并行多任务环境Agent联盟快速生成算法

并行多任务环境下Agent联盟的生成是多Agent系统Multi-Agent System(MAS）的难点.本文将蚂蚁算法应用到了并行多任务环境下多Agent联盟的生成问题.根据多任务的特性,提出了一种采用多种群蚂蚁的算法MCACO (Multi-Colony Ant Colony Optimization）来解决并行多任务环境下的联盟生产问题。在MCACO中采用新的信息素更新策略提高了算法的全局搜索能力.仿真实验证明了本文方法的有效性.     

蚁群优化的多Agent路由算法及其应用

针对移动Agent在WSN的路由建模的TSP问题,提出了一种基于改进蚁群算法的移动Agent路由算法——MARA-AS。采用伪随机概率选择下一节点,对选择的路径进行局部更新,并在最后一轮循环结束时对最优最差路径进行全局更新。引入一个与节点位置相关的参数w,通过w值移动Agent采用改进蚁群算法访问那些剩余能量高、处理能力强、相邻节点之间距离较大的节点。Matlab仿真结果表明,改进蚁群算法有更好的搜索能力,且与LCF等路由算法相比能减少网络能量消耗和延迟。     

改进的蚁群算法在移动Agent迁移中的应用研究

蚁群算法是优化领域中新出现的一种仿生进化算法,该算法具有并行、正反馈和启发式搜索等特点,但搜索时间长、易陷入局部最优解是其突出缺点.通过对蚁群算法的改进来解决移动Agent的迁移策略问题.     

并行多任务环境下Agent联盟的快速生成算法

针对并行多任务环境下Agent联盟的生成问题,提出了基于多种群蚂蚁算法的Agent联盟生成策略.在该联盟生成策略中,种群内部蚂蚁相互合作,协调资源分配并完成相应任务;种群间蚂蚁进行资源竞争,协调解决并行多项任务间的资源冲突.同时,改进的信息素更新策略在综合考虑局部联盟收益和全局联盟收益的基础上提高了算法的全局搜索能力和生成联盟的质量.仿真实验结果表明,文中算法在多种典型条件下都能生成比现有算法更加高效的联盟结构.     

一种基于移动Agent卫星网动态路由算法

为克服现有卫星网路由算法的不足,结合单层卫星网负载分布不均匀的特点,提出了一种新型的适用于单层卫星网的基于移动Agent的动态路由算法(SDRA-MA)。该算法通过移动Agent在卫星节点间迁移,收集星际链路时延、卫星纬度等信息。当条件满足时,移动Agent往回迁移,并在每个中间卫星节点基于卫星地理位置计算所探测路径的代价、更新路由表。通过在类Iridium星座中的仿真结果表明,SDRA-MA能够适应网络拥塞,实现负载平衡。尤其在高负载情况下端到端时延、丢包率等指标均优于传统的卫星路由算法。通过复杂度分析得知,SDRA-MA具有较低的通信、存储和计算开销。     

移动Agent在数字图书馆资源检索中的迁移策略

指出了将移动Agent用于信息资源的发现,可以较好地满足数字图书馆资源检索的要求,移动Agent的效率很大程度上取决于迁移策略的优化,提出了一种改进的分布式遗传算法,对多约束条件下移动Agent迁移策略最优问题进行了求解.实验结果表明:所提出的算法在求解速度和质量上取得了较大的改善.     

面向商务智能应用的分布式数据挖掘系统设计

在综合分析商务智能分布式应用环境和数据存储环境基础上,提出了一种充分利用移动Agent移动特性并以Agent为主要组件来满足商务智能应用需要的分布式数据挖掘系统模型,讨论了系统中用户接口、数据挖掘组件、企业数据库系统各功能模块特点以及数据挖掘组件中各Agent功能设计.介绍了在Java编程环境下数据挖掘移动Agent和移动Agent服务器内部各组成模块结构功能.该系统具有可扩展性好、结构灵活、系统安全性强等特点,对构建基于Agent技 术的商务智能数据挖掘系统具有一定的参考价值.     

基于SAAJ的移动Agent传输设计

Web Service的规范性和可集成性非常好,在企业级应用系统中获得越来越广泛的应用,在应用中常需要基于服务架构构建适用性较强的移动Agent。本文提出一个基于Web Services SAAJ技术的移动Agent解决方法,介绍如何描述移动Agent,并在Java环境下采用Java的序列化机制和自定义的Java类来动态载入Java字节码,以解决移动Agent的创建和持久化的问题,通过SAAJ技术解决移动Agent的传输问题,从而采用Java语言设计移动Agent,使得移动Agent在支持SAAJ的移动Agent服务器中运行。     

产品并行设计多Agent系统中任务分解和协调模型的研究

适当的任务分解是网络式分布环境下进行产品并行设计的关键。本文分析了产品并行设计中任务分解的原则 ,提出了一种进行任务分解的与或树方法 ,探讨了在多Agent系统中并行设计各任务间的组织方法和协调策略 ,并对KQML语言作了扩充 ,这些工作为减少多Agent间的通讯量 ,加强多Agent间的相互协作 ,提高产品并行设计效率奠定了基础     

检测移动Agent系统中恶意攻击的改进方案

对一种检测恶意Agents攻击行为的异常检测模型作出了改进.主要通过分析移动Agent的移动模式及在不同主机上停留时间,以此来判断移动Agent的行为,并且把正常Agent的移动轨迹进行分类,并预测该Agent的下一目的地.最后,通过实验,对提出的算法进行评估,并分析实验结果.     

基于身份的并行增量移动云存储方案

针对移动云计算环境中的数据存储问题,提出了一种基于身份的并行增量移动云存储方案.该方案引用了并行计算思想,使用密文聚合技术,充分挖掘了现有移动客户端的性能,在效率和能耗之间达到了平衡;使用增量代理重加密算法,在将部分计算迁移至云计算中心的同时,提高其整体性能;不使用传统公钥证书,既减少了密钥管理压力,也实现了信息的保密性和完整性.实验表明,该方案提高了CPU的使用率,具有较强的可用性.     

基于并行计算的多副本空间数据离散布局策略

根据空间数据的特点及其关系, 提出一个负载均衡的空间矢量数据布局目标, 并结合特定环境, 采用基于图着色理论的空间数据布局算法及多副本的数据安全机制, 提高了空间数据部署在并行环境下, 数据节点上任务的执行效率和数据安全性. 实验结果表明, 该布局方法能实现数据的均衡布局, 兼顾了并行计算的效率和安全性, 适应并行计算下更多的查询应用.     

移动计算环境下可配置的卷回恢复算法

设计了一种可配置的卷回恢复算法,算法将检查点分别存储在移动节点本地磁盘和移动支持站上的可靠存储器,用低费用的检查点容忍出现频率较高的错误,而用高代价的检查点容忍出现频率较低的错误。算法降低了无线网络负载和能耗,减少了采取检查点和错误恢复的迟延,并根据环境动态配置,可降低算法平均开销率。     

云环境下基于预分片的遥感数据并行重采样方法

面向海量高分辨率遥感影像数据快速发布需求,针对当前云环境下遥感影像数据并行重采样存在的难题,结合云平台MapReduce并行计算框架特性和遥感影像数据处理特点,提出了一种基于预分片的遥感影像数据并行重采样方法,通过预分片机制有效实现了该框架中对影像数据分片和并行重采样任务的控制,解决了MapReduce难以用于并行处理非结构化、具有空间位置特征的遥感影像数据的问题,从而实现了云环境下遥感影像数据的高效并行重采样.通过在开源云平台Hadoop上的实验和分析表明,该方法具有良好的重采样性能,能够实现高分辨率遥感影像数据的高效重采样.     

基于GPU的实时球面化算法

分析了球面映射算法速度过慢的原因,针对传统插值计算中普遍存在的速度与精度相互制约的问题,改进了现有的基于立体投影的半球面纹理映射模型,提出了基于GPU的球面化算法,使用CUDA并行编程实现双线性插值的并行计算。球面化实验表明该算法在保证输出精度的前提下,可获得10倍左右的加速比,显著提高了计算速度,可用于实时性较高的应用场合。     

基于云计算的OMS即时通讯系统设计与实现

资源受限的移动设备因其有限的计算能力、存储资源、用户接口等,无法承载3G高带宽环境下丰富的移动网联网应用。通过借鉴云计算强大的计算和存储能力,提出一种“云+端”新型移动网联网应用研发模型：一方面,将复杂的逻辑计算和庞大的存储量交给能力强大的云计算平台处理;另一方面, OMS(open mobile system)作为云计算的“端”平台,能够与云计算平台无缝整合,为用户提供真正意义上的、丰富的、高效的、廉价的移动互联网应用。同时,模型对于高带宽环境下新型移动通信软件研发具有较好的实践和推广价值。     

一种基于并行计算熵迁移策略的多分辨DOM数据生成算法

数字正射影像图(digital orthophoto map,DOM)数据通常以多分辨数据形式组织,并以切片的方式存储,而海量多分辨DOM数据的生成需要大量计算和大容量存储.针对此问题,提出一种基于并行计算熵迁移策略的并行多分辨DOM数据生成算法,以减少海量多分辨DOM数据的生成时间.该算法采用并行计算熵来衡量并行计算机系统的负载平衡程度,并以此判断何时需要进行负载迁移以及如何迁移.仿真实验表明,与串行算法相比,该算法能有效减少程序执行时间,并且能获得较高的加速比和并行效率.     

ECC点乘运算在网络并行实现中的装箱问题

基于网络并行计算,提出椭圆曲线公钥密码体制点乘运算在网络并行环境中实现的算法,详细分析了并行环境中的装箱问题,建立了并行子任务分派的数学模型,并对模型的采用贪心策略的FirstFit算法就行求解,解决了网络并行计算环境下的ECC点乘并行算法实现的任务分配问题.     

基于线程并行计算的Apriori算法

针对数据挖掘中经典的Apriori算法在计算频繁项目集时需消耗大量的时间缺点,文中利用多线程并行计算的特点,提出了基于线程并行计算的Apriori算法,该算法是将统计候选项目个数的任务交给多线程来执行,从而达到减少Apriori算法的运行时间。通过实验数据分析,该算法对减少Apriori算法的运行时间有很大的提高。     

基于Matlab机群的分布式并行图像匹配算法

分析了Matlab并行计算工具箱中各部件的关系,对分布式并行计算环境中的关键参数进行了设置,构建了并行计算机群。将基于Matlab机群的分布式并行处理引入到图像匹配中。以灰度相关匹配算法为例,结合并行处理对图像灰度匹配进行并行实现。实验结果表明:并行化处理能有效缩短匹配时间,对进一步研究并行图像处理有一定的指导意义。