网络相变的非线性成因与分布式代理对策

为改善计算机网络非线性影响,以及用户行为带来的网络性能波动,分析了网络性能相变的非线性机制,在改进的二维耦合网络模型中对规则网络、具有访问群聚特性的网络和引入分布式代理的网络进行仿真对比。研究表明:在路由器非线性的作用下,网络存在相变特性;与目的节点随机选取的规则网络相比,超文本链接网络中访问行为的大规模群聚特性使网络相变点明显左移,网络性能相对恶化;针对这种情况采用分布式代理对策,使网络相变点右移,网络性能得到明显改善。     

基于代理的分布式入侵监测系统中网络代理的设计与实现

介绍一种基于代理的分布式入侵检测系统模型框架,以及网络代理的结构设计,对网络代理中的代理技 术、数据采集模块、协议分析模块的设计与技术问题进行比较深入的研究和探讨．     

基于代理的分布式入侵检测系统中网络代理的相关技术研究

介绍一个基于代理的分布式入侵检测系统的模型框架及其网络代理的结构设计,研究在Windows的环境下,利用网络代理技术的入侵检测方法,讨论网络代理的通信、网络数据采集与解析、协议分析等模块的相关实现技术.     

二维行人交通模型中转向运动对阻塞相变的影响

采用二维元胞自动机模型研究周期边界条件下正方形网格上的行人交通现象. 与Muramatsu-Nagatani的行人模型不同,提出了两个模型采用并行更新规则. 在模型I中,研究不同系统尺寸下转向运动对于相变的影响;而在模型II中,研究不同比例的两类行人运动时的相变现象. 模拟结果显示:当行人密度超过临界密度后,就会发生动力学阻塞相变,而发生相变的临界密度显著提高. 由于行人转向运动,从自由运动相到阻塞相存在一个很宽的过渡区域,在该区域内系统可能演化到两种不同的终态.     

优先随机慢化模型的密度波动与相变

引入局域密度几率分布分析3种不同交通相之间的转化,运用序参量研究平均车流量的2个临界点的相变行为来计算机仿真交通流模型——优先随机慢化模型（Noise—First）。数值模拟结果与实际测得的相变结论较吻合。该模型能够真实反映交通状况。     

分布式移动代理网络管理研究

分析了当前复杂现代网络管理技术的现状,建立了一种分布移动代理网络管理系统模型,该模型主要为在单一代理情况下的代理理移服务.为了量化Agent的移动性,设计了一个移动Agent在一个域中成功完成任务的时间估算公式.     

变形、冷却条件下低碳钢铁素体相变的元胞自动机模型

建立了一个二维元胞自动机模型,模拟了低碳钢在形变与快冷作用下铁素体最终微观结构,讨论了不同初始奥氏体γ晶粒尺寸对于奥氏体γ→铁素体α相变后微结构的影响·分析了模拟结果与实验存在一定偏差的原因·模拟结果表明,形变前的奥氏体晶粒尺寸粗大,相变后铁素体转变不完全,铁素体晶粒粗大且不均匀;形变前的奥氏体晶粒细小,相变后铁素体转变较为完全,铁素体晶粒细小·     

基于MA的分布式多层次网络的数据采集管理

分布式多层次网络是一种常见的复杂网络结构,为了对具有这种网络结构的企业组织的网络进行管理,结合移动代理技术和网络采集管理技术提出实现框架DMLNICS,实践证明是有效可行的.     

信号灯随机更新的城市交通网络模型

【目的】改进二维元胞自动机模型(BML模型),使其更好模拟实际城市交通网络。【方法】利用元胞自动机方法,建立信号灯随机更新的城市交通网络模型。【结果】数值模拟发现,信号灯的同步对城市交通网络的影响较大,且随机更新的引入使得网络系统的临界密度大幅度降低。【结论】同时调整信号灯的分布和信号变换周期能有效控制交通网络,解决由于信号灯随机更新所造成的系统临界密度变小的问题。     

一种新的元胞网络模型

用元胞替换传统人工神经网络中的神经元,以局部连接取代相邻层级元胞之间的全连接,用规则演化算法替代BP算法,建立元胞网络模型．设计了元胞网络的训练过程：内嵌的遗传算法用于寻优各元胞状态离散化边界值以及元胞网络拓扑结构．以一个红酒分类基准数据为例,检验了元胞网络的学习性能和分类性能,获得了较为满意的结果．     

二元胶体的熵驱动相变

利用二元胶体的硬球模型,讨论了胶体的熵驱动相变机制,排斥体积发挥了重要作用,增加小球的自由体积,导致系统的平移熵增加,同时系统的混合熵减少,随着溶液浓度增加,必须保证小球有足够的平移熵,导致系统相分离的发生,溶液呈现宏观有序.     

具分布时滞细胞神经网络的概周期解

利用矩阵不等式的分析技巧和Banach空间中不动点定理，得到了具分布时滞细胞神经网络概周期解的存在性和唯一性，推广和改进了已有文献的结论。     

分布计算中代理机制辨析

对分布计算环境中最常出现的3类代理概念(agent,proxy,broker)在机理上加以分辨与剖析,将目前浩繁文献中讨论的代理机制分为自主性代理(agent)、穿越性代理(proxy)、中介性代理(broker).探讨了其间本质区分与联系,并给出了若干实例阐明之.     

S-分布时滞区间细胞神经网络的全局渐近鲁棒稳定性

研究了一类具有S-分布时滞的区间细胞神经网络的全局渐近鲁棒稳定性问题,得到了实用有效的判别准则并给出了实例．     

高阶S-分布时滞细胞神经网络的全局鲁棒指数稳定性

利用分析技巧,通过构造恰当的Lebesgue-Stieltjes积分型Lyapunov泛函,得到系统全局鲁棒指数稳定的充分条件,判断方法简单.最后给出一个实例,以说明本文主要结论的有效性.     

贝叶斯概率与元胞自动机的非线性转换规则

利用朴素贝叶斯分类器(NBC)、高斯径向基函数和离散模型获取城市CA模型的非线性转换规则,提出NBC—CA模型,并将该模型应用于深圳市1988-2010年城市演变的动态模拟中。研究结果表明,所提出的CA模型能反映复杂城市系统的非线性、不确定性特点,模型模拟的结果要比传统MCE方法模拟精度高。NBC—CA模型中的径向基参数可解释不同空间变量的作用下,城市发展的集中区域以及空间变量对城市发展的影响范围,能够反映城市发展的模式和特征。     

S-分布时滞随机区间细胞神经网络的全局指数鲁棒稳定性

利用Lyapunov稳定性理论和随机分析的方法,给出了在均方意义下系统全局指数鲁棒稳定性的判据,并且给出了几乎必然指数稳定性的代数判据,通过仿真例子说明结果的实用性。     

具连续分布时滞与非线性脉冲BAM神经网络的全局指数稳定性

研究了具有连续分布时滞与非线性脉冲影响的BAM型神经网络的全局指数稳定性问题.利用M-矩阵以及谱理论等工具得到了系统存在惟一全局指数稳定的平衡点的充分条件.并给出一个例子说明结论的有效性.     

机器学习在座逾渗相变问题中的应用

机器学习理论区别于传统方法,因其在对于复杂的数据集识别、分类的准确性和高效性而被广泛应用于各个领域.识别相变是机器学习和统计物理领域相结合的最有代表性的工作.到目前为止,机器学习完成的相变识别几乎都是基于具有动力学演化过程的自旋模型,如Ising模型等,而其在另一类不具有动力学演化过程而完全由系统结构特征决定的相变模型,如逾渗模型等,仍未有细致研究.本文结合现有的机器学习技术,卷积神经网络和一般向量机,对二维方格子上的座逾渗问题进行了研究,发现能以高正确率对不同相的构型进行识别,证明了机器学习在这类问题上研究的可行性.通过已完成训练的学习机对不同参数下构型预测的正确率计算,发现正确率在相变点附近会出现急剧衰减,与系统参数呈幂律衰减.这与传统相变理论一致.通过定量计算,还发现2种学习机的正确率衰减规律都满足同一个幂律指数.这不仅进一步从全新的角度揭示了相变的普适性,而且为找寻相变点提供了新的方法.