大学图书馆与和谐校园构建的互动关系研究

概述了大学图书馆在构建和谐校园中的重要作用,提出了大学图书馆促进和谐校园构建的策略和原则。     

一种基于网格密度与空间划分树的聚类算法

基于密度的聚类是聚类分析中的一种,其主要优点是发现任意形状的聚类和对噪音数据不敏感.文章提出了一种新的基于网格密度和空间划分树的CGDSFF(Clustering based on Grid - Density andSpatial Partition Tree)聚类算法.其创新点在于,将数据空间划分成多个体积相等的单元格,然后基于单元格定义了密度、簇等概念,对单元格建立了一种基于空间划分的空间索引结构(空间划分树)来对数据进行聚类.CGDSPT算法保持了基于密度的聚类算法的上述优点,而且CGDSFF算法具有线性的时间复杂性,因此CGDSPT算法适合对大规模数据的挖掘.理论分析和实验结果也证明了CGDSPT算法的优点.     

用户异质下公交定价和道路收费收入再分配

针对收费道路与公共交通并行的竞争交通系统,在异质用户的出行时间价值服从均匀分布的假设下,结合公共交通的边际成本定价和平均成本定价策略,建立了均衡交通模型,分析了出行者的出行行为.研究发现,随着出行者时间价值之间的差异增大,无论收费收入上交财政还是补贴公交,自驾车人数在不同定价策略下差距减小.进一步,基于效率和公平的准则,考察了道路拥挤收费收入再分配原则所导致的系统总出行成本的变化情况,对四种公交定价和道路收费收入再分配策略进行了对比分析.研究表明,当道路收费收入直接补贴给公交出行者时,比较系统的总出行成本,平均成本定价策略优于边际成本定价.从公平角度分析,当出行用户的时间价值差异不是很大时,无论公交采取边际还是平均成本定价策略,收费收入全部用于补贴公交用户会使得公平性提高.最后,算例结果验证了当固定成本足够大时,受补贴的公交平均成本定价策略是一种较优的策略.     

一种基于划分的带项目约束的频繁项集挖掘算法

为提高关联规则挖掘算法的效率及其对大型数据集的适应性,提出了基于划分的带项目约束的频繁项集挖掘算法Partition CHS Miner。算法按照约束条件裁减数据集,并采用基于约束的超结构CHS(con-straint-based hyper-structure)存储数据。对大型数据集,先将其划分为多个不相交的数据子集,使子集的大小适合主存,然后在子集上采用基于超结构的带项目约束的挖掘算法挖掘出局部频繁项集,最后合并所有子集中的频繁项集形成全局的带约束的候选项集,计算出全局频繁项集。实验证明了算法的有效性。     

Petri网的公平性及分析

公平性是反映了在资源竞争时Petri网模型系统中行为的无饥饿性。公平关系分为三个层次,即公平关系、弱公平关系和广义公平关系,并衍生出亚公平关系和准公平关系;对应的系统网模型包括公平网、弱公平网,亚公平网等。同时相对公平网严格要求,系统的Petri网模型存在分组公平和局部公平,反映了网系统局部行为的公平关系。在Petri网模型简化和子网合成时的公平性保性,反映简化和合成后资源共享的保持特性。综述了以上公平性及判定方法,介绍公平性在系统中的应用,并给出公平性的细化定义和同步距离的关系,展望了Petri网公平性在连续系统与离散事件系统中的未来研究方向和应用难点,对公平关系今后的研究具有一定的指导意义。     

两不同部件并联可修系统稳态解中p0的最优控制

讨论了在具有两不同部件并联的可修复系统中,利用Banach空间理论研究其稳定解中的p0的最优控制问题,并得到最优解的存在性.     

基于划分的模式匹配改进算法

为提高基于划分窗口的字符串匹配算法(SKIP和KMPSKIP算法)的性能,结合QS算法的优点,通过提前预览下一窗口最后一个字符的移动信息跳过尽可能多的字符进行下一轮匹配,减少了匹配次数,提高了匹配效率.理论分析及实验结果均表明,改进算法在平均时间复杂度方面优于原始算法,在模式较短的情况下,ISKIP算法的平均运行时间仅为BMH算法的65%~85%.     

基于非回溯矩阵的有向网络拆解方法

网络拆解是指通过移除最少的节点集将网络拆分为相互不连通的子部分从而达到对网络进行有效控制的效果。但是现有的绝大多数工作只聚焦于无向网络的拆解问题,对有向网络的研究很少,因为当网络中的连边为有向时应用现有方法会使拆解产生较多的耗费。针对此问题本文提出了一种有效的基于非回溯矩阵的边模块拆解方法,将边模块谱划分和有向网络拆解问题相结合,找到连接不同边模块的最少关键点集进行移除。为验证本方法的有效性,将其应用于大规模人工网络和真实网络,多重实验结果表明本文所提方法在拆解精度和计算效率上都具有很大优势。     

改进的极小极大概率终端学习机

极小极大概率机(Minimax Probability Machine, MPM)、极小极大概率终端学习机(Minimax Probability Extreme Learning Machine, MPELM)和孪生极小极大概率终端学习机(Twin MPELM, TMPELM)在不对数据分布进行具体要求的情况下,可以为泛化误差提供明确的上界,同时使经验风险极小化。目前,MPM算法、MPELM算法和TMPELM算法主要是通过求解二阶锥规划模型的内点算法实现。本文利用支持向量机思想和凸二次规划的Wolfe对偶形式,对已有的MPM算法、MPELM算法和TMPELM算法进行了改进,并提出了三个新算法。实验结果表明,本文所提算法是有效和可竞争的。     

加权最小包容球问题的对偶光滑逼近算法

【目的】研究加权最小包容球问题,并给出一类求解该问题的算法。【方法】加权最小包容球问题是一个极大极小化的非光滑问题。首先利用对偶方法将该问题转化为极小化非光滑问题,然后利用光滑逼近思想,将该问题转化为极小化的光滑问题进行求解。【结果】根据数据实例表明该算法有效。【结论】得到求解加权最小包容球问题的一类对偶光滑逼近算法。