基于联合权重超图划分的SNN负载均衡方法

大规模脉冲神经网络并行模拟是探究大脑机能的重要手段。其难点在于合理地将负载映射到并行分布式平台上,提升模拟速度。为解决该问题,提出一种基于联合权重超图划分的SNN负载均衡方法,解决并行计算中进程间计算负载与通信负载的均衡问题,提高SNN模拟速度,并使用稀疏通信的方式替代集体通信,解决事件通信过程中的数据冗余问题,提升通信效率。实验结果表明,该方法使带有STDP突触20%规模的皮质层微电路模型的模拟时间,比标准循环分配算法缩短约64.5%,比普通超图分配算法缩短约57.4%,同时事件通信数据量减少了90%以上。

异构三维片上网络布局优化的超图划分算法

片上网络作为一种将大量嵌入式内核集成到单个晶圆片上的可行性技术,与传统片上系统相比,更能应对未来需要更大规模集成内核的挑战,从而得到了更广泛的应用。然而,目前大多数对片上网络的研究是在规则的架构上进行的,即假定所有单元片面积相同,但是这种假设过于理想化。因此,基于异构布局的三维片上网络的研究是非常有必要的,而其中网络单元的合理划分对片上网络的性能有着重要的影响。介绍了基于异构布局的三维片上网络架构,并将超大规模集成网络中的单元映射成一张超图,并且对此超图进行了多级划分。在算法框架的不同阶段,介绍了常见的算法,并且对相应算法的潜在问题进行分析,随后对这几种算法进行改进以提高片上网络的性能。最后,通过对几个常见的超大规模集成单元数据集进行实验分析,比较了不同阶段的算法对该片上网络各个性能的影响,并得出各个数据集上最优的hMetis算法框架。

盘阵中基于平衡超图划分的自适应请求并发与负载平衡策略

作为一种并行系统,盘阵性能极大地依赖于设备间负载平衡;为了减少执行时间,单个I/O请求需要通过多个设备并发完成,负载平衡并不意味着请求并发,而请求并发也不能保证盘阵负载平衡.因此,必须将二者结合起来,才能使盘阵性能得到更好的优化.为此本文提出基于平衡超图划分的自适应数据分布策略,并提出了两个目标函数同时进行请求并发与负载平衡的控制,根据I/O访问模式优化盘阵性能.根据两种I/Obenchmark合成负载进行模拟试验表明,该策略比传统的单方面自适应负载平衡策略或基于超图的请求并发策略效果都有一定优化.

基于超图划分的车联网V2I/V2V资源共享机制研究

针对车联网V2I/V2V用户异构性需求以及V2V用户复用V2I链路引起的复杂干扰,本文基于超图划分的思想,提出了预先V2V用户分簇、允许接入多V2I链路的资源共享机制。首先,在被动簇集模型基础上依赖车辆节点干扰强度将车辆划分为不同的簇,从而减少了同簇车辆节点的相互干扰;然后,通过最大化V2I总吞吐量来设计车辆节点的最佳功率;最后,利用3维匹配算法完成基站、资源块和车辆节点三者之间的匹配。仿真结果表明,所提机制满足V2V链路可靠性,同时使得V2I链路总吞吐量最大,分析结论为智能交通中车联网通信应用提供了理论参考。

基于超图模型的软件模块自动划分

应用超图理论模型设计软件模块的自动划分算法。通过分析软件源码建立超图模型,将类抽象为超图的顶点,使多个类之间存在关联,将软件模块划分转换为超图划分问题,再利用超图模型实现对超图的划分,从而达到软件模块划分的目的。基于高内聚低耦合原则给出模块度的概念,得到优化的分割结果。以开源软件为实验数据,并与传统的划分算法hMetis进行对比,结果表明该算法的划分结果较优,验证了其合理性与有效性。

一种改进的基于大数据集的混合聚类算法

针对k-means算法过度依赖初始聚类中心、收敛速度慢等局限性及其在处理海量数据时存在的内存不足问题,提出一种新的针对大数据集的混合聚类算法super-k-means,将改进的基于超网络的高维数据聚类算法与k-means相结合,并经过MapReduce并行化后部署在Hadoop集群上运行。实验表明,该算法不仅在收敛性以及聚类精度两方面得到优化,其加速比和扩展性也有了大幅度的改善。

一种改进的基于超网络的高维数据聚类算法

高维数据聚类问题是当前聚类分析研究的重点。笔者提出了一种改进的基于超网络的高维数据聚类算法。首先，将高维数据映射到一个大规模带权超网络中；其次，定义超网络中边的权重；再次，采用优化的超图划分方法划分带权超网络；最后实现高维数据聚类。这样有效过滤掉聚类中的噪声数据，避免了传统聚类方法在降维过程中产生的弊端。实验证明，该算法具有较理想的有效性和精确度。

基于Web挖掘的电子商务推荐系统中推荐方法研究

以改进Apriori算法、K_means聚类算法和ARHP算法3种不同的Web挖掘技术为基础构造推荐算法,形成推荐集.仿真实验结果表明基于ARHP的推荐算法的覆盖率和准确度明显高于其他两种方法,可用于基于Web挖掘的电子商务推荐系统中.