input arr［］ mergeSort(arr) void MergeSort(Type a［］,int left,int right){ if(left int i=(left+right)/2 mergeSort(a,left,i)
input arr［］
mergeSort(arr)
void MergeSort(Type a［］,int left,int right){
if(left int i=(left+right)/2
mergeSort(a,left,i)
mergeSort(a,i+1,right)
merge(a,b,left,i,right)
copy(a,b,left,right)}}
output Merit［Sn1］,Merit［Sn2］,…,Merit［Sni］
缺乏两个"}"，请补充。
程序后
2.2.3 分裂算法
本文引入通用类节点GN，如果新加入节点和超级节点之间语义不匹配，则交由通用类节点管理。为通用类节点GN设定一个最大值Max，当通用类节点GN中的新节点数超过这个值，根据语义相似聚簇后分裂。进行分裂时，采用合并排序方法选择性能最优超级节点，这个超级节点管辖该新簇中的普通节点。没有语义聚簇的节点继续由通用类节点管理，当节点数超过Max值，调用分裂算法，根据语义相似聚簇后再分裂出来。具体分裂算法如算法3。
算法3 分裂算法。
程序前
Let C represent the set of GN
if(|C|>Max)//GN中的节点数目超过设定的Max
then initialize η,θ
sim(vi,vj)=max IC(v)=max［－lg p(v)］//根据语义相似聚簇
Do 接受sim(vi,vj)
if sim(vi,vj)≥θ
then Wi←Wi+ηx//x代表和Wi语义相似的任意节点，Wi表示聚簇中心
Until 没有语义相似的节点
mergeSort(Wi)//从类的节点中选择超级节点
Merit［vi］=α×capacity+β×uptimeAVE
ClusterID=get Clusterid from Sn id (SnID)
Return ClusterID
End
程序后
3 实验仿真
3.1 实验目的和方法
本实验的目的是测试基于I_LF算法的节点聚簇效率。算法使用UCI数据集中Iris数据集来检验算法的性能。Iris是模式识别中一个经典的数据集，记录的是一些植物的特征数据。共有150条数据和3种决策值，这些数据简单记为0，1，3，…，149。其中0～49、50～99、100～149分别对应一种决策。对数据集分别用leader-follower算法和I_LF算法进行聚簇，分析两种算法的聚类结果,比较两种算法选择出来的超级节点的性能和聚簇的数目。
3.2 实验内容与仿真
3.2.1 聚类结果测试
由于leader-follower算法和I_LF算法都涉及到参数，因此参数设置不同，最后得到的聚簇结果也不一样。本文设置了合适的参数，使得两种算法得到的聚簇结果都是3类，而且聚簇效果比较好。
下面分别给出两种算法得到的聚簇结果。设阈值分别为0.026,0.037，0.043，在此条件下得到两种算法的聚簇结果。
1) leader-follower算法聚簇结果。
①第1类结果如下(共50个数据项)。
1,2,3,4,5,6,147,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24,25,26,27,28,29,30,31,32,33,34,35,36,37,38,39,40,41,42,43,44,45,46,47,49,122,125。
②第2类结果如下(共50个数据项)。
50,51,52,53,148,128,129,55,56,57,58,59,60,61,108,62,63,64,65,109,66,67,68,69,118,70,71,72,73,145,74,75,76,77,149,78,79,80,81,126,82,83,84,85,127,86,87,88,89,124。
③第3类结果如下。
100,101,102,103,104,105,106,107,90,91,92,93,94,95,96,97,98,99,108,109,110,111,112,113,114,115,116,117,118,119,120,121,128,123,129,130,131,132,133,134,135,136,137,138,139,140,141,142,143,144,146,150。
2)I_LF算法的聚簇结果。
①第1类结果如下(共50个数据项)。
1,2,3,4,5,6,147,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24,25,26,27,28,29,30,31,32,33,34,35,36,37,38,39,40,41,42,43,44,45,46,47,49,122，125。
②第2类结果如下(共50个数据项)。
50,51,52,53,148,128,129,55,56,57,58,59,60,61,108,62,63,64,65,109,66,67,68,69,118,70,71,72,73,145,74,75,76,77,149,78,79,80,81,126,82,83,84,85,127,86,87,88,89,124。
③第3类结果如下。
100,101,102,103,104,105,106,107,90,91,92,93,94,95,96,97,98,99,108,109,110,111,112,113,114,115,116,117,118,119,120,121,128,123,129,130,131,132,133,134,135,136,137,138,139,140,141,142,143,144,146,150。
由此可得出，两种算法聚簇结果是一样的，I_LF算法继承了原算法的优点。
3.2.2 I_LF算法
本文采用计算能力、存储能力和在线时长这三个参数来衡量超级节点的性能，用式（6）计算出各个节点的性能。
为了验证实验，本文有如下三元组（节点ID，节点性能，节点语义相似度）数据。其中节点的性能和语义相似度分别通过式（6）和式（4）计算得来的数值，如下所示：
（1,4,0.64），（2,6,0.53），（3,7,0.63），（4,6,0.50），（5,7,0.63），（6,8,0.66），（7,9,0.92），（8,5,0.89），（9,4,0.67），（10,5,0.74），（11,6,0.42），（12,6,0.41），（13,6,0.44），（14,7,0.40），（15,9,0.44），（16,6,0.43），（17,3,0.31），（18,6,0.21），（19,6,0.95），（20,7,0.93），（21,8,0.90），（22,5,0.86），…
分析数据，根据相似性判断标准，ID=1,3,5,6,9的节点，ID=2,4的节点，ID=7,19,20,21的节点，ID=11,12,13,14,15,16的节点，它们各自语义匹配，因此聚为一簇。ID=17，ID=18，ID=10，ID=22语义互不匹配，因此单独是一簇。下面从两方面比较分析leader-follower算法和I_LF算法。 (责任编辑：南粤论文中心)转贴于南粤论文中心: http://www.nylw.net(南粤论文中心__代写代发论文_毕业论文带写_广州职称论文代发_广州论文网）
顶一下
(0)
0%
踩一下
(0)
0%
版权声明：因本文均来自于网络，如果有版权方面侵犯,请及时联系本站删除.
