基于移动Agent的网络安全态势感知模型

本文针对现有框架模型存在数据源单一或多源同质、响应延迟大、自我保护性差、稳定性和容错能力差等缺点,借助移动Agent的优点,提出一种网络安全态势感知系统框架模型,该框架结构自下而上依次分为信息获取层、数据预处理层、态势决策层,建立了一个系统化、动态化、分布式、自适应的网络安全态势框架结构,利用PEPA形式化建模语言对框架模型进行分析,验证了框架模型的合理性。     

麻蚕各发育期血淋巴中游离氨基酸的测定

血淋巴中含有大量游离氨基酸,是昆虫生物化学主要特征之一。昆虫血中游离氨基酸的浓度比人血高20—100倍。近年来纸谱分析了许多昆虫血淋巴中的游离氨基酸,组成蛋白质的20种氨基酸都曾在昆虫血淋巴中找到了。在鳞翅目的幼虫及蛹中,曾观察到血淋巴中氨基酸在各发育阶段上的差异,这些差异可能与变态期间体内的代谢有关,近数年来     

甘蔗条螟性外激素分泌腺研究

本文通过扫描电镜及光学显微镜观察了甘蔗条螟性外激素分泌腺的形态及组织的结构.甘蔗条螟性外激素腺十分发达,位于腹部第8—9节背面的节间膜上,是由该处节间膜部分细胞特化而成,属褶叠型腺体。外翻后,腺体的切面呈半球形.同时还观察描述了腺体各部份的形态结构.     

基于量子自组织网络的水淹层识别方法

采用量子自组织网络方法, 解决油田测井解释中的水淹层识别问题. 首先, 构造储层特征指标集, 包括测井曲线的序列指标和单个数值指标. 对序列指标先采用离散Walsh滤波方法去除噪声, 然后取均值, 再与其他单个数值指标一起构造储层特征向量. 其次, 将储层特征向量转化为量子态描述, 提交量子自组织网络实施聚类. 最后将聚类收敛后的网络作为水淹层识别的数学模型, 应用于油田相似区块的水淹层识别中. 仿真实验结果表明, 该方法正确识别率比传统自组织聚类方法高6%.     

自适应分组量子衍生蛙跳算法

为提高传统蛙跳算法的优化能力,基于组内平均目标函数值实施动态分组,采用多量子比特概率幅实施个体编码,基于组内最优蛙和组间最优蛙确定旋转角度,采用基于张量积构造的多比特量子旋转门实施组内最差蛙的更新.标准函数极值优化的实验结果表明,该算法的单步迭代时间较长但优化能力较传统蛙跳算法约有两个数量级的提高,从而表明提出的分组策略和编码方法切实能够提高传统蛙跳算法的优化能力.     

排蜂(Megapis dorsata Fabr.)工蜂外部形态研究

排蜂亦称“岩蜂”或“石蜜蜂”,因其巢为单片巢脾而得名。排蜂分布于亚洲热带地区,在我国分布于海南島,广西僮族自治区龙津一带。排蜂是一种野生蜜蜂,海南島一带群众,多年以来,采收其蜂蜜及蜂蜡,产量占海南全区总产蜜及蜡量的10%左右,由此可知其数量之多,实为我国热带地区的一种重要资源昆虫。排蜂为蜜蜂中的最大一种,体长16—18毫米,宽約5毫米。翅长过于腹端,展翅达30毫米。体表黑色而有光泽。全身密生細毛。口器黃褐色。腹部第一及第二节背板呈金黃色,后面各节色泽深褐而至黑色。前翅棕黑,后翅色略浅。排烽体远較意蜂及中蜂大,加以抵抗自然环境能力强,分群性弱,出勤率高,采蜜力强等优越特性,养蜜工作者都肯定为一优良蜂种,惟排蜂处于野生状态,年来經初步研究,仍感野性难驯。但鉴于华南地区目前尚无一理想蜂种,排蜂馴化、杂交育种研究,倡议者很多。     

改进的粒子群算法及在数值函数优化中应用

为提高粒子群算法的优化能力,提出了一种改进的粒子群优化算法。在该算法中,采用Beta分布初始化种群,采用逆不完全伽马函数更新惯性权重,在速度更新式中,引入了基于差分进化的新算子,对于粒子的越界处理,采用了基于边界对称映射的新方法。以50个不同类型的数值函数作为优化实例,基于威尔柯克斯符号秩检验的测试结果表明,该算法明显优于普通粒子群优化算法、差分进化算法、人工蜂群优化算法和量子行为粒子群算法。     

基于量子自组织网络的水淹层识别方法

采用量子自组织网络方法, 解决油田测井解释中的水淹层识别问题. 首先, 构造储层特征指标集, 包括测井曲线的序列指标和单个数值指标. 对序列指标先采用离散Walsh滤波方法去除噪声, 然后取均值, 再与其他单个数值指标一起构造储层特征向量. 其次, 将储层特征向量转化为量子态描述, 提交量子自组织网络实施聚类. 最后将聚类收敛后的网络作为水淹层识别的数学模型, 应用于油田相似区块的水淹层识别中. 仿真实验结果表明, 该方法正确识别率比传统自组织聚类方法高6%.     

粒子群优化算法的改进及数值仿真

提出一种改进的粒子群优化算法,该算法采用使全局探索与局部开发合理平衡的方法,降低了粒子群优化易陷入早熟收敛的可能性.先用Beta分布初始化种群,再用逆不完全Γ函数更新惯性权重,然后基于差分进化的新算子实现速率更新,最后采用基于边界对称映射的方法处理粒子的越界.数值仿真结果表明,改进算法明显优于普通粒子群优化算法、差分进化算法、人工蜂群优化算法和蚁群优化算法.