一、一种改进的约束关联规则挖掘算法（论文文献综述）
易志宇[1]（2021）在《关联规则挖掘算法及其分布式并行化研究》文中指出关联规则挖掘能够发掘事物之间的关联,是数据挖掘的一个重要分支。多元应用场景的出现,数据量的不断增长对现行串行算法的挖掘效率提出了更高的要求,因此如何提高现行串行关联规则挖掘算法的运行效率是当前亟须解决的问题。本课题从串行改进和并行改进两个方面来对串行算法的挖掘效率进行优化。本课题首先分析了现行串行关联规则挖掘算法Apriori存在的缺陷,然后针对这些缺陷提出一种结合编码转换、哈希存储与事务压缩的串行改进算法。该算法对事务编码,以位运算代替了集合运算,通过哈希存储实现高效的数据插入与查找,同时在算法运行过程中利用三个阶段的事务压缩来降低运算规模。实验结果表明,该算法挖掘结果准确,算法的整体运行效率和每一轮迭代的运行效率均较原算法具有一定的提升,且在事务重复较多的情况下具有更好的可拓展性。为了进一步提高挖掘效率,本课题在对串行改进算法中存在的性能瓶颈进行细致分析后,提出基于Spark的并行化改进方法。并行改进算法通过Spark算子将串行改进算法中挖掘频繁1-项集、编码转换和迭代挖掘频繁k-项集这三个阶段进行高效的并行化改进,引入负载均衡策略实现数据的均衡划分,并针对Spark平台本身的特点在算法的实现过程中采用三种不同的优化策略。实验结果表明,该算法相较于两种对比算法具有更好的运行效率,同时具有良好的数据可拓展性和节点可拓展性,能够适应数据容量和集群节点的变化。最后为了验证并行改进算法的实用性,将算法应用在网络入侵检测的实际环境中,构建了基于并行改进算法的分布式规则库挖掘框架,该框架能够从网络数据中挖掘用于入侵检测的规则库。实验结果表明,在对一定数量的数据进行挖掘后,生成的规则库对几种常见异常能够达到90%的识别精度。
郝爽[2]（2021）在《基于矩阵的增量式关联规则更新算法研究》文中指出关联规则挖掘是数据挖掘非常重要的研究领域,通常用于发现数据背后隐藏的关联关系。传统的关联规则挖掘算法用于处理静态数据库,对于动态变化的数据库处理效率低下。为了提高关联规则更新的效率,增量式关联规则更新算法成为学者们研究的热点。到目前为止,国内外的专家学者们提出了许多增量式关联规则更新算法,大致可分为基于Apriori的算法和基于FP-Tree的算法两类,前者需要多次扫描事务数据库,时间开销巨大;而后者会生成大量的条件FP-Tree,空间开销巨大。在基于Apriori算法的增量更新算法中,FUP（Fast Update Pruning）算法是一种解决在事务数据库中增加数据集情况下挖掘新的关联规则的经典算法。FUP算法利用了已挖掘到的频繁项集信息,减少了大量的重复计算。然而,该算法计算项集的支持度时还是需要扫描整个事务数据库,候选项集的连接与剪枝效率不高,当事务数据库很大时,此操作会成为该算法的性能瓶颈,降低频繁项集的挖掘速率。为了解决上述问题,本文重点研究当事务数据库大小发生改变时,新的关联规则如何快速更新。本文在FUP算法的基础上,提出了一种新的增量式关联规则更新算法FBBM（FUP Algorithm based on Boolean Matrix）算法。该算法使用布尔矩阵对事务数据库进行优化,只需扫描一次事务数据库,降低性能开销。此外,优化对原有关联规则信息的使用方法,使得在增删数据集的情况下都能充分利用原有关联规则信息以避免比不必要的重复计算。针对于传统候选项集的连接与剪枝效率低下的问题,本文通过分析候选项集的产生机制,利用频繁2-项集矩阵及其支持矩阵对项集进行判定和筛选,提高候选项集的连接效率和减少项集支持度计算量。使用公开数据集对改进后的算法进行测试,并与已有的经典算法进行对比。实验结果表明,改进后的算法在关联规则更新效率方面有较大提升。
刘小平[3]（2020）在《关联规则挖掘中基于随机响应的隐私保护技术研究》文中提出近年来,在网络技术和信息技术蓬勃发展的时代背景下,大数据技术应运而生。人们在对海量的数据进行收集和利用的过程中,为了尽可能多地发掘数据的价值,希望从这些海量数据中找到某些隐含的关联关系,并将其运用到实际的生产生活中。数据挖掘技术能够帮助人们更好地发现大数据中的潜在关联,目前已经在商业分析以及医学研究等领域得到了广泛的应用。然而,数据挖掘技术的广泛应用也带来了一些问题。由于挖掘数据中可能包含了个体的隐私信息,在挖掘过程中不可避免地会造成个体隐私信息的泄露。因此,如何在数据挖掘过程中保护个体隐私信息,避免隐私泄露是当前数据挖掘领域研究的一个热点问题。随机响应是基于数据失真的隐私保护技术的主流扰动机制,以随机响应为基础的关联规则挖掘技术由于其模型简洁直观且易于实现而得到学术界的广泛关注和研究。现有的基于随机响应的隐私保护关联规则挖掘的研究存在两个问题,一是隐私保护处理后的数据集与原始真实数据集仍存在较大相关性,导致隐私保护效果不尽理想;二是由于传统的基于随机响应的隐私保护关联规则算法都是对整个数据集进行统一的扰动处理,未充分考虑数据集中不同敏感属性以及同一敏感属性的不同敏感值的敏感度差异,导致某些低敏感属性值被过度保护使挖掘数据可用性降低的问题。针对以上存在的问题,本文首先提出了一种改进的基于随机响应的联合扰动算法,以降低扰动数据与原始数据之间的相关性,解决了隐私保护处理后的数据与原始真实数据相关性较高的问题,有效地提高了隐私保护程度。其次,针对现有算法对挖掘数据进行统一扰动处理导致挖掘数据可用性较低的问题,提出了一种个性化的隐私保护算法。在常规随机响应模型的基础上,对不同的敏感属性及敏感值进行隐私分级,执行不同程度的数据扰动处理,在满足数据安全性要求的前提下,减少数据扰动过程中不必要的信息损失,提高数据可用性。最后,使用IBM Almaden Research Center开发的人工数据集生成器产生测试数据,从挖掘准确性和数据隐私性两个角度对比了所提算法与现有算法的性能,从而验证了所提算法的有效性和可行性。
童俊成[4]（2020）在《面向协同任务的资源服务特征序列关联规则挖掘方法》文中进行了进一步梳理随着经济一体化进程的加快,协同任务模式被越来越广泛的使用。在云计算、物联网等新兴技术的支持下,协同任务系统更加高效地管理业务过程和资源服务,协调不同组织共同完成一项任务。资源服务以“服务流”的模式提供给业务过程,并遵循一定的关联规则。然而,大量资源服务所具有的分布性、各组织对资源服务选取的自治性等使用特点却使得资源服务间所蕴含的关联关系难以体现。在协同任务环境下,为了更好地支持组织间的交互,本文在工作流等相关技术的支持下,通过分析资源服务序列,提出一种资源服务间关联规则挖掘方法。从资源服务特征角度出发,所提方法通过聚类挖掘资源服务特征序列趋势及其关联规则得到实现,具体展开如下研究:（1）基于聚类的资源服务特征值序列变化趋势挖掘方法。通过分析业务数据集,以时间序列的视角研究资源服务特征值序列的变化趋势。具体地,首先采用基于滑动窗口线性回归的方法对特征值序列进行分段;然后,分析特征值子序列间的趋势相似性,给出一种改进的二值变化趋势距离计算方法;最后,通过层次聚类方法,挖掘出资源服务特征值序列变化趋势,并以协同的产品设计与制造过程为例进行仿真实验,验证本文所提方法的有效性。（2）基于FP-Tree的特征序列关联规则挖掘方法。为了优化资源服务的组合配置,提出一种基于FP-Tree的特征序列关联规则挖掘方法。首先通过时间序列时间刻度对齐,将同一时间范围内的趋势作为一条事务,并以此构建出趋势事务集;然后,依据趋势时间跨度信息与工作流时序依赖关系有序构造FP-tree;最后,采用考虑时间跨度分布特征的输出指标进行关联规则输出,并通过与基于支持度的关联规则挖掘方法进行比较,验证方法的有效性。最后,为验证理论研究结果,依托一个中小型企业云制造服务平台项目,提出本文所提理论方法在平台上的应用方式。
梁宇[5]（2020）在《面向专用网络拥塞诊断的关联规则挖掘算法研究》文中指出随着网络规模日益庞大,网络的拓扑结构也随着用户的增加而变得越来越复杂。尤其在专用局域网管理过程中,系统管理员需要在掌握网络运行数据和状态基础上分析处理问题,保证专用网络信息服务质量。网络拥塞是众多网络故障中最为常见的一种。专用网络在解决网络拥塞诊断过程中,传统解决手段主要依靠费时的人工方式进行。这些促使网络拥塞诊断引入新的技术。本文针对专用网络拥塞诊断问题开展研究,通过收集网络数据信息进行关联规则的挖掘,发现数据之间隐藏的关联关系,为网络拥塞诊断提供支持。对大规模专用网络数据采集方法研究并进行数据处理。针对专用网络自身结构复杂、整体网络规模较大、各种网络节点密度高、数据传输变化快和网络流量行为复杂等特点,设计了网络数据混合式采集方法。通过数据采集节点并行部署、混合式采集的方法进行网络数据的采集。对收集到的网络拥塞数据进行数据处理,针对原始数据中出现的数据重复、非结构化、噪声等问题进行处理,通过对数据进行清洗、集成、筛选、转换使数据达到关联规则挖掘的使用要求。建立基于Apriori和基于FP-Growth的网络拥塞数据关联规则挖掘算法模型,提出改进型算法并建立算法模型。对网络拥塞问题进行分析,对网络拥塞进行关联规则挖掘算法定义,建立相关模型。针对基于Apriori的网络拥塞挖掘算法中“剪枝”需要多次扫描频繁项集的问题,通过统计候选项集中包含频繁项集的计数的方式进行“剪枝”优化;针对“剪枝”后确定频繁项集需要多次扫描网络拥塞数据库的缺陷,提出对支持度阈值判断的改进方法减少扫描次数,并构建了改进型算法模型。设计实验并验证了基于Apriori和基于FP-Growth的网络拥塞数据关联规则挖掘算法和改进型网络拥塞挖掘算法的有效性。通过设置不同的支持度阈值和处理不同网络拥塞数据量的控制变量方法,比较算法执行时间,对比算法执行效率和有效性。通过实验结果显示,改进型网络拥塞关联规则挖掘算法在不同支持度处理相同数据量的情况下比基于Apriori的算法挖掘时间减少46.15%-89.42%,比基于FP-Growth的算法时间减少10.64%-48.71%。在相同支持度处理不同数据量的条件下,改进型算法挖掘时间比基于Apriori的算法减少70.00%-80.55%,比基于FP-Growth的算法时间缩短25.00%-44.45%。综合实验结果,改进型网络拥塞挖掘算法有效提升了算法效率。
才婷[6]（2020）在《基于多源数据关联分析的关键技术应用研究》文中进行了进一步梳理关联分析作为一门发现大量数据之间有趣的关联关系的重要技术。目前已经被应用到商业、电信、金融、农业、医疗等领域,并取得了良好的效果。而当前机动车数量的增加已经导致各类交通事故的频繁发生,针对已发生事故的关联分析并根据关联规则进行事故预测可以为相关部门提供信息来更大程度的避免交通事故的发生。本文工作的目的是研究一种效率更高的关联规则挖掘算法,建立一个在不平衡数据集下也能保证其准确率的关联分析预测模型,并将模型应用于交通事故预测中。论文的主要工作内容包括如下几点:（1）提出一种改进的关联分类规则挖掘算法。本文提出了一种改进的等价类规则树结构来进行关联规则挖掘,基于等价类规则树利用先验思想和diffset策略实现对规则的深度剪枝,从而缩短算法的运行时间。（2）提出了一种基于多源数据的关联分析预测模型。本文采用多种度量与多准则决策算法（ELECTRE TRI）结合的方法进行规则筛选,提出一种改进的Laplace度量进行规则排序,采用数据库覆盖法进行数据覆盖,获取强关联规则,从而构建一种能应用于不平衡数据的关联分析预测模型。（3）将模型应用于实际的交通事故预测中并设计实现交通事故预测系统,对预测结果进行可视化展示。本文设计并实现了一个基于上述关联规则挖掘算法和关联分析预测模型的交通事故预测系统,实现对可能发生的交通事故的实时预测功能,详细的阐述了系统总体设计及系统功能模块,对系统的实际效果进行了展示。本文提出的算法及模型都通过了各自的结果分析验证了其有效性,并将其应用于真实的交通事故预测场景中,说明提出的算法及模型能在真实应用场景下发挥其作用,具有一定的适用性。
董思颖[7]（2020）在《基于丝绸文物的织物图案创意设计方法研究》文中研究说明丝绸是我国传统文化的象征,具有重要的历史、文化、经济和政治意义。丝绸文物的图案绚丽精美,反应了中国古代社会的美学特色,也蕴含着丰富的传统寓意,在构图、配色等方面对现代纺织品设计有着极大的影响。本文基于丝绸文物素材,结合感性评价方法、数据量化分析方法以及关联规则挖掘技术,提出了一种织物图案创意设计方法。该方法主要包括以下三部分内容:丝绸图案特征要素与用户感性评价的关联模型建立、RCFP-Growth（Rare Common Frequent Pattern Growth）算法在丝绸文物数据库中的应用、织物图案创意设计方法的实现。首先,本文建立了丝绸图案特征要素与用户感性评价的关联模型。本文选取涵盖多个时期和多个风格的丝绸文物作为样本,对该样本的丝绸图案及文物信息进行分析,得到丝绸图案的特征要素,采用数据分析方法构建了丝绸图案的特征要素与用户感性评价之间的关联模型。其次,本文提出了一种RCFP-Growth算法,并对丝绸文物数据进行关联规则挖掘。丝绸文物数据库具有大数据、数据量不均衡的特点,在运用传统的关联规则挖掘算法对丝绸文物数据库进行数据挖掘时,存在运算效率低下、有效数据丢失的情况。因而,本文对FP-Growth算法进行改进,提出了RCFP-Growth算法。采用该算法对丝绸文物数据库进行关联规则挖掘,达到了更加全面的挖掘丝绸文物信息以及提升数据挖掘效率的目的。在基于网络的运行环境中,相较于Apriori算法和FP-Growth算法,本文提出的RCFPGrowth算法具有更高的挖掘效率。最后,本文实现了织物图案的创意设计。根据丝绸文物数据库的挖掘结果进行织物图案设计,并采用偏最小二乘法得到织物设计图案的感性评价值。运用层次分析法计算用户的感性需求值,通过比较用户感性需求值和设计图案感性评价值确定用户的满意度,并根据满意度的高低顺序将织物设计图案呈现给用户。
毛星亮[8]（2019）在《医学文本挖掘关键技术研究》文中研究说明目前,医学数据正在急剧增长,来自区域医疗诸多医院的病历文本数据、医学检验数据和影像数据迅速汇聚,为疾病的筛查、诊断和治疗带来曙光。医学文本数据尤其是电子病历数据,记录了患者详细的病情和治疗过程,所含信息丰富,因此,开展医学文本挖掘中关键技术的研究,提取与某疾病相关的特征并构建相应的知识图谱,可更加科学、客观地预防、筛查疾病并给出合理的治疗方案,最终为广大患者提供更好的医疗服务,具有很好的理论和实际意义。为此,本论文基于电子病历文本数据,应用自然语言处理、机器学习、数据挖掘等技术,开展医学文本预处理、知识挖掘与知识图谱构建等工作。本文的主要工作和创新性可以归纳为以下几个方面:（1）针对医学临床术语的识别,本文提出了一种基于自定义词典及随机结合方法的临床术语抽取算法,以提高临床术语识别的精度。医学临床术语的识别同新闻领域的实体分词相比,具有两个特点,一是新闻领域的实体一般是专有名词,其前面很少有限定词,基于一般的分词工具可以较好的将其识别出来;二是医学实体经常是普通名词,其前面可以出现很多限定词。即使是相同的某个词,或者是相同的某个短语,在表示医学实体时都可能表达不同的含义,甚至还需要根据该词或者短语的上下文语境来理解其具体的意思。因此,医学领域的临床术语识别更具挑战性。针对此难题,本文首先利用中国生物医学文献数据库（Sino Med）中相关的文献获取自定义词典;然后结合Jieba分词工具进行分词;最后将分词完成后的词语分别与相邻词的左右结合进一步判断新的术语。该方法通过关联临近词语的上下文信息,丰富了对临床术语的描述,在临床术语抽取方面表现出了较好的效果。（2）针对医学文本的预处理,本文研究了三种预处理方法分别对应三种常见的预处理应用场景,以提高文本数据集的质量。针对样本非均衡的情形,本文提出了一种基于改进Smote算法的不平衡数据集处理方法,对产生新样本的过程及样本距离度量方式加以了改进,并基于两种不同的实验数据集,验证了本文改进方法的有效性。针对样本的结构化处理,基于某着名三甲医院数据集进行实验,研究了样本结构化的主要步骤。针对样本的缺失值处理,主要研究了多重差补方法及其实际效果。虽然插补后的“完整”数据集与真实值之间会有一定的误差,但是相比于原始缺失数据,其误差已有了较大提高。（3）针对电子病历的关联规则挖掘和治疗方案挖掘,本文分别提出了一种改进的CPAR算法,以及一种基于潜在语义分析的挖掘算法。关联规则挖掘方面,改进的CPAR算法在产生关联规则时引入增比率（Enhancement Ratio）,使得规则的获取不仅仅只考虑本类的支持度,还会考虑到其补类的支持度。若出现正元组的比例较大时,有利于得到有关负元组的分类关联规则。治疗方案挖掘方面,本文提出了一种基于潜在语义分析技术挖掘胃病临床术语和治疗方案的语义关系。首先构建临床术语-治疗方案的共现矩阵,然后构造潜在语义空间,最后得到临床特征组合与各治疗方案的相关度,如胃病临床特征与手术治疗相关度、手术化疗相关度、对症治疗相关度等。除此之外,对挖掘的关联规则、临床特征等,分别针对不同的治疗方案进行了可视化展现,便于医学工作者查找和快速了解相关病症。（4）针对医学知识图谱的构建和智能问答,本文提出了一种基于多元实体关系的疾病知识图谱构建方法,并基于该图谱实现疾病的简易智能问答。以胃病这一疾病为例,首先基于多元实体关系构建胃病实体与对症治疗、化疗治疗、手术治疗之间的相关性,并基于不同治疗方法的特征来描述实体和治疗方案之间的关系,并形成胃病知识图谱。然后,基于该图谱实现智能问答。智能问答采用好大夫网站的胃病提问数据来模拟患者的提问数据。首先,对患者的提问数据经过一系列处理找出其中的病症信息;然后,计算该病症信息与胃病知识图谱中的病症信息的相似度;接下来,根据胃病知识图谱得出可能的疾病类型,并最终给出治疗建议。为了验证上述算法的有效性,本文分别以乳腺癌、胃病、青光眼三种疾病为研究对象,将上述算法分别应用到SEER数据集、青光眼数据集、胃病数据集以及好大夫网站医疗服务数据和医疗专科知识的深度挖掘。大量实践结果表明,以上算法具有较强的可操作性,对医疗知识的特征挖掘具有良好的效果。同时,项目研究的理论和方法也可扩展到其它疾病,具有一定的可扩展性,并期望进一步应用于临床辅助决策。
宋双[9]（2019）在《基于RETE规则推理的告警关联分析子系统的设计与实现》文中研究指明随着网络的不断发展,告警关联性分析作为故障诊断的重要手段受到广泛关注。告警关联性分析可以在网管人员处理告警数据之前对告警进行过滤、合并和转化,进而发现反映故障本质的根告警,辅助工作人员及时准确地定位故障。基于规则推理的告警关联分析方法由于其表达直观,表示灵活,便于理解和推理等优点,受到广泛应用。在传统基于规则推理的告警关联分析系统中,由于规则大多来自于专家知识,规则的获取受限,对此本文应用关联规则挖掘技术从历史告警数据中挖掘关联规则,以突破规则瓶颈的限制。然而现有关联规则挖掘算法大多存在重复扫描数据库、搜索空间大且时间消耗较高等问题。其次在实际网络中,网络环境复杂多变,网络故障引发的链路拥塞、中断等情况可能导致告警数据的缺失,以及由于故障传播引发的告警风暴等问题,使得现有Rete推理引擎难以满足根告警分析的需求。针对以上问题,本文分别提出一种改进的关联规则挖掘算法ImEclat以及一种改进的规则推理算法Im Rete。针对现有关联规则挖掘算法需要多次扫描数据库、搜索空间大、时间消耗较高等问题,ImEclat算法采用垂直的数据表示,只需扫描一次数据库,大量减少I/O开销。此外,该算法采用基于分层的剪枝策略和基于Tidset数据压缩的改进策略,在减小候选项搜索空间的同时,利用与运算代替集合运算求解两个节点的公共Tidset。仿真实验结果表明,该算法能够有效提高告警关联规则挖掘的时间性能。针对网络故障引发的告警缺失以及告警风暴等问题,ImRete算法采用面向告警缺失的模糊推理策略和基于概率关联模型的事实传播策略,在提高推理容错性的同时,平衡推理速度。仿真实验结果表明,该算法能够有效提高根告警分析的效率,更好地适应网络故障诊断的需求。基于改进的关联规则挖掘算法ImEclat和改进的规则推理算法ImRete,本文设计并实现了基于Rete规则推理的告警关联分析子系统。该系统主要包括数据预处理模块、关联规则模块、告警查询模块以及根告警分析模块。其中数据预处理模块负责对原始告警数据进行过滤和格式化;关联规则模块负责对历史告警数据进行规则挖掘以及对规则进行管理和维护;告警查询模块负责对告警进行实时监控以及对历史告警进行管理;根告警分析模块负责根告警的实时分析和结果展示。系统测试结果表明,该子系统能够完成告警数据预处理、关联规则挖掘、规则管理、实时告警查询、历史告警管理以及根告警实时分析等功能,可以在网管人员处理告警数据之前对大量冗余的告警进行有效过滤和压缩,帮助网管人员及时、准确地定位故障。
刘林东[10]（2019）在《分布式异构环境中任务调度算法研究》文中研究说明分布式系统凭借其优秀的计算能力得到了越来越广泛的应用,分布式系统中的处理机通常是性能异构的,为了充分利用分布式系统中的计算资源,提高用户访问资源的满意度以及资源调度的公平性,需要对分布式异构环境下的任务调度问题进行研究。越来越多的学者关注分布式异构环境中的任务调度问题,分布式异构环境中的任务调度研究已成为高性能计算的研究热点之一。本文围绕分布式异构环境中的独立任务和相关任务问题,以雾计算和分布式计算为应用场景,通过相应的调度策略对任务进行排序,并将任务调度到相应的计算节点上。设计的任务调度算法能够缩短任务调度的跨度、提高分布式异构系统的性能、降低任务调度的平均等待长度且具有较好的稳定性。本文的主要研究工作和创新点总结如下:（1）首先对关联规则分类挖掘的过程进行改进,减少分类过程中产生的候选集和频繁集,提出了一种改进的关联规则挖掘算法I-Apriori算法;然后基于I-Apriori算法,提出一种雾计算（Fog Computing）任务调度模型和TSFC任务调度算法,TSFC算法结合I-Apriori算法生成的关联规则以及最小完成时间优先策略,将任务调度到相应的雾计算节点上执行;分别通过Windows真实任务调度环境和Linux环境下SimGrid仿真平台对TSFC算法进行实验和性能评估;TSFC算法在任务调度跨度以及平均等待时间等方面均优于其他同类算法,而且具备一定任务调度的学习能力。（2）针对在线任务调度中任务就绪时间不一致性的问题,提出了一种基于加权最早完成时间的独立任务在线调度wEFT（Weighted Earliest Finish Time）算法。算法把任务就绪时间、任务传输通信时间、任务调度时间以及任务完成时间等作为任务排序的依据;选择最早完成时间最小或加权链接数最小的处理机进行任务调度;利用Socket编程接口在Java中实现任务配置、处理机配置、任务分发、任务调度以及任务调度信息回传等功能,通过实验得出wEFT算法与同类算法在任务调度跨度以及任务平均等待时间等方面具有一定的优势。（3）提出了一种全局优先级相关任务调度模型和相关任务调度IHEFT（Improvement Heterogeneous Earliest Finish Time）算法,IHEFT算法主要对任务排序和任务调度两个环节进行优化,以任务计算代价的二次方差以及平均通信开销作为任务排序的依据,而任务调度阶段,对满足条件的节点进行任务复制,可以充分利用分布式异构环境下的计算资源、缩短任务集调度的跨度和平均等待时间,提高了任务调度算法的稳定性。（4）提出了一种基于分布式异构环境的多DAG任务调度模型和MDTS（Multiple DAGs Task Scheduling）算法。MDTS算法通过增加一个入口任务节点和一个出口任务节点的方法将多个DAG任务图合并为一个DAG任务图,从而将多DAG任务调度问题转化为单DAG任务调度问题。在合并后的DAG任务调度过程中,根据每个任务节点计算代价的二次方差以及平均通信开销对任务进行排序;然后利用IHEFT算法对相关任务进行调度。
二、一种改进的约束关联规则挖掘算法（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、一种改进的约束关联规则挖掘算法（论文提纲范文）
（1）关联规则挖掘算法及其分布式并行化研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文主要内容 |
| 1.4 本文组织结构 |
| 2 关联规则挖掘及分布式并行计算研究 |
| 2.1 关联规则挖掘概述 |
| 2.1.1 关联规则基本概念 |
| 2.1.2 关联规则挖掘过程 |
| 2.1.3 常用算法分析 |
| 2.2 并行计算概述 |
| 2.3 分布式并行计算技术分析 |
| 2.3.1 Hadoop框架分析 |
| 2.3.2 Spark框架分析 |
| 2.3.3 影响Spark性能的因素分析 |
| 2.4 本章小结 |
| 3 串行关联规则挖掘算法优化 |
| 3.1 问题分析 |
| 3.2 改进策略与算法分析 |
| 3.2.1 编码转换 |
| 3.2.2 哈希存储 |
| 3.2.3 事务压缩 |
| 3.2.4 算法分析 |
| 3.3 算法实现 |
| 3.3.1 实现细节及伪代码 |
| 3.3.2 算法实例 |
| 3.4 实验与分析 |
| 3.4.1 实验环境 |
| 3.4.2 结果分析 |
| 3.5 本章小结 |
| 4 基于Spark的分布式并行改进算法研究 |
| 4.1 问题分析 |
| 4.2 流程设计及优化策略 |
| 4.2.1 并行算法流程设计 |
| 4.2.2 算法优化策略 |
| 4.3 算法实现 |
| 4.3.1 数据分区与挖掘频繁1-项集 |
| 4.3.2 编码转换 |
| 4.3.3 挖掘频繁 k-项集 |
| 4.4 实验与分析 |
| 4.4.1 实验环境 |
| 4.4.2 结果分析 |
| 4.5 本章小结 |
| 5 入侵检测中关联规则挖掘算法的应用 |
| 5.1 入侵检测概述 |
| 5.2 基于关联规则的规则库挖掘框架 |
| 5.2.1 框架架构 |
| 5.2.2 框架设计 |
| 5.3 结果分析 |
| 5.4 本章小结 |
| 6 总结 |
| 6.1 总结 |
| 6.2 下一步工作 |
| 致谢 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
（2）基于矩阵的增量式关联规则更新算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.2 增量式关联规则挖掘技术的研究与展望 |
| 1.2.1 国内外研究现状与应用 |
| 1.2.2 存在的问题 |
| 1.3 本课题主要研究内容 |
| 第2章 相关理论概述 |
| 2.1 数据挖掘 |
| 2.1.1 数据挖掘的定义 |
| 2.1.2 数据挖掘的过程 |
| 2.1.3 数据挖掘的技术 |
| 2.1.4 数据挖掘的发展趋势 |
| 2.2 关联规则挖掘 |
| 2.2.1 基本概念 |
| 2.2.2 关联规则的挖掘步骤 |
| 2.2.3 关联规则的发展方向 |
| 2.3 增量式关联规则挖掘 |
| 2.3.1 基本概念 |
| 2.3.2 增量式关联规则挖掘技术 |
| 2.4 本章小结 |
| 第3章 传统关联规则及其增量更新算法研究 |
| 3.1 静态关联规则挖掘算法 |
| 3.1.1 Apriori算法 |
| 3.1.2 FP-Growth算法 |
| 3.2 增量式关联规则更新算法 |
| 3.2.1 FUP算法 |
| 3.2.2 IUA算法 |
| 3.3 本章小结 |
| 第4章 改进关联规则增量更新算法研究 |
| 4.1 改进算法介绍 |
| 4.2 事务矩阵化优化思想 |
| 4.3 增删数据集计算改进策略 |
| 4.3.1 增加事务数据集 |
| 4.3.2 删除事务数据集 |
| 4.4 基于频繁2 项集及其支持矩阵的改进策略 |
| 4.4.1 频繁2-项集矩阵和支持矩阵的建立 |
| 4.4.2 算法描述 |
| 4.5 实例说明 |
| 4.6 本章小结 |
| 第5章 实验结果与分析 |
| 5.1 实验环境 |
| 5.2 实验设计 |
| 5.3 实验结果分析 |
| 5.3.1 增加事务数据集实验分析 |
| 5.3.2 删除事务数据集实验分析 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间所发表的学术论文 |
| 致谢 |
（3）关联规则挖掘中基于随机响应的隐私保护技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 隐私的定义 |
| 1.2.2 数据挖掘技术中的隐私保护技术 |
| 1.2.3 随机响应及其在关联规则挖掘中的应用 |
| 1.3 论文工作与章节安排 |
| 1.3.1 论文主要工作 |
| 1.3.2 本文的章节安排 |
| 第二章 关联规则挖掘及其中的隐私保护关键技术 |
| 2.1 关联规则挖掘概述 |
| 2.1.1 关联规则挖掘相关概念 |
| 2.1.2 关联分析基本步骤 |
| 2.1.3 关联规则挖掘算法 |
| 2.2 基于朴素伯努利模型的MASK算法 |
| 2.2.1 MASK随机化扰动方法 |
| 2.2.2 项集支持度重构 |
| 2.3 基于部分隐藏的随机化回答算法RRPH |
| 2.3.1 RRPH随机化扰动方法 |
| 2.3.2 项集支持度重构 |
| 2.4 本章小结 |
| 第三章 基于随机响应的联合扰动算法 |
| 3.1 研究场景 |
| 3.2 改进的基于随机响应的联合扰动算法 |
| 3.2.1 扰动机制设计 |
| 3.2.2 项集支持度重构 |
| 3.3 算法性能分析 |
| 3.3.1 理论分析 |
| 3.3.2 仿真结果及分析 |
| 3.4 本章小结 |
| 第四章 频繁项集挖掘算法中个性化随机响应机制设计 |
| 4.1 研究概述 |
| 4.2 基于隐私分级的个性化随机响应机制 |
| 4.2.1 敏感级权重设计 |
| 4.2.2 基于隐私保护分级的个性化扰动机制 |
| 4.2.3 项集支持度重构 |
| 4.3 仿真验证和结果分析 |
| 4.3.1 数据集和评价标准 |
| 4.3.2 仿真结果及分析 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 工作总结 |
| 5.2 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文 |
（4）面向协同任务的资源服务特征序列关联规则挖掘方法（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的及意义 |
| 1.3 国内外研究现状 |
| 1.3.1 资源服务特征 |
| 1.3.2 关联规则挖掘 |
| 1.4 主要研究内容 |
| 1.5 章节安排 |
| 1.6 本章小结 |
| 第2章 基于聚类的资源服务特征值序列变化趋势挖掘方法 |
| 2.1 问题描述及相关定义 |
| 2.2 基于聚类的资源服务特征值序列变化趋势挖掘方法 |
| 2.2.1 资源服务特征值序列预处理 |
| 2.2.2 特征值序列的划分 |
| 2.2.3 特征值子序列间的趋势距离计算 |
| 2.2.4 凝聚型层次聚类及符号化 |
| 2.3 实验验证与分析 |
| 2.3.1 实验验证 |
| 2.3.2 实验评价 |
| 2.4 本章小结 |
| 第3章 基于FP-Tree的特征序列关联规则挖掘方法 |
| 3.1 问题描述及相关定义 |
| 3.2 特征序列关联规则挖掘方法 |
| 3.2.1 资源服务特征值趋势符号序列时间刻度对齐 |
| 3.2.2 基于趋势构造FP-tree |
| 3.2.3 基于趋势时间跨度分布特征的关联规则输出 |
| 3.3 实验验证与分析 |
| 3.3.1 实验验证 |
| 3.3.2 实验评价 |
| 3.4 本章小结 |
| 第4章 应用分析与案例 |
| 4.1 中小型企业云制造服务公共平台 |
| 4.2 本文所提方法的运用 |
| 4.2.1 应用过程 |
| 4.2.2 效果分析 |
| 4.3 本章小结 |
| 第5章 总结与展望 |
| 5.1 结论 |
| 5.2 本文创新点 |
| 5.3 未来展望 |
| 参考文献 |
| 致谢 |
| 个人简介、在学期间发表的学术论文与研究成果 |
（5）面向专用网络拥塞诊断的关联规则挖掘算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 本文的主要内容与创新 |
| 1.4 本论文的结构安排 |
| 第二章 相关技术基础 |
| 2.1 专用网络故障概述 |
| 2.2 常见网络故障诊断方法 |
| 2.3 关联规则数据挖掘 |
| 2.3.1 关联规则挖掘基本概念 |
| 2.3.2 关联规则分类 |
| 2.3.3 关联规则挖掘步骤 |
| 2.4 本章小结 |
| 第三章 专用网络数据采集与清洗 |
| 3.1 专用网络数据采集问题分析 |
| 3.1.1 问题描述 |
| 3.1.2 网络数据采集方法 |
| 3.2 混合式专用网络数据采集方法 |
| 3.3 专用网络数据清洗 |
| 3.3.1 原始数据存在问题分析 |
| 3.3.2 原始数据清洗 |
| 3.4 本章小结 |
| 第四章 面向网络拥塞的关联规则算法研究 |
| 4.1 网络拥塞问题分析 |
| 4.2 面向网络拥塞的关联规则算法定义 |
| 4.3 基于关联规则的网络拥塞挖掘算法 |
| 4.3.1 基于Apriori的网络拥塞挖掘算法 |
| 4.3.2 基于FP-Growth的网络拥塞挖掘算法 |
| 4.4 改进型网络拥塞挖掘算法 |
| 4.4.1 改进算法的主要思想 |
| 4.4.2 改进型网络拥塞挖掘算法描述 |
| 4.5 本章小结 |
| 第五章 网络拥塞关联规则挖掘实验及结果分析 |
| 5.1 评价指标 |
| 5.2 关联规则挖掘实验设计 |
| 5.3 专用网络数据处理 |
| 5.4 实验结果与分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（6）基于多源数据关联分析的关键技术应用研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题的研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 多源数据关联分析研究现状 |
| 1.2.2 交通事故预测研究现状 |
| 1.3 本论文的主要研究内容 |
| 1.4 本论文的组织结构安排 |
| 第二章 相关技术概论 |
| 2.1 关联分析相关技术 |
| 2.1.1 基本概念 |
| 2.1.2 关联分析方法 |
| 2.1.3 关联模式评估 |
| 2.2 关联分析预测相关技术 |
| 2.2.1 经典关联分析预测算法 |
| 2.2.2 基于算法集成的关联分析预测算法 |
| 2.3 本章小结 |
| 第三章 基于等价类规则树的关联规则挖掘算法研究 |
| 3.1 等价类规则树 |
| 3.2 基于等价类的关联规则挖掘算法 |
| 3.2.1 ECR-CARM算法 |
| 3.2.2 关联规则挖掘改进算法 |
| 3.3 结果分析 |
| 3.4 本章小结 |
| 第四章 基于多准则决策的关联分析预测模型研究 |
| 4.1 多准则决策 |
| 4.2 基于多准则决策的关联分析预测模型 |
| 4.2.1 模型思想 |
| 4.2.2 兴趣度量选取 |
| 4.2.3 改进的LAPLACE度量 |
| 4.2.4 构建多准则决策关联分析预测模型MCDA-CAM |
| 4.3 结果分析 |
| 4.4 本章小结 |
| 第五章 关联分析算法在交通领域的应用 |
| 5.1 多源数据分析 |
| 5.1.1 数据来源及特征 |
| 5.1.2 数据预处理 |
| 5.2 基于改进关联分析算法的交通事故预测应用 |
| 5.2.1 MECR-CARM算法应用 |
| 5.2.2 多准则关联分析预测模型应用 |
| 5.3 交通事故预测系统设计 |
| 5.3.1 需求分析 |
| 5.3.2 系统总体设计 |
| 5.3.3 系统模块设计与实现 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 未来展望 |
| 致谢 |
| 参考文献 |
| 攻硕期间取得的成果 |
（7）基于丝绸文物的织物图案创意设计方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 织物设计的研究及发展现状 |
| 1.2.2 关联规则挖掘技术的研究及发展 |
| 1.2.3 用户感性评价与设计要素的相关性研究 |
| 1.3 课题研究内容 |
| 1.4 本文章节安排 |
| 2 丝绸图案的特征要素与感性评价的关联模型 |
| 2.1 感性评价的产生与构成要素 |
| 2.1.1 感性评价的产生 |
| 2.1.2 感性评价的构成要素 |
| 2.2 感性评价方法 |
| 2.2.1 感性评价的表达 |
| 2.2.2 感性评价的量化 |
| 2.2.3 感性评价数据的统计与整理 |
| 2.3 感性评价数据的统计分析原理 |
| 2.3.1 回归分析 |
| 2.3.2 因子分析 |
| 2.3.3 偏最小二乘法 |
| 2.4 丝绸图案特征要素的研究 |
| 2.4.1 丝绸文物的基本信息 |
| 2.4.2 丝绸图案特征要素分解 |
| 2.5 丝绸图案感性评价过程 |
| 2.6 丝绸图案特征要素与感性评价关联模型的建立 |
| 2.7 本章小结 |
| 3 RCFP-Growth算法在丝绸文物数据库中的应用 |
| 3.1 丝绸文物数据库的构建 |
| 3.1.1 丝绸文物素材的参数化表达 |
| 3.1.2 丝绸文物数据库 |
| 3.2 关联规则挖掘算法 |
| 3.2.1 关联规则挖掘算法概述 |
| 3.2.2 FP-Growth算法原理概述 |
| 3.3 RCFP-Growth算法 |
| 3.3.1 丝绸文物数据库特征 |
| 3.3.2 FP-tree构建过程的改进 |
| 3.3.3 频繁项集挖掘过程的改进 |
| 3.4 RCFP-Growth算法在丝绸文物数据库中的应用 |
| 3.4.1 RCFP-Growth算法的运行环境 |
| 3.4.2 RCFP-Growth算法在织物图案设计中的应用 |
| 3.4.3 RCFP-Growth、FP-Growth与 Apriori算法对比 |
| 3.5 本章小结 |
| 4 织物图案创意设计方法 |
| 4.1 技术方案 |
| 4.2 反馈评价方法 |
| 4.2.1 层次分析法 |
| 4.2.2 反馈评价过程 |
| 4.3 织物图案设计的实现 |
| 4.3.1 织物图案设计过程 |
| 4.3.2 织物图案设计结果 |
| 4.3.3 织物设计图案的反馈评价 |
| 4.4 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 硕士期间的主要成果 |
（8）医学文本挖掘关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 相关研究工作与挑战 |
| 1.2.1 医学文本的识别 |
| 1.2.2 医学文本的预处理 |
| 1.2.3 医学文本的知识挖掘 |
| 1.2.4 医学文本的智能问答与知识库构建 |
| 1.3 论文的主要研究内容及创新点 |
| 1.4 论文的组织结构 |
| 第二章 基于自定义词典及随机结合方法的临床术语识别 |
| 2.1 问题描述 |
| 2.2 中文分词技术 |
| 2.2.1 基于词典的分词法 |
| 2.2.2 基于语法和规则的分词法 |
| 2.2.3 基于统计的分词法 |
| 2.2.4 中文分词评测标准 |
| 2.3 基于自定义词典的电子病历分词 |
| 2.3.1 实验数据集 |
| 2.3.2 基于自定义词典的分词方法 |
| 2.3.3 分词结果的评测 |
| 2.4 基于自定义词典及随机结合左右词的临床术语识别 |
| 2.5 本章小结 |
| 第三章 医学文本非均衡、结构化及缺失值处理研究 |
| 3.1 医学文本非均衡的处理 |
| 3.1.1 问题描述 |
| 3.1.2 实验数据集 |
| 3.1.3 基于改进SMOTE算法的非均衡处理 |
| 3.2 医学文本结构化的处理 |
| 3.2.1 问题描述 |
| 3.2.2 实验数据集 |
| 3.2.3 实验分析 |
| 3.3 医学文本缺失值的处理 |
| 3.3.1 问题描述 |
| 3.3.2 实验分析 |
| 3.4 本章小结 |
| 第四章 基于改进CPAR算法及潜在语义分析的医学文本知识挖掘 |
| 4.1 问题描述 |
| 4.2 基于改进CPAR算法的关联规则挖掘 |
| 4.2.1 相关概念 |
| 4.2.2 属性的获取 |
| 4.2.3 数据的转换 |
| 4.2.4 CPAR算法及其改进 |
| 4.2.5 实验结果与分析 |
| 4.3 基于潜在语义分析的治疗方案挖掘 |
| 4.3.1 潜在语义分析 |
| 4.3.2 临床术语-治疗方案共现矩阵的构建 |
| 4.3.3 潜在语义空间的构造 |
| 4.3.4 实验结果与分析 |
| 4.4 挖掘结果的可视化 |
| 4.4.1 基于ECharts的关联规则可视化 |
| 4.4.2 基于Gephi的关联规则可视化 |
| 4.4.3 实验对比分析 |
| 4.5 本章小结 |
| 第五章 基于多元实体关系的医学知识图谱构建及智能问答 |
| 5.1 基于多元实体关系的医学知识图谱构建 |
| 5.1.1 实体关系的构建 |
| 5.1.2 知识图谱的构建 |
| 5.2 基于医学知识图谱的智能问答系统 |
| 5.3 实验与分析 |
| 5.3.1 实验数据与描述 |
| 5.3.2 实验结果与分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 主要研究成果 |
| 6.2 未来工作展望 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
（9）基于RETE规则推理的告警关联分析子系统的设计与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 论文内容与创新点 |
| 1.3 研究生期间主要工作 |
| 1.4 论文结构 |
| 第二章 相关理论与研究现状 |
| 2.1 网络告警概述 |
| 2.2 告警关联性分析定义 |
| 2.3 告警关联性分析方法与研究现状 |
| 2.3.1 基于编码的告警关联性分析与研究现状 |
| 2.3.2 基于贝叶斯的告警关联性分析与研究现状 |
| 2.3.3 基于规则的告警关联性分析与研究现状 |
| 2.3.4 基于事例的告警关联性分析与研究现状 |
| 2.3.5 基于神经网络的告警关联性分析与研究现状 |
| 2.4 Eclat关联规则挖掘算法概述与研究现状 |
| 2.4.1 关联规则挖掘概述 |
| 2.4.2 Eclat算法概述 |
| 2.4.3 Eclat算法研究现状 |
| 2.5 Rete规则推理引擎算法概述与研究现状 |
| 2.5.1 Rete算法概述 |
| 2.5.2 Rete算法研究现状 |
| 2.6 本章小结 |
| 第三章 基于Rete规则推理的告警关联性分析优化算法 |
| 3.1 引言 |
| 3.2 基于Rete规则推理的告警关联性分析模型 |
| 3.3 改进的基于Eclat的关联规则挖掘算法Im_Eclat |
| 3.3.1 Eclat算法基本思想与不足 |
| 3.3.2 基于Aprior先验性质的分层剪枝策略 |
| 3.3.3 基于BA的数据压缩与交叉计数策略 |
| 3.3.4 Im_Eclat算法流程 |
| 3.3.5 仿真实验与结果分析 |
| 3.4 改进的基于Rete的告警规则推理算法Im_Rete |
| 3.4.1 Rete算法基本思想和不足 |
| 3.4.2 面向告警缺失的模糊推理策略 |
| 3.4.3 基于概率关联模型的事实传播策略 |
| 3.4.4 Im_Rete算法流程 |
| 3.4.5 仿真实验与结果分析 |
| 3.5 本章小结 |
| 第四章 基于Rete规则推理的告警关联性分析子系统的设计与实现 |
| 4.1 引言 |
| 4.2 系统需求分析 |
| 4.2.1 功能需求分析 |
| 4.2.2 性能需求分析 |
| 4.3 系统概要设计 |
| 4.3.1 系统结构设计 |
| 4.3.2 系统工作流程设计 |
| 4.3.3 系统数据库设计 |
| 4.4 系统详细设计与实现 |
| 4.4.1 告警数据处理模块详细设计与实现 |
| 4.4.2 告警关联规则模块详细设计与实现 |
| 4.4.3 告警查询模块详细设计与实现 |
| 4.4.4 根告警分析模块详细设计与实现 |
| 4.5 系统测试 |
| 4.5.1 测试环境 |
| 4.5.2 功能测试 |
| 4.5.3 性能测试 |
| 4.6 本章小结 |
| 第五章 总结和展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
（10）分布式异构环境中任务调度算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1.研究背景和意义 |
| 1.2.国内外研究现状 |
| 1.2.1.关联规则挖掘研究现状 |
| 1.2.2.任务调度研究现状 |
| 1.3.相关研究存在的问题 |
| 1.4.研究内容和主要创新工作 |
| 1.5.论文组织结构 |
| 第二章 分布式异构环境下任务调度相关技术 |
| 2.1.任务调度模型 |
| 2.1.1.任务调度概念 |
| 2.1.2.相关定义 |
| 2.1.3.任务调度问题描述 |
| 2.1.4.任务调度分类 |
| 2.2.任务调度算法 |
| 2.2.1.表调度算法 |
| 2.2.2.在线任务调度算法 |
| 2.2.3.聚类调度算法 |
| 2.2.4.基于复制的调度算法 |
| 2.2.5.多 DAG任务调度算法 |
| 2.3.本章小结 |
| 第三章 基于分类挖掘的独立任务调度 |
| 3.1.引言 |
| 3.2.雾计算 |
| 3.2.1.雾计算概述 |
| 3.2.2.云计算与雾计算 |
| 3.2.3.雾计算系统架构 |
| 3.2.4.雾计算应用场景 |
| 3.2.5.雾计算任务调度 |
| 3.3.相关定义 |
| 3.4.改进的关联规则挖掘模型及算法 |
| 3.4.1.经典关联规则挖掘算法不足 |
| 3.4.2.改进的关联规则挖掘模型 |
| 3.4.3.挖掘算法 |
| 3.4.4.算法评价 |
| 3.5.雾计算中任务调度 |
| 3.5.1.问题描述 |
| 3.5.2.基于雾计算的任务调度模型 |
| 3.5.3.TSFC调度算法 |
| 3.6.任务调度与结果分析 |
| 3.6.1.实验环境 |
| 3.6.2.任务描述 |
| 3.6.3.实验结果分析 |
| 3.7.模拟结果与结果分析 |
| 3.7.1.实验目的 |
| 3.7.2.模拟环境 |
| 3.7.3.测试数据集 |
| 3.7.4.调度过程分析 |
| 3.7.5.实验结果分析 |
| 3.8.本章小结 |
| 第四章 独立任务在线调度策略研究 |
| 4.1.前言 |
| 4.2.问题描述 |
| 4.2.1.任务描述 |
| 4.2.2.资源环境 |
| 4.2.3.任务调度目标 |
| 4.2.4.相关定义 |
| 4.3.任务调度模型及算法 |
| 4.3.1.独立任务在线调度模型 |
| 4.3.2.独立任务在线调度算法 |
| 4.4.真实实验与结果分析 |
| 4.4.1.实验环境 |
| 4.4.2.任务描述 |
| 4.4.3.环境配置及任务分发 |
| 4.4.4.实验结果分析 |
| 4.5.仿真实验与结果分析 |
| 4.5.1.实验目的 |
| 4.5.2.模拟环境 |
| 4.5.3.测试数据集 |
| 4.5.4.独立任务调度过程分析 |
| 4.5.5.实验结果分析 |
| 4.6.本章小结 |
| 第五章 面向全局优先级的表调度算法研究 |
| 5.1.引言 |
| 5.2.相关定义及问题描述 |
| 5.2.1.相关定义 |
| 5.2.2.问题描述 |
| 5.3.相关任务调度模型 |
| 5.3.1.传统任务调度算法缺陷 |
| 5.3.2.任务调度模型 |
| 5.4.相关任务调度算法 |
| 5.4.1.处理机选择 |
| 5.4.2.调度算法 |
| 5.4.3.算法性能分析 |
| 5.5.仿真实验与结果分析 |
| 5.5.1.实验目的 |
| 5.5.2.模拟环境 |
| 5.5.3.任务调度过程分析 |
| 5.5.4.实验结果分析 |
| 5.6.本章小结 |
| 第六章 多DAG任务调度算法研究 |
| 6.1.引言 |
| 6.2.相关定义及问题描述 |
| 6.2.1.相关定义 |
| 6.2.2.问题描述 |
| 6.3.多 DAG任务调度模型 |
| 6.4.MDTS任务调度模型 |
| 6.4.1.多 DAG合并 |
| 6.4.2.任务排序 |
| 6.4.3.处理机选择与任务调度 |
| 6.5.MDTS任务调度算法 |
| 6.5.1.处理机选择 |
| 6.5.2.调度算法 |
| 6.5.3.算法性能分析 |
| 6.6.仿真实验与结果分析 |
| 6.6.1.实验目的 |
| 6.6.2.模拟环境 |
| 6.6.3.测试数据集 |
| 6.6.4.任务调度过程分析 |
| 6.6.5.实验结果分析 |
| 6.7.本章小结 |
| 结论与展望 |
| 参考文献 |
| 攻读博士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
四、一种改进的约束关联规则挖掘算法（论文参考文献）
- [1]关联规则挖掘算法及其分布式并行化研究[D]. 易志宇. 西南科技大学, 2021(08)
- [2]基于矩阵的增量式关联规则更新算法研究[D]. 郝爽. 哈尔滨理工大学, 2021(09)
- [3]关联规则挖掘中基于随机响应的隐私保护技术研究[D]. 刘小平. 北京邮电大学, 2020(01)
- [4]面向协同任务的资源服务特征序列关联规则挖掘方法[D]. 童俊成. 华侨大学, 2020(01)
- [5]面向专用网络拥塞诊断的关联规则挖掘算法研究[D]. 梁宇. 电子科技大学, 2020(07)
- [6]基于多源数据关联分析的关键技术应用研究[D]. 才婷. 电子科技大学, 2020(07)
- [7]基于丝绸文物的织物图案创意设计方法研究[D]. 董思颖. 浙江大学, 2020
- [8]医学文本挖掘关键技术研究[D]. 毛星亮. 国防科技大学, 2019(01)
- [9]基于RETE规则推理的告警关联分析子系统的设计与实现[D]. 宋双. 北京邮电大学, 2019(08)
- [10]分布式异构环境中任务调度算法研究[D]. 刘林东. 华南理工大学, 2019(01)