基于流水光总线阵列的快速数值计算并行算法

介绍基于流水光总线的可重构线性阵列系统(LARPBS)模型及其快速数值计算并行算法，使人们更加了解光总线并行计算模型及其优越性，为今后进一步研究光总线并行计算模型及其并行算法提供帮助。     

基于单维分割的高维数据聚类算法HDCA_SDP

提出一种基于单维分割的高维数据聚类算法HDCA_SDP, 该算法利用单维空间能划分数据的性质,对整个数据集进行逐维聚类,解决了传统聚类算法带来的维度困扰问题,对数据集大小和数据空间维数具有良好的可伸缩性,且聚类结果的精度比传统的高维聚类算法有较大的提高. 实验结果表明,该算法在处理高维大规模数据时是有效的.     

稠密方阵求逆及线性方程组求解的无回代心动算法

本文给出线性方程组求解、方阵求逆的三种无回代心动算法,与文献中的算法相比,不但处理单元统一、数据流动更有规则性,而且具有更小的时空复杂度。对于n阶线性方程组的求解,阵列中有n(n+3)/2个处理单元,需3n—1个单位时间.对于n阶非奇异稠密方阵的求逆,处理时间为4n-2个单位时间;使用Gauss-Jordan消去法时,需n(n+1)个处理单元,使用邻主元素法及Givens旋转法时,需要n(3n+1)/2个处理单元。     

序列模式挖掘算法综述

目前的主要序列模式挖掘算法可以分为3类:①基于Apriori的候选码生成-测试的方法;②基于垂直格式的候选码生成-测试的方法;③基于模式增长的方法.在介绍序列模式挖掘基本概念的基础上,描述了典型的挖掘算法,着重分析第②类序列模式挖掘算法的关键技术,并对各种算法进行详细的分析与比较,总结出它们的优缺点:前两类方法因产生巨大的候选序列而致挖掘代价剧增,而第③类模式增长方法避免了候选序列的产生,但挖掘长模式效率低.     

一种高效挖掘高维数据的频繁闭合模式算法

为了克服传统高维数据挖掘频繁闭合模式算法迭代产生子表,引起算法执行时间长和存储开销大等问题,提出了一种高效挖掘高维数据的频繁闭合模式的算法EMHCP. EMHCP算法采用一种新型结构位图表来压缩存储数据,在仅扫描数据库一次后,建立位图转换表.根据位图转换表来构建混合树结构,采用深度优先的方式和有效的剪枝策略高效挖掘出所有的闭合模式.从而有效地缩小了搜索空间,加快了处理速度.通过在生物数据库应用的实验结果表明, EMHCP算法比已有的CARPENTER和TD-close等算法更为有效.     

基于概念格提取简洁关联规则

从量化封闭项集格所提取的所有最小无冗余规则,虽满足最小前件最大后件的要求,但并不是满足用户设定支持度和置信度的最小规则集.本文提出了一种全局简洁关联规则,使所提取的规则集最小,并给出了基于量化封闭项集格提取全局简洁规则的算法.     

遗传算法的并行实现

详细讨论了遗传算法内在的并行性,列举了遗传算法进行并行处理的主从式并行算法、粗粒度并行算法及细粒度并行算法,比较分析了各种方法的优缺点、适用范围的应用前景。     

CIC模型下基于社区检测的谣言抑制最大化方法

随着电子设备的日益普及和信息扩散的便利性,在线社交网络为各种负面信息的传播提供了高效的媒介.谣言是社交媒体上负面信息的突出形式之一,会引发社会动荡,造成经济损失,因此,快速有效地抑制谣言传播成为当前社交网络研究领域中的一个热点.提出一种有效的谣言抑制传播方法,从网络中选取多个正种子节点来传播真相,抑制谣言的传播.首先采用竞争性独立级联（Conpetitive Independent Cascade,CIC）模型来同时传播谣言和真相;其次,提出一种基于标签传播的社区检测算法对社交网络进行分解,并为各个社区分配正种子节点预算;最后,创新地提出节点强度来衡量网络中节点的重要性,并利用节点强度在各个社区中选取抑制谣言传播的初始正种子集.实验证明,该方法能达到与贪婪算法相匹配的抑制效果,且运行时间比贪婪算法快三个数量级.     

利用量化规则格分布获取关联规则

在形式概念分析中,规则挖掘是构造概念格的目的之一.分布式构格首先是构造部分格,然后合并部分格得到完整格从而加快构格的效率.提出了一种规则合并方法,先在部分格上得到部分规则,然后有部分规则直接合并得到最终规则.结果表明此算法在挖掘规则是快速有效的.     

基于LARPBS模型的快速并行归并排序算法

提出了一种基于LARPBS模型上的并行归并排序算法,该算法使用M1 ε(0<ε<1)个处理器可以在O(lb lbM)时间内对Mε个有序序列进行归并.利用该归并算法对长度为N的序列进行排序,使用N1 ε个处理器可以在O((lb lb N)2)时间内完成.