完全析取范式群判定SHOIN(D)-可满足性

针对非循环概念提出了一种对SHOIN(D)-概念可满足性进行判断的方法——CDNF(complete disjunctive normal form)算法.该算法通过把非循环定义的概念描述本身构建成分层次的析取范式群,并通过子句重用技术阻止无谓的子概念扩展,这样的析取范式群具有可满足性自明性,从而可以实现对SHOIN(D)-概念可满足性的直接判断.该算法基本上消除了判断过程中描述重复的现象,从而在空间、时间性能上都比Tableau算法有更好的表现.关键词:描述逻辑推理;可满足性;析取范式;SHOIN(D);

基于子句的ALCN语言tableau算法增强方式(英文)

由于目前tableau算法在判断概念可满足性时会产生大量的描述重复(因而浪费了很多空间),针对描述逻辑语言ALCN提出了一种基于子句重构的tableau增强方式.该增强方式对概念描述先构建一个析取范式,并只保留其中的一个合取子句,然后用这个获得的最简的概念合取子句去取代传统tableau算法构建的完整树的结点标记中的子概念集(这个过程根据需要可重复多次).由于避免了传统tableau算法因∩-,∪-规则所带来的大量的概念描述重复,这种增强方式在空间性能上有了非常大的改善.通过例子示范了这种增强方式的运用及其在空间性能上的改善程度.结果表明,这种改善是相当明显的.

完全析取范式检测ALCN-概念的可满足性

基于"逐步展开"模式的Tableau算法在各类非循环定义的描述逻辑概念的可满足性判断中会产生大量的重复性的中间概念描述,因而浪费大量的空间。为此,提出了一个全新的对非循环定义的ALCN-概念可满足性进行判断的完全析取范式(CDNF)算法。CDNF算法直接在输入概念描述上,以角色为纽带构建不同层次的析取范式,从而将输入概念描述重组成一种层次结构的可满足性直接可知的完全析取范式,从而实现了真正意义上的"计算"可满足性。CDNF算法采用"一步到位"的展开方式并且直接在输入概念描述上进行处理,因而可最大程度地消除概念描述的重复。因此,CDNF算法比Tableau算法能节省线性甚至指数倍于输入概念描述长度的空间代价。

基于机器学习的自动协商决策模型

所提出的模型利用协商历史中隐含的信息自动对数据进行标注以形成训练样本,用最小二乘支持向量回归机学习此样本得到对手效用函数的估计,然后结合自己和对手的效用函数构成一个约束优化问题,用遗传算法求解此优化问题,得到的最优解就是己方的反建议.实验结果表明,在信息保密和没有先验知识的条件下,此模型仍然表现出较高的效率和效用.

基于对手态度学习的协商决策模型

为了解决基于多Agent应用环境下的双边自动协商问题,提出了一种用基于支持向量机(SVM)算法的对手协商态度学习方法.在该方法中,协商的过程被看作一个建议序列,把建议序列映射到新的特征空间,形成了多个协商轨迹(每个协商项有一个协商轨迹).通过支持向量机的方法来学习协商轨迹,得到协商对手在每个协商项的态度.然后利用学习得到的对手协商态度,构造了一个协商的决策模型.此模型能同时基于对手的态度和自身的偏好来做出协商决策.另外,模型中的模型函数在满足一定约束的条件下,可以保证协商决策的收敛性和单调性.实验结果表明,该模型能有效较少协商的时间,增加协商双方的效用总和.

自动协商中的近似时态关联规则挖掘

针对协商过程的时态关联具有近似性的特点,提出了一种基于聚类的近似时态关联规则挖掘方法。该方法通过对特定关联模式的实例进行聚类,找到满足给定条件的时态关联规则,并给出规则中各属性取值以及关联间隔约束的有效范围。近似时态关联规则较一般的关联规则具有更强的灵活性和适应性,其对规则的描述更符合协商中的情况。

多粒度时间部分周期模型

时间的描述和划分是时态数据采掘中一个非常重要的方面,针对目前时态数据采掘中缺少对多粒度时间等的研究的现状,提出了多粒度时间,粒度转换,时态序等的严格数学定义,并研究和证明了它们的相关性质。以此为基础引出了一个多粒度时间部分周期模型,对模型的支持度和置信度等性质进行了详细讨论,并将多粒度时间下的部分周期模型运用到股票数据实验中,实验表明所提出的模型对于研究时态数据采掘具有重要意义。

多粒度时间下的部分周期模式挖掘

提出了两种在多粒度时间下的部分周期挖掘算法。第1种算法利用模式的父子关系、支持度和置信度阈值裁剪候选模式集。第2种算法对每个输入寻找覆盖它的周期模式,由此来计算模式的支持度和置信度。实验表明了提出的算法在多粒度时间下挖掘部分周期是有效的。

基于智能型Agent的教学平台设计

目前的教学平台设计,很难针对学生和学习问题(教学任务、学习任务)的特点,对教学资源进行有效的任务适应性及个性化协同管理,基于智能型Agent平台能有效克服上述障碍。智能型Agent模型包括:通过概念分类体系、学习问题描述模式、问题解决(或者学习问题)与资源的关联、根据处方进行任务分解与教学资源开放式组合等技术,来解决任务适应性的资源精确查找问题;通过教学培训资源难易程度的严密的组织、在同类难易程度教学资源中个性化推荐来实现分类及个性化资源寻求。实例表明智能型Agent能够在资源寻求时有效地提高学习任务适应性和面向学生资源推荐时的个性需求。

用WinSNMP开发网络管理应用软件

SimpleNetworkManagementProtocol(SNMP)作为一种规范,已经成为网络管理事实上的标准。Microsoft为在Windows系列平台实现SNMP而开发了WinSNMPAPI。文中简要介绍了SNMP、WinSNMPAPI及基于它的开发过程,并结合实例分析了开发过程中的难点问题。

CRQA_(OVTM)Agent支持的开放环境下协同制造装配

针对开放式环境下松耦合程度和可靠性不够的协作模式的缺点,以及协同制造装配问题出现的"结构失配"和"工艺革新"的特性,提出CRQA_(OVTM)Agent模型.模型从服务参数(属性)松耦合程度和服务执行结果确定性两个方面区别定义普通(O,Ordinary)接口、转换(V,con V ersion)接口、多参数适配器(T,multiparameteradap Tor)接口和概念实例调制器(M,conceptinstance M odulator)接口,并在此基础上提供包括普通协作、转换性协作、适配性协作和调制性协作的混合协作模式,且在处方的基础上引入量化合成,以更加灵活的方式处理"结构失配"和"工艺革新"问题.同时模型引入合同的约束,保证自组织协作是可信的.通过验证并与RPACT IAgent模型比较可知,该模型的协作机制既具有很高的成功率和效率,又具有很高的灵活性,更加适合开放环境下的协同制造装配.

一种子句重构的增强Tableau算法

利用非循环定义的概念可展开的特性,提出一个基于子句重构的增强Tableau算法.采用最简洁的概念合取子句代替原来的子概念集对完整树/图上的结点进行标记,并设计一组推理规则以构建这样的完整树/图,从而消除传统Tableau算法中的∩-规则、∪-规则所带来的概念描述重复.因而在非循环定义概念可满足性判定问题上,空间性能有明显提高.此外,虽然文中只提供针对SI语言的规则和证明,可是这种处理思路同样适用于其它描述逻辑语言,因而具有一定的推广价值.