波动气候下高校少数民族学生热适应性分析

热感觉是人类对于周围温度、湿度等环境的感知.为研究少数民族群体在波动气候环境下的热感觉,使其能更快适应异地环境,对冬季大连教室环境进行现场测试,对来自不同气候分区的80名汉族学生、88名少数民族学生(回族24名、蒙古族12名和土家族14名等其他少数民族)的着装、热感觉进行问卷调查,分别对调查结果进行回归分析,将不同少数民族的数据,进行对比并分析差异原因,同时对实验结果进行验证.结果表明:少数民族学生舒适度满意区间为18.5℃~19.4℃,与汉族热感觉存在差异.根据TSV模型得出各民族学生实际的热中性温度,分别为:回族18.5℃、蒙古族16.9℃和土家族15.0℃.经分析PMV模型并不能准确预测真实热感觉,本研究根据热感觉适应性模型(aPMV)为各民族提出了λ参考值,分别为:回族-0.79、蒙古族-0.90和土家族0.97.不同民族指标存在较大差异,表明学生对当地气候具有一定适应性,而到大连求学伴随着气候波动,使学生不能快速适应新环境.基于此利用aPMV模型对少数民族学生的热感觉进行预测,并提供了实验室热工改造方案.

基于Flink的k-支配skyline体并行求解算法

k-支配skyline算法弱化了数据点之间的支配关系,更适合高维数据。k-支配skyline体适应于多名用户使用k-支配skyline算法查询,而现有的求解算法在时间效率和代码扩展性方面都有待提高。因此,提出了面向多用户的k-支配skyline体求解优化算法MKSSOA,该算法对每名用户的候选集和中间集分别进行存储,同时在k-支配检查过程中利用2集合中数据点出现的先后次序将候选集中的非k-支配skyline点存储到对应用户的中间集中,以便下一名用户筛选使用,这样可以减少数据点之间的比较次数,避免重复计算,从而提升查询效率。同时,提出了面向多用户的k-支配skyline体并行求解算法MKSPSA,通过Apache Flink并行处理框架有效减少了数据点的比较时间。理论研究和实验结果显示,提出的算法具有较高的效率,能很好地处理多用户k-支配skyline问题。

面向云环境的Flink负载均衡策略

作为新一代的大数据计算引擎,Flink得到了广泛应用。Flink在云环境下进行容器化部署时,其默认任务调度算法不能感知节点的资源信息,导致即时调整负载和自主均衡能力较差,而主流的容器编排工具虽然提供了管理容器的可能性,却也未能结合Flink特点解决平衡资源利用的同时降低容器组内的通信开销问题。针对以上问题开展研究,提出了一种面向云环境的Flink负载均衡策略FLBS,综合考虑了Flink集群中算子的分布特点和容器间通信机制,以节点间通信开销和均衡负载作为评估标准。实验结果表明,与Flink默认调度策略相比,FLBS能够有效提高计算效率,提升系统性能。