基于信任和K臂赌博机问题选择多问题协商对象

Agent之间的多问题协商(multi-issue negotiation)是一个复杂的动态交互过程.解决协商之前的对象选择问题在电子商务中有着重要的应用价值.为了提高多问题协商的准确性和购物Agent的效用,主要解决协商前的销售Agent的选择问题.为了充分利用协商历史,实现探索(exploration)和利用(exploitation)的折衷,把销售Agent的选择问题转变成K臂赌博机问题(K-armed bandit problem)来求解.提出了信任和声誉的度量模型,结合K臂赌博机问题的求解技术,采用学习机制,提出了几个确定奖励分布的改进算法.最后,以模拟协商过程为基础,将改进算法、信任和声誉有机地结合起来,提高了选择销售Agent的准确性和实用性.几个实验都说明了该工作在应用中的有效性.     

一种核的上下文多臂赌博机推荐算法

个性化推荐服务在当今互联网时代越来越重要，但是传统推荐算法不适应一些高度变化场景。将线性上下文多臂赌博机算法(linear upper confidence bound, LinUCB)应用于个性化推荐可以有效改善传统推荐算法存在的问题，但遗憾的是准确率并不是很高。本文针对LinUCB算法推荐准确率不高这一问题，提出了一种改进算法K-UCB(kernel upper confidence bound)。该算法突破了LinUCB算法中不合理的线性假设前提，利用核方法拟合预测收益与上下文间的非线性关系，得到了一种新的在非线性数据下计算预测收益置信区间上界的方法，以解决推荐过程中的探索–利用困境。实验表明，本文提出的K-UCB算法相比其他基于多臂赌博机推荐算法有更高的点击率(click-through rate, CTR)，能更好地适应变化场景下个性化推荐的需求。     

多速率Ad hoc网络MAC层公平性的分析与改进

在多速率Ad hoc网络中,利用自适应速率调整算法,网络节点可以根据信道质量选择不同的传输速率,从而提高网络的总体通信能力。对多速率Ad hoc网络MAC层公平性进行了仿真和分析,实验结果表明基于IEEE 802.11的多速率Ad hoc网络中存在严重的公平性问题。通过对吞吐率公平和时间公平的讨论,指出在多速率Ad hoc网络中进行MAC层公平性研究,时间公平性标准是较优的选择。另外提出一种针对多速率Ad hoc网络的改进公平回退（EFB）算法,仿真实验的结果表明该算法能够明显提高多速率Ad hoc网络的MAC层公平性。     

改进粒子群优化的分段在线盲信号分离算法

盲源分离(blind source separation,BSS)是指在混合系数未知的情况下,从混合信号中恢复出源信号的过程。在实时盲源分离问题中,学习速率的选择对于算法的性能有着至关重要的作用。为了得到合适的学习速率,提出了如下盲源分离的步长选择算法:通过衡量当前时刻输出信号的依赖程度,将整个信号分离过程分为快速分离和精细分离两个阶段。在快速分离阶段,应用粒子群优化算法确定学习速率,而在精细分离阶段,采用分段函数来确定学习速率。仿真结果证实,新算法比使用固定或其他自适应学习速率的算法有更快的收敛速度和更好的稳态性能。     

联合动态聚合帧长机制的速率自适应算法

在IEEE 802.11n协议中引入帧聚合机制能够提高无线局域网MAC层的效率,但会增加速率自适应算法对信道变化的反应时间,降低网络吞吐量。针对该问题,提出一种改进的速率自适应算法JodaRA。引入权重思想统计聚合帧的发送情况,设计基于子帧丢失加权和的速率选择方案。采取混合型速率选择策略,利用发送端的RSSI与接收端的传感器信息进行链路状态感知,根据链路状态选取合适的速率选择方案并动态设定聚合帧的最大长度,以提高算法的实时性与准确性。仿真结果表明,在不同的节点移动状态下,与RRAA、MinstrelHT和SampleLite 3种算法相比,JodaRA算法的平均UDP吞吐量分别提高90%、57%和22%。     

在线核选择的对抗式多臂赌博机模型

在线核选择是在线核方法的重要工作,可分为过滤式、包裹式和嵌入式3种类型。已有在线核选择探索了包裹式方法和嵌入式方法,也经验地采用了过滤式方法,但迄今尚没有一个统一的框架来比较、分析并研究各种在线核选择问题。文中 提出一种在线核选择的多臂赌博机模型,该模型可作为一个统一框架,同时给出在线核选择的包裹式方法和嵌入式方法。给定候选核集合,候选集中的一个核对应多臂赌博机模型中的一个臂,在线核选择的每回合依据一个概率分布重复地随机选择多个核,并应用指数加权的方法来更新该概率分布。这样,在线核选择问题本质上可归约为一个非遗忘对手环境下的对抗式多臂赌博机问题,并可应用对抗式多臂赌博机模型统一地给出在线核选择的包裹式方法和嵌入式方法。文中进一步提出一个新的在线核选择后悔的概念,理论证明包裹式方法具有关于回合数亚线性的弱期望后悔界,并且嵌入式方法具有关于回合数亚线性的期望后悔界。最后,在标准数据集上通过实验验证了所提统一框架的可行性。     

基于多摇臂赌博机的产品定价算法

针对在线零售商在不完全需求信息下的单产品定价问题,提出了一种基于多摇臂赌博机的产品定价算法。为了提升多摇臂赌博机算法在定价问题中的效果,该算法利用了需求曲线的单调性,并加入了消费者偏好识别。对消费者的保留价格进行分析得到消费者购买概率,将在线零售商的定价问题建模为多摇臂赌博机模型,给出了相应的定价算法并进行了理论分析,最后通过仿真实验比较了相关算法的定价效果。仿真结果表明该算法提高了在线零售商的收益。     

基于信道利用率的无线自组网竞争窗口控制算法

介质访问控制(MAC)协议的物理载波侦听机制是一种减少冲突的有效方法。同时,载波侦听阈值的大小对网络性能也有很大影响。由于无线自组织网络物理层可具有多种速率,而MAC层中的发送速率与物理层速率的不匹配,会导致网络拥塞和网络性能下降。在分析物理层速率和载波侦听阈值之间关系的基础上,提出一个选择与多速率相匹配的载波侦听阈值算法,最后基于物理层的最理想速率,对MAC层和物理层信道利用率进行比较,再通过竞争窗口来自适应控制MAC层的发送速率来提高网络性能。仿真结果表明,该机制在吞吐量和延迟方面要优于802.11DCF,在吞吐量方面提升了47.66%,在延迟方面降低了33.18%。     

自适应邻域选择的FPFH特征提取算法

在使用点云FPFH(Fast Point Feature Histograms)特征进行三维物体识别或配准时,人为主观调整邻域半径计算FPFH特征描述符具有随意性、低效性,整个过程不能自动化完成。针对该问题,提出了自适应邻域选择的FPFH特征提取算法。首先,对多对点云估算点云密度;然后,计算多个邻域半径以提取FPFH特征用于SAC-IA配准,统计配准性能最优时的半径与点云密度值,使用三次样条插值拟合法求出函数表达式,形成自适应邻域选择的FPFH特征提取算法。实验结果表明,该算法根据点云密度自适应选择合适的邻域半径,提升了FPFH特征匹配的性能,同时 加快了运算速度,具有指导价值。     

基于遗传算法的划分序乘积空间问题求解层选择

划分序乘积空间作为一种新的粒计算模型,可以从多个视角和多个层次对问题进行描述和求解.其解空间是由多个问题求解层组成的格结构,其中每个问题求解层由多个单层次视角构成.如何在划分序乘积空间中选择问题求解层是一个NP难问题.为此,提出一种两阶段自适应遗传算法TSAGA (two stage adaptive genetic algorithm)来寻找问题求解层.首先,采用实数编码对问题求解层进行编码,然后根据问题求解层的分类精度和粒度定义适应度函数.算法第1阶段基于经典遗传算法,预选出一些优秀问题求解层作为第2阶段初始种群的一部分,从而优化解空间.算法第2阶段,提出随当前种群进化迭代次数动态变化的自适应选择算子、自适应交叉算子以及自适应大变异算子,从而在优化的解空间中进一步选择问题求解层.实验结果证明了所提方法的有效性.     

基于种群特征反馈的布谷鸟搜索算法

布谷鸟搜索(CS) 算法是一种新型的生物启发式算法. 为了提高算法对不同优化问题的适应能力, 根据反馈控制原理提出一种基于种群特征反馈的布谷鸟搜索(SFFCS) 算法, 将年龄结构、变异成功率等种群特征作为反馈信息引入算法框架, 动态调节算法参数, 同时引入双进化策略机制和策略选择概率, 加强算法对局部搜索和全局搜索的平衡能力. 对标准测试函数和电力系统最优潮流问题进行数值实验, 实验结果表明, SFFCS 算法具有较好的收敛性能和适应能力, 验证了所提出算法的有效性和工程应用价值.

     

OAR速率自适应机制的改进与实现

以最大化AdHoc网络吞吐量为目标,研究了基于IEEE802.11协议的物理层和MAC层信道接入机制和速率选择机制,分析了经典的速率自适应机制,但这些速率自适应机制绝大多数是针对数据帧提出的,而针对控制帧的速率自适应机制还非常少见。在研究基础上提出了一种控制帧速率自适应机制,详细阐述了实现过程,并对改进机制进行了仿真。仿真结果表明:通过控制帧速率自适应能有效地降低系统总开销,提高网络吞吐量。     

Artificial algae algorithm (AAA) for nonlinear global optimization

In this study, a novel bio-inspired metaheuristic optimization algorithm called artificial algae algorithm (AAA) inspired by the living behaviors of microalgae, photosynthetic species, is introduced. The algorithm is based on evolutionary process, adaptation process and the movement of microalgae. The performance of the algorithm has been verified on various benchmark functions and a real-world design optimization problem. The CEC’05 function set was employed as benchmark functions and the test results were compared with the algorithms of Artificial Bee Colony (ABC), Bee Algorithm (BA), Differential Evolution (DE), Ant Colony Optimization for continuous domain (ACO_R) and Harmony Search (HS_POP). The pressure vessel design optimization problem, which is one of the widely used optimization problems, was used as a sample real-world design optimization problem to test the algorithm. In order to compare the results on the mentioned problem, the methods including ABC and Standard PSO (SPSO2011) were used. Mean, best, standard deviation values and convergence curves were employed for the analyses of performance. Furthermore, mean square error (MSE), root mean square error (RMSE) and mean absolute percentage error (MAPE), which are computed as a result of using the errors of algorithms on functions, were used for the general performance comparison. AAA produced successful and balanced results over different dimensions of the benchmark functions. It is a consistent algorithm having balanced search qualifications. Because of the contribution of adaptation and evolutionary process, semi-random selection employed while choosing the source of light in order to avoid local minima, and balancing of helical movement methods each other. Moreover, in tested real-world application AAA produced consistent results and it is a stable algorithm.     

Fast Blind Equalization Using Complex-Valued MLP

The blind equalizers based on complex valued feedforward neural networks, for linear and nonlinear communication channels, yield better performance as compared to linear equalizers. The learning algorithms are, generally, based on stochastic gradient descent, as they are simple to implement. However, these algorithms show a slow convergence rate. In the blind equalization problem, the unavailability of the desired output signal and the presence of nonlinear activation functions make the application of recursive least squares algorithm difficult. In this letter, a new scheme using recursive least squares algorithm is proposed for blind equalization. The learning of weights of the output layer is obtained by using a modified version of constant modulus algorithm cost function. For the learning of weights of hidden layer neuron space adaptation approach is used. The proposed scheme results in faster convergence of the equalizer.     

A cross layer rate adaptation solution for IEEE 802.11 networks

Optimizing the performance of wireless networks for emerging network applications is a highly challenging issue. Cross layer solutions offer promising possibilities of joint optimization across the protocol suite. This paper proposes a cross layer framework for rate adaptation in 802.11× networks. Previous approaches for rate adaptation mainly focused on the factors related to the wireless medium. However, the applications’ demands and timing constraints of the underlying protocols were not considered. The solution proposed in this paper tackles these shortcomings with a novel approach by performing rate adaptation according to the changing channel conditions, application preferences and timing constraints of the underlying protocols. The proposed rate adaptation is based on a loss differentiation mechanism which identifies the real cause of channel variations and takes an appropriate action thereafter. The design provides flexibility of tuning various parameters according to application type and offers minimal complexity. The simulation results assert considerable improvements over the previous solutions in terms of the algorithm response to application requirements and dynamic adjustment with variation in underlying protocol performance.     

A lexicographically fair allocation of discrete bandwidth for multirate multicast traffics

Fair bandwidth allocation is an important issue in the multicast network to serve each multicast traffic at a fair rate commensurate with the receiver's capabilities and the capacity of the path of the traffic. Lexicographically fair bandwidth layer allocation problem is considered and formulated as a nonlinear integer programming problem. A nonincreasing convex function of the bandwidth layers of the virtual sessions is employed to maximize the bandwidth of each virtual session from the smallest.To solve the fairness problem a genetic algorithm (GA) is developed based on the fitness function, ranking selection and the shift crossover. Outstanding performance is obtained by the proposed GA in various multicast networks. The effectiveness of the GA becomes more powerful as the network size increases.     

无线传感器网络动态节点选择优化策略

无线传感器网络的能耗和有效覆盖率是衡量其性能的两个重要指标.无线传感器网络动态节点选择优化策略通过合理配置各无线传感器节点状态,平衡网络能耗和有效覆盖率,提高网络能效性,延长网络寿命.提出一种结合了Hopfield网络与遗传算法的动态节点选择优化策略,简称为HN-GA.该策略通过遗传算法实现全局搜索,采用Hopfield网络缩小遗传算法的搜索范围,保证遗传算法中每个基因对应待选解的有效性,并针对动态节点选择优化提出一种基于无线传感器网络能耗、寿命和有效覆盖率的综合指标.仿真实验表明,HN-GA算法能有效完成无线传感器网络动态节点选择优化,并在确保网络有效覆盖率的前提下,通过动态配置各无线传感器节点状态,降低网络能耗,延长网络寿命.与遗传算法和Hopfield网络相比,HN-GA算法不仅全局搜索能力强,且收敛速度快、耗时少.     

基于OMNeT++的Ad Hoc网络跨层协议栈仿真

针对OMNeT++的MFW组件中物理层和MAC层模块的错误进行修正和功能改进,实现基于RBAB的IEEE 802.11b协议速率自适应数据传输,建立移动Ad Hoc网络跨层协议栈模型的网络仿真框架,实现将Ad Hoc网络MAC层的速率自适应机制与其路由协议联合优化设计的仿真。结果表明,在移动环境下,采用跨层设计的网络协议栈能大幅提高Ad Hoc网络系统的性能。     

一种基于互信息变量选择的极端学习机算法

针对回归问题中存在的变量选择和网络结构设计问题, 提出一种基于互信息的极端学习机(ELM) 训练算法, 同时实现输入变量的选择和隐含层的结构优化. 该算法将互信息输入变量选择嵌入到ELM网络的学习过程之中, 以网络的学习性能作为衡量输入变量与输出变量相关与否的指标, 并以增量式的方法确定隐含层节点的规模.在Lorenz、Gas Furnace 和10 组标杆数据上的仿真结果表明了所提出算法的有效性. 该算法不仅可以简化网络结构, 还可以提高网络的泛化性能.

     

基于势博弈的认知全双工中继选择策略研究

在对主用户干扰功率限制、自干扰限制和总功率干扰限制的网络中,针对认知中继选择算法复杂度较高的问题,提出基于势博弈理论的认知全双工协作网络下中继选择策略。认知中继选择问题被建模为使用认知协作网络的系统速率作为共同效用函数的势博弈模型,并分析出在没有不可行策略集信息的前提下,所提的博弈可以保证纯策略纳什均衡(NE)的存在性和可行性条件。在此基础上,给出全双工中继选择迭代算法,并对算法的复杂度进行讨论。仿真分析表明,所提算法在较低复杂度的情况下,能够获得最优或者接近最优速率的性能,并与传统的半双工中继模式相比,性能也有明显提升。