云计算下异构数据集成模型的构建

为使用户能够将现有的应用系统向云计算环境迁移,将原有的异构数据处理无缝的映射为云计算环境下通用的数据服务和行为,从云计算和云存储的理论和模型出发,面向大规模的数据密集应用,针对各种异构数据库存储系统和云存储系统,构建云计算环境下异构数据模型,为用户提供透明、统一的异构数据集成和访问接口服务。实践证明:云计算下基于本体的异构数据集成模型的构建,可以为云计算环境下各业务应用提供统一的数据管理和处理方法,方便、快捷地实现异构数据统一的检索与查询以及业务应用所处理的各种异构数据之间实质性关联与映射。     

用遗传规划求欧拉回路

讨论了用遗传规划寻找任意欧拉图中的欧拉回路的原理，给出了解题的分级方法，群体定义方法与适合值的测试方法，并对结果进行了分析比较。     

基于个体协同的子图结构发现混合进化算法

将进化算法与爬山算法的混合进化算法引入图数据挖掘,以克服贪婪式查找易陷入局部极值的问题.针对子图结构发现问题中实例易丢失的特点,提出了一种新的遗传操作--个体协同算子,使得代表同一子结构的不同个体能够以协同的方式进行查找.另外,还提出了一种基于年龄段和个体生成方式的多样性保持方案,以从种群的组成和个体的生成两个方面保持和提高种群的多样性,同时还有助于个体协同算子的执行.在进化过程中随时以新生成的单边子结构替换当前种群中没有潜力的个体的机制在缩小查找空间的同时还使得进化过程成为一个更为完全的查找过程.实验结果表明,以上措施增强了算法的寻优能力,能够获得更优的解.     

目标导向的IT项目开发风险影响图模型

IT项目的复杂社会一技术系统本质决定了其建设过程的高风险特征，于是也使项目风险管理具有更高的经济杠杆作用．项目风险管理的核心在于风险辨识，风险辨识的关键离不开风险结构的恰当描述和规范的建模步骤．论文从3个方面归纳了典型IT项目风险辨识思想的突出属性，提出了理想的风险辨识框架，比较并选定了描述该框架的影响图模型，最后提出了规范的风险体系构建步骤和方法，并通过一个例子说明其在风险辨识和评估中的作用。     

基础产品免费策略下新产品进入最优定价研究

针对具有正网络外部性的信息产品,在基础产品免费策略下,构建新产品与市场中已有产品的Stackelberg博弈模型.考虑网络外部性和转移成本对新产品进入策略的影响,进而研究市场先进入者和后进入者的最优定价策略,并对市场均衡结果进行分析.研究发现:在市场达到均衡时,市场先进入者可以通过降低附加产品价格来竞争市场份额;只有当网络外部性强度和转移成本都较小时,后进入者才会采取基础产品免费的进入策略;当网络外部性强度或转移成本较大时,后进入者或者不进入市场,或者进入市场但不提供免费的基础产品.     

基于模糊偏好的多目标进化优化算法

近年来有关多目标优化方法得到了广泛的关注，但大部分多目标优化算法只是给出了一个优化解集，而没有对这个解集进行分析。这就使得决策者（DM）在决策阶段，无法分辨解的优劣，从而给决策带来困难。本文介绍了一种基于模糊偏好和遗传算法相结合的方法，使决策者在优化的初始阶段根据对不同的目标函数的偏好来决定它们的权重，通过与NSGA－Ⅱ算法所得到的Pareto曲线进行对照，可以为决策者提供更大的帮助。     

需求信息预测与处理中的牛鞭效应

研究了在不稳定的市场需求下，生产商和零售商所组成的供应链系统中的牛鞭效应存在问题．提出了当零售商采用一次平滑指数法或简单移动平均法获得需求信息的过程中，不存在波动放大现象．证明了在生产商和零售商都采用固定间隔库存策略处理需求信息的过程中，显著存在波动放大现象，从零售商到生产商的信息传递过程中，存在着牛鞭效应现象．需求过程中的牛鞭效应主要是由于生产商和零售商利用各自库存策略处理信息的结果．     

信息技术与组织变革:理论、模型及其在银行的应用研究

信息技术对组织变革的影响、以及如何利用信息、技术变革组织是目前企业所面临的一个至关重要的问题．首先归纳了信息技术对组织变革影响的基本理论,并提出一种新的观点作为对这些理论的扩展．然后,分析了组织管理模型、战略联合模型及企业再造的优缺点,提出了组织变革均衡模型及利用该模型变革组织的两种方法——企业战略驱动和信息技术战略驱动．最后,利用该模型对银行组织变革进行了研究     

风险项目投资决策与实物期权估价方法

讨论了实物期权的存在对风险项目投资决策的影响,分析传统的净现值方法与期权方法的联系,提出基于期权定价方法的改进净现值模型,并通过一个扩大投资问题研究了成长期权的价值。     

基于遗传算法的动态聚类方法

针对常规动态聚类方法对初始聚类中心的敏感性以及聚类结果与样本输入次序有关等问题,本文另辟蹊径,提出了一种基于ＧＡ 的动态聚类方法,并将它应用到数据库的数据分析中． 计算结果表明,该方法是一个具有全局最优解的动态聚类方法,其结果明显好于Ｋ－均值聚类算法．