摘要：分布式多Agent构成的社交网络通常表现出不同的特征,针对不同的社交网络和多Agent本身的异质性,提出了一种面向社交网络的基于协作度协商联盟形成机制.该机制依托多Agent构成的社交网络环境,建立面向分布式环境的分布式协商协议,并设计一种考虑到社交网络特征和Agent异质性的基于协作度的协商策略,采用分布式自动协商方式形成联盟.通过对全连通网络、层次网路和小世界网络的仿真实验结果表明,该机制能够有效地实现分布式环境下的联盟形成,并且在反应大多数实际应用环境的小世界社交网络中表现出相对较好的性能.

摘要：针对遗传算法只能生成线性装配解的局限,提出采用遗传编程来求解并行装配序列规划问题的方法。对传统的遗传编程算法进行改进,由于各零件间只有装配的动作,删除了遗传编程符号集内容,只保留了终端集;对遗传编程算法中有关算子及参数进行了设计与改进,使算法最终能够处理并行装配序列规划问题。该方法使用树型解结构代替串型解结构,转变了装配方式,提高了零件的装配效率和自动化装配水平。结合生产实际需求,给出了一种新的装配适应度衡量因子———装配总重,结合其他传统适应度衡量因子,共同评判装配解的优劣。

摘要：光流(optical flow)为同一对象在视频中运动到下一帧的移动量.从视频中估计光流已广泛应用于各类移动智能系统,如运动估计和机器人导航.最近的研究表明,卷积神经网络(convolutional neural network,CNN)能提供可靠的光流估计结果.然而,现有的硬件加速器无法支持面向光流估计的CNN复杂计算.具体而言,这些类型的CNN不仅包括常规的卷积(convolution)和反卷积(deconvolution)运算,还包括双线性插值(bilinear interpolation)和/或关联(correlation)运算.双线性插值和关联操作主要探索两个连续图像帧之间的关联关系.为解决这一问题,本项工作提出面向光流的CNN硬件加速设计方案(称为Swan-AOE),即通过支持卷积、反卷积、双线性插值和关联操作解决这类神经网络的硬件加速计算问题.Swan-AOE包括可配置的硬件计算架构和自适应的调度策略,通过提供灵活的并行调度实现最优化吞吐量计算.此外,Swan-AOE还进行设计空间探索,探索可用片上缓存资源在提高能耗–面积效率的潜在能力.实验结果表明,与基准加速器相比,所提出的设计能有效提升性能、能效和面积效率.

摘要：业务过程模型的并行度是其质量的重要指标,并行度高的业务过程模型质量更好,运行效率更高。针对提高语义工作流质量的需求,以及现有业务过程模型并行化方法不能处理语义工作流中数据生成—消耗依赖、资源约束等问题,提出一种基于数据生成—消耗依赖的语义工作流并行化重构方法。首先,使用节点编号法和最近公共前驱法获取语义工作流的任务执行关系矩阵;然后,分析了任务节点间的数据生成—消耗依赖,获得数据依赖矩阵;接着,提出任务执行关系更新规则,结合数据依赖矩阵更新任务执行关系矩阵,得到基于数据依赖的任务执行关系矩阵;进一步,设计了兼顾资源约束的语义工作流重构算法以生成并行化后语义工作流;最后,提出一种语义工作流的并行度计算方法以评估并行化后语义工作流的并行程度,并开发了一个交互式的语义工作流并行化重构软件。仿真实验结果表明,所提算法提高了语义工作流的并行度,改善了语义工作流的质量,为提高基于语义工作流的业务过程运行效率提供了有效支持。

摘要：模型检测是通信顺序进程(communicating sequential processes,简称CSP)形式化验证的重要手段.当前,CSP模型检测方法基于操作语义,需将进程转化为迁移系统,进而提取语义模型,但转化过程较为复杂;待验证性质采用CSP语言进行描述,虽然有利于精炼检测(refinement checking),但描述能力较弱,通用性不强.鉴于此,提出了一种新的CSP指称语义模型——关键迹模型(critical-trace model)及基于该指称语义模型的CSP模型检测方法,并证明了其验证的可靠性,避免了上述问题.关键迹模型采用递归策略计算,待验证性质采用线性时态逻辑(linear temporal logic,简称LTL)描述.基于回答集程序设计(answer set programming,简称ASP)实现了关键迹模型的自动生成及LTL的自动验证,并开发了一个CSP模型检测原型系统——T_ASP.实验结果表明:与类似系统相比,该系统的描述能力更强,验证结果的准确性更高,且可同时验证多条性质,在性质不满足时还可提供多条反例.

摘要：分类不平衡是指不同类别间样本数量分布不均衡的现象.在软件缺陷预测中,传统预测模型的性能可能会因数据集分类不平衡而受到影响.为了探究分类不平衡对软件缺陷预测模型性能的影响程度,该文提出一种分类不平衡影响分析方法.首先,设计一种新数据集构造算法,将原不平衡数据集转化为一组不平衡率依次递增的新数据集.然后,选取不同的分类模型作为缺陷预测模型,分别对构造的新数据集进行预测,并采用AUC指标来度量不同预测模型的分类性能.最后,采用变异系数C·V来评价各个预测模型在分类不平衡时的性能稳定程度.在8种典型的预测模型上进行实验验证,结果表明C4.5、RIPPER和SMO这3种预测模型的性能随着不平衡率的增大而下降,而代价敏感学习和集成学习能够有效提高它们在分类不平衡时的性能和性能稳定程度.与上述3种模型相比,逻辑回归、朴素贝叶斯和随机森林等模型的性能更加稳定.

摘要：基因表达式程序设计(GEP)是应用十分广泛的自动程序设计方法.就解码方法而言,它主要依据广度优先原则来实施从个体表示到表达式的转换.这代表基因片段的含义会因环境的变化而变化.为此,现有GEP对个体的评估缺乏并发支持能力.本文从理论与实验两个方面证实:深度优先原则及个体多解技术,即让单个染色体编码多个解的技术,既可解决以上GEP困境也可显著改善其性能.

摘要：为解决基于OPNET网络仿真器的Zigbee传感器网络仿真系统的控制开销大、网络延时大、可扩展性差、不能保证节点全部接入网络等问题,提出一种改进的仿真系统.利用OPNET仿真开发平台提供的IEEEE802.15.4协议的MAC层进程模型和无线管道模型,设计了与Zigbee协议兼容的网络层协议、路由算法,创建了嵌入路由功能的网络层进程模型.给出了其模型结构和功能实现方法,将所提出的模型与Zigbee自带模型进行了试验对比,对网络接入开销、端到端延时等性能进行了分析,并总结了建模过程中的一些经验.结果表明,新系统在不同网络规模下入网控制开销小、网络延时小;而且可扩展性强、节点全部入网所需的路由器节点少,可有效应用于面向工业监控的传感器网络.

摘要：针对Ad-hoc网络中由于节点移动导致的链路断裂和RREQ(Route Request)分组泛洪的问题,提出了基于路径收集的路由协议。采用路径收集机制和链路不相交的多路径算法,提高节点获取路由的能力,增加节点的平均有效路由数量,提高RREQ分组被应答的可能性,从而限制RREQ的广播范围和转发次数;依据路径维持时间的概率密度呈指数分布的特点,设计优先使用最新路径、兼顾路径长度的路由选择策略,以在概率上延长通信路径的维持时间。NS2的仿真结果表明,与AODV、AOMDV以及AODV_PA协议相比,提出的协议提高了分组投递率,并显著地减少了路由开销和通信时延。

摘要：针对现有的短文本特征提取算法未充分考虑词语间的隐含语义及图的结构特征,提出了一种融合语义与图结构的短文本特征提取算法,该方法首先根据词语的共现构建文本图;其次,利用词语间内外部语义耦合关系及文本图的结构特征分别计算词语间的相似度对文本图中的边加权;最后,设计了一种随机游走的方法将两种边的加权方案有效地综合起来进行迭代计算出节点的重要性,并降序排序取出前K项作为最终的文本集特征词项集合.中英文数据集上的实验证明了该方法可行且有效.