不确定性与自然计算并行性的内在关联

不确定性是量子力学中已获得证明的自然界基本规律。通过分析自然算法中的并行性与不确定性的内在关联认为,不确定性不但是并行性产生的根源,还是算法智能产生的根源。根据这一认识给出了算法的不确定性原理,并结合Shannon的信息熵原理建立了自然计算的不确定性智能模型(UIM)。这一模型认为先验知识信息和由不确定性所提供的信息共同构成了智能系统的基本模型。智能系统本质上就是一个信息系统,先验知识信息保证算法按正确的方向进行搜索,不确定性所提供的信息实现了算法对解空间的并行搜索,通过提高系统信息的含量将有效提高系统的智能水平。这一模型在Pi值的计算算法中也得到了印证。

基于MPI的云计算模型

根据消息传递接口(MPI)的特点,提出云计算在MPI领域的应用方法,包括MPI的云计算算法设计模型、云计算原理、核心计算模式、处理流程,并介绍云计算的分布式及并行化特性。理论分析结果表明,该算法是有效可行的,优于传统并行技术,能够为算法分布化及并行化提供新思路。

云计算集群相空间负载均衡度优先调度算法研究

针对云计算集群具有海量节点和高耦合性的特点,将云计算集群中各节点的参数变化投影为相空间上投影点的运动,定义云计算集群的相空间负载均衡度,以其为评估指标建立云计算集群相空间负载均衡度优先调度算法,实现了云计算集群相空间投影在不同负载请求情况下平稳的点状聚集.通过仿真实验利用相空间负载均衡度、广义温度、广义熵等参数和集群的相空间投影对算法的效果进行分析,实验表明,相空间负载均衡度优先算法在大多数调度指标上都优于最小负载优先算法,并且集群规模越大系统的相空间负载均衡度越稳定.

云计算系统相空间分析模型及仿真研究

针对云计算系统具有海量节点和节点间高耦合性的特点,提出了将云计算系统投影到参数相空间,将节点参数的变化转化为参数相空间中点的运动,利用海量节点在参数相空间的运动与热力学运动的相似性定义来分析云计算系统在相空间上的广义热力学参数,并在参数相空间的基础上进一步定义云计算系统的动量相空间,建立云计算相空间分析方法的基本理论模型.依据该模型建立了相空间调度算法,通过仿真对比实验验证了相空间分析模型对云计算系统工作状态的分析表述能力和相空间调度算法的有效性.相空间调度算法能使云计算系统在参数相空间中保持低熵的均衡状态.

基于相空间的云计算仿真系统研究与设计

提出并实现了一种基于热力学相空间的云计算集群仿真系统设计方法。将云计算集群节点信息投影到相空间,构建云计算系统的相空间分析模型,将云计算集群节点的参数变化转变为其在相空间投影点的运动,并通过相空间的宏观热力学参数反映云计算集群的整体状态,为云计算核心调度算法的研究和云计算数据中心的运行测试提供了仿真测试平台和衡量标准。实验结果表明,全新构建的云计算仿真系统的仿真实验环境搭建简单,仿真结果能够直观、全面地反映出云计算集群的整体状态和调度算法性能等。

算法隐含并行性的物理模型

利用物理学原理对算法的隐含并行性进行了分析,提出算法的不确定性和高熵态是隐含并行性出现的根源,但算法的隐含并行性会导致算法结果的不确定性。智能算法中先验知识确定程序的搜索方向,隐含并行性提供了对解空间的高速并行搜索,为研究和设计智能算法提供了理论基础。提高算法的先验信息量和隐含并行能力可以得到具备较高智能水平的算法。

基于相空间的云计算专用监控系统

现有的集群监控系统不能反映云计算集群具有海量节点且高耦合的特性。针对该问题,设计一种基于热力学相空间理论的云计算专用监控系统。采用将节点运行参数向相空间映射的方式,使节点参数的变化转换为相空间中投影点的运动,从而对相空间图像和参数进行分析。测试结果表明,该监控系统可以即时有效地反映云计算集群的整体负载和运行状态,实现对云计算集群的宏观监控。

云计算系统相空间广义热力学参数定义及分析

云计算是由海量节点构成的高耦合系统,通过定义云计算系统在相空间的映射及相应的广义热力学参数:广义归一化温度、广义绝对温度、广义归一化熵、重心等物理量,将对云计算系统的研究转变为对相空间热力学系统的研究。云计算系统的相空间广义热力学参数反映了系统的整体工作状态,能对系统当前的外部负载请求情况、负载均衡情况、节点参数变化情况进行评价。仿真实验证明了这一分析方法在云计算系统分析中的可行性和有效性。

基于Hadoop云计算平台的大规模图像检索方案

针对传统图像检索方法在处理海量图像数据时面临困扰的问题,提出了一种基于传统视觉词袋(BoVW)模型和MapReduce计算模型的大规模图像检索(MR-BoVW)方案。该方案充分利用了Hadoop云计算平台海量存储能力和强大的并行计算能力。为了更好地处理图像数据,首先引入一种改进的Hadoop图像数据处理方法,在此基础上分特征向量生成、特征聚类、图片的向量表示与倒排索引构建三个阶段MapReduce化。多组实验表明,MR-BoVW方案具有优良的加速比、扩展率以及数据伸缩率,效率均大于0.62,扩展率以及数据伸缩率曲线平缓,适于大规模图像检索。

多尺度量子谐振子算法性能分析

多尺度量子谐振子算法(MQHOA)具有良好的全局收敛性以及自适应性。为分析研究MQHOA求解精度与速度具体性能,通过求解整数非线性规划问题,将MQHOA和采用量子行为模型且已被广泛使用的量子粒子群优化(QPSO)算法以及改进的随机平均最好位置量子粒子群(QPSO-RM)算法进行理论模型和实验对比,仿真实验中,MQHOA对7组无约束整数规划问题的求解均取得100%成功率且求解速度整体上略快于QPSO和QPSO-RM;对2组有约束整数规划问题的求解速度比QPSO、QPSO-RM稍慢,但MQHOA的求解成功率均为100%,高于后两者;通过和QPSO、QPSO-RM的收敛过程进行对比,MQHOA更快更早于对比算法收敛到全局最优解。实验结果表明:MQHOA能有效地适应整数规划求解问题,能够避免陷入局部最优解的情况从而获得全局最优解,并在求解精度和收敛速度上均优于对比算法。

多尺度量子谐振子优化算法物理模型

依据谐振子物理模型及量子谐振子波函数的概率解释构造了一种新的全局优化算法——多尺度量子谐振子优化算法(multi-scale quantum harmonic oscillator optimization algorithm,MQHOA)。定义了算法的波函数,并利用算符方法证明了全局搜索精度和局部搜索精度之间的测不准关系,指出算法必须包含量子谐振子收敛和多尺度收敛两个嵌套的基本收敛过程,才能实现对全局最优解的逐步逼近。通过与量子粒子群算法和模拟退火算法对15种标准测试函数进行实验比对,证明了MQHOA在求解函数全局优化问题时具有更好的适应性、稳定性和精确性。

粒子群算法量子模型

针对目前粒子群优化(PSO)算法理论基础薄弱,算法本质的分析还未形成体系的问题,从微观的角度出发,以量子力学为基础,提出并建立了粒子群优化算法的量子模型。模型采用无限深方势阱为分析背景,将算法的搜索过程解释为量子状态的转换,并通过模型解释算法执行过程中的内部机制,最后通过实验证明了所提出PSO算法寻优的量子本质。

量子谐振子优化算法

量子谐振子的振动物理过程与智能算法的工作机制有内在的相似性,结合量子谐振子振动空间稳定的收敛性和基态高斯曲线分布的特性,提出了基于量子谐振子基态最优性的优化算法模型。从理论上分析了量子谐振子基态的最优特性以及它和智能算法的对应关系,将这种关系对应到算法模型的构建,理论上证明了由量子谐振子模型构建的算法能够在解空间形成高斯曲线的分布形式,并能够在势阱的约束下快速收敛到最优解。最后将该算法应用于求解旅行商问题(TSP),通过选取三组实验数据,将该算法与同等规模下的模拟退火算法进行比较,实验结果表明量子谐振子算法具备更好的收敛性和寻优能力。

基于校验编码备份的分布存储方案

传统的云计算存储系统为保障可用性,一般使用镜像冗余备份而产生大量冗余备份数据,影响了存储数据空间的利用效率。针对此情况,为减少备份数据对存储空间的占用,提出一种存储方案。放弃了镜像冗余备份,引入校验编码的方式进行备份,以减少备份数据;同时采用了冲突跳转的机制对备份进行验证,在保证备份数据有效性的前提下减少备份数量。通过模拟程序运行结果与主流云存储方案的对比表明,所提存储方案在保证数据可靠性的同时,显著地降低了分布存储对磁盘空间的占用。

基于负载灰度图映射模型的云集群负载评估方法

为了快速评估云计算中百万节点的整体负载状态,通过分析负载均衡本质与图像均衡特征的对应关系,以熵和信息论为基础,构建了集群负载信息向灰度图的映射模型,完成了负载均衡研究向图像均衡分析的转换。通过图像压缩、信息熵、haar小波变换方法对图像进行分析,提出了一种基于图像处理的集群负载评估方法。实验表明,该方法可以较快地评估出集群均衡性,由此得到的集群负载状态值为负载均衡算法的改进提供了新的思路。