基于拓扑匹配的组件服务副本放置算法

提出了一个基于拓扑匹配的组件服务副本放置算法,该方法首先通过多规模图聚类算法获取组件服务的通信拓扑结构,随后使用谱聚类算法获取计算节点的拓扑结构,最后通过使用贪心算法匹配上述两种拓扑结构来进行组件服务副本的放置。基于CloudSim云仿真软件搭建了一个仿真实验环境并开展了一系列实验,仿真实验结果表明了所提出的方案和算法对于提高云服务系统的性能是有效的。     

基于免疫优化策略的副本放置算法

副本放置问题在云计算环境分布式存储系统中是一个关键问题。针对现有副本放置算法存在的数据副本访问开销较大,节点负载不均衡的问题,提出了一种基于免疫优化策略的副本放置算法。通过计算节点的亲和度,并借助免疫优化系统特有的克隆选择和免疫记忆机制,对副本节点的评价和选择更加合理。基于Matlab的仿真实验证实该算法能够降低分布式存储系统的副本访问开销,均衡节点负载。     

基于局部特征的SIFT算法的应用

SIFT算法作为在局部特征匹配领域最成功的算法之一,在图像特征点的提取及匹配方面得到了较好的应用.本文在讨论了SIFT的探测器和SIFT的描述器的原理及方法的基础上,选择标准图片和实测图片进行算法检验,表明此方法能较好地反映图像的灰度变化,有较强的鲁棒性,并对该算法提出了改进.     

网格环境中基于p-中值选址的副本放置算法

针对现有的副本放置中存在的问题,基于p-中值选址的方法,提出了一种动态的多副本放置算法.该算法预先设置副本的数量,根据网络带宽、存储空间和文件请求次数等条件,求解目标函数--全局费用的最小化,从而确定副本的位置,并随着网格环境的变化而调整.采用Optor-Sim模拟器实验,分析了副本数量、存储空间与副本放置的关系.结果表明:与LRU和基于经济模型的方法相比,该算法能减少数据访问时间和网络利用率.     

基于局部特征的图像模式识别算法研究

本文对基于局部特征的图像模式识别的SIFT/SURF算法进行了详细描述及分析,对比两种算法的不同特点,即运算速度、收敛性、抗噪性等,并对两种算法进行了实验.实验结果对于算法改进具有显著的借鉴意义.     

面向新生内容需求的缓存放置与替换联合算法

在内容中心网络中,全局缓存放置算法无法对新生内容实时缓存放置进行优化,对此,提出一种缓存放置与替换的联合优化算法,可减小缓存节点业务负载和用户内容获取的时延.定义了整网缓存收益函数,构建了最大化整网缓存收益的最优化问题,以实现新生内容的缓存放置与已存内容的缓存替换.为了求解所提的优化问题,将所提优化问题分解为缓存放置子问题和缓存替换子问题,提出了一种全局缓存放置优化问题的次优解,缓存放置算法的性能下限为（1-1/e）倍的最优解.在缓存放置之后考虑多点协同的缓存替换算法,最小化由于缓存替换产生的缓存损失,最后通过迭代实现缓存放置与替换的联合优化.仿真结果表明,所提联合优化算法可以提升整网缓存收益,在缓存节点负载、内容获取平均跳数和全网缓存命中率方面均优于传统方法.     

网格副本选择策略算法的研究

副本管理是数据网格中一个重要的组成部分,良好的数据副本管理策略是提高数据网格服务质量(Qos)的一个重要方面,本文主要对副本管理策略中的副本选择策略进行了研究。数据副本的选择策略讨论的是在己知的多个数据副本中如何根据当时的网络状态选择一个最佳的数据副本。本文提出了基于遗传算法的副本选择策略,这种选择策略考虑了多个副本请求对应多个副本资源的最佳分配方案,利用遗传算法得到最佳的数据副本分配方案,使副本的选择策略更高效。     

网格空间数据库副本优化算法比较与仿真试验

首先对网格空间数据库的几个副本优化算法,即中心站点读取空间数据文件算法、有删除的算法、预测文件价值的算法等进行了描述;其次对副本优化算法进行了作业量分别为500、1000、2000、5000的仿真试验,结果表明预测文件价值的算法为最优算法,能为网格空间数据库的建设奠定良好的基础,并为网格技术在空间数据库的应用提供可靠的依据.     

一种基于副本机制的智能存储系统I/O优化方法

针对智能存储系统（IND）I/O部件级性能难以得到提升的问题,在分析I/O请求过程基础上设计了一种新的副本机制.使用可编程NIC把只读高频访问热点数据的副本存储在NIC的副本空间,在IND单元内存中建立一个副本元数据表以指引IND单元对副本空间进行管理,设计了在线副本候选算法（DCA）,以确保NIC空间副本数据的时效性.读请求时副本数据不再通过总线传送,数据包到达NIC缓冲区时把副本数据填充在相应的位置再发送出去,可以减少总线的流量,进而提高系统的吞吐率和现有设备的性能.试验结果表明,该方法降低IND总线流量30%以上,提高系统吞吐率40%以上,显著提高了系统性能,具有较好的理论与应用价值.     

基于局部特征图像匹配算法改进

本文针对SIFT算法存在着特征提取及匹配速度慢,在灰度变化相似的区域产生误匹配的缺陷,讨论了SIFT 的改进算法-SURF算法的原理及应用方法,对算法进行检验,指出SURF算法在提取特征点时更偏重于提取鲁棒性较强的点,同时,摒弃一些鲁棒性较弱的点,对鲁棒性强的特征进行匹配以减少计算时间,使SURF在实时性处理和大量图片...     

非连通无线传感器网络的最少传感器节点部署

传感器节点的部署包括连通网络和非连通网络2种情况. 为了最小化网络部署开销,对非连通网络的传感器节点部署问题进行了研究,建立了整数线性规划模型,并证明该问题为NP complete问题. 为找到该问题的近似最优解,通过理论分析确定了传感器节点的候选部署区域,提出了一种启发式的传感器节点贪婪部署算法,迭代地将传感器节点部署到覆盖目标点数最多的候选部署区域,直到覆盖所有目标点. 通过仿真实验将所提出的贪婪部署算法和现有的遗传算法以及问题模型的最优解进行了比较,验证了算法的有效性.     

基于本地内容流行度预测的主动缓存策略

已有边缘缓存技术研究假设已知固定的全局流行度,忽略了反映基站接收到的内容请求历史中的流行度地域差异特性和动态特性,为此,提出了一种基于本地内容流行度预测的内容部署策略.首先,考虑流行度的地域特性,将内容请求历史记录相似的小基站分簇;然后,使用线性回归方法预测每个小基站簇群的本地内容流行度,基于预测的本地内容流行度,利用随机几何和凸优化理论求得次优内容部署决策;最后,基于真实数据集的实验验证了所提算法性能以及相应的缓存系统性能.仿真结果表明,所提算法优于对比算法的缓存命中率性能.     

基于贪婪策略的局部优化服务组合方法

提出了一种不依赖于服务关系图、可支持实体之间继承与组合关系、高效的自动服务组合方法.该方法首先标记出必要的可满足服务,然后从中挑选出部分服务直接生成组合路径,从而减少时空开销,避免循环搜索与重复搜索.为达到局部优化的目标,标记可满足服务时运用了贪婪策略.仿真实验表明,该方法具有良好的时间复杂度,能够适用于大规模的语义服务组合.     

求解车辆路径问题的改进离散差分进化算法

针对带容量约束的车辆路径问题易受客户位置和需求等不确定因素影响,导致最优解不可行或非最优等问题,提出一种改进的离散差分进化算法。利用贪心法构建初始解,提高初始解质量;根据整数排列特征重新设计变异算子,并对问题模型改进交叉算子,提高了算法性能;设计融合局部重定位、条件交换及最大贡献度移除机制的局部搜索策略,提高了算法的探索能力。基准测试集仿真试验表明,在33个测试算例中,改进算法能找到31个算例的最优值,较对比算法有更好的求解能力,能有效解决带容量约束的车辆路径问题。     

CDNs基于缓存区预测机制的负载均衡算法

提出了一种基于缓存队列长度动态预测机制的请求重定向（BMP）算法,采用M/M/1排队模型对分布式内容分发网络的负载均衡算法进行了描述,基于队列长度预测的机制减少了分发请求过程中不必要的重定向,同时可以克服单点过载问题.仿真分析结果显示,相比于之前的负载均衡控制策略算法,所提出的BMP算法对服务器缓存区队列长度的均衡效果更优;同时,由于减少了不必要的重定向,也降低了请求响应过程的时延成本.     

适于雷达信号压缩的DCTGA研究

对雷达回波信号进行压缩,可有效减少其传输带宽和节省其存储空间.应用贪婪算法思想,提出了基于离散余弦变换（DCT）的贪婪算法（DCTGA）,并将其应用于雷达回波信号压缩.通过仿真,分析了线性DCT压缩与非线性DCTGA压缩的优缺点,并对DCTGA与DFTGA压缩性能进行了比较.结果表明,与其他压缩方法相比,DCTGA更适于雷达回波信号压缩.     

基于链路预测的全国活羊调运网络重构

小反刍兽疫暴发的主要原因是活羊的长途调运,为了切断疫病的传播途径,必须了解真实的活羊调运网络.根据实际调研数据,利用ArcGIS软件做出了全国活羊调运观测图,并利用随机分块模型预测网络缺失边和识别虚假边的方法,得到了一个更加完整的活羊调运重构网络.研究结果为控制疫情的传播,制定防控措施提供了理论依据.     

非服从性分布式系统中博弈分析法下的副本放置问题

为解决非服从性分布式系统中多数据、多节点、有容量限制的副本放置问题,建立了副本放置模型以及向博弈模型的映射,分析了在无容量限制及有容量限制下纳什均衡的存在性问题以及纳什均衡的优化程度。考虑到纳什均衡获取的时间不可行,提出了无删除副本放置局面的定义,设计了该局面的获取算法并分析算法的相关性质。模拟实验显示了无删除副本放置局面获取算法下系统平均副本数和总代价随节点的容量及放置代价变化的过程,同时在小节点规模下与最优副本放置结果进行比较,结果显示纳什均衡带来的系统总代价不会与最优系统总代价有大的差别,说明在保证个体利益最大化时,全局的效益并不会有大的损害。