- 实现基于
push_pull(exchange)和Gossip的求平均值程序
- 实现基于
push的和基于push_pull的Gossip算法
- 实现基于反熵算法的更新效果检测
- 初始化：1,000,000 个节点，初始值为 0，随机选取一个节点为1，检测三种算法传播到所有节点的速度。
- 结束条件：均以所有节点变为1为结束条件。
- 初始化：1,000,000 个节点，初始值为 0 ~ 999,999，建立state数组保存节点的状态信息
state数组中，-1 表示已隔离状态，0 表示易感染状态，1 表示已感染状态，0 ~ 1之间的浮点数值表示兴趣衰减状态。
- 结束条件：
push_pull：标准差小于0.001时结束传播- 基于
push的和基于push_pull的Gossip算法：所有节点均为已隔离或易感染状态。
- 从如上两张曲线图可以得出，push、pull与push_pull分别在34、19和12次迭代时完成全体更新。
- 对于每次迭代的更新次数，push_pull要比pull和push更加快速的达到峰值并且峰值更高。
- 对于运算时间，push_pull也比pull与push要更短。
push time diff = 23.19695281982422
pull time diff = 22.219600677490234
push_pull time diff = 20.229918241500854
- 如上四张图分别描述了三种算法求平均值的标准差变化、易感染节点数变化、更新次数变化、已隔离节点数变化。
- push_pull、基于push的Gossip和基于push_pull的Gossip分别在40、75和62次迭代时停止迭代
- 基于
push_pull的Gossip在标准差降低和易感染节点数降低上比另外两种算法要更快
- 对于每次迭代的更新次数，基于
push_pull的Gossip要比另外两种算法更加快速的达到峰值。
- 对于已隔离节点数的变化，基于
push_pull的Gossip算法要比基于push的Gossip算法更快达到峰值
- 对于运算时间，基于
push_pull的Gossip也比另外两种算法要更短。
push_pull time diff = 550.8045172691345
gossip_push time diff = 483.12159991264343
gossip_push_pull time diff = 456.8370683193207
卷 新加卷 的文件夹 PATH 列表
卷序列号为 989A-E9E0
E:.
│ anti_entropy.log 反熵算法的控制台输出记录
│ anti_entropy.py 反熵算法源码（包括push、pull、push_pull三种算法的布尔值的更新效果检测）
│ anti_entropy_infected_nodes.jpg 反熵算法_已感染节点的变化曲线
│ anti_entropy_update_times.jpg 反熵算法_每次迭代的更新次数曲线
│ average.log 求平均值的控制台输出记录
│ average.py 求平均值源码（包括push_pull、基于push的Gossip、基于push_pull的Gossip三种算法）
│ average_removed_nodes.jpg 求平均值_已隔离节点的变化曲线
│ average_std.jpg 求平均值_标准差的变化曲线
│ average_susceptible_nodes.jpg 求平均值_易感染节点的变化曲线
│ average_update_times.jpg 求平均值_每次迭代的更新次数曲线
│ history.json 反熵算法的过程数据（绘图用）
│ history_average.json 求平均值的过程数据（绘图用）
│ ReadMe.md 说明文件
│ time.log 各算法的耗时记录（单位微秒）
│ tree.txt 工程结构树文件
│
└─.idea PyCharm工程文件夹
│ encodings.xml
│ Gossip.iml
│ misc.xml
│ modules.xml
│ workspace.xml
│
└─inspectionProfiles
Project_Default.xml
