基于Cholesky分解的LSSVM在线学习算法

针对最小二乘支持向量机(LSSVM)用于在线建模时存在的计算复杂性问题，提出一种LSSVM在线学习算法.首先引入了基于Cholesky分解求LSSVM的方法，接着根据在线建模期间核函数矩阵的更新特点，将分块矩阵Cholesky分解用于LSSVM的在线求解，使三角因子矩阵在线更新从而得出一种新的LSSVM在线学习算法.该算法能充分利用历史训练结果，减少计算量.仿真实验显示了这种在线学习算法的有效性.     

基于MAS的动态协作任务求解模型与算法

为提高动态网格资源的利用率,提出了基于多智能体系统博弈协作的任务动态分配和协作求解模型,建立了网格资源调度模型和任务求解算法,证明了资源分配博弈中Nash均衡点的存在性、唯一性和Nash均衡解。该方法能够利用用户智能体的学习和行为能力,使得用户的资源申请和任务调度具有较高的合理性和有效性。进行了供求关系中竞价博弈的模型试验。实验结果表明,资源调度算法不但可以有效减少延迟,而且在响应时间的平滑性、吞吐率及资源利用率方面比类似方法要好。使得整个网格系统供需合理、负载均匀。     

复杂系统的MAS动态协作求解时序逻辑模型

借助于组织学思想,将自适应系统中的自主运行单元抽象为Agent,把复杂自适应系统视为多Agent组织,从时间和状态角度,对复杂动态系统的行为进行描述。提出了基于时序活动逻辑的多Agent动态协作任务求解自适应机制和构造模型;详细分析了任务求解BDI Agent的信念、愿望、意图的产生过程和实现方法;深入讨论了协商推理的语义规则和行为规则;给出了协作群组的选择算法,包括从群组的建立、选择任务Agent、分解和分配子任务;从任务求解Agent的心智变化角度,详细描述了动态协作任务求解模型实现的6个阶段:任务动态分配、协作意愿产生、协作群体生成、共同计划制定、协作群体行动和结果评估。通过在MAGE等平台上的实验和仿真测试,验证了方法的可行性和有效性。