常用评价指标MAE与RMSE中有着不错的表现。     

一种云环境下科学工作流执行计划的优化方法

为降低云环境下科学工作流的执行代价,提出了一种执行计划的优化方法。引入猴群算法,依靠对当前执行计划的层内和层间优化,在保证工作流全局截止时间约束的前提下,通过同层任务的逻辑聚合和任务的层间调整,尽可能减少各层任务数的差异,以避免资源的闲置浪费,缩短任务的等待时间。实验表明,该方法与类似研究相比,可降低资源消耗量,减小总的延迟时间。     

基于局部收敛权阵进化的BP神经网络MapReduce训练

为提高大样本集情况下BP神经网络的训练效率,提出了一种基于局部收敛权阵进化的BP神经网络MapReduce训练方法,以各Map任务基于其输入数据分片训练产生的局部收敛权阵作为初始种群,在Reduce任务中通过种群进化,选取适应度最高的权阵作为Map任务下一轮训练的初始权阵,直至该权阵对所有输入数据分片收敛。实验结果表明,与现有方法相比,该方法可有效避免MapReduce训练BP神经网络时容易陷入局部收敛的问题,并大大减少训练时间。     

融合社交信息的矩阵分解改进推荐算法

矩阵分解的推荐模型具有推荐精度高和易扩展等特点,已成为目前融合社交信息构建推荐系统的主要模型,但在分解过程中,用户偏好矩阵和物品特征矩阵初始赋值的随机性影响了推荐的性能,忽略了物品以及用户之间隐含的联系与区别。为此,提出一种基于社交信息的矩阵分解改进算法。将评分值分别与社交信息和物品的特征属性相结合,构建用户相似网络与物品相似网络,同时应用社区划分充分挖掘用户、物品之间的潜在关系,并按不同类型节点的近邻差异性,通过建立核心、非核心节点的偏好向量与特征向量得到矩阵分解初始矩阵。在公开数据集上的实验结果表明,该算法的推荐性能优于MF、SR2等同类型算法,运行迭代次数明显降低。     

提高Web服务匹配效率的服务过滤方法

为提高Web服务匹配的时间效率,提出了Web服务与当前服务请求之间的泛化语义无关关系,并证明了满足该关系的服务与当前服务的不可匹配性;提出了判定服务与当前请求的语义泛化无关的高效判定规则,即两者的泛化语义的交是不可满足的;基于该判定规则,提出了支持Web服务匹配的服务过滤方法。应用和实验分析表明,该方法可提高服务匹配的时间效率。