| 表目录 | 第1-8页 |
| 图目录 | 第8-11页 |
| 摘要 | 第11-13页 |
| ABSTRACT | 第13-16页 |
| 第一章 绪论 | 第16-45页 |
| ·研究背景 | 第16-19页 |
| ·研究现状 | 第19-29页 |
| ·复杂网络研究现状 | 第19-25页 |
| ·图划分技术研究现状 | 第25-28页 |
| ·存在的问题 | 第28-29页 |
| ·相关研究工作 | 第29-40页 |
| ·复杂网络 | 第29-31页 |
| ·图划分技术 | 第31-40页 |
| ·本文的主要工作 | 第40-45页 |
| ·研究思路 | 第40-41页 |
| ·研究内容 | 第41-43页 |
| ·主要贡献 | 第43-45页 |
| 第二章 复杂网络图的划分 | 第45-63页 |
| ·复杂网络图 | 第46-48页 |
| ·基于α性质的图划分 | 第48-57页 |
| ·基于α性质图划分的例子 | 第51-54页 |
| ·图着色划分和割边最少划分的关系 | 第54-55页 |
| ·图划分中的对偶问题 | 第55-56页 |
| ·树图的划分 | 第56-57页 |
| ·基于α性质的复杂网络图的划分 | 第57-62页 |
| ·本章小节 | 第62-63页 |
| 第三章 负载均衡优先的复杂网络图的划分算法 | 第63-85页 |
| ·多级划分算法形式化描述及分类 | 第64-71页 |
| ·缩并过程分类 | 第67-68页 |
| ·划分算法分类 | 第68-71页 |
| ·自底向上的多级划分算法的改进 | 第71-74页 |
| ·动机 | 第71-72页 |
| ·方法 | 第72-73页 |
| ·实验 | 第73-74页 |
| ·一个自顶向下的多级划分算法 | 第74-84页 |
| ·动机 | 第74-75页 |
| ·方法 | 第75-81页 |
| ·实验 | 第81-84页 |
| ·本章小节 | 第84-85页 |
| 第四章 通信开销优先的复杂网络图的划分算法 | 第85-111页 |
| ·算法的主要思想 | 第86-89页 |
| ·数据结构的构造 | 第89-93页 |
| ·社区支撑树 | 第89-92页 |
| ·划分协助图 | 第92-93页 |
| ·树图的同构/自同构算法 | 第93-104页 |
| ·树图的同构 | 第93-95页 |
| ·树图的自同构 | 第95-104页 |
| ·基于支撑树的划分 | 第104-110页 |
| ·初始划分 | 第104-106页 |
| ·微调算法 | 第106-108页 |
| ·实验 | 第108-110页 |
| ·本章小节 | 第110-111页 |
| 第五章 复杂网络图的划分算法在脑神经网络动力学仿真中的应用与实现 | 第111-130页 |
| ·脑神经网络的动力学并行仿真框架 | 第111-114页 |
| ·HH神经网络的并行仿真 | 第114-117页 |
| ·模型 | 第114-116页 |
| ·实验 | 第116-117页 |
| ·IF神经网络的并行仿真 | 第117-120页 |
| ·模型 | 第117-118页 |
| ·实验 | 第118-120页 |
| ·网络生成、网络性质分析及结果输出 | 第120-129页 |
| ·基于机会成本的调度模型 | 第120-126页 |
| ·实现方法 | 第126-129页 |
| ·本章小节 | 第129-130页 |
| 第六章 结论与展望 | 第130-133页 |
| ·结论 | 第130-131页 |
| ·展望 | 第131-133页 |
| ·本文未来的工作 | 第131页 |
| ·复杂网络计算的新方向 | 第131-133页 |
| 致谢 | 第133-136页 |
| 参考文献 | 第136-146页 |
| 作者在学期间取得的学术成果 | 第146-148页 |
| 作者在学期间参加的科研项目 | 第148-149页 |
| 作者在学期间获得荣誉 | 第149页 |