云平台下基于粗糙集的并行增量知识更新算法

日益复杂和动态变化的海量数据处理,是当前人们普遍关注的问题,其核心内容之一是研究如何利用已有的信息实现快速的知识更新.粒计算是近年来新兴的一个研究领域,是信息处理的一种新的概念和计算范式,主要用于描述和处理不确定的、模糊的、不完整的和海量的信息,以及提供一种基于粒与粒间关系的问题求解方法.作为粒计算理论中的一个重要组成部分,粗糙集是一种处理不确定性和不精确性问题的有效数学工具.根据云计算中的并行模型Map Reduce,给出了并行计算粗糙集中等价类、决策类和两者之间相关性的算法;然后,设计了用于处理大规模数据的并行粗糙近似集求解算法.为应对动态变化的海量数据,结合Map Reduce模型和增量更新方法,根据不同的增量策略,设计了两种并行增量更新粗糙近似集的算法.实验结果表明,该算法可以有效地快速更新知识;而且数据量越大,效果越明显.

Determination of Feature Line Equation for Self-adapting Incremental Press Bending

The basie idea and method about determination of the feature line equations and how to apply them to the numerical control of the press bending of panei skins were introduced. Research indicates that it is feasible to realize the self adapting incremental press bending by adopting the feature line equation. The feature line equation, which is based on the database of the status of practical processes, can be adjusted in time, and the forming precision can be improved. It is important to correctly select and reasonably predict the feature line equations to enhance the accuracy of the incremental press bending based on the feature line database and algorithm. The determination of the feature line equation settles necessary data foundation for further research on the database of self-adapting incremental press bending, and it supplies a new clue for the development of self-adapting incremental press bending.

IPM——一种增量计算的自动生成模型

增量计算在排版系统、编译系统和各种软件工具中有着广泛的应用,而实现一个增量式软件系统往往需要采用复杂的算法设计和艰苦的程序调试.近年来,随着部分求值技术的发展,人们开始研究用于增量计算的通用的程序生成方法,以求从根本上消除使用增量计算实现算法的需求。 有关增量计算自动生成的研究工作,大致可分为两类一类以耶鲁大学的Hudak研究组为代表[lJ,力图建立一种完成增量计算的程序执行环境。在这种环境中,应用程序的每次执行将能够利用上次执行的部分计算结果。另一类以康乃尔大学的Teitel-baum研究组为代表。