基于近邻传播的认知Ad-hoc网络分簇算法

针对认知Ad-hoc网络中可用信道动态异构和缺乏全网公共信道的特点,提出了一种基于限制消息交互次数的近部传播模型(Affinity Propagation, AP)的分簇算法。该算法通过网络中相邻节点间的消息交互和更新,在相部节点最多的信道上以可用信道最多的节点为簇首建立簇结构。为适应认知Ad-ho。网络环境的变化,降低分簇开销,算法限制AP消息的交互次数,实现了分簇算法的分布式快速收敛。仿真分析表明,算法降低了网络中的簇数目,提高了簇内平均可用信道和公共信道数目,从而为分布式频谱协作提供了高效的网络拓扑环境。     

基于信道排序的认知频谱分配算法

针对认知传感网中均衡能耗的频谱分配问题，提出了一种适应信道的改进遗传算法(Adapt channel improved genetic algorithm, ACGA)进行频谱分配。为改良遗传算法中传统交叉方法运用于频谱分配问题时面临的交叉失效等问题，采用一种基于信道排序的交叉方案，以信道排序的增益作为交叉的限制，并利用个体相似度进行交叉基因的选取。为增加遗传变异的可靠性，采用了一种混合变异方案，利用博弈对个体进行良性变异，同时组合传统变异以控制种群的整体进化方向。仿真实验表明，相比传统的遗传算法，所提算法有着良好的寻优能力，可以有效降低网络的周期能耗。     

WSN中一种基于连通支配集的分簇一致性算法

分布式一致性算法可用于解决分布式协作参数估计等许多问题,但在无线传感器网络的应用中还要满足低能耗、高可靠性、实时性的要求.为加快一致性算法的收敛速率,以降低通信能量开销和满足实时性的要求,提出了一类基于连通支配集(CDS)的分簇一致性算法(CBDC),其包括基于CDS的分簇算法和簇上一致性算法两个基本构件.提出了一种基于邻居连通度的连通支配集构造算法(NCCDS)及基于NCCDS的分簇方法.对基于CDS的CBDC算法进行了仿真,结果表明,相对其他经典CDS构造算法,基于NCCDS的CBDC算法对收敛速率的改善更好.     

Fuzzing技术的样本数据组合研究*

提出了基于样本数据组合的Fuzzing技术,并抽象出了解决样本数据覆盖问题（data sample covering problem,DSCP）的数学模型;为了更好地解决样本数据覆盖问题,提出了改进遗传算法(developed genetic algorithm,DGA),通过实例实验说明了DGA的有效性,并且通过仿真实验,验证了算法在求解复杂协议文件样本数据覆盖问题时比贪心算法和简单遗传算法具有更高的效率。     

差异工件平行机批调度问题的SAGA*

为了求解差异工件平行机批调度问题,提出了一种模拟退火遗传算法 (simulated annealing genetic algorithm,SAGA)。将模拟退火算法（simulated annealing,SA）的状态转移操作引入基于最优保留的遗传算法(genetic algorithm,GA)中,作为局部搜索算子,以避免算法陷入局部最优,也有效地发挥了SA和GA在局部搜索与全局搜索能力方面的优势。为了解决GA迭代后期适应函数难以区分一些适应度接近的个体这个问题,SAGA分两阶段标定适应函数,在进化后期     

基于分布式遗传算法以太无源光网络设计

针对以太无源光网络中各个光网络单元连接到光分配网络,再将光分配网络连接到光线路终端的全部通信费用为最小的问题,介绍了分布式遗传算法（DGA）,该算法在分群操作的基础上,根据每个子群进化的优劣程度动态地划分子群大小、控制子群间个体的迁移方向,采用分布式遗传算法对以太无源光网络进行设计建模,利用分布式遗传算法使路径搜索更快,更好的收敛于最优的特点,使得光分配网连接到光线路终端的路径和为最小,解决了降低网络通信费用的问题。     

基于分布式估计扩散机制的协作频谱感知方法

研究网络通信频谱优化问题,在分布式网络中,多节点联合估计未知参数.为了满足实时性要求,提出了一种扩散机制的协作频谱感知算法.算法采用扩散矩阵作为加权因子协作更新目标状态估计值,且以较小的均方误差快速实现对信号能量的最优估计.传统的协作感知方法快速性差.提出的算法不需要融合中心,能很好适应拓扑结构动态变化的随机网络.仿真结果表明,改进算法与分布式平均一致性估计算法相比,能够提高实时性并显著改善认知无线电网络的频谱感知性能.     

混合共享认知无线网络信道分配算法

混合频谱共享是适应认知用户不同地理分布的有效频谱共享模式。信道分配是无线通信网络中关键的问题之一,近年来得到了广泛研究。集中式信道分配算法是最常用的算法形式,但在认知无线电网络这种分布式系统中,集中式算法不易实现。将混合共享认知无线网络的信道分配问题构建为一对一的匹配博弈,提出了分布式用户-信道匹配算法。该算法数学复杂度低,且能够达到稳定匹配。仿真结果表明,算法收敛时间短,稳定匹配状态下的平均传输速率与使用匈牙利算法的最优分配算法所获得传输速率相接近,远优于随机分配算法的传输速率。     

基于萤火虫算法的认知车载网络频谱分配

针对布谷鸟搜索算法在认知车载网中频谱分配收敛速度低的问题，提出了一种基于萤火虫算法的频谱分配方法。该方法考虑种群所获得的平均收益值，将频谱分配变量映射为萤火虫位置信息，并将车载网络的吞吐量转化为萤火虫的亮度值，采用萤火虫算法离散频谱分配变量并进行迭代寻优。数值结果表明，基于萤火虫算法的认知车载网络频谱分配方式的收敛速度快，且种群的平均收益值高于遗传算法和布谷鸟算法。     

基于拍卖理论的中继协作网络功率分配研究

针对放大转发无线协作中继网络,文中提出了一种改进的基于拍卖理论的分布式功率分配算法。该算法中用户以最大化自身的效用为目标,通过向中继节点发送投标量的方式购买中继功率,中继节点根据价格更新策略指定合理的中继价格,并根据用户的投标量进行功率分配。改进算法重新定义了用户节点的效用函数,降低了算法的复杂度。文中分析了单中继无线协作网络中继功率的分配过程以及用户的最佳投标量。仿真结果表明,该改进算法收敛速度快,中继节点覆盖范围大,有效提高了网络的传输速率。     

基于元胞自动机遗传算法的云资源调度

针对传统遗传算法易陷入早熟收敛等问题,提出一种改进的元胞自动机遗传算法(CGA),并将其应用于云环境下的资源调度。分析云计算环境中处理用户群请求的庞大任务数及资源合理分配的问题,利用CGA算法寻求一组最优的资源调度方案。在CloudSim仿真平台上进行实验,结果表明,CGA算法能缩短任务完成时间,降低用户总成本,满足云环境下的资源调度要求。     

基于动态遗传算法的网格计算任务调度

针对网格任务调度的动态特性,提出一种改进的遗传算法——动态遗传算法(DGA),设计了新的编码机制和适应度函数,以及相应的选择、交叉和变异算子。根据网格系统各服务节点的计算能力、负载及网络状态进行动态调度,不仅使总的完成时间最短,尽量使主机的空闲时间最短,同时满足每个任务的截止时间的要求。在OPNET环境中构建了一个局部网格仿真模型,对所提出的动态遗传算法进行了仿真实验,并与其他常见网格任务调度算法进行了对比,结果表明动态遗传算法具有很好的优化能力,提供了较好的服务质量。     

Survivable and delay-guaranteed backbone wireless mesh network design

Backbone wireless mesh networks (BWMNs) consisting of wireless mesh routers are emerging alternatives to implementations of metropolitan area networks (MANs). In a BWMN, gateways connect to the Internet via wireline links and provide Internet access services for users. Due to the limited wireless channel bit rate, multiple gateways are usually required in a BWMN, which costs budget and takes time to set up. In this paper, we study the network topology design and the gateway arrangement so that the construction cost of a BWMN is minimal. Two algorithms, namely, the Predefined Gateway Set Algorithm (PGSA) and the Self-Constituted Gateway Algorithm (SCGA), are proposed for the BWMN design. A genetic algorithm and a proposed enhanced Djikstra's algorithm are employed to search for the low-cost network configuration with constraints such as survivability, link capacity, degree limitation and maximum tolerable delay. Computational results show that the PGSA can give an acceptable network configuration rapidly. In case the gateway cost is high, using the SCGA can lower the network construction cost at the expense of more computational time.     

改进的模糊交叉算子及其在CGA中的应用

基于标准化适应值信息,提出改进的模糊交叉算子,并应用到细胞状遗传算法(CGA)中。在具有局部搜索倾向的交叉操作中,该算子能使后代更偏向于适应值高的父体。在具有全局搜索倾向的交叉操作中,能使较差个体在更大范围内进行搜索,有效地引导CGA算法向全局最优解的方向收敛。仿真实验结果表明,基于改进模糊交叉算子的CGA算法性能更好。     

基于协同进化遗传算法的多议题谈判

以协同进化遗传算法模拟自动谈判是目前智能计算和多Agent系统等领域研究的新课题。针对现有文献仅模拟单议题谈判的情况,该文提出基于协同进化遗传算法和适应度共享小生境技术的多议题谈判模拟算法,以轮流出价谈判协议为例进行仿真实验。实验结果表明,该算法能在策略种群中形成局部小生境,生成近似Pareto最优的策略集。     

基于通用量子门的量子遗传算法及应用

为加快量子遗传算法的参数更新速度,简化遗传操作步骤,提出了一种基于通用量子门的量子遗传算法（Quantum Genetic Algorithm with Universal Quantum Gate,UQGA）。该方法以通用量子门为逻辑计算单位,对染色体进行遗传操作。利用Hadamard门进行基础变换;通用量子门通过新的旋转角度函数,对各个基因位进行选择、变异操作;通过求解适应度函数,得到全局最优解;同时,算法经数学证明是收敛的。该算法应用到函数极值搜索和Iris数据集特征选择中。实验结果表明,UQGA具有较好的全局搜索和特征选择性能,尤其是在收敛速度、运算时间和分类准确率方面明显优于普通量子遗传算法和普通遗传算法。     

基于组合遗传算法的反应动力学模型参数估计

通过构造一个适当的适应度函数,将渣油加氢精制反应动力学模型的参数估计问题转化为一个多维优化问题,然后提出一种组合遗传算法来求解该优化问题。该算法利用混沌序列初始化种群以保证其均匀分布在搜索空间中。在每次迭代过程中随机组合不同的交叉策略和变异以产生若干个新的子代个体。对四个标准数值优化问题进行了仿真实验,仿真结果表明了组合遗传算法的有效性。以石油炼制工业中典型装置催化裂化为例,对渣油加氢精制反应动力学模型的参数进行了优化,获得了满意的结果。     

基于虚拟坐标系统的无线网络地理路由算法

针对地理路由算法中的路由空洞问题,通过引入虚拟坐标的方式,提出了一种新颖的无线网络地理路由算法——双重贪婪算法(DGA)。根据网络的拓扑结构信息,DGA为每个节点分配虚拟坐标,在基于真实地理位置的贪婪算法遇到路由空洞时,以基于虚拟坐标系统的贪婪算法作为恢复机制,从而保证路由算法的收敛性。DGA克服了GPSR等传统地理路由算法只能适用于理想的单位圆图(UDG)的缺点,能够适用于更加真实的无线网络模型。仿真实验验证了DGA高效的路由性能及良好的扩展性。     

A Constructive Genetic Algorithm for permutation flowshop scheduling

The general flowshop scheduling problem is a production problem where a set of n jobs have to be processed with identical flow pattern on m machines. In permutation flowshops the sequence of jobs is the same on all machines. A significant research effort has been devoted for sequencing jobs in a flowshop minimizing the makespan. This paper describes the application of a Constructive Genetic Algorithm (CGA) to makespan minimization on flowshop scheduling. The CGA was proposed recently as an alternative to traditional GA approaches, particularly, for evaluating schemata directly. The population initially formed only by schemata, evolves controlled by recombination to a population of well-adapted structures (schemata instantiation). The CGA implemented is based on the NEH classic heuristic and a local search heuristic used to define the fitness functions. The parameters of the CGA are calibrated using a Design of Experiments (DOE) approach. The computational results are compared against some other successful algorithms from the literature on Taillard’s well-known standard benchmark. The computational experience shows that this innovative CGA approach provides competitive results for flowshop scheduling problems.     

基于遗传算法的聚类分析

遗传算法是一种模拟自然进化的优化搜索算法,它仅依靠适应度函数就可以搜索最优解.介绍了一种基于遗传算法的聚类分析方法,采用浮点数编码方式对聚类的中心进行编码,并用特征向量与相应聚类中心的欧氏距离的和来判断聚类划分的质量,通过选择、交叉和变异操作对聚类中心的编码进行优化,得到使聚类划分效果最好的聚类中心.实验结果显示,该方...