信息共享的记忆被囊群算法

针对基本被囊群算法求解精度较低、收敛速度较慢、容易陷入局部最优的缺陷,提出信息共享的记忆被囊群算法.首先,将整个种群分为执行信息共享搜索和喷气推进搜索两个子群,引入动态自适应调整策略,用于平衡算法的全局开拓能力和局部开发能力.然后,在执行信息共享搜索模式时,部分个体向同伴所在领域相互获取信息,实现种群个体之间信息的充分交流与共享.另一部分个体引入历史最优位置,用于引导学习,增强算法搜索的有效性.在20个基准测试函数上的实验表明,文中算法的收敛速度、求解精度、鲁棒性等都较优.     

一种博弈竞争选择的异构无线网络最优接入策略

为了提高异构无线网络的信息传输速率和网络利用率,减少网络的系统开销,提出一种博弈竞争选择的异构无线网络最优接入策略算法,该算法在考虑了实际带宽的情况下引入了代价因子,并得到最大化的网络信息传输速率.在接入网络的选择上,通过采用基于博弈模型和最优接入策略的博弈模型,通过多项服务质量指标来计算综合竞争值,从而通过竞争值大小来选择最优的接入网络.实验仿真及数据结果表明,相比另外两种异构接入网络的选择算法,该算法具有带宽资源利用率和网络信息传输速率更高的优势.     

地方院校软件工程课程群建设探索

为了落实地方院校应用型人才培养目标,分析了当前地方院校软件工程课程体系建设的不足,依据软件工程课程群建设的原则,并结合我校计算机科学与技术(信息技术方向)的教学实际,对软件工程课程群课程体系的建设和优化进行了探讨。     

基于PCA的SVM网络入侵检测研究

文章针对传统入侵检测方法无法很好地对大样本数据降维、检测效率低、时间长、误报漏报率高等缺点,提出一种基于主成分分析(principal component analysis,PCA)的支持向量机(support vector machine,SVM)网络入侵检测方法(PCA—SVM)。该方法在对数据进行预处理之后,通过PCA对原始数据集的41个属性进行数据降维并消除冗余数据,找到具有最优分类效果的主成分属性集,然后再以此数据集训练支持向量机分类器,得到检测器。实验选择KDD99数据集在Matlab平台上对PCA-SVM算法进行仿真。相比于由传统41个属性训练得到的入侵检测器,文中方法大大缩短了检测时间,提高了检测效率,为网络入侵检测技术提供了一种新的可行方案。     

一个数据库访问中间件的研究与设计

分析了ADO.NET数据库访问技术的强大功能以及面向服务的特点,该文开发了一种基于Web服务的数据库访问中间件,实现了数据存取与业务处理相隔离,从而使得应用程序的层次清晰,提高程序的可复用性和降低模块间的耦合性。     

求解柔性作业车间调度问题的鸟群算法

柔性作业车间调度问题是生产调度领域中非常重要的一类带约束优化问题。根据其求解特性,提出一种基于改进的鸟群算法求解以最小化最大完工时间为目标的柔性作业车间调度问题的方法。该方法采用随机黑洞策略改进鸟群的觅食方式,自适应的动态调整策略改善鸟群的迁移步长,从而提高种群的多样性并加速算法的收敛速度;通过对关键路径上工序的领域搜索加强算法的局部搜索能力。最后利用实际制造企业的生产加工数据以及标准测试实例进行仿真实验,实验结果表明,该算法在问题的求解精度和收敛速度上具有一定的优势,是一种有效的求解柔性作业车间调度问题的新方法。     

融合入侵杂草算子的蝙蝠算法

针对基本蝙蝠算法在寻优后期存在寻优精度低、早熟及易陷入局部最优等缺陷,提出一种融合入侵杂草生长繁殖局部搜索的蝙蝠算法。该算法将入侵杂草算法的杂草生长繁殖、空间扩散和竞争机制融合到蝙蝠算法中,采用动态调整杂草空间扩散算子的标准差,使算法既增加了全局搜索能力,同时也提高了局部搜索能力。通过对8个标准测试函数的仿真测试,结果表明该算法具有较优的全局搜索和局部搜索能力,在寻优精度和收敛性方面都比基本蝙蝠算法有较大的提高。     

一种面向攻击效果的网络安全态势评估方法

基于攻击和威胁的网络安全态势评估模型已经成为研究热点,攻击数量和攻击造成的影响效果是两个重要的确定态势值的因素。利用攻击数量因素来确定态势值已经得了良好的效果。但是从攻击对系统影响角度来确定态势值方面,仍然考虑不够。本文首先基于层次化网络安全态势评估模型,介绍利用攻击数量来计算网络安全态势值的公式。然后分析攻击对系统造成影响,利用攻击影响对公式修正,推导出充分考虑攻击数量和影响效果的公式。通过实验证明修正后的公式更加能反映实际情况。     

面向异构效用的移动群智感知多目标任务分配

当前移动群智感知(MCS)任务分配往往只考虑工人或平台单方面的效用,并且效用的构成也不够全面。因此基于工人信誉指数和任务熟练指数,设计了工人和平台两方面的异构效用机制,并提出一种双种群竞争的多目标进化算法(DCMEA)来获得最优的工人和平台异构效用。该算法首先通过随机贪婪初始化种群,然后使用二元竞标赛算法将种群划分为胜者种群和败者种群,并针对每个种群采用不同的进化策略。最后,通过修复算子使进化过程中的无效个体满足约束条件。在真实场景的数据集上进行实验表明,与基线算法相比,DCMEA收敛速度更快,能够找到精度更优、稳定性更好的任务分配解集,同时在更为复杂的场景中依然能够保持其性能。