基于免疫克隆算法和K-medoids的网络节点聚类

在大规模分布式网络应用中,对网络节点进行聚类是构建高效网络体系结构的有效办法之一.在利用网络坐标系统Vivaldi得到各个节点的网络坐标的基础上,对网络节点进行K-medoids聚类.然后,针对K-medoids算法对初始中心选值敏感和易陷入局部极值的问题,提出基于免疫克隆算法的K-medoids聚类.实验结果表明,该聚类算法具有良好的可靠性及可扩展性,能对节点进行有效聚类.     

传感器网络分布式免疫遗传聚类算法研究

本文研究无线传感器网络数据的聚类分析问题.针对传统 k‐means 对初始聚类中心敏感和易于陷入局部次优解的缺点,提出一种基于传感器网络的分布式免疫遗传 k‐means 聚类算法.该算法将聚类中心作为染色体,通过遗传算法来优化传统 k‐means 聚类算法的初始聚类中心,将免疫算法的选择操作引入染色体的遗传进化中,使染色体的浓度和适应度共同对其在进化中被选择产生影响,实现了染色体种群的多样性保持机制和自我调节功能,将搜索工作引向全局最优,较好地解决了 k‐means 算法的早熟现象问题.实验结果证明,本文算法改进了数据的聚类划分效果,能够把聚类结果快速收敛至全局最优,聚类准确率较高.     

一种基于传感器加权的模糊聚类数据关联方法

提出一种用于传感器网络中信息融合的模糊数据关联新方法,该方法利用传感器的观测性能的先验知识对观测样本进行加权,通过加权模糊聚类算法实现数据的正确关联.同时,引入模糊聚类有效性函数自动确定每个观测时刻的目标数目.实验结果表明与传统基于模糊c均值聚类算法相比,本文提出的数据关联方法不仅具有更高的关联精度,而且具有较好的可靠性和有效性.     

基于图熵聚类的重叠社区发现算法

图聚类算法是数据挖掘和复杂网络研究中的一个关键环节。基于密度、层次划分的方法已经被广泛应用于流行病学、新陈代谢和科学引文写作中。尽管上述的聚类方法适用于复杂网络的社区发现,但精度受到限制,其中一个最大的挑战是重叠社区的生成。为填补这一缺口,提出了一种利用图熵搜索局部最优的聚类方法。与传统的基于密度的种子生长式方法不同,在每一次迭代中,引入图熵来衡量图结构的模块度,并为种子的选择提供了随机选择、基于节点的度和基于节点的聚类系数3种方案。经过自下而上迭代的聚类,引入准确率和召回率等评价指标评估聚类结果的精确度,证明了算法的有效性。     

基于半监督聚类的局部网络拓扑测量任务选取方法

本文提出了一种基于半监督聚类的测量任务选取方案以提高局部网络对外连接IP地址的发现效率.首先选择少量测量任务执行测量作为标记样本,计算已知类别的质心,然后利用未标记样本到最近质心的距离进行聚类,最后从距离已知类别较远的未标记样本中生成新的测量任务,迭代执行直到未发现新的类别.半监督聚类中相关参数用控制变量法进行选取.通过发现的局部网络对外连接IP地址数量分析测量效率,并利用聚类的外部指标评价本文算法的聚合能力.     

基于 Laplace 矩阵 Jordan 型的复杂网络聚类算法

在目前复杂网络聚类算法中,基于Laplace特征值的谱聚类方法具有严密的数学理论和较高的精度,但受限于该方法对簇结构数量、规模等先验知识的依赖,难以实际应用。针对这一问题,基于Laplace矩阵的Jordan型变换,提出了一种先验知识的自动获取方法,实现了基于Jordan矩阵特征向量的初始划分。基于Jordan型特征值定义了簇结构的模块化密度函数,并使用该函数和初始划分结果完成了高精度聚类算法。该算法在多个数据集中的实验结果表明,与目前主流的Fast-Newman算法、Girvan-Newman算法相比,基于Laplace矩阵Jordan型聚类算法在不依赖先验知识的情况下,实现了更高的聚类精度,验证了先验知识获取方法的有效性和合理性。     

基于遗传模拟退火的K-means聚类方法

针对传统的K-means算法对初始聚类中心的敏感很大,极易陷入局部最优值,基于遗传算法的K-means聚类算法由于个体的多样性不足而常出现早熟等现象,采用遗传模拟退火算法优化初始聚类中心点后进行K-means聚类,并提出了一种新的用于评价聚类结果的适应度函数,该函数更为准确地反映类内距离和类间距离.实验结果表明,该方法能获得更好的聚类结果.     

基于贪婪优化技术的网络社区发现算法研究

社区发现问题是复杂网络研究的热点问题.基于优化模块度Q函数的方法例如CNM,BGLL等是一类经典的应用广泛的网络社区发现方法.但是已有研究发现,该类方法存在分辨率的问题,即当大规模网络中存在较小社区的情况下这类方法的效果不佳.近来,针对Q函数存在的问题,有研究者证明了另一个有效的目标函数surprise不存在分辨率的问题.但是目前没有直接优化该函数的有效算法,因此,提出一种基于贪婪思想的局部优化surprise函数的社区发现算法,该方法同样不存在分辨率的问题,而且算法不需要指定社区的个数.实验结果表明该方法鲁棒性好,精度优于其它经典的方法例如CNM,BGLL和LPA.     

基于克隆算法的网络结构聚类新算法

基于目标函数的聚类算法是目前应用最为广泛的聚类分析方法之一.然而这类算法都需要类别数和聚类原型的先验知识,且只能分析具有相同原型的数值型数据.此外这类算法还存在对初始化敏感,易陷入局部极值点等弱点.为此,本文提出一种基于克隆算法的网络结构聚类新算法以实现聚类分析的自动化.由于新算法将克隆选择与禁忌克隆相结合,使网络既具有免疫的特异性又具有免疫的耐受性,通过分析网络神经元的最小生成树,能够快速准确地获得类别数以及相关的分类信息.对各种类型的数据集的测试结果均表明,本文提出的新算法对于处理具有混和特征的数据集聚类分析问题是相当便捷有效的.     

基于人工免疫机制的RBF网络混合训练算法

基于人工免疫聚类机制和免疫进化算法,提出了一种新型的设计RBF网络的混合算法。该方法利用人工免疫聚类机制,根据输入数据集合自适应地确定RBF网络核函数的数量及其中心的初始位置。采用免疫进化算法训练RBF网络,进一步缩小了标准进化算法搜索空间的范围,提高了算法的收敛速度。计算机仿真表明,这种RBF网络结构精简并具有较强的泛化能力。     

Clustering routing protocol based on improved PSO algorithm in WSN

Aiming at the problem that the location distribution of cluster head nodes filtered by wireless sensor network clustering routing protocol was unbalanced and the data transmission path of forwarding nodes was unreasonable,which would increase the energy consumption of nodes and shorten the network life cycle,a clustering routing protocol based on improved particle swarm optimization algorithm was proposed.In the process of cluster head election,a new fitness function was established by defining the energy factor and position equalization factor of the node,the better candidate cluster head node was evaluated and selected,the position update speed of the candidate cluster head nodes was adjusted by the optimized update learning factor,the local search and speeded up the convergence of the global search was expanded.According to the distance between the forwarding node and the base station,the single-hop or multi-hop transmission mode was adopted,and a multi-hop method was designed based on the minimum spanning tree to select an optimal multi-hop path for the data transmission of the forwarding node.Simulation results show that the clustering routing protocol based on improved particle swarm optimization algorithm can elect cluster head nodes and forwarding nodes with more balanced energy and location,which shortened the communication distance of the network.The energy consumption of nodes is lower and more balanced,effectively extending the network life cycle.     

一种基于模糊分类网络的卷积码解码方法

本文提出一种基于模糊神经分类网络的卷积码译码方法，把译码工作转换为网络的分类工作。网络按照卷积码的编码方式由聚类自动生成，并且在网络中使用逻辑算子，因而网络的训练速度非常快，只需一次或几次迭代。而且对每个隐节点均定义了模糊隶属度函数，借以增加网络的联想能力，从而提高网络的纠错能力。在小约束度情况下，我们测试了该算法的性能，并与Ｖｉｔｅｒｂｉ算法的性能进行了比较。     

基于城市道路的稳定车载网分簇路由策略

由于车载自组网具有节点高速运动、网络拓扑变化快、链路有效时间短等特点,使得传统移动自组网分簇路由协议在车载网中不再适用。基于此,提出了一种新的稳定的分簇路由策略,引入辅簇头的设计理念,并设计了一种高效的岔路口路由策略,通过岔路口二次选择,有效解决岔路口路由冗余问题。通过NS2模拟仿真表明,新的路由策略可有效避免簇结构变化导致的丢包率上升问题,能够以更少的跳数、更低的延时成功传递数据包,具有较好的性能。     

基于簇的无线传感器网络入侵检测系统

基于无线传感器网络的分簇结构,运用Agent技术设计了一个入侵检测系统.在网络中的每个节点部署IDS代理,其中包括本地检测Agent和全局检测Agent两个不同代理,分别完成不同的检测任务.提出采用蓝牙通信技术,引用蓝牙散射网形成算法TPSF构建传感器网络的簇节点层,完成簇的划分,进而对不同的Agent进行任务分配.通过限制节点的角色对算法进行改进,减轻节点的复杂度,从而使IDS代理能有效地工作,提高节点的安全系数.     

Unequal clustering algorithm for WSN based on fuzzy logic and improved ACO

This paper proposes a novel energy efficient unequal clustering algorithm for large scale wireless sensor network(WSN) which aims to balance the node power consumption and prolong the network lifetime as long as possible.Our approach focuses on energy efficient unequal clustering scheme and inter-cluster routing protocol.On the one hand,considering each node’s local information such as energy level,distance to base station and local density,we use fuzzy logic system to determine one node’s chance of becoming cluster head and estimate the corresponding competence radius.On the other hand,adaptive max-min ant colony optimization is used to construct energy-aware inter-cluster routing between cluster heads and base station(BS),which balances the energy consumption of cluster heads and alleviates the hot spots problem that occurs in multi-hop WSN routing protocol to a large extent.The confirmation experiment results have indicated the proposed clustering algorithm has more superior performance than other methods such as low energy adaptive clustering hierarchy(LEACH) and energy efficient unequal clustering(EEUC).     

泛在互联车辆传感器网络体系结构研究

针对车辆传感器网络的特点,提出一种基于分簇定向扩散与智能路由的泛在互联车辆传感器网络体系结构。该体系结构充分利用车辆传感器网络节点的多途径联网功能以及自组网能力．利用分簇定向扩散机制形成无线自组网与传统网络相结合的混合逻辑拓扑结构HLT—C＆DD,通过节点的智能路由功能为网络中的数据汇聚提供智能分流途径。理论分析和仿真结果表明,该体系结构能提高泛在互联车辆传感器网络的综合性能。     

A novel residual energy‐based distributed clustering and routing approach for performance study of wireless sensor network

Non‐uniform energy consumption during operation of a cluster‐based routing protocol for large‐scale wireless sensor networks (WSN) is major area of concern. Unbalanced energy consumption in the wireless network results in early node death and reduces the network lifetime. This is because nodes near the sink are overloaded in terms of data traffic compared with the far away nodes resulting in node deaths. In this work, a novel residual energy–based distributed clustering and routing (REDCR) protocol has been proposed, which allows multi‐hop communication based on cuckoo‐search (CS) algorithm and low‐energy adaptive‐clustering–hierarchy (LEACH) protocol. LEACH protocol allows choice of possible cluster heads by rotation at every round of data transmission by a newly developed objective function based on residual energy of the nodes. The information about the location and energy of the nodes is forwarded to the sink node where CS algorithm is implemented to choose optimal number of cluster heads and their positions in the network. This approach helps in uniform distribution of the cluster heads throughout the network and enhances the network stability. Several case studies have been performed by varying the position of the base stations and by changing the number of nodes in the area of application. The proposed REDCR protocol shows significant improvement by an average of 15% for network throughput, 25% for network scalability, 30% for network stability, 33% for residual energy conservation, and 60% for network lifetime proving this approach to be more acceptable one in near future.     

一种基于权值的AdHoc网络分簇算法

AdHoc网络是动态变化的拓扑结构,具有无中心和自组织的特点,为了解决大规模AdHoc网络的组播路由,分簇算法是最高效的解决办法。该文提出了一种基于权值的新型分簇算法,提高了簇的稳定性和可靠性,使之更适合于管理大规模、多环境的AdHoc无线网络。     

物联网数据收集中无人机路径智能规划

为解决无人机在数据收集过程中的路径规划问题,将其分为全局路径规划和局部路径规划。针对全局路径规划,将其建模为一个定向问题,定向问题是背包问题和旅行商问题2种经典优化问题的组合。采用指针网络深度学习对该模型进行求解,并在无人机能量约束下得到其服务节点集合及服务顺序。针对局部路径规划,基于无人机接收到节点的参考信号强度,通过深度Q网络学习对无人机局部飞行路径进行规划,使无人机逼近节点位置并服务各节点。仿真结果表明,所提方案能够在无人机能量约束下有效提升其数据收集的收益。     

一种无标度网络上的局部路由策略

提出了一种无标度（scale-free）网络上的局部路由策略。每个节点根据其当前负载与自身发送能力（设为等于节点度）的关系,自适应调整其接收邻居节点信息包的概率。此概率与每个节点度的α次方成正比,α是可自适应变化的偏好因子,由节点度以及负载联合决定。当节点负载小于发送能力时,增大其偏好因子;反之,则减小。这样使得整个网络业务量较小时,可以优先把业务转发往度较大的节点,从而更快到达目的地;而业务量较大时,度大以及度小节点的发送能力均能得到充分利用,从而提高了整个网络的业务承载能力。仿真结果表明,该策略有效地提高了网络容量,并且降低了网络中信息包的平均传输时延。