mainkmean.java

一个用于排队系统仿真的开源软件,有非常形象的图象仿真过程!

package jmt.engine.jwat.workloadAnalysis.clustering.kMean;

import java.lang.reflect.InvocationTargetException;

import jmt.engine.jwat.MatrixOsservazioni;
import jmt.engine.jwat.TimeConsumingWorker;
import jmt.engine.jwat.VariableNumber;
import jmt.engine.jwat.workloadAnalysis.clustering.EventClusteringDone;
import jmt.gui.jwat.input.EventFinishAbort;
import jmt.gui.jwat.input.ProgressShow;

//UPDATE 29/10/2006: + aggiunto passaggio parametro costruttore del tipo di trasformazione da applicare a variabili selezionate
//+ aggiunta trasformazione e anti a variabili selezionate per clustering			
//UPDATE 31/10/2006: + aggiunto calcolo delle statistiche clustering su variabili non trasformate

public class MainKMean extends TimeConsumingWorker{
	
	private short trasf;
	private int[] varSel;
	private int numClust;
	private int iteration;
	private MatrixOsservazioni m;
	private KMean clustering;
	private String msg=null;
	private KMeanClusteringEngine Cluster;
	
	public MainKMean(ProgressShow prg,MatrixOsservazioni m,int[] varSel,int numClust,int iteration,short trasf) {
		super(prg);
		this.m=m;
		this.iteration=iteration;
		this.numClust=numClust;
		this.varSel=varSel;
		clustering=new KMean(numClust,varSel);
		Cluster = new KMeanClusteringEngine(clustering,this);
		this.trasf = trasf; 
	}
	
	public Object construct() {
		boolean anti = false;
		try {
			initShow((iteration*numClust)+3);
			updateInfos(1,"Initializing KMeans Clustering",true);
		} catch (InterruptedException e) {
			e.printStackTrace();
		} catch (InvocationTargetException e) {
			e.printStackTrace();
		}		
		//Applicazione trasformazione alle variabili coinvolte nel clustering
		if(trasf != VariableNumber.NONE){
			for(int i = 0;i<varSel.length;i++){
				m.getVariables()[varSel[i]].doClusteringTrasformation(trasf);
			}
		}
		if (isCanceled()){
			msg="CLUSTERING ABORTED BY USER";
			if(trasf != VariableNumber.NONE){	
				for(int i = 0;i<varSel.length;i++){
					m.getVariables()[varSel[i]].undoClueringTrasformation();
				}
			}
			return null;
		}
		try{
			// Variabili | numero variabili totale | numero di variaibli coinvolte | trasformazione | num Max Cluster | num Max Iterazioni | Elenco indici delle variabili coinvolte
			Cluster.PrepClustering(m,numClust,iteration,varSel);
			if (isCanceled()){
				msg="CLUSTERING ABORTED BY USER";
				if(trasf != VariableNumber.NONE){	
					for(int i = 0;i<varSel.length;i++){
						m.getVariables()[varSel[i]].undoClueringTrasformation();
					}
				}
				return null;
			}
			if(!Cluster.DoClustering()){
				msg="CLUSTERING ABORTED BY USER";
				if(trasf != VariableNumber.NONE){	
					for(int i = 0;i<varSel.length;i++){
						m.getVariables()[varSel[i]].undoClueringTrasformation();
					}
				}
				return null;
			}
			//Antitrasformazione delle variabili coinvolte
			
			if(trasf != VariableNumber.NONE){
				anti = true;
				for(int i = 0;i<varSel.length;i++){
					m.getVariables()[varSel[i]].undoClueringTrasformation();
				}
			}
			updateInfos((iteration*numClust) +2,"Saving Results",true);
			//Calcolo delle statistiche clustering eseguito
			for(int i = 0; i < clustering.getNumCluster();i++)
				((ClusteringInfosKMean)clustering.getClusteringInfos(i)).DOStat(varSel,clustering.getAsseg()[i],m);
			updateInfos((iteration*numClust) +3,"END",true);	
			
		}catch(OutOfMemoryError err){
			updateInfos((iteration*numClust)+3,"errore",false);
			msg = "Out of Memory. Try with more memory (1Gb JMT Version)";
			if(trasf != VariableNumber.NONE && !anti){	
				for(int i = 0;i<varSel.length;i++){
					m.getVariables()[varSel[i]].undoClueringTrasformation();
				}
			}
			return null;
		}
		return clustering;
	}
	
	public void finished() {
		if(this.get()!=null){
			fireEventStatus(new EventClusteringDone(clustering));
		}
		else{
			fireEventStatus(new EventFinishAbort(msg));
		}
	}	
}