基于模糊粒子群优化算法的双边多议题协商模型

针对电子商务应用,提出了一种基于模糊粒子群优化算法的双边多议题协商模型。该模型以追求协商双方联合效用最大化为前提,通过粒子群在对手提议和自身议题理想值域之间进行快速有效搜索出最优解或近似最优解生成反提议;从而促使协商实现"双赢"。实验分析表明,该模型能有效提高协商效率。     

被动测试中的错误诊断算法

介绍了被动测试的有限状态机模型、错误模型和错误检测算法，给出了单个错误的诊断算法并分析了其时间复杂度，将所提出的算法推广到对多个错误的诊断，以在路由协议OSPF(Open Shortest Path First)的接口有限状态机上做的模拟实验为例来说明算法的有效性．     

基于扩展混沌映射的动态身份认证密钥协商协议

针对密钥协商中的安全性问题,结合混沌映射良好的密码特性,提出了一种基于扩展混沌映射的动态身份认证密钥协商协议.协议进行密钥协商时,用户的身份是动态变化的,在实现用户匿名同时,能抵抗冒充攻击和重放攻击;协议执行过程中没有使用时间戳和对称、非对称加/解密算法,降低了协议执行时计算的复杂度,提高了运行效率;安全性基于扩展切比雪夫多项式离散对数问题、Diffie-Hellman问题及哈希函数h()的单向性.从安全性分析及其与相关文献比较结果可以看出,本协议能够抵御常见攻击,具有较高的安全性;从性能分析可以看出,该协议具有较低的计算复杂度.     

一种可抵抗内部攻击的高效群组密钥协商协议编译器

目前设计可抵抗内部攻击的群组密钥协商协议需要调用2个不同的协议编译器,使得协议的执行效率较低而且协议设计的复杂度较高,为此,通过改进上述2个协议编译器,提出了一种新的编译器.该编译器只需对群组密钥协商协议进行一次编译,即可生成具有抵抗内部攻击能力的群组密钥协商协议.然后在随机预言机模型下,针对提出的编译器所生成的协议进行了安全性分析,并严格证明了生成的协议是具有抵抗内部攻击能力的群组密钥协商协议.最后对比分析表明,利用提出的编译器生成的协议与现有编译器生成的协议相比,具有较高的效率和较低的设计复杂度.     

一类柔软物体悬垂的实时模拟技术

使用质点-弹簧(MS)模型来表示一类柔软物体(如织物)可能是一种最简单和直观的建模方案．显式尤拉方法是使用MS模型来产生动态效果的最简单方法，但该方法的严重缺陷在于算法本身的不稳定性．隐式积分方法是一种可行的算法，但关键要寻找一种有效的方法求解引入的大型线性系统．本文提出了一种基于雅可比迭代法的隐式数值积分算法，通过理论证明和分析，该算法稳定地更新n个质点的状态所需时间复杂度为O(n)，较已有的隐式积分算法有了很大的改进．     

一种多机器人的任务分配和自动协商的方法

提出了一种多机器人的任务分配和自动协商的方法。在进行任务分配时充分考虑机器人的真正性能;构建自动协商的模型时,改进最小二乘法支持向量回归算法（LSSVR）,用于估计对手的谈判效用,并采用鲁棒控制器的输出反馈变量来限制优化实用性能指标,然后提出协商和再分配的协议来提高实时性和任务分配效率。最后,通过仿真实验来验证次方法的有效性。     

基于多目标规划和业务区分的多QoS约束路由算法

针对大多数QoS路由选择算法所存在的问题，采用多目标规划和业务区分的方法建立了满足多QoS需求和网络资源利用率的路由选择数学模型，对Fallback＋算法作了进一步扩充和改善．提出了一种新的Fallback＋＋算法，它不仅能满足多QoS约束，而且能高效地利用网络通信资源．分析得出该算法的时间复杂度和空间复杂度均为O（n＊N^2）．仿真实验验证了该模型和算法的有效性和正确性．     

极大网络寿命的认知无线电网络组网算法

根据认知无线电网络的特点，本文提出一种基于鱼群算法与图论中极小独立集支配集算法相结合的认知无线电组网算法 (maximal cognitive radio network lifetime MCRNL)。该算法分为鱼群大小确定阶段和簇头选举阶段，前者以极小的能量完成节点配置和确定受影响的认知用户范围，后者确保以极小的能量进行通信，极大化网络寿命和簇头选举的公平性。仿真结果表明，该算法整体消息复杂度为O(n)，最坏时间复杂度为O(log(D+n))，算法性能优于MWMIDS，可以有效的应用于认知无线电网络基于MCRNL的路由协议中。     

基于Grover算法的量子多用户检测

经典的多用户检测技术，其求解最优解的时间复杂度为0(2n)，这是一个NP难解问题．在Pauli算子的基础上建立量子多用户信道模型，给出利用Grover算法的多用户检测解决方法．该算法的时间复杂度为O(√2n)，并且当2n足够大时，其错误的概率趋近于0．     

基于随机平行六面体包围盒的碰撞检测研究

为使包围盒更加逼近原模型,提出一种比一般方向包围盒算法更为灵活的平行六面体自适应包围盒算法.使用时间复杂度仅为O(n)的Melkman算法求解凸包,在此基础上调节收敛公式.在保证复杂度相同的情况下,该算法比一般方向包围盒算法的长方体包围盒体积减少约8%;对较复杂的模型就可以用更少的子包围盒逼近,大大减少相交测试的次数,提高了碰撞检测效率.经过复杂度分析和试验论证,对偏球率介于0.3至0.8的模型,该算法响应速度快、碰撞检测效率较高.     

基于分类器融合的自动化协商决策模型

为了解决电子商务环境中由于信息的保密性使协商参与者无法获得对手协商偏好从而影响协商性能的问题,提出一种基于分类器融合的自动化协商决策模型.该模型融合支持向量机和贝叶斯分类器,通过结合2种分类器的优点,提高对协商偏好的分类学习效果.在准确估计对手协商偏好的基础上,采用粒子群优化算法搜寻最优协商反建议.实验数据分析表明,新方法的效果优于单一分类器,并且在有噪声的小规模训练样本集下,仍然保持较高的协商总效用.     

基于贝叶斯学习的Agent谈判策略构造研究

提出了一个在电子商务中辅助用户进行谈判的智能Agent谈判模型，并在模型中引入了贝叶斯学习方法，使得Agent在谈判过程中能更好地调整谈判策略，提高谈判效率．     

推测计算中多Agent的资源协商

推测计算是在信息不完全的情况下,提前进行决策的一种计算过程.它以假设推理为基础,并利用缺省值对未来的问题进行计算.事实上,在计算过程中,缺省值并不是唯一的基础信息.在时间允许的情况下,主Agent可以通过协商获得尽可能多的真实信息,信息越丰富,推测计算的结果越精确.为了强化协商,本文分析了假设推理和推测计算的基本理论,并以此为基础给出了推测计算的扩展框架,定义了协商语言,提出了协商算法,并将其嵌入到了推测计算中,从而可以提高推测计算的精确性.     

一种基于意图跟踪和强化学习的agent模型

针对动态对抗的多agent系统(MAS)环境中agent行为前摄性较差的问题,提出了一种将意图跟踪和强化学习相结合的agent模型.该模型将对手信息和环境信息分开处理,在agent的BDI心智模型中引入了Q-学习机制应对环境变化;在强化学习的基础上注重对对手和对手团队的意图跟踪,改进Tambe的意图跟踪理论,针对特定对抗环境中的对手行为建立对手模型,跟踪对手和对手团队的意图,预测对手目标,以调整自身行为.实验证明,所提出的agent模型具有更强的自主性和适应性,在动态对抗系统中具有更强的生存能力.     

信息熵与支持向量的关系

标准支持向量机由于具有O(n~3)的时间复杂度和O(n~2)的空间复杂度,影响了其在海量数据集上的应用,而对支持向量机新模型的研究则最有可能取得一些突破,从而彻底解决上述难题。介绍新模型的研究现状的基础上将信息熵引入到支持向量机建模中,重点分析数据的信息熵分布规律和支持向量数据及其熵值的关系,进一步构造了信息熵支持向量机算法,最后给出了相关实验,初步的实验结果显示信息熵支持向量机具有较快的分类速度。     

基于动态阈值的陌生网络实体间信任建立方法

不完全信息的自动信任协商中存在如披露最少证书获得对方最大信任、协商效率等优化问题.利用博弈分析信任协商过程中的协商方的收益,给出权衡资源比重方法,量化了信任协商的计算过程,提出基于动态阈值的信任协商建立方法.动态阈值具有随证书披露与信息完整而进行自主变化的能力,可以减少协商过程的隐私披露.样例分析和仿真试验表明:使用动态阈值方法可以限制证书披露的数量,提高不完全信息下信任建立的效率.     

一种改进的多模块贝叶斯网络局部推理算法

针对多模块贝叶斯网络的局部推理的时间和空间复杂度高的问题,提出了一种改进的多模块贝叶斯网络局部推理算法.该算法用面向对象语言重新定义了多模块贝叶斯网络模型,在联合树推理算法的基础上结合图论中"顶点度"的概念对局部推理算法进行了优化,针对三角化结果不唯一的问题,给出了一种一般性的解决方案,使三角化后的结果能够将消息传递得更快,有效地缩短推理时间.给出了算法的仿真实例并进行实验分析,结果表明改进后的推理算法有效减小时间、空间复杂度.     

基于粒度和信息熵的并行支持向量机算法

针对大数据环境下并行支持向量机(support vector machine,SVM)算法存在噪声数据较敏感、训练样本数据冗余等问题,提出基于粒度和信息熵的GIESVM-MR(the SVM algorithm by using granularity and information entropy based on MapReduce)算法.该算法首先提出噪声清除策略(noise cleaning,NC)对每个特征属性的重要程度进行评价,获得样本与类别之间的相关度,以达到识别和删除噪声数据的目的;其次提出基于粒度的数据压缩策略(data compression based on granulation,GDC),通过筛选信息粒的方式保留类边界样本删除非支持向量,得到规模较小的数据集,从而解决了大数据环境下训练样本数据冗余问题;最后结合Bagging的思想和MapReduce计算模型并行化训练SVM,生成最终的分类模型.实验表明,GIESVM-MR算法的分类效果更佳,且在大规模的数据集下算法的执行效率更高.     

基于博弈论的多Agent协商模型

在开放、动态、具有自适应性和自治性的多Agent系统(MAS)中,协商是多Agent系统实现协调、协作和解决冲突的关键．博弈论是使用严谨的数学模型研究冲突条件下最优决策问题的理论,本文以此为数学工具,基于对时间的限制,结合协商的历史知识,考虑各协商者在拥有不完全信息的情况下,提出了基于博弈论的多Agent协商模型(GTMANM),并给出了协商策略求解的算法描述,用以来解决分布式环境下不完全信息的多人协商决策问题,以获得最大的期望收益,为以后把博弈论中其他更复杂的博弈思想引入到多Agent协商中来奠定了基础．