数据中心启发式反向人工蜂群虚拟机整合节能策略

针对数据密集型作业的特点,提出一个基于CPU和图形处理器(GPU)两个影响因素构建计算节点的能耗评估模型.该模型基于原虚拟机选择节能算法(ABCS)在虚拟机选择节能策略中的能效优势,进一步利用启发式思想改进蜂群优化算法,寻求虚拟机整合的最优解.在CloudSim 3.0云计算模拟器中的实验结果表明,启发式反向蜂群算法能在保证服务质量的前提下,有效降低虚拟机迁移次数,进而降低数据中心的能耗(节能25%~30%).     

电容法确定涂层中液体的扩散速率

通过测量浸入介质液的涂层(基片)、介质液以及涂层本身的介电系数,计算浸入涂层的的体积分数,再利用对Fick第二定律的级数解,求得介质的扩散系数,以评价涂层的质量。     

混沌图引力搜索算法求解压力容器约束问题

为解决运用混沌图引力搜索算法( CGSA: Chaotic Gravitational Constants for the Gravitational Search Algorithm) 难以计算经典的压力容器设计( PVD: Pressure Vessel Design) 约束优化问题,提出了一种改进的混沌图引力搜索算法( CGSA9 + ) 。首先,分析PVD 约束条件中各变量间的相互依赖关系,确定总体中各维度随机的先后依赖顺序; 其次,在继承CGSA 算法子代产生的规则基础上,更新越界子代的产生规则,借助当前全局最优解位置,优化子代产生规则; 最后,通过循环验证是否满足约束,进而求解与评估,得到最优解。对比实验表明,该新算法能有效解决PVD 约束优化问题,并具有较好的优化效果。     

数据云中基于启发式反向蜂群的虚拟机选择节能算法

结合数据中心中数据密集型作业的频繁读写数据特点,综合考虑CPU使用率和RAM使用率两个影响因素构建服务器能耗评价模型,并引入人工蜂群算法及启发式反向思想,将其应用于数据中心虚拟机迁移策略中的虚拟机选择环节,实现云计算中数据中心节能问题的优化.在CloudSim 3.0云计算模拟器中的仿真实验结果表明:该启发式反向蜂群虚拟机选择节能算法(ABCS)与最大最小时间(MMT)、随机选择(RS)和最小使用率(MU)3种经典虚拟机选择算法相比节能20%~25%,虚拟机迁移频率减少至5%以下.     

酸溶法传像束单丝成纤过程流体动力学分析

酸溶法是制造柔性光纤传像束的先进工艺,而三坩埚法拉制3层同轴单丝是酸溶法工艺中的关键技术。为了保证三坩埚法成纤时芯料、皮料和酸溶玻璃的物料平衡,首先设计了柔性光纤传像束的单丝直径和断面结构,测定了芯料、皮料和酸溶玻璃的黏度-温度曲线以及密度,并采用流体动力学的方法分析了玻璃在坩埚内的流动状态,最终根据流量平衡的原理提出了三坩埚设计参数的计算方法。该计算方法根据误差分析对计算参数进行调整后取得了良好的效果。     

基于OLAP的副本选择体系结构OLAPRES

针对当前副本选择算法处理时间随副本个数增加而急剧增加的问题, 提出一种基于OLAP技术的副本选择体系结构OLAPRES, 利用OLAP技术中的数据预处理和快速查询功能, 使大量副本中的快速选择成为可能并描述了基于OLAPRES副本选择的工作流程.     

CAI技术在大学英语教学中应用的探讨

现代信息技术的飞速发展和网络的日益成熟促使我们对教学理念、教育思想、教学方式不断更新。本文引用心理学,教育学及英语教学法理论,从研究学生的心理入手,分析传统英语教学的某些弊端,阐明了应用计算机辅助教学(Computer Assisted Instruction,简称CAI,下同)技术改革课堂教学的时代性,并对CAI技术在大学英语课堂中的应用及可行性进行了初步探索,总结出一套操作性较强、理论联系实际的教学方法。     

基于离群点剔除的SVM信用风险评价方法

针对信用评价数据存在离群点和噪声问题, 提出一种基于离群点剔除的支持向量机（SVM）信用风险评价模型. 该模型利用模糊c-均值聚类算法剔除样本离群点, 采用粒子群算法优化支持向量机分类参数, 进而提高支持向量机的分类性能. 将该方法应用于信用风险评价中的结果表明, 相比于其他模型, 该方法分类精度更高.     

改进DBSCAN聚类算法在电子商务网站评价中的应用

针对全国100家电子商务示范企业的相关数据, 先采用因子分析法对高维数据进行降维处理; 再通过改进DBSCAN（density based spatial clustering of applications with noise）算法对降维后的密度不均数据进行聚类分析, 得到了更合理的聚类结果; 最后根据聚类结果对相关示范企业提出改进建议.     

基于CDbw和人工蜂群优化的密度峰值聚类算法

针对密度峰值聚类(DPC)算法存在的d_c值难选择及近邻原则聚合操作在低密度区效果不佳的问题, 提出一种基于人工蜂群与CDbw聚类指标优化的密度峰值聚类（BeeDPC）算法, 以实现类簇间数据点的自动识别和合理聚类, 并解决DPC对类簇间数据点类别识别上存在的缺陷. 实验结果表明, BeeDPC算法具有自动识别并合理聚类类簇间数据点、 自动识别类簇中心点和类簇数量及自动处理任意分布数据集的优势.