P2P环境下基于蚁群优化的构件组装方法①

如何实现复杂的Internet环境下构件组装的服务质量最优,是网构软件开发面临的一个重要问题。提出了一种P2P环境下基于蚁群优化的构件组装方法,该方法基于一个由领域特征簇构成的双层P2P网 络模型(CC-P2P),从而将构件组装的全局优化问题转化为CC-P2P中的路径搜索问题,同时,定义了综合考虑构件和链路服务质量的多维指标,结合用户需求偏好将QoS值换算为路径长度,并将其引入启发函数,设计了一种适用于全局优化构件组装的改进蚁群算法。仿真实验证明了方法的有效性和可行性。     

特征模型驱动的网构软件构件组装与优化方法

面向特征的领域分析方法可为网构软件中资源的有序化提供有效支持.从领域工程的角度出发,提出一种特征模型驱动的网构软件组装与优化方法,该方法以iJackson图描述网构软件的特征模型,结合软件体系结构特点,分析了将特征模型转换为面向业务构件、基于工作流图技术的组合模型的机制,通过应用图论方法,将组合模型建模为以领域特征簇为中心的构件组装结构图,围绕面向多目标需求的QoS模型,建立了Internet环境下网构软件构件组装问题的数学模型,提出了一种基于蚁群优化算法的全局优化方法.最后,以网上书店系统为倒,介绍了仿真实验过程,并说明了方法的有效性和可行性.     

基于属性相似性度量的 BIM 构件聚类

近年来,随着建筑信息模型(BIM)构件库资源在互联网上迅猛增长,对大量 BIM 构件资源的聚类和检索应用变得日益迫切。现有方法还缺乏对 BIM 构件所承载的领域信息提取, 基于 BIM 构件所承载的领域信息,对 BIM 构件库资源开展聚类研究：①针对 BIM 构件,提出 了一种基于属性信息量的 BIM 构件相似性度量算法,以充分利用 BIM 构件属性信息。通过与 传统的Tversky相似性度量算法以及几何形状相似匹配算法相比,其在相似性度量上效果更好。 ②基于 BIM 构件间的相似性度量算法,提出了一种 BIM 构件库聚类方法。并在 BIMSeek 检索 引擎中集成了 BIM 构件的关键字检索功能以及分类器查看功能,为用户提供更丰富的检索和查 看方式。通过与传统的 K-medoids 和 AP 聚类算法相比,其聚类方法效果更好。     

一种基于能力的模糊Web服务聚类及预检索算法

实现对Web服务的自动聚类,是提高Web服务发现速度的有效方式之一。针对常用聚类算法在实现服务聚类时需要获取网内所有服务或通过服务训练集来发掘领域内服务特征,不适用于动态服务环境的问题,提出了服务能力的概念,并给出了服务能力描述及计算的方法。借助本体技术,提出了一种基于服务能力的聚类算法。无需先验知识或服务间相似度的比较,该算法可将服务能力及功能相似的服务聚类在一起。在此基础之上,提出了一种服务预检索算法。理论分析及仿真结果表明,聚类算法可有效地反映领域内服务基于功能的聚类特征,预检索算法可有效地滤除无关服务,提高服务检索效率。     

基于本体的构件聚类研究

为了消除自然语言对构件文本信息描述的二义性以及增强术语间的语义关系,文中采用领域本体的思想,给出了一个基于人工智能领域本体的软件构件聚类模型和基于该模型的聚类算法。该模型通过分析领域的共同概念,形成领域本体知识库,提供领域内一致认可的术语,用于匹配对构件文本描述所使用的自然语言。给出的算法通过与基于传统空间向量的K—Means算法分析比较,验证了该算法是有效的,实现了对软件构件更合理的聚类,提高了构件检索的效率和准确性。     

基于引力搜索机制的数据聚类及特征选择算法

为同步选择具有相关特征的数据聚类数量,提出一种基于引力搜索机制的聚类和特征选择算法.设计一种代理表示策略实现聚类中心和特征数量的编码;提出一种动态临界值方法决定聚类和特征数量,通过代理适应度的不断评估寻找最优聚类量和相关特征;分析算法的时间复杂度,通过8个经典数据集测试算法性能,并与7种常规数据聚类算法作对比.实验结果表明,所提算法在聚类和特征数量选择上具有更高的准确率.     

基于簇特征的增量聚类算法设计与实现

对于大型数据库,如空间数据库和多媒体数据库,传统聚类算法的有效性和可扩展性受到限制。通过动态增量的方法,在基于密度和自适应密度可达聚类算法的基础上,根据BIRCH算法中聚类特征的概念,利用簇特征设计与实现了一种新的动态增量聚类算法,解决了大型数据库聚类的有效性以及空间和时间复杂度问题。理论分析和实验结果证明该算法能够有效地处理大型数据库,使聚类算法具有良好的可扩展性。     

一种服务质量驱动的企业应用软件构件组装方法

针对现有面向全局构件组装方案选择技术的不足,提出了一种基于服务质量优化的构件组装方案选择方法.该方法主要是面向大型复杂企业应用软件系统的配置管理,其主要思想是将构件组装方案的选择问题转化为带约束的多目标优化问题.针对该问题,给出了一种基于向量编码的构件组装方案选择遗传算法,该编码方式可以非常方便地表示构件组装模型中构件接口之间的连接关系,从而克服了现有编码在描述构件组装模型中的局限性.最后通过实验分析了算法的可行性.     

基于免疫原理的一种动态数据聚类方法

提出一种基于免疫原理的动态聚类算法，它能在噪声环境下得到任意形状的聚类。并能有效地实现动态聚类操作．算法包括3个步骤：首先基于生物免疫机制得到一个反映当前数据分布特征的抗体集合；然后使用最小生成树方法得到聚类的初始结构；最后针对数据库的更新设计了动态聚类算法．仿真结果表明了该算法实现动态聚类的有效性．     

DNA甲基化微阵列的非参数贝叶斯聚类算法

面向 Illumina GoldenGate 甲基化微阵列数据提出了一种基于模型的聚类算法. 算法通过建立贝塔无限混合模型, 采用 Dirichlet 过程作为先验, 实现了基于数据和模型的聚类结构的建立, 实验结果表明该算法能够有效估计出聚类类别个数、 每个聚类类别的混合权重、每个聚类类别的特征等信息, 达到比较理想的聚类效果.     

基于频繁项挖掘的未知P2P流量识别方法

提出一种基于多维聚类的频繁项挖掘算法,利用聚类思想自动挖掘网络中的显著流量及其规则,并在此基础上,对显著流量进行P2P疑似性判别,同时结合应用层特征识别技术,对高度疑似的P2P显著流量类进行过滤,实现未知P2P流量检测。实验结果表明,该方法是有效的。     

引入时频聚集交叉项干扰抑制的大数据聚类算法

面向大数据集管理的数据聚类方法研究在模式识别、故障诊断和数据挖掘等领域具有重要的研究意义。传统的大数据聚类算法采用混合差分进化的粒子群算法,因数据信息流分量之间的交叉作用而出现的类间交叉项干扰影响了聚类分量的正确判断,聚类效果不好。提出了一种基于时频聚集交叉项干扰抑制的大数据聚类算法。在面向传播学视域下物联网大数据库中生成大数据聚类的信息特征向量,对任意两个分簇矢量进行近邻样本的隶属度训练,在时间滑动窗口模型中进行信息调度,采用高频分量抑制方法实现对时频聚集交叉项的干扰抑制,通过频域卷积相似度融合处理,采用粒子群优化算法进行聚类适应度计算,以实现数据聚类算法改进。仿真结果表明,采用该算法进行大数据聚类,具有较好的抗干扰性和自适应性,聚类准确度较高。     

基于中心距离比值准则的无监督特征选择算法

特征选择是模式识别中的一个重要组成部分。针对未知类标号的样本集,提出基于中心距离比值准则的无监督特征选择算法。该算法利用爬山法确定聚类数目范围和估计初始聚类中心,再通过K-均值聚类算法确定特征子集的最佳分类数,然后用中心距离比值准则来评价特征子集的分类性能,并通过特征间的相关性分析,从中选择出分类效果好,相关程度低的特征组成特征子集。     

基于蚁群的图像情感特征聚类算法的研究

随着图像检索系统的发展,合理地组织和管理图像数据库已经逐渐成为图像检索的关键。首次将蚁群聚类算法应用在基于图像特征的情感聚类分析中,并对原有的蚁群聚类算法进行了改进。该算法通过计算样本间的欧式距离确定起始蚂蚁,模拟蚂蚁对食物的捡起和丢弃行为,根据提取的图像主颜色特征,对图像情感进行聚类。实验表明该算法能够取得较好的聚类效果和较高的检索效率。     

基于移动Agent的P2P资源发现模型PIMA

基于移动代理的P2P资源搜索方法是P2P搜索研究中较为新颖的方法.提出一种新的基于移动代理的P2P模型PIMA.并在此模型基础上提出相应的资源搜索算法.该模型集成节点集群技术和蚂蚁优化算法.以在Agent迁移中实现进一步的性能提高.     

基于特征的领域构件高内聚控制

构件的高内聚性是基于构件蔓用研究领域常见的话题，也是软件开发者一直追求的目标。无论是对软件体系结构的获取，还是对软件演化的探究，甚至遗留系统的现代化改造，都与高内聚性构件的确定有着不可分割的天然联系。通过特征跟踪矩阵，建立了领域构件与特征之间的联系；给出了基于特征的n维向量空间中领域构件向量的表示，进而获取了反应领域构件间密切关系的领域构件向量距离矩阵；基于领域构件向量距离矩阵，结合等级簇聚合算法建立了领域构件等级簇树；最后在领域构件等级簇树的基础上，提出了一种高内聚领域构件获取和控制策略。     

新的降维标准下的高维数据聚类算法

为了解决主成分分析(PCA)算法无法处理高维数据降维后再聚类精确度下降的问题,提出了一种新的属性空间概念,通过属性空间与信息熵的结合构建了基于特征相似度的降维标准,提出了新的降维算法ENPCA。针对降维后特征是原特征的线性组合而导致可解释性变差以及输入不够灵活的问题,提出了基于岭回归的稀疏主成分算法(ESPCA)。ESPCA算法的输入为主成分降维结果,不需要迭代获得稀疏结果,增加了灵活性和求解速度。最后在降维数据的基础上,针对遗传算法聚类收敛速度慢等问题,对遗传算法的初始化、选择、交叉、变异等操作进行改进,提出了新的聚类算法GKA++。实验分析表明EN-PCA算法表现稳定,GKA++算法在聚类有效性和效率方面表现良好。     

基于节点数据密度的分布式K-means聚类算法研究*

P2P(peer-to-peer)网络分布式聚类算法是利用P2P网络上各个节点的计算、存储能力以及网络的带宽,将算法的时间复杂度和空间复杂度平摊到各个节点,使处理和分析海量分布式数据成为可能,从而克服传统基于单个服务器的集中式聚类算法在数据处理能力等方面的限制。提出一种基于节点置信半径的分布式K-means聚类算法,该算法通过计算节点上数据分布的密度,找到同一类数据在节点的稠密和稀疏分布,从而确定聚类置信半径并指导下一步的聚类。实验表明,该算法能够有效地减少迭代次数,节省网络带宽;同时聚类结果也接近集中式聚类算法的结果。     

基于生成树的Web服务组合模型

基于接口的服务组合思想并融合P2P技术,提出一种可组合广域范围Web服务的组合模型。根据领域本体及其推理能力,按Web服务的功能关系组织不同的生成树,依据生成树间的组合关系构造Web服务组合网,并给出一种高效的服务组合算法。大量模拟实验表明了该模型的优越性,即支持基于服务质量的Web服务组合,服务组合成功率高,Web服务发布、查找与组合时间快。