多业务LEO卫星网络中最优呼叫允许控制及切换管理策略

该文针对多业务条件下的LEO(Low-Earth-Orbit)卫星网络,提出了一种新的基于最优多门限信道预留(OMTCR)的呼叫允许控制(CAC)及切换管理策略,建立了评价LEO卫星网络连接级QoS性能的理论分析模型框架。借鉴经济学收益函数的概念分别建立了无QoS约束和有QoS约束的系统收益目标优化模型,求解在给定系统参数和输入业务条件下OMTCR的最优门限参数矢量。仿真结果表明OMTCR能够在不同用户QoS要求和系统收益目标的多业务环境下获得比传统CS(Completely Sharing)策略及GC(Guard Channel)策略更好的性能。     

基于多门限预留机制的自适应带宽分配算法

针对异构无线网络融合环境提出了一种基于多门限预留机制的自适应带宽分配算法,从而为多业务提供QoS保证。该算法采用多宿主传输机制,通过预设各个网络中不同业务的带宽分配门限,并基于各个网络中不同业务和用户的带宽分配矩阵,根据业务k支持的传输速率等级需求和网络状态的变化,将自适应带宽分配问题转化为一个动态优化问题并采用迭代方法来求解,在得到各个网络中不同业务和用户优化的带宽分配矩阵的同时,在带宽预留门限和网络容量的约束条件下实现网络实时吞吐量的最大化,以提高整个异构网络带宽的利用效率。数值仿真结果显示,所提算法能够支持满足QoS需求的传输速率等级,减小了新用户接入异构网络的阻塞概率,提高了平均用户接入率并将网络吞吐量最大提高40%。     

多QoS约束条件下的多目标网络优化

多约束、多业务、多目标的网络优化是一个复杂且涉及范围广泛的课题。文中在对该课题进行分析的基础上,提出了一种基于遗传算法的多目标网络优化算法(MOPGA)。该算法使用了多约束条件下的路径集预处理,使得每项业务能够获得所需的QoS服务质量,通过对所有业务的路由号进行编码,将问题的解空间转换到遗传算法的搜索空间,达到对全网业务的综合考虑。改进后的适应度函数刻划了网络的费用、链路利用率方差和最大链路利用率、爆破处理以及个体淘汰机制增加了种群多样性,挣脱了未成熟收敛。以求解精度作为算法终止条件,使得算法运行时间减少。仿真实验表明,所提出的算法能高效、快速解决实际多目标网络优化问题,同时在满足多QoS约束条件下可均衡各子目标函数。     

具有约束条件的认知无线电网络最优频谱价格函数

保证主用户的QoS是认知无线电网络中必须遵循的原则之一.本文利用伺机频谱共享方式中的实际约束条件,求解出既能保证主用户的QoS,又能使主业务运营商获得较大利润的最优频谱价格函数.该价格函数能反映实际的通信环境(如信道质量、业务动态性)对频谱价格的影响,同时在动态环境下,通过迭代可以使频谱价格收敛到最优价格.仿真结果表明...     

一种基于多目标优化的Ad Hoc网络QoS路由算法

目前的一些Ad hoc网络QoS路由算法难以满足军事系统中一些特定业务对于多个目标的同时要求,本文选取带宽作为约束条件,把时延和丢失率作为QoS优化目标,建立了QoS路由选择的多目标整数优化模型,并给出了求解模型的算法.实例计算结果表明了算法的可行性.     

基于商空间的层次式数据网格资源调度算法

为了解决传统数据网格调度算法在对层次式数据网格调度过程中出现的极易陷入局部最优值和收敛速度过慢的问题,将粒计算的思想引入到网格调度中,提出了一种基于商空间的层次式数据网格资源调度QSHDGRA (quotient space theory based hierarchical data grid resource allocation)算法。首先分析了层次式数据网格的特点,接着提出一种基于业务请求平均等待时间和网络与节点资源利用均衡度的调和函数的调度问题模型,随后设计了基于商空间的层次式最优资源调度算法。该算法的特点是可以在不同粒度上由粗至细地对网格业务进行调度,从而保证不同业务的QoS,并实现系统全局最优资源分配。仿真实验表明,算法可以显著地提升系统整体的吞吐率,具有更快的收敛速度,并具备线性扩展能力。     

基于多尺度选择性学习和探测-收缩机制的PSO算法

针对粒子群算法逃离局部最优能力差、易早熟收敛、求解精度低等缺点,提出了一种具有多尺度选择性学习和探测-收缩机制的PSO 算法.在多尺度选择性学习机制中,粒子根据其自身进化状态在拓扑结构、邻居个体、目标变量维等多个尺度上进行选择性学习,提升粒子个体的学习效率;在探测-收缩机制中,算法利用历史信息指导种群最优解进行探测,提高其逃离局部最优的能力,当判断种群历史最优解处于全局最优解附近时,执行空间收缩策略,将种群的搜索空间限定在较小的一个区域,增强算法的开采能力,提高算法的求解精度.通过和其它PSO算法在22个典型测试函数的实验对比表明,本算法能有效克服早熟收敛、加快收敛速度、提高求解精度.     

基于改进遗传算法的多无人机任务分配

为解决传统遗传算法在求解多无人机任务分配问题时易陷入局部最优和收敛速度较慢的问题,文中提出一种融合模拟退火思想的改进遗传算法。首先描述多无人机任务分配问题,将其转化为多旅行商问题,并建立数学模型;然后在传统的遗传算法中引入Metropolis准则,对选择、交叉、变异后的子代种群进行优化调整,使算法可以跳出局部最优并快速收敛;最后进行仿真实验,采用TSPLIB数据库对改进算法进行有效性验证,分别求解不同规模的多旅行商问题,对算法的优越性进行验证,求解任务分配算例以验证改进算法解决多无人机任务分配问题的可行性。实验结果表明,改进的遗传算法能跳出局部最优,收敛速度显著提升,在求解多无人机任务分配问题时,寻优效果优于改进前的算法。     

V2X多节点协同分布式卸载策略

为了应对车联网中计算资源密集、可分离型任务的卸载环境动态变化和不同协同节点通信、计算资源存在差异的问题,提出了一种在V2X下多协同节点串行卸载、并行计算的分布式卸载策略。该策略利用车辆可预测的行驶轨迹,对任务进行不等拆分,分布式计算于本地、MEC及协同车辆,建立系统时延最小化的优化问题。为求解该优化问题,设计了博弈论的卸载机制,以实现协同节点串行卸载的执行顺序;鉴于车联网的动态时变特性,利用序列二次规划算法,给出了最优的任务不等拆分。仿真结果表明,所提策略能够有效减少计算任务系统时延,且当多协同节点分布式卸载服务时,所提策略在不同的参数条件下仍然能够保持稳定的系统性能。     

V2X多节点协同分布式卸载策略

为了应对车联网中计算资源密集、可分离型任务的卸载环境动态变化和不同协同节点通信、计算资源存在差异的问题,提出了一种在V2X下多协同节点串行卸载、并行计算的分布式卸载策略。该策略利用车辆可预测的行驶轨迹,对任务进行不等拆分,分布式计算于本地、MEC及协同车辆,建立系统时延最小化的优化问题。为求解该优化问题,设计了博弈论的卸载机制,以实现协同节点串行卸载的执行顺序;鉴于车联网的动态时变特性,利用序列二次规划算法,给出了最优的任务不等拆分。仿真结果表明,所提策略能够有效减少计算任务系统时延,且当多协同节点分布式卸载服务时,所提策略在不同的参数条件下仍然能够保持稳定的系统性能。