基于模糊有色Petri网的不确定性学习和推理方法

模糊Petri网模型可以用于模糊推理,但在Petri网中不得不用独立子网表示所有类型的过程,即使这些过程具有相同的行为,这导致整个Petri网变得很大.文中提出基于模糊有色Petri网的不确定性推理方法和基于遗传算法的学习过程.在减少网络规模,计算时间和克服解释网络困难的同时,它能保持等量的信息,提供结构化的表示,使知识库中的规则之间的关系易于表示.     

基于代数的模糊Petri网逆向推理算法

分析了多种模糊Petri网的推理算法优缺点。在此基础上,给出了一个基于代数的模糊Petri网逆向推理算法。此算法充分利用了Petri网的数学理论基础和描述并发系统的能力,其数据结构简单,便于计算机编程处理。此外,其逆向推理思想可以将系统转化为一个只与问题有关的简单的系统,减小空间复杂度。最后举例说明了它的应用。     

一类模糊Petri网的动态特性及应用

提出一类新的模糊Petri网,讨论了其可达性问题,其特点是一方面保持适度的不确定性,以便于分析,另一方面又可作为许多实际问题的模型.最后给出求解知识表示与推理的问题的例子.     

一种基于证据修正的一致性模糊Petri网模型

针对传统的基于模糊Petri网模型的形式化推理算法不能很好地求解含闭环结构的模糊Petri网,提出了一种基于证据修正的一致性模糊Petri网模型。该模型通过引入证据修正因子,把多规则情形退化为一定置信度的带复合证据的单规则情形进行处理,有效简化了模型中的闭环结构。该模型还充分利用模糊“与”规则和模糊“或”规则的内部逻辑关系,对产生式规则中逻辑“与”和逻辑“或”两种组合关系进行了区分,克服了传统的“累加型”加权模糊逻辑方法的缺点,降低了算法推理的复杂度。最后通过实例证明了该模型的有效性,而且易于编程实现,尤其适合应用于较复杂的模糊Petri网推理。     

基于元模型的模糊Petri网反向传播学习算法

模糊Petri网是知识表达与并行推理的重要工具,但拓扑为非严格分层的结构。为在不增加虚节点的情况下实现模糊Petri网的反向传播学习,提出模糊Petri网元模型的概念,统一四种基本产生式规则对应的模糊Petri网模型。并建立元模型的结论置信度关于条件置信度的连续映射,给出了正向推理算法。为提高收敛速率,先通过基于回溯策略的反向推理算法,计算元模型结论置信度对条件置信度的梯度函数,最后采用Levenberg-Marquardt算法实现权值优化。     

基于模糊时间Petri网的网络计划模型

针对工程计划中工序作业时间的不确定性以及传统网络计划方法缺乏数学表达能力等问题 ,提出了用模糊时间Petri网 (fuzzy timingPetrinet,FTPN)表达工程计划、求取关键路径的新模型。在给出了时间模糊数、FTPN的形式化描述、FTPN触发规则及数学特性和工程计划FTPN建模规则的基础上 ,把求取工程计划的关键路径问题转化为一个基于FTPN代数方程求取特定标识问题 ,在此基础上 ,进一步计算了工程计划在约束条件下按时完工的可能性。结果表明 ,所提出的模型既能正确、直观地表达工程计划问题 ,又能形式化描述、计算工程计划关键路径问题。     

用模糊Petri网表示小卫星在轨故障诊断知识

为了提高诊断效率,对于小卫星在轨故障诊断系统中的具有模糊性和不确定性的诊断知识,用模糊Ｐｅｔｒｉ网代替常用的模糊产生式规则进行表示、存储和推理。同时以ＨＩＴＳＡＴ小卫星的电源分系统的故障诊断为例,证明该模型在小卫星在轨故障诊断系统中的有效性和可用性。     

基于模糊Petri网的空战战术决策研究

空战过程中由于空战态势的不确定性,战术决策也应作为一个动态的不确定性决策问题进行研究。针对该不确定性动态决策过程,在分析超视距空战战术决策的基础上,综合利用模糊逻辑理论与Petri网理论的优点,构建了超视距空战机动战术的模糊推理规则,提出了超视距空战战术决策的Petri网模型,并对该模型进行了仿真分析。此模型的仿真结果表明该模型能够提高决策的自动化和智能化程度,这是一种快速、实用、直观的方法。     

基于多属性模糊Petri网的知识化制造系统产品需求预测

为强化模糊Petri网的知识表示能力, 提出了一种多属性模糊Petri网(AFPN), 即在模糊Petri网的基础上, 为每个库所及权值赋予与实际系统相对应的多个属性, 以简单模型结构完成具有多个属性的系统的建模．利用知识化制造系统的知识库, 对多属性模糊Petri网进行属性分解、属性合并以及训练更新, 并对不规则模型进行规则化, 可以在原有产品的AFPN模型基础上简单快速建立后续产品的AFPN新模型．在产品需求预测的实例中, 采用原材料和产品的各需求相关因素建立产品的需求预测AFPN, 实现了产品需求的快速预测．     

基于模糊Petri网的个性化运动方案智能生成

为了生成针对不同用户个体的个性化科学运动方案,一个基于模糊Petri网的个性化运动方案智能生成方法被提出。该方法遵循FITT（Frequency-Intensity-Time-Type）原则,依据大规模运动知识构造运动类型、运动时间、运动频率、运动强度模糊Petri网,结合个体的个性化信息,以矩阵运算形式进行智能推理。首先推理生成个性化运动类型,在此基础上进一步推理个性化的运动时间、频率和强度,然后基于个体意愿对不同运动类型的运动方案进行组合,最终形成一套完备且可操作性高的个性化运动方案。     

面向普适计算的分布式模糊推理Petri网建模及仿真

普适计算环境通常采用集中式推理机制,加重了推理服务器和网络通信的负担,并且未充分利用终端计算能力。分布式模糊推理Petri网模型对模糊推理Petri网模型FRPN进行改进,采用层次结构,表征推理服务器和终端的推理任务执行;通过引入负载度和负载增长率的概念,在模糊推理过程中监控节点资源占用,弥补了集中式推理的不足。仿真实验表明,该模型较之FRPN模型可显著降低系统负载,是一种有效的分布式推理的规约方法。     

基于移动服务的隐私政策Petri网协商算法

移动商务在给用户带来丰富便捷的服务时,引发了严重的隐私担忧。结合移动商务环境的特点,在Petri网的基础上设计了基于移动服务的隐私政策Petri网协商算法,该算法兼顾了用户的隐私偏好与服务商的隐私政策,双方以移动服务为粒度进行隐私政策协商,并支持协商冲突检测与缓解,实现了移动用户的服务需求与隐私保护之间的权衡。仿真实验发现,相比传统的隐私政策协商方法,该算法有更高的协商效率和协商成功率。     

A Method to Detect the Abnormal Phenomenon in PVM Program Based on Petri Net

1IntroductionWiththedevelopmentofcomputerscience,parallelmodelandparajleltreatingarepaidmoreandmoreextensiveattention.Parallelprogrammingunderparajlelenvironmentisthenecessarypathforpeopletoreajizetheconcurrentcomputation.However,programmingunderparallelenvironmentismuchmoredifficultthanserialenvironmentforparajlelprograminvolvesmorethanoneprocesswhichruninmorethanoneprocessor.Moreover,theseprocessesoftencommunicateeachother.Sotheparallelprogrammustensureboththecorrectnessofcomputationandcomm…     

公平消息传递并行程序设计的Petri网方法

公平性是并行程序正确的主要标准之一,但是并行程序执行的不确定性导致公平性验证较为困难.针对消息传递模式的并行程序,在建立相应Petri网模型的基础上,首先证明了并行程序的公平性与其Petri网模型的公平性之间的关系,然后提出了利用T-不变量判断并行程序公平性,以及通过添加控制库所实现并行程序公平的算法,最后指出了将改造后的模型转换为公平并行程序的方法,并用一个实例进行了验证.     

复杂FMS系统的启发式调度策略

用Petri网对柔性制造系统进行建模的基础上,提出了一种针对较大规模柔性制造系统的启发式调度优化算法.采用了改进的子节点处理方法、与派遣规则相结合的启发函数以及移动窗口等策略,弥补了算法在节点质量评价和节点搜索方面的不足,有效减小算法在可述图中寻路时对节点的搜索范围,加快了算法的收敛速度.仿真结果表明:相对于其他调度算法,该文算法可以快速、高效的编制系统调度计划.     

时间Petri网与遗传-蚁群算法相结合的并行测试研究

自动测试系统中并行测试任务调度方案一直是尚未解决的难题.在基于Petri网理论的基础上,建立了并行测试的时间Petrl网模型,并且首次将遗传-蚁群算法引入到时间Petri网的变迁序列的寻找过程中,快速地求得了最优调度方案.仿真结果表明,该算法能够以较大的收敛概率快速地收敛,最终得到最优变迁序列.     

基于模糊神经Petri网的C~3I信息融合模型

本文将模糊技术、多层感知器理论与Ｐｅｔｒｉ网相结合,提出了一种关于Ｃ３Ｉ信息融合的模糊神经Ｐｅｔｒｉ网的模型。将模糊逻辑规则应用到多传感器融合系统中得到模糊Ｐｅｔｒｉ网,并在此基础上将人工神经网络引入到Ｐｅｔｒｉ网中,从而提高了系统的学习能力以及对外界环境的自适应能力。