一种基于浮点误差分析的混合精度鲁棒性提升方法

浮点运算是高性能计算的典型数值求解模式。混合精度优化通过降低程序中浮点变量的精度来提高性能和降低能耗。然而,现有混合精度自动优化技术受限于鲁棒性低的问题,即优化后程序不满足给定输入的结果精度约束。为此,提出了一种基于浮点误差分析的混合精度鲁棒性提升方法。首先,基于浮点误差分析获取能够触发程序不精确计算的输入;然后,基于误差触发输入评估精度配置,引导搜索获取鲁棒性高的混合精度配置。实验结果表明,针对典型浮点应用,该方法能够将混合精度优化的鲁棒性平均提升62%。

基于证据理论的多层超网络影响力节点识别方法

针对多层超网络研究多集中于拓扑结构,且影响力节点识别方法中涉及指标较为单一,无法全面准确识别影响力节点的情况,提出一种基于证据理论的多层超网络影响力节点识别方法。首先,在多层超网络拓扑结构基础上,根据聚合网络思想构建多层聚合超网络;其次,基于证据理论定义问题的辨识框架;最后,利用D-S(Dempster-Shafer)证据组合方法,融合网络的局部、位置和全局指标以识别网络影响力节点。将该方法应用于arXiv数据集构建的物理−计算机科学双层科研合作超网络(MAH),在基于RP(Reactive Process)和CP(Contact Process)策略的易感−感染−易感(SIS)超网络传播模型中,与超度中心性、K-shell、接近中心性方法等相比,传播速度最快,且最先达到稳态;隔离影响力排名前6%节点后,网络平均超度、聚类系数以及网络效率均减小;随着隔离影响力节点比例的增大,网络子图数量增速与接近中心性方法相近;通过单调性指标值度量识别结果粗粒度,达到0.9998,识别结果具有较高区分度。综合多个实验结果,表明该多层超网络影响力节点识别方法准确有效。

双圈图的邻点可约全标号

图G(V,E)的邻点可约全标号(adjacent vertex reducible total labeling,AVRTL)是一个从V(G)∪E(G)到连续整数集{1,2,…,|V(G)|+|E(G)|}的双射,且图中所有相邻同度顶点的标号之和均相同,为S(u)=f(u)+∑uw∈E(G)f(uw).该文结合现实问题,借鉴传统遗传算法、蜂群算法等智能算法思路,设计了一种新型的AVRTL算法,通过预处理函数、调整函数等,利用循环迭代寻优的方式得到有限点内所有双圈图的邻点可约全标号结果.对实验结果进行分析,发现几类图的标号规律,总结得到若干定理并给出证明,最后给出猜想:所有的双圈图均为AVRTL图.

基于HDF5的多层次结构并行IO算法

针对大规模数据输入输出的应用场景,提出了一种基于层次存储格式HDF5(Hierarchical Data Format 5)的多层次并行IO(Input/Output)方案。该并行IO方案分为节点间和节点内两层:节点间以节点为单位IO数据并允许节点内部协同或独立工作,根据节点内部的工作方式分别提出了多层次并行IO算法和多层次哨兵并行IO算法,以有效提升IO效率并避免输出文件冗余。考虑异构计算和纯CPU计算两个典型应用场景,分别在曙光平台和Intel平台进行最大核数为4096、最大数据量为256G的多组实验。结果表明,多层次并行IO算法IO效率提高了1.97~25.87倍,多层次哨兵并行IO算法IO效率提高了6.53~9.36倍,且输出文件数量减少到多区并行IO算法的1/4和1/32。

基于改进PageRank算法的超网络关键节点识别

针对超网络中关键节点识别算法识别分辨率不足的问题,将在复杂网络领域中利用邻接节点信息获得更好效果的PageRank算法改进并运用到超网络中进行关键节点识别,并实现了超图从关联矩阵到邻接矩阵的转换算法,降低了计算复杂度。文中在真实网络中与超图的超度、节点度、邻接信息熵等指标进行对比,实验结果证明了文中算法能识别出关键节点并且具有较高的分辨率。

复杂系统理论在社会治理中的应用综述

经济持续发展和社会不断进步对社会治理现代化提出了新的要求。社会是一个典型的复杂系统,社会治理研究迫切需要从复杂系统的角度,依靠多学科的交叉融合,从整体上加以解决。该文选取复杂系统相关研究方法,对社会治理中疫情防控、谣言管控、智慧交通和智慧消防4个典型场景进行了重点分析,总结了复杂系统理论在社会治理领域应用中存在的问题,对下一步主要发展的方向进行了展望。

基于云边协同的电力物联终端数据轻量化处理方法

电力物联网在大规模化高频数据传输应用中,由于现场存在海量实时数据传输,因而会造成对现场数据无法进行有效压缩,进而导致云边信息传输效率低以及传输流量费用高等问题。该文提出一种基于云边协同的电力物联数据轻量化处理方法(LPCE)。该方法基于一种物模型结构,通过提取云边交互数据形成压缩字典,并将压缩字典同步至边缘设备来完成海量数据压缩。针对传统常见的压缩方法,该文在数据有效率、压缩率、压缩时间以及压缩速度和解压缩速度等方面分别做了对比分析实验。实验结果表明,在面对高频、实时传输的电力物联网系统中以JSON(JavaScript Object Notation)格式报文数据为代表的交互数据的压缩,提出的LPCE方法具有明显效果和优势。该方法实现了电力物联网云边数据无损压缩,可减少电力物联网云边之间的冗余数据传输,提升了云边数据传输效率,降低了云边之间数据传输成本。

基于Hash的Gibbs采样关联规则挖掘快速算法

Gibbs采样算法作为一种特征选择方法在关联规则挖掘方面具有较好的效果。为了进一步加快基于Gibbs采样的关联规则挖掘算法,提出了一种基于Hash结构的Gibbs采样关联规则挖掘算法。该算法改进了二分类数据的存储方式,建立十进制数组,将非重复数据及其支持度插入Hash表中。真实数据集实验结果显示,在时间成本上,提出算法与原算法相比有较好的优势,增加的空间成本在接受范围内。

若干联图的邻点和可约边染色

该文在已有的图染色概念基础之上,结合实际问题提出了邻点和可约边染色的新概念,设计了一种新型的邻点和可约边染色(adjacent vertex sum reducible edge coloring, AVSREC)算法,该算法采用迭代寻优方式针对有限点内的所有非同构图集进行求解,通过实验结果分析,总结得到了若干联图的定理并给出证明.

加权模型的复杂网络的多目标鲁棒性优化

现有的方法在复杂网络单目标鲁棒性优化中已取得显著成效.但在现实生活中,复杂网络结构往往会同时受到多种方式的破坏,因此设计能同时抵抗多种破坏下连通鲁棒性更佳的网络结构具有重要意义.多目标复杂网络鲁棒性计算成本非常大,在搜索过程中引入代理模型来评估复杂网络的连通鲁棒性,并对几个代理模型加权评估后的值作为评估值来引导进化算法搜索连通鲁棒性更佳的网络结构进行研究.通过3种代理模型加权组合(TSWA)方法对复杂网络连通鲁棒性进行评估,并与3种单一代理模型和3种代理模型求平均的评估方法进行比较.在4种合成复杂网络(SF、ER、SW、RT)上的连通鲁棒性进行实验分析,结果验证了加权代理模型评估方法能辅助进化算法得到连通鲁棒性更佳的网络结构.

基于熵的多属性决策超网络重要节点识别方法

为克服单一属性评价节点重要性不全面以及各指标权重选取过于主观的不足,基于超网络的K-shell方法,综合考虑节点自身属性的同时,引入邻居节点对自身节点的影响力,结合介数中心性,使用熵权法确定各指标的贡献权重,从局部和全局两个角度提出了识别超网络中重要节点的方法。通过网络自然连通度和最大连通子图的相对大小比较不同识别方法的优劣,并利用西宁市公交超网络实证数据进一步验证了所提方法的有效性。

利用节点传播熵识别超网络重要节点

超网络中识别重要节点是一项基础且具有挑战性的重要课题,相关研究对进一步分析网络拓扑结构和功能特性具有广泛的应用价值。为了突破已有的重要节点识别方法评估的局限性,利用超图及信息熵理论,提出一种基于节点传播熵的超网络重要节点识别方法。该方法兼顾节点的局部和全局拓扑信息,利用节点聚集系数和邻居数目表征节点信息的局部传播影响,通过节点间最短路径和K壳中心性反映节点信息的全局传播影响,充分考虑节点自身及其邻域节点的影响,最终利用节点传播熵来表征节点在网络中的重要性。并通过单调性、鲁棒性以及SIR传播模型评价标准,在六个来自不同领域的真实网络上与其他方法进行比较,实验结果表明,该方法能够准确有效地识别网络中的重要节点。

基于稳定性分析的非凸损失函数在线点对学习的遗憾界

点对学习(pairwise learning)是指损失函数依赖于2个实例的学习任务.遗憾界对点对学习的泛化分析尤为重要.现有的在线点对学习分析只提供了凸损失函数下的遗憾界.为了弥补非凸损失函数下在线点对学习理论研究的空白,提出了基于稳定性分析的非凸损失函数在线点对学习的遗憾界.首先提出了一个广义的在线点对学习框架,并给出了具有非凸损失函数的在线点对学习的稳定性分析;然后,根据稳定性和遗憾界之间的关系,对非凸损失函数下的遗憾界进行研究;最后证明了当学习者能够获得离线神谕(oracle)时,具有非凸损失函数的广义在线点对学习框架实现了最佳的遗憾界O(T-^(1/2)).

随机图的点魔幻全染色算法

对于图G(V,E),若存在正整数k(1≤k≤|G|+|E|)和映射f:V(G)∪Ε(G)→{1,2,…,k},使得对任意两点u,v∈V(G),有S(u)=S(v),其中S(u)=f(u)+∑_(uw∈E(G))f(uw),则称f为G的点魔幻全染色,且称χVMTC(G)=max{k|k-VMTC of G}为点魔幻全色数.在已有的点魔幻标号和点可区别染色研究基础之上,结合实际问题提出了点魔幻全染色(VMTC),设计了一种新型的点魔幻全染色算法,该算法使用迭代寻优的方式对随机图进行了研究,通过实验结果分析,总结得到了若干定理并给出证明.

GA-PSO混合规划算法

目的 提出一个比GP算法更优的GA-PSO混合的规划算法。方法 通过将层次型问题的描述转换为固定长度线形结构的描述方式,使GP算法与GA规划算法达到统一;通过构造运算符,将PSO算法引入到GA规划算法框架之中,形成GA-PSO混合规划算法。结果 从解的描述、遗传算子、PSO运算符的构造再到GA-PSO算法框架,提出了完整的GA-PSO混合规划算法。结论 实证研究显示,GA-PSO混合规划算法优于GP算法以及GA算法。

0-1规划问题的DNA计算

DNA计算是解决一类难以计算问题的一种新方法,这种计算随着问题的增大可以呈指数增长。迄今为止,许多研究成果已经成功地提高了它的性能和增加了它的可行性,该文提出了在基于表面的DNA计算中采用了荧光标记策略,解决简单的0-1规划问题的一种理论方案,尝试了DNA计算在规划问题中的应用。这种方法具有编码简单、耗材底、操作时间短、技术先进等优点。

基于PSO-GA混合算法时间优化的旅行商问题研究

为了给游客提供更好的路径推送服务,针对经典的TSP进行了延伸研究,提出了一种时间优化的旅行商问题(time optimal TSP,TOTSP),旨在寻找一条旅行时间最短的游览路径推送给游客来节省游客的旅行时间。通过混合粒子群遗传算法(PSO-GA)对提出的问题进行仿真实验,并将旅行时间作为PSO-GA的目标函数,其中的旅行时间包括游客在景点之间行走的时间、游客在每个景点排队等待的时间以及游客在每个景点游玩需要的时间三个部分。仿真实验对比了PSO-GA求出的最短旅行时间和所需的CPU执行时间与遗传算法(GA)、蚁群算法(ACO)求出的结果。仿真实验表明,PSO-GA在解决TOTSP上有较好的性能。

粗糙集理论中分辨函数的析取范式生成算法

基于粗糙集理论,研究分辨函数(DF)的析取范式的自动生成算法,提出由分辨矩阵到合取项矩阵(CM)的计算方法。建立了从属性约简的合取项矩阵(CM)到析取项矩阵(DM)转换的数学模型,并给出了算法的实现流程。基于数学模型,提出直接搜索的转换方法,节省了运算空间,降低了算法的时间复杂性,提高了规则生成的效率。最后通过UCI数据库的实例验证了算法的有效性。

基于凸多面体剖分的并行碰撞检测算法

针对传统的碰撞检测算法对于复杂多面体之间的碰撞检测时间过长的缺陷,提出并证明了一种凸多面体的剖分算法,该算法能将复杂的凸多面体剖分为简单四面体,利用基于MPI(Mes-sagePassingInterface)并行处理的方法来提高碰撞检测的实时性.给出了基于凸多面体剖分的并行碰撞检测算法与常规算法的比较结果,证明了所提出算法的优越性.

故障诊断中传感器配置优化的复杂性分析

为分析故障诊断中传感器(或测试点)配置优化问题的复杂性,在系统有向图模型中引入传感器配置掩码,定义了系统掩码有向图模型和多故障源集合的传感器配置掩码,利用传感器集合运算表达式形式化描述了系统故障可检测性和多故障可分辨性两个诊断性能指标,在此基础上提出了故障诊断传感器最优配置存在问题为NP困难问题的复杂性定理。通过归约到可满足问题(SAT)对提出的定理进行了严格证明,并设计一种自底向上的搜索算法寻找满足多故障可诊断性的传感器近似优化配置。