有向在线社交网络中信息传播监测节点的选择

网络传播在病毒营销、谣言扩散、舆情控制等多个领域中都具有重要的研究价值.不同于传统的最大化传播研究,本文的研究目的是如何在网络中选择有效的监测节点,以获得更大的监测效果.基于独立级联模型,通过在有向网络中模拟起源于不同节点的传播,能够获得各节点监测能力的仿真结果.在对两个真实的有向社交网络的试验中发现,相比较于节点的K-core索引值和出度值,节点的监测能力更依赖于其D-core索引值.进而,本文通过结合D-core索引值和节点出度值提出了一种节点监测中心Mc的计算方法,与PageRank、HIT等传统的有向图中心性算法相比,监测中心Mc值可以更好地反应节点的监测能力.

WSANs中基于跳步数自适应的路由算法

无线传感反应网络是由大量传感节点和少量(可移动)资源丰富的反应节点构成.传感节点负责收集外部环境信息,而反应节点对外部环境实施相应的操作.本文分析节点能量消耗模型,求解出理想条件下单条路径上总能耗最小时的最优跳步数.在此基础上,提出了一种跳步数自适应的路由算法HAR,用来实现数据收集的实时需求与能量消耗之间的平衡.仿真实验表明:HAR算法在平衡能量消耗与时间延迟的性能上优于HBMECT算法,而且能较好地适用于反应节点移动的情形.

基于GPU的稀疏矩阵Cholesky分解

稀疏矩阵Cholesky分解是求解大规模稀疏线性方程组的核心算法,也是求解过程中最耗时的部分.近年来,一系列并行算法通过图形处理器（GPU）获得了显著的加速比,然而,由于访存的不规则性以及任务间的大量数据依赖关系,稀疏矩阵Cholesky分解算法在GPU上的计算效率很低.文中实现了一种新的基于GPU的稀疏矩阵Cholesky分解算法.在数据组织方面,改进了稀疏矩阵超节点数据结构,通过超节点合并和分块控制计算粒度;在计算调度方面,将稀疏矩阵Cholesky分解过程映射为一系列的数据块任务,并设计了相应的任务生成与调度算法,在满足数据依赖性的前提下提高任务的并行性.实验结果表明,该算法能够显著提高稀疏矩阵Cholesky分解算法在GPU上的实现效率,在单个GPU上获得了相对4核CPU平台2.69～3.88倍的加速比.

表面离子阱的衬底效应模型研究及新型离子阱设计

通过分析表面离子阱衬底的功率损失和电势损失对离子阱阱深和离子加热速率的影响,提出考虑衬底效应的阱深和离子加热速率的解析分析模型.研究发现,硅基衬底的电势损失对表面离子阱阱深的降幅达17.19%,功率损失对离子加热速率的加速达13.37%.为了降低衬底效应的不利影响,设计了衬底真空隔离结构的表面离子阱,在离子阱射频电极和直流电极间的衬底表面刻蚀出多条隔离槽,从而减小衬底的等效电导和等效电容,达到降低衬底功率和电势损失的目的.模拟结果显示,相比于一般结构,真空隔离结构的硅基表面离子阱能够使阱深加深20.22%,使衬底功率损失降低54.55%.