价值密度—截止期—回填的网格作业调度算法
有期限的作业调度算法doc
有期限的作业调度算法一、典型算法贪心算法是以局部最优为原则,通过一系列选择来得到问题的一个最优解,它所做的每一个选择都是当前状态下某种意义上的最佳选择.贪心算法适合于解决这样的问题:局部的最优解能够导致最终结果的最优解。
“有限期作业安排问题”描述如下:有n个任务每个任务Ji都有一个完成期限di,若任务Ji在它的期限di内完成，则可以获利Ci(l[i[n);问如何安排使得总的收益最大(假设完成每一个任务所需时间均为一个单位时间).这个问题适合用贪心算法来解决,贪心算法的出发点是每一次都选择利润大的任务来完成以期得到最多的收益;但是对于本问题由于每一个任务都有一个完成的期限因此在任务安排过程中除了考虑利润Ci外,还要考虑期限di.(一)算法描述1.假设用数组J存储任务,用数组C存储利润,用数组d存储期限,用数组P存储安排好的任务.按照利润从大到小的次序,调整任务的次序：对n个任务J1,J2,...,Jn进行调整，使其满足C1三C2三…三Cn.2.将排序后的任务顺次插入输出数组P.A)任务J[1]排在P[1];B)若已经优先安排了k个任务，则它们满足d[P[i]]三i(1WiWk)，即利润较高的k个任务能够在它们的期限内完成•那么，对于第k+1个任务J[k+1],显然C[k+1]WC[i](1WiWk);比较d[k+1]和d[P[k]]:a)若d[k+1]大于d[P[k]],那么将它排在第k+1位(P[k+1]T[k+1]);b)若d[k+1]小于等于d[P[k]],那么,J[k]能否插入，需比较k和d[P[k]]而定：i)若k等于d[P[k]](其第k个任务已经排在可以满足的最迟时间)，那么，因为Ck^Ck+1,只好放弃任务J[k+1];ii)若k小于d[P[k]](表示第k个任务还有推后的余地)：若d[k+1]=k,将第k个任务后移一位(P[k+1]-P[k]),将第k+1个任务排在第k位(P[k]一J[k+1]).若d[k+1]<k,则继续比较任务J[k+1]与第k-1个任务，方法同上.C)重复B)直至处理完最后一个任务.3)输出P.(二)算法实现voidjob-arrangement(char*J[],intd[],intC[],intP[],intn){sort(C,J,d,n);/*按照降序调整数组C,同时对数组J!d作相应调整*/P[0]=0;d[0]=0;P[1]=1;k=1;for(i=2;i<=n;i++){r=k;while{(d[P[r]]>=d[i])&&d[P[r]]!=r}r--;if(d[P[r]]<d[i])for(h=k;h>r;h--)P[h+1]=P[h];k++;P[r+1]=i;}output(P,J,n)}(三)算法分析该算法在最坏情况下的时间复杂度是0(n?)，在最好情况下的是0(n)二.利用UNION与FIND进行作业排序利用不相交集合的UNION与FIND算法以及使用一个不同的方法来确定部分解的可行性。
数据库访问中间件的实时性调度研究
３ ７
第６ 期
苗启 广 孙 灿
数据库访 问中间件 的实 时性 调度研究
总第 ２ ０期
值密度两个参数 ， 能够更好地适应不 同的负载情况 。 这种算 法 比 Ｄ Ｓ Ｄ 算法 在性 能上有 明显改 进 ，特别 是 在 系统过载的情 况下 ，能够优雅地降级 。 ＰＤ Ｔ 算法综合考虑 任务 的空 闲时间和截止 期两 个独 立特征 参数 ，通过将 两 者结合 起 来 ，综 合考 虑 任务 的优先 级 ，该 算法 提高 了任 务调 度 的成 功 率 ， 降低任 务截 止期 的错失 率。但 是这 种算 法是 针对任 务 的某个特 征进行 提取 分析 ，并没 有考 虑到 多个 特 征 对该 任务 的影 响 ，而且 这种 算法 也增 加 了运 算 的 次数和复杂度。 算法 Ｆ — Ｄ 嘲是一种具有 纠错能力 的最早 截止 ＲＥＦ
收 稿 日期 ：２ １ － １ ０ ０１ １－ ８
Ｂ Ｄ 算 法 是 为 了降低 Ｄ Ｓ 算 的调度 次数 和 Ｄ Ｓ时刻分成 不 同的批 次 ，并 以按 照批 次 的顺序 逐一处 理 ，每次 只 处 理一个 批 次 的任 务 ，当该 批次 的任务处 理完成后 才 开始 下 一批 次 的任 务 。Ｂ Ｄ 算 法 为降低 Ｄ Ｓ ＤＳ Ｄ 算 法 的队列长度 提供 了一种很好 的解决思路。 Ｌ Ｆ算 法 是根 据任 务 的松 弛 时 间动态分 配优先 Ｌ 级 ，任务 松弛 时 间的计 算公 式 为 ，任务 的最 后期 限 减 去 当前 的时间点 减 去所需 要完 成处 理的时 间。具 有 最小 松 弛时 间 的任 务被 赋予 最 高优先 级。Ｌ Ｆ算 Ｌ 法 实际上 是综 合考 虑任 务截 止期 和剩余 时间来改善 Ｄ Ｓ算法 的 ，这 种算 法 能够 拒绝掉 那些错过 截止期 Ｄ 的任务 ， 回给客户端 ， 返 避免 了客户端 的长时间等待 ， 减少 了 Ｃ Ｕ来 回切换 的次数 ，使得 系统 的性能变动 Ｐ
移动网格计算中的任务调度与资源管理方法研究
移动网格计算中的任务调度与资源管理方法研究随着移动终端设备和无线通信技术的快速发展，移动网格计算作为一种新兴的计算模式，正在得到越来越广泛的应用。
在移动网格计算环境中，任务调度和资源管理是关键的技术问题，直接影响到计算性能和资源利用率。
本文将重点研究移动网格计算中的任务调度与资源管理方法，并探讨其相关的技术挑战和解决方案。
一、任务调度方法研究在移动网格计算中，任务调度是指将各个参与计算的终端设备上的任务分配到合适的计算节点上执行的过程。
合理的任务调度可以提高计算效率、减少计算时间，并降低能耗。
目前主要的任务调度方法有下面几种：1. 贪心算法贪心算法是一种简单而有效的任务调度方法。
在贪心算法中，根据预先设置的任务优先级和计算节点的状态信息，将任务分配给第一个满足条件的计算节点。
贪心算法具有低计算复杂度和实时性好的特点，但对资源的利用率并不高。
2. 遗传算法遗传算法是一种通过模拟生物进化过程来优化任务调度问题的算法。
在遗传算法中，通过不断地交叉、变异和选择等操作，逐步演化出适应度高的任务调度方案。
遗传算法具有较强的全局搜索能力，可以在复杂的问题中找到较好的解，但计算复杂度较高，不适合实时任务调度。
3. 蚁群算法蚁群算法是一种模拟蚂蚁觅食行为的优化算法。
在蚁群算法中，每个蚂蚁代表一个任务，通过信息素释放和感知信息来选择下一个计算节点。
蚁群算法具有较好的全局搜索能力和适应性，能够找到较优的任务调度方案，但对参数的选择敏感，调参较为困难。
二、资源管理方法研究资源管理是指如何有效地利用移动网格计算环境中的有限资源，包括计算资源、存储资源和网络带宽等。
合理的资源管理可以提高系统的稳定性和性能。
目前主要的资源管理方法有下面几种：1. 资源预测与分配资源预测是指通过对历史数据和当前状态的分析，预测未来一段时间内资源的使用情况。
基于资源预测的资源分配方法可以根据预测结果，动态地分配资源给不同的任务，以满足任务的需求，提高资源利用率。
网格计算中任务调度算法研究的开题报告
网格计算中任务调度算法研究的开题报告一、研究背景和意义网格计算是一种分布式计算模型，它利用大量分布在不同地理位置的计算资源进行科学计算和数据处理。
随着计算机技术和网络技术的不断发展，网格计算得到了广泛的应用，例如天气预报、遗传研究、药物研发等领域。
然而，网格计算系统中存在大量任务，如何有效地将任务分配给计算节点并实现高效的任务调度成为网格计算领域的一个重要问题。
目前，网格计算任务调度算法研究方面取得了一定的进展，如负载均衡、动态调度、任务预处理等方法。
但是，在实际应用中还存在一些问题，如节点负载不均衡、任务调度效率低下等。
因此，本研究将针对网格计算中的任务调度问题，探索更加高效的任务调度算法，提高网格计算资源的利用率和性能，从而为网格计算的研究和应用提供一定的理论支持和实践指导。
二、研究内容和方法本研究将围绕网格计算中的任务调度问题展开研究，主要包括以下内容：1.任务调度算法研究。
探究针对不同场景下的任务调度问题，从负载均衡、资源有效利用、任务优先级等方面出发，设计高效的任务调度算法。
2.任务调度实现。
将设计的任务调度算法应用到实际的网格计算场景中，并根据实际情况进行一定的调整和优化，从而实现高效的任务调度。
3.实验和评估。
通过实际的实验和评估，对比不同的任务调度算法，分析算法的优缺点，并探究任务调度算法的适用范围和性能。
本研究的方法主要包括文献调研、任务调度算法设计、实验实现与评估等方面。
三、预期成果和意义本研究预计可以取得以下成果：1.提出一种针对网格计算任务调度问题的高效算法，有效提高网格计算资源的利用效率和性能。
2.实现并验证所提出的任务调度算法的有效性，对比其它方法的效果，并探究算法的适用范围和性能。
3.对网格计算中任务调度问题进行探索和研究，为网格计算领域的研究和应用提供一定的理论支持和实践指导。
四、可行性分析本研究的主要部分是任务调度算法设计和实验实现与评估，需要进行一定的计算机实验和数据分析。
如何定义某任务的优先级
如何定义某任务的优先级学号：SA13217009 姓名：朱苗苗一，任务的优先级调度法在实时任务调度中,调度策略中使用最多的是优先级调度法。
当实时任务到达时,指派一个优先级,进入任务队列。
在任务队列中,优先级最高的任务排在第一位,由高到低顺序排列。
优先级调度法主要有单调速率算法、截止期最早最优先(earliest deadline first,简称EDF)、空闲时间最短最优先(least slack first,简称LSF)、最早放行最优先、可达截止期最早最优先、价值最高最优先、价值密度最大最优先等策略,其中,EDF和LSF是讨论最为广泛的两种策略。
二，任务优先级的确定任务的优先级通常由任务的一个或多个特征参数来确定,如截止期、空闲时间或关键性(任务的重要程度)等.如果优先级仅仅是由某个特征参数来确定是不够的,如EDF策略将最高优先级指派给具有截止期最早的任务,LSF策略将最高优先级指派给具有空闲时间最短的任务。
因为截止期短的任务不一定是非常关键的,其空闲时间也不一定短,反之亦然,所以需要研究至少利用两个特征作为任务的独立特征参数,建立任务优先级与这些特征参数之间的、一对一的对应关系。
目前的许多研究比较集中在综合关键性与截止期这两个任务属性上,如关键性-截止期优先(基于相对截止期与关键性之比值来分配优先级)和加权的最早截止期价值密度优先。
有很多嵌入式实时操作系统一般都是支持优先级的抢占式操作系统。
它们的根本特点就是一旦某个高优先级的任务就绪就可以马上获得CPU资源得以运行。
任务优先级的安排在这类型操作系统中非常关键。
如果任务调度是基于优先级的，任务必须是可阻塞的。
一个非阻塞的任务会使比它优先级低的任务永远得不到运行机会。
在优先级的安排上，如果两个任务无任何关系，赋予运行时间短（从运行到阻塞）或者运行频率低的任务更高的优先级，这样会使整个系统中的任务的平均响应时间最短。
对于单向任务间通信的两个任务，一般赋予接收消息或信号量的任务更高的优先级。
dag 调度 backfill 回填算法
dag 调度 backfill 回填算法DAG调度中的回填算法：一种动态调整策略一、引言随着分布式系统与云计算的广泛应用，数据流处理与调度成为了一个重要的研究领域。
其中，DAG（有向无环图）调度是一种常见的数据流处理模型，它能够有效地将任务组织成有向无环的流程，以实现任务的并行处理。
然而，由于各种原因，有时一些任务可能会被延迟或丢失，这时就需要一种回填算法来对这些延迟或丢失的任务进行补充处理。
二、回填算法概述回填算法是一种动态调整策略，用于在任务调度中补充丢失或延迟的任务。
在DAG调度中，回填算法通过对已完成任务的历史数据进行分析，预测未完成任务的可能完成时间，并在实际完成时间之前开始处理这些任务，以确保任务按预期完成。
三、主要步骤1. 数据收集：回填算法首先需要收集所有已完成任务的历史数据，包括任务开始时间、完成时间等。
2. 预测模型：利用收集的数据，建立一种预测模型，用于预测未完成任务的可能完成时间。
这通常需要用到时间序列分析、机器学习等工具。
3. 任务调度：根据预测模型，回填算法会尝试在任务的实际完成时间之前开始处理这些任务。
如果预测不准确，可能需要多次调整预测模型或重新收集数据。
4. 反馈循环：在回填过程中，可能会遇到各种问题，如预测错误、资源不足等。
这时需要及时反馈问题，重新评估当前状态，调整预测模型或调整任务调度策略。
四、优缺点优点：1. 提高了任务完成的可靠性，减少了丢失或延迟的任务对整体处理效果的影响。
2. 通过动态调整任务调度，提高了系统的灵活性。
3. 降低了对静态调度策略的依赖，增强了系统的鲁棒性。
缺点：1. 需要大量的历史数据来建立预测模型，数据不足可能导致预测不准确。
2. 反馈循环可能导致调整过程的复杂性增加，需要更精细的管理和监控。
3. 回填算法的效率可能受到资源限制的影响，如计算资源、存储资源等。
五、应用场景与限制回填算法适用于各种需要处理大量并行的数据流任务的情况，如大数据分析、实时决策支持等。
网格计算中任务调度与资源动态管理研究
网格计算中任务调度与资源动态管理研究在网格计算中，任务调度和资源动态管理是关键的研究领域。
随着网格计算技术的不断发展，越来越多的应用程序需要在分布式环境下进行计算，因此有效地调度任务和动态管理资源变得至关重要。
本文将针对网格计算中任务调度和资源动态管理的研究进行探讨。
任务调度是指将各种计算任务分解和分配到不同的资源节点上执行的过程。
它需要考虑任务的特性、资源的特性以及网络拓扑等因素，以期在保障任务的质量和系统性能的前提下，实现高效的任务执行。
任务调度的目标是最大化系统的资源利用率，降低任务的执行时间，并尽量避免资源冲突和延迟。
任务调度算法的设计是任务调度研究的核心。
常见的任务调度算法包括静态调度算法和动态调度算法。
静态调度算法是事先根据任务和资源的特性进行推演和分析，得到一种固定的调度方案，再根据实际情况应用调度方案。
动态调度算法则根据运行时的实时情况，根据任务执行的进度、资源的状态等动态地进行调度决策。
动态调度算法相对更加灵活，能够更好地适应实际运行环境的变化。
针对不同类型的任务和资源，现有的任务调度算法包括基于启发式算法、遗传算法、模拟退火算法等。
资源动态管理是指对网格环境中的资源进行实时监测和调控，以保障系统的稳定运行和资源的平衡利用。
由于网格环境中的资源包括计算节点、网络带宽、存储等多种形式，资源动态管理需要综合考虑这些不同类型资源之间的关系。
资源动态管理的目标是通过精确地监测和分析资源的使用情况，合理分配资源，提高系统的整体效率。
在资源动态管理中，资源调配是重要的一环。
资源调配需要根据任务的需求和资源的状态进行决策，以满足任务的运行要求。
资源调配可以通过资源的分配、迁移和共享等方式来实现。
资源的分配是将任务所需的资源分配到合适的节点上执行，以保障任务的运行质量。
资源的迁移是指将任务正在使用的资源从一个节点迁移到另一个节点，以平衡资源的负载和提高系统的整体性能。
资源的共享是指多个任务共享同一资源的情况，通过合理规划资源的共享策略，可以提高资源的利用率。
网格计算中的任务调度算法研究与优化
网格计算中的任务调度算法研究与优化随着互联网技术的迅猛发展，计算机网络已经成为工业、科研、生活等各领域不可或缺的重要组成部分。
在大数据、人工智能、云计算等技术的发展下，计算机网络的应用范围越来越广泛，而网络计算中任务调度算法的优化也变得尤为重要。
本文就网格计算中的任务调度算法研究与优化进行探讨。
一、网格计算概述网格计算是指利用分布式计算环境下的多个计算机资源进行作业提交、并行计算的计算模式，它可以将计算机资源整合起来形成一个庞大的虚拟计算机。
在这个虚拟计算机中，多个计算节点联合共同完成任务，其处理能力可以达到甚至超过单台大型计算机。
网格计算作为一种多计算机的计算处理模式，不仅可以提高计算效率，还可以大幅节省计算成本。
二、任务调度算法的研究与优化在网格计算中，一个任务通常是一个大规模的计算问题，任务通常需要被分成很多小的计算任务，分别由不同的计算节点运算完成。
这样做可以使得整个任务的完成时间大大缩短，同时也能有效地减小计算机资源的浪费。
任务调度算法是指将任务分解后，将小任务分配给不同的计算机，并控制计算时间和节点负载等因素，最终完成整个任务的过程。
任务调度算法是网格计算中的关键技术之一。
1. 常用的任务调度算法在任务调度算法中，最常见的算法包括负载均衡算法、最短处理时间算法、优先级算法、反退火算法等。
这些算法各具特色，各适用于不同的场景需求。
其中，负载均衡算法是指在网络计算中动态地将计算资源分配给不同的任务，使得整个网络的负载达到最优的状态，从而达到更快的计算速度。
相比之下，最短处理时间算法是指分配工作给正在执行时间最短的处理器，这样可以优化每个任务处理的时间，保证任务得到快速有效的完成。
优先级算法是指将任务按照优先级大小进行排序调度，以保证高优先级的任务能够更快的得到处理。
而反退火算法则是一种运用物理学原理进行搜索的技术，可以很好的应用于任务调度算法。
2. 任务调度算法的优化策略任务调度算法在实际应用中，还存在许多问题，例如节点计算力不均匀、节点故障等。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Ｖｏ ． １３０ Ｎｏ． ０ １ ０ｃ ．２０１ ｔ ０
价 值 密 度一 截 止 期一 回填 的 网格 作 业 调 度算 法
李荣胜 赵文峰 徐 惠民‘ ， ，
（． １ 北京邮电大学 信息与通信工程学院 ， 北京 １０ ７ ０ ８６； ２ 北 京邮电大学 网络与交换技术 国家重点实验室， ． 北京 １０ ７ ） ０ ８ ６
（￣ ｎ ＠ ｓｈ ．ｏ ） １ｂ ｕ ｏｕ ｃｍ
摘
要： 在商业 网格 和云计算环境 中， 作业有到达 时间、 算量 、 计 预算、 截止期等属性 ， 区分作业 的重要性和 紧迫性
是调度 系统的关键 问题之一 。现有的作业优先级只考虑作业的单个或部 分属性。综合考虑 以上提及 的四个属性 ， 定
ｖ ｕ ｅｓｙａｄｒ ａｖ ｅｄｉｅ ｏｎ ｙｂｓｄｐ ｏ ｔ ｗ ｓ ｅ ｎｄ ａｅ ｎｔ ｓ ｒ ｒｙ ｅ ｃｅ ｕｉ ｌｏ ｔ ａ ｌ ａ ｅｄｎｉ ｎ ｅ ｔｅｄ ａｌ ｉｔ ａｅ ｒ ｒｙ ａ ｆ ｅ ．Ｂ ｓｄｏ ｉ ｐ ｏ ｔ，ａｎｗ ｓｈｄ ｌ ｇａｇｒｈ ｗ ｓ ｔ ｌｉ ｎｊ ｌ ｉ ｉ ｄｉ ｈ ｉ ｉ ｎ ｉ ｍ
第３ ０卷 第 １ ０期 ２１ ０ ０年 １ Ｏ月 文 章 编 号 ：０ １ ９ ８ （０ ０ １ ２ ７ — ３ １０ — ０ １ ２ １ ）０— ７ １ ０
计 算机 应 用
Ｊ ｕ ｎ ｌｏ ｏ ｕ ｅ ｐ ｉａｉ ｎ ｏ ｒ ａ ｆＣ ｍｐ ｔｒＡｐ ｌ ｔ ｓ ｃ ｏ
义 了基 于价 值 密度 和 相 对 截 止 期 的 作 业 优 先 级 ， 出 了基 于价 值 密 度 和 相 对 截 止 期 的 网格 作 业 调 度 算 法 ， 结 合 回 提 并
填算 法（ Ａ Ｙｂ ｃｆｌ ｇ 来提 高资源的利用率。仿 真结果显示， 于价值 密度和相对截 止期的作业优 先级很好地体 Ｅ Ｓ ａｋ ｌｎ ） ｉｉ 基 现 了作业 的重要性和 紧迫性 ； 而回填算 法在提 高资源利用率上对某些优先级策略效果显著 ， 有些则效果不明显。 关键词 ： 价值 计算
ｎ ｗ ｄ ｆ ｅ ｒ ｒｙＣ ｉｅｅ ｔ ｔ ｊｂ ’ｍ ｏ ａ ｃ ｎ ｒｅ ｃ ｅ ，ｂ ｔ Ａ Ｙ ｂ ｃ ｆｌ ｇＣ ｐｏ ｅｒｓｕｃ ｒｕ ｈ ｕ ｅ ｅ ｎ ｄｐ ｏ ｔ ａ ｄ ｆ ｎｉ ｅ ｏ ｓ ｉ ｐ ｒ ｎ ｅ ｄｕｇ ｎ ｙ ｌ ｕ Ｅ Ｓ ａ ｋ ｌ ｎ ａ ｉ ｒ ｏ ｒｅ ｈｏ ｇ ｐ ｔ ｉ ｉ ｉ ｎ ｆ ｒ ａ ｔ ａ ｗ ｌ ｉｉ ｎ ｍ ｖ ｅ ｔ
Ａ ｓ ａｔ Ｊｂ ａｅａｒ ａ ｔ ｅ ｏｋ ａ ，ｂ ｄｅ ａｄ ｄａｌ ｅｐ ｒｍ ｔｒ ｉ ｅｏｏ ｙｂｓｄ ｇｉ ｃｍ ｕ ｔ ｎａｄ ｂｔ ｃ： ｏｓｈｖ ｒｖｌ ｉ ，ｗ ｒｌ ｄ ｕ ｇｔ ｎ ｅｄｉ ａ ｅ ｓ ｎ ｃｎ ｍ —ａｅ ｒ ｏ ｐ ｔ ｉ ｎ ｒ ｉ ｍ ｏ ｎ ａ ｅ ｄ ａｏ
中图 分 类 号 ： Ｐ ９ ；Ｐ １ Ｔ３３Ｔ３６ 文献标志码 ： Ａ
Ｓ ｈ ｄ ｌ ｇａｇ ｒｔｍ ｆｇ ｉ ｏ ｓｂ ｓｄ ｏ ｃ ｅ ｕｉ ｌｏｉ ｎ ｈ ｏ ｒｄｊｂ ａｅ ｎ
ｖ ｌ ｅ ｉｙ ｒ ｌ ｔｖ ｅ ｄ ｉ ｅ ａ ａｕｅ ｄ ｎｓｔ ， ｅａ ｉ ｅ ｄ ａ ｌｎ ｎｄ ＥＡＳ ｂａ ｋ ｌｉ Ｙ ｃ ｆ ｌ ｉ ｎｇ
ｏ ｈ ｓ ａ ａ ｅｅ ｓｈａ ｅ ｂ ｅ ｏ ｓｄ ｒ ｄ ｉ ｈｅ ｅ ｉｔｎ ｌｏ ｔ ｍｓ Ｔｈ ｓ ｏ ａ ａ ｔｒ ｒ ｌ ｔ ｋ ｎ ｉ ｏ ａ ｃ ｕ ｅ ｅ Ａ ｆｔ ｅ ｅ ｐ ｒｍ ｔｒ ｖ ｅ ｎ ｃ ｎ ｉ ｅ ｅ ｎ ｔ ｘ ｓｉｇ ａｇ ｒ ｈ ． ｉ ｅ ｅ ｆｕｒｐ ｒ ｍｅ ｅｓｗｅ ｅａ ｌ ａ ｅ ｎｔ ｃ ｏ ｎｔｈ ｒ ．
ＬＩＲｏ ｇ ｓ ｅ ｇ ， ＺＨＡＯ ｅ —ｅ ｇ ，ＸＵ ｉｍｉ ｎ －ｈ ｎ Ｗ ｎｆｎ Ｈｕ — ｎ
（ ． ｃｏｌｆＩ ｏｍ ｔ ｎａ ｄＣ ｍ ｎｃｔ ｎＥ ｇｎｅ ｎ，Ｂ ｉｎ ｎｖｒｔ ｏｔ ａ ｅ ｃｍ ｎ ａｉ ｓ ｅｉ ０ ８ ６ ｈｎ ； １ Ｓｈ ｏ ｏ ｆｒａｉ ｎ ｏ ｍｕ ｉ ｉ ｎ ｉｅｒ ｇ ｅｉ Ｕ ｉ ｓｙｏ Ｐ ｓ ｎ Ｔｌ ｏ ｍｕｉ ｔ ｎ，Ｂ ｉ ｇ１０ ７ ，Ｃ ｉａ ｎ ｏ ａｏ ｉ ｊｇ ｅｉ ｆ ｓ ｄ ｅ ｃ ｏ ｊ ｎ ２ ＳａｅＫｙＬ ｂｒｔｙｏ ｅ ｏｋｎ ｎ ｗｔ ｉｇＴｃｎｌ ｙ ｅｉ ｎｖｒｔ ｏｔａ ｅｅ ｍ ｎ ａｉ ｓ ｅｉ ０ ８ ６ ｈｎ ） ．ｔｔ ｅ ａｏａｏ Ｎ ｔ ｒｉｇａ Ｓ ｉｈｎ ｅ ｏｏ ，Ｂ ｉｎ Ｕ ｉ ｓｙｏ Ｐ ｓ ｎ Ｔｌｏ ｍｕ ｉ ｔ ｎ，Ｂ ｒｎ １０ ７ ，Ｃ ｉ ｒｆ ｗ ｄ ｃ ｈ ｇ ｊｇ ｅｉ ｆ ｓ ｄ ｃ ｃ ｏ ｇ ａ
ｐ ｏ ｏ ｅ ．ａ ｄ Ｅ Ｙ ａ ｋ Ｈ ｎ ａ ｓ ｄ ｔ ｍｐ ｏ ｅ ｔ ｅ ｔｒ ｕ ｈ ｕ ｆｇ ｄ ｒｓ ｕ ｃ ｓ ｒ ｐ ｓ ｄ ｎ ＡＳ ｂ ｃ ｆ ｉ ｇ ｗ ｓｕ ｅ ｏ ｉ ｒｖ ｈ ｏ ｇ ｐ ｔｏ ｒ ｅ ｏ ｒ ｅ ． ｅｒ ｓ ｌ ｆ ｉ ｌｔ ｎ ｓ ｏ ｔ ａ ｅ ｉ ｈ ｉ ｎ１ ｅ ｕｔ ｏ ｍｕ ａｉ ｈ ｗ ｔｔ ｓ ｓ ｏ ｈ ｈ