检索结果

Select

1. 散乱点云的自适应 α-shape曲面重建

何华, 李宗春, 李国俊, 阮焕立, 隆昌宇

计算机应用 2016, 36 (12): 3394-3397. DOI: 10.11772/j.issn.1001-9081.2016.12.3394

摘要（580）

PDF （734KB）（369）

针对 α-shape算法不适用于散乱非均匀点集曲面重建的问题，提出了一种基于点云数据局部特征尺寸（LFS）的自适应 α-shape曲面重建改进算法。首先，以采样点的 k-邻近点计算出负极点逼近曲面中轴（MA）；然后，根据近似中轴计算曲面在采样点处的局部特征尺寸，并依据局部特征尺寸对原始点云进行非均匀降采样；最后，根据三角面片的外接球半径和对应的α值自适应重建出物体表面。与 α-shape算法相比，所提算法可以有效合理地减少点云数据量，点云简化率达到70%左右，同时重建结果中冗余三角面片更少且基本没有孔洞。实验结果表明，所提算法能够自适应地重建出非均匀点集的表面。

参考文献 | 相关文章 | 多维度评价

Select

2. 使用确定随机Petri网对Hadoop公平调度的建模和性能分析

何华, 林闯, 赵增华, 庞善臣

计算机应用 2015, 35 (5): 1255-1261. DOI: 10.11772/j.issn.1001-9081.2015.05.1255

摘要（441）

PDF （1124KB）（14878）

由于Hadoop能在同一时间处理多个用户提交的不同作业的多个任务,这使得用传统的方法对其进行建模和性能分析变得十分困难.为了解决这个问题,基于马尔可夫排队模型M/MMDP/C/K建立了一个随机Petri网(SPN)模型和一个确定随机Petri网(DSPN)模型来分别描述Hadoop调度中的数据状态和作业公平调度.通过设置DSPN中的使动谓词和随机开关来建模Hadoop公平调度和YARN公平调度.使用嵌入的马尔可夫链模型来分析单用户情景,而在分析多用户情景时则引入分解和迭代技术来减小模型的状态空间,从而避免产生状态爆炸问题.研究侧重于Hadoop中作业调度的平均性能,仅通过求解提出的分析模型,就可以对比和分析服务质量(QoS)的一些关键指标,如平均吞吐量、平均队列长度和平均时延.采用Matlab进行仿真:当每秒到达任务数大于等于20时,YARN算法的数据积压和平均时延明显少于公平算法;当每秒到达任务数大于等于30时,YARN算法的平均吞吐量明显高于公平算法.实验结果表明,YARN公平算法能够减少平均处理和排队等待时间,在平均吞吐量、平均队列长度和平均时延上明显优于公平算法.

参考文献 | 相关文章 | 多维度评价

Select

3. 多Agent自动协商策略和算法

张宏何华灿

计算机应用

摘要（1623）

PDF （607KB）（1041）

针对传统协商过程周期长、代价高的问题,提出了三类形式化的曲线簇来描述Agent所采取的协商策略以及一种数学化和计算机程序化的多Agent自动协商算法。这三类策略分别为急躁型、节俭型和折中型。通过实验模拟发现采用所提出的协商策略和算法更符合人类思维的直观。该方法可应用于多种电子商务交易（如B2B和B2C）等活动中。