CN104765667B - 一种基于蚁群算法的fpga程序脆弱支路求取方法 - Google Patents
一种基于蚁群算法的fpga程序脆弱支路求取方法 Download PDFInfo
- Publication number
- CN104765667B CN104765667B CN201510184752.2A CN201510184752A CN104765667B CN 104765667 B CN104765667 B CN 104765667B CN 201510184752 A CN201510184752 A CN 201510184752A CN 104765667 B CN104765667 B CN 104765667B
- Authority
- CN
- China
- Prior art keywords
- module
- port
- group algorithm
- ant group
- ant
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Stored Programmes (AREA)
- Design And Manufacture Of Integrated Circuits (AREA)
Abstract
本发明属于电子电路技术领域,具体涉及一种基于蚁群算法的FPGA程序脆弱支路求取方法,包括如下步骤:步骤一、寻找FPGA程序的拓补连接关系;步骤二、建立模型;步骤三、利用蚁群算法进行最短路径的判定;因此,该基于蚁群算法的FPGA程序脆弱支路求取方法,能够根据FPGA各模块之间信号的流拓扑关系,利用蚁群行为特性进行建模以后,求出具有最高出错率的之路,从而能为FPGA程序的可靠性评估提供依据。
Description
技术领域
本发明属于电子电路技术领域,具体涉及一种基于蚁群算法的FPGA程序脆弱支路求取方法。
背景技术
蚁群算法(ant colony optimization,ACO),又称蚂蚁算法,是一种用来在图中寻找优化路径的机率型算法。它由Marco Dorigo于1992年在他的博士论文中提出,其灵感来源于蚂蚁在寻找食物过程中发现路径的行为。蚁群算法是一种模拟进化算法,初步的研究表明该算法具有许多优良的性质。蚁群算法具有一种新的模拟进化优化方法的有效性和应用价值。
蚁群算法的特点:
1)蚁群算法是一种自组织的算法。在系统论中,自组织和它组织是组织的两个基本分类,其区别在于组织力或组织指令是来自于系统的内部还是来自于系统的外部,来自于系统内部的是自组织,来自于系统外部的是他组织。如果系统在获得空间的、时间的或者功能结构的过程中,没有外界的特定干预,我们便说系统是自组织的。在抽象意义上讲,自组织就是在没有外界作用下使得系统熵减小的过程(即是系统从无序到有序的变化过程)。蚁群算法充分体现了这个过程,以蚂蚁群体优化为例子说明。当算法开始的初期,单个的人工蚂蚁无序的寻找解,算法经过一段时间的演化,人工蚂蚁间通过信息激素的作用,自发的越来越趋向于寻找到接近最优解的一些解,这就是一个无序到有序的过程。
2)蚁群算法是一种本质上并行的算法。每只蚂蚁搜索的过程彼此独立,仅通过信息激素进行通信。所以蚁群算法则可以看作是一个分布式的多agent系统,它在问题空间的多点同时开始进行独立的解搜索,不仅增加了算法的可靠性,也使得算法具有较强的全局搜索能力。
3)蚁群算法是一种正反馈的算法。从真实蚂蚁的觅食过程中我们不难看出,蚂蚁能够最终找到最短路径,直接依赖于最短路径上信息激素的堆积,而信息激素的堆积却是一个正反馈的过程。对蚁群算法来说,初始时刻在环境中存在完全相同的信息激素,给予系统一个微小扰动,使得各个边上的轨迹浓度不相同,蚂蚁构造的解就存在了优劣,算法采用的反馈方式是在较优的解经过的路径留下更多的信息激素,而更多的信息激素又吸引了更多的蚂蚁,这个正反馈的过程使得初始的不同得到不断的扩大,同时又引导整个系统向最优解的方向进化。因此,正反馈是蚂蚁算法的重要特征,它使得算法演化过程得以进行。
4)蚁群算法具有较强的鲁棒性。相对于其它算法,蚁群算法对初始路线要求不高,即蚁群算法的求解结果不依赖于初始路线的选择,而且在搜索过程中不需要进行人工的调整。其次,蚁群算法的参数数目少,设置简单,易于蚁群算法应用到其它组合优化问题的求解。
蚁群算法的应用进展以蚁群算法为代表的蚁群智能已成为当今分布式人工智能研究的一个热点,许多源于蜂群和蚁群模型设计的算法己越来越多地被应用于企业的运转模式的研究。美国五角大楼正在资助关于群智能系统的研究工作-群体战略(SwarmStrategy),它的一个实战用途是通过运用成群的空中无人驾驶飞行器和地面车辆来转移敌人的注意力,让自己的军队在敌人后方不被察觉地安全进行。英国电信公司和美国世界通信公司以电子蚂蚁为基础,对新的电信网络管理方法进行了试验。群智能还被应用于工厂生产计划的制定和运输部门的后勤管理。美国太平洋西南航空公司采用了一种直接源于蚂蚁行为研究成果的运输管理软件,结果每年至少节约了1000万美元的费用开支。英国联合利华公司己率先利用群智能技术改善其一家牙膏厂的运转情况。美国通用汽车公司、法国液气公司、荷兰公路交通部和美国一些移民事务机构也都采用这种技术来改善其运转的机能。鉴于群智能广阔的应用前景,美国和欧盟均于近几年开始出资资助基于群智能模拟的相关研究项目,并在一些院校开设群体智能的相关课程。国内,国家自然科学基金”十五”期间学科交叉类优先资助领域中的认知科学及其信息处理的研究内容中也明确列出了群智能领域的进化、自适应与现场认知主题。
蚁群优化算法最初用于解决TSP问题,经过多年的发展,已经陆续渗透到其他领域中,比如图着色问题、大规模集成电路设计、通讯网络中的路由问题以及负载平衡问题、车辆调度问题等。蚁群算法在若干领域己获得成功的应用,其中最成功的是在组合优化问题中的应用。
在网络路由处理中,网络的流量分布不断变化,网络链路或结点也会随机地失效或重新加入。蚁群的自身催化与正向反馈机制正好符合了这类问题的求解特点,因而,蚁群算法在网络领域得到一定应用。蚁群觅食行为所呈现出的并行与分布特性使得算法特别适合于并行化处理。因而,实现算法的并行化执行对于大量复杂的实际应用问题的求解来说是极具潜力的。
FPGA(Field-Programmable Gate Array),即现场可编程门阵列,它是在PAL、GAL、CPLD等可编程器件的基础上进一步发展的产物。它是作为专用集成电路(ASIC)领域中的一种半定制电路而出现的,既解决了定制电路的不足,又克服了原有可编程器件门电路数有限的缺点。
FPGA芯片在工作中,每个模块都会以一定的概率出错,一个模块出错也会影响到与之相连接的模块。如果能够对FPGA芯片每个模块的出错概率进行求解,就能很好的对FPGA程序的可靠性进行评估。
发明内容
本发明的目的是克服现有技术中对FPGA程序可靠性进行评估困难的问题。
为此,本发明提供了一种基于蚁群算法的FPGA程序脆弱支路求取方法,包括如下步骤:
步骤一、寻找FPGA程序的拓补连接关系;
步骤二、建立模型;
步骤三、利用蚁群算法进行最短路径的判定;
步骤四、输出结果。
上述一种基于蚁群算法的FPGA程序脆弱支路求取方法,所述的步骤一、寻找FPGA程序的拓补连接关系,包括如下步骤:
(1)读取FPGA程序;
(2)根据程序中文件的名称确定程序中的模块,逐步查找程序中的模块并且记录模块个数为K;
(3)定位到模块开头;
(4)利用port关键字确定每个模块的端口,并且记录端口名称和端口数量;
(5)利用component关键字确定元件,并且记录元件的名称,元件的端口名称和数量;
(6)利用port map关键字确定元件的连接关系;
(7)重复(4)~(6),直到找完每一个模块;
(8)保存找到的所有信息。
上述一种基于蚁群算法的FPGA程序脆弱支路求取方法,所述的步骤二、建立模型,包括如下步骤:
a、计算模块的端口总数:
其中,第i个模块连接m个端口,xj为第j个端口位数;
模块的总端口位数为:
T=[t1,t2…tk} (2)
b、模块的自身出错概率设为:
E={e1,e2…ek} (3)
第i个模块向第j个模块的输入端口总位数aij(i,j=1,2…k,i≠j)为:
其中,第i个模块向第j个模块的输入端口总数为p;
ci为第i个模块的输出端口总位数:C={c1,c2…ck}:
则,第j个模块的总出错权值为:
模块的总出错权值为:
P={p1,p2…pk} (6)
c、第i个模块向第j个模块的输出端口总位数bij(i,j=1,2…k,i≠j)为:
其中,第i个模块向第j个模块的输入端口总数为q;
则,第i个模块到第j个模块的距离dij(i,j=1,2…k,i≠j)为:
则,距离矩阵为:
d、模块标号作为节点,dij作为节点之间的距离,模型建立完毕。
上述一种基于蚁群算法的FPGA程序脆弱支路求取方法,所述的步骤三、利用蚁群算法进行最短路径的判定,包括如下步骤:
Ⅰ、设置蚁群算法的参数,包括如下参数:
启发因子,信息素的重要程度ALPHA=1;
期望因子,节点间距离的重要程度BETA=2;
信息素残留参数ROU=0.5;
蚂蚁数量N_ANT_COUNT=100;
迭代次数N_IT_COUNT=1000;
节点数量N_G_COUNT=节点向量J;
总的信息素DBQ=100;
两两节点间距离g_Distance=距离矩阵D;
Ⅱ、利用蚁群算法进行最短路径判定;
Ⅲ、输出最短路径。
本发明的有益效果:本发明提供的这种基于蚁群算法的FPGA程序脆弱支路求取方法,包括如下步骤:步骤一、寻找FPGA程序的拓补连接关系;步骤二、建立模型;步骤三、利用蚁群算法进行最短路径的判定;通过对FPGA程序的分析,找出程序中的模块及各模块之间的信号关系,得到程序代码的拓扑关系图;对拓扑关系图进行建模,通过蚁群算法,求出具有最高出错率的支路,从而能为FPGA程序的可靠性评估提供依据。
以下将结合附图对本发明做进一步详细说明。
附图说明
如图1是本发明一种基于蚁群算法的FPGA程序脆弱支路求取方法的流程图;
图2是本发明一种基于蚁群算法的FPGA程序脆弱支路求取方法的模块之间拓补连接关系示意图;
图3是本发明一种基于蚁群算法的FPGA程序脆弱支路求取方法的节点间距离示意图;
图4是本发明一种基于蚁群算法的FPGA程序脆弱支路求取方法的蚁群算法的流程图;
图5是本发明一种基于蚁群算法的FPGA程序脆弱支路求取方法的实施例2测试程序获取的拓补连接关系示意图;
具体实施方式
为进一步阐述本发明达成预定目的所采取的技术手段及功效,以下结合附图及实施例对本发明的具体实施方式、结构特征及其功效,详细说明如下。
实施例1:
在VHDL中,在模块的层级关系中,最底层的实体(模块)是最基本的功能模块,所谓拓补连接关系指的是这些基本功能模块之间的端口连接关系。而模块(元件)的端口连接关系是在调用这些元件的上层模块中定义。只有找出完整的VHDL程序中的模块调用关系才能确定基本功能模块之间的端口连接关系。
VHDL是有着严格的语法结构的硬件描述语言,根据语法结构我们可以利用固定的关键字寻找到描述拓补连接关系的语句:实体定义语句,端口声明语句,元件例化语句和端口映射语句。实体定义语句包含了实体的名字信息,由于VHDL语言是以实体为单位进行编写的,所以当源码文件中出现实体定义语句时,后面三种语句也会随之出现。
利用这种特性可以将确定每个实体在VHDL源码文件中出现的位置;端口声明语句包含了一个实体所有的端口名称,类型,数量和数据流向;元件例化语句包含了一个实体所调用的元件的名称和端口信息;端口映射语句则包含了各元件之间的连接关系。利用上述语句即可将实体(模块)的连接关系找出来。另外还有两条性质:没有调用元件的实体为最底层实体即最基本的功能模块;没有被调用过的实体为最顶层实体,最顶层实体的端口全部是连接到外部信号的端口。
如图1所示,一种基于蚁群算法的FPGA程序脆弱支路求取方法,包括如下步骤:
步骤一、寻找FPGA程序的拓补连接关系;
步骤二、建立模型;
步骤三、利用蚁群算法进行最短路径的判定;
步骤四、输出结果。
上述步骤一、寻找FPGA程序的拓补连接关系,包括如下步骤:
(1)读取FPGA程序;
(2)确定程序中的模块,并且记录模块个数为K;
(3)定位到模块开头;
(4)利用port关键字确定每个模块的端口,并且记录端口名称和端口数量;
(5)利用component关键字确定元件,并且记录元件的名称,元件的端口名称和数量;
(6)利用port map关键字确定元件的连接关系;
(7)重复(4)~(6),直到找完每一个模块;
(8)保存找到的所有信息。
将找到的信息进整理后就可以得到模块之间的拓补连接关系,包括模块的名称和与相邻模块之间连接的端口的数目,名称,位数和方向。端口的方向有三种:输入、输出和输入输出。端口的位数是指组成该端口的二进制数长度(bit)。
蚁群算法解决的是节点之间的最短路径问题,在此将各模块作为节点,建立节点之间路径的模型。
如图2所示,对于每一个模块,它都有输入端口和输出端口。对于输入输出端口,既看作输入端口也看做输出端口。
设连到外部信号的端口不产生影响,在建模前先把这些端口去除;则,上述步骤二、建立模型,包括如下步骤:
a、计算模块的端口总数:
其中,第i个模块连接m个端口,xj为第j个端口位数;
模块的总端口位数为:
T={t1,t2…tk} (2)
b、模块的自身出错概率设为:
E={e1,e2…ek} (3)
第i个模块向第j个模块的输入端口总位数aij(i,j=1,2…k,i≠j)为:
其中,第i个模块向第j个模块的输入端口总数为p;
ci为第i个模块的输出端口总位数:C={c1,c2…ck}:
则,第j个模块的总出错权值为:
模块的总出错权值为:
P={p1,p2…pk} (6)
c、第i个模块向第j个模块的输出端口总位数bij(i,j=1,2…k,i≠j)为:
其中,第i个模块向第j个模块的输入端口总数为q;
则,第i个模块到第j个模块的距离dij(i,j=1,2…k,i≠j)为:
则,距离矩阵为:
d、模块标号作为节点,dij作为节点之间的距离,节点距离如图3所示,模型建立完毕。
这样就保证了出错率越高的线路距离越短。
上述步骤三、利用蚁群算法进行最短路径的判定,包括如下步骤:
Ⅰ、设置蚁群算法的参数,包括如下参数:
启发因子,信息素的重要程度ALPHA=1;
期望因子,节点间距离的重要程度BETA=2;
信息素残留参数ROU=0.5;
蚂蚁数量N_ANT_COUNT=100;
迭代次数N_IT_COUNT=1000;
节点数量N_G_COUNT=节点向量J;
总的信息素DBQ=100;
两两节点间距离g_Distance=距离矩阵D;
Ⅱ、利用蚁群算法进行最短路径判定;
Ⅲ、输出最短路径。
如图4所示,为蚁群算法的流程图;通过该基于蚁群算法的FPGA程序脆弱支路求取方法,能够根据FPGA各模块之间信号的流拓扑关系,利用蚁群行为特性进行建模以后,求出具有最高出错率的之路,从而能为FPGA程序的可靠性评估提供依据。
实施例2
在实施例1的基础上,进一步的,对工程代码进行测试,其实施过程包含以下步骤:
(1)读入FPGA程序;将FPGA程序输入到执行程序中;
(2)确定模块个数;在本实施例中,经过程序检测,输入的FPGA程序包括的模块数为8;
(3)定位到模块开头;通过查找模式,找到8个模块的启示模块;
(4)利用port关键字确定每个模块的端口,并且记录端口名称和端口数量,测试结构如下表所示:
(5)利用component关键字确定元件,并且记录元件的名称,元件的端口名称和数量;
(6)利用port map关键字确定元件的连接关系;
(7)重复(4)~(6),直到找完每一个模块;
(8)保存找到的所有信息;
(9)根据保存的信息生成拓扑关系图。
图5是经过测试程序获取的拓补连接关系示意图。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (2)
1.一种基于蚁群算法的FPGA程序脆弱支路求取方法,其特征在于包括如下步骤:
步骤一、寻找FPGA程序的拓扑连接关系;
所述步骤一、寻找FPGA程序的拓扑连接关系,具体包括如下步骤:
(1)读取FPGA程序;
(2)根据程序中文件的名称确定程序中的模块,逐步查找程序中的模块并且记录模块个数为k;
(3)定位到模块开头;
(4)利用port关键字确定每个模块的端口,并且记录端口名称和端口数量;
(5)利用component关键字确定元件,并且记录元件的名称,元件的端口名称和数量;
(6)利用port map关键字确定元件的连接关系;
(7)重复(4)~(6),直到找完每一个模块;
(8)保存找到的所有信息;
步骤二、建立模型;
所述步骤二、建立模型,包括如下步骤:
a、计算模块的端口总位数:
其中,第i个模块连接m个端口,xj为第j个端口位数;
模块的总端口位数为:
T={t1,t2...tk} (2)
b、模块的自身出错概率设为:
E={e1,e2…ek} (3)
第i个模块向第j个模块的输入端口总位数aij(i,j=1,2...k,i≠j)为:
其中,第i个模块向第j个模块的输入端口总数为p;
ci为第i个模块的输出端口总位数:C={c1,c2...ck}:
则,第j个模块的总出错权值为:
模块的总出错权值为:
P={p1,p2...pk} (6)
c、第i个模块向第j个模块的输出端口总位数bij(i,j=1,2...k,i≠j)为:
其中,第i个模块向第j个模块的输出 端口总数为q;
则,第i个模块到第j个模块的距离dij(i,j=1,2...k,i≠j)为:
则,距离矩阵为:
d、模块标号作为节点,dij作为节点之间的距离,模型建立完毕;
步骤三、利用蚁群算法进行最短路径的判定;
步骤四、输出结果。
2.根据权利要求1所述的一种基于蚁群算法的FPGA程序脆弱支路求取方法,其特征在于,所述步骤三、利用蚁群算法进行最短路径的判定,包括如下步骤:
Ⅰ、设置蚁群算法的参数,包括如下参数:
启发因子,信息素的重要程度ALPHA=1;
期望因子,节点间距离的重要程度BETA=2;
信息素残留参数ROU=0.5;
蚂蚁数量N_ANT_COUNT=100;
迭代次数N_IT_COUNT=1000;
节点数量N_G_COUNT=节点向量J;
总的信息素DBQ=100;
两两节点间距离g_Distance=距离矩阵D;
Ⅱ、利用蚁群算法进行最短路径判定;
Ⅲ、输出最短路径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510184752.2A CN104765667B (zh) | 2015-04-17 | 2015-04-17 | 一种基于蚁群算法的fpga程序脆弱支路求取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510184752.2A CN104765667B (zh) | 2015-04-17 | 2015-04-17 | 一种基于蚁群算法的fpga程序脆弱支路求取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104765667A CN104765667A (zh) | 2015-07-08 |
CN104765667B true CN104765667B (zh) | 2018-09-28 |
Family
ID=53647512
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510184752.2A Active CN104765667B (zh) | 2015-04-17 | 2015-04-17 | 一种基于蚁群算法的fpga程序脆弱支路求取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104765667B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107276898B (zh) * | 2017-08-02 | 2021-06-29 | 桂林电子科技大学 | 一种基于fpga的最短路由实现方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101712381A (zh) * | 2009-11-13 | 2010-05-26 | 北京航空航天大学 | 一种基于多敏感器的定姿系统 |
CN102662389A (zh) * | 2012-03-21 | 2012-09-12 | 中国人民解放军国防科学技术大学 | 一种基于故障特性分析的监测参数选择方法 |
CN103067524A (zh) * | 2013-01-18 | 2013-04-24 | 浪潮电子信息产业股份有限公司 | 一种基于云计算环境的蚁群优化计算资源分配方法 |
CN103140853A (zh) * | 2010-09-30 | 2013-06-05 | 新思公司 | 在根据高级综合的蚁群优化电路设计中使用熵的方法和装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110060895A1 (en) * | 2009-09-09 | 2011-03-10 | Neal Solomon | System and methods for generating and organizing modular program code components |
US8296712B2 (en) * | 2010-09-30 | 2012-10-23 | Synopsys, Inc. | Method and apparatus for improving the interconnection and multiplexing cost of circuit design from high level synthesis using ant colony optimization |
-
2015
- 2015-04-17 CN CN201510184752.2A patent/CN104765667B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101712381A (zh) * | 2009-11-13 | 2010-05-26 | 北京航空航天大学 | 一种基于多敏感器的定姿系统 |
CN103140853A (zh) * | 2010-09-30 | 2013-06-05 | 新思公司 | 在根据高级综合的蚁群优化电路设计中使用熵的方法和装置 |
CN102662389A (zh) * | 2012-03-21 | 2012-09-12 | 中国人民解放军国防科学技术大学 | 一种基于故障特性分析的监测参数选择方法 |
CN103067524A (zh) * | 2013-01-18 | 2013-04-24 | 浪潮电子信息产业股份有限公司 | 一种基于云计算环境的蚁群优化计算资源分配方法 |
Non-Patent Citations (1)
Title |
---|
蚁群算法硬件实现的研究进展;段海滨 等;《控制与决策》;20070331;第22卷(第3期);241-246页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104765667A (zh) | 2015-07-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sun et al. | Identification of overlapping and non-overlapping community structure by fuzzy clustering in complex networks | |
Fan et al. | Querying big graphs within bounded resources | |
Wang et al. | A generalized Markov graph model: Application to social network analysis | |
Baldwin et al. | Formation of collaborative system of systems through belonging choice mechanisms | |
Pan et al. | Clustering of designers based on building information modeling event logs | |
CN112749749A (zh) | 基于分类决策树模型的分类方法、装置及电子设备 | |
Sanchita et al. | Evolutionary algorithm based techniques to handle big data | |
Liu | [Retracted] Logistics Distribution Route Optimization Model Based on Recursive Fuzzy Neural Network Algorithm | |
Ravi et al. | A comparative review of expert systems, recommender systems, and explainable AI | |
CN114238524B (zh) | 基于增强样本模型的卫星频轨数据信息抽取方法 | |
Maisonneuve et al. | Crowdsourcing satellite imagery analysis: study of parallel and iterative models | |
CN104765667B (zh) | 一种基于蚁群算法的fpga程序脆弱支路求取方法 | |
CN110472063A (zh) | 社交媒体数据处理方法、模型训练方法及相关装置 | |
CN116307078A (zh) | 账户标签预测方法、装置、存储介质及电子设备 | |
Blas et al. | DEVS-based formalism for the modeling of routing processes | |
CN109885797A (zh) | 一种基于多身份空间映射的关系网络构建方法 | |
CN112149623B (zh) | 一种自适应多传感器信息融合系统、方法及存储介质 | |
CN114943961A (zh) | 一种面向三维模型的零样本分类方法 | |
CN108280176A (zh) | 基于MapReduce的数据挖掘优化方法 | |
CN115454473A (zh) | 基于深度学习漏洞决策的数据处理方法及信息安全系统 | |
CN108256083A (zh) | 基于深度学习的内容推荐方法 | |
Yahya et al. | A STRUCTURAL AND SEMANTIC APPROACH TO SIMILARITY MEASUREMENT OF LOGISTICS PROCESSES. | |
Todo et al. | Lazy Gale-Shapley for Many-to-One Matching with Partial Information | |
Maharaj | Generalizing in the Real World with Representation Learning | |
Hu et al. | A similarity computing method based Levenshtein distance and logic Petri net for renting cloud service processes |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |