应召搜索中搜索的轨线与策略

在数学实验环境Maple下对应召搜索中搜索轨线的微分方程模型和关于搜索路线的对策问题进行了讨论,通过实验,展示了Maple实验环境的友好界面,以引起学生对数学实验这门课程的兴趣和重视,以便于更积极地进行探讨.     

联合贝叶斯推理与遗传算法的主题信息搜索策略

为提高大数据环境下主题信息搜索的准确率和查全率,提出了将贝叶斯推理与遗传算法相结合的搜索策略.利用贝叶斯推理对文档的主题相关度进行了计算,并结合遗传算法对搜索过程进行启发式引导,同时引入差异度参数,在Heritrix框架基础上,利用集成开发环境Eclipse 3.3实现了相应功能.实验结果表明:搜索策略改进后的系统抓取主题页面所占比例与原系统相比有较大提高.     

可搜索加密的安全性研究进展

可搜索加密是一种在云计算和大数据环境下解决数据安全和隐私保护问题的关键技术，其允许用户在不解密的情况下，对加密数据进行安全搜索。然而，近年来针对可搜索加密的攻击研究层出不穷且破坏了安全搜索的功能。为了深入理解可搜索加密的安全性，对可搜索加密的安全性研究进展进行梳理和探讨。可搜索加密主要分为公钥可搜索加密和对称可搜索加密。首先介绍了公钥可搜索加密的概念，现有公钥可搜索加密方案面临着用户隐私、关键词猜测攻击和密文关键词等值测试等严峻的挑战，并给出具体的解决思路与方法。进一步阐述了对称可搜索加密的安全模型，对称可搜索加密方案的攻击方法和防御方法。最后，讨论了可搜索加密需进一步研究的问题和未来发展方向。     

基于领域本体的信息搜索模型

针对目前的搜索模型局限于语法层次上关键词匹配的特点,以领域本体作为知识组织方式,提出了一种语义环境下基于本体的信息搜索模型.在此模型的基础上,分别提出了文档语义标注算法和搜索词语义扩展算法,两种算法分别对文档集语义分析和搜索词语义关系理解,实现双向语义信息搜索的目的.实验结果表明,提出的信息搜索方法能够克服关键词匹配搜索的不足,获得较好的搜索效果     

基于模拟退火机制的网络蜘蛛搜索策略

在分析传统网络蜘蛛搜索机制特点的基础上，将模拟退火机制引入网络蜘蛛的链接选择策略。提出了一种基于模拟退火机制的启发式网络蜘蛛搜索算法。针对国外四所著名大学计算机系网站中计算机论文资源的搜索实验表明，新算法可以有效提高搜索效率。     

搜索成本类型和搜索收益对搜索意愿的影响研究

传统的搜索理论认为搜索收益的增加会引起搜索意愿的增加,这得到以往实验室实验研究的支持,却没有得到基于零售背景下现场实验研究的支持.已有的实验室实验研究通常只涉及基于金钱的搜索,而零售背景下的搜索往往是基于时间的.为此,实验试图探讨零售背景下人类对待搜索过程中搜索成本和搜索收益变化导致的搜索意愿变化(愿付出的金钱和时间2种成本的变化趋势),结果表明:当搜索成本是时间而不是金钱时,人们对搜索动机(搜索收益增加)的不敏感,这可能是搜索成本涉及时间而不是金钱时.被试在做搜索意愿决策时更倾向于忽视搜索收益的信息.     

自适应搜索的改进遗传算法及其应用

提出了一种具有自适应搜索能力的快速收敛遗传算法。在计算过程中，设计变量的搜索范围依据每代自变量的数学期望和方差自动进行调整，并且通过引入进化策略中的自适应高斯变异算子，对变异算子进行改进，加速了算法的收敛性。为了验证算法的可行性和鲁棒性，对一个高维多峰函数的极小值搜索问题进行了求解，并将算法进一步应用于离心叶轮的形状优化问题。计算结果表明，该算法克服了传统遗传算法中设计区间的给定具有一定盲目性的缺陷，在收敛性和鲁棒性方面均优于传统的实数编码遗传算法。     

Web图像搜索系统设计

Web图像是网络资源的重要组成部分，研究Web图像搜索方法对充分利用网络资源具有实践意义．提出一种面向专题领域、综合利用关键词和基于内容特征的搜索方法，以此为基础设计Web图像搜索系统，给出了系统结构和图像检索的关键算法，实现了原型实验系统．经初步实验表明，该系统在专题领域具有较高的图像检索准确率．     

搜索成本类型和数量对搜索意愿的影响研究

传统的搜索理论认为搜索成本的减少会引起搜索行为的增加,这得到以往实验室研究的支持,却没有得到基于零售背景下现场实验研究的支持.基于文献回顾可知,实验室研究通常只涉及基于金钱的搜索,而零售背景下的搜索往往是基于时间的.为此,实验1和实验2分别采用循序搜索任务和非循序搜索任务试图探讨人类对待搜索过程中金钱和时间2种成本变化导致的搜索意愿的变化趋势,结果表明:人类对金钱成本的变化较时间成本的变化导致的搜索意愿的变化更强,这可能是当搜索成本涉及花时间而不是花金钱时,被试在做搜索意愿决策时更倾向于忽视搜索成本的信息.     

电力市场中一种新型有效的潮流搜索策略

基于按比例分配原则，首先对一种新型有效的潮流搜索策略的理论基础进行详细讨论并分析如何确定搜索顺序；其次严格推导发电机的贡献因子矩阵和负载的汲取因子矩阵，以形成潮流搜索策略，并将该法成功应用到IEEE－14点试验系统，结果表明该方法不仅可以分析实际的电力系统，而且首次将有功功率和无功功率耦合在一起分析发电机，线路潮流，负载功率之间的关系，并可在电力市场环境下用于计算转供费用和输电定价等。     

认知无线网络中集中式信道搜索策略的研究

认知无线网络中,认知用户利用授权用户暂时不用的信道传输数据,认知用户对空闲信道的搜索策略成为了认知无线网络效率提高的关键问题之一。将哈希算法应用于认知无线网络的信道搜索过程中,给出了一种面向认知用户的集中式信道搜索策略HSS(Hash-SU-Search)。建立了带有两类顾客的离散时间排队模型,给出了系统的信道利用率及平均搜索次数等性能指标的表达式。通过数值实验,将HSS信道搜索策略与传统的顺序信道搜索策略进行了比较,验证了HSS的有效性。     

基于节点簇的P2P随机漫步搜索

以Gnutella为代表的P2P系统通常会呈现复杂的网络结构,为此,文中提出了一种基于节点簇的随机漫步搜索算法.该算法利用节点簇来存储系统中文件的索引,通过将搜索过程限制于节点簇内部来提高搜索性能.基于数学模型的理论分析,文中给出了搜索性能上下界的数学描述.实验结果表明:搜索性能与簇的阈值c密切相关;c的建议值为系统中节点最大度值的一半,与普通随机漫步相比,此时稀有文件的搜索效率至少可以提高250%,文件索引的传输和存储代价可以减少一个数量级;该算法具有索引存储代价非常低、搜索效率高、易于实现和部署的优点.     

主题爬虫搜索策略的研究

由于信息多元化的发展,通用的搜索引擎无法满足专业化用户的需求,分类细致、精确、更新及时的面向特定主题的垂直搜索引擎便应运而生了。主题网络爬虫是垂直搜索引擎获取数据的自动化程序。以何种策略有效地访问网络资源是主题爬虫研究的主要问题。本文重点对主题爬虫的搜索策略进行研究,并对各种搜索策略进行了比较。     

基于节点簇的非结构化P2P搜索策略

以Gnutella为代表的非结构化P2P系统通常会呈现复杂网络结构,针对其度分布服从幂律分布的特点,提出一种基于节点簇的搜索策略。该策略利用节点簇来存储系统中文件的索引,通过将搜索过程限制于节点簇内部来提高搜索性能。然后,基于数学模型的理论分析给出了搜索性能上下界的数学描述。实验结果表明,搜索性能与簇的阈值c密切相关;c的取值范围灵活性很大,此时稀有文件的搜索效率至少可以提高一倍以上,文件索引的传输和存储代价可以减少一个数量级。该策略不需要学习全局拓扑知识,具有稳定并且易于实现和部署的优点。     

一种改进的元搜索排序合成算法

搜索结果的合成是元搜索引擎系统中一个重要的技术问题。为了提高元搜索引擎的查询精度,提出了一种改进的元搜索结果合成算法。通过分析搜索结果列表中包含的文本信息,综合考虑搜索结果与查询的匹配完全程度和相关程度给出了文本分析的规范化方法,并结合搜索结果的排序信息计算文档的相关分值,据此实现对局部相似度的调整。利用成员搜索引擎的性能评价,提出了改进的影子文档方法估算非相关文档的相关分值。然后,采用基于群决策的合成方法对搜索结果进行一致性排序。在实际Web环境中进行了测试,实验结果表明采用本算法,搜索结果的相关性比Round-robin、CombSum和CombMNZ三种合成算法有较大提高。     

状态空间搜索的几种算法讨论

论述了状态空间搜索的几种算法，给出了深度优先搜索、广度优先搜索和启发式搜索之间的算法比较。通过比较，得到了这样一个结论：在通常情况下，采用启发式搜索算法来进行状态空间搜索更为方便、快捷。     

尾迹探测仪与废气分析仪搜索效率的论证

讨论了在一定的假设条件下,反潜直升机用尾迹探测仪和废气分析仪搜索潜艇的发现概率与搜索效率的计算公式,并对文献中外军给出的反潜直升机搜索效率公式进行了理论分析和数学验证.     

一种采用随机数直接搜索方法的应用及其改进

应用随机数直接搜索的单纯形最优化方法，将系统高阶模型简化为低阶效模型，并对控制系统调节器参数进行在线寻优，在保留方法原有优点的基础上对搜索范围的变化规定了改进，即依据目标函数值的大小来改变收缩系数，以达到搜索参数快速收敛于最优点的目的。     

分布式参数估计的多机器人放射源搜索策略

为在未知环境中快速、准确搜索失控放射物,将认知差异理论和一致性方法结合,提出了一种分布式参数估计的多机器人源项估计算法,以有效解决单机器人测量不准及运算量大等问题;将人工势场与信息熵结合,采用多机器人变步长分布式搜索策略以实现高效自主搜索。结果表明：本文算法与其他搜索策略相比具有更高的搜索成功率(92%)和更短的搜索时间。本文方法可用于核电站、化工厂等放射性及有毒有害物质泄漏的应急处置。     

一种基于宏启发搜索策略的神经网络学习算法

神经网络的学习是全局优化问题，Ｔａｂｕ搜索是一种非常有效的求解全局优化问题的宏启发搜索策略，文章根据Ｔａｂｕ思想和松弛原理，提出了一种多层网络学习算法。初步实验表明该方法是有效和快速的。