基于并行化蚁群算法的网络测量节点选取算法

提出了一种基于并行化蚁群算法,用于网络测量中测量节点自动选取的算法(MNS)。首先对传统蚁群算法进行改进,使其适用于网络测量中测量节点的选取场景。然后分析蚁群算法的并行化方案,设计并实现并行化框架。最后通过多元函数求解极值分析和在模拟网络中运行选点任务两种方法,对并行化选点算法(P-MNS)和非并行化选点算法进行对比。通过实验验证,并行化的蚁群算法不仅能满足网络测量节点选取的要求,同时相比非并行化算法具有更快的收敛速度,更适用于大规模网络测量。

一种高效的大数据实时性解决方案

大数据计算是物联网和云计算的研究热点之一。针对大数据中的结构化和非结构化数据,Hadoop技术在实时性要求不高的场景中应用效果较好,但在实时性要求高的场景中不能满足需求。针对这一问题,论文利用对象化并行计算提出了一种高效的实时性解决方案。对象化并行计算融合了对象化、Hadoop、内存计算等技术。在方案中,业务数据格式化成对象并分布式存储到集群计算机内存中,任务拆分成子任务通过并行计算来完成。对象化并行计算系统应用在国家电网公司电网资产质量监督管理系统中,应用效果表明该方案可大幅度提升系统性能,满足实时性需求。

基于分布式对象缓存的电力信息系统任务调度方法

根据电网数据特征,提出基于树形结构分布式对象缓存的任务调度算法。算法将业务数据封装成数据对象,将工作任务抽象成任务对象,按照树形结构将数据对象和任务对象分布到集群计算机各节点,实现对象分布式的并行计算。设计了对象化并行计算框架并选取电网可靠性计算典型业务场景,对算法进行了验证和应用。算法对大幅提升数据型电网统计分析的计算效率具有重要作用。

浅析聚类算法研究在精准营销的应用

信息技术和网络技术发展至今,依靠大数据和云计算技术综合利用各种数据,从浩瀚的数据中挖据分析出对企业生产经营决策具有重要的辅助指导意义。随着数据的日益重要和人们对营销决策方案的日益重视,各种客户聚类分析算法大量涌现,有足够的数据支持使得精准营销变得可能。开发切实可行的面向精准营销的客户聚类系统,对提高企业赢得客户和市场核心竞争力具有重要的意义。论文以银行贷款业务为背景,在对K-means聚类算法研究和分析其不足的基础上,提出了银行客户层次聚类分析算法,在Map-Reduce并行编程模型框架下,实现了面向大数据分析的算法并行化。针对银行贷款业务精准营销的需求,研究面向银行贷款精准营销的大数据客户聚类分析系统,最大化利用客户数据,挖掘有效的客户存贷款方面的信息,指导银行贷款业务的精准营销和合理开展。