二维非线性对流扩散方程求解程序的测试与优化

在IA-64架构Itanium2处理器上,应用gprof和pfmon对二维非线性对流扩散方程求解程序源代码进行了性能测试.在分析给定程序的数据结构,子过程调用关系,重点子程序中循环体的迭代空间、数据空间、访同轨迹,输入输出数据量大小和程序结构等的基础上,应用子过程合并、循环变换、分支消除、循环顺序逆转、数组一维结构化为二维结构、输入参数给定等方法,改善了数据访问的时空局部性,程序性能有15%的提高.     

基于蚁群算法的分类规则问题

在分类规则学习的领域中,许多问题都可以看作是优化问题,它们既可以用经典的分类规则算法进行求解,也可以用蚁群算法中的蚂蚁矿工算法来解决.利用蚁群算法中的自适应,并行分布式处理等特性可在整个分类规则学习中寻找到最优解,通过对一个分类规则问题实例的计算,表明该方法也是解决此类问题的一种有效途径.     

基于虚拟OID计算的WSN网络管理方法

为降低无线传感器网络(WSN)管理过程中代理节点的能量消耗,提出基于本地轮询和虚拟对象标示符(OID)计算的网络管理方法,并实现相应的网络管理操作原语。利用虚拟OID技术降低网络管理过程中的信息传递量,通过本地轮询策略减少网络管理站和代理节点的信息交换量。实验结果表明,该方法可降低代理节点的能量消耗,设计的操作原语符合WSN管理的需求。     

复杂网络社团的谱分检测方法

为有效地检测复杂网络中的社团结构,优化模块密度函数,展示模块密度函数怎样被优化框定到谱分聚类问题,提出一种谱分算法,进一步对该算法进行时间复杂度分析。在一个经典的真实世界网络中检验该算法,并与基于模块密度的直接核方法及基于模块函数的谱分方法做比较。特别地,当网络中社团结构变得模糊时,实验结果显示,该谱分算法在发现复杂网络社团上是有效的。     

基于节点从属度的加权网络重叠社区划分算法

针对传统社区划分算法忽略现实世界网络特征导致社区划分准确率低的问题,提出了一种基于节点从属度的加权网络重叠社区划分算法。该算法提出加权网络模型,通过模型得到了能刻画出真实网络结构的加权网络;通过网络拓扑结构定义了核心社区,核心社区对社区划分的准确性有着重要作用。该算法计算节点与核心社区间的从属度,并与从属度阈值进行比较进行核心社区扩展,根据扩展模块度优化思想,通过不断地调整从属度阈值直到获得最优的社区结构,完成重叠社区划分。在人工网络数据集和真实世界网络数据集上与已有算法进行实验对比,实验结果验证了所提算法能够准确、有效地检测出重叠社区。     

基于pfmon的性能测试与分析工具Codemon

通过对Linux/IA64平台上性能数据监测工具pfmon各类硬件计数器功能的分析,提出一种基于停顿时钟周期数测试存储延迟分布的监测模型,在此基础上设计和实现了程序自动测试与分析工具Codemon。应用该工具测试二维非线性扩散方程BNLAG2D求解程序模型的源代码,给出程序的性能评价和优化重点。该程序优化后性能提高了15％。     

半指导的核聚类检测网络社团方法

近年来,复杂网络中的社团发现越来越受到研究人员的关注并且许多方法被提了出来。在这种背景下,最近李等人提出了一种用来评估社团质量的函数,称之为模块密度函数（即D值）。该函数显示了较高的D值对应于较好的社团结构,然而,优化该函数是一个NP难问题。通过模块密度函数D的半指导聚类优化,论证了模块密度函数的半指导聚类与核k方法的等价性并提出了一种新的半指导核聚类检测复杂网络社团方法。在一个经典的计算机产生的随机网络中检验了该算法,并与基于模块密度的直接核方法做了比较。特别地,当网络中社团结构变得模糊时,实验结果显示这种新的算法在发现复杂网络社团上是有效的。     

特征向量的核方法检测网络社团结构

为在权重的复杂网络中检测社团结构,推广模块密度函数到权重形式,并优化权重形式的权重密度函数到谱分聚类形式及权重的核聚类形式．证明了基于权重密度的两类聚类方法在数学上的等价性,利用这种等价性,提出了一种新的基于特征向量核聚类检测复杂网络社团方法．实验结果表明,这种方法比直接的谱分方法或直接的核方法检测社团更加准确．     

生成树编码遗传算法种群退化分析及抑制方法

种群退化现象导致了遗传算法对解空间区域进行重复搜索,从而降低了算法的搜索效率和延缓了算法的收敛,这源于重组算子、采样误差和变异算子的反作用力。通过对生成树编码遗传算法的研究,分析了重组算子的种群退化现象。证明了在解决固定费用运输问题时,重组算子发生种群退化现象的一个充分条件及其概率。针对种群退化现象提出了基于概率选择模型抑制算法（Probabilistic Selection Model Crossover,PSDC）,对其有效性进行了分析证明。与小生境技术相比,它具有可以通过控制选择概率来抑制种群退化和不需要额外的时间开销两大优势,这为遗传算法的设计和应用提供了理论研究依据。     

模块密度谱分的网络社团发现方法

为有效地检测复杂网络中的社团结构,对评估与发现社团的模块密度函数(即D值)进行了优化．通过模块密度函数的优化进程,论证了模块密度函数被优化框定到广阔的谱分聚类方法中的矩阵松散最大化,并且提出了一种新的谱分算法．该算法允许自动选择最优的社团结构数目．在经典的计算机产生的随机网络及真实世界网络中检验了该算法．特别地,当网络中社团结构变得模糊时,实验结果显示这种新的算法在发现复杂网络社团上比基于模块密度的直接核方法及基于模块函数(Q)的谱分方法更加有效．