基于欺负算法的优化算法

分布式算法中的欺负算法在选举协调者的过程中由于传输了大量信包而导致性能降低。该文在分析原有算法及其数学模型的基础上,提出一种优化算法并建立了相应的数学模型,对2种算法进行比较可以得出,优化算法在避免了选举失败或选举错误的基础上有效降低了选举过程中信包的传输数量,提高了通信性能,避免了网络延迟和网络拥塞。     

一种域首选举改进算法研究

分布式网络系统存在节点种类异构、节点数量巨大的特点,对系统的网络监控和动态管理的有效性提出了更高的要求,因此需将分布式系统分成多个域进行管理,域首选举是分域的关键。分析现有的最大连接度和最小负载的域首选举算法的优缺点,提出基于最大连接度和最小负载相结合的域首选举改进算法,仿真结果表明该算法提高了域首选举的稳定性和网络管理的效率。     

基于有向生成树的分布式选举算法

本文提出了一种在任意网络拓扑下的分布式选举算法，假定系统存在一个网络拓扑的有向生成树，将此有向生成树作为一个同步机械，减少了不必要的消息传送。对于由ｎ台处理机组成的分布式系统，算法的消息复杂度为Ｏ（ｎ）。该算法在常量因子下是最优的。     

一种分布式计算中的容错选举算法

选举算法被广泛应用于分布式计算中,而且它已经被证明比合意问题更难.在分析了选举问题和合意问题的关系之后,提出了一种新的容错选举算法.该算法是稳定的、通信有效的,并且该算法可以容忍进程和链路的暂时性错误.所提出的算法不仅解决了选举问题,并且也提供了解决合意问题的一条新的途径.     

基于选举委员会的领导者选举算法

由于Bully算法在选举领导者的过程中需要产生大量的消息和花费大量的时间,不适应低轨卫星网络高动态、大延迟的网络环境.针对上述问题,提出了基于选举委员会的低轨卫星网络领导者选举算法.在选举阶段,节点直接向选举委员会发送选举消息,选举委员会在验证领导者崩溃后,选出具有最高优先级的节点担任领导者.试验结果表明:改进算法有效...     

分层Ad Hoc网络中同步领导者选举算法的研究

近年来,Ad Hoc网络以其方便、快捷、不受网络基础设施制约等特点得到了广泛的研究和应用。然而,在分层Ad Hoc网络进行视频信息传输的过程中,由于节点移动及网络状况等原因有可能出现簇头节点缺失的情况,影响网络的正常通信。针对分层Ad Hoc网络中高层节点移动性差这一特点设计并实现了基于分层Ad Hoc网络高层网络同步领导者选举算法,解决了上述问题。系统还引入了副主席机制,并通过实验证明,当网络中存在着上一轮选举后产生的副主席节点时,选举时间将显著缩短。算法也可应用于小型临时视频会议系统中以解决视频会议中主持人缺失及更替的问题。     

基于综合选举的DPoS共识算法

区块链技术是一种信任机制,具有去中心化、防篡改、可追溯的特性。共识算法是区块链核心技术之一,可维持区块链网络的运行,相较于工作量证明、权益证明等其他公有链共识算法,股份授权证明（DPoS）共识算法具有低延时、高吞吐量、几乎不分叉等优势。但由于按股份权重进行投票选举,选取的委托人总是持币量大的节点,导致其余节点出现投票政治冷漠性的情况,同时节点出块顺序随机,增大了节点通信的消耗。针对上述问题,提出一种综合选举算法CE-DPoS,该算法通过节点之间的通信消耗预先设定网络信息表,根据节点的意愿权重进行投票,投票后计算每个节点的最终得分。选择所有节点中分数最高的节点作为第一个委托人节点,再从该节点的网络信息表中选择得分最高的节点作为第二个委托人节点,直至选定委托人节点数达到系统规定。仿真实验结果表明,与DPoS、BFT-DPoS共识算法相比,CE-DPoS共识算法能动态地选择委托人节点,节点之间选举相对公平,节点活跃度提升至85%,同时出块时间降至0.4 s,能更好地应对日益增长的交易量。     

基于Apriori算法和OLAP的关联规则挖掘模型设计

通过分析Apriori算法的特点，提出一种有针对性的联机分析处理（OLAP）关联规则挖掘模型。该模型在数据立方体维度和度量值设计上充分考虑了Apriori算法的特点，使数据立方体物化更多算法所需要的中间数据；同时适当改进算法使之适应所设计的数据立方体。研究表明，该设计方法在灵活性和效率方面都有较好的表现。     

OLAM体系结构和算法的研究及应用

联机分析挖掘(0LAM)把0LAP(联机分析处理技术)和DM(数据挖掘)统一起来,从而在数据库或数据仓库的不同层次进行挖掘.为了提高联机分析挖掘的效率.论文给出了基于OLAP和DM的0LAM系统的一体化模型,并且通过研究数据挖掘方法和联机分析处理技术各操作的特点,对传统的DM算法进行了一定的改进,提出了更有效的基于0LAP的关联规则挖掘算法.     

基于Apriori算法的改进算法

关联规则挖掘是数据挖掘研究的一项重要内容.为了快速挖掘关联规则,分析了挖掘关联规则的Apriori算法,并在此基础上给出了一种改进的算法:NApriori算法,利用频繁1项集重新组织事务数据库来挖掘关联规则,此方法仅需扫描数据库2次,且避免了Apriori算法繁琐的连接和删除步骤,实验结果表明此方法比Apriori算法有更好的性能.     

A many-objective evolutionary algorithm based on a projection-assisted intra-family election

In recent years, many researchers have put emphasis on the study of how to keep a good balance between convergence and diversity in many-objective optimization. This paper proposes a new many-objective evolutionary algorithm based on a projection-assisted intra-family election. In the proposed algorithm, basic evolution directions are adaptively generated according to the current population and potential evolution directions are excavated in each individual's family. Based on these evolution directions, a strategy of intra-family election is performed in every family and elite individuals are elected as representatives of the specific family to join the next stage, which can enhance the convergence of the algorithm. Moreover, a selection procedure based on angles is used to maintain the diversity. The performance of the proposed algorithm is verified and compared with several state-of-the-art many-objective evolutionary algorithms on a variety of well-known benchmark problems ranging from 5 to 20 objectives. Empirical results demonstrate that the proposed algorithm outperforms other peer algorithms in terms of both the diversity and the convergence of the final solutions set on most of the test instances. In particular, our proposed algorithm shows obvious superiority when handling the problems with larger number of objectives.     

FP-Growth算法的改进

基于FP树的FP-Growth算法在挖掘频繁模式过程中需要两次扫描事务集来建立FP树,这不仅降低了算法的效率,而且给数据库服务器带来负担.在原有经典FP-Growth算法的基础上,提出一种基于二维表的方法对原算法进行改进,改进算法通过使用二维向量记录频繁度仅需遍历一次事务集,从而省略FP-Growth算法在生成新条件FP树时对条件模式基的第一次遍历,大大缩短了建立FP树的时间.实验结果表明,该算法的改进优于经典算法.     

结合SOFM的改进CLARA聚类算法

介绍了自组织特征映射（SOFM）算法及大规模应用聚类（CLARA）算法的基本思想,提出了一种首先利用SOFM算法对数据集进行粗聚类,确定簇的数目k和神经元的连接权向量,然后从数据集中找出与SOFM算法的神经元的连接权向量最相似的k个代表点作为CLARA算法的k个代表点的初始值的改进CLARA算法。实验结果表明,改进算法具有更高的聚类效率和更好的聚类质量。     

基于遗传算法的一种改进的K-均值聚类算法

传统K-均值算法对初始聚类中心敏感大,易陷入局部最优值.将遗传算法与K均值算法结合起来进行探讨并提出一种改进的基于K-均值聚类算法的遗传算法,改进后的算法是基于可变长度的聚类中心的实际数目来实现的.同时分别设计出新的交叉算子和变异算子,并且使用的聚类有效性指标DB-Index作为目标函数,该算法很好地解决了聚类中心优化问题,与之前的两种算法相比,改进后的算法改善了聚类的质量,提高了全局的收敛速度.     

一种改进 NeuraI-Gas 算法的聚类新算法 CARD

针对现有的 Neural-Gas 算法进行改进,提出了一种新的聚类算法。改进之处在于：一个点对一个簇的质心的影响程度取决于该点到其他更近的簇的质心的距离值,而不仅仅是点与簇质心间距离值按大小排列次序的序号。在几个数据集上的实验结果表明,该算法在熵、纯度、F1值、rand index、规范化互信息 NMI 等五个指标上优于 K-means 算法、Neural-Gas 算法等其他几种聚类算法,该算法是一种较好较快的算法。     

QPSO优化的改进CLARANS聚类算法

CLARANS算法是一种有效且广泛应用的聚类算法,适合发现任意形状的聚类结果,但CLARANS算法在搜索过程中容易陷入局部最优解,从而忽略全局最优解。为了避免CLARANS算法在搜索中心点时易受局部最优解的影响,提出一种将CLARANS算法中的邻接点作为QPSO算法的量子粒子,结点代价作为适应度函数对其进行寻优的改进CLARANS算法。将该改进算法应用于UCI数据集,结果表明该算法聚类效果好、收敛快,算法的稳定性、收敛性及寻优能力都有很大提高。     

一种改进的射线跟踪定位算法

针对射线跟踪定位算法中在线阶段的大数据量匹配时计算误差较大及效率较低的问题,给出了一种改进的属性匹配算法。该算法用组合加权法对各个属性进行加权,匹配时按照所得属性权重系数由大到小的顺序,将在线阶段的数据与数据库中属性数据进行依次逼近匹配。实验证明,该算法从精度和计算效率两方面均得到了改进,有效地降低了匹配计算的复杂度,并得到了较高的定位精度。     

一种改进的爬山序列算法

在图像特征提取和匹配过程中,爬山序列有效地解决了图像的平移、伸缩和旋转无关性问题,但是爬山序列可能存在旋转变换序列表现形式不唯一。针对此类情况,提出一种改进的爬山序列算法,能够较好地解决了图像旋转无关性问题。实验结果表明,相对于爬山序列算法,该算法有效地减小了平均最大匹配距离,从而使呈现出较高的匹配相似度。     

基于MCMC的DBSCAN改进算法

为降低DBSCAN算法的运行时间,结合MCMC(Markov chain Monte Carlo,马尔可夫链蒙特卡洛)采样方法对DBSCAN进行改进,提出一种聚类算法,称为DBSCAN++。其基本思想是优先扩展拓展能力较强的核心对象。通过实验将DBSCAN++与DBSCAN和OPTICS进行对比,实验结果表明,从算法运行时间看,DBSCAN++比DBSCAN平均降低了60.7%,比OPTICS平均降低了70.2%;从聚类准确性角度看,DBSCAN++与DBSCAN和OPTICS相当。在没有影响聚类准确性的情况下,DBSCAN++具有更低的运行时间,是一种有效的聚类算法。