基于多GPU集群的编程框架

现如今,GPU作为一种低功耗高性能图形处理器单元,被广泛应用于高度并行化的应用程序中。其线程和内存的层次结构在诸多成功的多线程应用和科学研究中表现出巨大的优势。为了简化多GPU集群的编程模式以及更好地利用GPU的计算性能,设计并实现了一个新的基于多GPU的MapReduce并行编程框架。使用了并行虚拟文件系统（PVFS）来存储数据,考虑了动态的负载平衡和GPU相关的权重要素以达到优化系统的效率、透明性以及系统的可伸缩性的目的。在文中,将演示使用该编程模式解决地质应用的一个典型的偏移应用-叠前时间偏移（PKTM）,并给出实验结果。     

案例教学法在计算机网络课程教学中的应用

针对计算机网络课程的理论性、实践性和抽象性等特点,提出计算机网络课程案例教学法的可行性方案及其应用。通过TCP/IP协议族分层的原因和IP地址存在的原因和作用这两个具体的教学案例,开展具体的案例教学活动。分析表明,案例教学法在计算机网络课程教学中非常有效,应该进行推广和实施。     

一种应用ARPSO优化RBF神经网络的方法

针对径向基函数神经网络参数难以设置以及因此而导致的网络隐层结构不明朗的问题,提出了一种应用控制种群多样性的微粒群（ ARPSO）优化径向基函数神经网络（ RBF）的方法。通过引入“吸引”和“扩散”因子对基本微粒群算法进行改进,并将改进的微粒群算法用于RBF聚类半径的优化,进而能够合理地确定RBF的隐层结构。将用ARPSO优化的RBF神经网络应用于非线性函数逼近,经实验仿真验证,与基本微粒群（ PSO）算法、收缩因子微粒群（ CFA PSO）算法优化的RBF神经网络相比较,在收敛速度和识别精度上有了显著的提高。     

A graph-theoretical clustering method based on two rounds of minimum spanning trees

Many clustering approaches have been proposed in the literature, but most of them are vulnerable to the different cluster sizes, shapes and densities. In this paper, we present a graph-theoretical clustering method which is robust to the difference. Based on the graph composed of two rounds of minimum spanning trees (MST), the proposed method (2-MSTClus) classifies cluster problems into two groups, i.e. separated cluster problems and touching cluster problems, and identifies the two groups of cluster problems automatically. It contains two clustering algorithms which deal with separated clusters and touching clusters in two phases, respectively. In the first phase, two round minimum spanning trees are employed to construct a graph and detect separated clusters which cover distance separated and density separated clusters. In the second phase, touching clusters, which are subgroups produced in the first phase, can be partitioned by comparing cuts, respectively, on the two round minimum spanning trees. The proposed method is robust to the varied cluster sizes, shapes and densities, and can discover the number of clusters. Experimental results on synthetic and real datasets demonstrate the performance of the proposed method.     

基于集群的图像并行处理技术的研究

介绍了集群计算机系统和PVM,通过分析集群计算机系统的特征,提出基于集群计算机系统的图像并行处理系统,并分析了该系统的结构、基本功能与关键技术。该系统能提供更好的图像处理性能,具有较好的实际应用价值。     

兼容弱连通簇的Ad Hoc网络分簇算法

现有分簇算法生成的簇结构都是强连通的单一结构,无法充分利用节点资源.针对该问题,提出一种兼容弱连通簇的分簇算法.定义符合弱连通簇的邻居表结构,并阐述邻居表维护策略,该算法去除簇成员与簇首强连通的条件限制,从而可选择更优的节点作为簇首.分析结果表明,该算法得到的簇结构具有较好的稳定性和持续性.     

基于大数据集群架构的数据管理系统设计

由于传统存储设备容量、传输带宽有限,而且设备节点扩展难、使用难、数据管理难,不足以应付不断增长的用户及数据存储要求。针对这种情况,通过对现有大数据底层支撑技术的梳理,搭建了一种基于大数据集群架构的数据管理系统,该系统为满足支持不同地域海量数据服务的需求,考虑了高性能、易用性、易扩展和可靠性等方面的因素,解决了在用户激增的情况下,较容易的通过增加硬件就完成系统的扩容,并具备异地就近服务、异地互备的能力。     

基于能量和均衡分簇的WSN自适应拓扑控制

无线传感器网络中基于分簇的拓扑控制方法容易将低能量节点误选为簇头而加速死亡,且在成簇过程中未考虑簇成员数量,会导致簇头负载过重。为此,提出一种基于能量和均衡分簇的自适应拓扑控制方法。在选择簇头时考虑节点的剩余能量,采用均衡化思想自适应构建簇成员。仿真实验结果表明,该方法能有效降低节点死亡速率,延长网络寿命,提高网络的服务性能。     

基于改进蛙跳算法的WSNs路由协议

在分析已有的各类分簇方法后,提出了一种改进蛙跳算法的无线传感器网络(WSNs)路由协议.将模拟退火(SA)算法的Metropolis判别准则引入到蛙跳算法中,改进蛙跳算法的局部搜索能力.该协议结合传感器节点本身剩余能量和位置建立适应度函数,通过改进蛙跳算法实现适应度函数的最优求解,从而获得合适的分簇,并在簇头节点数据传输时采用新的路由方式.仿真实验表明:该方法在降低网络能耗,延长网络的生存周期方面有明显的优势.     

一种基于PSO&PAM的聚类算法

PAM是最早提出的k-medoids算法之一,该算法比较健壮,比k-means算法鲁棒性更强,但是PAM对初始值敏感,易陷入局部收敛。利用PSO算法对PAM进行优化,提出一种基于PSO和PAM的聚类方法,充分利用PAM和PSO两者对于不同问题的优势,来不断地更新PAM的聚类中心。通过建立基于熵的聚类有效性函数,对混合聚类算法的性能进行客观评价。从来自UCI的数据的测试结果表明,这种混合聚类的方法有较高的聚类正确率。