XML Schema派生和重用机制

针对XML schema不能直接转换为关系模式,笔者设计了结构字典存贮结构信息和约束信息,利用贪心算法实现了机制映射为关系模式.实验结果表明：结构字典和算法对重构XML文档提供了有力支持.     

计算机生成兵力的目标选择研究

根据CGF目标选择的模糊性特点,介绍了一个基于模糊集理论的目标威胁分析算法和基于效用理论的目标选择算法。基于模糊集理论的威胁分析能准确反映和描述实际战场环境下信息的模糊特性,算法通过隶属度函数计算得出不同威胁因素的隶属度值,然后通过层次分析法综合各威胁因素隶属度值获得每个目标的威胁程度。基于效用理论的目标选择算法通过效用函数综合考虑了目标的威胁程度和与之交战的期望效益两方面因素,能很好地模拟实际作战兵力的目标选择过程。     

组织模型与自适应机理分析

通过组织资源的功能矩阵、资源结构矩阵、任务需求矩阵、任务顺序关系矩阵、责任区域分配矩阵、协作交流矩阵、过程信息流矩阵和管理与控制关系的描述建立组织的静态视图,基于组织描述的静态视图探索了组织结构与使命环境一致性测度函数、组织变革的风险与收益测度函数.基于组织模型及其测度方法提出组织自适应行为是组织鲁棒性与适应性的综合与平衡.在组织鲁棒性特征上分析了组织结构鲁棒性与过程鲁棒性机理;在组织适应性特征上分析了组织过程连续与离散条件下组织结构的变迁机理.     

复杂网络拓扑结构对系统抗毁性影响研究

通讯网络的抗毁性、生物系统的健壮性、物理系统的稳定性都与各自系统内部网络的抗毁性息息相关。为研究复杂网络拓扑结构对复杂网络抗毁性的影响,建立了复杂系统的复杂网络抗毁性模型,以解析推导与计算机仿真相结合的方式研究了两种不同的复杂网络拓扑结构(随机网络和无标度网络)对复杂网络抗毁性的影响。并把仿真结果与解析分析的结果进行了对比分析,结果表明基于多Agent的建模仿真方法是一种研究复杂网络抗毁性的合适方法。     

一种基于SVD的射频收发天线选择算法

基于线性检测的空间复用(SM)系统提出了一种射频天线选择算法,该算法以最小化错误概率为目标,利用信道矩阵的奇异值分解(SVD)所得到的左奇异和右奇异矢量实现发端和收端的射频天线选择,且不需要改变系统原有的检测算法。该算法可以用于收发任一端或两端同时使用,不采用遍历搜索,与传统搜索算法相比实现复杂度低。仿真证明将该算法应用于链路任意一端相比与传统算法都可以获得更多的分集增益和阵列增益。     

基于动态种群结构的粒子群算法及仿真研究

针对标准粒子群算法易陷入局部最优而早熟的问题,提出了一种基于动态种群结构的粒子群算法。该算法在种群结构中引入小世界网络模型,由于网络模型的演化,使算法具有动态的种群结构,从而保持了种群的多样性。同时为了使粒子尽可能地分布在不同的搜索空间,在网络模型演化过程中考虑了结点的个体价值。为了加快算法的收敛速度,在进化后期采用全局模型粒子群算法。通过对三个经典测试函数优化问题的数值仿真并与其它方法进行比较,结果表明了算法的有效性和实用性。     

自适应小生境克隆选择算法及其仿真研究

为了对多模态函数寻优,基于免疫克隆选择算法原理,提出了自适应小生境克隆选择算法(ANCSA).小生境决定位段会随着优化对象的维数及可行域的变化而自动调节,从而形成不同的小生境,每个小生境都具有免疫记忆功能.通过对四个典型的多模态函数仿真,并和相关算法进行比较分析,结果表明ANCSA在解决多模态函数优化问题时具有较强的自适应性和收敛性.     

异构无线分组网络中的接入选择机制

传统多接入选择(Multi-Radio Access Selection)方法只针对话音业务,在设计中仅仅考虑已接入用户数及系统容量,由于未将"分组级"信息考虑在内而不适用于无线分组网络。提出了一种新的异构无线分组网络中的接入选择算法,分组业务在多接入选择时考虑了实时、非实时的不同QoS要求和链路自适应机制(链路层重传及自适应调制编码);用户接入后,在保证其QoS的基础上,同时达到不同网络间负载均衡的目的。基于OPNET Modeler的动态仿真对算法性能进行了仿真评估,并与传统的最小用户数和最小路径损耗多接入选择方法在保证业务QoS和负载均衡性能方面进行了比较。     

基于理性期望的利率期限结构预期理论与期限溢酬

推导了两种检验期限结构预期理论的方法.指出基于这些回归方程来检验预期理论,实际上是对理性期望、期限结构预期理论和期限溢酬不变的联合检验,实证研究中对预期理论的拒绝可能是由于未考虑到期限溢酬的时变性.在此基础上,基于Kalman滤波的期限溢酬估计模型.提出了一个利用即期利率数据.利用上海证券交易所国债交易数据对该模型进行实证研究,分析了该市场期限溢酬的行为特征.     

Improving moving average trading rules with boosting and statistical learning methods

We present a system for combining the different types of predictions given by a wide category of mechanical trading rules through statistical learning methods (boosting, and several model averaging methods like Bayesian or simple averaging methods). Statistical learning methods supply better out‐of‐sample results than most of the single moving average rules in the NYSE Composite Index from January 1993 to December 2002. Moreover, using a filter to reduce trading frequency, the filtered boosting model produces a technical strategy which, although it is not able to overcome the returns of the buy‐and‐hold (B&H) strategy during rising periods, it does overcome the B&H during falling periods and is able to absorb a considerable part of falls in the market. Copyright © 2008 John Wiley & Sons, Ltd.