一种ρ-支配轮廓查询的高效处理算法

近年来,作为重要的多目标决策手段的轮廓查询逐渐得到学术界的重视,相继提出了基于不同支配关系的多种轮廓变体查询.首先,通过对实际应用需求进行分析,提出了基于元组对应数值间比例值大小的ρ-支配关系的定义,进而提出了ρ-支配轮廓查询的概念.其次,对ρ-支配轮廓的基本性质进行了细致而深入的分析,在此基础上,提出了基于分支定界的ρ-支配轮廓查询算法(Branch and Boundρ-Dominant Skyline Algorithm,BBDS),避免了对R-树索引的多次访问,从而提高了ρ-支配轮廓查询的执行效率.最后,通过大量的仿真实验对ρ-支配轮廓查询的语义进行分析,并对BBDS算法的性能进行验证.实验结果表明,ρ-支配轮廓查询是轮廓查询语义的扩展和补充,而提出的BBDS算法则是求解ρ-支配轮廓查询的高效算法.

数据流中ρ-支配轮廓查询算法

数据流上的轮廓查询算法不能直接处理ρ-支配轮廓查询,而传统的ρ-支配轮廓查询无法在数据更新频繁时满足查询处理的实时性需求。因此,提出了数据流上的ρ-支配轮廓查询算法。首先,系统地介绍了完全支配、ρ-支配和ρ-支配轮廓的定义,进而提出了数据流上ρ-支配轮廓的定义。然后,通过深入分析数据流上的ρ-支配轮廓的性质,得出基于时序支配的数据过滤方法,并提出了基于滑动窗口的ρ-支配轮廓查询算法(ρ-dominant skyline query over sliding window,DSSW),提高了数据流上的ρ-支配轮廓计算的效率。最后,通过大量的实验证明,DSSW算法相比较于传统的ρ-支配轮廓查询算法,在响应时间及存储空间上均有明显优势。

基于ρ-支配轮廓及n-of-Nρ-支配轮廓的数据流中关键数据计算方法

目前数据采集手段不断丰富和发展,但是数据采集区域往往网络状况受限,比如网络时断时续、网络带宽较小,采集的数据难以实时准确的传输到数据应用方,因此如何计算出采集数据中关键数据减少数据传输过程中网络占用量至关重要。以装甲车辆的状态数据传输为背景,重新对数据流中ρ-支配关系的性质进行分析,并对数据流中ρ-支配轮廓查询算法进行更改和扩展;在此基础上,提出了数据流中n-of-Nρ-支配轮廓查询算法,进一步满足网络受限环境中关键数据选择传输的要求。仿真实验结果表明,改进的数据流中ρ-支配轮廓查询算法以及数据流中n-of-Nρ-支配轮廓查询算法能够计算出相对关键的数据,进而减小数据传输的网络代价,并且数据流中n-of-Nρ-支配轮廓查询相比于数据流中ρ-支配轮廓查询具有更广泛的应用。