任意网络中的可分数据处理研究
结题报告
批准号:
61502403
项目类别:
青年科学基金项目
资助金额:
20.0 万元
负责人:
张哲民
依托单位:
学科分类:
F0204.计算机系统结构与硬件技术
结题年份:
2018
批准年份:
2015
项目状态:
已结题
项目参与者:
毛波、郑炜、曾坤、Dieudonné MUHETO、林明霞、常旺、王玉成
国基评审专家1V1指导 中标率高出同行96.8%
结合最新热点,提供专业选题建议
深度指导申报书撰写,确保创新可行
指导项目中标800+,快速提高中标率
客服二维码
微信扫码咨询
中文摘要
在传统用于分析可分数据处理的等效节点法中,为了建立求解数据分配方式所需的线性方程,网络中的节点最多只能从一个邻居节点接收数据。这极大的降低了网络链路资源的利用率,从而导致了数据传送时间长,数据处理速度的提升受到了限制。为了提高网络链路资源的利用率以进一步提升数据处理速度,我们拟在三个方面展开研究工作:1)在允许节点从多个邻居节点接收数据的情况下,为任意给定网络中的可分数据处理优化建立模型;2)运用新的分析方法找到所建模型的最优解;3)在最优算法的基础上设计低时间复杂度且性能优异的经验算法。项目解除了等效节点法中对节点接收数据的限制,进而为可分数据处理速度的进一步提升奠定了基础。为了对新建模型进行求解,我们提出了一整套的分析方法,不仅找到了模型的最优解,还为设计有效的经验算法提供了思路。本项目的研究具有重要的理论创新和广泛的应用前景。
英文摘要
In order to establish the linear equations, which are required to calculate the divisible load distribution pattern, the traditional equivalent processing node method restricts that any node in the network can receive load from no more than one of its neighbors. Such restriction drastically lowers the utilization of network link resource, which leads to long load transmission time, and limits the further improvement of load processing speedup. We plan to conduct our research in the following 3 aspects, such that the load processing speedup can be further increased by better utilizing the network link resource: 1) we allow node receive load from multiple neighbors, and establish new optimization model for divisible load scheduling in an arbitrary network; 2) we apply a novel analysis method to solve the optimization model; 3) we propose a heuristic algorithm with low time complexity but good performance. The project eliminates the restriction in the equivalent processing node method, therefore, further improvement of load processing speedup becomes possible. We develop a set of analysis method to find out the optimal solution of the new model, and provide the idea of designing an effective heuristic algorithm. Hence, the project is of great novelty and wide applicability.
在传统用于分析可分数据处理的等效节点法中,为了建立求解数据分配方式所需的线性方程,网络中的节点最多只能从一个邻居节点接收数据。这极大的降低了网络链路资源 的利用率,从而导致了数据传送时间长,数据处理速度的提升受到了限制。为了提高网络链路资源的利用率以进一步提升数据处理速度,我们在三个方面展开研究工作:1)在允许节点从多个邻居节点接收数据的情况下,为任意给定网络中的可分数据处理优化建立模型;2)运用新的分析方法找到所建模型的最优解;3)在最优算法的基础上设计低时间复杂度且性能优异的经验算法。项目解除了等效节点法中对节点接收数据的限制,进而为可分数据处理速度的进一步提升奠定了基础。为了对新建模型进行求解,我们提出了一整套的分析方法,不仅找到了模型的最优解,并设计了有效的经验算法。在项目研究期间,由于项目负责人的兴趣转向人工智能,因而项目的主要成果为深度学习及优化算法加速方面的两篇论文。深度学习领域发表的一篇论文提出了利用转移矩阵的思路预测短时交通流量,实验结果表明基于转移矩阵的深度网络在交通流预测问题上有很好的表现,可以为厦门岛的交通管理提供有益参考。另一篇关于优化算法加速的论文提出了新的步长更新策略以提升算法效率和运行速度。新的步长更新策略可以惠及基于梯度下降的优化问题求解。
期刊论文列表
专著列表
科研奖励列表
会议论文列表
专利列表
Mini-batch algorithms with online step size
具有在线步长的小批量算法
DOI:10.1016/j.knosys.2018.11.031
发表时间:2019-02
期刊:Knowledge-Based Systems
影响因子:8.8
作者:Zhuang Yang;Cheng Wang;Zhemin Zhang;Jonathan Li
通讯作者:Jonathan Li
国内基金
海外基金