论文发表,代写代发论文

　　
　　?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 I?C?(?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 ?Cluster????id?? 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)