基于前景理论的犹豫二元语义灰关联群决策法

针对偏好信息为犹豫二元语义形式、专家权重和属性权重均完全未知的多属性群决策问题,基于前景理论和灰色关联分析法的思想,提出一种多属性群决策方法.首先,利用矩阵拉直运算和灰色关联分析法确定专家权重,利用偏差最大化法确定属性权重.其次,给出了两个犹豫二元语义元的比较方法,结合该比较方法确定各决策矩阵的正、负理想方案,并以此作为决策参考点.然后,根据前景理论和灰色关联系数确定犹豫二元语义环境下的前景价值函数,进而确定各方案的收益损失比值,并据此对候选方案进行排序.最后,将所提方法应用于一个投资决策算例,其结果表明了该方法的合理性和有效性.     

A Multigranularity Linguistic Group Decision‐Making Method Based on Hesitant 2‐Tuple Sets

Hesitant fuzzy linguistic term set (HFLTS) is a very useful technology in dealing with decision‐making problems where people have hesitancy in providing their linguistic assessments. Distinct methods have been developed to aid decision making with HFLTSs, yet there is little research involving the issue that how to deal with the multigranularity hesitant fuzzy linguistic information. The aim of this paper is to develop the aggregation method for multigranularity hesitant fuzzy linguistic information and solve the linguistic group decision problem with different linguistic term sets. To do so, we first modify the translation functions and aggregation operators in the existing 2‐tuple linguistic representation models so as to aggregate linguistic terms from different linguistic term sets. Then, we introduce the notion of hesitant 2‐tuple sets to make computation of HFLTSs without loss of information, and develop some new operators to aggregate HFLTSs from different linguistic term sets. Using these operators, we propose a method to deal with multigranularity linguistic group decision‐making problems with different situations where importance weights of either criteria or experts are known or unknown. Finally, the multigranularity linguistic group decision‐making model is implemented to the healthcare waste treatment in West China Hospital to validate its effectiveness and efficiency in aiding decision‐making process.     

基于语言变量的关系数据库模糊查询

在模糊理论的基础上,将权重概念引入关系数据库模糊查询中,以体现用户对查询中各个属性的相对重视程度。记录按匹配度的降序输出,方便用户选择。权重和匹配度都是语言变量,取值为语言值,更加贴近自然。采用模糊集合的alpha截集去模糊的思想,将带语言值权重的模糊查询条件转化为精确的SQL语句,利用RDBMS的机制进行记录的筛选,避免对整个数据库表的扫描,在一定程度上保证查询的效率。     

节能算法在ZRP协议中的应用

引用基于判断因子的节能算法从能量角度上对ZRP协议加以改进,得到了一种新的路由协议T-ZRP。仿真结果表明,T-ZRP与传统的ZRP相比,减小了能量消耗,从而减少了失效节点。     

区间二型模糊综合评判下的语言动力学分析

为了解决多人对事物的多因素动态评估问题,提出区间二型模糊综合评判下的语言动力学分析方法,给出半连通区间二型模糊集合的表述与运算.综合二型模糊集合与模糊综合评判,探讨二型模糊综合评判方法.结合不同时段的数据,形成多因素动态评估的语言动力学轨迹.最后将区间二型模糊综合评判下的语言动力学系统应用于旅游景区的动态评估中.     

云计算环境下实训教学平台动态迁移策略

云服务环境下最大特点是按需交付,通过虚拟化技术将相关资源构建统一调度池,并且按照用户需求为用户提供服务,因此,云服务具有并行计算、开放性以及按需交付特性.对于实训教学平台来说,在云计算环境下需要面对各种用户需求,如请求任务各种各样,实验任务类型不尽相同,设备资源存在较大差异,通过虚拟化技术来实现规范化管理何资源共享,对云资源进行调度来才能有效满足用户需求,为此,在本文中提出了云计算环境下实训教学平台动态迁移策略.策略设计了三层协同资源调度机制来实现对资源和任务管理,重点研究了任务分割、资源划分、资源调度策略等,在此基础上对系统进行仿真实验,验证云计算环境下实训教学平台动态迁移策略可行与有效性.     

基于动态选择性集成学习的供应链产销协商优化策略

针对当前Agent产销协商自适应学习效果差及协商环境动态变化的现状,考虑动态协商环境中的冲突水平、合作可能性、协商剩余时间对谈判的影响,利用熵值法确定3个影响因素的权重并进行线性加权。结合当前协商议题的差异性,构建基于动态选择性集成学习的让步幅度预测模型,并提出供应链产销协商优化策略。实验结果表明,与单学习机协商策略相比,该策略提高了Agent自适应学习成功率及联合效用,并且能确保供应链产销双方受益,实现合作双方互利互赢的局面。     

基于粒子群优化在线顺序极限学习机动态环境室内定位算法

动态环境室内定位容易受到人员随机行动、障碍物等环境的干扰,信号强度的时变性、数据采集的不稳定性对定位算法产生很大的影响。针对该问题,本文提出了一种基于粒子群优化在线顺序极限学习机算法（Particle swarm optimization online sequential extreme learning machine,PSO-OS-ELM）。该算法继承了在线顺序极限学习机（Online sequential extreme learning machine,OS-ELM）算法的数据采集成本低、适应环境变化快、收敛速度较快且定位精度较高等特性,同时又利用粒子群优化（Particle swarm optimization,PSO）解决OS-ELM算法中奇异值问题和鲁棒性问题。在3种不同环境下采集数据,将PSO-OS-ELM算法、OS-ELM算法和WKNN算法进行实验对比。实验结果表明：在动态变化的室内环境中,PSO-OS-ELM算法定位误差较小且鲁棒性增强,优于其他算法;平均定位误差相较于其他算法减少了约15%;算法耗时性相较于传统定位算法加权K近邻算法（Weighted K-nearest neighbor,WKNN）算法减少了约55%。     

协同环境中基于RBAC模型的访问控制策略

协同系统具有动态性和群体性的特点,其权限管理比传统软件系统复杂。传统数据库系统中的访问控制机制比较简单,远不能满足协同系统的要求。针对共享资源访问控制策略的授权方式复杂、授权粒度不细致的问题,引入角色机制,把角色访问并发控制策略应用到系统中,设计基于角色的系统功能权限的位映射算法。该算法降低了授权管理的复杂性,增强了系统安全性。     

一种P2P环境下基于查询日志的查询路由策略

在P2P文件共享系统里,通过文件描述可以描述文件的集合并且可以用它来决定查询的路由。但在这种模型下,会出现虚假匹配的现象,从而导致网络带宽和计算资源的浪费。文章提出了一种基于查询命中日志方法来较精确地划分网络结点文件描述的策略来减小虚假同现的发生,来提高查询路由的效率。     

分布计算环境下任务调度双向动态策略的研究

任务调度是分布计算研究中的一个关键问题。在“均衡-适度”分布调度策略的基础上，提出了一种对分配到服务机上的子任务在执行过程中任务调度的双向动态策略，分析了此策略的实现，并提出了一个影响分布系统任务调度的参考因子——滞空时间，最后给出了实例。     

移动对等网络中讨价还价动态博弈的激励策略

内容由于移动对等网络的自组织、开放性以及节点资源受限等特点,一些节点表现出其自私性或恶意性。针对该问题,给出了一种基于讨价还价动态博弈的节点激励策略DGBIS(incentive strategy based on dynamic game of bargaining in mobile P2P network)。该激励策略采用虚拟货币的支付方式,节点先根据其拥有的虚拟货币量、自身资源状态和消息属性对每次消息转发进行估价,然后交易双方基于估价通过三次讨价还价动态博弈以合理的报价进行交易。通过博弈分析给出了DGBIS策略的纳什均衡解,使理性的自私节点为最大化其自身利益而积极参与消息转发合作,同时能抑制恶意节点的虚假报价。分析与实验结果表明,该激励策略能提高整个系统的消息转发成功率,降低系统的能量消耗,达到了预期的设计目标。     

动态环境下四腿机器人图像处理的改进

视觉系统是咱主体机器人感知外界坏境信息的重要环节.颜色分割是视觉系统中图像处理的第一步.目前公认效果较好的方法采取的是颜色表查找法.本文以四腿机器人足球比赛为背景和研究平台,提出一种快速制作颜色表的方法,并在实时环境下运用了图像增强技术,改进了颜色分割的算法,提高了机器人视觉系统的鲁棒性,并应用于2006年的RoboCup中国机器人大赛中,得到了较好的效果.     

动态分布环境下基于主动学习的信任模型

随着大规模分布式系统的研究深入,动态分布环境下的信任管理成了一个突出问题。通过分析动态环境信任关系的特点,利用已有的交易模式,给出了一个分布环境的自学习信任评估模型。该模型通过对已有的交易经验特征进行学习得到各种交易模式,以此来评估新的未知主体,这解决了动态环境下新主体没有经验可寻问题。同时运用交易特征而不是具体的信任度来对主体进行信任评估,有效避免了网络中普遍存在的恶意推荐与攻击问题。     

动态环境下基于增强分割的RGB-D SLAM方法

目前视觉SLAM（同步定位与地图创建）方法在动态环境下易出现漏剔除动态物体的问题,影响相机位姿估计精度以及地图的可用性。为此,本文提出一种基于增强分割的RGB-D SLAM方法。首先结合实例分割网络与深度图像聚类的结果,判断当前帧是否出现漏分割现象,若出现则根据多帧信息对分割结果进行修补,同时,提取当前帧的Shi-To...     

基于动态目标驱动的RoboCup进攻策略的研究

模拟机器人足球比赛（Robot World Cup,RoboCup）作为多Agent系统的一个理想的实验平台,已经成为人工智能的研究热点。为了解决传统进攻策略中进攻重点难以确定的问题,基于动态目标驱动模型,深入研究了中路进攻策略,提出了动态评估传球时机的评价函数,经过RobCup实验平台的仿真测试分析,表明在比赛环境多变的情况下,该策略仍能提高进攻效率。     

基于动态目标驱动的RoboCup进攻策略的研究

模拟机器人足球比赛(Robot World Cup,RoboCup)作为多Agent系统的一个理想的实验平台,已经成为人工智能的研究热点.为了解决传统进攻策略中进攻重点难以确定的问题,基于动态目标驱动模型,深入研究了中路进攻策略,提出了动态评估传球时机的评价函数,经过RobCup实验平台的仿真测试分析,表明在比赛环境多变的情况下,该策略仍能提高进攻效率.     

一种基于效用函数的网格资源分配策略

针对网格资源分配中用户需求的异构性问题,提出了一种基于效用函数优化的分配策略。该策略综合考虑用户作业执行费用和执行时间两方面的因素,利用拉格朗日方法解决网格用户效用函数的优化问题,通过二分搜索最优解产生一组优化的用户出价,根据该组出价按比例划分资源的计算能力。该分配策略可对网格资源的价格以及资源的占用时间进行优化,对动态、异构的网格环境具有较好的适　　应性。     

基于路段元胞传输模型的动态用户最优配流问题

利用基于路段的元胞传输模型进行模拟, 给出了一种计算实际路段出行阻抗的方法, 并在此基础上构造了基于路段变量的动态用户最优变分不等式模型. 模型采用针对迄节点的路段变量, 在每一个小时段都能给出路段流入率、流出率、路段流量和实际路段阻抗, 为用户提供较为全面的诱导信息打下了较好的理论基础. 采用了修正投影算法来进行求解. 数值算例表明模型具有的实用性和优越性, 使道路交通流宏观模型与动态网络交通配流问题得到较好的结合.