Hadoop下面元加权Voronoi图并行算法及应用

面元加权Voronoi图是生成元为面元的加权Voronoi图。针对大规模数据情况下面元加权Voronoi图存在的计算效率不高问题,结合面元边界点提取方法,提出一种基于Hadoop云平台的面元加权Voronoi图的并行生成算法,进行了单机和集群实验。实验结果表明,算法能有效处理大规模栅格数据,明显提高面元加权Voronoi图的生成速度。还可应用于城市绿地设计规划,为绿地设计提供决策依据。     

MapReduce模型下Voronoi图栅格生成算法

针对"海量"点组成的平面点集Voronoi图栅格生成算法的效率问题,对其进行易并行性抽象,提出了一种MapReduce模型下基于欧氏距离的Voronoi图栅格生成算法,该算法采用三个MapReduce Job来实现。在第一个MapReduce Job中,将栅格按照隶属代码进行归属分类。在第二个MapReduce Job中,将新数据按照其对应的行号进行归类。在第三个MapReduce Job中,并行生成全局有序的Voronoi图部分文件,并连接各个部分文件,生成最终的Voronoi图。在多个不同大小数据集上的实验结果表明,这种MapReduce模型下的算法部署在Hadoop集群上运行具有较好的加速比和扩展性。     

分区加权Voronoi图的生成及其应用

分区加权Vorond图是Voronoi图和加权Voronoi图的推广，它可以用来模拟移动通信当中基站发射天线分扇区以不同功率向周围发射时所覆盖区域的形状。本文给出了分区加权Voronoi图的定义和它的离散生成算法．以及由此算法生成的分区加权Voronoi图的实例。     

加权Voronoi图的离散生成

加权Voronoi图是Voronoi图的一种扩展,有着广泛的应用.给出了一种新的构建加权Voronoi图的离散生成法.此方法无需复杂的计算,容易实现.     

分区加权Voronoi图的性质及其面积计算

分区加权Voronoi图是Voronoi图和加权Voronoi图的推广,可以用来模拟移动通信中基站发射天线分扇区以不同功率向周围发射时所覆盖区域的形状。首先,给出了分区加权Voronoi图的性质、定理及相关证明;其次,分析了分区加权Voronoi图中的各种区域,并给出了一种计算相应区域面积的算法;最后,利用分区加权Voronoi图模拟石家庄市部分城区中的基站建设情况,并对模拟产生的重复覆盖、服务区和盲区面积进行了计算。     

加权Voronoi图画法的研究

1 引言随着计算机理论与应用研究的深入发展,尤其是计算机在图形图像处理方面的广泛应用,对计算几何理论与应用的研究,越来越受到重视并日益蓬勃开展起来。计算几何研究的是,如何高效处理通过视觉器官等途径获取的几何信息,从理论上探讨几何计算的可行性与复杂性,开发高速处理几何信息的方法,并对其性能做出评价。计算几何在计算机辅助设计、计算机图     

线段加权的Voronoi图

本文将点上加权的Ｖｏｒｏｎｏｉ图推广到线段上加权的Ｖｏｒｏｎｏｉ图，证明了该图的两线段间的Ｖｏｒｏｎｏｉ边是二次曲线，给出了所有情形下两线段间的Ｖｏｒｏｎｏｉ边的具体形状和画法及线段加权的Ｖｏｒｏｎｏｉ图Ｖｎ的画法。     

线段加权Voronoi图的离散生成算法的研究与实现

线段加权Voronoi图是对普通Voronoi图在生成元以及权重两方面加以推广而产生的.给出用离散的方法来生成线段加权Voronoi图,无须复杂计算,容易实现.另外利用其解决绿化问题,会达到良好的划分及可视效果.     

基于分区加权Voronoi图的手机基站定位

为解决传统Cell-ID定位仅利用单基站进行定位且定位精确度不高的缺点.文章在传统Cell-ID定位的基础上,提出了基于分区加权Voronoi图的手机基站定位方式.同时,针对传统分区加权Voronoi图算法无法显示多扇区重叠的区域,对离散生成算法进行适当的改进,来突出多个生成元重叠的区域,即基站的重复覆盖区域.同时通过实验分析了基站数量、覆盖范围和功率对定位精确度的影响.     

GIS中投影加权Voronoi图及竞争三角形生成算法研究

在GIS空间分析中，为了定位和分析空间区域中含权对象的竞争区域，提出了加权Voronoi图的新形式——投影加权Voronoi图，该图是从常规Voronoi图和一般加权Voronoi图的平面剖分模型出发，首先引入了能够产生空间竞争区域的空间投影剖分模型，然后由此形成空间中的三角形空隙，即竞争三角形，同时归纳了形成竞争三角形的3种加权方式，并分析了其生成算法和特性，计算机的模拟结果显示，将竞争三角形作为空间的竞争区域是可行的，最后论述了它在GIS空间分析中广泛的应用前景。     

对数似然相似度算法的MapReduce并行化实现

为提高Mahout中协同过滤算法处理大数据的能力,对云计算平台进行研究,提出一种基于MapReduce模型计算相似度的方法。通过设计4个MapReduce任务,实现对数似然相似度算法的并行化;结合算法自身的特点,采用复合键对和同现矩阵的思想将大量小键值对合并为大键值对,以减少中间计算量和通信开销。实验结果表明,和Mahout中的单机版相似度算法相比,基于Hadoop平台的对数似然相似度算法具有很好的加速比和可扩展性,能够提升推荐算法的效率。     

基于MapReduce的K-Medoids并行算法

为了解决传统K-Medoids聚类算法在处理海量数据信息时所面临的内存容量和CPU处理速度的瓶颈问题,在深入研究K-Medoids算法的基础之上,提出了基于MapReduce编程模型的K-Medoids并行化算法思想。Map函数部分的主要任务是计算每个数据对象到簇类中心点的距离并（重新）分配其所属的聚类簇;Reduce函数部分的主要任务是根据Map部分得到的中间结果,计算出新簇类的中心点,然后作为中心点集给下一次MapReduce过程使用。实验结果表明：运行在Hadoop集群上的基于MapReduce的K-Medoids并行化算法具有较好的聚类结果和可扩展性,对于较大的数据集,该算法得到的加速比更接近于线性。     

基于MapReduce的并行化模糊划分算法

针对大规模项目资源库中项目资源信息无序而导致无法准确快速找出项目资源库中所需资源的问题,提出了基于MapReduce的并行化模糊聚类划分算法。该算法首先抽象原始项目资源特征属性并标准化;其次,根据标准化后的特征属性建立项目相似矩阵,运用矩阵分块思想分割矩阵;然后,利用MapReduce技术处理分块矩阵并合并结果;最后,运用阈值评判划分成若干个有序的项目组。与K-means算法和遗传算法的对比实验结果证明:该算法具有较高的准确率和查全率,并且在大规模数据计算时能够得到较高的加速比,可以有效准确地划分项目资源。     

基于MapReduce和MSSA的并行K-means算法

针对大数据环境下并行K-means算法存在的面对高维数据聚类效果差、数据分区不均匀、初始质心敏感等问题,提出了一种基于MapReduce和MSSA的并行K-means算法MR-MSKCA。首先,提出基于肯德尔相关系数和深度稀疏自动编码器的降维策略（dimensionality reduction strategy based on Kendall correlation coefficient and DSAE,DRKCAE）对高维数据进行特征加权和特征提取,解决了高维数据不相关特征和结构稀疏导致的聚类效果差的问题;其次,提出基于两段映射的广义超平面分区策略 （uniform partition strategy based on two-stage mapping,UPS）对数据集进行划分,获取均匀的数据分区;最后提出非均匀变异麻雀搜索算法 （non-uniform mutation sparrow search algorithm,MSSA）用于获取并行K-means的聚类质心,解决了算法初始质心敏感的问题。在UCI数据集上进行的实验显示,MR-MSKCA较MR-KNMF、MR-PGDLSH、MR-GAPKCA的运行时间分别降低了45.1%、49.1%、59.8%,聚类效果分别提升了19.2%、22.8%、24%,表明 MR-MSKCA对大数据进行聚类时有良好性能,适用于不同场景的大数据聚类分析。     

基于MapReduce的并行同态加密算法

根据云计算分布式的特点,并结合同态加密和Hadoop环境下MapReduce并行框架,提出了一种基于MapReduce计算框架的并行同态加密方案。实现了具体的并行同态加密算法,并对该方案的安全性和正确性进行了理论分析。同时,在16个核的计算集群中进行实验,数据加密的加速比可以达到13。实验结果表明,基于MapReduce的同态加密方案可以有效地减少数据的加密时间,有利于面向实时的应用。     

基于MapReduce的并行模糊C均值算法

模糊C均值是一种重要的软聚类算法,针对模糊C均值的随着数据量的增加,时间复杂度过高的缺点,提出了一种基于MapReduce的并行模糊C均值算法。算法重新设计模糊C均值,使其符合MapReduce的基于key/value的编程模型,并行计算数据集到中心点的隶属度,并重新计算出新的聚类中心,提高了模糊C均值处理大容量数据的计算效率。实验结果表明,基于MapReduce的并行模糊C均值算法具有较高的加速比和扩展性。     

基于MapReduce的ACO-K-means并行聚类算法

针对K-means算法处理海量数据存在严重的内存不足,提出利用MapReduce并行化K-means,但是普通的K均值存在收敛速度慢、易陷入局部最优和对初始聚类中心的选取等局限性,因此选择了经ACO改进过的ACO-K-means聚类算法。实验结果表明,经MapReduce并行化的ACO-K-means,不仅具有良好的加速比和扩展性,其收敛性以及聚类精度均得到了改善。     

基于MapReduce的并行AES加密算法

针对云计算环境的隐私保护问题,采用加密数据存储是一个可行的选择.为了提高数据加密解密的速度,结合云环境的并行计算特点和AES加密算法,设计了一种并行AES加密方案,给出了具体的并行算法,分析了算法的性能,并通过实验证明了方法的有效性.实验结果表明该并行算法在MapReduce模式下,在16核4节点构成的云计算集群上能够达到15.9的加速比,总加密时间减少了72.7%.     

MapReduce平台上面向大规模Web服务组合问题的并行引导变异进化算法

大规模服务组合是一种通过将不同领域的大量服务按照一定的流程组合起来以满足用户需求的策略。然而,在当今的服务数量巨大并且种类颇多,外加用户需求日益复杂的情况下,快速生成一个满足用户要求的最佳QoS的复合服务是一项值得研究的问题。对此提出了以MapReduce模型为基础的引导变异进化算法（MR-GMEA）,该算法能够更好地适用于当前大规模服务组合的主观与客观需求并且可以缩短执行时间,此外其中引入的skyline算子在开始阶段剔除了大量冗余服务从而提高了效率。最后通过仿真验证,证明了该方法的可行性与优越性。