馮諾依曼體系結(jié)構(gòu)的計(jì)算機(jī)

1、馮諾依曼體系結(jié)構(gòu)的計(jì)算機(jī)，包括目前所有主流電腦，執(zhí)行的算法來解決問題。馮諾依曼體系結(jié)構(gòu)的計(jì)算機(jī)的性能主要是通過半導(dǎo)體縮放改進(jìn)一。然而，性能的提高將減速時半導(dǎo)體縮放結(jié)束二，和新的計(jì)算范式的出現(xiàn)。新的計(jì)算范式有兩個特點(diǎn)：空間代表性問題和計(jì)算機(jī)硬件，類似的問題。要解決的問題空間表示如通過神經(jīng)網(wǎng)絡(luò)和伊辛模型。神經(jīng)網(wǎng)絡(luò)是大腦，可以實(shí)現(xiàn)機(jī)器學(xué)習(xí)和識別的模擬三，四，五，六。類似于神經(jīng)網(wǎng)絡(luò)的硬件實(shí)現(xiàn)已提出主要通過硅集成電路中的神經(jīng)元數(shù)量，實(shí)現(xiàn)可擴(kuò)展性七，八，九，十。Ising模型是一個磁性是由Wilhelm Lenz 1920發(fā)明的統(tǒng)計(jì)力學(xué)模型十一。Ising模型的基態(tài)的搜索，這意味著自旋配置，最大限度地減少

2、Ising模型的能量函數(shù)的確定，是一種組合優(yōu)化問題，基本上相當(dāng)于圖論中的加權(quán)最大割問題十二。最大割問題是一個原型的非確定性多項(xiàng)式時間的努力（NP）問題十三如是，Ising模型的基態(tài)搜索十四。找到NP難問題的全局最優(yōu)解通常需要指數(shù)時間。近似算法，可以找到相對較好的局部最優(yōu)解，是用來解決實(shí)際問題的時間。硬件實(shí)現(xiàn)類似于Ising模型已經(jīng)被提出，并可以實(shí)現(xiàn)近似解十五，十六，十七，十八，十九。我們需要擺脫在學(xué)習(xí)和優(yōu)化的局部最優(yōu)解。模擬退火算法是一種優(yōu)化算法的啟發(fā)，退火在冶金過程中，得到了廣泛的應(yīng)用，概率接受狀態(tài)轉(zhuǎn)變成更糟糕的解決方案根據(jù)合格率二十。錄取率是由預(yù)定的溫度和當(dāng)前的狀態(tài)和糟糕的狀態(tài)之間的能量差

3、確定。退火也用于神經(jīng)網(wǎng)絡(luò)稱為玻爾茲曼機(jī)二十一。概率的行為是由一個偽隨機(jī)數(shù)發(fā)生器產(chǎn)生的隨機(jī)數(shù)實(shí)現(xiàn)的比較二十二，二十三。這意味著，產(chǎn)生隨機(jī)數(shù)的算法的一部分，它必須準(zhǔn)確地執(zhí)行。然而，電腦設(shè)備會表現(xiàn)出不確定的行為由于半導(dǎo)體縮放。成本，在資金和硬件資源，將需要增加在不久的將來行為，保證準(zhǔn)確。算法允許不確定性的存在提出了改善未來半導(dǎo)體節(jié)能工藝二十四。在這里，我們表明，利用不確定性優(yōu)化設(shè)備解決隨機(jī)性的來源。更具體地說，我們研究了Ising模型基態(tài)搜索一個實(shí)驗(yàn)用的不確定性，是作為一個單一的硅集成電路來實(shí)現(xiàn)存儲單元陣列。我們發(fā)現(xiàn)，硬件的不確定行為變得可用作為算法的一部分。量子算法是著名的提供更高效的解決方案為特

4、定計(jì)算任務(wù)比任何相應(yīng)的經(jīng)典算法。在這里，我們表明，一個單一的qudit足以實(shí)現(xiàn)基于量子算法的一個預(yù)言，它可以比任何經(jīng)典算法更快的解決黑箱問題。2d在一個確定的置換功能d元素，決定是否一個給定的排列是偶數(shù)還是奇數(shù)，需要至少兩元素的功能評價。我們證明了一個單一的qudit量子電路能夠確定的函數(shù)只有一個評價置換的奇偶校驗(yàn)。我們的算法提供了量子計(jì)算沒有糾纏例因?yàn)樗靡粋€qudit純態(tài)。我們還提出了量子算法與四極核磁共振使用單個四能級量子系統(tǒng)，即一個實(shí)驗(yàn)的實(shí)現(xiàn)，一個ququart。說明Deutsch算法不僅是第一量子算法也是一個最簡單的一。雖然算法在其原來的形式是概率，它一直沒有提高其確定性二，三。De

5、utsch算法涉及的兩量子比特和區(qū)分常數(shù)函數(shù)，將輸入的值（0或1）到一個單一的輸出值，從平衡功能，輸出值是不同的。我們介紹一個簡單的算法，只使用一個單一的維確定平價選擇2d之子排列序列集d目標(biāo)在Deutsch算法的情況下，我們得到一個加速相對于相應(yīng)的經(jīng)典算法。對于特定的計(jì)算任務(wù)的考慮，相對加速從三能級量子系統(tǒng)的案例，即一個粒子。是什么讓量子算法，有趣的是，他們可以解決一些問題，比傳統(tǒng)方法更快。德國創(chuàng)造了“量子力的量子計(jì)算機(jī)的計(jì)算能力同時執(zhí)行兩。多么簡單的一個量子電路？或者，可以比任何經(jīng)典算法更快的解決問題的最小量子處理器是什么？一個密切相關(guān)的問題是量子計(jì)算的動力來源。疊加、糾纏和不被稱為量子計(jì)

6、算中發(fā)揮重要的作用，但在量子算法的動力來源是不完全清楚四。最近，it has been argued that is a critical資源情境量子的量子speedup of a容錯量子計(jì)算模型五。我們提出一個例子，一個小但語境系統(tǒng)可比傳統(tǒng)方法快解決問題。一個粒子是最小的系統(tǒng)中，量子力學(xué)的情境性可以觀察到，在這個意義上，一個特定的結(jié)果測量不能揭示一些潛在的隱變量存在一定的價值六，七。無論是對并行算法的起源可以解釋的語境是一個開放的問題。我們提出了一種基于Oracle建立在一個非常簡單的想法量子算法，解決了一個黑盒子的問題沒有任何關(guān)聯(lián)的量子和經(jīng)典性只使用一個單一的維。黑盒圖d可能的輸入d可能的

7、輸出經(jīng)過置換。2d可能的置換功能d的對象是分為兩組根據(jù)是否安奇或偶元排列involves the number of交易所運(yùn)營。the is to the宇稱確定計(jì)算任務(wù)（oddness or of a given元排列evenness）循環(huán)。在兩個經(jīng)典算法的查詢to the黑盒。我們的節(jié)目，可以解決問題的量子算法與茶單查詢。盡管the algorithm is not that the solves問題至關(guān)重要，the algorithm is that makes of EN的興趣使用單一qudit that，which means曼弗雷迪或法拉利嗎不糾纏其他任何相關(guān)的角色扮演。我們目前的

8、實(shí)驗(yàn)示范moreover，安of this algorithm using在室溫磁四極核共振（NMR）的設(shè)置。是第一個人工智能（AI）系統(tǒng)，可以學(xué)習(xí)各種任務(wù)從零開始只給相同，最小啟動信息?！澳阌幸粋€系統(tǒng)，可以學(xué)習(xí)一些游戲的事實(shí)，沒有游戲的任何調(diào)整，是令人印象非常深刻，”彌敦說只，機(jī)器在哈里森堡杰姆斯麥迪遜大學(xué)學(xué)習(xí)科學(xué)家，弗吉尼亞。DeepMind公司，這是總部設(shè)在倫敦，說大腦靈感的系統(tǒng)還可以提供洞察人類的智慧?！吧窠?jīng)科學(xué)家正在研究情報(bào)和決策，這是那些想法很干凈的測試床，說：”Demis Hassabis，創(chuàng)始人DeepMind。他和他的同事們描述了游戲的算法在本周公布的文件。游戲的人工智能研究

9、人員什么果蠅是生物學(xué)一個精簡系統(tǒng)，測試?yán)碚?，說李察薩頓，計(jì)算機(jī)科學(xué)家研究鋼筋在埃德蒙頓艾伯塔大學(xué)學(xué)習(xí)，加拿大?！袄斫獯竽X是一個非常困難的問題，但會讓你把它分成幾部分，你可以學(xué)習(xí)，”他說。但到目前為止，大多數(shù)人打電腦如IBM的深藍(lán)色，擊敗國際象棋世界冠軍卡斯帕羅夫在1997，和最近推出的算法，玩德克薩斯撲克基本上是完美的（）- Excel只在一個游戲。DeepMind的多樣性來自于加入兩種機(jī)器學(xué)習(xí)的一個成就，Sutton稱“大買賣”。第一，被稱為深度學(xué)習(xí)、用腦啟發(fā)的結(jié)構(gòu)，模擬神經(jīng)元層之間的連接加強(qiáng)經(jīng)驗(yàn)的基礎(chǔ)上。深度學(xué)習(xí)系統(tǒng)可以從非結(jié)構(gòu)化數(shù)據(jù)的大量復(fù)雜的信息（谷歌，山景，加利福尼亞，使用這種算法的

10、自動分類的照片，旨在利用他們的機(jī)器翻譯。二是強(qiáng)化學(xué)習(xí)，決策系統(tǒng)受神經(jīng)遞質(zhì)多巴胺獎賞系統(tǒng)在動物腦。只使用屏幕上的像素和比賽成績作為輸入，該算法learnedby試錯行為如向左走，去在任何給定的時間帶來最大回報(bào)的權(quán)利或火?；藥讉€小時的每一場比賽后，也就掌握了一系列的街機(jī)經(jīng)典，包括carracing，拳擊和太空侵略者。谷歌等公司已在改善AI直接的商業(yè)利益，薩頓說。應(yīng)用包括：如何最好的在線廣告或如何安排在新聞聚合器的故事，他說。只，同時，認(rèn)為技術(shù)可以enablerobots通過與環(huán)境相互作用的解決問題。但一個主要驅(qū)動力是科學(xué)本身，因?yàn)榻ㄖ悄芟到y(tǒng)說哈薩比斯就已經(jīng)，手段更加了解情報(bào)。很多人在計(jì)算神經(jīng)科

11、學(xué)。只，誰創(chuàng)造了他自己版本的DeepMind的算法，解釋，而AI是無關(guān)緊要的神經(jīng)元之間的神經(jīng)在解剖連接的水平，它可以在計(jì)算原則的高水平帶來的洞察力。在愛沙尼亞的塔爾圖大學(xué)的計(jì)算機(jī)科學(xué)家Ilya kuzovkin，誰是一個團(tuán)隊(duì)，自2013以來，被逆向工程DeepMind的代碼的一部分說：“我們在訓(xùn)練中使用一個系統(tǒng)的把戲不是生物現(xiàn)實(shí)。但比較可能會導(dǎo)致新的見解大腦?！币粋€特定的刺激可能來自DeepMind團(tuán)隊(duì)的選擇發(fā)布的代碼和它的研究，kuzovkin說，因?yàn)樗膶?shí)驗(yàn)室和其他人現(xiàn)在可以建立在頂部的結(jié)果?！斑@也表明行業(yè)資助的研究是正確的：他們分享學(xué)術(shù)界，”他補(bǔ)充道。DeepMind是谷歌收購的2014

12、個報(bào)道4億（6億1700萬美元），并已被偷獵導(dǎo)致計(jì)算機(jī)科學(xué)家和神經(jīng)科學(xué)家從學(xué)術(shù)界，從80增長到140，目前研究人員。下一步又可能受到神經(jīng)科學(xué)。一個項(xiàng)目可以建立一個內(nèi)存的算法，使系統(tǒng)轉(zhuǎn)移到新的任務(wù)的學(xué)習(xí)。與人類不同的是，當(dāng)電流系統(tǒng)大師的一個游戲，它是在迎接下一個最好的。另一個挑戰(zhàn)是模仿斷裂問題分解成更小的任務(wù)大腦的方式。目前，DeepMind的體系努力行動與遙遠(yuǎn)的后果這一局限，鏈發(fā)展高效節(jié)能并行信息處理系統(tǒng)超越了馮諾依曼的建筑是現(xiàn)代信息技術(shù)的一個長期目標(biāo)。目前廣泛使用的馮諾依曼計(jì)算機(jī)的架構(gòu)將內(nèi)存和計(jì)算單位，導(dǎo)致能耗數(shù)據(jù)移動時，計(jì)算機(jī)的工作。為了滿足對數(shù)據(jù)驅(qū)動的應(yīng)用程序，如大數(shù)據(jù)和物聯(lián)網(wǎng)的高效信息

13、處理的需要，節(jié)能處理架構(gòu)超越馮諾依曼關(guān)鍵是信息社會。在這里，我們展示了電阻開關(guān)非馮諾依曼體系結(jié)構(gòu)（RS）設(shè)備命名為“imemcomp”，那里的記憶和邏輯與單型設(shè)備的統(tǒng)一。利用非易失性和交叉RS陣列結(jié)構(gòu)的并行，我們有“與并行學(xué)習(xí)定義的邏輯功能進(jìn)行大規(guī)模的信息處理任務(wù)的計(jì)算能力imemcomp”。這種架構(gòu)消除了馮諾依曼電腦的能耗數(shù)據(jù)移動?，F(xiàn)代硅技術(shù)相比，基于“imemcomp”可以通過76.8%和60.3%的功耗提高速度加法器電路，在電路面積700倍的攻擊減少。說明幾十年來，現(xiàn)代計(jì)算機(jī)已經(jīng)每天都在處理大量信息的人類社會中發(fā)揮中心作用。在每一個單一的操作我們的計(jì)算機(jī)執(zhí)行的是著名的馮諾依曼計(jì)算機(jī)體系結(jié)

14、構(gòu)一。在這種體系結(jié)構(gòu)中，計(jì)算和存儲單元是分開連接通過總線，通過它的指令代碼和計(jì)算數(shù)據(jù)連續(xù)傳輸處理器和存儲器之間。然而，每焦耳的能量用于之間移動數(shù)據(jù)的存儲器和處理器消耗有限的預(yù)算，留下更少的能量可以在我們的計(jì)算機(jī)實(shí)際計(jì)算。這種頻繁的能源饑渴的運(yùn)動從而被視為“馮諾依曼瓶頸”二。今天，節(jié)能信息系統(tǒng)的需要是一樣大，覆蓋各個領(lǐng)域從事物的大數(shù)據(jù)處理和互聯(lián)網(wǎng)的可穿戴式醫(yī)療設(shè)備。因此，支持多樣化的社會應(yīng)用基本是從當(dāng)前計(jì)算機(jī)體系結(jié)構(gòu)底部的一個根本性的變化三。替代方法，如邏輯記憶四，五，六馮諾依曼可能會減輕瓶頸由于邏輯和存儲器單元的主機(jī)托管，但在整個系統(tǒng)中的這兩部分之間的固有邊界仍然限制節(jié)能潛力七。旨在打破瓶頸設(shè)

15、備和建筑水平，我們開發(fā)出一個非馮諾依曼的建筑命名為“imemcomp”基于電阻開關(guān)（RS）設(shè)備。作為一個非馮諾依曼體系結(jié)構(gòu)，“imemcomp”利用為并行計(jì)算設(shè)備級和電路級的性能和可重構(gòu)邏輯學(xué)習(xí)結(jié)構(gòu)模仿通過實(shí)踐學(xué)習(xí)知識和接受新思想的人腦工作的方式。實(shí)驗(yàn)證明的非易失性邏輯和記憶功能，在動力性能優(yōu)越、速度和面積已經(jīng)證明了高密度、大規(guī)模并行的可行性，超低功耗的信息處理系統(tǒng)的存儲器和邏輯類型由單一設(shè)備的統(tǒng)一。這節(jié)課我們從本研究得知，是一個應(yīng)該探索建筑創(chuàng)新新器件的使用性能和充分利用我們的信息社會的需求不斷增加，新興技術(shù)的計(jì)算潛力。方法設(shè)備制造和包裝鉑/重油加工xTiTiN電阻開關(guān)器件在不高的熱預(yù)算過程。

16、首先，采用電子束蒸發(fā)法在硅襯底上制備了一個8英寸20 nm鈦粘附層和50 nm的Pt電極。然后，4-nm HFOx沉積反應(yīng)濺射在氬氣和氧氣的環(huán)境。之后，薄的Ti覆蓋2納米層濺射。在50 nm的錫頂電極沉積在高真空磁控濺射和圖案的248nm光刻、干法刻蝕進(jìn)行形成方形設(shè)備。最后，等離子體增強(qiáng)化學(xué)氣相沉積（PECVD）后金屬電介質(zhì)的罪惡/ SiO二和Al金屬被用來完成設(shè)備制造。制作的器件封裝采用雙列直插引腳封裝（DIP）技術(shù)。電氣測量該裝置的電氣測量中使用的安捷倫B1500A半導(dǎo)體參數(shù)分析儀一起進(jìn)行級聯(lián)探針臺。在設(shè)備的測量，頂部電極錫采用電壓源和底電極接地。蒼井空邏輯運(yùn)算的測量是在封裝測試芯片采用安

17、捷倫93000 SOC系列平臺上進(jìn)行。在測試過程中，脈沖的計(jì)算是適用于頂電極（點(diǎn)線）和普通底電極（字線）與負(fù)載電阻串聯(lián)接地。接，例如，它無法掌握迷宮游戲等女士吃豆人。本研究提出了一種新的規(guī)范的廣泛的網(wǎng)絡(luò)排名算法（nwrank），具有等級的節(jié)點(diǎn)和鏈接的網(wǎng)絡(luò)同步。該算法結(jié)合了超誘導(dǎo)的主題選擇的相互強(qiáng)化的特征（點(diǎn)擊）和體重正?；卣鞯腜ageRank。相對權(quán)重分配基于鄰居的程度，而不是每一個環(huán)節(jié)都假定在PageRank分配相同重量的中介性環(huán)節(jié)。數(shù)值實(shí)驗(yàn)結(jié)果表明，nwrank性能始終優(yōu)于命中，PageRank，特征向量中心，從網(wǎng)絡(luò)的連通性和網(wǎng)絡(luò)流量的角度近似邊介數(shù)，也就是用昂貴的比較支持N基于網(wǎng)絡(luò)的效

18、率去除1基準(zhǔn)標(biāo)準(zhǔn)。此外，它可以避免一些問題，如緊密的團(tuán)體中存在的效果，點(diǎn)擊。nwrank提供節(jié)點(diǎn)和鏈接的網(wǎng)絡(luò)排名的一種新的廉價的方法，具有實(shí)際應(yīng)用價值，特別是對資源配置升級的分層分布式網(wǎng)絡(luò)，以及支持網(wǎng)絡(luò)的設(shè)計(jì)決策，在節(jié)點(diǎn)和鏈路的重要性取決于當(dāng)?shù)睾腿虻恼w平衡。說明排名內(nèi)各個元素的網(wǎng)絡(luò)，包括節(jié)點(diǎn)和鏈接，允許的資源排序元素的重要亞群的鑒定，如發(fā)現(xiàn)在互聯(lián)網(wǎng)上搜索主題相關(guān)的最權(quán)威的網(wǎng)頁，在社交網(wǎng)絡(luò)中發(fā)現(xiàn)最有影響力的人，最常被引用的科學(xué)論文中的引文網(wǎng)絡(luò)評估或鑒定最脆弱的部件在基礎(chǔ)設(shè)施（如交通網(wǎng)、電網(wǎng)和供水系統(tǒng)）。網(wǎng)絡(luò)組件的臨界定量有助于決策者告知他們的管理策略。例如，基礎(chǔ)設(shè)施的設(shè)計(jì)者可以設(shè)定強(qiáng)制性安全

19、指標(biāo)或可靠性水平的組件（例如，公路和橋梁）在運(yùn)輸網(wǎng)絡(luò)中，盡管資源通常是有限的。因此，計(jì)算有效的措施，能夠識別或篩選出網(wǎng)絡(luò)節(jié)點(diǎn)的重要性和鏈接是必需的，作為標(biāo)準(zhǔn)的計(jì)算方法過于苛刻。排名網(wǎng)絡(luò)節(jié)點(diǎn)或鏈接地址的問題”可以在一個網(wǎng)絡(luò)中的重要節(jié)點(diǎn)或鏈路被有意義地確定輸入數(shù)據(jù)和計(jì)算資源，同時保持低？“要回答這個問題，一些封閉形式的排名已經(jīng)提出的措施來捕獲網(wǎng)絡(luò)的具體特點(diǎn)，主要基于其拓?fù)浣Y(jié)構(gòu)。例如，一個簡單的節(jié)點(diǎn)重要性的措施在網(wǎng)絡(luò)節(jié)點(diǎn)的度ki，表示連接到它的鏈接數(shù)。傳統(tǒng)上，鄰接矩陣A是用來描述節(jié)點(diǎn)和鏈接的網(wǎng)絡(luò)連接模式。鄰接矩陣也被用作輸入先進(jìn)的特征值和特征向量的分析，并在實(shí)踐中不斷得到應(yīng)用。光譜網(wǎng)絡(luò)組件的排名是基

20、本排序方法復(fù)雜的擴(kuò)展，如節(jié)點(diǎn)中心度ki。一個網(wǎng)絡(luò)組件的光譜排序最成功的發(fā)展了PageRank算法，形成谷歌網(wǎng)頁排名的基礎(chǔ)，在網(wǎng)站的超鏈接的節(jié)點(diǎn)和它們之間的連接。PageRank認(rèn)為基于隨機(jī)游走模型的鏈接權(quán)重歸一化和上網(wǎng)的原則。另一個流行的排序算法的歸納主題選擇文本（HITS）算法由Kleinberg。HITS算法定義了兩類節(jié)點(diǎn)在網(wǎng)絡(luò)中，樞紐和當(dāng)局，并計(jì)算在一個相輔相成的方式，他們的排名得分。然而，PageRank和HITS是有限的網(wǎng)絡(luò)節(jié)點(diǎn)和他們的排名不考慮鏈接的重要性。在文獻(xiàn)中存在的鏈接的排名非常少的高效算法。網(wǎng)頁網(wǎng)絡(luò)、引文網(wǎng)絡(luò)排名的研究主要集中在節(jié)點(diǎn)的排名，因?yàn)樵谶@樣的網(wǎng)絡(luò)鏈接的排名是不實(shí)際

21、的利益。這是某些類型的網(wǎng)絡(luò)形成了鮮明的對比，如交通網(wǎng)絡(luò)，其節(jié)點(diǎn)鏈接至少同樣重要，以及供應(yīng)鏈網(wǎng)絡(luò)的鏈接，找到一個產(chǎn)品或服務(wù)的最終客戶的重要運(yùn)動。然而，相對有限的研究已經(jīng)完成，到目前為止，探討網(wǎng)絡(luò)鏈接的排名。中介中心的邊緣已被用來作為在網(wǎng)絡(luò)流量通道鏈路的關(guān)鍵作用的近似指標(biāo)。其他一些研究排名基于算法的前提是網(wǎng)絡(luò)中最重要的環(huán)節(jié)是通過在系統(tǒng)級性能指標(biāo)變化最大的一個結(jié)果的一個去除網(wǎng)絡(luò)的鏈接，如效率，減少連接丟失，或增加旅行時間。這個N在電力系統(tǒng)中1個標(biāo)準(zhǔn)是實(shí)踐這種方法的例子。然而，這些基于鏈接的措施通常依賴于網(wǎng)絡(luò)性能的計(jì)算（例如，連接可靠性和網(wǎng)絡(luò)流量）的鏈接去除后，既費(fèi)時又取決于績效指標(biāo)的選擇。例如，為全

22、美國的運(yùn)輸網(wǎng)絡(luò)，有成千上萬個節(jié)點(diǎn)。因此，傳統(tǒng)的處理策略（例如，基于N1標(biāo)準(zhǔn)）的實(shí)際應(yīng)用中是太費(fèi)時。因此，新的計(jì)算有效的工具，特別是基于網(wǎng)絡(luò)的頻譜分析的節(jié)點(diǎn)鏈接的排名是必要的。這種鏈路感知排序策略必須即使對于大的系統(tǒng)仍然可行，在今天的基礎(chǔ)設(shè)施工程是一個持續(xù)的挑戰(zhàn)，本文提出新的排名指數(shù)，通過建立在網(wǎng)絡(luò)的有前途的光譜特性。首先，本研究制定的排名指數(shù)排名（稱為廣wrank）可以排列節(jié)點(diǎn)和的網(wǎng)絡(luò)鏈接的同時。在這個wrank形式主義，歸一化的wrank算法（nwrank）是本文提出的。這nwrank指標(biāo)結(jié)合起來，相互強(qiáng)化和體重正?；癁橐粋€統(tǒng)一的框架思路。然后，該wrank和nwrank方法應(yīng)用于一系列廣泛

23、的綜合網(wǎng)絡(luò)模型和PageRank，相比命中，特征向量中心，和邊介數(shù)的算法，以及基準(zhǔn)N1標(biāo)準(zhǔn)的基于網(wǎng)絡(luò)的效率指標(biāo)，它被廣泛應(yīng)用于網(wǎng)絡(luò)科學(xué)與工程領(lǐng)域研究各種網(wǎng)絡(luò)的性能。結(jié)果不同的網(wǎng)絡(luò)應(yīng)用評價wrank算法，特別是在nwrank算法，它們一起使用的PageRank，HITS，特征向量中心，和邊介數(shù)到幾個不同的理想化的網(wǎng)絡(luò)研究。為了進(jìn)一步評價nwrank算法，上述算法也比較傳統(tǒng)N-1去除策略。不同的指標(biāo)可以用來量化在去除策略取決于網(wǎng)絡(luò)類型的網(wǎng)絡(luò)性能。例如，旅行時間可用于運(yùn)輸網(wǎng)絡(luò)和成本可用于供應(yīng)鏈網(wǎng)絡(luò)。設(shè)想，nwrank是一個通用的排序算法，可用于節(jié)點(diǎn)或通用的網(wǎng)絡(luò)鏈接的排名。因此，一個一般的度量（即網(wǎng)絡(luò)

24、效率E十八如公式10所示）是用來評估和比較，這里，那里N網(wǎng)絡(luò)中的節(jié)點(diǎn)數(shù)，和dij最短距離對網(wǎng)絡(luò)中的節(jié)點(diǎn)之間的。網(wǎng)絡(luò)效率E已被用來描述各種網(wǎng)絡(luò)的性能，以及一般的復(fù)雜網(wǎng)絡(luò)的性能。因此，網(wǎng)絡(luò)的效率是一種流行的度量來描述網(wǎng)絡(luò)中的科學(xué)和工程應(yīng)用的網(wǎng)絡(luò)性能。現(xiàn)實(shí)世界的復(fù)雜網(wǎng)絡(luò)通常是由于整合幾個理想但拓?fù)洳煌木W(wǎng)絡(luò)具有不同的尺寸和配置。例如，美國的交通網(wǎng)絡(luò)由國家交通網(wǎng)絡(luò)。美國的運(yùn)輸網(wǎng)絡(luò)是由城市的交通網(wǎng)絡(luò)，等等。該規(guī)則也適用于其他網(wǎng)絡(luò)，如互聯(lián)網(wǎng)、社交網(wǎng)絡(luò)、通訊網(wǎng)絡(luò)、供水供電系統(tǒng)。因此，對砌塊的結(jié)構(gòu)（即典型的小型網(wǎng)絡(luò)一些同質(zhì)化特征）發(fā)現(xiàn)在大型網(wǎng)絡(luò)信息。yazdani等人。分典型的小型多樣的網(wǎng)絡(luò)的一個子集，主要分

25、為兩大類，捕捉不同的網(wǎng)絡(luò)配置：（1）層次網(wǎng)絡(luò)模型，在網(wǎng)絡(luò)組織（或操作）在一個分層的方式與一些節(jié)點(diǎn)易于辨認(rèn)的主人或上游節(jié)點(diǎn)而其他大多數(shù)節(jié)點(diǎn)流量分配連接下游節(jié)點(diǎn)；和（2）分布式網(wǎng)絡(luò)模型，在網(wǎng)絡(luò)有一個相對統(tǒng)一的拓?fù)浣Y(jié)構(gòu)，只有少數(shù)樞紐或單一故障點(diǎn)的存在。本研究利用這些小但拓?fù)洳煌募傻木W(wǎng)絡(luò)，以及其他一些理想的拓?fù)浣Y(jié)構(gòu)（例如，網(wǎng)格，和無標(biāo)度網(wǎng)絡(luò)），測試性能的wrank和nwrank算法。關(guān)于鏈接的排名，nwrank是獲得相同的排序結(jié)果與唯一的算法N-1對于大多數(shù)的網(wǎng)絡(luò)分層處理策略（即T8、C13、和ht15），在那里有利于保持nwrank B8邊緣集群的差異（2邊緣4和810）讓大多數(shù)的網(wǎng)絡(luò)集成在離開

26、連接節(jié)點(diǎn)的一些費(fèi)用排名鏈接（取決于邊緣1在這種情況下，這是受到N1、中介策略）。此外，除了ht15，wrank和nwrank提供相同的鏈接排序結(jié)果的差異源于nwrank權(quán)衡機(jī)制來處理局部和全局的連接角度，在拓?fù)浣Y(jié)構(gòu)方面，主導(dǎo)當(dāng)?shù)氐娜蛄鲃?。同時，該nwrank算法獲得相同的鏈接排序結(jié)果與C13和ht15邊介數(shù)的算法。在四個網(wǎng)絡(luò)中，可以看出，nwrank算法將與wrank算法或邊緣中間算法由于結(jié)合了兩者的特點(diǎn)，同時揭示了預(yù)期的邊緣排名每次（即有利于集群內(nèi)的完整性在整個網(wǎng)絡(luò)的連通性，網(wǎng)絡(luò)的弱連接的亞群葉存在）。這是鏈接1、8、15和節(jié)點(diǎn)重要性抓獲，1 C13，或鏈接1和2和2節(jié)點(diǎn)和3 ht15。為

27、節(jié)點(diǎn)和鏈接的排名nwrank算法的優(yōu)越性進(jìn)一步證實(shí)在其他復(fù)雜的網(wǎng)絡(luò)，如分布式網(wǎng)絡(luò)，它往往沒有明顯的有聲望的節(jié)點(diǎn)。ud16是一個很好的例子，說明了潛在問題的那已經(jīng)wrank和HITS算法。很容易識別，在ud16網(wǎng)絡(luò)存在三個社區(qū)。為ud16鏈接排名，排名前11的wrank算法產(chǎn)生的鏈接都屬于同一個社區(qū)，而11大環(huán)節(jié)的nwrank算法產(chǎn)生分配所有三個社區(qū)之間的聯(lián)系，尤其是連接社區(qū)，反映近似網(wǎng)絡(luò)流的重要性。相同的節(jié)點(diǎn)的排名是真實(shí)的。的wrank和HITS算法導(dǎo)致非常類似的排名，排名最高的節(jié)點(diǎn)屬于同一個社區(qū)。然而，nwrank（PageRank）發(fā)現(xiàn)排名節(jié)點(diǎn)從所有的三個社區(qū)。這個問題在打啟發(fā)算法節(jié)點(diǎn)的排

28、名，包括那已經(jīng)wrank方法，最初稱為緊密的社區(qū)（TKC）的影響下，。一個緊密團(tuán)結(jié)的社區(qū)是一個小而高度互連的節(jié)點(diǎn)集和TKC現(xiàn)象發(fā)生時，這樣的社區(qū)評分高，鏈接分析算法。這影響了相互強(qiáng)化的方法來識別有意義的部門的能力。nwrank不容易TKC的效果，并能找到有意義的機(jī)關(guān)相互強(qiáng)化的方法（wrank和HITS算法）沒有這樣做。通過不同的算法產(chǎn)生的排名之間的差異反映了各排序算法的不同特點(diǎn)。點(diǎn)擊wrank算法最重要的特點(diǎn)是節(jié)點(diǎn)或節(jié)點(diǎn)和鏈路的相互強(qiáng)化，而PageRank的顯著特征是鏈接的權(quán)重的歸一化。邊介數(shù)約認(rèn)為網(wǎng)絡(luò)流量排名中的作用。然而，這nwrank算法結(jié)合了兩者相互強(qiáng)化攻擊和正常的體重從PageRan

29、k的特點(diǎn)。此外，nwrank近似地考慮網(wǎng)絡(luò)流量的節(jié)點(diǎn)和鏈路的同時進(jìn)行排名，這在一定的網(wǎng)絡(luò)基礎(chǔ)設(shè)施系統(tǒng)是可取的，在進(jìn)行商品鏈接。這種聯(lián)系為中心的信息沒有被傳統(tǒng)上以其他排序的方法。此外，nwrank可以獲得類似的排名結(jié)果相對昂貴N1去除為主的策略，這是作為一個基準(zhǔn)的排名比較，這里。然而，nwrank比傳統(tǒng)處理策略更有效，產(chǎn)生令人滿意的結(jié)果，強(qiáng)調(diào)整體平衡局部和全局的角度。nwrank往往青睞網(wǎng)絡(luò)完整性在實(shí)際意義上（有利于網(wǎng)絡(luò)的很大一部分是連接即使一小部分是斷開的，這與工程的設(shè)計(jì)原則；同意而其他排名傾向于元素，保持整個網(wǎng)絡(luò)連接不承認(rèn)次優(yōu)狀態(tài)）。例如，鏈接的排名顯示nwrank SF20 DT10和偏袒

30、的邊緣，保持網(wǎng)絡(luò)的完整性中所占的比例很大，而其他的排名，包括N1基于效率支持連接到終端節(jié)點(diǎn)。相似但更微妙的動態(tài)測量的grid25和ug16鏈接排名。nwrank喜歡大的分區(qū)，在大型網(wǎng)絡(luò)中，這是可取的因?yàn)閚wrank考慮網(wǎng)絡(luò)的連通性和網(wǎng)絡(luò)流量的節(jié)點(diǎn)和鏈接的排名。突出nwrank計(jì)算效率，一個比較大的1486個節(jié)點(diǎn)和2321個環(huán)節(jié)的南卡羅來納州的交通網(wǎng)絡(luò)是選定的測試nwrank計(jì)算要求。它需要1551秒來計(jì)算，如果一個普通的排序結(jié)果N1去除策略，而只需要9.1秒，如果使用的是nwrank算法。對于非常大的網(wǎng)絡(luò)，如美國的整個運(yùn)輸網(wǎng)絡(luò)和互聯(lián)網(wǎng)傳統(tǒng)的處理策略（如，N- 1標(biāo)準(zhǔn)）可能成為實(shí)際應(yīng)用太耗時間。除了計(jì)算效率的絕對時間來看，該算法N1的排名主要取決于最短路徑尋優(yōu)算法，為每個元素刪除一次的計(jì)算效率，使得整體的最壞情況下的時間復(fù)雜度成正比O（N四）。相反，nwrank的主要操作為陣列矩陣乘法N要求O（N二點(diǎn)四）來O（N三）時間（取決于實(shí)現(xiàn)），和中間的評價尺度O（N三）為一個整