论文关键词：数据挖掘；聚类算法；聚类分析论文摘要：该文详细阐述了数据挖掘领域的常用聚类算法及改进算法，并比较分析了其优缺点，提出了数据挖掘对聚类的典型要求，指出各自的特点，以便于人们更快、更容易地选择一种聚类算法解决特定问题和对聚类算法作进一步的研究。并给出了相应的算法评价标准、改进建议和聚类分析研究的热点、难点。上述工作将为聚类分析和数据挖掘等研究提供有益的参考。 1 引言随着经济社会和科学技术的高速发展，各行各业积累的数据量急剧增长，如何从海量的数据中提取有用的信息成为当务之急。聚类是将数据划分成群组的过程，即把数据对象分成多个类或簇，在同一个簇中的对象之间具有较高的相似度，而不同簇中的对象差别较大。它对未知数据的划分和分析起着非常有效的作用。通过聚类，能够识别密集和稀疏的区域，发现全局的分布模式，以及数据属性之间的相互关系等。为了找到效率高、通用性强的聚类方法人们从不同角度提出了许多种聚类算法，一般可分为基于层次的，基于划分的，基于密度的，基于网格的和基于模型的五大类。 2 数据挖掘对聚类算法的要求(1)可兼容性：要求聚类算法能够适应并处理属性不同类型的数据。(2)可伸缩性：要求聚类算法对大型数据集和小数据集都适用。(3)对用户专业知识要求最小化。(4)对数据类别簇的包容性：即聚类算法不仅能在用基本几何形式表达的数据上运行得很好，还要在以其他更高维度形式表现的数据上同样也能实现。(5)能有效识别并处理数据库的大量数据中普遍包含的异常值，空缺值或错误的不符合现实的数据。(6)聚类结果既要满足特定约束条件，又要具有良好聚类特性，且不丢失数据的真实信息。(7)可读性和可视性：能利用各种属性如颜色等以直观形式向用户显示数据挖掘的结果。(8)处理噪声数据的能力。(9)算法能否与输入顺序无关。 3 各种聚类算法介绍随着人们对数据挖掘的深入研究和了解，各种聚类算法的改进算法也相继提出，很多新算法在前人提出的算法中做了某些方面的提高和改进，且很多算法是有针对性地为特定的领域而设计。某些算法可能对某类数据在可行性、效率、精度或简单性上具有一定的优越性，但对其它类型的数据或在其他领域应用中则不一定还有优势。所以，我们必须清楚地了解各种算法的优缺点和应用范围，根据实际问题选择合适的算法。 3.1 基于层次的聚类算法基于层次的聚类算法对给定数据对象进行层次上的分解，可分为凝聚算法和分裂算法。 (1)自底向上的凝聚聚类方法。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。在凝聚聚类时，选择合适的类的个数和画出原始数据的图像很重要。 [!--empirenews.page--] (2)自顶向下分裂聚类方法。与凝聚法相反，该法先将所有对象置于一个簇中，然后逐渐细分为越来越小的簇，直到每个对象自成一簇，或者达到了某个终结条件。其主要思想是将那些成员之间不是非常紧密的簇进行分裂。跟凝聚式方法的方向相反，从一个簇出发，一步一步细化。它的优点在于研究者可以把注意力集中在数据的结构上面。一般情况下不使用分裂型方法，因为在较高的层很难进行正确的拆分。 3.2 基于密度的聚类算法很多算法都使用距离来描述数据之间的相似性，但对于非凸数据集，只用距离来描述是不够的。此时可用密度来取代距离描述相似性，即基于密度的聚类算法。它不是基于各种各样的距离，所以能克服基于距离的算法只能发现“类圆形”的聚类的缺点。其指导思想是：只要一个区域中的点的密度（对象或数据点的数目）大过某个阈值，就把它加到与之相近的聚类中去。该法从数据对象的分布密度出发，把密度足够大的区域连接起来，从而可发现任意形状的簇，并可用来过滤“噪声”数据。常见算法有DBSCAN，DENCLUE 等。[1][2][3]下一页 3.3 基于划分的聚类算法给定一个N个对象的元组或数据库，根据给定要创建的划分的数目k，将数据划分为k个组，每个组表示一个簇类（<=N）时满足如下两点：(1)每个组至少包含一个对象；(2)每个对
分布式设计与开发（二）------几种必须了解的分布式算法 分布式设计与开发中有些疑难问题必须借助一些算法才能解决，比如分布式环境一致性问题，感觉以下分布式算法是必须了解的（随着学习深入有待添加）： ?Paxos算法 ?一致性Hash算法 Paxos算法 1）问题描述 分布式中有这么一个疑难问题，客户端向一个分布式集群的服务端发出一系列更新数据的消息，由于分布式集群中的各个服务端节点是互为同步数据的，所以运行完客户端这系列消息指令后各服务端节点的数据应该是一致的，但由于网络或其他原因，各个服务端节点接收到消息的序列可能不一致，最后导致各节点的数据不一致。举一个实例来说明这个问题，下面是客户端与服务端的结构图： 当client1、client2、client3分别发出消息指令A、B、C时，Server1~4由于网络问题，接收到的消息序列就可能各不相同，这样就可能由于消息序列的不同导致Server1~4上的数据不一致。对于这么一个问题，在分布式环境中很难通过像单机里处理同步问题那么简单，而Paxos算法就是一种处理类似于以上数据不一致问题的方案。 2）算法本身 算法本身我就不进行完整的描述和推导，网上有大量的资料做了这个事情，但我学习以后感觉莱斯利·兰伯特（Leslie Lamport，paxos算法的奠基人，此人现在在微软研究院）的Paxos Made Simple是学习paxos 最好的文档，它并没有像大多数算法文档那样搞一堆公式和数学符号在那里吓唬人，而是用人类语言让你搞清楚Paxos要解决什么问题，是如何解决的。这里也借机抨击一下那些学院派的研究者，要想让别人认可你的成果，首先要学会怎样让大多数人乐于阅读你的成果，而这个描述Paxos算法的文档就是我们学习的榜样。 言归正传，透过Paxos算法的各个步骤和约束，其实它就是一个分布式的选举算法，其目的就是要在一堆消息中通过选举，使得消息的接收者或者执行者能达成一致，按照一致的消息顺序来执行。其实，以最简单的想法来看，为了达到大伙执行相同序列的指令，完全可以通过串行来做，比如在分布式环境前加上一个FIFO 队列来接收所有指令，然后所有服务节点按照队列里的顺序来执行。这个方法当然可以解决一致性问题，但
国外分布式能源发展现状 一、分布式发电概况 分布式发电是指位于用户所在地附近的，所生产的电力除由用户自用和就近利用外，多余电力送入 当地配电网的发电设施、发电系统或有电力输出的多联供系统。分布式发电形式多种多样，因资源条件和 用能需求而异，发电方式包括三大类：1、天然气分布式能源，主要是热电联产和冷热电多联供等；2、可再生能源分布式发电：主要包括小型水能、太阳能、风能、生物质能、地热能等；3、废弃资源综合利用，涵盖工业余压、余热、废弃可燃性气体发电和城市垃圾、污泥发电等。 由于发达国家的热电联产主要采用天然气在用户端或靠近用户区域发电供热，故均被纳入分布式能源。“国际热电联产联盟”已将其名字更改为“国际分布式能源联盟”WADE（World Alliance Decentralized Energy），Decentralized在英文中强调了分散化或非集中化的含义，是受到“互联网革命”去中心化的影响，而Energy强调并非单一供电，能源就地供应的种类可以是多样性的。但该组织更加侧重天然气为燃料的 分布式能源，兼顾了燃煤的热电联产，未覆盖中小水电等可再生能源发电。据统计，世界主要国家及地区 的热电联产（CHP）2006年装机容量已达到32,920万千瓦（表-1）。 美国将分布式能源称为（Distributed Energy）或DER（Distributed Energy Resources），Distributed虽 然也是指“分布式”，但是更多地应用于互联网式的分布信息处理分散化的扁平式解决方案，显示了能源行 业受到互联网革命的启迪，暗喻了这些分布在用户端或资源现场的系统是相互联系或相互连接的，更向一
K-means聚类算法研究综述 摘要:总结评述了K-means聚类算法的研究现状，指出K-means聚类算法是一个NP难优化问题，无法获得全局最优。介绍了K-means聚类算法的目标函数，算法流程，并列举了一个实例，指出了数据子集的数目K，初始聚类中心选取，相似性度量和距离矩阵为K-means聚类算法的3个基本参数。总结了K-means聚类算法存在的问题及其改进算法，指出了K-means 聚类的进一步研究方向。 关键词：K-means聚类算法；NP难优化问题；数据子集的数目K；初始聚类中心选取；相似性度量和距离矩阵 Review of K-means clustering algorithm Abstract: K-means clustering algorithm is reviewed. K-means clustering algorithm is a NP hard optimal problem and global optimal result cannot be reached. The goal，main steps and example of K-means clustering algorithm are introduced. K-means algorithm requires three user-specified parameters: number of clusters K，cluster initialization，and distance metric. Problems and improvement of K-means clustering algorithm are summarized then. Further study directions of K-means clustering algorithm are pointed at last. Key words: K-means clustering algorithm; NP hard optimal problem; number of clusters K; cluster initialization; distance metric K-means聚类算法是由Steinhaus1955年、Lloyed1957年、Ball & Hall1965年、McQueen1967年分别在各自的不同的科学研究领域独立的提出。K-means聚类算法被提出来后，在不同的学科领域被广泛研究和应用，并发展出大量不同的改进算法。虽然K-means聚类算法被提出已经超过50年了，但目前仍然是应用最广泛的划分聚类算法之一[1]。容易实施、简单、高效、成功的应用案例和经验是其仍然流行的主要原因。 文中总结评述了K-means聚类算法的研究现状，指出K-means聚类算法是一个NP难优化问题，无法获得全局最优。介绍了K-means聚类算法的目标函数、算法流程，并列举了一个实例，指出了数据子集的数目K、初始聚类中心选取、相似性度量和距离矩阵为K-means聚类算法的3个基本参数。总结了K-means聚类算法存在的问题及其改进算法，指出了K-means聚类的进一步研究方向。 1经典K-means聚类算法简介 1.1K-means聚类算法的目标函数 对于给定的一个包含n个d维数据点的数据集 12 {x,x,,x,,x} i n X=??????，其中d i x R ∈，以及要生成的数据子集的数目K，K-means聚类算法将数据对象组织为 K个划分{c,i1,2,} k C K ==???。每个划分代表一个类c k，每个类c k有一个类别中心iμ。选取欧氏距离作为相似性和 距离判断准则，计算该类内各点到聚类中心 i μ的距离平方和 2 (c) i i k i k x C J xμ ∈ =- ∑（1） 聚类目标是使各类总的距离平方和 1 (C)(c) K k k J J = =∑最小。 22 1111 (C)(c) i i K K K n k i k ki i k k k x C k i J J x d x μμ ==∈== ==-=- ∑∑∑∑∑ （2）其中， 1 i i ki i i x c d x c ∈ ? =? ? ? 若 若 ，显然，根据最小二乘 法和拉格朗日原理，聚类中心 k μ应该取为类别 k c类各数据点的平均值。 K-means聚类算法从一个初始的K类别划分开始，然
２００７年第２４卷第１０期微电子学与计算机 １引言 分布式数据库系统在系统结构上的真正含义是指物理上分布、逻辑上集中的分布式数据库结构。数据在物理上分布后，由系统统一管理，用户看到的似乎不是一个分布式数据库，而是一个数据模式为全局数据模式的集中式数据库［１￣５］。 分布式数据库系统包括两个重要组成部分：分布式数据库和分布式数据库管理系统。分布式数据库系统具有位置透明性和复制透明性，使用户看到的系统如同一个集中式系统。分布式数据库系统分为三类：同构同质型ＤＤＢＳ、同构异质型ＤＤＢＳ和异构ＤＤＢＳ。同构同质型ＤＤＢＳ是指各个场地都采用同一类型的数据模型，并且是同一型号数据库管理系统；同构异质型ＤＤＢＳ是指各个场地都采用同一类型的数据模型，但是数据库管理系统是不同型号的；异构型ＤＤＢＳ是指各个场地的数据模型是不同的类型。 分布式结构是相对于集中式结构而言的。从数据处理的角度来说，典型的集中式结构是数据集中存放和处理，用户通过远程终端或通过网络连接来共享集中存放的数据。分布式结构则是将数据及其处理分散在不同场地，各场地各自管理一部分数据，同时又通过网络系统相互连接。各场地的用户除可以访问和处理本地数据外，也可以访问和处理别的场地的数据。分布式数据库是典型的分布式结构。它包括对数据的分布存储和对事务的分布处理。设计一个分布式数据库系统会遇到许多集中式数据库设计中所没有的问题，一致性是其中必须认真对待和解决的主要问题。 ２ＤＤＢＳ的体系结构 ２．１综合型体系结构 综合型体系结构是指在综合权衡用户需求之后，设计出分布的数据库，然后再设计出一个完整的ＤＢＭＳ，把ＤＢＭＳ的功能按照一定的决策分散配置在一个分布的环境中。每个结点的ＤＢＭＳ均熟知整个网络的情况，也了解其它结点的情况。从整体上，各结点组成一个完整的系统，它们之间是靠进程通讯的手段来维持互访连接，如图１所示。２．２联合型体系结构 联合型体系结构是指每个结点上先有ＤＢＭＳ，以此为基础，再建立分布式环境以实现互访连接。若各个结点的局部ＤＢＭＳ支持同一种数据模式和 分布式数据库系统及其一致性方法研究 刘萍芬，马瑞芳，王军 （西安交通大学电信学院，陕西西安７１００４９） 摘要：分布式数据库系统是数据库领域中的一个主要研究方向，数据一致性维护是分布式数据库系统中的一个非常关键的技术问题。在分析分布式数据库系统体系结构的基础上，讨论了两种一致性方法：两阶段提交和复制服务器，并提出一种具有复制服务器的分布式数据库系统的结构框架，它具有有效性和实用性。 关键词：分布式数据库系统；一致性；两阶段提交；复制服务器 中图分类号：ＴＰ３１文献标识码：Ａ文章编号：１０００－７１８０（２００７）１０－０１３７－０３ ＲｅｓｅａｒｃｈｏｆＤｉｓｔｒｉｂｕｔｅｄＤａｔａｂａｓｅＳｙｓｔｅｍａｎｄＤａｔａＣｏｎｓｉｓｔｅｎｃｙ ＬＩＵＰｉｎｇ－ｆｅｎ，ＭＡＲｕｉ－ｆａｎｇ，ＷＡＮＧＪｕｎ （ＣｏｌｌｅｇｅｏｆＥｌｅｃｔｒｏｎｉｃｓａｎｄＩｎｆｏｒｍａｔｉｏｎＥｎｇｉｎｅｅｔｉｎｇ，Ｘｉ′ａｎＪｉａｏｔｏｎｇＵｎｉｖｅｒｓｉｔｙ，Ｘｉ′ａｎ７１００４９，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｄｉｓｔｒｉｂｕｔｅｄｄａｔａｂａｓｅｓｙｓｔｅｍｉｓａｍａｉｎｒｅｓｅａｒｃｈｄｉｒｅｃｔｉｏｎｉｎｔｈｅｄａｔａｂａｓｅｆｉｅｌｄ．Ｍａｉｎｔａｉｎｉｎｇｔｈｅｄａｔａｃｏｎｓｉｓ－ｔｅｎｃｙｉｓａｃｒｉｔｉｃａｌｔｅｃｈｎｉｃａｌｐｒｏｂｌｅｍｉｎｔｈｅｄｉｓｔｒｉｂｕｔｅｄｄａｔａｂａｓｅｓｙｓｔｅｍ．Ｔｈｉｓｐａｐｅｒｄｉｓｃｕｓｓｅｓｔｗｏｍｅｔｈｏｄｓｏｆｍａｉｎｔａｉｎｉｎｇｄａｔａｃｏｎｓｉｓｔｅｎｃｙｂａｓｅｄｏｎａｎａｌｙｚｉｎｇｔｈｅｓｔｒｕｃｔｕｒｅｏｆｔｈｅｄｉｓｔｒｉｂｕｔｅｄｄａｔａｂａｓｅｓｙｓｔｅｍ，ｗｈｉｃｈａｒｅ２ＰＣａｎｄｒｅｐｌｉｃａｔｉｏｎｓｅｒｖ－ｅｒ．Ｔｈｅｎｔｈｅｐａｐｅｒｐｕｔｓｆｏｒｗａｒｄａｄｉｓｔｒｉｂｕｔｅｄｄａｔａｂａｓｅｆｒａｍｅｗｏｒｋｗｈｉｃｈｈａｖｅｒｅｐｌｉｃａｔｉｏｎｓｅｒｖｅｒｓｔｒｕｃｔｕｒｅ．Ａｎｄｉｔｉｓｅｆｆｅｃ－ｔｉｖｅａｎｄａｐｐｌｉｅｄ． Ｋｅｙｗｏｒｄｓ：ｄｉｓｔｒｉｂｕｔｅｄｄａｔａｂａｓｅｓｙｓｔｅｍ；ｄａｔａｃｏｎｓｉｓｔｅｎｃｙ；２ＰＣ；ｒｅｐｌｉｃａｔｉｏｎｓｅｒｖｅｒ 收稿日期：２００６－１０－２７ １３７
摘要：随着计算机技术的飞速发展，智能计算方法的应用领域也越来越广泛，本文介绍了当前存在的一些智能计算方法，阐述了其工作原理和特点，同时对智能计算方法的发展进行了展望。关键词：人工神经网络遗传算法模拟退火算法群集智能蚁群算法粒子群算1什么是智能算法智能计算也有人称之为“软计算”，是们受自然（生物界）规律的启迪，根据其原理，模仿求解问题的算法。从自然界得到启迪，模仿其结构进行发明创造，这就是仿生学。这是我们向自然界学习的一个方面。另一方面，我们还可以利用仿生原理进行设计(包括设计算法)，这就是智能计算的思想。这方面的内容很多，如人工神经网络技术、遗传算法、模拟退火算法、模拟退火技术和群集智能技术等。 2人工神经网络算法“人工神经网络”(ARTIFICIALNEURALNETWORK，简称ANN)是在对人脑组织结构和运行机制的认识理解基础之上模拟其结构和智能行为的一种工程系统。早在本世纪40年代初期，心理学家McCulloch、数学家Pitts就提出了人工神经网络的第一个数学模型，从此开创了神经科学理论的研究时代。其后，FRosenblatt、Widrow和J.J.Hopfield等学者又先后提出了感知模型，使得人工神经网络技术得以蓬勃发展。神经系统的基本构造是神经元(神经细胞)，它是处理人体内各部分之间相互信息传递的基本单元。据神经生物学家研究的结果表明，人的一个大脑一般有1010～1011个神经元。每个神经元都由一个细胞体，一个连接其他神经元的轴突和一些向外伸出的其它较短分支——树突组成。轴突的功能是将本神经元的输出信号(兴奋)传递给别的神经元。其末端的许多神经末梢使得兴奋可以同时传送给多个神经元。树突的功能是接受来自其它神经元的兴奋。神经元细胞体将接受到的所有信号进行简单处理(如：加权求和，即对所有的输入信号都加以考虑且对每个信号的重视程度——体现在权值上——有所不同)后由轴突输出。神经元的树突与另外的神经元的神经末梢相连的部分称为突触。 2.1人工神经网络的特点人工神经网络是由大量的神经元广泛互连而成的系统，它的这一结构特点决定着人工神经网络具有高速信息处理的能力。人脑的每个神经元大约有103～104个树突及相应的突触，一个人的大脑总计约形成1014～1015个突触。用神经网络的术语来说，即是人脑具有1014～1015个互相连接的存储潜力。虽然每个神经元的运算功能十分简单，且信号传输速率也较低(大约100次/秒)，但由于各神经元之间的极度并行互连功能，最终使得一个普通人的大脑在约1秒内就能完成现行计算机至少需要数10亿次处理步骤才能完成的任务。人工神经网络的知识存储容量很大。在神经网络中，知识与信息的存储表现为神经元之间分布式的物理联系。它分散地表示和存储于整个网络内的各神经元及其连线上。每个神经元及其连线只表示一部分信息，而不是一个完整具体概念。只有通过各神经元的分布式综合效果才能表达出特定的概念和知识。由于人工神经网络中神经元个数众多以及整个网络存储信息容量的巨大，使得它具有很强的不确定性信息处理能力。即使输入信息不完全、不准确或模糊不清，神经网络仍然能够联想思维存在于记忆中的事物的完整图象。只要输入的模式接近于训练样本，系统就能给出正确的推理结论。 [!--empirenews.page--]正是因为人工神经网络的结构特点和其信息存储的分布式特点，使得它相对于其它的判断识别系统，如：专家系统等，具有另一个显著的优点：健壮性。生物神经网络不会因为个别神经元的损失而失去对原有模式的记忆。最有力的证明是，当一个人的大脑因意外事故受轻微损伤之后，并不会失去原有事物的全部记忆。人工神经网络也有类似的情况。因某些原因，无论是网络的硬件实现还是软件实现中的某个或某些神经元失效，整个网络仍然能继续工作。人工神经网络是一种非线性的处理单元。只有当神经元对所有的输入信号的综合处理结果超过某一门限值后才输出一个信号。因此神经网络是一种具有高度非线性的超大规模连续时间动力学系统。它突破了传统的以线性处理为基础的数字电子计算机的局限，标志着人们智能信息处理能力和模拟人脑智能行为能力的一大飞跃。 2.2几种典型神经网络简介 2.2.1多层感知网络(误差逆传播神经网络) 在1986年以Rumelhart和McCelland为首的科学家出版的《ParallelDistributedProcessing》一书中，完整地提出了误差逆传播学习算法，并被广泛
国内外分布式能源发展状况及政策支持 （1）丹麦是世界上能源利用效率最高的国家，自1990 年以来，丹麦大型凝气发电厂容量没有增加，新增电力主要依靠安装在用户侧的、特别是工业用户和小型区域化的分布式能源电站（热电站）和可再生能源项目，热电发电量占总发电量的61.6％。2005年7月，丹麦政府宣布计划铺设全球最长的智能化电网基础设施，这将使分布式能源系统成为丹麦主要的供电渠道。 丹麦对于分布式能源采取了一系列明确的鼓励政策，先后制定了《供热法》《电力供应法》和《全国天然气供应法》等，在法律上明确了保护和支持立场。《电力供应法》规定，电网公司必须优先购买热电联产生产的电能，而消费者有义务优先使用热电联产生产的电能（否则将做出补偿）。 （2）1988年，荷兰启动了一个热电联产激励计划，制定了重点鼓励发展小型的热电机组的优惠政策。实践证明，荷兰的分布式能源为电力增长做出巨大贡献，热电联产装机容量由1987年的2 700 MW猛增到1998年的7 000 MW，占总发电量的48.2％。荷兰实行了能源税机制，标准为6.02欧分/kWh，但绿色电力可返还2欧分。荷兰颁布了新的《电力法》，赋予分布式能源（热电联产）特别的地位，使电力部门须接受此类项目电力，政府对其售电仅征收最低税率。由荷兰能源分配部门起草的《环境行动计划》中，电力部门将积极使用清洁高效能源技术以承担其对环境的责任。其中分布式能源是最为重要的手段，将负担40％的二氧化碳减排任务。 （3）日本是亚洲能源利用效率最高的国家，自1981 年东京国立竞技场第一号热电机组运行起，截至2000 年，分布式能源项目共1 413个，总容量2 212 MW。分布式能源能够在日本快速发展，关键是政府的有效干预。1986年5月日本通产省发布了《并网技术要求指导方针》，使分布式能源可以实现合法并网。1995年12月又更改了《电力法》，并进一步修改了《并网技术要求指导方针》，使拥有分布式能源装置的业主，可以将多余的电能反卖给供电公司，并要求供电公司为分布式能源业主提供备用电力保障。此外，分布式能源业主不仅能够得到融资、政府补贴等优惠政策，还能享受减免税等鼓励。
多智能体系统一致性综述 一 引言 多智能体系统在20世纪80年代后期成为分布式人工智能研究中的主要研究对象。研究多智能体系统的主要目的就是期望功能相对简单的智能体系统之间进行分布式合作协调控制，最终完成复杂任务。多智能体系统由于其强健、可靠、高效、可扩展等特性，在科学计算、计算机网络、机器人、制造业、电力系统、交通控制、社会仿真、虚拟现实、计算机游戏、军事等方面广泛应用。多智能体的分布式协调合作能力是多智能体系统的基础，是发挥多智能体系统优势的关键，也是整个系统智能性的体现。 在多智能体分布式协调合作控制问题中，一致性问题作为智能体之间合作协调控制的基础，具有重要的现实意义和理论价值。所谓一致性是指随着时间的演化，一个多智能体系统中所有智能体的某一个状态趋于一致。一致性协议是智能体之间相互作用、传递信息的规则，它描述了每个智能体和其相邻的智能体的信息交互过程。当一组智能体要合作共同去完成一项任务，合作控制策略的有效性表现在多智能体必须能够应对各种不可预知的形式和突然变化的环境，必须对任务达成一致意见，这就要求智能体系统随着环境的变化能够达到一致。因此，智能体之间协调合作控制的一个首要条件是多智能体达到一致。 近年来，一致性问题的研究发展迅速，包括生物科学、物理科学、系统与控制科学、计算机科学等各个领域都对一致性问题从不同层面进行了深入分析，研究进展主要集中在群体集、蜂涌、聚集、传感器网络估计等问题。 目前，许多学科的研究人员都开展了多智能体系统的一致性问题的研究，比如多智能体分布式一致性协议、多智能体协作、蜂涌问题、聚集问题等等。下面，主要对现有文献中多智能体一致性协议进行了总结，并对相关应用进行简单的介绍。 1.1 图论基础 多智能体系统是指由多个具有独立自主能力的智能体通过一定的信息传递方式相互作用形成的系统；如果把系统中的每一个智能体看成是一个节点，任意两个节点传递的智能体之间用有向边来连接的话，智能体的拓扑结构就可以用相应的有向图来表示。 用)(A E,V,G =来表示一个有向加权图，其中}{n 21v ,,v ,v V =代表图的n 个顶
基础架构事业群-数据库技术-数据库内核 何登成 Paxos/Raft 分布式一致性算法原理剖析及其在实战中的应用
目录Contents Consensus Problem Basic Paxos Multi-Paxos and Raft 实战分析 参考资料
定义：The consensus problem requires agreement among a number of processes (or agents) for a single data value.
?理解Consensus 问题的关键 ?绝对公平，相互独立：所有参与 者均可提案，均可参与提案的决 策 ?针对某一件事达成完全一致：一 件事，一个结论 ?已经达成一致的结论，不可被推 翻 ?在整个决策的过程中，没有参与 者说谎 ?晚饭吃什么？ 炉鱼食堂同乐会 炉鱼炉鱼 炉鱼 Consensus Algorithm
Consensus Algorithm：Basic Paxos ?Basic Paxos ?一个或多个Servers可以发起提案（Proposers） ?系统必须针对所有提案中的某一个提案，达成一致 ?何谓达成一致？系统中的多数派同时认可该提案?最多只能针对一个确定的提案达成一致 ?Liveness (只要系统中的多数派存活，并且可以相互通信)?整个系统一定能够达成一致状态，选择一个确定的提案
Basic Paxos：Components ?Proposers ?Active：提案发起者（value） ?处理用户发起的请求 ?Acceptors ?Passive：参与决策，回应 Proposers的提案 ?存储accept的提案（value）， 存储决议处理的状态 ?Learners ?Passive：不参与决策，从 Proposers/Acceptors学习最新 达成一致的提案（value）?本文接下来的部分，一个Server同时具有Proposer和Acceptor两种角色，Learner角色逻辑简单，暂时不讨论
国外分布式能源发展状况 一、分布式发电概况 分布式发电是指位于用户所在地附近的，所生产的电力除由用户自用和就近利用外，多余电力送入当地配 电网的发电设施、发电系统或有电力输岀的多联供系统。分布式发电形式多种多样，因资源条件和用能需求而异，发电方式包括三大类：1、天然气分布式能源，主要是热电联产和冷热电多联供等；2、可再生能源分布式发电： 主要包括小型水能、太阳能、风能、生物质能、地热能等；3、废弃资源综合利用，涵盖工业余压、余热、废弃 可燃性气体发电和城市垃圾、污泥发电等。 由于发达国家的热电联产主要采用天然气在用户端或靠近用户区域发电供热，故均被纳入分布式能源。国际热电联产联盟"已将其名字更改为国际分布式能源联盟"WADE （World Alliance Decentralized Energy ），Decentralized在英文中强调了分散化或非集中化的含义，是受到互联网革命"去中心化的影响，而Energy强调 并非单一供电，能源就地供应的种类可以是多样性的。但该组织更加侧重天然气为燃料的分布式能源，兼顾了燃煤的热电联产，未覆盖中小水电等可再生能源发电。据统计，世界主要国家及地区的热电联产（CHP ）2006年装机容量已达到32,920万千瓦（表-1 ）。 表if 球主要国貳热电联产英机富童*' 美国将分布式能源称为( Distributed Energy )或DER (Distributed Energy Resources ) ，Distributed 虽然也是指分布式”但是更多地应用于互联网式的分布信息处理分散化的扁平式解决方案，显示了能源行业受到
互联网革命的启迪，暗喻了这些分布在用户端或资源现场的系统是相互联系或相互连接的，更向一个网络化的能 源系统。加入Resources 一词，反应了人们将阳光普照的可再生能源和分散化的废弃资源视为一种资源，充分涵盖的可再生能源和废弃能源资源的分散化利用。全球分布式风电2008年装机容量达到0.4万千瓦（表-2）。2010 年底，全球光伏发电装机总量高达3,950万千瓦（表-3），其中日本、欧洲等地分布式光伏发电位居世界前列。 M ?金球小型凤电克场艾机情乱- 1 ' wind global D13, rkst 2008+-1 <3^^主要国家和地区太阳能光伏发电娄札恬况￡忑土屁八 来溥：0P昭-（中卜和Qw UE「yr 訂帚U" U 1M】” 国外分布式能源的发展主要是通过支持市场化的独立发电商（IPP ）和能源服务商（ESCO ）为用户提 供了专业化的能源服务与节能服务，因地制宜、因需而异、因势利导，建设个性化的能源梯级利用设施，转变了传统低效的所谓集约化”、规模化”的能源生产供应模式，直接对社会分工进行了重构，为未来不断提高能源利用 效率和大量利用可再生能源，吸引更多企业和个人参与清洁能源供应和提高能效，推动信息技术与能源系统的整合优化进行了制度设计和法律保障。 美国、欧洲和日本在先进的分布式发电基础上推动智能电网建设，为各种分布式能源提供自由接入的动态 平台；为节能和需求侧管理提供智能化控制管理平台；为高效利用天然气冷热电联供梯级利用；为因地制宜地利用小水电资源、生物质资源及可再生能源；为清洁回收利用各种废弃的资源能源来增加电力和其他能量供应提供
浅谈人工智能学习研究的现状 及其发展趋势 摘要：自上世纪五十年代以来，经过了几个阶段的不断探索和发展，人工智能在模式识别、知识工程、机器人等领域已经取得重大成就，但是离真正意义上的的人类智能还相差甚远。但是进入新世纪以来，随着信息技术的快速进步，与人工智能相关的技术水平也得到了相应的提高。尤其是随着因特网的普及和应用，对人工智能的需求，变得越来越迫切，也给人工智能的研究提供了新的更加广泛的舞台。本文强调在当今的网络时代，作为信息技术的先导，人工智能学习在人工智能科学领域中是一个着非常值得关注的研究方向，要在学科交叉研究中实现人工智能学习的发展与创新，就要关注认知科学、脑科学、生物智能、物理学、复杂网络、计算机科学与人工智能之间的交叉渗透点，尤其是重视认知物理学的研究。自然语言是人类思维活动的载体，是人工智能学习研究知识表示无法回避的直接对象，要对语言中的概念建立起能够定量表示的不确定性转换模型，发展不确定性人工智能；要利用现实生活中复杂网络的小世界模型和无尺度特性，把网络拓扑作为知识表示的一种新方法，研究网络拓扑的演化与网络动力学行为，研究网络化了的智
能，从而适应信息时代数据挖掘的普遍要求，迎接人工智能学习与应用领域新的辉煌。 1.前言 自20世纪90年代以来，随着全球化的形式与国际竞争的日益激烈，对人工智能技术的研究与应用变的越来越被人们关注，且人工智能在制造中的运用以成为实现制造的知识化、自动化、柔性化以实现对市场的快速响应的关键。 人工智能已对现实社会做出了非常重大的贡献，而且其作用已在各领域发挥得淋漓尽致，特别是在计算机领域，人工智能的应用更加突出，可以说，哪里有计算机应用，哪里就在应用人工智能；哪里需要自动化或半自动化，哪里就在应用人工智能的理论、方法和技术。目前，人工智能应用的主要领域，也就是计算机应用的主要领域。 人工智能是一门研究人类智能的机理以及如何用机器模拟人的智能的学科。从后一种意义上讲，人工智能又被称为“机器智能”或“智能模拟”。人工智能是在现代电子计算机出现之后才发展起来的，它一方面成为人类智能的延长，另一方面又为探讨人类智能机理提供了新的理论和研究方法。 学习机制的研究是人工智能研究的一项核心课题。它是智能系统具有适应性与性能自完善功能的基础。学习过程具
分布式能源系统的国内外发展现状
合优化—能源供应系统集成化。八是能源企业从生产型转向服务型—投资经营市场化。某种意义上说分布式供能就是一局域的智能能源网。 作为21世纪科学用能的最佳方式，“分布式能源的发展利用”在30年间已逐渐得到世界各国的广泛重视。分布式能源系统是一种高效、节能、环保的用户端能源综合利用系统，分布式能源技术已成为世界能源技术的发展潮流。国际分布式能源联盟主席汤姆·卡斯顿曾说过：“分布式能源的革命即将发生，将像30年前发生的绿色革命一样产生深远的影响。而在这样一场革命中，最先认识到它的人将获得最大的收益。”随着新能源革命和智能电网的发展再次将分布式供能系统赋予更多的新意。 二、分布式能源系统的国外现状 分布式供能系统具有多重社会效益和经济效益，是世界能源供应方式发展的一个重要方向，美日、欧盟等国已将发展分布式供能作为能源安全、节能和能源经济发展的重要战略。美国、欧洲和日本在先进的分布式发电基础上推动智能电网建设，为各种分布式能源提供自由接入的动态平台；为节能和需求侧管理提供智能化控制管理平台；为高效利用天然气冷热电联供梯级利用；为因地制宜地利用小水电资源、生物质资源及可再生能源；为清洁回收利用各种废弃的资源能源来增加电力和其他能量供应提供支撑。美国和西欧目前基本不再建设大型电源及大型能源设施，正是这些依附于用户终端市场的能源梯级利用系统、可再生能源系统和资源综合利用系统，将他们的能源利用效率不断提高，排放不断减少，能源结构不断优化。 在欧盟，欧洲委员会正在进行一个SA VE Ⅱ的能效行动计划，包含许多不同的能效措施，来推动分布式能源系统的发展。 多年来，英国政府一直试图通过能源效率最佳方案计划（EEBPP）促进分布式能源系统的发展。英国在过去20年中，已超过1000个分布式能源系统被安装，遍布英国的各大饭店、休闲中心、医院、综合性大学和学院、园艺、机场、公共建筑、商业建筑、购物商城及其它相应场所。 美国新能源战略的实施核心就包括力推分布式能源系统和建立与之相适应的强大的智能电网。美国从1978年开始提倡发展分布式能源系统，现在美国能源部（U.S.DOE）的Distributed Energy Resources计划是带领全国共同努力发展下一代洁净、高效、可靠、用户能够买的起的分布式能源系统。具体的操作方式是与能源设备的制造商、能源服务者、能源项目的开发者、州政府和联邦机构、公众利益组织、用户进行合作，研究、开发一系列先进的、能够进行就地生产的、小规模、模块化设计的发电、储能技术，用于工业、商业和民用方面，这些技术包括先进的燃气轮机、微型燃气轮机、内燃机、燃料电池、热驱动技术和能量储存技术，同时也进行先进的材料、电力电子、复合系统以及通讯、控制系统等方面技术的开发。美国能源部提出2020年的长期目标：通过最大程度地使用具有
机器学习研究现状与发展趋势 摘要: 机器学习是研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演译。 机器学习是关于理解与研究学习的内在机制、建立能够通过学习自动提高自身水平的计算机程序的理论方法的学科。近年来机器学习理论在诸多应用领域得到成功的应用与发展，已成为计算机科学的基础及热点之一。采用机器学习方法的计算机程序被成功用于机器人下棋程序、语音识别、信用卡欺诈监测、自主车辆驾驶、智能机器人等应用领域，除此之外机器学习的理论方法还被用于大数据集的数据挖掘这一领域。实际上，在任何有经验可以积累的地方，机器学习方法均可发挥作用。 机器学习的研究是根据生理学、认知科学等对人类学习机理的了解，建立人类学习过程的计算模型或认识模型，发展各种学习理论和学习方法，研究通用的学习算法并进行理论上的分析，建立面向任务的具有特定应用的学习系统。这些研究目标相互影响相互促进。 本文主要叙述了 1.机器学习的研究现状,包括定义,应用领域,研究意义,发展史,系统结构,和对其进行各种角度的分类. 2.机器学习的发展趋势。 引言: 按照人工智能大师西蒙的观点，学习就是系统在不断重复的工作中对本身能力的增强或者改进，使得系统在下一次执行同样任务或类似任务时，会比现在做得更好或效率更高。西蒙对学习给出的定义本身，就说明了学习的重要作用。 机器能否象人类一样能具有学习能力呢？1959年美国的塞缪尔(Samuel)设计了一个下棋程序，这个程序具有学习能力，它可以在不断的对奕中改善自己的棋艺。4年后，这个程序战胜了设计者本人。又过了3年，这个程序战胜了美国一个保持8年之久的常胜不败的冠军。这个程序向人们展示了机器学习的能力，提出了许多令人深思的社会问题与哲学问题。 什么叫做机器学习？至今，还没有统一的“机器学习”定义，而且也很难给出一个公认的和准确的定义。为了便于进行讨论和估计学科的进展，有必要对机器学习给出定义，即使这种定义是不完全的和不充分的。顾名思义，机器学习是研究如何使用机器来模拟人类学习活动的一门学科。稍为严格的提法是：机器学习是一门研究机器获取新知识和新技能，并识别现有知识的学问。这里所说的“机器”，指的就是计算机；现在是电子计算机，以后还可能是中子计算机、光子计算机或神经计算机等等。 机器学习的研究是根据生理学、认知科学等对人类学习机理的了解，建立人类学习过程的计算模型或认识模型，发展各种学习理论和学习方法，研究通用的学习算法并进行理论上的分析，建立面向任务的具有特定应用的学习系统。这些研究目标相互影响相互促进。 机器学习是关于理解与研究学习的内在机制、建立能够通过学习自动提高自身水平的计算机程序的理论方法的学科。近年来机器学习理论在诸多应用领域得到成功的应用与发展，已成为计算机科学的基础及热点之一。
国内外分布式能源发展现状 国外分布式能源发展状况及政策支持 (1)丹麦是世界上能源利用效率最高的国家,自1990年以来，丹麦大型凝气发电厂容量没有增加，新增电力主要依靠安装在用户侧的、特别是工业用户和小型区域化的分布式能源电站(热电站)和可再生能源项目,热电发电量占总发电量的61.6%。2005年7月，丹麦政府宣布计划铺设全球最长的智能化电网基础设施，这将使分布式能源系统成为丹麦主要的供电渠道。 丹麦对于分布式能源采取了一系列明确的鼓励政策，先后制定了《供热法》、《电力供应法》和《全国天然气供应法》等，在法律上明确了保护和支持立场。《电力供应法》规定，电网公司必须优先购买热电联产生产的电能，而消费者有义务优先使用热电联产生产的电能(否则将做出补偿)。 (2)1988年,荷兰启动了一个热电联产激励计划，制定了重点鼓励发展小型的热电机组的优惠政策。实践证明,荷兰的分布式能源为电力增长做出巨大贡献，热电联产装机容量由1987年的2 700 MW猛增到1998年的7 000 MW，占总发电量的48.2%。荷兰实行了能源税机制，标准为6.02欧分/kWh，但绿色电力可返还2欧分。荷兰颁布了新的《电力法》，赋予分布式能源（热电联产）特别的地位，使电力部门须接受此类项目电力，政府对其售电仅征收最低税率。由荷兰能源分配部门起草的《环境行动计划》中，电力部门将积极使用清洁高效能源技术以承担其对环境的责任。其中分布式能源是最为重要的手段，将负担40%的二氧化碳减排任务。 （3）日本是亚洲能源利用效率最高的国家，自1981年东京国立竞技场第一号热电机组运行起，截至2000年，分布式能源项目共1 413个，总容量2 212 MW。分布式能源能够在日本快速发展，关键是政府的有效干预。1986年5月日本通产省发布了《并网技术要求指导方针》，使分布式能源可以实现合法并网。1995年12月又更改了《电力法》，并进
分布式能源系统的现状与发展前景分析一）行业概况 所谓“分布式能源”（distributed energy sources）是指分布在用户端的能源综合利用系统。一次能源以气体燃料为主，可再生能源为辅，利用一切可以利用的资源；二次能源以分布在用户端的热电冷（植）联产为主，其他中央能源供应系统为辅，实现以直接满足用户多种需求的能源梯级利用，并通过中央能源供应系统提供支持和补充；在环境保护上，将部分污染分散化、资源化，争取实现适度排放的目标。 分布式能源系统（ＤｉｓｔｒｉｂｕｔｅｄＥnｅｒｇｙＳｙｓｔｅｍ）在许多国家、地区已经是一种成熟的能源综合利用技术，它以靠近用户、梯级利用、一次能源利用效率高、环境友好、能源供应安全可靠等特点，受到各国政府、企业界的广泛关注、青睐。 二）行业发展的历史回顾 分布式能源系统的概念是从1978年美国公共事业管理政策法公布后,在美国开始推广,然后被其他发达国家所接受,分布式能源系统是位于或临近电负荷中心、生产的电能不是以大规模、远距离输送为目的的电能生产系统，或建立在其基础上的冷热电联产系统。 国际能源机构（IEA）正在进行一个包括33个国家在内的国际性能源技术研发合作计划，进行能源生产、能源消费领域的技术发
展与改进，当前已有40个研究项目在进行，包括化石燃料技术、分布式能源系统、终端用户的能效技术等等。IEEE 经过评估认为，到2010年分布式能源系统将占新增发电容量的30%。 三）行业的基本状况分析 美国：电力公司必须收购热电联产的电力产品，其电价和收购电量以长期合同形式固定。为热电联产系统提供税收减免和简化审批等优惠政策。截止2002年末，美国分布式能源站已近6000座。美国政府把进一步推进“分布式热电联产系统”的发展列为长远发展规划，并制定了明确的战略目标：力争在2010年，20%的新建商用或办公建筑使用“分布式热电联产”供能模式；5%现有的商用写字楼改建成“冷热电联产”的“分布式热电联产”模式。2020年在50%的新建办公楼或商用楼群中，采用“分布式热电联产”模式，将15%现有建筑的“供能系统”改建成“分布式热电联产”模式。有报道称,美国能源部计划在2010年削减460亿美元国家电力投资,采取的办法是加快分布式能源发展。美国能源部计划，2010年20%的新建商用建筑使用冷热电三联供发展计划，2020年50%的新建商用建筑使用冷热电三联供发展计划。 欧盟：据1997年资料统计，欧盟拥有9000多台分布式热电联产机组，占欧洲总装机容量的13%，其中工业系统中的分布式热电联产装机总容量超过了33GW，约占热电联产总装机容量的45%，欧盟决定到2010 年将其热电联产的比例增加1倍，提高