云计算中基于进化算法的任务调度策略

任务调度是云计算的关键问题之一,它的调度策略与算法直接影响到云计算系统的性能与成本。通过研究基于粒子群算法和遗传算法的任务调度策略,提出了一种基于进化策略的PSO-CM算法。该算法通过在粒子群算法中引入遗传算法的交叉变异策略来提高粒子群算法的全局收敛效果,并且证明了PSO-CM算法是一种全局收敛算法。Matlab仿真实验表明,该算法能够达到全局收敛,且收敛速度和稳定性优于传统的调度算法。     

一种基于多授权系统模型的高效CP-ABE方法

密文策略的属性基加密(Ciphertext-Policy Attribute-Based Encryption, CP-ABE)是一种可靠的方法,它既能实现数据机密性,又能实现细粒度的访问控制。但CP-ABE只支持单授权系统模型,不适合云存储的多授权。通过引入角色和规则的概念,提出了一种多授权系统模型的改进方法,并改进标准CP-ABE方法以形成MACP-ABE方案。该方案能支持改进的多授权系统,实现细粒度的访问控制。此外,MACP-ABE方法可支持用户的属性撤销,从而实现动态属性管理。实验结果表明该方法可以有效地减少整体计算开销。     

一种基于Petri网的面向方面的用例建模方法

对传统的用例建模方法进行扩展,并针对用例描述的文本语言中经常出现的二义性、冲突以及遗漏信息的问题,提出一种基于Petri网的面向方面的用例建模方法。构建了从面向方面用例模型到面向方面Petri网模型的映射规则,引入面向方面的形式化的建模与分析技术,并利用时态逻辑检验织入时机的正确性。最后给出实例和分析,验证了该方法的有效性。     

基于社区发现及主题分析的微博用户推荐

在现行的几种好友推荐机制基础上,考虑社交网络的信任传播因素,设计了一种推荐模型。提出一种先基于信任度发现社区,再通过主题分析计算用户相似度的两阶段推荐方法。旨在向用户推荐其感兴趣的潜在好友,帮助用户扩大其朋友圈,进而提高用户黏性。     

基于组合模型的交通流量预测方法

随着智能交通系统的蓬勃发展,交通控制和交通流诱导成为智能交通系统(ITS)研究的热门问题,而实现交通控制诱导的关键问题是实时准确的短时交通流量预测,预测的精度直接影响交通控制和诱导的效果。为此,提出基于组合模型的交通流量预测方法,该方法将历史趋势模型和多元回归模型加权组合以建立组合预测模型,并利用加权平均的方法,对较精确的预测值赋予较大的权重,从而提高模型预测的精度。通过对2009年上海城市交通流量预测结果的分析,证明该方法可提高预测准确度。     

基于Elman神经网络的交通流量预测方法

交通流诱导系统是智能交通系统领域中一项重要的研究内容,而交通流量的预测问题则是交通流诱导系统的核心问题。因此,能够实时准确地预测交通流量成为诱导系统是否能够有效实现的关键问题。根据交通流的特性,分析交通数据采集过程中错误数据产生的原因,提出相应的处理方法,并在此基础上采用Elman神经网络对智能交通系统的流量预测进行建模。该系统采用C#并结合Matlab进行开发,通过Elman神经网络算法实现流量的预测,并采用图表的方式直观地显示预测结果。应用结果表明：该方法可以有效地对交通流量进行预测,且预测精度可以满足实际交通诱导的需要。     

基于无线传感器网络的局域世界动态演化模型

在传感器网络中,传感器节点本身的通信能量与功率有限,传感器节点仅与其邻域中的相邻节点进行合作与通信,这说明网络中演化过程符合局域演化概念。从无线传感器网络局域演化角度出发,综合考虑传感器网络中节点能量感知连接机制以及节点和链路有增有减的动态过程,提出了一种能量感知的局域世界动态演化模型。利用平均场理论分析并仿真验证了该模型的度分布介于随机网络和无标度网络之间。同时,通过仿真实验研究了所提模型的网络直径和网络能效与局域世界规模的关系,实验结果表明适当增加节点的局域世界可以大大提高网络数据传输的高效性。     

一种基于Petri网的服务组合流程分析方法

虽然业务流程执行语言（BPEL）有很多特征使它适合组合流程的描述,但它缺乏形式化语义,从而不能对组合流程进行严格的分析和验证。本文提出了一种基于Petri网的BPEL语言所对应的组合流程分析方法。应用Petri网来描述BPEL所定义的组合流程,描述组合流程的基本活动及它们之间关系,进而分析了组合流程结构上的合理性。通过实例网的构建,给出了流程可组合性的判定定理,并提出减少服务搜索空间的算法。最后,应用具体实例模拟组合流程的分析过程,展示了该方法的有效性。     

xk-split:基于k-medoids的分裂式聚类算法

近年来互联网数据规模呈爆炸式增长,如何对大数据进行分析已成为热门话题。然而,采集的数据很难直接用于分析,需要进行一定程度的预处理,以提高大数据质量。通过使用分裂式的迭代过程,可以逐步将数据集分裂为子集,避免了传统聚类算法聚类开始时需要确定集群数的限制,并降低了算法的时间复杂度。此外,通过基于阈值的噪声数据过滤,可以在迭代过程中剔除噪音数据,提升了聚类算法对脏数据的忍耐力。     

UML视图的一种形式化模型及其分析

UML是一种得到广泛应用的系统建模语言，但是由于它缺乏形式化语义和严格的推理机制，从而影响了系统建模的准确性和开发效率。TCOZ是一种将Object—Z和TCSP相结合的形式化语言，具有丰富的建模能力。基于TCOZ，本文建立了UML视图的一种形式化模型，对类图和协作图等提出了转换规则，使得TCOZ中的推理可用于分析UML视图。通过某学校信息系统的实例，阐述了UML视图的形式化建模方法和分析技术。