-
Patent Agency Ranking
公开(公告)号：CN102521202B
公开(公告)日：2017-05-24
申请号：CN201110367593.1
申请日：2011-11-18
Applicant: 东南大学
IPC: G06F15/18
Abstract: 一种面向复杂系统中的MAXQ任务图结构的自动发现方法，步骤包括：首先采用Q‑learning探索环境，搜集动作影响的状态变量；然后调用基于动作执行效果的聚类算法，这种策略是以数据对象作为原子类，然后将这些原子类进行聚合；逐步聚合成越来越大的类，直到满足终止条件；凝聚算法的过程为：在初始时，每一个成员都组成一个单独的簇，在以后的迭代过程中，再把那些相互邻近的簇合并成一个簇，直到所有的成员组成一个簇为止。其时间和空间复杂性均为O(n2)；通过凝聚式的方法将两簇合并后，无法再将其分离到之前的状态；(3)得出分层任务图。本方法用学习感知到的各种信息建立聚类模型，通过聚类自动构造出MAXQ的任务图，最终实现MAXQ的自动分层。
-
公开(公告)号：CN103763302A
公开(公告)日：2014-04-30
申请号：CN201310693416.1
申请日：2013-12-16
Applicant: 东南大学
Abstract: 本发明公开了一种web服务组合生成方法，首先对用户的偏好分为定性和定量偏好两大类，并采取相应的模型进行描述和推理，然后计算web服务组合的信任度，最终采取遗传算法做全局寻优以期找到最为适合用户的web服务组合。本发明方法基于用户偏好和服务信任度，将用户的定性偏好、定量偏好以及服务的信任度有机结合起来，有效的解决了互联网中web服务组合存在的信任度低和不适合用户偏好的不足，与其他方法相比，能够产生更好的组合服务，提高用户体验和满意度。
-
公开(公告)号：CN103646008A
公开(公告)日：2014-03-19
申请号：CN201310687734.7
申请日：2013-12-13
Applicant: 东南大学
IPC: G06F15/18
Abstract: 本发明公开了一种Web服务组合方法，针对传统服务组合方法存在的耗时长、灵活性差等问题，将多Agent（智能体）技术、博弈论和强化学习方法引入服务组合过程，将服务组合过程转化为一个马尔可夫博弈过程（Markov Games,or Stochastic Games）。在此基础上进一步融入Q-learning方法和团队马尔可夫博弈理论，使其能够适用于多Agent协同学习环境，通过迭代求解的方式求得最终的服务组合结果。本发明方法能够有效提高求解速度，确保各个智能体在高效协作的同时，能够自主地适应环境并进行动态的服务组合，有效提高了服务组合的灵活性和自适应性。
-
公开(公告)号：CN103455858A
公开(公告)日：2013-12-18
申请号：CN201310436762.1
申请日：2013-09-23
Applicant: 东南大学
IPC: G06Q10/04
Abstract: 本发明涉及面向服务的系统中的质量动态预警方法，属于计算机应用技术领域。所述方法通过感知用户的条件偏好，并利用brown运动首达值原理，对系统中服务质量属性的动态变化进行预警，该方法自动的导入用户在构建系统时提出的条件偏好，并采集服务质量的多维度的历史属性值，分析服务质量波动的特征，从而估计出特征属性值，自动的分析在服务被调用期间，系统可能出现的风险，实现智能化预警。
-
公开(公告)号：CN102521202A
公开(公告)日：2012-06-27
申请号：CN201110367593.1
申请日：2011-11-18
Applicant: 东南大学
IPC: G06F15/18
Abstract: 一种面向复杂系统中的MAXQ任务图结构的自动发现方法，步骤包括：首先采用Q-learning探索环境，搜集动作影响的状态变量；然后调用基于动作执行效果的聚类算法，这种策略是以数据对象作为原子类，然后将这些原子类进行聚合；逐步聚合成越来越大的类，直到满足终止条件；凝聚算法的过程为：在初始时，每一个成员都组成一个单独的簇，在以后的迭代过程中，再把那些相互邻近的簇合并成一个簇，直到所有的成员组成一个簇为止。其时间和空间复杂性均为O(n2)；通过凝聚式的方法将两簇合并后，无法再将其分离到之前的状态；(3)得出分层任务图。本方法用学习感知到的各种信息建立聚类模型，通过聚类自动构造出MAXQ的任务图，最终实现MAXQ的自动分层。
-
-
-
-
Search Results
55
records
(took 0.021 seconds)
