| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 主要研究内容 | 第13-14页 |
| 1.4 本文工作和论文组织结构 | 第14-16页 |
| 第2章 相关工作 | 第16-30页 |
| 2.1 复杂网络 | 第16-19页 |
| 2.1.1 复杂网络简介 | 第16页 |
| 2.1.2 网络结构指标 | 第16-17页 |
| 2.1.3 常见模型及特性 | 第17-19页 |
| 2.2 GPU并行计算及CUDA架构 | 第19-24页 |
| 2.2.1 GPU通用计算介绍 | 第19-21页 |
| 2.2.2 CUDA架构 | 第21-24页 |
| 2.3 复杂网络社团发现 | 第24-28页 |
| 2.3.1 基于划分的社团发现 | 第26页 |
| 2.3.2 基于模块度的社团发现 | 第26-28页 |
| 2.3.3 并行社团发现算法 | 第28页 |
| 2.4 本章小结 | 第28-30页 |
| 第3章 基于GPU加速的复杂网络介数计算 | 第30-46页 |
| 3.1 最短路径及介数计算 | 第30-33页 |
| 3.2 GPU加速的介数计算并行算法 | 第33-39页 |
| 3.2.1 算法思路及数据结构 | 第33-35页 |
| 3.2.2 算法流程 | 第35-37页 |
| 3.2.3 GPU优化设置 | 第37-39页 |
| 3.3 实验与分析 | 第39-44页 |
| 3.3.1 实验环境 | 第39页 |
| 3.3.2 实验数据集 | 第39-41页 |
| 3.3.3 试验初始参数设置 | 第41页 |
| 3.3.4 实验结果及性能分析 | 第41-44页 |
| 3.4 本章小结 | 第44-46页 |
| 第4章 基于模块度优化的复杂网络并行社团划分算法 | 第46-66页 |
| 4.1 基于GPU改进的Blondel社团发现算法 | 第46-55页 |
| 4.1.1 Blondel社团发现算法 | 第46-48页 |
| 4.1.2 基于GPU改进的Blondel算法 | 第48-51页 |
| 4.1.3 实验分析 | 第51-55页 |
| 4.2 基于GPU改进的模拟退火社团发现算法 | 第55-65页 |
| 4.2.1 模拟退火 | 第55-57页 |
| 4.2.2 基于模拟退火的社团发现算法 | 第57-58页 |
| 4.2.3 基于GPU改进的模拟退火社团发现算法 | 第58-65页 |
| 4.3 本章小结 | 第65-66页 |
| 第5章 总结与展望 | 第66-68页 |
| 5.1 工作总结 | 第66页 |
| 5.2 进一步研究工作 | 第66-68页 |
| 参考文献 | 第68-72页 |
| 致谢 | 第72-74页 |
| 攻读硕士期间参加的科研项目 | 第74页 |