聚类是一种典型且重要的数据挖掘方法,但现有聚类算法大多需要人为指定聚类的数量,并且聚类结果对参数敏感.针对上述不足,本文提出一种基于子博弈完美均衡的启发式聚类算法(Heuristic Clustering algorithm based on Sub-game Perfect E...聚类是一种典型且重要的数据挖掘方法,但现有聚类算法大多需要人为指定聚类的数量,并且聚类结果对参数敏感.针对上述不足,本文提出一种基于子博弈完美均衡的启发式聚类算法(Heuristic Clustering algorithm based on Sub-game Perfect Equilibrium,HCSPE).该算法充分挖掘数据点自身的分布特征信息,通过启发式方法得到自适应的参数值,从而使数据点局部密度属性值的得出具有客观性和普适性,降低了聚类结果对参数的敏感性.基于博弈的思想,综合局部密度和相对距离两个属性形成数据点的竞争力,依靠竞争机制完成聚类数量的自动计算以及聚类中心的确定.在多个规模和类型均不相同的数据集上的实验结果表明,本文所提出算法的性能指标整体优于其他算法,并且聚类结果更符合客观所需.展开更多
为了解决Min-Min调度算法中存在的负载不平衡问题,提高集群系统的负载均衡性,该文提出了一种基于Min-Min极限下压算法的负载模糊分类与局部重调度算法(Load fuzzy classification and local re-schedule algorithm,LFC-LRA)。引入模糊...为了解决Min-Min调度算法中存在的负载不平衡问题,提高集群系统的负载均衡性,该文提出了一种基于Min-Min极限下压算法的负载模糊分类与局部重调度算法(Load fuzzy classification and local re-schedule algorithm,LFC-LRA)。引入模糊分类的思想,根据各节点的负载大小,将节点分成三种类型:重负载、中负载和轻负载;对负载较重和较轻的节点进行重新调度,使用Min-Min极限下压算法压缩这些节点的任务完成时间,改善算法的负载失衡问题。实验结果表明:改进后的算法具有较好的负载均衡性,能有效地提高资源的利用率,降低系统的任务完成时间。展开更多
文摘聚类是一种典型且重要的数据挖掘方法,但现有聚类算法大多需要人为指定聚类的数量,并且聚类结果对参数敏感.针对上述不足,本文提出一种基于子博弈完美均衡的启发式聚类算法(Heuristic Clustering algorithm based on Sub-game Perfect Equilibrium,HCSPE).该算法充分挖掘数据点自身的分布特征信息,通过启发式方法得到自适应的参数值,从而使数据点局部密度属性值的得出具有客观性和普适性,降低了聚类结果对参数的敏感性.基于博弈的思想,综合局部密度和相对距离两个属性形成数据点的竞争力,依靠竞争机制完成聚类数量的自动计算以及聚类中心的确定.在多个规模和类型均不相同的数据集上的实验结果表明,本文所提出算法的性能指标整体优于其他算法,并且聚类结果更符合客观所需.
文摘为了解决Min-Min调度算法中存在的负载不平衡问题,提高集群系统的负载均衡性,该文提出了一种基于Min-Min极限下压算法的负载模糊分类与局部重调度算法(Load fuzzy classification and local re-schedule algorithm,LFC-LRA)。引入模糊分类的思想,根据各节点的负载大小,将节点分成三种类型:重负载、中负载和轻负载;对负载较重和较轻的节点进行重新调度,使用Min-Min极限下压算法压缩这些节点的任务完成时间,改善算法的负载失衡问题。实验结果表明:改进后的算法具有较好的负载均衡性,能有效地提高资源的利用率,降低系统的任务完成时间。
文摘最小负载着色问题(minimum load coloring problem,MLCP)源于构建光通信网络的波分复用(wavelength division multiplexing,WDM)技术,是一个被证明的NP完全问题.由于NP完全问题有着随问题规模呈指数增长的解空间,因此启发式算法常被用来解决这类问题.在对国内外相关工作的深入分析基础上得知,现有的多类求解MLCP问题的启发式算法中局部搜索算法表现是最好的.研究针对当前求解MLCP问题的局部搜索算法在数据预处理和邻域空间搜索上的不足,提出了两点相应的优化策略:一是在数据的预处理阶段,提出一度顶点规则来约简数据的规模,进而减小MLCP问题的搜索空间;二是在算法的邻域空间搜索阶段,提出两阶段多重选择策略(twostage best from multiple selections,TSBMS)来帮助局部搜索算法在面对不同规模的邻域空间时可以高效地选择一个高质量的邻居解,它有效地提高了局部搜索算法在处理不同规模数据时的求解表现.将这个优化后的局部搜索算法命名为IRLTS.采用74个经典的测试用例来验证IRLTS算法的有效性.实验结果表明,无论最优解还是平均解,IRLTS算法在大多数测试用例上都明显优于当前表现最好的3个局部搜索算法.此外,还通过实验验证了所提策略的有效性以及分析了关键参数对算法的影响.
