普适计算环境下一种目标驱动的服务组合方法

普适计算环境的服务对用户来说是透明的,为了简化用户与环境的交互,提出了一种目标驱动的服务组合方法,建立面向任务目标的服务语义表示模型,并在此模型下进行动态的目标驱动的服务组合,实现用户目标.描述了一个模拟的应用场景,并结合应用场景说明了任务定义和服务组合的过程.该方法简化了用户与环境的交互,提高了普适环境下服务组合和协同的灵活性.     

基于离散人工免疫系统的服务选择

在Web环境中,功能相似但是具有不同QoS参数的Web服务越来越多.服务组合的过程中,如何选择Web服务,形成可执行的服务组合,是一个关键问题.Web服务选择是基于服务的QoS指标进行选择的,本文首先将服务选择问题映射为基于QoS约束的多目标优化问题.人工免疫系统是处理多目标优化问题的较好的解决方案,本文对人工免疫系统进行离散化扩展,增加了离散交叉算子和离散变异算子,使其适用于解决Web服务QoS的各项指标的离散变量,提出了离散人工免疫系统和基于人工免疫系统的Web服务选择算法,并应用于Web服务选择过程中.实验证明,离散人工免疫系统在Web服务选择是可行的,尤其是在进化代数为200,变异率为0.25的前提下,结果最优.     

基于流演算的Web服务自动组合方法

近年来,基于语义的Web服务组合,尤其是Web服务的自动组合方法已成为服务计算领域的一个研究热点.实现了从一个OWL-S过程模型到流演算概念的映射,并给出了相应的转换算法.在此基础上,提出了一个新颖的、基于流演算形式化体系的Web服务自动组合方法.该方法采用前推推理机制对状态和动作进行推理,有效地克服了以传统的情景演算为代表的人工智能规划算法执行效率较低的问题.设计实现了一个实验性的原型系统,结合一个旅游行程规划的实例说明了本文提出的方法的有效性.对提出的BCABFC(Backward-Chaining Algorithm Based On Fluent Calculus)算法与基于情景演算的同类算法进行性能比较,实验结果表明该算法具有较好的性能.     

RSOODM—一种引入联系的面向对象的数据模型

一、引言最近几年,面向对象的数据模型日益得到人们的普遍重视,主要原因是面向对象的数据模型为人们提供了表达信息的高度抽象方法,和人们对信息的看法极为接近。面向对象的模型主要用于复杂的应用中,例如计算机辅助设计(CAD)/制造(CAM),办公信息系统(OIS),人工智能(AI)及计算机辅助软件工程(CASE)中。目前已经出现了许多面向对象的数据模型,这些模型都是基于某些特定环境提出的,例如 Gemstone     

组合效应对反射波的压制和改造

经典的组合理论主要偏重于论述对各种干扰波的压制能力,而较少研究对有效反射波的压制及改造作用。本文的做法是把组合与地下反射层深度、倾角、接收信号频率、速度规律以及不同观测系统、初至切除等因素作全盘考虑,并从一些典型盆地有代表性的速度模型出发,作了某些理论计算和实例分析,得到了一些有益的结论,绘制了一套便于野外施工选择组合基距的图板。最后指出了克服组合效应的三条途径:①单个检波器多道接收;②去组合效应反褶积,③宽通的“理想”检波器串。     

超声波精细雾化抛光石英玻璃的抛光液研制*

为了配制适用于JGS1光学石英玻璃超声波精细雾化抛光的特种抛光液,以材料去除率和表面粗糙度为评价指标,设计正交试验探究抛光液中各组分含量对雾化抛光效果的影响,并对材料去除机制进行简要分析。结果表明：各因素对材料去除率的影响程度由大到小分别为SiO2、pH值、络合剂、助溶剂和表面活性剂,对表面粗糙度影响程度的顺序为SiO2、表面活性剂、pH值、助溶剂和络合剂;当磨料SiO2质量分数为19%,络合剂柠檬酸质量分数为1.4%,助溶剂碳酸胍质量分数为0.2%,表面活性剂聚乙烯吡咯烷酮质量分数为0.9%,pH值为11时,雾化抛光效果最好,材料去除率为169.5 nm/min,表面粗糙度为0.73 nm;去除过程中石英玻璃在碱性环境下与抛光液发生化学反应,生成低于本体硬度的软质层,易于通过磨粒机械作用去除。使用该抛光液进行传统化学机械抛光和雾化化学机械抛光,比较两者的抛光效果。结果表明：两者抛光效果接近,但超声雾化方式抛光液用量少,仅为传统抛光方式的1/7。     

怎样正确对待分形、分维技术?

分形、分维技术是一种研究复杂对象的良好工具,已引起了人们的重视。但由于一些人对这个新的数学工具的实质认识得不够清楚,出现了一些偏向,例如有的人想用它来解决过去复杂油层开发过程中的微观现象（即非均质性问题）、有的人用分线数来找油、找气以及预测裂缝发育带,甚至用分形提高地震勘探的分辨率？笔者认为,对上述这些问题应该重新加以考核,注意不要夸大其解决问题的能力。一个分形集是由其自身性质决定的,并非任何复杂对象都具有分形性质,不了解这一点,就会陷入误区。     

基于区块链的隐私保护可信联邦学习模型

共识机制是区块链技术的重要组成部分,但是主流的共识机制尤其是工作量证明共识机制都存在算力过度耗费和吞吐量低等问题. 而联邦学习作为一种分布式机器学习方法,学习模型的本地训练和最终的参与方贡献度计算都需要消耗大量算力资源. 因此,提出了一种支持自适应联邦学习任务的可信公平区块链框架TFchain,探索如何利用原本共识机制中耗费的大量算力来提高联邦学习的效率. 首先,设计了基于区块链和联邦学习的全新共识机制PoTF（proof of trust and fair）,该共识机制将区块链的节点设置为联邦学习的参与方,将原本共识机制中用于哈希计算的大量无效算力转移到联邦学习中,进行本地模型的训练和参与方贡献度的评估;其次,在提高区块链交易吞吐量的同时,对联邦学习的参与方进行了合理的贡献度评估和激励;最后,设计了防止节点作恶的算法. 实验结果表明,提出的TFchain能够在回收算力的同时有效提升区块链的交易处理性能,对积极参与联邦学习的参与方进行有效正向的激励.