基于GA和机器学习的启发式规则调度方法

采用基于遗传算法的启发式规则的新型调度方法来处理可变工艺路径的调度问题,同时建立起启发式调度规则库和用于选择规则的知识库,并利用机器学习和模糊推理机制进行样本与知识库的匹配,实现高效实用的调度。计算实例表明了该算法的优越性能     

不确定离散时间系统的变结构控制设计

讨论了利用离散趋近律设计不确定离散时间系统的变结构控制问题,分析了离散趋 近律系数造成系统颤振的原因,给出了改进的离散趋近律,并利用它设计了变结构控制律,对 不确定部分建立灰色估计模型,估计出参数值.仿真结果表明该方法是可行的,有效地防止了 系统的颤振和不确定因素的影响.     

基于IP的网络的存储

随着互联网技术的发展以及电子商务的推广，数据的存储需求迅速膨胀，同时企业对存储系统的可靠性和容灾能力提出了更高的要求。而把网络的概念引入到存储系统中就能很好的解决这一问题，比如文中介绍的NAS和SAN。本文重点介绍了IP化的网络存储－即利用现有的网络结构和成熟的TCP／IP协议实现网络化的存储，相关技术及其应用。最后文章指出存储虚拟化是急需解决的问题。     

切换系统的稳定性及镇定控制器设计

由稳定子系统构成的切换系统经无限次切换可能产生不稳定,本文利用李亚谱诺夫函 数法,给出了确保由微分方程和差分方程描述的切换系统渐近稳定的充分条件,在此基础上 给出了不受切换条件限制的,但能使切换系统渐近稳定的镇定控制器设计方法,该方法简单 且易实现,并以一个例子作了说明．     

π-网的强互模拟等价

该文建立了π-网的强互模拟等价关系,对π-网的结构作了进一步的研究．π-网是一类新型的基于π-演算语义的模块化高级Petri网,是对两类并发模型Petri网和π-演算的有效结合,它的并发语义既是“真正并发”的又是“交互”的．π-网的强互模拟等价是针对π-网的交互性并发语义的,是基于π-网的标号操作语义规则,并直接用π-网作为计算单元来实现的互模拟计算,使得π-网的行为能够从动态和静态两方面得到考察．该文证明了对于任意的一个π-网N,都存在一个π-进程P,在π-网与π-演算系统等价映射Ψ下,Ψ(N)与N是强互模拟的这一重要的结论．     

“人工智能及其应用”讲座：第五讲 深层知识与浅层知识

一、引言人工智能技术为我们克服建立数学模型的困难提供了新的途径。但是近年来,越来越多的人工智能研究工作者意识到单纯地依赖经验知识的问题求解方式有许多局限。这表现在:①获取经验知识十分困难。专家往往难以清晰而准确地叙述自己的经验,有时专家无法提供所需的经验。②经验知识本身有许多局限。它难以对每一现场环境给出正确的答案,对于少见的现象,有时无法作出解释;它往往仅适用于解决某一特定对象的某些问题,当将它用以解决不同对象的同一问题时,它难以见效。③经验知识无法深入说明问题域的基本原理及基本规律,求解过程的解释仅仅依赖于为找出解答所必须进行的启发式规则的回溯,然而这种路径跟踪法常常不能给出这一解答为什么有价值的令人信服的论据。④为了表达经     

基于SYM53C8XX的RamDisk的实现

本文通过对SCSI协议的分析以及SYM53C8XX寄存器编程的介绍，详细阐述了在SCSI协议下基于SYM53C8XX芯片的RAMDisk的实现方法，着重分析了在此I/O控制器下读写请求的实现。     

“人工智能及其工程应用”讲座：第六讲 不确定性的表达方式

一、引言由于现实世界的复杂性,人们难以正确无误地观察、认识现实世界,他们的知识带有很大的不确定性。相应地,由专家知识构成的知识库和数据库也都包含着许多不可靠的知识和数据。因此,如何表达这种不确定性并进行推理,已成为人工智能领域的一个重要研究命题。为了便于理解,可以将这不确定性分为四类: (1)有关信息的可靠性。它体现在事实(断言)上,也体现在规则前提蕴含规则结论的强度上。例如,"炉温很可能是120℃",又如:"如果明天有雨,则明天外出旅游的可能性较小"。 (2)有关描述事实与规则的命题的内在不精     

“人工智能及其工程应用”讲座：第九讲 信息系统的智能化管理和决策

智能管理决策是一个用途广泛,而又非常复杂的研究课题。它可用于政治、军事、经济、生产、分配等不同领域、不同地区的多种类型任务的求解,鉴於本讲座的对象和性质,我们把重点放在工厂企业的生产管理决策上。一、企业信息系统的基本任务一个典型的现代化企业     

“人工智能及其工程应用”讲座：第十一讲 人工智能在优化中的应用

一、引言在优化过程中,人们常常会遇到如下问题:①有些优化问题难以用精确的数学模型描述;②对于复杂的优化问题的求解,往往受到计算机的存贮容量、计算时间以及资金等经济因素的制约;③有些优化问题要求在很短的时间内得到近似最优解;④传统的最优化方法未必能够有效地提供符合精度要求的解;⑤有些最优化方法在解决某些问题时比较呆板,诸如多峰值寻优、克服死循环等。为了解决上述问题,人们探讨采用人工智能、启发式技术等来改进目前的最优化方法。 50年代,人们在最优化方法中设入了启发式技术,以解决运筹学中的组合优化问题。70年代,Simon提出了"满意原则",指出许多实际问题往往只需要满意解,而不是最优解。进入80年