本发明公开了一种超大规模 RDF 图数据的划分与并行分布处理 方法，包括：对原始的 RDF 图数据进行预处理，生成对应的哈希字典 文件和整形三列表数据，并将整形三列表数据转换成关联矩阵 M；建 立关联矩阵 M 的超图模型，在该超图模型中，M 的主语、谓词和宾语 即为超边，与超边相关的数据即为超边数据；判断该 RDF 图数据是连 通图还是非连通图，如果是非连通图，则将该非连通图划分为多个连 通图；基于超图模型，并发的广

本发明公开了一种可扩展的面向关联的流式图数据划分方法， 包括以下步骤：(1)对图数据进行预处理，将节点转化为节点 ID；(2) 将预处理后以 ID 形式存在的各边加入 FIFO，等待进入滑动窗口处理； (3)补全滑动窗口，根据混合近似PageRank方法计算各节点的 PageRank 值；(4)追踪当前由滑动窗口内各边构成的子图中每个节点对应的起始 节点的集合，获取各节点的关联值；(5)对窗口内所有节点采用近邻传 播

本发明公开了一种基于并发改进的大规模图数据流式划分方法 及系统，属于计算机存储领域。本发明包括：工作节点登记同步；代 理服务器发送顶点信息；工作节点返回梯度信息；代理服务器发送最 优分区信息；工作节点保存分区结果。本发明通过一次发送多个顶点 及其相关信息的方法，解决了现有流式图划分方法一次网络时延处理 一个顶点的问题，减少网络时延对系统的影响，提高了图划分效率。

本发明公开了一种基于顶点切割（vertex-cut）和社区聚集 （community-detection）的多层 k 路（k-way）图划分的方法，包括： 根据统计分析特性考虑自然图本身的分布，提出相应的顶点切割算法 将影响任务完成时间较大的一些顶点进行切割，然后利用基于标签传 播的社区聚集算法迭代地将切割之后的图进行标签传播，将图的各个 顶点的标签确定，即得到该顶点所在社区，最后用传统的多层 k-way 图划分算法

本发明涉及一种基于Hadoop的海量矢量数据划分方法及系统。该方法包括：基于Hilbert空间填充曲线对空间数据集中的空间要素进行空间编码；通过Map函数和Reduce函数实现空间要素的键值化，并生成空间数据样本信息集；根据所述空间数据样本信息集生成空间数据划分矩阵；根据所述空间数据划分矩阵将各个空间要素划分入对应的存储数据块中，同时将相邻数据块分发至同一集群节点上。本发明系统将Hilbert空间填充曲线引入到数据抽样和划分规则中，充分考虑空间数据相邻对象的空间位置关系、空间对象的自身大小以及相同编码块的空间对象个数等影响要素，不仅保证了样本信息集的空间分布特征，提高了海量矢量数据的空间索引效率；同时也保证了基于HDFS数据块存储的负载均衡。

本发明公开了一种基于图数据处理系统的数据并行访问方法， 所述方法包括以下步骤：S1、载入图数据至内存，将图数据各节点平 均分配至各处理器上并行处理；S2、各处理器调用图算法并行处理分 配至自身的图数据节点，处理过程中对图数据节点进行原子性读写； S3、将经图算法处理后的所有图数据节点写回至硬盘形成完整图数据， 判断所有图数据节点是否均收敛，如果收敛，则流程结束；如果不收 敛，则返回步骤 S1 进行下一次循环直到写回至

本发明公开了一种大规模图数据的压缩存储方法，包括：（1） 将原始图数据以行为单位用二进制邻接矩阵 M 存储；（2）根据邻接 矩阵 M 中每行的偏移值建立散列索引；（3）将邻接矩阵 M 中每行中 的起点按照出度进行升序排序；（4）记录入度为 0 的节点记为根节点， 将根节点按照出度进行降序排序，记为根节点序列；（5）对于根节点 序列中的每个节点，以根节点为开始节点，按深度优先策略依次分配 ID；（6）遍历邻接矩阵 M，

产品详细介绍请登录 中国科学软件网，了解GAMS软件报价和介绍信息。通用代数建模系统(GAMS)是特别为建模线性,非线性和混合整数最优化问题而设计的.本系统对于大型的,复杂的问题特别有帮助.GAMS可以运行在个人计算机、工作站、大型机和超级计算机上.GAMS允许使用者通过制定简单的设置来把精力放在建模问题上.至于特定机器和系统软件执行的费时的细节将由GAMS系统来处理.GAMS对于处理大型的,复杂的,需要多次修订才能最终确定精确模型的独一无二的问题特别有帮助.系统以高 度简洁和自然的方式来建模问题.使用者能够快速和方便的更改公式,能从一个求解器转到另一个,甚至稍加费心就能从线性转换到非线性.GAMS让使用者把精力集中到建模上.通过排除考虑纯技术上的机器特定的问题的需要,比如地址计算,存储分配,子程序链接,和输入输出和流程控制,GAMS增加了用于概念化和运行模型,和分析结果的时间.GAMS本身构建了良好的建模习惯,通过请求简明而精确的实体和关系的规范.GAMS语言形式上和通常使用的编程语言相似.因此对于那些有编程检验的使用者将非常熟悉.使用GAMS,数据仅仅需要一次就能在熟悉的列表和表格形式中输入.模型以简练的代数声明来描述,对于人和机器都很容易读懂.非常相关的约束的整个集合都被输入到一个声明中.GAMS自动生成每个约束等式,并让使用者处理例外情况,假使那里一般来说是不需要的.在模型中的声明能够被重用,而不需要更改代数式,当其它的实例是相同的或出现了相关问题.错误的位置和类型会在尝试解决方案前被查明.GAMS处理动态模型,包括时间序列,滞后,及暂时终点的提示和处理.GAMS是灵活而强大的.模型可以非常方便的从一个计算机平台移到另外一个,只要GAMS已经在每个平台被安装好.GAMS很容易进行敏感度分析.使用者能够方便的规划模型来求解一个成分的不同值,然后生成一个输出报告,列出了每种情况的解决方案特征.模型能够同时被开发和文档化,因为GAMS允许使用者包含解释性的文本来作为任意符号和等式的定义和解释.GAMS不断的在被增强和扩展.2.25版本包含了多个语言扩展,例如在一个循环中的SOLVE声明,INCLUDE声明,IF-ELSE声明,和使用PUT声明进行报告编写的功能.其它的加强包括增加的系统集成特征,性能改善,新的子系统,和另外的计算机平台支持.当前版本2.50包括一个基于Intel Windows平台(95/98/ME和NT/2K/XP)的集成开发环境(IDE).GAMS 2.50的新的分发包含新的语言特征和新发表的全新/更新的求解器,一年至少4次.请检查版本声明.示例： 从著名的1963书(由George Dantzig编写)中提取的一个运输问题,用来描述GAMS的有效性.这个模型只是模型库中的部分,模型库中还包含了大量的完整GAMS模型. 支持模型的类型： GAMS模型类型包括LP,MIP和NLPs的不同形式.这里列出了GAMS支持的所有的模型类型. GAMS 的发展背景 GAMS 是"General Algebraic Modeling System"（一般性代数仿真系统）的缩写，最早是由美国的世界银行(World Bank)的 Meeraus 和 Brooke [Brooke, Kendrickm and Meeraus, 1992]所发展。"GAMS"事实上并不代表任何最佳化数值算法，而只是一个高级语言的使用者接口，利用 GAMS 可以很容易建立、修改、除错你的最佳化模型输入文件，而输入档经过编译后，成为较低阶的最佳化数值算法程序所能接受的格式，再加以执行并写出输出档。 数值算法方面，对线性与非线性规划问题，GAMS 使用由新南韦尔斯大学的Murtagh、及史丹福大学的 Gill、Marray、Saunders、Wright 等人所发展的 MINOS  [Murtagh and Saunders, 1983] 算法。MINOS是 "Modular In-core Non-linear  Optimization System"的缩写，这个算法综合了缩减梯度法和准牛顿法，是专门为大型、复杂的线性与非线性问题设计的算法。对混合整数规划问题，则采用亚历桑那大学的 Marsten 及巴尔第摩大学的 Singhal[1987]共同发展的 ZOOM(Zero/One Optimization Method)算法。 GAMS 使用范例说明 如前所述，GAMS 本身有非常完整的英文版使用者手册，GAMS 的计算机软件中也附带了许多学习范例的档案。这里所作的 GAMS 使用范例说明，目的绝非在取代原版的使用者手册，而是要配合本课程说明的形式，重新编写使用范例输入文件，使读者能很快的进入情况，了解其使用程序。 GAMS 的操作大抵可分为三个步骤：建立 GAMS 输入文件，执行 GAMS 程序，检视 GAMS 输出档内容。 购买一套全模块的 Base licence 包括： 光盘 一片 The Solver Manuals  (574  pages) A User’s Guide  ( 259 pages) MPSGE Guide(175 pages + Appendix) 注：GAMS试用版对变量个数有限制 Without a valid GAMS license the system will operate as a free demo system with these limitations: Model limits: Number of constraints and variables: 300 Number of nonzero elements: 2000 (of which 1000 nonlinear) Number of discrete variables: 50 (including semi continuous, semi integer and member of SOS-Sets) Global solver limits: Number of constraints and variables: 10

近年来图数据受到越来越多的关注，在海量图数据中进行快速的复杂查询是所有图数据库系统面临的直接问题。本系统首创提出了将复杂条件查询转换成在大图中进行子图匹配的解决方法，该方法抛弃了传统利用关系数据库技术作为底层支持RDF数据的存储和管理，利用基于结构感知的索引和查询优化策略，极大地提高了在海量RDF知识图谱数据和复杂查询环境下的性能和系统可扩展性。 本系统支持W3C提出的RDF文件标准和SPARQL语法标准，提供C++、Java、Python、PHP等API接口，单机版本支持50亿条边秒级响应，分布式版本设计了基于查询日志的分布式图数据划分策略，具有非常好的可扩展性。