命题模态逻辑S5系统中并行推理方法

S5系统是一类知识表示能力和处理能力都较强的模态公理系统,它是认知逻辑、信念逻辑等非经典逻辑理论的基础。根据Kripke语义模型以及S5系统中部分公理,对命题模态逻辑S5公理系统的性质进行了较为深入的研究,并对S5系统中一类具有代表性的标准模态子句集的特性进行了分析,提出了一种基于扩展规则方法的命题模态逻辑推理算法(propositional modal clausal reasoning based on novel extension rule,PMCRNER)。针对朴素算法时间复杂度较高的问题,利用任务间潜在的关联性对算法同时进行了粗粒度与细粒度并行化,提出了并行算法PPMCRNER(parallel PMCRNER)理论框架,并且与基本算法进行了对比。实验结果表明,PPMCRNER算法在不可满足的子句集上的推理具有良好的加速比,为高时间复杂性的模态推理方法的进一步研究提供了一种可行方案。     

基于局部并行搜索的分布式约束优化算法框架

针对当前局部搜索算法在求解大规模、高密度的分布式约束优化问题（DCOP）时,求解困难且难以跳出局部最优取得进一步优化等问题,提出一种基于局部并行搜索的分布式约束优化算法框架（LPOS）,算法中agent通过自身的取值并行地搜索局部所有邻居取值来进一步扩大对解空间的搜索,从而避免算法过早陷入局部最优。为了保证算法的收敛性与稳定性,设计了一种自适应平衡因子K来平衡算法对解的开发和继承能力,并在理论层面证明了并行搜索优化算法可以扩大对解空间的搜索,自适应平衡因子K可以实现平衡目的。综合实验结果表明,基于该算法框架的算法在求解低密度和高密度DCOP时性能都优于目前最新的算法。特别是在求解高密度DCOP中有显著的提升。     

基于完全加权关联规则的局部反馈查询扩展

针对现有查询扩展存在的缺陷,将完全加权关联规则挖掘技术应用于查询扩展,提出新的查询扩展模型和扩展词权重的计算方法;提出基于完全加权关联规则挖掘的局部反馈查询扩展算法。该算法能自动从初检的前列文档中挖掘与原查询相关的完全加权关联规则,从规则中提取与原查询相关的扩展词,实现查询扩展。实验结果表明,与现有查询扩展算法比较,该查询扩展算法的检索性能得到很好的改善和提高。     

基于MCN和MO启发式策略的扩展规则知识编译方法

在基于扩展规则的知识编译算法的基础上提出了2种启发式策略:MCN策略和MO策略.MCN策略和MO策略利用子句集的信息分别选择相应子句和变量,减少扩展规则的使用次数,进而降低知识编译后目标子句集的规模.在此基础上,设计并实现了MCN_KCER,MO_KCER和MCN_MO_KCER算法.实验结果表明:2种启发式策略都可以大幅度减小编译后的子句集规模,同时使用它们的效果更为明显,经过编译后得到的子句集规模是原算法的1/3～1/39,从而大幅度提高之后的在线推理阶段的效率.     

基于频繁项集与负规则的局部反馈查询扩展

针对信息检索中存在的词不匹配问题,提出了基于频繁项集和负关联规则挖掘的局部反馈查询扩展模型及其算法.该算法对前列n篇初检文档挖掘频繁项集和非频繁项集,并从频繁项集中提取关联词;从频繁项集和非频繁项集中挖掘负关联规则,提取负关联规则后件作为负关联词,计算负关联词与整个原查询词的相关性;根据相关性删除关联词库中与负关联词相同的词项,将余下的关联词项作为最终扩展词,并与原查询组合成新查询,实现查询扩展.实验结果表明,该算法能发现虚假的负关联词,有效地提高和改善信息检索性能.     

基于组合禁忌搜索的并行测试任务调度研究

任务调度是研究并行测试技术的核心问题。建立了该问题的数学模型,提出了一种基于组合禁忌搜索的并行测试任务调度方法,通过任务分组的规则构造较好的初始调度序列,利用禁忌搜索迭代寻找最好的调度序列,快速完成基于测试时间最短的任务调度规划。对实例进行了仿真实验,与基本禁忌搜索算法进行比较,仿真结果验证了该组合禁忌搜索算法的高效性和有效性。     

基于扩展规则的模型计数与智能规划方法

提出命题扩展规则方法ER的一种高效实现.在此基础上,研究了扩展规则方法在3个领域的应用:提出一次性求解一系列相近SAT问题的快速算法nER;提出基于扩展规则的模型计数算法     

基于种群演化的超参数异步并行搜索

近年来随着深度学习尤其是深度强化学习模型的不断增大,其训练成本即超参数的搜索空间也在不断变大,然而传统超参数搜索算法大部分是基于顺序执行训练,往往需要等待数周甚至数月才有可能找到较优的超参数配置.为解决深度强化学习超参数搜索时间长和难以找到较优超参数配置问题,提出一种新的超参数搜索算法—–基于种群演化的超参数异步并行搜...     

基于BK树的扩展置信规则库结构优化框架

针对扩展置信规则库(extended belief rule base,EBRB)系统在规则数较多时推理效率不理想的问题,引入BK树数据结构,提出了一种基于BK树的结构优化框架。首先根据置信规则在度量空间中彼此的距离建立EBRB的树形索引结构,然后通过设置阈值减少EBRB系统推理时搜索规则的数量,并激活关键规则,最终达到提高EBRB系统推理效率的目的。以非线性函数拟合、输油管道泄露仿真实验及分类数据集的对比实验,验证结构优化框架在EBRB系统中的有效性,实验结果表明,所提框架能够优化EBRB系统推理效率并提高决策准确性。     

数据缺失的扩展置信规则库推理方法

数据驱动的扩展置信规则库专家系统能够处理含有定量数据或定性知识的不确定性问题.该方法已被广泛地研究和应用,但仍缺乏在不完整数据问题上的研究.鉴于此,针对不完整数据集上的问题,提出一种新的扩展置信规则库专家系统推理方法.首先提出基于析取范式的扩展规则结构,并通过实验讨论了在新的规则结构下,置信规则前提属性参考值个数对推理方法的影响;然后提出通过不完整数据生成具有不完整置信规则,并构成析取范式置信规则库的方法,同时引入衰减因子修正不完整规则权重,使不完整规则可以更合理地参与信息融合过程;最后,选取若干个公共数据集对所提方法进行验证.与其他方法的实验对比显示,新方法在完整数据集上有良好表现的同时,对具有不同缺失程度和缺失模式的数据集表现出更好更稳定的推理效果.     

支持产生式系统并行推理的动态推理网

产生式系统作为人工智能领域的重要分支,已得到较为成熟的应用.同时也不断面临一些新的需求.针对产生式系统并行处理能力的需求,提出一种基于动态推理网(DRN)的知识库构造方法,并介绍整个知识库的描述与构造方式,以及相关算法的实现.在此基础上支持产生式系统的并行推理功能.     

基于云模型定性规则推理的分类方法

根据粗糙集原理和模糊集理论,提出了一种基于云模型定性规则推理的分类方法,利用云的相关理论获得多条件单规则中包含隶属度的决策表,结合模糊模式识别技术进行样本分类。针对一些数据对象分别隶属于不同类别的情况,用定性概念来代替模糊集中的定量数据并建立二元关系,能对连续型数据进行更为简单合理的＂软＂分类,从而使基于定性概念的算法模型符合人类思维方式。     

Knowledge Compilation Using the Extension Rule

In this paper, we define a new class of tractable theories: EPCCL theories. Using EPCCL theories as a target language, we propose a new method for knowledge compilation. It is different from existing approaches in that both the compilation and the querying are based on the extension rule, a newly introduced inference rule. With our compilation method, arbitrary queries about the compiled knowledge base can be answered in linear time in the size of the compiled knowledge base. For some theories, the compilation can be done very efficiently, and the size of the compiled theory is small. Furthermore, our method suggests a new family of knowledge compilation methods.     

一种基于产生式规则的不确定推理模板模型的研究

该文针对现有不确定推理模型,结合专家知识不确定性在产生式规则系统中的体现,归纳出一种更接近人类专家处理不确定性和方便人们理解与构造实例模型的不确定推理模板模型。该模板模型可作为现有模型的分析模板和新的基于产生式规则的不确定推理模型研究与构造的基本框架模板。该文详细阐述了该模板模型的组成和工作原理,并用它对现有不确定推理模型进行了实例分析;最后,指出该模板模型各组成子模型的研究方向。     

自适应人机界面规则推理的粗糙集方法

为了完善人机界面自适应机制,提高交互系统可用性,提出一种基于粗糙集的自适应规则推理方法.建立了用户类型和交互任务特征驱动的用户模型,在此基础上构造决策表以描述不同人机界面模式与用户模型之间的自适应匹配关系;采用基于属性依赖度的约简算法求解最简决策规则,并通过粗糙算子进行不一致性冲突消解,生成人机界面自适应规则产生式.按文中方法构建了实例系统的自适应人机界面,通过用户测试验证了该方法的实用性和有效性.     

结合本体和规则推理的SFMEA方法研究

安全关键软件一旦失效将造成严重后果。软件失效模式和影响分析(Software Failure Modes and Effect Analysis,SFMEA)是一种工业界常用的软件安全性分析方法。由于SFMEA依赖人工分析,存在信息共享性差、分析准确性低等问题。针对上述问题,提出一种结合本体和规则推理的SFMEA方法。首先,构建了支持失效知识表示的SFMEA本体,实现软件失效知识的精确语义描述。在此基础上,以规则描述语言SWRL来定义失效规则,通过分析失效原因,实现对失效造成影响的自动化推理。最后,结合一个发动机熄火判断模块的案例分析,说明该方法的可行性和实用性。     

复杂因果图并行推理算法研究

因果图的精确推理算法是NP难的,因此寻找高效的推理方法是值得研究的问题。介绍了因果关系研究进展,对经典因果图推理过程作了进一步分析,在此基础上提出了复杂因果图的并行推理算法,并对算法的时间复杂度进行了分析,最后用一个实例验证了算法的推理效果。研究表明,该复杂因果图并行推理算法有效地降低了时间复杂度,特别是在有环且处理机数量足够的情况下和无环且处理机有限的情况下,算法的复杂度是一个多项式时间复杂度,这为因果图提供了一种可行的新的推理方法。     

基于投影寻踪和MapReduce的并行案例推理模型

在大规模、高维度的数据环境下,传统的案例推理具有计算复杂度高、实时性差等缺点。为在大数据环境下进行案例推理,提出了一种基于投影寻踪和MapReduce的并行推理模型dpCBR。在数据预处理阶段,计算源案例到基准向量的一维投影距离并缓存,降低计算复杂度并减少重复计算开销。在案例检索阶段,先根据投影距离裁剪案例库,再进行相似度匹配,减少不必要的案例匹配开销。应用MapReduce进行分布式并行处理,使dpCBR具备对大规模案例库的推理能力。实验结果表明,dpCBR模型可以明显提高大数据环境下案例推理的效率。