馮諾依曼體系結構的計算機

1、馮諾依曼體系結構的計算機，包括目前所有主流電腦，執(zhí)行的算法來解決問題。馮諾依曼體系結構的計算機的性能主要是通過半導體縮放改進一。然而，性能的提高將減速時半導體縮放結束二，和新的計算范式的出現(xiàn)。新的計算范式有兩個特點：空間代表性問題和計算機硬件，類似的問題。要解決的問題空間表示如通過神經(jīng)網(wǎng)絡和伊辛模型。神經(jīng)網(wǎng)絡是大腦，可以實現(xiàn)機器學習和識別的模擬三，四，五，六。類似于神經(jīng)網(wǎng)絡的硬件實現(xiàn)已提出主要通過硅集成電路中的神經(jīng)元數(shù)量，實現(xiàn)可擴展性七，八，九，十。Ising模型是一個磁性是由Wilhelm Lenz 1920發(fā)明的統(tǒng)計力學模型十一。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，基本上相當于圖論中的加權最大割問題十二。最大割問題是一個原型的非確定性多項式時間的努力（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，是用來解決實際問題的時間。硬件實現(xiàn)類似于Ising模型已經(jīng)被提出，并可以實現(xiàn)近似解十五，十六，十七，十八，十九。我們需要擺脫在學習和優(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，得到了廣泛的應用，概率接受狀態(tài)轉變成更糟糕的解決方案根據(jù)合格率二十。錄取率是由預定的溫度和當前的狀態(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)絡稱為玻爾茲曼機二十一。概率的行為是由一個偽隨機數(shù)發(fā)生器產(chǎn)生的隨機數(shù)實現(xiàn)的比較二十二，二十三。這意味著，產(chǎn)生隨機數(shù)的算法的一部分，它必須準確地執(zhí)行。然而，電腦設備會表現(xiàn)出不確定的行為由于半導體縮放。成本，在資金和硬件資源，將需要增加在不久的將來行為，保證準確。算法允許不確定性的存在提出了改善未來半導體節(jié)能工藝二十四。在這里，我們表明，利用不確定性優(yōu)化設備解決隨機性的來源。更具體地說，我們研究了Ising模型基態(tài)搜索一個實驗用的不確定性，是作為一個單一的硅集成電路來實現(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、定計算任務比任何相應的經(jīng)典算法。在這里，我們表明，一個單一的qudit足以實現(xiàn)基于量子算法的一個預言，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。我們的算法提供了量子計算沒有糾纏例因為它用一個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)，即一個實驗的實現(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目標在Deutsch算法的情況下，我們得到一個加速相對于相應的經(jīng)典算法。對于特定的計算任務的考慮，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“量子力的量子計算機的計算能力同時執(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？一個密切相關的問題是量子計算的動力來源。疊加、糾纏和不被稱為量子計

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，量子力學的情境性可以觀察到，在這個意義上，一個特定的結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交易所運營。the is to the宇稱確定計算任務（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的角色扮演。我們目前的

8、實驗示范moreover，安of this algorithm using在室溫磁四極核共振（NMR）的設置。是第一個人工智能（AI）系統(tǒng)，可以學習各種任務從零開始只給相同，最小啟動信息?！澳阌幸粋€系統(tǒng)，可以學習一些游戲的事實，沒有游戲的任何調(diào)整，是令人印象非常深刻，”彌敦說只，機器在哈里森堡杰姆斯麥迪遜大學學習科學家，弗吉尼亞。DeepMind公司，這是總部設在倫敦，說大腦靈感的系統(tǒng)還可以提供洞察人類的智慧?！吧窠?jīng)科學家正在研究情報和決策，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一個精簡系統(tǒng)，測試理論，說李察薩頓，計算機科學家研究鋼筋在埃德蒙頓艾伯塔大學學習，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，你可以學習，”他說。但到目前為止，大多數(shù)人打電腦如IBM的深藍色，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器學習的一個成就，Sutton稱“大買賣”。第一，被稱為深度學習、用腦啟發(fā)的結構，模擬神經(jīng)元層之間的連接加強經(jīng)驗的基礎上。深度學習系統(tǒng)可以從非結構化數(shù)據(jù)的大量復雜的信息（谷歌，山景，加利福尼亞，使用這種算法的

10、自動分類的照片，旨在利用他們的機器翻譯。二是強化學習，決策系統(tǒng)受神經(jīng)遞質多巴胺獎賞系統(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的權利或火?；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，認為技術可以enablerobots通過與環(huán)境相互作用的解決問題。但一個主要驅動力是科學本身，因為建筑智能系統(tǒng)說哈薩比斯就已經(jīng)，手段更加了解情報。很多人在計算神經(jīng)科

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

12、個報道4億（6億1700萬美元），并已被偷獵導致計算機科學家和神經(jīng)科學家從學術界，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。一個項目可以建立一個內(nèi)存的算法，使系統(tǒng)轉移到新的任務的學習。與人類不同的是，當電流系統(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大腦的方式。目前，DeepMind的體系努力行動與遙遠的后果這一局限，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)代信息技術的一個長期目標。目前廣泛使用的馮諾依曼計算機的架構將內(nèi)存和計算單位，導致能耗數(shù)據(jù)移動時，計算機的工作。為了滿足對數(shù)據(jù)驅動的應用程序，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)能處理架構超越馮諾依曼關鍵是信息社會。在這里，我們展示了電阻開關非馮諾依曼體系結構（RS）設備命名為“imemcomp”，那里的記憶和邏輯與單型設備的統(tǒng)一。利用非易失性和交叉RS陣列結構的并行，我們有“與并行學習定義的邏輯功能進行大規(guī)模的信息處理任務的計算能力imemcomp”。這種架構消除了馮諾依曼電腦的能耗數(shù)據(jù)移動?，F(xiàn)代硅技術相比，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)代計算機已經(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算機執(zhí)行的是著名的馮諾依曼計算機體系結

14、構一。在這種體系結構中，計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算，留下更少的能量可以在我們的計算機實際計算。這種頻繁的能源饑渴的運動從而被視為“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)療設備。因此，支持多樣化的社會應用基本是從當前計算機體系結構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

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（RS）設備。作為一個非馮諾依曼體系結構，“imemcomp”利用為并行計算設備級和電路級的性能和可重構邏輯學習結構模仿通過實踐學習知識和接受新思想的人腦工作的方式。實驗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備的統(tǒng)一。這節(jié)課我們從本研究得知，是一個應該探索建筑創(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，新興技術的計算潛力。方法設備制造和包裝鉑/重油加工xTiTiN電阻開關器件在不高的熱預算過程。

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、干法刻蝕進行形成方形設備。最后，等離子體增強化學氣相沉積（PECVD）后金屬電介質的罪惡/ SiO二和Al金屬被用來完成設備制造。制作的器件封裝采用雙列直插引腳封裝（DIP）技術。電氣測量該裝置的電氣測量中使用的安捷倫B1500A半導體參數(shù)分析儀一起進行級聯(lián)探針臺。在設備的測量，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系列平臺上進行。在測試過程中，脈沖的計算是適用于頂電極（點線）和普通底電極（字線）與負載電阻串聯(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)絡排名算法（nwrank），具有等級的節(jié)點和鏈接的網(wǎng)絡同步。該算法結合了超誘導的主題選擇的相互強化的特征（點擊）和體重正?；卣鞯腜ageRank。相對權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)值實驗結果表明，nwrank性能始終優(yōu)于命中，PageRank，特征向量中心，從網(wǎng)絡的連通性和網(wǎng)絡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)絡的效

18、率去除1基準標準。此外，它可以避免一些問題，如緊密的團體中存在的效果，點擊。nwrank提供節(jié)點和鏈接的網(wǎng)絡排名的一種新的廉價的方法，具有實際應用價值，特別是對資源配置升級的分層分布式網(wǎng)絡，以及支持網(wǎng)絡的設計決策，在節(jié)點和鏈路的重要性取決于當?shù)睾腿虻恼w平衡。說明排名內(nèi)各個元素的網(wǎng)絡，包括節(jié)點和鏈接，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)上搜索主題相關的最權威的網(wǎng)頁，在社交網(wǎng)絡中發(fā)現(xiàn)最有影響力的人，最常被引用的科學論文中的引文網(wǎng)絡評估或鑒定最脆弱的部件在基礎設施（如交通網(wǎng)、電網(wǎng)和供水系統(tǒng)）。網(wǎng)絡組件的臨界定量有助于決策者告知他們的管理策略。例如，基礎設施的設計者可以設定強制性安全

19、指標或可靠性水平的組件（例如，公路和橋梁）在運輸網(wǎng)絡中，盡管資源通常是有限的。因此，計算有效的措施，能夠識別或篩選出網(wǎng)絡節(jié)點的重要性和鏈接是必需的，作為標準的計算方法過于苛刻。排名網(wǎng)絡節(jié)點或鏈接地址的問題”可以在一個網(wǎng)絡中的重要節(jié)點或鏈路被有意義地確定輸入數(shù)據(jù)和計算資源，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)絡的具體特點，主要基于其拓撲結構。例如，一個簡單的節(jié)點重要性的措施在網(wǎng)絡節(jié)點的度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)點和鏈接的網(wǎng)絡連接模式。鄰接矩陣也被用作輸入先進的特征值和特征向量的分析，并在實踐中不斷得到應用。光譜網(wǎng)絡組件的排名是基

20、本排序方法復雜的擴展，如節(jié)點中心度ki。一個網(wǎng)絡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，在網(wǎng)站的超鏈接的節(jié)點和它們之間的連接。PageRank認為基于隨機游走模型的鏈接權重歸一化和上網(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)點在網(wǎng)絡中，樞紐和當局，并計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)絡節(jié)點和他們的排名不考慮鏈接的重要性。在文獻中存在的鏈接的排名非常少的高效算法。網(wǎng)頁網(wǎng)絡、引文網(wǎng)絡排名的研究主要集中在節(jié)點的排名，因為在這樣的網(wǎng)絡鏈接的排名是不實際

21、的利益。這是某些類型的網(wǎng)絡形成了鮮明的對比，如交通網(wǎng)絡，其節(jié)點鏈接至少同樣重要，以及供應鏈網(wǎng)絡的鏈接，找到一個產(chǎn)品或服務的最終客戶的重要運動。然而，相對有限的研究已經(jīng)完成，到目前為止，探討網(wǎng)絡鏈接的排名。中介中心的邊緣已被用來作為在網(wǎng)絡流量通道鏈路的關鍵作用的近似指標。其他一些研究排名基于算法的前提是網(wǎng)絡中最重要的環(huán)節(jié)是通過在系統(tǒng)級性能指標變化最大的一個結果的一個去除網(wǎng)絡的鏈接，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個標準是實踐這種方法的例子。然而，這些基于鏈接的措施通常依賴于網(wǎng)絡性能的計算（例如，連接可靠性和網(wǎng)絡流量）的鏈接去除后，既費時又取決于績效指標的選擇。例如，為全

22、美國的運輸網(wǎng)絡，有成千上萬個節(jié)點。因此，傳統(tǒng)的處理策略（例如，基于N1標準）的實際應用中是太費時。因此，新的計算有效的工具，特別是基于網(wǎng)絡的頻譜分析的節(jié)點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，在今天的基礎設施工程是一個持續(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)點和的網(wǎng)絡鏈接的同時。在這個wrank形式主義，歸一化的wrank算法（nwrank）是本文提出的。這nwrank指標結合起來，相互強化和體重正?；癁橐粋€統(tǒng)一的框架思路。然后，該wrank和nwrank方法應用于一系列廣泛

23、的綜合網(wǎng)絡模型和PageRank，相比命中，特征向量中心，和邊介數(shù)的算法，以及基準N1標準的基于網(wǎng)絡的效率指標，它被廣泛應用于網(wǎng)絡科學與工程領域研究各種網(wǎng)絡的性能。結果不同的網(wǎng)絡應用評價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)絡研究。為了進一步評價nwrank算法，上述算法也比較傳統(tǒng)N-1去除策略。不同的指標可以用來量化在去除策略取決于網(wǎng)絡類型的網(wǎng)絡性能。例如，旅行時間可用于運輸網(wǎng)絡和成本可用于供應鏈網(wǎng)絡。設想，nwrank是一個通用的排序算法，可用于節(jié)點或通用的網(wǎng)絡鏈接的排名。因此，一個一般的度量（即網(wǎng)絡

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)絡中的節(jié)點數(shù)，和dij最短距離對網(wǎng)絡中的節(jié)點之間的。網(wǎng)絡效率E已被用來描述各種網(wǎng)絡的性能，以及一般的復雜網(wǎng)絡的性能。因此，網(wǎng)絡的效率是一種流行的度量來描述網(wǎng)絡中的科學和工程應用的網(wǎng)絡性能?，F(xiàn)實世界的復雜網(wǎng)絡通常是由于整合幾個理想但拓撲不同的網(wǎng)絡具有不同的尺寸和配置。例如，美國的交通網(wǎng)絡由國家交通網(wǎng)絡。美國的運輸網(wǎng)絡是由城市的交通網(wǎng)絡，等等。該規(guī)則也適用于其他網(wǎng)絡，如互聯(lián)網(wǎng)、社交網(wǎng)絡、通訊網(wǎng)絡、供水供電系統(tǒng)。因此，對砌塊的結構（即典型的小型網(wǎng)絡一些同質化特征）發(fā)現(xiàn)在大型網(wǎng)絡信息。yazdani等人。分典型的小型多樣的網(wǎng)絡的一個子集，主要分

25、為兩大類，捕捉不同的網(wǎng)絡配置：（1）層次網(wǎng)絡模型，在網(wǎng)絡組織（或操作）在一個分層的方式與一些節(jié)點易于辨認的主人或上游節(jié)點而其他大多數(shù)節(jié)點流量分配連接下游節(jié)點；和（2）分布式網(wǎng)絡模型，在網(wǎng)絡有一個相對統(tǒng)一的拓撲結構，只有少數(shù)樞紐或單一故障點的存在。本研究利用這些小但拓撲不同的集成的網(wǎng)絡，以及其他一些理想的拓撲結構（例如，網(wǎng)格，和無標度網(wǎng)絡），測試性能的wrank和nwrank算法。關于鏈接的排名，nwrank是獲得相同的排序結果與唯一的算法N-1對于大多數(shù)的網(wǎng)絡分層處理策略（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)絡集成在離開

26、連接節(jié)點的一些費用排名鏈接（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果的差異源于nwrank權衡機制來處理局部和全局的連接角度，在拓撲結構方面，主導當?shù)氐娜蛄鲃?。同時，該nwrank算法獲得相同的鏈接排序結果與C13和ht15邊介數(shù)的算法。在四個網(wǎng)絡中，可以看出，nwrank算法將與wrank算法或邊緣中間算法由于結合了兩者的特點，同時揭示了預期的邊緣排名每次（即有利于集群內(nèi)的完整性在整個網(wǎng)絡的連通性，網(wǎng)絡的弱連接的亞群葉存在）。這是鏈接1、8、15和節(jié)點重要性抓獲，1 C13，或鏈接1和2和2節(jié)點和3 ht15。為

27、節(jié)點和鏈接的排名nwrank算法的優(yōu)越性進一步證實在其他復雜的網(wǎng)絡，如分布式網(wǎng)絡，它往往沒有明顯的有聲望的節(jié)點。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)絡流的重要性。相同的節(jié)點的排名是真實的。的wrank和HITS算法導致非常類似的排名，排名最高的節(jié)點屬于同一個社區(qū)。然而，nwrank（PageRank）發(fā)現(xiàn)排名節(jié)點從所有的三個社區(qū)。這個問題在打啟發(fā)算法節(jié)點的排

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，。一個緊密團結的社區(qū)是一個小而高度互連的節(jié)點集和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關相互強化的方法（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。點擊wrank算法最重要的特點是節(jié)點或節(jié)點和鏈路的相互強化，而PageRank的顯著特征是鏈接的權重的歸一化。邊介數(shù)約認為網(wǎng)絡流量排名中的作用。然而，這nwrank算法結合了兩者相互強化攻擊和正常的體重從PageRan

29、k的特點。此外，nwrank近似地考慮網(wǎng)絡流量的節(jié)點和鏈路的同時進行排名，這在一定的網(wǎng)絡基礎設施系統(tǒng)是可取的，在進行商品鏈接。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果相對昂貴N1去除為主的策略，這是作為一個基準的排名比較，這里。然而，nwrank比傳統(tǒng)處理策略更有效，產(chǎn)生令人滿意的結果，強調(diào)整體平衡局部和全局的角度。nwrank往往青睞網(wǎng)絡完整性在實際意義上（有利于網(wǎng)絡的很大一部分是連接即使一小部分是斷開的，這與工程的設計原則；同意而其他排名傾向于元素，保持整個網(wǎng)絡連接不承認次優(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。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)絡中，這是可取的因為nwrank考慮網(wǎng)絡的連通性和網(wǎng)絡流量的節(jié)點和鏈接的排名。突出nwrank計算效率，一個比較大的1486個節(jié)點和2321個環(huán)節(jié)的南卡羅來納州的交通網(wǎng)絡是選定的測試nwrank計算要求。它需要1551秒來計算，如果一個普通的排序結果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，如美國的整個運輸網(wǎng)絡和互聯(lián)網(wǎng)傳統(tǒng)的處理策略（如，N- 1標準）可能成為實際應用太耗時間。除了計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算效率，使得整體的最壞情況下的時間復雜度成正比O（N四）。相反，nwrank的主要操作為陣列矩陣乘法N要求O（N二點四）來O（N三）時間（取決于實現(xiàn)），和中間的評價尺度O（N三）為一個整