基于随机森林算法的通信网络安全风险评估方法

通信网络安全的风险因素具有显著的复杂性与不确定性,且相关数据内存在一定噪声,由此导致通信网络安全风险评估结果存在一定误差。针对这一问题,研究基于随机森林算法的通信网络安全风险评估方法,选取光缆、行政交换机以及录音设备等指标构建通信网络安全风险评估指标体系,并收集指标相关数据生成初始样本集。利用Bootstrapping算法在初始样本集合内重抽样,获取若干个子训练样本集合,同时生成若干棵分类树,汇聚全部分类树,构建基于随机森林算法的评估模型。模型内各分类树均具有一次投票权,经由若干次的投票过程获取最终通信网络安全风险评估结果。实验结果显示该方法对于数据噪声有较高的容忍度,可准确评估测试对象风险等级。     

求解多目标最小生成树的改进多目标蚁群算法

多目标最小生成树问题是典型的NP问题。针对此问题,提出一种改进的多目标蚁群算法。为获得更好的非劣前端,通过合理选取多个信息素扩散源与扩散策略来避免其早熟收敛,并引入非支配排序算子,提高种群多样性并避免算法过早陷入局部最优解。对比实验结果表明：对于多目标最小生成树问题,该算法是有效的,不但在求解效率和解的质量方面优于相关算法,而且随着问题规模的扩大,算法仍保持较好的性能。     

改进的快速探索随机树双足机器人路径规划算法

针对快速探索随机树(RRT)算法进行路径规划时随机性大且未考虑移动代价的问题,提出了任意时间快速探索随机树算法。生成一组快速探索随机树,之后每个树都重新使用上个树的信息来不断改进树的延伸。为进一步优化算法,使用节点缓存来生成一个引力函数来减少移动代价。最终的算法能够快速地生成初始路径,在规划时间内不断地改进路径且通过使用阈值来确保后面路径都比上次的移动代价更小。双足机器人仿真实验中,改进后的算法与初始的算法相比,搜索的节点数由883减少到704,效率提高了近25%。实验结果表明了改进算法的有效性。     

应用最小生成树实现点云分割

点云分割是点云参数化、形状识别、编辑造型等领域的关键基础算法。提出一种基于最小生成树的点云模型分割算法,包括生成带状分割边界、区域增长、拆分带状分割边界以及生成最终区域4个步骤。算法采用Snake模型提取分割曲线并向两侧扩展形成带状分割边,利用最小生成树实现区域增长来提取区域内部点,最后拆分带状分割边界并与已有区域合并形成最终区域。实验结果表明,该算法能够有效避免过分割和欠分割,能够生成光顺分割边界,与Level Set分割算法相比具有较高的效率。     

物流网络中节点带权的Steiner最小树的参数算法

通过优化物流的运输网络,可以有效地降低物流成本。集中配送的物流网络优化问题可以转换成求解节点带权的Steiner最小树问题,这是一个NP-hard问题。运用参数理论,提出一种新的启发式解决算法P-NSMT。算法的思想是：首先尽可能只利用终端节点构造一棵连通的最小生成树,然后逐步向树中添加能减少生成树总权值的Steiner节点,最终生成一棵节点总数不超过参数k的Steiner最小树。实验表明,与同类型其他算法相比,P-NSMT算法具有更好的准确性和时间效率,特别适应于网络规模大、终端配送节点数目较少的物流网络。     

限制树宽的图的最小标记生成数算法

本文研究了图的最小标记生成树问题。首先介绍在一般图上基于搜索树的最小标记生成树的算法;然后考虑了限制树宽的图,得到了效率更高的算法。该算法在树宽为常数的情况下,时间复杂度关于图的顶点个数为多项式,从而也证明了最小标记生成树在限制树宽的图上属于确定参数可解问题。     

多播路由kpp算法的改进

给出了一种满足端到端时延限制的多播路由算法。该算法是基于通信网络参数加权steiner树的构造技术。当通信网络的目的节点集的时延不受限时,steiner树就是prim算法的最小生成树,而在时延受限的情况下,算法在给定目的节点集后,通过改变费用与时延的加权参数逼近最优解。通过现有算法的算例指出了现有算法的多播路由树构造中的问题,使steiner树的最优性得到保障,实验模拟表明该算法在构造多播树在优化和效率上都有了明显的提高。     

在FP-树中挖掘频繁模式而不生成条件FP-树

FP-growth算法是目前已发表的最有效的频繁模式挖掘算法之一．然而，由于在挖掘频繁模式时需要递归地生成大量的条件FP-树，其时空效率仍然不够高．改进了FP-树结构，提出了一种基于被约束子树挖掘频繁项集的有效算法．改进的FP-树是单向的，每个结点只保留指向父结点的指针，这大约节省了三分之一的树空间．通过引入被约束子树(可以用3个很小的数组表示)，算法在挖掘频繁模式时不生成条件FP-树，从而大大提高了频繁模式挖掘的时空效率．实验表明，与FP-growth算法相比，算法的挖掘速度提高了1倍以上，而所需的存储空间减少了一半．此外，随着数据库规模的增大，算法具有很好的可伸缩性．对于稠密数据集，算法也具有良好的性能．     

基于多生成树和子网-节点度联合权重的MCDS构造算法

提出了一种基于多生成树和子网-节点度联合权重的静态无线网络极小连通支配集MCDS构造算法SWNMCDS。算法首先设定一个概率p,每个节点随机生成一个概率并与p对比后决定是否成为候选根节点。两跳范围内的候选根节点相互交换信息,确定最终的根节点。每个根节点基于节点权重的连通树生成算法生成多棵连通树。最后基于子网-节点度联合权重选择连通节点,将多棵连通树连成极小连通支配集。经分析,SWNMCDS算法近似比上限为2β(2+H(Δ)),时间复杂度为O(Δ2),消息复杂度为O(Δ2)(Δ为最大一跳邻居节点集合的大小,β为生成树数目)。仿真实验表明,与经典MCDS算法比较,SWNMCDS所构造的连通支配集具有较小的规模。     

目的驱动最短路径树的快速算法

通过分析目的驱动最短路径生成树算法DDSP(Destination-drivenShortestPath)的节点搜索过程,提出一种以较小的存储空间为代价,减少DDSP算法在搜索当前节点、父节点和待处理节点时搜索空间的快速算法FDDSP(Fastdestination-driv-enshortestpath)。随机网络模型的仿真结果表明,FDDSP算法生成的多播树与DDSP算法相同,但FDDSP算法的效率更高。     

Controlled generation of hard and easy Bayesian networks: Impact on maximal clique size in tree clustering

This article presents and analyzes algorithms that systematically generate random Bayesian networks of varying difficulty levels, with respect to inference using tree clustering. The results are relevant to research on efficient Bayesian network inference, such as computing a most probable explanation or belief updating, since they allow controlled experimentation to determine the impact of improvements to inference algorithms. The results are also relevant to research on machine learning of Bayesian networks, since they support controlled generation of a large number of data sets at a given difficulty level. Our generation algorithms, called BPART and MPART, support controlled but random construction of bipartite and multipartite Bayesian networks. The Bayesian network parameters that we vary are the total number of nodes, degree of connectivity, the ratio of the number of non-root nodes to the number of root nodes, regularity of the underlying graph, and characteristics of the conditional probability tables. The main dependent parameter is the size of the maximal clique as generated by tree clustering. This article presents extensive empirical analysis using the Hugin tree clustering approach as well as theoretical analysis related to the random generation of Bayesian networks using BPART and MPART.     

Tree-Based Parallel Algorithm Design

In this paper a systematic method for the design of efficient parallel algorithms for the dynamic evaluation of computation trees and/or expressions is presented. This method involves the use of uniform closure properties of certain classes of unary functions. Using this method, optimal parallel algorithms are given for many computation tree problems which are important in parallel algebraic and numerical computation, and parallel code generation on exclusive read and exclusive write parallel random access machines. Our algorithmic result is complemented by a P-complete tree problem. Received February 13, 1995; revised March 25, 1996.     

不完全数据集的差分隐私保护决策树研究

主要研究在对不完全数据集进行决策树分析时,如何加入差分隐私保护技术。首先简单介绍了差分隐私ID3算法和差分隐私随机森林决策树算法;然后针对上述算法存在的缺陷和不足进行了修改,提出指数机制的差分隐私随机森林决策树算法;最后对于不完全数据集提出了一种新的WP(Weight Partition)缺失值处理方法,能够在不需要插值的情况下,使决策树分析算法既能满足差分隐私保护,也能拥有更高的预测准确率和适应性。实验证明,无论是Laplace机制还是指数机制,无论是ID3算法还是随机森林决策树算法,都能适用于所提方法。     

组密钥管理中的d叉树数据结构设计

d叉树数据结构与算法在互联网多播安全的层次化组密钥管理的实现中是极其重要的。我们设计了适用于层次化组密钥管理的d叉树数据结构表示与算法,并给出了相应的存储结构中随机定位所需要的数学性质。     

广域网中的快速组播树生成算法

在组播树生成算法中,MPH(minimum path cost heuristic)的费用性能几乎是最好的,但它的计算时间相对较长,提出了两种新的组播树生成算法：TNS-MPH(tree-mode started minimum-cost path heuristic)和NTDS-MPH(non-tree-destination started minimum-cost path heuristic).同时提出了一种使节点平均度非常精确的随机网络产生模型。新算法的仿真结果表明,新算法用较少的费用性能恶化来换取更快的计算速度。新算法比SCTF（selective closest terminal first）算法有更好的扩展性。     

基于二叉树的平面实体树生成算法及其应用

本文给出的平面实体树生成算法和凸壳生成算法是基于二叉树表示的平面图形处理基本算法,可广泛用于平面布局、平面图形识别、平面矩形网格生成等和类不同的问题。     

树木的建模与实时渲染技术

详细论述了树木生成以及渲染的实现过程.描述了一个使用随机L-系统的树木建模方法,以及几何绘制和替代物渲染相结合的树木渲染方法,并讨论了树木阴影的生成.最后,使用VC++和OpenGL设计了一个树木的生成器和一个树木的渲染器,实现了树木的建模与渲染.程序的运行结果表明,该方法能够取得较好的渲染效率和不错的视觉效果.     

On the lexicographical generation of compressed codes

A certain class of algorithms for the lexicographical generation of combinatorial objects can be considered as working on the code tree representation of the objects processed. Then the strategy used by the algorithms in order to find lexicographical successors corresponds to a special kind of tree traversal. If the encoding used is redundant in the sense that the code tree has nodes with only one successor, compression becomes possible which allows for a speed-up in the lexicographical generation. In this note we analyze the average running time saved when compression is applied. For this purpose we consider random code trees within the model of simply generated trees together with the compression as used for the trie and the PATRICIA data structure. We prove general results which quantify the average savings only depending on the generator Θ and the size of the family under consideration. As an example, those results are applied to consider random encodings over an s-ary alphabet. Finally, we comment on connections of our findings to the problem of ranking words of a given language.     

面向大数据分析的决策树算法

决策树作为机器学习中的一个预测模型,因其输出结果易于理解和解释,而被广泛应用于各个领域,成为了学术界研究的热点。随着数据产生速度的剧增,由于内存容量和处理器速度等限制,常规的决策树算法无法对大数据集进行处理,因此需要对决策树算法的实现进行针对性的处理。首先阐述了决策树的基本算法和优化方法,在此基础上结合大数据带来的挑战,分类比较了各类针对性算法的优缺点,并介绍了支撑这些算法运行的平台。最后讨论了面向大数据的决策树算法的未来发展方向。     

虚拟植物模型参数优化及仿真

针对目前分形树生成算法中交互式设置参数量大的问题,本文提出了一种快速绘制大量不同形态的植物并能简单模拟同一形态植物的生长序列的可控随机变换植物模型参数优化方法,并描述了该方法的核心思想及实验过程。该方法通过分析植物模型参数之间的关系从而简化参数设置,在对场景中植物的细节要求不高,而关注大量不同形态的植物快速绘制以及简单模拟同一形态植物的生长序列时,能生成用户满意度较高的图形。算法具有一定的通用性并为简化交互式建模操作提供了较高的研究参考价值。