基于移动设备云迁移的节能决策算法

随着云计算的兴起,云迁移计算开始成为移动设备获取计算资源和降低功耗的有效方式.云迁移的主要想法是将移动终端的复杂任务经由无线网络迁移到云端执行,然后再接收计算结果.然而,无线网络的不稳定性和数据传输的高功耗限制了云迁移计算在移动设备中的应用.不同于已有工作,本文通过引入数据压缩的方法完善了云迁移计算决策模型,并且基于对未来时段网络期望的预测,提出了一种节能迁移计算决策算法——EPVAD.基于实际的3G网络带宽数据和开发测试平台,实验结果显示:EPVAD算法的节能效果较同类算法平均优14.9%,并且算法自身的系统开销可忽略.     

不确定条件下纵向研发合作的投资决策研究

针对一个存在两个上游企业和两个下游企业的双层市场结构,对上下游企业实施纵向研发合作策略下的产量和利润进行了研究。并考虑了研发固有的不确定性和溢出效应的影响,从企业是否进行研发以及进行多大程度的研发两个方面,研究上下游企业实施纵向研发合作的投资决策。并在此基础上,探讨了企业研发成本分担比例和违约赔偿。     

具有不可比状态信息的可修MS-PMS可靠性分析

针对复杂多阶段任务系统(PMS)中存在的元件状态多态性和不可比性问题,提出了系统与元件两层的分层模块构建方法,应用连续时间Markov模型(CTMC)描述可修元件之间状态的相依和变迁的动态行为,应用多态多值决策图(MVDD)构建系统的结构函数.为处理元件状态不可比情形,将其分为组内、组间及无约束状态三组,应用CTMC构建了不同变迁约束下部件处于不同阶段时的状态组的联合概率模型,发展了具有不可比元件状态的多状态多阶段任务系统(MSPMS)可靠性分析方法.最后,通过简约形式的飞行任务系统实例,结果表明CTMC下分层分组模块分析方法能有效计算MS-PMS的可靠度,验证了模型与分析方法的可行性.     

基于区间直觉模糊数的得分函数与精确函数及其应用

在模糊决策理论中,区间直觉模糊数的排序是一个非常重要的理论问题.运用得分函数和精确函数对区间直觉模糊数进行有效排序的关键是得分函数和精确函数的科学构建.本文基于得分函数和精确函数的内涵,运用概率论全概率公式思想提出了新的得分函数和精确函数,并证明了其公理化的性质.通过大量的实际数据测算与比较分析,验证了本文提出的得分函数和精确函数的科学性,从而在对区间直觉模糊数排序时更有效、更准确.     

阿罗不可能性定理和社会选择的无矛盾性问题

2017年2月21日,国际著名数理经济学家、1972年度诺贝尔(Nobel)经济学奖获得者阿罗(K.J.Arrow)于美国辞世。谨作此文,以纪念他在社会选择理论,特别是其中将有关数学应用于研究经济学领域发现的"阿罗不可能性定理"作出的重大贡献。     

数据挖掘中决策树算法的研究

决策树算法是数据挖掘中重要的分类算法,本文首先阐述了数据挖掘中决策树的基本思想,然后针对ID3算法倾向于取值较多的属性的缺点。对ID3算法予以改进,并通过实验对改进前后的算法进行了比较,实验表明改进后的算法是有效的。     

一种含有中性指标的数据包络分析方法

在应用数据包络分析方法进行评价时,要求所有指标必须具有偏好性,即所有指标必须越大越好或者越小越好.然而,当评价指标体系中含有中性(即没有偏好性)指标时,传统的数据包络分析方法则不能解决该类问题.因此,本文以经济效率与产业结构调整为背景,从系统性的角度出发提出了一种用于评价含有中性指标的数据包络分析模型.该模型不仅能给出一个经济系统的效率大小,而且还能给出该系统应如何通过产业结构调整来提高经济系统的效率.最后,应用本文提出的方法分析了天津市经济结构调整的有效性问题.     

基于复杂网络理论的水网节点重要性评价研究

复杂水网节点的重要性排序在工程应用中有重要实践意义,对于水网调度、安全管理有重要借鉴意义.为此,本文在复杂网络理论基础上,以山西大水网节点重要性排序问题为背景,对水网节点重要性评价进行研究.首先从整体角度出发,不考虑水网方向和干支斗毛级别差异,基于水网全局网络拓扑结构,从局部属性、全局属性、传播属性和网络位置四个方面定义了节点重要性评价指标.其次,分别根据这四个指标,对水网节点重要性进行排序分析,结合分析结果对网络位置指标进行了改进.然后,由于单指标评价结果不够全面且适用范围具有很大的局限性,给出了基于TOPSIS的多属性决策方法来综合评价节点的重要性.最后,考虑水网方向和级别差异,提出对水网进行干支斗毛级别划分,基于Page Rank算法对同一级别的有向赋权水网节点重要性评价进行研究.     

P_MOEA：一种多目标决策辅助遗传算法用于服务组合QoS优化

在服务组合场景下,SLA约束下的服务组合优选是实现服务质量管理的重要基础之一．服务组合优选既是一个组合优化问题同时也是多目标决策问题,需要高效的算法以支持大规模的候选组合方案集合,同时也需要有效的评价模型来明确定义候选方案的优劣程度,从而为决策者提供支持．现有的服务组合优选方法多基于两种模型定义其优化目标：线性效用函数和Pareto最优．前者需要量化权重配置以定义效用函数,但是对于用户来说精确的量化权重配置是一个非常困难的任务,特别是在涉及到的QoS维度较多时;后者无需权重配置,将Pareto最优的skyline集合作为优化结果返回给用户,然而skyline集合的规模是不可控的,最优结果集的规模会随着问题的规模增大而显著增大,过大的最优结果集显然难以为决策者提供有效参考,针对上述传统方法的不足,在本文中,我们将PROMETHEE方法弓I入服务组合优选问题,结合Pareto和PROMETHEE两种评价模型,将skyline集合基础上的Top—kPROMETHEE最优方案作为优化目标,提出并实现了一个高效的遗传算法：P—MOEA．算法可以针对大规模问题,高效地返回Top—kPROMETHEE最优组合方案集合,从而为进一步的决策提供有效的参考．我们实验验证了算法的效率和有效性．     

基于粗糙集和证据理论的决策规则提取

提出一种基于粗糙集和证据理论的两阶段决策规则提取算法, 该算法首先利用粗糙集中属性缩减的思想, 找出每条规则中的重要条件属性集合, 然后再基于证据理论中证据结合的思想进一步去掉重要条件属性集中的冗余条件属性, 从而得到最终的决策规则. 所给算法简化了属性集的约简, 对高维数据也是可行的. 实验结果表明, 利用该算法能够挖掘出高质量的决策规则.