ACP--一种基于局部邮区的移动agent通信算法

agent的迁移在位置透明性、通信可靠性以及迁移和执行的异步性等多方面对通信算法的设计提出了挑战,提出一种基于局部邮区的移动agent通信算法,通过在agent当前通信和迁移活动较集中的区域建立局部邮区来支持消息的高效传输,且通过对邮区迁移和消息发送的同步来保证通信的可靠性。此外,算法支持通信的位置透明性,对Home结点依赖少,对agent迁移不做限制,且具有较好的适应性和容错性。     

可移动agent系统位置透明通信的一种实现

在可移动的软件Agent（Mobile Software Agent,MSA）的应用中,Agent并不是孤立地完成计算任务,它们需要不断地与其它agent进行信息交换,而agent的位置又是经常变动的。文中提出了一种实现agent位置透明通信的方法,主要解决agent位置追踪问题和agent迁移时的消息处理问题。     

一种多agent网络中的分布式联盟形成算法

针对多agent系统的具体网络结构,提出一种分布式联盟形成算法。首先,每个agent向自己邻居任务中“信价比”最高的任务提出加入申请,形成潜在联盟;当联盟资源大于对应任务的资源需求时,使相应agent退出当前联盟,转而选择“信价比”次高的任务,从而提高联盟形成的可能性。仿真实验结果表明,与其他方法相比,所提出的算法能大幅提高系统效率和收益。     

网络管理中多agent的半在线调度算法

多agent调度算法在基于多agent的网络管理中对任务执行效率起着至关重要的作用.现有的多agent调度算法由于缺乏考虑任务间的依赖关系,使得面对复杂任务系统时会产生大量的网络负载和等待时间.为此,在建立一个适合网络管理任务特点的多agent调度框架的基础上,提出了一种基于任务依赖关系的多agent半在线调度算法.理论分析和测试结果表明,这种半在线调度算法优于已有的全在线调度算法,其性能更接近离线最优调度算法,从而为网络管理任务中多agent的动态调度提供了一种新的途径.     

基于指向路径分次删剪的移动Agent通信算法

基于移动agent环境,在应用程序的开发时agent的移动为应用程序找到一种好的通信处理方式。因此通讯算法要面对更多的挑战,最主要的就是agent移动和消息传递之问的异步性而带来的通信不可靠问题。由于目前解决此类问题的算法和机制都有不足之处,本文就针对此类问题来介绍一种新的agent通信算法,即S-COMP算法,它综合了多种手段,主要有:集中同步、指向路径分次删剪、途经节点转发、Home寻址等,能够满足各种不同需求的agent的通信特点,既可以保证适应性和效率,同时也具有可靠性。     

Mogent系统迁移机制的设计和实现

移动agent计算模式将成为未来网络计算的主流模式,迁移技术 是移动agent的核心技术之一,受到了广泛的关注,在分析现有agent系统迁移机制的基础上,提出一种结构化的agent迁移机制,该机制提供了任务级迁移,采用结构化旅行计划三月分离移动信息和agent功能体,在降低agent开发复杂度的同时保证了较高的灵活性和表达能力,最后,结合自笔研制的移动agent系统-Mogent系统,讨论了该机制的实现工作。     

基于Agent的开放云联盟计算任务分段及迁移机制

解决云计算平台可能出现的短时间用户群峰值需求而商家却要为此巨额投入,提出搭建基于移动agent的开放云联盟,考虑到云联盟环境计算任务的安全性和私密性,采用计算任务分段及迁移机制。研究计算任务带权分段并以此进行位置部署,设计实现由分段机制产生的超量子任务段随agent自适应迁移机制,并给出算法实现。实例仿真表明,计算任务分段及迁移机制是有效的,构建的云联盟可以解决云平台可能出现的短时间峰值需求问题。     

分布式检索系统中基于蚁群的移动agent动态迁移算法*

以真实蚁群算法为基础,提出了一种分布式信息检索下的移动agent动态迁移算法。该算法有如下特点：a）Agent能根据当前主机的状态,自主选择下一个负载轻的主机移动;b）Agent能找到一条开销最小的路径移动。仿真结果表明,该算法与固定路由算法相比,性能提高80%以上,并且算法无须依赖集中的迁移模块。蚁群算法分布在各节点中,提高了系统的容错性,具有分布、并行的特点。     

分布式自利agent任务分配算法

在有自利agent参与的任务分配情形中,由于agent的自利性,导致各agent不能有效合作,影响agent的个体收益和系统总收益.解决该问题的一个途径是对agent所得的收益进行合理分配.文中基于分布式自利agent联盟技能博弈模型,提出自利agent的任务分配算法.模型中提供技能的服务agent和管理任务的agent都是自利的,分别处于不同的地理位置,具有不同的视野范围.算法为任务agent设计效益分配策略,合理分配自己的收益给所需的技能,任务分配结果在保证个体自利性的前提下获得较高的系统收益.仿真结果验证文中算法的有效性,并考察自利agent的视野范围对自利agent的个体收益和系统总收益的影响.     

一种基于动态基础设施的移动agent消息传递算法

移动agent技术是一种新型的分布式计算模式,它为基于网络的任务分配合作问题提供了一个很好的解决方案.由于agent在网络间的移动.使得agent之间的通信变得极为复杂,已有的agent通信机制和消息传递算法都是建立在固定网络基础设施上的,不具有良好的可扩展性.针对这个问题,提出了一种基于动态基础设施部署的移动agent消息传递算法,较好地解决了在移动的情况下,agent之间通信的扩展性问题.     

基于混沌微粒群算法的文本分类研究*

针对中文文本分类问题,将其用于分类规则的抽取。为了避免微粒群算法在全局优化中陷入局部极值,利用混沌运动遍历性、随机性等特点,对标准微粒群算法进行了改进,提出了基于混沌微粒群算法的文本自动分类方法。仿真实验表明本算法对文档进行分类是一种比较可行的分类方法,分类精度高、速度快。     

基于PSO-ICA的文本分类研究

文本分类在采用向量空间模型（VSM）表达文本特征时,容易出现特征向量高维且稀疏的现象,为了对原始的文本特征向量进行有效简化,提出了一种基于粒子群（PSO）优化独立分量分析（ICA）进行降维的方法,并将其运用到文本分类中。在该算法中,以负熵作为粒子群算法的适应度函数,依据其高斯性原理作为独立性判别标准对分离矩阵进行自适应更新。实验结果表明,相比于传统的特征降维方法,该方法可以解决高维度文本特征向量降维困难的问题,使得文本分类的效率、准确率显著提升。     

基于SVM金融分析报告的行业分类研究

针对传统金融分析报告分类效率低的问题,提出基于支持向量机的中文文本分类技术来对金融分析报告进行分类,该分类技术采用中科院提供的中文分词系统以及使用两种特征选择算法相结合进行分词和特征选择,并且提出针对TF／IDF权重计算的改进方法。该分类技术选择支持向量机作为分类算法,通过开源的支持向量机对样本进行训练和测试。实验结果表明,采用中文文本分类技术对金融分析报告按照行业进行分类能够满足金融机构的使用需求。     

Improved particle swarm optimization algorithm and its application in text feature selection

Text feature selection is an importance step in text classification and directly affects the classification performance. Classic feature selection methods mainly include document frequency (DF), information gain (IG), mutual information (MI), chi-square test (CHI). Theoretically, these methods are difficult to get improvement due to the deficiency of their mathematical models. In order to further improve effect of feature selection, many researches try to add intelligent optimization algorithms into feature selection method, such as improved ant colony algorithm and genetic algorithms, etc. Compared to the ant colony algorithm and genetic algorithms, particle swarm optimization algorithm (PSO) is simpler to implement and can find the optimal point quickly. Thus, this paper attempt to improve the effect of text feature selection through PSO. By analyzing current achievements of improved PSO and characteristic of classic feature selection methods, we have done many explorations in this paper. Above all, we selected the common PSO model, the two improved PSO models based respectively on functional inertia weight and constant constriction factor to optimize feature selection methods. Afterwards, according to constant constriction factor, we constructed a new functional constriction factor and added it into traditional PSO model. Finally, we proposed two improved PSO models based on both functional constriction factor and functional inertia weight, they are respectively the synchronously improved PSO model and the asynchronously improved PSO model. In our experiments, CHI was selected as the basic feature selection method. We improved CHI through using the six PSO models mentioned above. The experiment results and significance tests show that the asynchronously improved PSO model is the best one among all models both in the effect of text classification and in the stability of different dimensions.     

基于FastText和关键句提取的中文长文本分类

FastText是一种准确高效的文本分类模型,但直接应用在中文长文本分类领域存在准确度不高的问题.针对该问题,提出一种融合TextRank关键子句提取和词频-逆文本频率(Term Frequency-Inverse Document Frequency,TF-IDF)的FastText中文长文本分类方法.该方法在FastText模型输入阶段使用TextRank算法提取文本的关键子句输入训练模型,同时采用TF-IDF提取文本的关键词作为特征补充,从而在减少训练语料的同时尽可能保留文本分类的关键特征.实验结果表明,此文本分类方法在数据集上准确率达到86.1％,比经典的FastText模型提高了约4％.     

基于改进QPSO和RBF神经网络的文本分类方法

为提高文本分类的准确性,本文提出了一种基于量子PSO和RBF神经网络的新的文本分类方法.首先建立描述样本类别的关键词集合,并采用模糊向量空间模型建立每类样本的特征向量,然后采用RBF神经网络实施文本自动分类,采用改进的量子PSO优化RBF神经网络的参数,以提高其逼近能力.选取中国期刊网的部分文献作为实验数据,实验结果说明本文所提出方法的分类精准度与其他同类方法相比有明显的提高.     

卷积神经网络的短文本分类方法

短文本分类是自然语言处理的一个研究热点.为提高文本分类精度和解决文本表示稀疏问题,提出了一种全新的文本表示（N-of-DOC）方法.采用Word2Vec分布式表示一个短语,将其转换成的向量作为卷积神经网络模型的输入,经过卷积层和池化层提取高层特征,输出层接分类器得出分类结果.实验结果表明,与传统机器学习（K近邻,支持向量机,逻辑斯特回归,朴素贝叶斯）相比,提出的方法不仅能解决中文文本向量的维数灾难和稀疏问题,而且在分类精度上也比传统方法提高了4.23%.     

采用改进粒子群优化的SVM方法实现中文文本情感分类

近年来,随着网络用户量的不断增加,用户评论数量也呈爆炸式增长,伴随而来的是大量可用于参考和深度挖掘的信息,文本情感分类应运而生。分类模型的预测精度和执行速度是衡量模型优劣的关键。使用传统的SVM进行文本情感分类,算法简单,易于实现,但其模型参数决定了分类准确率。针对这种情况,文中将改进粒子群优化算法与SVM分类方法相结合,采用了改进粒子群算法优化的SVM方法对影视剧评论的情感进行了研究分析。首先,通过网络爬虫获取豆瓣电影评论数据,将数据预处理后利用加权word2vec向量化文本信息,将其作为支持向量机可识别的输入;然后,使用自适应惯性递减策略并引入交叉算子来改进粒子群算法,并对SVM模型的损失函数、惩罚参数及核函数的参数进行优化;最后,实现文本的情感分类。在同一数据集上的实验结果表明,所提方法有效规避了传统的情感词典方法受词语顺序和不同语境影响的缺陷及使用卷积出现梯度消失或弥散的问题,同时也克服了粒子群算法易陷入局部最优的不足。相较于其他方法,所提分类模型的执行速度更快,有效地提高了分类准确率。     

基于分布式框架下的中文文本特征分类

研究运用复旦中文文本及搜狗中文文档作为研究对象，提高了中文文本分类精确度及召回率，分析得出特征词的最佳贡献值。应用朴素贝叶斯分类方法和改进的TFIDF关键字提取及权重计算，提出TNBIF模型分类方法，在Spark平台上并行分类实现。实验结果表明：应用TNBIF模型实行中文文本分类，精确度高达95.49%，比传统文本分类方法精确度提高5.41%，召回率提高了6.64%。本研究得出最佳贡献值为0.95。     

基于阻塞先验知识的文本层次分类模型

文本层次分类中阻塞现象是影响层次分类器性能的重要原因。针对这一问题,提出基于阻塞先验知识的文本层次分类模型。该模型包括两部分:首先对阻塞分布进行估计,提出“阻塞对”识别技术,重点在于获取严重的阻塞方向;其次,把分析出的阻塞先验知识融合到分类过程中,利用层次拓扑结构修正算法,引导阻塞文本“回归”正确分类路径。在中文语料TanCorp上的实验表明,该算法在没有额外增加分类器数目的前提下,能有效改善层次分类性能,是解决层次分类阻塞问题的一种方法。另外,与平面分类算法比较后,该算法更稳定。