为快速识别大规模复杂网络中的重要节点,本研究将人类社会普遍存在的两类不平等映射为节点在网络中的能力与权力的二重异质性,设计了评价复杂网络节点重要度的DH指标,构造了用于DH指标快速分布式计算的并行随机距离渐进(parallel random distance approach,简称PRDA)算法.通过网络最大连通率、网络均衡熵、算法有效性和算法效率的评价实验验证DH指标及PRDA算法的有效性,得出结论如下:DH指标在识别重要节点时能适应不同拓扑特征的复杂网络,识别性能优于或同于时间复杂度更高的介数;PRDA估计算法在最短路径获得概率p=1-10-1.5的水平上得到的节点效率估计值ηi与真实值ηi的Pearson相关系数在0.975以上,且在大规模网络上进行节点效率估计结果更可靠;在Apache Spark并行内存计算环境中应用时间复杂度为O(n2/l)的PRDA算法求解DH指标耗时远小于介数求解耗时,这表明算法的时间特性也适于大规模网络.
检验环境变化影响下水文过程是否保持平稳性是开展水文分析与计算、水文模拟预报等的重要前提.本研究提出了水文随机过程平稳性检验方法,首先利用离散小波变换分离水文序列中的确定成分与随机成分,然后选择合适方程描述随机成分,利用Akaike information criterion和Bayesian information criterion计算最优时间滞后阶数,再采用单位根检验方法判别随机成分是否具有平稳性.人工生成序列和实测水文序列分析结果均显示,周期和趋势对随机成分的平稳性检验有很大影响,随着序列信噪比增大,检验结果的准确性变差.相比常规方法直接对原序列进行分析处理的做法,所提方法可首先准确分离确定成分并克服上述因素的干扰,因此较常规方法更加有效,进而可以得到更为合理的水文序列平稳性检验结果.