基于图着色的并行Louvain社区发现算法研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-15页 |
| 1.1 课题研究背景和意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 研究内容与主要工作 | 第14页 |
| 1.4 本文组织结构 | 第14-15页 |
| 第2章 相关工作和技术 | 第15-21页 |
| 2.1 复杂网络社区发现理论 | 第15-18页 |
| 2.1.1 复杂网络的表示 | 第15页 |
| 2.1.2 社区发现算法 | 第15-17页 |
| 2.1.3 并行社区发现算法 | 第17-18页 |
| 2.2 图的着色理论 | 第18-20页 |
| 2.2.1 图的着色问题介绍 | 第18-19页 |
| 2.2.2 图着色算法 | 第19-20页 |
| 2.3 本章小结 | 第20-21页 |
| 第3章 基于模块度的社区发现并行化方法研究 | 第21-30页 |
| 3.1 模块度优化函数 | 第21-23页 |
| 3.2 LM算法社区发现算法 | 第23-25页 |
| 3.2.1 算法思想 | 第23页 |
| 3.2.2 算法执行流程 | 第23-25页 |
| 3.3 并行作业划分 | 第25-27页 |
| 3.3.1 图数据划分 | 第25-26页 |
| 3.3.2 并行作业划分模型 | 第26-27页 |
| 3.4 基于模块度的节点状态更新机制 | 第27-29页 |
| 3.4.1 节点状态更新 | 第27-28页 |
| 3.4.2 状态更新模型 | 第28-29页 |
| 3.5 动态负载划分 | 第29页 |
| 3.6 本章小结 | 第29-30页 |
| 第4章 基于OPENMP的并行社区发现算法设计 | 第30-41页 |
| 4.1 并行LM社区发现算法 | 第30-31页 |
| 4.1.1 算法思想和执行流程 | 第30-31页 |
| 4.2 数据结构 | 第31-33页 |
| 4.2.1 传统的图数据结构 | 第31-32页 |
| 4.2.2 改进的图数据结构 | 第32-33页 |
| 4.3 算法设计 | 第33-39页 |
| 4.3.1 粗粒度预处理 | 第33-34页 |
| 4.3.2 基于图着色的预处理策略 | 第34-36页 |
| 4.3.3 模块度计算 | 第36-38页 |
| 4.3.4 社区合并与更新 | 第38-39页 |
| 4.4 算法复杂度分析 | 第39-40页 |
| 4.5 本章小结 | 第40-41页 |
| 第5章 实验和测试分析 | 第41-52页 |
| 5.1 实验平台 | 第41页 |
| 5.2 算法实现 | 第41-43页 |
| 5.3 实验数据集 | 第43页 |
| 5.4 对比算法 | 第43-44页 |
| 5.5 实验结果和分析 | 第44-51页 |
| 5.5.1 LFR基准网络测试 | 第44-45页 |
| 5.5.2 大规模复杂网络数据集测试 | 第45-48页 |
| 5.5.3 与串行LM算法对比实验 | 第48-50页 |
| 5.5.4 图着色算法有效性测试 | 第50-51页 |
| 5.6 本章小结 | 第51-52页 |
| 第6章 总结与展望 | 第52-54页 |
| 6.1 工作总结 | 第52-53页 |
| 6.2 工作展望 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 作者简介 | 第58-59页 |
| 致谢 | 第59页 |
