基于学习的并行免疫量子进化算法及收敛性

提出了基于学习的多宇宙并行免疫量子进化算法,算法中将种群分成若干个独立的子群体,称为宇宙。宇宙内采用免疫量子进化算法,宇宙间采用基于学习机制的移民、模拟量子纠缠的种群交叉等信息交互方式,使得进化算法具有更好的种群多样性,更快的收敛速度和全局寻优能力。不仅从理论上证明了该算法的收敛,而且通过仿真实验表明了该算法的优越性。     

细胞自动机超并行数据压缩方法

提出细胞自动机元胞级超并行无失真数据压缩方法，并用遗传进化算法获得细胞自动机中的数据压缩规则，证明了细胞自动机文本压缩规则的正确性，讨论了有关的时间复杂性及符号动力学特性。与其他传统的串行或小规模并行的数据压缩方法相比，本文的方法有更好的实时性，普适性，以及Ｓｙｓｔｏｌｉｃ硬件实现的可行性。     

高阶细胞自动机新的数据压缩方法

构造出高阶置换映射，进而得出更有效的高阶细胞自动机超并行数据压缩方法，与细胞行动机超并行数据压缩方法相比，其处理速度可以成倍地提高。证明了用遗传进化算法得到的高阶细胞自动机元胞级无失真数据压缩规则的正确性和可行性。并推广到任意阶，给出了对应的置换映射，之后讨论了有关的时间复杂性及高阶数据压缩方法的有效性。     

面向ISP的网络资源市场分配方法

随着因特网商业化进程的发展,在网络资源分配中引入价格因素已成为一种新的趋势。现有研究并没有充分考虑到互联网服务提供商的经济角色。鉴于此,针对互联网服务提供商的自治性与异构性,提出了一种面向互联网服务提供商的网络资源市场分配方法。该方法将互联网服务提供商与用户视为经济活动中的生产者与消费者,在完全竞争的市场条件下,通过价格机制来平衡供需,完成稀缺资源的有效配置。仿真实例表明,本方法是可行的、正确的和有效的。     

基于孤立波的多Agent系统超分布超并行自组织动态任务规划方法

提出一种孤立波的模型和方法,在一群理性的独立自治的Ａｇｅｎｔ间建立超分布超并行的自组织动态任务分配机制,克服现有的多Ａｇｅｎｔ联盟方式存在的诸多不足,通过关于分布式运输调度系统的仿真实验验证了本分配机制的有效性、动态性、开放性和自适应性。     

自相似数据流下的网络相变与临界现象

随着网络规模的不断扩大和网络用户的不断增加，目前的网络已经发展成为一个海量的非线性复杂系统，对网络非线性动力学的研究，已经引起了计算机和统计物理学等相关领域研究者的浓厚兴趣，论文提出了一种网络仿真模型，并在自相似数据流下进行了各种网络仿真实验，通过实验分析，发现了在自相似数据流下序参数d在整个网络从非拥塞进入间歇性拥塞，再到持续性拥塞的过程中起了重要的标示作用，通过对队列长度的功率谱分析，揭示了序参数d与1/f,1/f^2分布之间的关系。     

计算机网络模型中的复杂性现象分析

基于 Transit- Stub分层网络拓扑结构模型 ,提出了一个相对复杂的计算机网络模型 ,并通过对仿真结果的处理 ,揭示并分析了其中存在的诸如相变、幂率等复杂性现象 ,同时定性地研究了网络参数的影响。研究发现 ,网络的规模和带宽以及用户行为的统计分布都将对网络的相变现象有着重要的影响 ,数据流分布和节点排队长度的功率谱分布都呈现出幂率的特征。研究结果表明 :网络带宽的增加有助于抑制拥塞相变带来的影响 ,频域中的幂率现象说明了网络中存在的长相关特性