支持向量机(SVM)可以解决传统态势评估算法无法兼顾的“维数灾难”“过学习”及“非线性”等难题,却无法应对大规模样本的问题。为了有效应对态势评估中的大数据处理挑战,提出了一种基于MapReduce的SVM(MR-SVM)态势评估算法。该算法利用MapReduce并行计算模型,同时结合SVM可并行化的特点,通过设计主要的map函数和reduce函数,实现了SVM算法的并行化和主要参数的选取。在搭建的Hadoop平台上对改进算法与原算法进行了比较验证:对于小规模样本,改进算法反而"化简为繁",不比原算法效率高;但在大规模样本的处理上,原算法的训练时间随样本规模呈指数型增长,而改进算法的训练时间随样本规模并没有特别明显的增幅,体现出了较好的时间优势。实验结果表明,基于MapReduce改进的SVM很好地弥补了原算法"样本规模"的短板,更适用于大数据环境下的网络态势评估。

将未确知集理论和贝叶斯网络应用于军事信息系统软件可靠性建模研究,采用其描述软构件失效特征,计算可靠性参数,并在此基础上构建了一个基于未确知集—贝叶斯网络的军事信息系统软件可靠性模型。该模型实现了对构件软件体系全过程的可靠性跟踪和监控。仿真试验验证了该模型的实用性和有效性。

提出了一种基于均匀设计的基因表达式编程算法(UGEP)，该算法对经典的GEP算法做了以下改进：利用混合水平均匀表的构造对初始种群的产生进行改进，保证了解分布的均匀性；引入自适应多亲杂交算子，用均匀优化代替随机进化。从理论上分析并证明了UGEP更具有全局收敛性，且收敛速度也优于经典的GEP。试验结果也证明，在求解函数拟合和时间序列预测等实际问题时，对比同类算法，UGEP算法体现出了较大的优越性。

 在MA系统中,为了使参与的MA更好地进行协作,以及使移动的MA可以准确快速地被找到,一个动态MA定位协议是必不可少的。它不仅要满足传统分布式系统的透明、可规划和有效等特性,还要满足MA系统中保持MA环境的连续一致要求。本文提出的DRSP是一个具有以上特征的MA定位协议,不仅给出了具体的协议内容,而且通过一个具体的搜索程序证明了DRSP的连续性和一致性。 更多还原