CN103268529A - 基于集合型离散粒子群优化的云工作流调度方法 - Google Patents
基于集合型离散粒子群优化的云工作流调度方法 Download PDFInfo
- Publication number
- CN103268529A CN103268529A CN2013101718819A CN201310171881A CN103268529A CN 103268529 A CN103268529 A CN 103268529A CN 2013101718819 A CN2013101718819 A CN 2013101718819A CN 201310171881 A CN201310171881 A CN 201310171881A CN 103268529 A CN103268529 A CN 103268529A
- Authority
- CN
- China
- Prior art keywords
- particle
- heuristic
- random
- new
- algorithm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000002245 particle Substances 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000005457 optimization Methods 0.000 title claims abstract description 19
- 238000004364 calculation method Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 241000251468 Actinopterygii Species 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 244000144992 flock Species 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 238000012384 transportation and delivery Methods 0.000 description 2
- 230000019771 cognition Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000013396 workstream Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于集合型离散粒子群优化算法的云工作流调度方法,该方法针对带有不同服务质量QoS需求的云工作流调度问题,采用了一类新型的集合型粒子群优化算法,通过将粒子群优化的速度、位置和相关的更新操作在离散的集合空间重定义,从而能够满足对离散空间的云工作流调度优化问题的应用需求,提高了云工作流调度的效率。
Description
技术领域:
本发明涉及云计算以及智能计算两大领域,主要涉及一种基于集合型粒子群算法优化云工作流调度的方法。
技术背景:
云计算作为一种新兴的资源使用和交付模式,可以让用户随时随地根据自己的需求来使用各种资源,已经逐渐为学界和产业界所认知。它提供了很弹性的方法来实现一种基于交付模式计算密集型的工作流应用。在云系统中,由于用户越来越关注服务质量(QoS)的满意程度,满足用户自定义需求的云工作流动态调度问题已经逐渐变成一个亟待解决而且具有挑战性的难题。
粒子群算法(PSO)是一种模拟自然界中鸟群和鱼群捕食的随机搜索算法。虽然PSO是一个非常适合于连续领域问题优化的算法,并且已经在很多连续空间领域获得了相当成功的应用,但是还是有很多现实的问题都是定义在离散空间中的,例如典型的离散组合问题就有背包问题,旅行商问题,调度问题等。为了将PSO在离散优化空间中拓展,我们此前提出了集合型的粒子群优化算法(S-PSO),成功地突破了粒子群优化在离散优化空间的应用瓶颈,在解决如旅行商和多重背包等经典组合优化问题中取得了很好的求解性能[1]。以此为基础,如果能实现基于S-PSO的云工作流调度方法,将可以为进一步提高云工作流调度的效率提供新的有效途径。基于此技术背景,本发明将提出一种基于S-PSO的云工作流调度方法,提高云工作流调度的性能和效率。
参考文献:
[1]Wei-neng Chen,Jun ZHANG,Henry Chung,Wen-liang Zhong and Yu-hui Shi,“A Novel Set-Based Particle Swarm Optimization Method for DiscreteOptimization Problems”,IEEE Transactions on Evolutionary Computation,Vol.14,No.2,pp.278-300,March,2010.
发明内容:
本发明提出基于集合型粒子群优化算法的云工作流调度方法,具体步骤包括:
(1)初始化算法的各个参数,并建立第一代粒子群和初始速度。粒子的编码方式为一个n元组:
X=(X1,X2,...,Xn)
其中Xi∈Si,Si表示能用于执行第i个任务Ti的所有云计算服务的集合。事实上,由于每个任务只能匹配到一个云计算服务中执行,因此Xi仅仅只含一个元素Ki,表示任务Ti被安排云计算服务上执行,n是工作流中任务的总数量。初始化时Xi用完全随机的方式生成。
速度的编码方式也为一个n元组
V=(V1,V2,...,Vn)
其中每一维度是一个带有可能性的集合Vj={e/p(e)|e∈Sj},表示集合Sj中的每一个元素e都关联着一个可能性p(e)。在初始化速度时,首先随机从Sj里面选择一个元素,并且分配一个随机的可能性p(e)∈(0,1]给这个元素,其它所有没选的元素的可能性都设置为0。
(2)根据粒子当前的位置评估每个粒子的适应度值。
(3)更新每个粒子的个体最优位置。
(4)更新粒子的速度,公式为:
(5)更新粒子的位置,得到新一代的粒子。
(6)如果达到终止条件则停止程序,否则返回步骤(2)
附图说明:
图1基于集合型离散粒子群优化的云工作流调度方法的流程图
具体实施方式:
以下结合附图进一步对发明的方法进行描述。
云工作流可以以有向无环图(DAG)G=(V,A)的形式给出。在该模型中,令n为工作流中任务的数量,节点的集合V={T1,T2,...,Tn}对应工作流中的任务。箭线的集合A表示任务之间的优先次序关系。工作流中的每个任务在云系统里面都能被一些云计算服务实现,即每个任务Ti(1≤i≤n)都具有一个可执行该任务的云计算服务集合其中表示云提供给任务Ti的一个服务实例,mi表示Ti可用的服务实例的数量。对于每一个服务实例考虑三个约束,即花费执行时间和可靠性
为了给用户提供一种在云系统里面弹性管理工作流的QoS,本发明所考虑的云工作流调度模型允许用户自己定义各种各样的QoS约束。根据上面所提到的三个QoS参数,用户可以定义三种类型的约束:
(1)执行时间约束:工作流的执行时间必须小于或者等于用户自定义的执行时间;
(2)预算约束:工作流产生的所有服务实例的总价格必须小于或者等于用户自定义的预算价格;
(3)可靠性约束:工作流中每个服务实例的储存的历史可靠性必须要小于用户自定义的最低可靠性;
另外,云工作流调度模型还允许用户指定一个QoS参数作为优化主体。换句话说,用户可以从下面的三种QoS优化方式中选择一种方式进行优化:执行时间最小化,预算最小化,可靠性最大化。
PSO是一种模拟自然界中鸟群和鱼群捕食的随机搜索算法。算法要求每个个体(粒子)在进化过程中维持两个向量,即速度向量和位置向量。粒子的速度决定了其运动方向和速率,而位置则体现了粒子所代表的解在解空间中的位置。每个粒子各自维持着一个自身的历史最优位置向量,而整个群体则维护着一个全局最优位置向量。在每一代中,每个粒子通过速度更新和位置更新,生成新的解,从而不断使待解问题得到优化。
由于原始的粒子群算法的速度和位置的更新公式都是定义在n维的实向量空间,所以它们不能被直接应用到离散空间的优化问题里面。在此,本发明使用S-PSO方法。这个方法将待优化的问题按照如下方式建立数学模型:
(1)问题所含有的元素的全集记为E。集合E可以被分为一个n元组(E1,E2,...,En),其中E=E1∪E2…∪En,可以把E1,E2,...,En看成问题的n维。
(3)X是可行解当且仅当X满足约束条件Ω。
(4)问题的优化目标就是要找到一个合适的解X*使得问题的目标函数f得到最优化。
基于这一定义,基于集合型离散粒子群优化的云工作流调度方法的具体执行步骤如下:
(1)初始化算法的各个参数,并建立第一代粒子群和初始速度。粒子的编码方式为:
X=(X1,X2,...,Xn)
其中Xi∈Si,Si表示能用于执行第i个任务Ti的所有云计算服务的集合。事实上,由于每个任务只能匹配到一个云计算服务中执行,因此Xi仅仅只含一个元素Ki,表示任务Ti被安排云计算服务上执行,n是工作流中任务的总数量。初始化时Xi用完全随机的方式生成。
速度的编码方式为:
V=(V1,V2,...,Vn)
其中每一维度是一个带有可能性的集合Vj={e/p(e)|e∈Sj},表示集合Sj中的每一个元素e都关联着一个可能性p(e)。初始化时随机从Sj里面选择一个元素,并且分配一个随机的可能性p(e)∈(0,1]给这个元素,其它所有没选的元素的可能性都为0。
(2)根据粒子当前的位置评估每个粒子的适应度值。由于云工作流调度优化需要考虑各种不同的约束条件,模型定义了三种不同的评价函数,分别为:
对于给定完成期限Deadline和费用预算Budget,优化可靠性的问题,其评价函数为:
其中K.makespan表示调度K的工期,K.cost表示调度K的总体花费,min_reliability和max_reliability表示所有可用的云计算服务中可靠性最小和最大的服务的可靠性,K.reliability表示调度K的可靠性。
对于给定费用预算Budget约束,最小化完成时间的问题,适应度函数为:
其中的min_makespan和max_makespan分别表示把所有任务都分配到完成时间最短或最长的云计算服务时工作流执行所需的完成时间。
对于给定完成时间Deadline约束,最小化费用的问题,适应度函数为:
其中的min_cost和max_cost分别表示把所有任务都分配到费用最小或最大的云计算服务时工作流执行所需的完成时间。
(3)更新每个粒子的个体最优位置。
(4)更新粒子的速度,公式为:
其中下标i表示第i个粒子,上标j表示维度,ω是惯性权重,c是参数,rj是位于[0,1]区间的随机数,表示第fi(j)个粒子的历史最优位置的第j维,fi(j)定义如下:首先产生一个处于[0,1]区间的随机数ran,如果ran比给定的参数Pc大,fi(j)=i,否则算法会对两个随机选择的粒子进行锦标赛选择,适应度值更大的那个会被选中为fi(j)。
在这个更新公式中,由于速度和位置的定义已经不再在连续的实数空间中定义,而是在离散的集合空间中定义,因此更新公式的相关操作也需要重新定义:
(i)参数×速度:
cV={e/pl(e)|e∈E},
(ii)位置-位置:
(iii)参数×(位置-位置):
cEl={e/pl(e)|e∈E},
(iv)速度+速度:
V1+V2={e/max(p1(e),p2(e))|e∈E}
(5)更新粒子的位置。在重新定义的离散空间里不能简单由速度加位置来更新粒子的位置,故采用如下4步来更新粒子的位置:
更新种群位置操作时的第(ii)(iii)(iv)步都有一个选择操作。这里将采用基于启发信息的选择方式,即每次进行选择之前都从{时间优先启发式,费用优先启发式,可靠性优先启发式,性价比启发式,随机启发式}这五类启发信息中随机选择一种启发信息,并按照这种启发信息选出候选元素中具有最优启发信息值的元素添加到新的位置里面。时间优先启发式是指执行时间越短的计算服务越优先被选择;费用优先启发式是指费用越低的计算服务越被优先选择;可靠性优先启发式是指可靠性越高的计算服务越被优先选择;性价比启发式是指时间与费用的乘积值越小的计算服务越被优先选择;随机启发式是指每个候选的元素都被赋以均匀分布于(0,1)区间的随机数,随机数值越大的元素越被优先选择。如果两个或多个元素具有等优的启发式信息值,则算法随机地从中选择一个添加到新的位置里面。
(6)如果达到终止条件则停止程序,否则返回步骤(2)。
Claims (1)
1.一种基于集合型离散粒子群优化算法的云工作流调度方法,其特征在于,采用了集合型离散粒子群算法来实现对云工作流的调度,算法具有如下的计算步骤:
(1)初始化算法的各个参数,并建立第一代粒子群的位置和初始速度,粒子的编码方式为:
X=(X1,X2,...,Xn)
其中Xi∈Si,Si表示能用于执行第i个任务Ti的所有云计算服务的集合,初始化时Xi用完全随机的方式生成;
速度的编码方式为:
V=(V1,V2,...,Vn)
其中每一维度是一个带有可能性的集合Vj={e/p(e)|e∈Sj},表示集合Sj中的每一个元素e都关联着一个可能性p(e),初始化时随机从Sj里面选择一个元素,并且分配一个随机的可能性p(e)∈(0,1]给这个元素,其它所有没选的元素的可能性都为0;
(2)根据粒子当前的位置评估每个粒子的适应度值;
(3)更新每个粒子的个体最优位置;
(4)更新粒子的速度,公式为:
其中下标i表示第i个粒子,上标j表示维度,ω是惯性权重,c是参数,rj是位于[0,1]区间的随机数,表示第fi(j)个粒子的历史最优位置的第j维,fi(j)定义如下:首先产生一个处于[0,1]区间的随机数ran,如果ran比给定的参数Pc大,fi(j)=i,否则算法会对两个随机选择的粒子进行锦标赛选择,适应度值更大的那个会被选中为fi(j);
在这个更新公式中,由于速度和位置的定义已经不再在连续的实数空间中定义,而是在离散的集合空间中定义,因此更新公式的相关操作也需要重新定义:
(i)参数×速度:
cV={e/pl(e)|e∈E},
(ii)位置-位置:
(iii)参数×(位置-位置):
cEl={e/pl(e)|e∈E},
(iv)速度+速度:
V1+V2={e/max(p1(e),p2(e))|e∈E}
(5)更新粒子的位置,由于在重新定义的离散空间里不能简单由速度加位置来更新粒子的位置,故采用如下4步来更新粒子的位置:
更新种群位置操作时的第(ii)(iii)(iv)步都有一个选择操作,这里将采用基于启发信息的选择方式,即每次进行选择之前都从{时间优先启发式,费用优先启发式,可靠性优先启发式,性价比启发式,随机启发式}这五类启发信息中随机选择一种启发信息,并按照这种启发信息选出候选元素中具有最优启发信息值的元素添加到新的位置里面;时间优先启发式是指执行时间越短的计算服务越优先被选择;费用优先启发式是指费用越低的计算服务越被优先选择;可靠性优先启发式是指可靠性越高的计算服务越被优先选择;性价比启发式是指时间与费用的乘积值越小的计算服务越被优先选择;随机启发式是指每个候选的元素都被赋以均匀分布于(0,1)区间的随机数,随机数值越大的元素越被优先选择。如果两个或多个元素具有等优的启发式信息值,则算法随机地从中选择一个添加到新的位置里面;
(6)如果达到终止条件则停止程序,否则返回步骤(2)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013101718819A CN103268529A (zh) | 2013-04-25 | 2013-04-25 | 基于集合型离散粒子群优化的云工作流调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013101718819A CN103268529A (zh) | 2013-04-25 | 2013-04-25 | 基于集合型离散粒子群优化的云工作流调度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103268529A true CN103268529A (zh) | 2013-08-28 |
Family
ID=49012156
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2013101718819A Pending CN103268529A (zh) | 2013-04-25 | 2013-04-25 | 基于集合型离散粒子群优化的云工作流调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103268529A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679564A (zh) * | 2013-12-26 | 2014-03-26 | 国家电网公司 | 一种用于配电网拓扑分析分布式计算的任务分配方法 |
CN104008286A (zh) * | 2014-05-22 | 2014-08-27 | 北京航空航天大学 | 一种基于粒子群算法的空间柔性机构动态可靠性分析方法 |
CN104468308A (zh) * | 2014-10-29 | 2015-03-25 | 北京邮电大学 | 基于粒子群算法的跨域虚拟网络映射方法及系统 |
CN104834995A (zh) * | 2015-04-20 | 2015-08-12 | 安徽师范大学 | 基于云计算的工作流双向调度方法 |
CN106101196A (zh) * | 2016-06-01 | 2016-11-09 | 上海上大海润信息系统有限公司 | 一种基于概率模型的云渲染平台任务调度系统及方法 |
CN104239975B (zh) * | 2014-09-12 | 2017-07-21 | 河海大学常州校区 | 基于改进离散粒子群算法的船舶引航排班方法 |
CN108200587A (zh) * | 2017-12-06 | 2018-06-22 | 华南理工大学 | 基于集合粒子群算法的无线传感器网络任务调度优化方法 |
CN108460392A (zh) * | 2018-03-09 | 2018-08-28 | 西安电子科技大学 | 基于网络结构优化的sar图像变化区域检测方法 |
CN109067834A (zh) * | 2018-06-29 | 2018-12-21 | 南京邮电大学 | 基于振荡式惯性权重的离散粒子群调度算法 |
CN109543875A (zh) * | 2018-10-16 | 2019-03-29 | 华南理工大学 | 基于集合型离散粒子群优化的云工作流调度方法 |
CN110247979A (zh) * | 2019-06-21 | 2019-09-17 | 北京邮电大学 | 一种调度方案确定方法、装置及电子设备 |
CN111026498A (zh) * | 2019-10-30 | 2020-04-17 | 烽火通信科技股份有限公司 | 一种多种群粒子群数据处理的云平台实现方法及装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102117441A (zh) * | 2010-11-29 | 2011-07-06 | 中山大学 | 基于离散粒子群优化算法的智能物流配送 |
-
2013
- 2013-04-25 CN CN2013101718819A patent/CN103268529A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102117441A (zh) * | 2010-11-29 | 2011-07-06 | 中山大学 | 基于离散粒子群优化算法的智能物流配送 |
Non-Patent Citations (1)
Title |
---|
WEI-NENG CHEN等: "A Novel Set-Based Particle Swarm Optimization Method for Discrete Optimization Problems", 《IEEE TRANSACTIONS ON EVOLUTIONARY COMPUTATION》 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679564B (zh) * | 2013-12-26 | 2017-01-25 | 国家电网公司 | 一种用于配电网拓扑分析分布式计算的任务分配方法 |
CN103679564A (zh) * | 2013-12-26 | 2014-03-26 | 国家电网公司 | 一种用于配电网拓扑分析分布式计算的任务分配方法 |
CN104008286A (zh) * | 2014-05-22 | 2014-08-27 | 北京航空航天大学 | 一种基于粒子群算法的空间柔性机构动态可靠性分析方法 |
CN104239975B (zh) * | 2014-09-12 | 2017-07-21 | 河海大学常州校区 | 基于改进离散粒子群算法的船舶引航排班方法 |
CN104468308A (zh) * | 2014-10-29 | 2015-03-25 | 北京邮电大学 | 基于粒子群算法的跨域虚拟网络映射方法及系统 |
CN104468308B (zh) * | 2014-10-29 | 2018-06-22 | 北京邮电大学 | 基于粒子群算法的跨域虚拟网络映射方法及系统 |
CN104834995A (zh) * | 2015-04-20 | 2015-08-12 | 安徽师范大学 | 基于云计算的工作流双向调度方法 |
CN104834995B (zh) * | 2015-04-20 | 2018-01-09 | 安徽师范大学 | 基于云计算的工作流双向调度方法 |
CN106101196B (zh) * | 2016-06-01 | 2019-04-30 | 上海上大海润信息系统有限公司 | 一种基于概率模型的云渲染平台任务调度系统 |
CN106101196A (zh) * | 2016-06-01 | 2016-11-09 | 上海上大海润信息系统有限公司 | 一种基于概率模型的云渲染平台任务调度系统及方法 |
CN108200587A (zh) * | 2017-12-06 | 2018-06-22 | 华南理工大学 | 基于集合粒子群算法的无线传感器网络任务调度优化方法 |
CN108200587B (zh) * | 2017-12-06 | 2020-08-18 | 华南理工大学 | 基于集合粒子群算法的无线传感器网络任务调度优化方法 |
CN108460392A (zh) * | 2018-03-09 | 2018-08-28 | 西安电子科技大学 | 基于网络结构优化的sar图像变化区域检测方法 |
CN108460392B (zh) * | 2018-03-09 | 2020-04-07 | 西安电子科技大学 | 基于网络结构优化的sar图像变化区域检测方法 |
CN109067834A (zh) * | 2018-06-29 | 2018-12-21 | 南京邮电大学 | 基于振荡式惯性权重的离散粒子群调度算法 |
CN109067834B (zh) * | 2018-06-29 | 2020-12-15 | 南京邮电大学 | 基于振荡式惯性权重的离散粒子群调度算法 |
CN109543875A (zh) * | 2018-10-16 | 2019-03-29 | 华南理工大学 | 基于集合型离散粒子群优化的云工作流调度方法 |
CN110247979A (zh) * | 2019-06-21 | 2019-09-17 | 北京邮电大学 | 一种调度方案确定方法、装置及电子设备 |
CN110247979B (zh) * | 2019-06-21 | 2021-08-17 | 北京邮电大学 | 一种调度方案确定方法、装置及电子设备 |
CN111026498A (zh) * | 2019-10-30 | 2020-04-17 | 烽火通信科技股份有限公司 | 一种多种群粒子群数据处理的云平台实现方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103268529A (zh) | 基于集合型离散粒子群优化的云工作流调度方法 | |
CN110580196B (zh) | 一种实现并行任务调度的多任务强化学习方法 | |
CN106055395B (zh) | 一种基于蚁群优化算法的云环境中截止时间约束工作流调度方法 | |
Hu et al. | Spear: Optimized dependency-aware task scheduling with deep reinforcement learning | |
Nearchou | Maximizing production rate and workload smoothing in assembly lines using particle swarm optimization | |
Chen et al. | Using novel particle swarm optimization scheme to solve resource-constrained scheduling problem in PSPLIB | |
Beegom et al. | A particle swarm optimization based pareto optimal task scheduling in cloud computing | |
Crawford et al. | A max–min ant system algorithm to solve the software project scheduling problem | |
Fan et al. | Research on Web service selection based on cooperative evolution | |
Wang et al. | A comparison of four popular heuristics for task scheduling problem in computational grid | |
CN104317658A (zh) | 一种基于MapReduce的负载自适应任务调度方法 | |
Gabi et al. | Hybrid cat swarm optimization and simulated annealing for dynamic task scheduling on cloud computing environment | |
Petropoulos et al. | A particle swarm optimization algorithm for balancing assembly lines | |
Tchomté et al. | Particle swarm optimization: A study of particle displacement for solving continuous and combinatorial optimization problems | |
Sokolinsky et al. | Methods of resource management in problem-oriented computing environment | |
CN101477475A (zh) | 运用蚁群算法优化动态网格工作流的方法 | |
Chen et al. | Set-based discrete particle swarm optimization and its applications: a survey | |
Li et al. | PSO+ LOA: hybrid constrained optimization for scheduling scientific workflows in the cloud | |
Balla et al. | Reliability-aware: task scheduling in cloud computing using multi-agent reinforcement learning algorithm and neural fitted Q. | |
Kaur et al. | OPSA: an optimized prediction based scheduling approach for scientific applications in cloud environment | |
Nguyen et al. | A PSO-based hyper-heuristic for evolving dispatching rules in job shop scheduling | |
Selvarani et al. | An intelligent water drop algorithm for optimizing task scheduling in grid environment | |
Li et al. | Mutation-driven and population grouping PRO algorithm for scheduling budget-constrained workflows in the cloud | |
Soma et al. | An improved multi-objective workflow scheduling using F-NSPSO with fuzzy rules | |
Yousif et al. | Optimizing job scheduling for computational grid based on firefly algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20130828 |