基于Struts和Hibernate的多层构架在JAVA Web开发中的应用

分析通常采用JSP/Java Servlet开发Web应用时存在的长处与缺点,给出一种基于实现了MVC模式的Strusts框架和对象/关系映射框架Hibernate构建的多层结构,并通过一个实例对多层结构进行了分析。     

多版本技术中相同操作的处理策略

意愿保证是协同编辑系统中的关键问题之一,其研究具有挑战性.多版本技术通过对象复制策略有效地解决实时协同图形编辑系统中的冲突操作的意愿保证问题.本文分析了编辑中一类重要操作--相同操作在多版本技术及其对象标识中存在的问题,提出了一个对象版本标识解决方案和相关的策略,并讨论了相同操作对操作历史日志的维护的影响和改进.实验表明,本文提出的方法有效地完善了多版本技术中对不同操作的处理.     

面向web应用的Hibernate模型封装方法改进

分析了Hibernate的模型封装方法在web应用中的一个不足：当页面有空值“”传入的时候,Hibernate无法与视图层共用模型类.针对常用的web应用数据类型对Hibernate在Web应用中的模型封装方法做了一个改进,并在Oracle和Sql Server数据库上做了验证.     

基于佳点集的多目标遗传算法

佳点集遗传算法是利用数论中的佳点集的理论,对GA算法中的交叉操作进行了重新设计的GA算法.该算法不仅提高了求解的效率和精度,还能有效地避免"早熟"现象.对其部分机制作出改动,使其可以应用于多目标优化问题.并将其引入一个典型的多目标遗传算法NPGA中.文中给出的仿真算例证实了改进方法的有效性.     

多层框架在远洋船务系统中的应用

研究分析了现存船务系统的不足及现代远洋船务的需求,通过整合Struts2、Hibernate、Spring这3种框架,由Struts2实现表现层,Hibernate负责数据持久层,Spring负责业务逻辑层并为Struts和Hibernate提供支持,设计了基于S2HS的多层框架的Web开发模型,并将这一先进的多层框架应用到远洋船务系统,充分发挥了三大框架各自的优势,提高了开发效率。     

多对多RPC设计模型研究

本文提出了多对多RPC模型,并讨论了该模型各部分的结构以及服务请求对象的内容。为了防止一个Agent-group超载,我们提出了两种多Agent-group方法。     

基于J2EE多层架构的Web开发框架研究

在经典的J2EE四层体系结构的基础上增加数据持久层,提出了基于J2EE五层体系结构的Web开发框架;分析了基于Struts框架的J2EE架构中实现对象持久性的局限性,从中分离出对象持久层,并将Hibernate这个面向对象的轻量级对象持久性技术集成到该架构中;应用DAO设计模式在业务逻辑层与持久层之间设计了多源数据访问组件,抽象和封装了对不同数据源的数据访问操作,实现对不同类型、结构、环境、用法的异构数据库的统一访问。     

Hibernate一对多双向关联映射在驾校管理系统中的应用

本文讨论了Hibernate一对多关联映射是三种形式,即一对多单向关联、多对一单向关联和一对多双向关联映射,本文介绍了一对多双向关联的作用和实现原理,并基于驾校管理系统的数据库设计实现了一对多双向关联的一个应用。     

DPMAS:一种多主体系统设计方法

提出一种多主体系统设计方法DPMAS。首先,该方法以对象作为主体实现的基础,以UML作为基本的建模语言,保证了与面向对象方法的延续性。同时,该方法提供了新的图来表示多主体系统中的知识模型和主体间交互模型,并对UML符号进行了一些改进以表示主体特有的概念。     

多视点图像的前景对象自动分割方法

为了将前景对象从多视点图像中自动地分割出来,提出一种基于多视点图像特征分析的对象提取方法.首先采用改进的随机Hough变换提取极线平面图中的直线,并对已检测直线的斜率进行统计分析;然后根据对象在场景中所处的深度,将对应斜率的直线转换到原始图像空间中得到初始轮廓;并利用边缘生长方法缩短断开边缘的间距;最后采用边缘连接方法获得闭合的轮廓曲线.实验结果表明,与基于水平集的主动轮廓模型分割方法相比,文中方法能更加快速、精确地将对象从复杂场景中分割出来.     

多模型预测控制在苯乙烯聚合反应中的应用

针对苯乙烯聚合反应过程的非线性特性,将预测控制方法与多模型建模和控制原理结合起来,提出了一种基于性能指标的切换多模型非线性预测控制方法,针对聚合反应过程进行的仿真实验结果表明,该方法对类似非线性对象具有适用性,控制性能相比较普通预测控制算法也有了很明显的改进和提高.     

基于多目标优化的SVM多类分类方法

为了利用ROC曲线下的面积(AUC),更好地评价多类SVM学习效果,提出了MOSMAUC(multi-objectiveoptimizesmulti-classSVMbasedonAUC)算法.该算法采用AUC作为评价标准,利用多目标优化算法作为SVM参数的优化方法,避免优化对象的AUC值过低问题,因为在多类分类学习中任何一个两类分类的AUC值太低,都会影响整体学习的效果.实验结果表明,提出的优化方法改进了算法的学习能力,取得了较好的学习效果.     

协同图形编辑系统中一种改进的多版本递增创建算法

并发控制技术是CSCW研究的关键技术之一，旨在对并发操作进行控制以达到一致性维护的目的。本文对协同图形编辑系统中一种新颖的多版本方法进行了研究，提出了一种改进的多版本对象动态递增创建算法，并通过模拟实验结果表明：改进后的算法性能有较大的提高。     

一种自定义持久化机制的研究

Hibernate是目前Java开源界最流行的对象关系映射工具,能对绝大多数关系数据库进行持久化映射.但是Hibernate对其它存储格式支持却只提供了接口,而没有提供具体的实现方法.本文针对Hibernate的这一不足之处,设计了自定义持久化模型,并针对HashMap设计了自定义持久化方法,编写了一套自定义持久化的算法,最后分析了这种方法的效率.目前针对HashMap设计的自定义持久化方法已经在项目中进行了为期一年的使用,效果良好,为Hibernate支持其它存储格式的映射提供了一种设计思路.     

多源多目标扫掠体的全六面体网格自动生成算法

为实现多源多目标扫掠体六面体网格生成,提出针对该类形体的全六面体网格自动生成算法.该算法结合虚面和虚拟分解算法,将多源多目标扫掠体自动分解为多个多源扫掠子体;再采用多源扫掠网格生成方法生成各子体网格,整体网格则由各子体网格自动组合而成.文中给出了完整的虚拟分解算法,在虚拟分解流程中的"压印"环节利用改进的边界约束Delaunay三角化方法统一处理各类情形,避免了传统算法复杂的分类讨论.最后给出多个网格实例及其网格质量数据,验证了文中算法的实用性.     

基于局部广义多粒度粗糙集的多标记最优粒度选择

在多粒度粗糙集模型中,粒度选择总是与正域有关.由于全体标记确定对象集上的分类过细,落入正域的对象很少或为空集,导致正域约简方法可能丢失大量信息甚至失效.为了克服这一缺陷,文中提出基于局部广义多粒度粗糙集的多标记最优粒度选择方法.首先,引入广义局部多粒度粗糙集的相关概念,通过设置信息水平参数,对单个标记的对象集合进行近似.然后,通过定义多粒度多标记信息系统的粒度质量,给出粒度重要性.最后,设计最优粒度选择的启发式算法,并通过实例验证文中方法的有效性     

存在"顿悟"的多Agent系统合作求解算法研究

在多Agent系统的研究中,多Agent合作求解一直都是研究的热点和难点.合同网(CNET)协议是通过任务共享实现有效合作的高级协议,然而现实世界的情况非常复杂,当合同网中所有Agent均无能力完成任务时,多Agent系统将陷入任务无法完成的僵局.将任务设定为问题,即产生任务等价于产生问题,完成任务等价于解决问题.写作目的是讨论与研究僵局情况的问题解决算法;并且将这种在当时环境下无法解决的、需要通过补充更多的信息和经验才可以解决的问题称为"顿悟"问题.给出了解决"顿悟"问题的3种思路及算法,并提出了对"顿悟"问题进行重构的概念和模型,对多Agent系统中"顿悟"问题的研究进行了初步的探索.     

基于Hibernate的关联检索策略研究应用

Hibernate是现今广泛使用的对象关系映射持久化工具.对实体对象所关联对象的检索,Hibernate提供了3种检索方式:立即检索,延迟检索和预先抓取.分析了Hibernate不同关联检索策略的性能,结合Web应用请求响应模式的特性,探讨了Web应用中性能较好的对象关联数据检索实现方式:使用Filter组件管理Hibernate事务,简化了数据库检索操作的复杂性,提高检索性能.     

多目标进化算法及其在控制领域中的应用综述

多目标进化算法在求解多目标优化问题方面具有独特的优势.对此,介绍了多目标进化算法的基本原理,讨论了多目标进化算法的一系列改进方法;论述了近年来多目标进化算法在自动控制领域中的最新研究成果,并对其未来的发展方向进行了展望.     

基于标记相关性的多示例多标记算法

多示例多标记学习（Multi-Instance Multi-Label,MIML）是一种新的机器学习框架,基于该框架上的样本由多个示例组成并且与多个类别相关联,该框架因其对多义性对象具有出色的表达能力,已成为机器学习界研究的热点.解决MIML分类问题的最直接的思路是采用退化策略,通过向多示例学习或多标记学习的退化,将MIML框架下的分类问题简化为一系列的二类分类问题进行求解.但是在退化过程中会丢失标记之间的关联信息,降低分类的准确率.针对此问题,本文提出了MIMLSVM-LOC算法,该算法将改进的MIMLSVM算法与一种局部标记相关性的方法ML-LOC相结合,在训练过程中结合标记之间的关联信息进行分类.算法首先对MIMLSVM算法中的K-medoids聚类算法进行改进,采用的混合Hausdorff距离,将每一个示例包转化为一个示例,将MIML问题进行了退化.然后采用单示例多标记的算法ML-LOC算法继续以后的分类工作.在实验中,通过与其他多示例多标记算法对比,得出本文提出的算法取得了比其他分类算法更优的分类效果.