基于AR模型的PCF动态电源管理预测策略

基于AR(auto-regressive)模型提出了一种新颖的预测控制反馈(predictive-control-feedback,PCF)预测策略,该策略能够很好地解决某些文献所提出策略中存在的问题.实验结果表明,PCF策略具有稳定性;与其他预测性策略相比,该策略能够进一步降低系统的平均功耗.     

自适应嵌入强度的DWT域图像水印策略研究

提出了一种基于DWT域的自适应图像水印嵌入方案.其特点是结合人眼视觉系统(HVS)特性,自动确定嵌入强度并选择适合的位置进行二值水印图像嵌入,同时,水印图像在嵌入前进行了置乱加密以提高算法的安全性.实验证明,该方案具有良好的水印特性.     

分布式计算环境下的语义安全策略语言

提出了一种用于分布式计算环境的语言安全策略语言SSPL。SSPL通过OWL DL描述,支持各种安全策略的基本类型,包括肯定和否定授权,肯定和否定义务,权限委托和撤销以及策略冲突消除等。SSPL还支持基于规则的安全策略,使得该语言具有更强的表达能力。为了分析SSPL策略的形式化语义和推理的可判定性,引入DL-safe规则和courteous logic program的概念,并定义了一组从SSPL策略到courteous DL-safe program的转换规则,介绍了对转换得到的逻辑程序的推理过程。     

"全球化"视野下发达国家科技政策的特点及其启示

“全球化”是一个随着人类科学技术的进步而不断推进的历史过程,而“全球化”的发展又必然会对人类科学技术发展的未来产生重大的影响。在“全球化”和科学技术日益跃进的今天,西方发达国家对科学技术的认知已经进入到了全新的思想领域并采取了相应的科学技术发展政策。西方国家在实践科技政策过程中取得的经验,为中国科学技术事业的发展提供了重要的借鉴。     

基于着色Petri网的协调策略建模研究

提出了一种基于着色Petri网（CPN）的协调策略描述方法,在介绍CPN基本构成的基础上,对计算机支持的多层次协同工作系统（CSMMCW）中的协调策略进行了建模。利用CPN,对组间和组内协同工作,通过建立任务执行工作流和CPN之间的映射关系来准确地描述各种协调策略。文章举例具体说明了如何建立组内协调策略的CPN模型,并对该模型进行了仿真。仿真结果表明,该模型能够有效地描述在协作过程中的动态行为,利于分析和验证,并且易于实现。     

δ冲击模型及其最优更换策略

讨论了一种特殊的冲击模型－－δ－冲击模型,在Poisson冲击流下,给出了单部件系统的一些可靠性指标：系统可靠度函数和首次故障前平均时间,进一步,假定系统是可修的,逐次故障后的维修时间构成随机递增的几何过程,而逐次维修后的系统性能指标成比例劣化,相应系统工作时间是按一定方式随机递减,我们以系统故障次数N为策略,以长期运行单位时间内的期望费用为目标函数,导出了目标函数的解析表达式C（N）,并通过最小化目标函C（N）,找到几何维修下可靠性系统的最优更换策略N^*。     

浅议领导决策中信息工作的作用

文章论述了信息的处理和反馈是领导决策方案正确实施的重要手段,信息工作在领导者决策中具有重要的地位和作用。     

带有价格折扣的变质物品的最优订货策略

本文给出了单一变质物品的存储模型,并求出此时的最优订货策略;并研究了两种价格折扣时的情况,得出了在这两种情况下的带有价格折扣的存储模型的最优订货策略。     

微观视角下的20世纪30年代美国孤立主义

20世纪30年代是美国孤立主义思潮与外交最兴盛时期，也是开始走向衰落的时期。本文从微观的角度探求20世纪30年代孤立主义盛衰的轨迹。从中探讨国内外的重大事件对美国民众、国会尤其是参议院外交委员会、总统的认知的影响与孤立主义高潮迭起、终不免衰落的关系。揭示出决策者的认知从错误到正确的转变亦即外交决策从脱离实际到贴近实际的过程，决策者的认知对外交政策的制定与执行有着密切的关系。     

基于动态延迟策略更新的TD3 算法

在深度强化学习领域中，为进一步减少双延迟深度确定性策略梯度TD3( Twin Delayed Deep Deterministic Policy Gradients) 中价值过估计对策略估计的影响，加快模型学习的效率，提出一种基于动态延迟策略更新的双 延迟深度确定性策略梯度( DD-TD3: Twin Delayed Deep Deterministic Policy Gradients with Dynamic Delayed Policy Update) 。在DD-TD3 方法中，通过Critic 网络的最新Loss 值与其指数加权移动平均值的动态差异指导Actor 网 络的延迟更新步长。实验结果表明，与原始TD3 算法在2 000 步获得较高的奖励值相比，DD-TD3 方法可在约 1 000步内学习到最优控制策略，并且获得更高的奖励值，从而提高寻找最优策略的效率。