用粗糙集理论建立决策树的一种方法

在数据挖掘中，分期是一个很重要的问题，有很多流行的分类器可以创建决策树木产生类模型。本文介绍了通过信息增益或熵的比较来构造一棵决策树的数桩挖掘算法思想，给出了用粗糙集理论构造决策树的一种方法，并用曲面造型方面的实例说明了决策树的生成过程。通过与ID3方法的比较，该种方法可以降低决策树的复杂性，优化决策树的结构，能挖掘较好的规则信息。     

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.     

一个基于免疫的网络入侵检测模型

文章通过研究现有的入侵检测系统和学习计算免疫系统,提出了一种基于免疫的入侵检测模型。它运用免疫系统的多层性、分布性、自组织性等特性,通过具有免疫特性的多Agent实时检测网络,提高网络系统的安全性,具有分布性、适应性等特点。     

数据立方体聚集范围查询分块方法研究

范围查询是数据立方体数据分析的有效工具,预计算技术通过预先计算并存储范围查询的结果,可以实现快速的用户响应。近年来研究人员对基于MOLAP的预计算技术的研究主要以prefix sum及分块技术为基础。本文对预计算技术的分块方法进行研究,分析了现有分块技术的方法和性能,并提出了两种新的分块方法：嵌套分块和基于前缀区域边界的分块。本文对这两种分块的方法和特点做了阐述,研究表明这两种方法为分块技术提出了新的思路,是对现有分块方案的有力补充。     

二进制编码差异演化算法在Agent联盟形成中的应用

在多Agent系统中,通过形成联盟可以提高Agent求解问题的能力,因此,联盟是多Agent系统的重要合作方法.从本质上讲,Agent联盟的形成是一个复杂的组合优化问题.引入差异演化算法来解决这一问题.差异演化是一种基于群体差异的演化算法,适合于求解连续空间的最优化问题.首次将以实数编码的差异演化算法应用于Agent联盟问题,提出二进制编码的差异演化算法解决组合优化问题,通过引入S型函数把变异操作的结果限制在集合{0,1}上,可以快速、高效地找出合适的Agent联盟.与遗传算法和蚁群算法的对比实验表明,该算法是正确、有效、可行的,在运行时间和解的性能上都优于相关算法.     

基于MAS的协作学习机制研究

基于多Agent技术构建了一个网上协作学习系统模型MACL,给出了系统的结构框架,就其中的学生模型的构建、协作学习小组的创建以及协作学习和评价机制进行了探讨,结合KQML通信机制设计了Agent的交互模型,并进一步研究了协作小组的创建策略和算法.     

模糊多类SVM模型

利用SVM处理多类分类问题,是当前的研究热点之一.本文提出了一种模糊多类支持向量机模型,即FMSVM.该方法是在Weston等人提出的多类SVM模型中引入模糊成员函数,针对每个输入数据对分类结果的不同影响,该模糊成员函数得到相应的值,由此得到不同的惩罚值.从而在构造分类超平面时,可以忽略那些对分类结果影响很小的数据.理论分析与数值实验都表明,该算法具有良好的鲁棒性.     

入侵进程的层次化在线风险评估

提出了从服务、主机和网络自下到上的层次化在线风险评估模型,实时地评估一个正在发生的入侵进程在这3个层面所产生的风险情况.在服务层面,使用了证据理论来融合报警线程中多个能够反映风险变化情况的变量来计算风险指数,通过风险指数反映入侵风险的客观情况,同时结合主观安全意识所反映出的目标风险分布,综合评估目标的风险状态.在主机层面提出了基于木桶原理的风险评估方法,在网络层面提出了安全依赖网络概念,利用了改进的风险传播算法,完成了网络层面的风险评估.提出的评估算法将报警验证、聚合与关联,以及报警置信度学习这些报警处理过程同风险评估紧密结合起来,很好地处理了风险评估中主观性、模糊性和不确定性等问题.实验表明对各种入侵进程进行的层次化在线风险评估结果与攻击实际特点相符合,为响应决策提供了有利的支持.     

F-粗糙集视角的概念漂移与属性约简

概念漂移探测是数据流挖掘具有挑战意义的研究难点,属性约简是粗糙集理论的研究核心.从概念漂移的角度研究了粗糙集理论的属性约简,从粗糙集属性约简的角度研究了概念漂移,将概念漂移和属性约简进行分析比较,指出了它们之间的区别和联系.提出了基于属性依赖度和条件熵的概念漂移探测准则,并将两种常用的概念漂移探测准则与属性依赖度、条件熵探测准则进行了比较.属性依赖度和条件熵兼具分类准确率的可实验检验和联合概率分布可进行理论分析的优点,还可以进行属性约简（或特征选择）.实验结果显示,属性依赖度、条件熵和分类准确率都能有效地探测概念漂移,但是,与分类准确率相比,属性依赖度和条件熵在探测概念漂移时可以增加可重用性,减少工作量.属性约简和概念漂移之间关系的研究为属性约简、概念漂移的研究提供了新方法,为粗糙集、粒计算进一步融入大数据时代潮流提供了新思路.     

多Agent系统中信任和信誉系统研究综述

MAS环境同人类社会类似, 充斥着大量不确定因素,因此,在MAS环境中引入信任来解决合作与交互问题具有重要意义. 信任通常来源于直接信任和信誉两种途径,信誉系统是用于支持信任评价的机制. 信誉系统的研究范围分为个体层和系统层两个层次,信誉系统的研究工作更关注个体层,信任的评价要符合准确性等特点. 信誉系统中信任的表示一般采用基于认知观点和数值观点的方法. 信誉系统采用集中式、分布式和混合式3种体系结构,各种模型都需要明确信任表示、传播与汇总的方法. 目前两个较为成功的分布式多Agent信誉系统是ReGreT和FIRE. 信息不精确的问题是信誉系统中的基本问题,也是一个迫切需要深入研究的课题. 信誉系统研究中的一个突出问题是尚无公认的测试平台,Agent信誉和信任测试床（ART）项目作了有益的探索. 在上述评述的基础上,可以在新模型和机制的构建、现有模型改进和完善、测试平台的研究和开发等方面有待进一步开展工作.