基于骨干结点集的移动IP组播路由算法研究

为了优化移动IP组播生成树代价,减少移动结点切换加入时延和信息传输时延,引入了移动IP"骨干结点集"思想,设计了移动IP组播路由算法BNSBMR(bone node set-based multicast routing algorithm)."骨干结点集"是移动IP环境下满足一定条件的IP子网接入路由器AR(access router)的集合.该算法通过"骨干结点集"降低移动IP组播生成树的代价;减少移动结点切换的加入时延;并通过路径优化降低信息传输时延.从理论上证明了算法的正确性,并分析了其计算复杂度.仿真实验表明:BNSBMR算法从树代价、加入时延、传输时延3个方面提高了移动IP环境下组播业务满足QoS约束的能力.

关于组合星图反馈结点集的下界(英文)

最近诸多文章旨在讨论关于反馈结点集的上下界问题,比如:蝴蝶网、超立方体、网格、星图等等.本文主要讨论了关于组合星图反馈结点集的下界问题,在基于组合星图的性质和已有相关结果的基础上,给出了组合星图反馈结点集的新的下界.

嵌入式控制结点群上的一种通信方案设计

为解决现行RS485组网方式限制了通信节点数及网络扩展的问题,基于RS485总线提出了一种嵌入式控制结点群的组网方式及控制协议。通过在主控器与叶子节点间加入中继器,将485总线支持的节点数扩展到2.7万个,建立一对多控制的嵌入式结点集群。针对该网络特点,对Modbus协议进行扩展,增加了中继层规约。与传统单纯增加物理地址长度的方式不同,新扩展协议采用局部寻址方式,打破了Modbus地址长度对子节点数的限制,并引入节点扫描和差错反馈机制,从而实现了主控器对各网络节点的可靠控制;同时,控制协议保持了原Modbus协议的简单性,还具有易移植、可扩展的特点,便于在单片机上实现。在采用扩展协议时,一层中继器的引入导致周转延迟增加10.36%,而两层中继器则将延迟率增加了69.9%,并使总延迟较原始Modbus系统增加2.4倍左右,但实际中采用的两层中继系统将平均延迟控制在了70 ms以下。结果表明,该方案在牺牲一定系统实时性能的前提下,实现了嵌入式节点的集群化管理。

基于异构型结点的任务均衡调度研究

该文以实现时间最短为目标，全面考虑影响任务集实现开销的各种因素，建立了异构型结点集中带偏序关系的任务集的均衡调度模型及其随机搜索算法。调度模型将任务集实现过程分成：执行、传递和等待，强调执行和传递的并行性，降低因等待而发生的费用。算法在统计意义下为多项式时间复杂度。这一模型在工作时限要求较高的领域应用前景广泛。

复杂网络结构比对算法研究进展

复杂网络的结构比对问题在生物科学、计算机科学和社会科学等多个领域都具有很重要的现实意义。近年来涌现出了很多针对不同类型复杂网络的结构对比算法,对现有的网络结构比对算法进行梳理,重点分析了基于图的网络结构比对方法和基于数学框架网络结构比对方法。对这2种方法的特点进行了总结与比较,重点阐述了网络结构比对研究中的关键问题,分析和总结了现有的网络结构比对算法,阐述了网络结构比对中优势和不足。以此为基础提出了复杂网络结构比对问题未来的研究方向。

一个有效的分布式移动IP组播路由算法

为了优化移动IP环境下组播树的代价,减少移动结点的切换时延,设计了分布式移动IP组播路由算法BNSBMR(Bone NodeSet-Based Multicast Routing Algorithm)。该算法使用"骨干结点集"的思想,能大大降低组播树代价,并优化切换时延;同时使用分布式的策略来进行设计,使得算法具有良好的可扩展性,有利于在大规模移动Internet上的实现。仿真实验表明:根据该算法生成的组播树代价、时延等性能明显优于其他同类移动IP组播路由算法。

一类双环网络的最优路由算法

设2>hn.双环网络),(hnD是如下定义的有向图:其结点集是}1,,1,0{-=nZnL,边集是}10:)(mod),(mod1{-++=ninhiiniiE.设rhrqhwhrrqhn/)/()1(,11,+-=-+=又设这里.本文提出了),(hnD中源结点到目的结点的最短路径算法,该算法至多只要两次算术运算和一次比较,并且除了q,h,r和w外,各结点不必预先存储网络中别的信息.

基于三方元代数理论的时序机分解中完全覆盖的求解算法

文章基于三方元代数理论，提出一个时序机最优全分解过程中用到的求解完全覆盖问题的算法，该算法使用筛漏技术，使算法复杂性为Ｈ（ｎ２）

密度峰值隶属度优化的半监督Self-Training算法

现实中由于获取标签的成本很高,大部分的数据只含有少量标签。相比监督学习和无监督学习,半监督学习能充分利用数据集中的大量无标签数据和少量有标签数据,以较少的标签成本获得较高的学习性能。自训练算法是一种经典的半监督学习算法,在其迭代优化分类器的过程中,不断从无标签样本中选取高置信度样本并由基分类器赋予标签,再将这些样本和伪标签添加进训练集。选取高置信度样本是Self-Training算法的关键,受密度峰值聚类算法(DPC)启发,将密度峰值用于高置信度样本的选取,提出了密度峰值隶属度优化的半监督Self-Training算法(STDPM)。首先,STDPM利用密度峰值发现样本的潜在空间结构信息并构造原型树。其次,搜索有标签样本在原型树上的无标签近亲结点,将无标签近亲结点的隶属于不同类簇的峰值定义为簇峰值,归一化后作为密度峰值隶属度。最后,将隶属度大于设定阈值的样本作为高置信度样本,由基分类器赋予标签后添加进训练集。STDPM充分利用密度峰值所隐含的密度和距离信息,提升了高置信度样本的选取质量,进而提升了分类性能。在8个基准数据集上进行对比实验,结果验证了STDPM算法的有效性。

Laplacian第一特征值整体曲率Pinching的一个结果

紧致流形上Laplacian的第一特征值的下界估计一直以来是人们非常感兴趣的问题之一.本文在整体曲率Pinching较小的条件之下考虑这个问题,得到了相应几何条件之下的Laplacian第一特征值的一个下界估计.

SOLVXBILITY OF FORWARD－BACKWARD SDES AND THE NODAL SET OF HAMILTON－JACOBI－BELLMAN EQUATIONS

ＳＯＬＶＸＢＩＬＩＴＹＯＦＦＯＲＷＡＲＤ－ＢＡＣＫＷＡＲＤＳＤＥＳＡＮＤＴＨＥＮＯＤＡＬＳＥＴＯＦＨＡＭＩＬＴＯＮ－ＪＡＣＯＢＩ－ＢＥＬＬＭＡＮＥＱＵＡＴＩＯＮＳ￥ＭＡＪＩＮ；ＹＯＮＧＪＩＯＮＧＭＩＮＡｂｓｔｒａｃｔ：Ｔｈｅｓｏｌｖａｂｉｌｉｔｙｏｆ...