Spark平台上利用网络加权Voronoi图的分散迭代社区聚类并行化研究

针对当下数据大规模增长对计算能力需求的急剧增长,传统独立运行的机器在大规模网络社区中执行社区检测操作时无法提供所需的数据处理能力的问题,提出一种网络加权Voronoi图的并行分散迭代社区聚类法(NWVD-PDICCM)。利用基于网络加权Voronoi图的分散迭代社区聚类方法(NWVD-DICCM)提取大型网络的有效社区结构。结合并行聚类方法,将DICCM方法的操作从串行过程转换为并行计算。利用执行并行社区聚类时的图分区,通过最小化从属工作者之间的通信来加速该过程。仿真实验结果表明,NWVD-PDICCM可以与一系列计算机架构平台共同运行,并且实现基于Spark平台的并行操作,相比其他几种较新的方法,在大规模网络数据处理能力方面得到显著提升。

大型互联非线性系统的分散迭代学习控制

研究一类大型互联非线性系统的分散迭代学习控制问题,该类大型互联非线性系统具有最一般的形式.基于P型学习律和D型学习律构建得到分散迭代学习控制律,在这种分散式控制方案中,每个子系统的控制器仅依赖于该子统的输出变量,不需要与其它子系统交换信息.利用压缩映射原理,证明这两种学习律都能使得每个子系统的输出跟踪误差沿迭代轴方向收敛.

大型互联非线性分布参数系统的分散迭代学习控制

研究大型互联非线性分布参数系统的分散迭代学习控制问题,该类大型互联分布参数系统由抛物型偏微分方程组或由双曲型偏微分方程组构成.针对系统所满足的性质,基于P型学习律构建得到迭代学习控制律,在这种分散式控制方案中,每个子系统的控制器仅依赖于该子系统的输出变量,不需要与其它子系统交换信息.利用压缩映射原理,证明这种学习律能使得系统的输出跟踪误差于L^2空间内沿迭代轴方向收敛.仿真算例说明了所得结论的可行性和有效性.

Homoclinic （Heteroclinic） Orbit of Complex Dynamical System and Spiral Structure

Starting from iterated systems, it is shown that the homoclinic (heteroclinic) orbit is a kind of spiral structure. The emphasis is laid to show that there are homoclinic or heteroclinic orbits in complex discrete and continuous systems, and these homoclinic or heteroclinic orbits are some kind of spiral structure.