خلاصه
کلید واژه ها:
بهینه سازی زمان بندی ; حداکثر جریان ؛ داده های مکانی – زمانی ; وظایف تجسم چند سطحی ؛ محیط ابری
۱٫ معرفی
-
تعریف یک کار تجسم چندسطحی و اولویت دادههای آن و طراحی چارچوب زمانبندی دادههای مکانی-زمانی با توجه به ساختار ذخیرهسازی و زمانبندی دادههای مکانی-زمانی در یک محیط ابری.
-
نگاشت توپولوژی شبکه زمانبندی منابع داده به مدل حداکثر جریان و ایجاد یک مدل زمانبندی جریان حداکثر از دادههای مکانی-زمانی میتواند به وضوح توانایی سرویسهای داده مکانی-زمانی چندمنبعی و چند دانهای را کمیت کند.
-
طراحی دو روش تنظیم دینامیکی وظیفه محور پارامترهای مدل حداکثر جریان: گره کش و تخصیص ظرفیت گره ذخیره سازی. این روش میتواند اندازه جریان دادههای مکانی-زمانی چندگانه را کنترل کند و در عین حال بهینهسازی جریان دادههای جهانی را حفظ کند و به طور انعطافپذیری با نیازهای وظایف تحت منابع سختافزار محدود در محیط ابری سازگار شود.
۲٫ چارچوب زمانبندی داده های مکانی-زمانی برای وظایف تجسم چند سطحی
۲٫۱٫ وظایف تجسم چند سطحی و اولویت های داده
۲٫۲٫ چارچوب زمانبندی داده های مکانی-زمانی
۳٫ مدل زمانبندی داده های مکانی-زمانی بر اساس حداکثر جریان
۳٫۱٫ ساخت مدل حداکثر جریان برای زمانبندی دادههای مکانی-زمانی
۳٫۲٫ تنظیمات اولیه گره و ظرفیت لبه
ظرفیت انتقال داده از حاشیه، غیرمتمرکز (Vم،آرم)در شکل ۳ بین گره ذخیره سازی و گره کش به وضوح تحت تاثیر پهنای باند و مقدار داده های ذخیره شده است. در معادله (۱) ب(Vم، آرم)پهنای باند شبکه بین دو گره است Vمو آرم، دآتیآاسمنzه(دکn)مقدار داده گره ذخیره سازی را نشان می دهد دکn، α یک ثابت است که از پهنای باند و مقدار داده محاسبه می شود و t زمان انتقال است. تحت همان پهنای باند شبکه، مقدار بیشتری از داده ها در سرور ذخیره می شود Vم، زمان بیشتری برای تکمیل تمام انتقال داده ها صرف می شود. بنابراین، این مقاله تعریف می کند جمنjاز حاشیه، غیرمتمرکز(Vم،آرم)به این ترتیب که با مقدار داده های ذخیره شده توسط سرور نسبت معکوس دارد Vم، و جمنjکاز حاشیه، غیرمتمرکز(Vم،آرم)با تخصیص حداکثر ظرفیت انتقال محاسبه می شود جمنjبا توجه به نسبت Dکبه مقدار کل داده، همانطور که در رابطه (۲) نشان داده شده است.
ظرفیت انتقال داده از حاشیه، غیرمتمرکز(آرم، مDک)همچنین تحت تأثیر پهنای باند و مقدار داده های ذخیره شده است. تنظیم پهنای باند بین گره ها آرمو مDکمانند ب(آرم، مDک)، بلوک های کش r ={rکل|ک=۱،۲،۳…،q، ل=۱،۲،۳،…،y}چند نوع داده مکانی-زمانی در گره کش ذخیره می شود آر، جایی که rکلl-امین بلوک کش است Dک. مشابه تعریف از جمنjکاز حاشیه، غیرمتمرکز(Vم، آرم)، جمنjکاز حاشیه، غیرمتمرکز(آرم، مDک)همانطور که در رابطه (۳) نشان داده شده است، تعریف می شود.
بر اساس تحلیل های فوق، تابع هدف و محدودیت های مدل MFS برای داده های مکانی-زمانی در معادلات (۴) و (۵) نشان داده شده است. ∑کqfمنjکحداکثر مقدار جریان های امکان پذیر همه داده ها در مدل MFS است.
۳٫۳٫ الگوریتم حداکثر جریان
-
وارد کردن جریان داده از Dکاز ۰ در مدل جی=(V،E);
-
شبکه باقی مانده را بسازید جیfکاز مدل جی=(V،E)و از استراتژی BFS برای یافتن شبکه باقیمانده لایه ای استفاده کنید جیfک”مدل زمانبندی؛ اگر گره سینک داخل نباشد جیfک”، به (۶) بروید
-
از استراتژی DFS برای یافتن مسیر افزایش استفاده کنید. اگر جیfک”یک مسیر افزایشی از گره منبع S به گره غرق T دارد، به (۴) بروید. اگر نه، به (۵) بروید؛
-
با توجه به مسیر افزایش یافت شده و مقدار افزوده، ویژگی لبه هدایت شده شبکه باقیمانده لایه ای را تقویت و اصلاح کنید. جیfک”، سپس به (۳) بروید؛
-
جیfک”هیچ مسیر افزایشی در دسترس نیست. رفتن به (۲)؛
-
جریان امکان پذیر حاصل حداکثر جریان است ز(مDک)از Dک;
-
برای شروع افزایش جریان Dک+۱، مراحل (۲) تا (۶) را تا k = q تکرار کنید.
در نهایت حد پایین و بالایی حداکثر جریان داده طبق رابطه (۶) به دست می آید.
۴٫ روش تخصیص حداکثر جریان مبتنی بر وظیفه برای دادههای مکانی و زمانی
۴٫۱٫ تخصیص ظرفیت گره کش
۴٫۲٫ تخصیص ظرفیت گره ذخیره سازی
۵٫ تجزیه و تحلیل تجربی
۵٫۱٫ محیط تجربی و داده ها
۵٫۲٫ نتایج تجربی و تجزیه و تحلیل
۵٫۲٫۱٫ محاسبه حداکثر جریان داده در حالت اولیه
۵٫۲٫۲٫ تنظیم مدل MFS
۵٫۲٫۳٫ تحلیل میانگین توان عملیاتی
۶٫ نتیجه گیری
منابع
- لیو، ام. ژو، جی. زو، س. چی، اچ. یین، ال. ژانگ، ایکس. فنگ، بی. او، اچ. یانگ، دبلیو. Chen, L. بهینه سازی شبیه سازی و تحلیل تجسم فاجعه سیل شکست سد برای سیستم های محاسباتی متنوع. بین المللی جی. جئوگر. Inf. علمی ۲۰۱۷ ، ۳۱ ، ۱۸۹۱-۱۹۰۶٫ [ Google Scholar ] [ CrossRef ]
- وو، سی. زو، س. ژانگ، ی. دو، ز. بله، X. کین، اچ. ژو، ی. رویکرد سازماندهی و مدیریت ترکیبی NOSQL-SQL برای داده های مکانی در زمان واقعی: مطالعه موردی نظارت تصویری امنیت عمومی. ISPRS Int. J. Geo-Inf. ۲۰۱۷ ، ۶ ، ۲۱٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
- لیو، اف. ژانگ، اچ. هو، ی. گوا، ایکس. زو، ز. جیا، جی. تکنولوژی WebBIM سبک وزن مبتنی بر سزیوم Zhu، H. برای مدیریت تجسم شهر هوشمند. در مجموعه مقالات کنفرانس بین المللی فناوری اطلاعات اتمی در مهندسی زمین، گیماراس، پرتغال، ۲۹ سپتامبر تا ۲ اکتبر ۲۰۱۹؛ صص ۸۴-۹۵٫ [ Google Scholar ]
- گروگر، جی. Plümer, L. CityGML-مدل های شهری سه بعدی معنایی قابل تعامل. ISPRS J. Photogramm. Remote Sens. ۲۰۱۲ ، ۷۱ ، ۱۲-۳۳٫ [ Google Scholar ] [ CrossRef ]
- بیلجکی، اف. لدوکس، اچ. Stoter, J. بهبود سازگاری مجموعه داده های چند-LOD CityGML با حذف افزونگی. در علوم زمین اطلاعات سه بعدی ; Springer: Cham, Switzerland, 2015; صص ۱-۱۷٫ [ Google Scholar ]
- تروبکا، آر. گلاکین، اس. لید، او. پتیت، سی. یک سیستم ارزیابی و تجسم سه بعدی مبتنی بر وب برای مدلسازی سناریوی محوطه شهری. ISPRS J. Photogramm. Remote Sens. ۲۰۱۶ , ۱۱۷ , ۱۷۵–۱۸۶٫ [ Google Scholar ] [ CrossRef ]
- ژانگ، ی. زو، س. لیو، جی. ژنگ، دبلیو. لی، ز. Du, Z. GeoScope: مطالعه موردی سیستم اطلاعات جغرافیایی سه بعدی کامل. ژئو اسپات. Inf. علمی ۲۰۱۱ ، ۱۴ ، ۱۵۰٫ [ Google Scholar ] [ CrossRef ]
- ژای، دبلیو. چی، ز. نیش، اف. Lv, C. تحقیق در مورد سازماندهی داده های مکانی برای صحنه های بزرگ. محاسبه کنید. مهندس ۲۰۰۳ ، ۲۰ . [ Google Scholar ]
- وانگ، دبلیو. Lv، Z. لی، ایکس. خو، دبلیو. ژانگ، بی. زو، ی. Yan, Y. بستر تجزیه و تحلیل واقعیت مجازی GIS مبتنی بر پرس و جو فضایی. محاسبات عصبی ۲۰۱۸ ، ۲۷۴ ، ۸۸-۹۸٫ [ Google Scholar ] [ CrossRef ]
- تان، Q. لیو، کیو. Sun, Z. تحقیق و کاربرد سیستم پیشگیری از بلایای زلزله پکن بر اساس GIS. در مجموعه مقالات کنفرانس بین المللی IEEE 2018 در زمینه فناوری مهندسی کامپیوتر و ارتباطات (CCET)، پکن، چین، ۱۸ تا ۲۰ اوت ۲۰۱۸؛ ص ۲۷۵-۲۷۹٫ [ Google Scholar ]
- لی، ایکس. Lv، Z. هو، جی. ژانگ، بی. شی، ال. Feng, S. XEarth: یک پلت فرم سه بعدی GIS برای مدیریت اطلاعات عظیم شهر. در مجموعه مقالات کنفرانس بین المللی IEEE 2015 در مورد هوش محاسباتی و محیط های مجازی برای سیستم ها و برنامه های اندازه گیری (CIVEMSA)، شنژن، چین، ۱۲ تا ۱۴ ژوئن ۲۰۱۵٫ صص ۱-۶٫ [ Google Scholar ]
- گائو، پی. لیو، ز. زی، ام. Tian، K. توسعه و چشم انداز GIS ابر خصوصی در چین. آسیایی جی ژئوانفورماتیک ۲۰۱۵ , ۱۴ . [ Google Scholar ]
- ژائو، اس. سان، ایکس. چن، جی. دوان، ز. ژانگ، ی. Zhang، Y. روش دانه بندی رابطه ای بر اساس نظریه فضای بهره برای مشکل حداکثر جریان. Inf. علمی ۲۰۱۸ ، ۵۰۷ ، ۴۷۲-۴۸۴٫ [ Google Scholar ] [ CrossRef ]
- آهنگ، دبلیو. جین، بی. لی، اس. وی، ایکس. لی، دی. Hu, F. ساخت پلت فرم ابر فضایی-زمانی برای پشتیبانی از برنامه GIS. ISPRS Ann. فتوگرام حسگر از راه دور اسپات. Inf. علمی ۲۰۱۵ ، ۲ ، ۵۵٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
- زو، سی. قهوهای مایل به زرد، EC; چان، ک. تجسم ۳ بعدی زمین برای وب GIS. نقشه آسیا ۲۰۰۳ ، ۱۳–۱۵٫ [ Google Scholar ]
- سو، تی. کائو، ز. Lv، Z. لیو، سی. لی، X. تجسم چند بعدی داده های محیطی هیدرولوژیکی دریایی در مقیاس بزرگ. Adv. مهندس نرم افزار ۲۰۱۶ ، ۹۵ ، ۷-۱۵٫ [ Google Scholar ] [ CrossRef ]
- کانگ، H.-K. لی، ک.-جی. یک مدل استاندارد داده فضایی داخلی – OGC IndoorGML و رویکردهای پیاده سازی. ISPRS Int. J. Geo-Inf. ۲۰۱۷ ، ۶ ، ۱۱۶٫ [ Google Scholar ] [ CrossRef ]
- فریرا، ن. پوکو، جی. Vo، HT; فریره، جی. سیلوا، CT اکتشاف بصری دادههای شهری فضایی-زمانی بزرگ: مطالعه سفرهای تاکسی شهر نیویورک. IEEE Trans. Vis. محاسبه کنید. نمودار ۲۰۱۳ ، ۱۹ ، ۲۱۴۹-۲۱۵۸٫ [ Google Scholar ] [ CrossRef ]
- گیلارد، جی. پیتاوی، ا. Gesquiére, G. تجسم و شخصیسازی مدلهای شهر چند بازنمایی. بین المللی جی دیجیت. زمین ۲۰۲۰ ، ۱۳ ، ۶۲۷–۶۴۴٫ [ Google Scholar ] [ CrossRef ]
- Jaillot، V. سروین، اس. Gesquière, G. ارائه مدل های شهر سه بعدی در حال تکامل زمان برای تجسم وب. بین المللی جی. جئوگر. Inf. علمی ۲۰۲۰ ، ۱–۲۳٫ [ Google Scholar ] [ CrossRef ]
- Cozzi, P. معرفی کاشی های سه بعدی. سزیوم بلاگ ۲۰۱۵ , ۱۰ . [ Google Scholar ]
- چن، ی. شورج، ا. رجبی فرد، ع. صبری، اس. از IFC تا کاشی های سه بعدی: یک راه حل منبع باز یکپارچه برای تجسم BIM ها بر روی سزیم. ISPRS Int. J. Geo-Inf. ۲۰۱۸ ، ۷ ، ۳۹۳٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
- ژانگ، دی. ژو، ی. Zhang، Y. چارچوب حافظه پنهان چند سطحی برای دسترسی از راه دور به منابع در محاسبات شفاف. IEEE Netw. ۲۰۱۸ ، ۳۲ ، ۱۴۰-۱۴۵٫ [ Google Scholar ] [ CrossRef ]
- جین، بی. آهنگ، دبلیو. ژائو، ک. وی، ایکس. هو، اف. Jiang, Y. یک سیستم تجزیه و تحلیل آماری مکانی-زمانی با کارایی بالا و مبتنی بر بستر ابر مکانی-زمانی. ISPRS Int. J. Geo-Inf. ۲۰۱۷ ، ۶ ، ۱۶۵٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
- پان، اس. چونگ، ی. خو، ز. Tan, X. یک استراتژی ذخیره سازی فعال پیشرفته برای محاسبات فشرده داده در GIS توزیع شده. جی. ابرکامپیوتر. ۲۰۱۷ ، ۷۳ ، ۴۳۲۴-۴۳۴۶٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- لی، آر. وانگ، ایکس. Shi, X. یک استراتژی جایگزین برای یک سیستم ذخیره سازی توزیع شده بر اساس الگوی دسترسی مکانی-زمانی داده های مکانی. ISPRS Ann. فتوگرام حسگر از راه دور اسپات. Inf. علمی ۲۰۱۴ ، ۲ ، ۱۳۳-۱۳۷٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- ما، تی. هائو، ی. شن، دبلیو. تیان، ی. Al-Rodhaan، M. الگوریتم جایگزینی وب کش بهبود یافته بر اساس وزن و هزینه. IEEE Access ۲۰۱۸ ، ۶ ، ۲۷۰۱۰–۲۷۰۱۷٫ [ Google Scholar ] [ CrossRef ]
- Olanrewaju، RF; بابا، ع. خان، BUI؛ یعقوب، م. آزمون، AW; Mir، MS مطالعه ای در مورد ارزیابی عملکرد الگوریتم های جایگزین حافظه پنهان معمولی: یک بررسی. در مجموعه مقالات چهارمین کنفرانس بین المللی ۲۰۱۶ در محاسبات موازی، توزیع شده و شبکه ای (PDGC)، هیماچال پرادش، هند، ۲۲ تا ۲۴ دسامبر ۲۰۱۶؛ صص ۵۵۰-۵۵۶٫ [ Google Scholar ]
- لی، آر. فنگ، دبلیو. وو، اچ. Huang, Q. یک استراتژی تکرار برای یک سیستم ذخیره سازی پرسرعت توزیع شده بر اساس الگوهای دسترسی مکانی-زمانی داده های مکانی. محاسبه کنید. محیط زیست سیستم شهری ۲۰۱۷ ، ۶۱ ، ۱۶۳-۱۷۱٫ [ Google Scholar ] [ CrossRef ]
- غریبی، ج. حاجی، م. Zeghlache, D. زمانبندی vm کارآمد برای مراکز داده ابری: الگوریتمهای تخصیص و مهاجرت دقیق. در مجموعه مقالات سیزدهمین سمپوزیوم بین المللی IEEE/ACM در سال ۲۰۱۳ در مورد محاسبات خوشه ای، ابری و شبکه ای، دلفت، هلند، ۱۳ تا ۱۶ مه ۲۰۱۳٫ صص ۶۷۱-۶۷۸٫ [ Google Scholar ]
- جین، جی. لو، جی. آهنگ، ا. دونگ، اف. Xiong, R. Bar: یک الگوریتم زمانبندی کار مبتنی بر مکان داده کارآمد برای محاسبات ابری. در مجموعه مقالات یازدهمین سمپوزیوم بین المللی IEEE/ACM در سال ۲۰۱۱ در مورد محاسبات خوشه ای، ابری و شبکه ای، نیوپورت بیچ، کالیفرنیا، ایالات متحده آمریکا، ۲۳ تا ۲۶ مه ۲۰۱۱٫ صص ۲۹۵-۳۰۴٫ [ Google Scholar ]
- Bhat، MA; شاه، RM; احمد، ب. محاسبات ابری: راه حلی برای سیستم های اطلاعات جغرافیایی (GIS). بین المللی جی. کامپیوتر. علمی مهندس ۲۰۱۱ ، ۳ ، ۵۹۴-۶۰۰٫ [ Google Scholar ]
- کالسیو، آی. سن، اس. بالاکریشنان، م. Aguilera, MK چگونه هر ساختار داده همزمان را برای سرورهای مدرن پیاده سازی کنیم. Acm Sigops Opera. سیستم Rev. ۲۰۱۷ , ۵۱ , ۲۴-۳۲٫ [ Google Scholar ] [ CrossRef ]
- خروف، RAA; الزوبیدی، ع.ر. Jweihan، M. چارچوب معماری یکپارچه برای پردازش جغرافیایی در محیط ابری. تف کردن Inf. Res. ۲۰۱۷ ، ۲۵ ، ۸۹-۹۷٫ [ Google Scholar ] [ CrossRef ]
- پیگنون، ام. کولیانو، آر. Moschillo, R. توسعه یک پلت فرم Cloud-GIS برای مدیریت و به اشتراک گذاری داده های جغرافیایی در طول توالی لرزه ای ایتالیا مرکزی. ان ژئوفیز. ۲۰۱۷ , ۵۹ . [ Google Scholar ]
- یوان، دی. یانگ، ی. لیو، ایکس. چن، جی. استراتژی قرار دادن داده در گردشهای کاری ابری علمی. ژنرال آینده. محاسبه کنید. سیستم ۲۰۱۰ ، ۲۶ ، ۱۲۰۰-۱۲۱۴٫ [ Google Scholar ] [ CrossRef ]
- زیانی، ع. مدوری، ع. استفاده از فناوریهای رایانش ابری برای سیستمهای اطلاعات جغرافیایی. در مجموعه مقالات کنفرانس بین المللی فناوری اطلاعات، خدمات و سیستم های پیشرفته، طنجه، مراکش، ۱۴ تا ۱۵ آوریل ۲۰۱۷؛ صص ۳۱۵-۳۲۳٫ [ Google Scholar ]
- Zhan، Z.-H. لیو، X.-F. گونگ، ی.-جی. ژانگ، جی. چانگ، HS-H. Li, Y. زمانبندی منابع محاسبات ابری و بررسی رویکردهای تکاملی آن. کامپیوتر ACM. Surv. ۲۰۱۵ ، ۴۷ ، ۶۳٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
- پهل، سی. بروگی، ع. سلدانی، ج. جمشیدی، ص. فناوریهای کانتینر ابری: بررسی پیشرفتهتر. IEEE Trans. رایانش ابری ۲۰۱۷ . [ Google Scholar ] [ CrossRef ]
- خاویر، ام جی. Neves، MV; روسی، FD; فرتو، TC; لانگ، تی. De Rose، CA ارزیابی عملکرد مجازی سازی مبتنی بر کانتینر برای محیط های محاسباتی با کارایی بالا. در مجموعه مقالات بیست و یکمین کنفرانس بین المللی Euromicro در سال ۲۰۱۳ در مورد پردازش موازی، توزیع شده و مبتنی بر شبکه، بلفاست، انگلستان، ۲۷ فوریه تا ۱ مارس ۲۰۱۳٫ صص ۲۳۳-۲۴۰٫ [ Google Scholar ]
- رامکومار، ک. Gunasekaran, G. حفظ امنیت با استفاده از زمانبندی متقاطع AES و FCFS در رایانش ابری. بین المللی J. Adv. هوشمند پارادایگ. ۲۰۱۹ ، ۱۲ ، ۷۷-۸۵٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- ارسلان، س. Topcuoglu، HR; Kandemir، MT; توسون، او. محاسبات، D. فرصتهای زمانبندی برای حافظههای پنهان قابل اعتماد نامتقارن. J. توزیع موازی. محاسبه کنید. ۲۰۱۹ ، ۱۲۶ ، ۱۳۴-۱۵۱٫ [ Google Scholar ] [ CrossRef ]
- لی، ز. یانگ، دبلیو. Wen, Z. الگوریتم زمانبندی اولویت پویا در زمانبندی درخواست خدمات در رایانش ابری. در مجموعه مقالات کنفرانس بین المللی مهندسی الکترونیک و مکانیک و فناوری اطلاعات، شنیانگ، چین، ۷ سپتامبر ۲۰۱۲; صص ۴۶۶۵–۴۶۶۹٫ [ Google Scholar ]
- منگ، ال. Reichenbacher, T. خدمات تلفن همراه مبتنی بر نقشه. در خدمات تلفن همراه مبتنی بر نقشه: نظریه ها، روش ها و پیاده سازی ها . Meng, L., Reichenbacher, T., Zipf, A., Eds.; Springer: برلین/هایدلبرگ، آلمان، ۲۰۰۵; صص ۱-۱۰٫ [ Google Scholar ] [ CrossRef ]
- پیترز، اس. جانکه، م. مورفی، م. منگ، ال. عبدالرحمن، الف. غنیسازی نقشهکشی مدلهای سهبعدی شهر – وضعیت هنر و دیدگاههای پژوهشی . انتشارات بین المللی Springer: برلین/هایدلبرگ، آلمان، ۲۰۱۷٫ [ Google Scholar ]
- مینگوی، ال. چینگ، ز. جون، ز. بین، اف. یون، ال. جونشیائو، ز. شیائو، اف. پنگ چنگ، ز. ویجون، ی. Xinwen، X. مدل کار تجسم چند سطحی برای داده های مکانی-زمانی چند وجهی. Acta Geod. کارتوگر. گناه ۲۰۱۸ ، ۴۷ ، ۱۰۹۸٫ [ Google Scholar ]
- چینگ، ز. Xiao، FU بررسی روشهای تحلیل بصری دادههای بزرگ فضایی-زمانی چندوجهی. Acta Geod. کارتوگر. گناه ۲۰۱۷ ، ۴۶ ، ۱۶۷۲٫ [ Google Scholar ]
- گلدبرگ، ای وی. الگوریتم های ترجان، RE کارآمد حداکثر جریان. اشتراک. Acm ۲۰۱۴ , ۵۷ , ۸۲-۸۹٫ [ Google Scholar ] [ CrossRef ]
- اوریت، تی. Hutter, M. نتایج تحلیلی در مورد مسئله انتخاب الگوریتم BFS در مقابل DFS. بخش اول: جستجوی درخت. در مجموعه مقالات کنفرانس مشترک استرالیا در مورد هوش مصنوعی، کانبرا، استرالیا، ۲۹ نوامبر تا ۲ دسامبر ۲۰۲۰؛ صص ۱۵-۱۶۵٫ [ Google Scholar ]
- گلدفارب، دی. Grigoriadis, MD مقایسه محاسباتی روشهای دینیک و شبکه سیمپلکس برای حداکثر جریان. ان اپراتور Res. ۱۹۸۸ ، ۱۳ ، ۸۱-۱۲۳٫ [ Google Scholar ] [ CrossRef ]
- نیرمالا، اچ. Girijamma، الگوریتم زمانبندی اولویت فازی HA برای سیستم های چند پردازنده ای. در مجموعه مقالات کنفرانس بین المللی ۲۰۱۷ در مورد پیشرفت های اخیر در الکترونیک و فناوری ارتباطات (ICRAECT)، بنگلور، هند، ۱۶ تا ۱۷ مارس ۲۰۱۷٫ [ Google Scholar ]
- زو، س. فنگ، بی. لی، ام. چن، ام. خو، ز. Xie، X. ژانگ، ی. لیو، ام. هوانگ، ز. Feng, Y. یک روش شاخص نمودار پراکنده کارآمد برای دادههای پویا و مرتبط. Acta Geodaetica et Cartographica Sinica ۲۰۲۰ ، ۴۹ ، ۶۸۱-۶۹۱٫ [ Google Scholar ]
- فنگ، بی. زو، س. لیو، ام. لی، ی. ژانگ، جی. فو، ایکس. ژو، ی. لی، ام. او، اچ. یانگ، دبلیو. یک روش نمایه سازی مکانی-زمانی مبتنی بر نمودار کارآمد برای سازماندهی داده صحنه چندوجهی وظیفه محور. ISPRS Int. J. Geo-Inf. ۲۰۱۸ ، ۷ ، ۳۷۱٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
- لی، دی. می، اچ. شن، ی. سو، اس. ژانگ، دبلیو. وانگ، جی. زو، م. Chen, W. ECcharts: چارچوبی اعلامی برای ساخت سریع تجسم مبتنی بر وب. Vis. آگاه کردن. ۲۰۱۸ ، ۲ ، ۱۳۶-۱۴۶٫ [ Google Scholar ] [ CrossRef ]
بدون دیدگاه