摘要：空间众包技术在现实物理世界中有着丰富的应用场景,得到学术界和工业界的广泛关注.任务分配是空间众包的主要研究问题之一,即把工人分配给合适的任务.但是现有的任务分配方法大多假设众包工人和空间任务出现的位置和时间是已知的,忽略了真实的众包平台中众包工人和空间任务的动态变化,由于空间众包平台的强时效性,这种情况下设计的分配方式只能得到局部最优分配结果.提出最大价值最小成本任务分配的新问题,目标是对当前和未来的工人进行分配,使用最小的移动成本获得最大的分配价值.为解决这一问题,提出了基于轨迹的任务分布预测方法及基于核密度估计的工人分布预测方法,设计基于位置预测的任务分配算法来计算众包工人和空间任务的相对最优分配策略.所提位置预测方法利用图卷积神经网络和ConvLSTM模型进行预测,相较传统基于网格的位置分布预测更加精确和稳定.基于位置预测的启发式分配算法可以在线性时间内结合预测得到的位置信息完成任务分配,更加契合空间众包平台的强时效性.在真实数据集上进行大量实验来证明所提方法的有效性,相比于基于网格的预测方法,任务/工人位置预测准确率分别提高了15.7%和18.8%.

摘要：连接顺序选择是查询优化领域中极具挑战性的研究方向,对于数据库管理系统获得良好的查询性能至关重要.然而,传统优化方法和现有智能优化方法均存在着不足,如规划时间过长、容易得到质量较差的连接计划、编码未考虑结构特征、依赖基数估计和代价估计使得连接计划无法反映真实的执行时间等.针对上述问题,提出了一种新型基于异步Dueling DQN(Deep Q-network)和计划时间预测网络的连接优化器:ADP-Join(Asynchronous Dueling DQN and Plan Latency Prediction Network for Join Order Selection).ADP-Join集成了一种新的编码方法,能够区分不同结构的连接计划.ADP-Join设计了计划时间预测网络PLN(Plan Latency Prediction Network)来改善现有基于强化学习优化器的奖励机制.再者,提出异步更新机制改进Dueling DQN模型来提升训练性能和减少训练时间.大量的实验结果表明,在TPC-H和JOB真实数据集上ADP-Join的性能优于现有的智能优化器.

摘要：数据库技术是现代计算机软件技术中不可或缺的一部分,在各个行业中都发挥着十分重要的作用。但是,伴随着时代的发展,互联网和云计算要求数据库能够有效地存储和处理大数据,使传统的关系型数据库软件工具能力难以应对新的应用场景。其中,索引对于提升复杂数据集上检索任务的效率有着非常重要的意义。机器学习近年来取得了长足的发展,为数据库索引推荐技术提供了新的机遇。首先叙述了索引推荐的研究背景与挑战;然后,将索引推荐分为索引生成与索引选择2个阶段,分别对这2个阶段的相关技术进行论述;最后,对基于学习的数据库索引推荐技术做了介绍与展望,其中,重点介绍了索引生成与索引选择。索引生成阶段包含基于学习的范围索引、哈希索引、布隆过滤器等,总结了基于学习的索引生成技术的优缺点;对于索引选择阶段,将传统方法与基于学习的方法进行对比与分析,重点叙述强化学习解决索引选择问题。

摘要：在大数据背景下,保证数据可信共享是数据联邦的基本要求.区块链技术代替传统的主从架构,可以提高联邦学习(federated learning,FL)的安全性.然而,现有工作中,模型参数验证与数据持久化所产生的巨大通信成本和存储消耗,已经成为数据联邦中亟待解决的问题.针对上述问题,设计了一种高效的去中心化联邦学习框架(efficient decentralized federated learning framework,EDFL),能够降低存储开销,并显著提升FL的学习效率.首先,提出了一种基于贡献度证明(proof-of-contribution)的共识机制,使得区块生成者的选举基于历史贡献度而不采用竞争机制,从而有效发避免了挖矿过程产生的区块生成延迟,并以异步方式缓解模型参数验证中的阻塞问题;其次,提出了一种角色自适应激励算法,因为该算法基于节点的工作强度和EDFL所分配的角色,所以能够激励合法节点更积极地进行模型训练,并有效地识别出恶意节点;再者,提出一种区块链分区存储策略,使得多重局部修复编码块(local reconstruction code)可被均匀地分布到网络的各个节点上,进而降低节点的本地存储代价,并实现了较高的数据恢复效率;最后,在真实的FEMNIST数据集上,对EDFL的学习效率、存储可扩展性和安全性进行了评估.实验结果表明,EDFL在以上3个方面均优于主流的基于区块链的FL框架.

摘要：CAI是现代教育技术的重要组成都分。多媒体技术的发展与应用 ,使 CAI充满生机与活力 ,成为现代化教学手段的主流 ,如何使 CAI系统能方便地为日常教学服务 ,让教师充分发挥自己的教学能力 ,根据学生的具体情况 ,灵活地组织能实现一定教学目标的教学内容组成的课件 ,运用适当的教法 ,高质量地施教 ,一种有效的方法是提供开放性课件的软件环境。本文从软件的角度介绍一种实现开放性软件环境的方法 ,以及在此方法支持下 ,课件材料的组织和教学资源库的维护方法。

摘要：电路进化设计是可进化硬件研究的重要内容·针对电路进化设计做了如下工作:(1)融合了数据挖掘、基因表达式编程与传统电路进化技术,提出两阶段电路进化方法·该方法包括基于表达式树遗传编程进化算法的电路进化阶段和基于挖掘频繁数字电路算法的电路优化阶段·(2)给出了详尽的实验·实验表明6次多项式函数发现的平均进化代数为442代、乘法器电路的平均进化代数为2292代·比笛卡尔遗传编程和NEHF(NovelEvolvableHardwareFramework)快6倍以上·用MFDC对乘法器电路进化结果进行挖掘后,得到了比传统电路更有效的乘法器电路·

摘要：对比序列模式(distinguishing sequential pattern,DSP)指在目标类序列集合中频繁出现,而在非目标类序列集合中不频繁出现的序列.对比序列模式能够描述2个序列集合间的差异,有着广泛的应用,例如:构建序列分类器,识别DNA序列的生物特征,特定人群行为分析.与挖掘满足支持度阈值要求的对比序列模式相比,挖掘对比度top-k对比序列模式能避免用户设置不恰当的支持度阈值.因而,更易于用户使用.但是现有的top-k对比序列模式挖掘算法难以处理大规模序列数据.对此,设计了一种基于Spark的top-k对比序列模式并行挖掘算法,称为SP-kDSP-Miner.此外,为了提高SP-kDSPMiner的效率,针对Spark结构的特点,设计了候选模式生成策略和若干剪枝策略,以及候选模式对比度的并行计算方法.通过在真实数据集与合成数据集上的实验,验证了SP-kDSP-Miner的有效性、执行效率和可扩展性.

摘要：基于易逝性电子产品的供应链生产-分销网络构建问题,以盈利最大化为目标函数,在充分考虑产品生产成本、运输成本、缺货成本、存储成本等条件的基础上,分别建立了带时间约束的四种不同生产-分销策略下的混合整数优化模型;并利用lingo9.0软件设计算法程序求解得到优化方案。通过数值仿真对四种生产-分销策略进行比较与分析,结果表明在市场需求量波动较大情况下,部分延迟生产-分销策略是易逝性电子产品最佳选择模式。

摘要：提出了基于Haar小波技术和偶合特征的多数据流压缩方法．主要研究成果包括：（1）证明了Haar小波变换服从能量守恒规律，并用于压缩数据流；（2）揭示了数据流的偶合度与变化趋势的相关性、偶合度的平移不变性及等价规律，采用特征流序列的小波系数和流能量近似表示流的趋势，达到压缩的目的；（3）提出了多尺度能量分解模型，提高了表示精度；（4）设计了多尺度能量分解压缩算法以及多尺度重构算法：（5）在真实数据集上的实验表明，新方法的压缩比是传统小波方法的2-4倍．

摘要：为了提高多目标粒子群算法(MOPSO)在Pareto前沿的收敛性和分布性,对传统MOPSO方法进行了改进。首先采用基于Pareto支配概念的适应值比例方法选择gbest,其次利用动态拥挤距离更新外部精英集,并通过对精英种群执行遗传操作,最后在粒子种群引入自适应的淘汰机制,加强粒子种群和精英种群的进化。典型测试函数的计算结果表明,该算法在收敛精度和分布性方面得到明显改善。