分布式失效检测算法的研究与分析

在受限异步假设的前提下,本文提出了基于“存活授权／自杀失效”方法的分布式失效检测算法,并从用户进程角度给出了完整性和精确性的定义。     

张家口地区电子文献传递系统(EDDS)的开发研究

随着人们对信息资源的需求及文献传递工作的重视,文献传递的服务模式及发展趋势逐渐成为社会所关注的问题.本课题通过分布式文献传递的服务模式,利用完备的网络搜索系统模型,构建张家口地区高校图书馆之间的电子文献传递桥梁.     

基于用户偏好的垂直搜索算法

提出并研究、实现了基于用户偏好的垂直搜索算法(PVSA)。以领域特征为基本出发点,PVSA借助领域主题偏好向量、领域元数据权重因子、检索名词差异化、行业词典库更新等4项策略,有效地挖掘、表征用户的领域个性化偏好,以此为基础构建基于用户偏好的垂直搜索算法。实验结果表明了PVSA算法的有效性和可行性。     

燃气涡轮发电机组虚拟评判系统研究

为更好地评判操作人员对燃气涡轮发电机组的操作训练,设计了一种虚拟评判系统.根据操作实际,制定了评判标准,建立了评判指标体系.考虑到指标之间的相互影响和反馈关系,解决指标权重分配问题,利用网络分析法(ANP)处理指标间的复杂关系,并采用三角模糊数和模糊优先规划方法(FPP)完成权重的计算,引入云理论确定隶属度,使用蚁群算法优化BP神经网络,结合模糊综合评判构造模糊蚁群神经网络评判模型.上述方法能够有效减少主观因素对权重的影响,弥补传统评判方法的不足.实际应用表明,改进的评判系统具有很强的实用性,是一种可行的评判系统.     

基于用户特征属性和云模型的协同过滤推荐算法

随着数据的极端稀疏性,仅仅依赖于传统的协同过滤相似性的度量方法已无法取得精确的推荐结果。针对这一问题,提出基于用户特征属性和云模型的协同过滤算法。首先,算法利用云模型计算用户评分云相似性,结合用户打分偏好对原矩阵进行填充,在此基础上得到用户的评分云相似性;其次,再结合用户特征属性相似性通过加权因子计算用户的最终相似性,得到一种新的相似性度量方法;最后,得到算法的评分预测。实验结果表明,该方法能够提高推荐质量。     

任务级行动序列问题中的定性偏好研究

关注了一类典型行动序列,研究如何在动作集合上存在定性偏好,且偏好集合存在不一致性时开展规划。所考虑的行动序列问题称为任务级COA,以抽象层次的动作为基本要素,所考虑的定性偏好包括静态偏好和时序偏好,所讨论的规划目的是获得最大满意度的COA方案。首先建立了偏好与约束的归一化形式描述,在此基础上形成了COA方案设计算法;进一步,使用计算辩论技术排除偏好集合中的不一致性,形成用户接受度最高的COA方案。文中建立的以定性推理为基础的规划框架,实现了偏好解耦,能够适应不同的领域问题,是以定量计算为基础的传统规划算法的有效补充。通过快速响应卫星成像的COA案例,演示了算法的可行性。     

适用于RPA工具的卷积序列推荐算法

在机器人流程自动化(Robotic Process Automation, RPA)软件中,经常采用序列推荐系统让机器人完成判断、选择等人工处理的任务。然而常用的序列推荐系统受限于序列信息的提取困难等问题,难以得到广泛应用。为了解决这一问题,构建一种基于Inception的卷积序列推荐模型,把时间和潜在空间中的用户行为序列信息嵌入进一幅“图像”中,并通过动态和静态2种不同的卷积层提取其中的局部特征,全面地提取用户的短期兴趣偏好,同时将用户嵌入矩阵作为用户的长期兴趣偏好嵌入到卷积层的输出中,共同构建完整的用户兴趣偏好,提升推荐性能。通过在3种公开数据集MovieLens 1M、Gowalla、Steam上分别进行实验,验证了基于Inception的卷积序列推荐模型的性能优于最新的序列推荐模型,在Top-N序列推荐的3种评价指标中（精确率、召回率、平均AP值）,平均提升幅度在10%左右,单个指标上的最大提升幅度为14%。     

融合螺旋策略的分片混沌群粒振荡搜索算法

针对标准鲸鱼算法(WOA)及部分衍生算法求解某些算例效果不佳的问题进行了研究与实验,证明了WOA"包围"过程存在零点搜索偏好陷阱;而混沌优化算法(COA)不均衡的搜索特性使得部分衍生WOA融合的混沌初始种群与群智能优化过程难以调和.为了改善上述缺陷,选用了两种混沌系统和气泡网捕猎策略,设计了一套融合式优化算法.算法采用基于适应度的基线式自适应振荡群粒划分策略指导群体行为模式,充分发挥混沌系统作用,平衡探索与收敛性能.对通用/改进算例和工程应用案例求解可知,该算法性能相较于对比组算法更优,且不存在搜索偏好.     

基于万有引力的自适应近邻传播聚类算法

针对近邻传播（AP）聚类算法对参数偏向参数（Preference）敏感、不适用于稀疏数据、聚类结果中会出现错误聚类的样本点的问题,提出基于万有引力的自适应近邻传播聚类（GA-AP）算法。首先,在传统AP算法的基础上采用引力搜索机制对样本进行全局寻优;其次,在全局寻优的基础上利用信息熵和自适应增强（AdaBoost）算法找到每个簇内正确聚类和错误聚类的样本点,并计算出这些样本点的权值,用计算出的权值更新对应的样本点,从而更新相似度、Preference取值、吸引度和隶属度,并进行重新聚类。不断操作以上步骤直到达到最大的迭代次数。通过在9个数据集上的仿真实验得出,相比于基于自适应属性加权的近邻传播聚类（AFW_AP）算法、AP算法、K均值聚类（K-means）算法和模糊C均值（FCM）算法,所提算法的纯度（Purity）、F值（F-measure）和准确率（ACC）的平均值分别最高提升了0.69、71.74%和98.5%。实验结果表明,所提算法降低了对偏向参数的依赖,提高了聚类效果,特别是对于稀疏数据集的聚类结果的准确率。     

考虑用户偏好和平台收益的共享泊位分配模型

与机动车数量激增类似,泊位短缺也是导致城市交通拥堵主要问题之一,在不增加车位的情况下提高泊车位利用率也是解决交通拥堵的一种方法。针对城市“泊车难”和部分泊车场利用率较低的问题,考虑了用户的偏好特征,研究了一种具有用户偏好的泊车位共享策略。考虑存在三种不同的泊车方式,在中央商务区（CBD）等待泊车、共享私人泊位、共享公共泊位,运用累积前景理论分析用户的泊车成本,发现用户在不同情形下的选择存在差异。平台通过对关键路径法修改,采用了偏好分组法进行分配。算例对偏好分组的结果与采用关键路径法的分配结果进行了比较,结果表明,基于偏好分组法的分配满足了更多的用户需求,平台收益更高,为管理者提供决策参考。