基于LSP时延和拥塞的分布式自适应流量工程算法

研究多协议标签交换(MPLS)网络中的流量工程,提出了基于标签交换路径(LSP)时延和拥塞 来优化网络流量的算法。给出全网流量优化的数学模型,并根据该模型内在的层次性,设计 了分布式自适应流量工程算法。为了使算法具有实时性强、收敛速度快、稳定性较好、运算 和网络开销小等特点,在设计中,采用了禁忌搜索和算法参数的非线性调整来提高算法的性 能。仿真分析表明,该算法能够实现对网络性能的全面优化,适合应用于骨干网的流量优化.     

基于粒子群优化的神经网络模型在水位流量回归分析中的应用

为解决传统水位流量回归模型存在着精度不高的问题,将粒子群优化算法和神经网络相结合建立了水位流量关系拟合模型.该模型能够根据训练样本自动分析水位流量关系,不必预先假定具体关系函数,比传统的计算方法具有较大的灵活性和智能性.将粒子群优化算法和传统梯度下降法相结合,使网络能够迅速收敛到全局极小点,大大提高了网络的性能.实例验证表明,所建模型适应性强,拟合精度高,为水位流量关系拟合提供了新的有效方法.     

一种基于BP网络的流量分类方法

针对传统的网络流量分类方法准确率低、开销大、应用范围受限等问题,提出了一种基于BP网络的流量分类方法。该方法改进了标准的BP网络算法,采用基于Lyapunov函数得到的自适应学习率,并引入遗传算法优化网络的初始连接权值和阈值,使网络避免陷入局部最小,加速了网络收敛过程。实验结果表明,采用改进的BP网络算法来处理网络流量分类问题具有明显的优势：该方法的收敛速度和拟合精度均优于标准BP算法,而且流量分类准确率高于NB算法。     

基于自适应参数混合蚁群算法的双资源约束作业车间调度

文章针对以生产成本最小为目标,考虑差异性工人的双资源约束作业车间调度问题,提出参数按算法迭代结果自适应调整,基于蚂蚁流量自适应控制路径选择的混合蚁群算法,在算法前期扩大解搜索空间,后期加快算法收敛,实现算法性能的分阶段性能优化。通过对仿真实验结果的分析,该混合蚁群算法能有效求解双资源约束车间调度问题,且能够在保证得到较优调度结果的同时,具备优秀的收敛性能。     

动态流量软测量建模方法研究

为了解决工业中动态流量测量困难的问题,引入软测量方法对动态流量进行测量.考虑BP算法建立软测量模型时收敛速度慢,易陷"局部极小"等不足,提出一种经遗传算法优化的BP网络进行软测量建模,用遗传算法先确定BP网络的网络结构和参数,将训练一定次数后得到的连接权值作为遗传计算的初始值,再用遗传算法确定BP网络的最优连接权值,最后把用BP算法训练得到的网络用于建模.文中对在燕山大学液压实验室采集的数据进行仿真,实验结果表明这种改进的建模方法在模型的训练速度和精度上有了较大的改善.     

基于流量工程的分割控制算法的分析与研究

对 IP网络中的流量工程机制及其流量分割控制算法进行了讨论与研究 ,介绍了流量工程的含义 ,并分析相关的优化算法 ,在指出其难点的同时 ,提出了一种新型的流量分割控制算法 ,并对该算法作了深入细致的分析与研究。结果表明 ,该算法是具有可实现性的。     

一种新型流量工程动态路由选择算法

提出一种基于时延、跳数和链路优先级的路由算法，通过引入链路优先级的概念，加快了路由算法的收敛速度，通过理论分析详尽说明了算法的设计思想和相对于现有算法的优越性。     

流量工程技术

主要介绍了IP网络中流量工程技术的发展情况,对在MPLS域方便实施高效可靠的网络运作的策略性能、属性及特征做了分析.这些策略可以用来优化网络资源利用,增强面向流量和资源的网络管理性能.     

流量工程中的一种静态路由算法

主要讨论了网络中由于网络流量分布不平衡而造成网络拥塞的问题.在基于MPLS的流量工程中,以优化链路带宽使用率为主要考察目标,提出了一种新的静态路由算法.同时用计算机仿真证明算法有效.     

基于混合学习策略的教与学优化算法

为了提高教与学优化算法(TLBO)的搜索能力,解决算法易陷入局部最优的问题,提出基于混合学习策略和扰动的教与学优化算法.在教与学算法的学阶段融合差分进化算法变异策略,提出混合学习策略,使学员在学习后期具有更好的学习能力,提高算法的收敛性能;在算法后期提出新的扰动策略,减小学员在算法后期陷入局部最优的可能,保证算法全局最优性.基于标准测试函数的实验结果表明,相比于目前性能优异的同类4种算法,改进算法可有效提高算法的收敛速度和收敛精度,优化性能明显提高.     

利用交通仿真方法进行交通影响分析

为了利用规划软件对项目产生交通影响进行定量分析,并通过仿真结果验证利用交通规划软件进行分析的精度,以TSIS软件为仿真平台,以中关村西区为例,在对比分析国内外交通特点的基础上,利用TSIS对中关村西区交通改进方案进行了仿真实验.验证了利用交通仿真方法进行交通影响分析的可行性,并通过仿真环境的动画演示功能,提出了项目周边路网的交通改进方案.     

自适应遗传优化BP网络的研究与应用

针对遗传算法易出现种群多样性被破坏、早熟收敛的问题,在Srinivas的自适应遗传算法(AGA)的基础上,引入种群多样性的度量参数,提出一种改进的自适应遗传算法(MAGA),利用种群多样性和适应度的变化趋势调整交叉和变异概率,继而提出基于MAGA优化BP(back-propagation)神经网络的流量分类方法(MAGA+BP),兼顾了MAGA和BP算法分别在搜索全局和局部最优解方面的优势. 在剑桥大学共享的网络流量数据上进行了仿真实验,结果表明,MAGA较好地维持了种群的多样性,克服了AGA早熟收敛的问题,搜索到最优解的适应度提高了10.17%, MAGA+BP方法对流量数据具有较好的分类效果.     

基于数据挖掘技术的交通流数据分析研究

利用数据挖掘技术,通过对历史数据的分析预测下一个时间间隔的交通流状况,可以为交通流诱导和信息发布打下基础;通过对路口流量历史数据的聚类分析可得出单路口TOD控制算法的最优时段分段和各时段中的最优控制参数,从而优化单路口控制算法的控制效果;通过对路段流量历史数据之间的关联分析,可得出路段之间的关联规则,从而可以由一个路段的流量推断其关联路段的流量,为实时交通流诱导和信息发布提供实时依据。     

Traffic organization during urban road constructions

This research presented a bi-level programming approach to optimize the schedule of urban road construction activities based on a hypothetical transport network,with an objective of minimizing the overall traffic delays.A heuristic algorithm was utilized to identify a set of road construction schedules,while PARAMICS was adopted to estimate the total travel time in the network under each road construction scenario.To test the performance of proposed heuristics-simulation methodology,a numerical test was implemented.The overall results suggested that the proposed methodology could quickly find the optimum solution with good convergence.     

基于时延和跳数的Ad hoc网络流量分配算法

提出一种基于时延和跳数的Ad hoc网络流量分配算法。该算法根据每个链路的时延和跳数进行流量分配,采用动态分配流量的方法来实现流量的均衡,优化网络资源的利用。仿真结果表明,该算法可动态调整每个链路之间的流量分配,使网络资源占用达到最小。     

基于GA的多相位交通信号模糊控制器优化方法

一般模糊控制器控制规则依赖于专家经验,量化因子固定,不能随交通流的变化而动态改变,针对这种情况,提出了基于遗传算法的模糊控制器的优化控制,对模糊控制器所作出的决策进行动态调整,介绍了控制过程、染色体的编码及遗传算子的实现方法.以车辆平均延误为目标函数,在模糊控制器作出判决的基础上,对控制规则的调整量进行了全局寻优,加快了收敛速度.通过对一个四相位交叉口进行仿真,结果表明控制效果有明显的改善.     

回归模型中基于机器学习的流量预测算法

在基于机器学习的流量预测算法中,详细研究了基于回归模型的预测算法,将机器学习算法引入到网络流量预测中,提出了不同的弱回归算予用来描述网络流量中的非线性特性。针对网络流量中的自相似特性,提出两种不同的机制,即用主成分分析作为预处理和为每一维特征保留一组权重分布;同时,针对实验中发现的过匹配现象提出一种自适应的权重更新准则。     

基于K-均值聚类算法RBF神经网络交通流预测

针对目前道路拥堵等交通问题,本文采用K-均值聚类算法对径向基函数(radial basis function,RBF)网络进行优化,通过K-均值聚类算法把所有的输入样本进行统一聚类,求得所有隐含层节点的RBF中心值Ci,并用最小二乘法(LMS)进行RBF网络的权值调整,同时在一定的时间和路段内对车流量进行数据采集,通过建立RBF神经网络模型,运用Matlab软件把采集的数据、图像进行计算机仿真,仿真结果表明,未加入K-均值聚类的RBF神经网络,其预测输出曲线大致可以和实际输出曲线拟合,但在数据波动较大的时刻,预测曲线的收敛速度偏慢且效率偏低;而采用K-均值聚类算法的RBF神经网络,在实际输出波动较大时,预测输出的曲线收敛速度和准确度都较高,因此,本研究相对于普通的BP神经网络,有更高的预测精度和较好的收敛性。该研究适用于市区内的交通流预测。