原创《基于群体协同智能聚类大数据存储系统设计》：本论文可用于数据存储论文范文参考下载，数据存储相关论文写作参考研究。
摘 要： 针对传统基于PSO聚类的大数据存储系统进行数据聚类时容易陷入局部最佳解,收敛效率低,数据存储性能差,设计一种基于群体协同智能聚类的大数据存储系统.基于群体协同智能聚类系统的层次结构,设计大数据存储系统的层次模型,并依据群体协同智能聚类的特征,设计大数据存储系统的体系结构.该系统采用的群体协同智能聚类方法在PSO算法中融入多种群协同进化的方案,避免出现局部最优解问题,将总体种群划分成多个子种群,各子种群独立进化,对共享信息实施周期性调控,获取最佳的数据聚类结果,提高数据聚类的效率和精度,增强大数据存储性能.實验结果说明所设计系统收敛性能高,并且具有较高的数据读写性能和分析性能.
关键词： 群体协同； 智能聚类； 大数据； 存储
中图分类号： TN911.1?34； TP391.72 文献标识码： A 文章编号： 1004?373X（2017）23?0130?04
Abstract： The traditional large data storage system based on PSO clustering is easy to fall into the local optimal solution for data clustering, and has low convergence efficiency and poor data storage performance. Therefore, a large data storage system based on swarm collaboration intelligent clustering was designed. On the basis of the hierarchical structure of the swarm collaboration intelligent clustering system, the hierarchical model of the large data storage system was designed. According to the features of the swarm collaboration intelligent clustering, the system architecture of the large data storage system was designed. The swarm collaboration intelligent clustering method is used in the system to fuse the multi?population coevolution scheme into PSO algorithm to avoid the local optimal solution problem. The total populations are divided into several sub populations. Each sub?population is evolved independently to perform the periodic regulation for the shared information, get the best data clustering result, improve the efficiency and accuracy of data clustering, and enhance the large data storage performance. The experimental results show that the designed system has high convergence performance, high data read and write performance, and perfect analysis performance.
Keywords： swarm collaboration； intelligent clustering； large data； storage
0 引 言
随着计算机网络和数据库技术的快速发展,当前社会的信息化进程逐渐加快,管理人员需要对海量信息实施决策.大数据存储系统是基于数据分析辅助决策的策略.聚类是分析数据并从中采集有价值信息的合理方案,通过聚类能够获取全局的分布模式和数据属性间有价值的关系,是一种重要的数据挖掘方法[1].而传统基于PSO聚类的大数据存储系统进行数据聚类时容易陷入局部最佳解,收敛效率低,数据存储性能差.群体智能是一种高性能的计算机技术,具备生物系统高效的操作方案和特征,能够有效处理大数据的全局优化问题.因此,本文设计基于群体协同智能聚类的大数据存储系统,增强数据的存储质量.
1 群体协同智能聚类的大数据存储系统
1.1 群体协同智能聚类系统的层次模型
基于层次模型,将群体协同智能聚类系统划分成应用层、任务层、功能层以及物理层[2].通过4种方法实现四个层次,分别是应用层的控制论方法、任务层的任务框架法、功能层的模型集成法以及物理层的GDISS描述语言法.
应用层用于描述问题求解活动在群体协同智能聚类系统中的语义描述,对系统的环境、问题以及用户解决问题的过程实施描述.应用层可描述成：应用层等于<<环境>,<用户>,<问题描述>,<问题求解过程表述>>.
任务层在计算机中实现对应用层的描述,其可描述成：任务层等于<<任务结构>,<任务控制过程>>.
功能层是实现任务层的支撑结构,由相应的功能软件构成.采用模型集成法实现功能层,该方法中的复合模型由简单子模型构成,为群体协同智能聚类系统的实现提供模型[3].
数据存储论文参考资料：
结论：基于群体协同智能聚类大数据存储系统设计为关于本文可作为相关专业数据存储论文写作研究的大学硕士与本科毕业论文大数据存储解决方案论文开题报告范文和职称论文参考文献资料。
