基于网格服务的GEP分布式函数挖掘算法

提出了一种基于网格服务的GEP分布式函数挖掘算法(DFMGEP-GS),它将网格服务与GEP算法相结合,既成功地实现了在网格平台下的GEP函数挖掘,又提高了每个网格节点上GEP算法的全局寻优性;同时证明了在网格环境下由局部数据模型生成全局数据模型的方法.仿真实验结果表明,对于函数类型已知的数据,随着数据集的增大,在成功挖掘到目标函数的情况下,DFMGEP-GS算法的平均耗时最少,而且随着网格节点的增加,DFMGEP-GS的收敛速度最大提高了约17倍;对于函数类型未知的复杂数据集,DFMGEP-GS算法挖掘所得到的模型的误差最小.     

绿色网络智能文摘算法研究

随着Internet的迅猛发展,我国网民的数量激增,传统的自动文摘算法无法适应绿色网络提供优质内容并过滤不良内容的社会需求。不同于传统采用统计学习自动文摘算法,提出一种新的基于明确语义的算法,利用基于行为分析的绿色网络系统的云数据采集库和维基百科资源作为知识库建立概念空间,对该空间的词语进行语义解释。最后,实验结果证明,所提方法比传统算法用更少的句子即可以获得更高的信息覆盖率,从而大大缩短系统分析过滤不良内容的时间,提升软件的服务质量。     

基于GEP和CPN网络的文本聚类算法

针对传统的方法很难做到根据输入向量的实际分布来设置Kohonen层各神经元对应的权向量的状况,因其会影响文本的聚类质量,所以利用人工神经网络和基因表达式编程(GEP)的互补优势,通过利用GEP在组合优化的方法进行对CPN网络中Kohonen层的联接权向量的优化,提出了一种基于GEP和CPN网络的文本聚类算法(GCTCA)。通过实验结果表明了该算法在文本聚类上的有效性与优越性。     

基于小生境的GEP新算法

为了克服传统基因表达式编程在演化后期容易丢失群体多样性的缺陷,避免出现早熟收敛,提出基于小生境的基因表达式编程新算法.将相同适应值的个体组成一个小生境,如果相同适应值的个体数量超过小生境容量x,则将超出的个体放入演化池中进行重新初始化.实验结果表明,使用这种基于小生境的基因表达式编程新算法能在整个演化过程中保持丰富的群体多样性,并能够更有效地避免算法的早熟收敛,更准确地求出问题的最优解.     

基于遗传算法的网格资源调度算法

网格将多种资源组织在一个统一的框架下,为各种复杂的计算任务提供资源．因此计算任务在各种资源之间的调度成为了一个关键的问题．简述了在异构资源之间调度任务的重要性,提出了一种基于遗传算法的任务调度算法,该算法采用资源一任务的间接编码方式,通过DAG图获取子任务的层次关系,并将子任务按照层次深度排序,解决了种群中的非法问题．在单一资源上采用短任务优先和父节点优先两个原则来安排子任务的执行次序,以避免出现任务堵塞的现象．     

基于人工免疫的网格资源任务调度算法

目前,网格计算作为一种新的计算范式正在兴起。资源调度是其中的一个重要研完领域。该文以AIS的克隆选择算法为基础,给出了基于人工免疫系统的网格资源调度算法。首先,对网格资源任务调度问题给出了形式化描述,随后用结构化的语言对算法进行了说明,最后通过仿真实验对算法的有效性以及算法参数对性能的影响进行了验证。     

基于资源属性空间的网格资源查找算法

提出了一种基于资源属性空间的网格资源查找算法,资源之间通过属性的相似度来确立彼此之间的邻接关系,每个邻居代表属性的一种变化趋势,这样在资源查找时可以沿着与目标资源属性越来越近的方向查找,因此具有较高的查找效率.在理论上证明了算法的完备性;通过试验验证了算法的查找效率.     

基于服务网格的制造资源集成

提出了一种基于服务网格的制造资源集成方法，通过将服务网格技术引入制造行业，实现了制造资源的虚拟化，为制造资源提供了统一的接口和互操作协议、屏蔽平台及所使用技术的异构性。平台采用基于服务的协同工作流技术，在动态变化的环境中，能够根据用户需求优化业务逻辑及其执行过程，选择、配置和调度相应的制造资源完成指定的任务，实现跨组织的资源共享和任务协同。     

网格环境中基于语义注释的服务发现算法

网格是一种大规模的资源共享技术,它通过资源的分布式协作来加大资源的共享利用率。网格服务发现是使用网格的基础和前提,但目前的网格服务发现在召回率和准确率上均未达到理想水平。针对该问题,提出了服务行为的概念,并且利用语义技术对其进行注释,在此基础上提出一种基于服务行为语义注释的网格服务发现算法。实验结果表明,与传统方法相比,该算法具有更高的准确率和召回率,并能够在一定程度上提高服务的稳定性。     

计算服务网格中基于服务聚类的元任务调度算法

在尊重网格资源本地调度策略前提下,提出一种基于云模型的动态服务能力评估方法;根据动态性能评估尺度对服务进行聚类,提出了一种基于PSO的自适应的服务动态聚类方法,将提供相同或相似QoS的服务划分到同一个服务簇中,从而缩小了任务调度的问题规模;基于服务动态聚类提出了一种元任务调度算法,理论分析该算法降低了不聚类调度算法的复杂度.实验结果表明本文提出的调度算法在时间复杂度与用户QoS保障方面优于以前提出的调度算法.     

面向智能信息素释放的网格GIS资源查找算法

针对基本蚁群算法中蚂蚁速度无限且信息素同步更新的情况,该文提出了基于智能蚁群信息素释放的资源查找算法。该算法以蚂蚁的速度有限为前提,采用面向信息素更新规则来调整各个蚂蚁的信息素浓度,从而间接地改变蚂蚁间合作方式。根据实际蚁群的寻路过程,该算法具有较好的全局搜索能力,对于查找初始化数据量庞大的网格GIS资源有着高于基本蚁群算法和其他资源搜索算法的效率。     

基于服务资源域的网格服务组织方法

网格服务的组织是开放式网格服务体系结构研究的一个重要问题.在对网格服务的概念及其性质研究的基础上,针对现有的服务组织方法存在的不足,运用聚类原理和目录服务原理,通过引入服务资源域的概念及对其性质的分析,提出了基于服务资源域的网格服务组织方法,并给出了该组织方法下的组织模型及各部分的功能,有效地解决了性能瓶颈的问题,同时提高了可扩展性和抗毁性,为网格服务的组织提供了一种有效的途径.     

DPSO算法在服务网格资源调度中的应用

服务网格结合了Web服务技术和网格技术,代表了应用网格的发展方向.在这类网格中,有大量的应用在运行,这些应用又共享网格的各种资源,资源优化调度能使这些应用获得最大的性能,也是影响网格计算能否成功的最重要的因素之一.在建立服务网格资源调度数学模型的基础上,应用离散微粒群优化算法(DPSO),在给定约束下寻找服务网格环境下资源和任务问的最优的映射关系,达到资源优化调度的目的.通过MATLAB进行模拟仿真实验,验证了该方法的可行性.     

基于复杂网络的智能变电站网络测量点选取算法研究

智能变电站的网络异常会影响整个智能电网的安全,因此智能变电站的网络测量成为认识网络规律、了解网络行为的前提工作。网站测量的首要问题是如何合理地选取网络测量点,提高网络测量的准确性,为网络预警提供准确数据。针对智能变电站网络测量点选取是一个综合技术,安全,经济等因素的课题。文章主要是针对智能变电站网络提出一种基于节点接近度及关键度评估方法选择网络测量点的算法,通过对智能变电站的关键节点进行监控,能够更快地发现网络的问题,并以湖北省220kV智能变电站网络为例进行分析,为智能变电站建设中网络测点规划提供参考。     

基于智能网络磁盘的存储网格研究

存储网格的实现方式一直是人们关心和亟待解决的问题.在对存储网格和智能网络磁盘的概念进行叙述和分析之后,提出了基于智能网络磁盘的存储网格实现方式.通过在高速局域网上的相关实验和理论探讨,给出了存储网格的这种实现方式的优点、缺点和可行性.这种实现方式的特点是:可以用多种存储设备来构成存储网格;用户可以采用不同厂家的产品提供存储网格共享,可以提供不同的服务质量;设备之间完全独立、互不影响;可以根据存储设备提供的存储容量和存储服务质量来进行收费,对计算网格计费问题的解决提供借鉴和参考;采用松散耦合的、可动态扩展的体系结构,统一的存储空间,扩展性几乎不受任何限制.     

基于高阶差分和网格划分算法的DBSCAN参数自动选取算法

针对DBSCAN算法中的两个参数eps和minPts通常依靠经验选取所带来的不足,提出一种高阶差分和网格划分相结合的快速DBSCAN自动参数选取算法。首先分析数据集中数据点与参数的关系,通过引入高阶差分算法自动获取eps和minPts两个参数;然后利用网格划分对数据集建立网格索引,优化算法的运行效率,最后针对噪声点过多的数据集提出去极化操作,增强算法的鲁棒性。算法应用于Flame等九个数据集,分别与传统DBSCAN算法和AGD-DBSCAN算法选取的参数进行聚类效果和算法运行效率的对比分析。结果表明提出的基于高阶差分自动选取参数算法是一种有效的DBSCAN 参数自动选取方法,网格划分显著提升了高阶差分算法的性能,去极化操作必要且有效,具有很好的实用性。     

基于改进GEP和资源改变量的局部云任务调度算法

针对云计算中一些现有的基于批量调度模式和进化算法的动态云任务调度算法计算量较大,计算时间成本较高的现象,提出了一种基于改进基因表达式编程(GEP)和资源改变量的局部云任务调度算法.首先结合云任务调度的特点对普通GEP算法做出了相应的改进,然后采用加权求和的方式构造了一个基于综合利用率和能耗的适应度函数,最后依据物理机综合利用率的差异给出了基于改进GEP和资源改变量的局部云任务调度算法.基于资源改变量的局部云任务调度算法,通过对任务运行情况和物理资源使用情况进行监控,合理设定阈值,以减少参与调度物理机的个数,从而降低任务调度算法的时间成本.基于RH(rolling horizon)模型,通过实验将所提出的算法与普通遗传算法、全局GEP算法进行了比较,可知该算法不仅可以降低寻优时间,不易陷入局部最优解,且具有较快的收敛速度.