主动队列管理RED算法改进与实验仿真研究

分析了RED及其改进算法的原理和局限性,提出了一种非线性高阶RED拥塞控制机制。该算法利用一个高阶分组丢弃函数,在下限阈值附近以较低的概率标记丢弃分组,在上限阈值附近迅速提高分组的标记丢弃概率。并对网络仿真器NS2进行扩展,通过系列仿真实验验证了改进算法有效提高了网络性能。     

基于NS2的RED算法研究与仿真分析

主动队列管理（Active Queue Management）算法是近几年网络研究的重点。详细讨论了RED主动队列管理算法的关键问题,研究了近年来对RED算法的几种改进算法,采用NS2对其改进算法仿真分析,通过大量仿真实验,结论表明其自适应ARED和改进的ARED（NewARED）算法减少了排队时延,提高系统稳定性和可靠性。     

一种改进的RED路由队列算法分析与研究

分析了Internet业务流随机早期检测(random early detection,RED)算法的原理和局限性,提出了一种改进的RED算法。该算法利用一个高阶分组丢弃函数,在最小门限值附近以较低的概率标记丢弃分组,在最大门限值附近迅速提高分组的标记丢弃概率;利用队列长度的变化趋势来动态调整RED算法的参数,减小了RED算法对参数的依赖,增强了算法的稳定性。NS2的仿真实验证实了它的有效性。     

基于NS2的RED和BLUE算法仿真及结果分析

随着因特网的迅速发展,网络拥塞日益严重,近年来提出了许多基于路队列管理的拥塞机制,本文分析了RED和BLUE的设计思想和算法实现。通过NS2网络仿真平台,在相同的数据流的情况下对两种算法的性能和原理进行对比,对仿真结果进行丢包率、吞吐量、平均时延等指标的分析和比较,给出结论。     

一种新的自适应RED算法

主动队列管理算法(RED)存在很多问题,如参数难以配置、对负载变化敏感等,为此采用控制理论的方法改进RED算法,提出一种基于比例控制的自适应RED算法-PRED.仿真结果表明该算法的稳定性好,队列的稳态值不受负载变化的影响.与已有的几种主动队列管理算法的性能比较表明,PRED算法的性能明显优于ARED,PI控制,DRED,SRED和REM几种算法.     

基于NS2的RED和BLUE算法仿真及果分结析

随着因特网的迅速发展,网络拥塞日益严重,近年来提出了许多基于路队列管理的拥塞机制,本文分析了RED和BLUE的设计思想和算法实现。通过NS2网络仿真平台,在相同的数据流的情况下对两种算法的性能和原理进行对比,对仿真结果进行丢包率、吞吐量、平均时延等指标的分析和比较,给出结论。     

一种新的自适应RED算法

主动队列管理算法(RED)存在很多问题,如参数难以配置、对负载变化敏感等,为此采用控制理论的方法改进RED算法,提出一种基于比例控制的自适应RED算法,PRED。仿真结果表明该算法的稳定性好,队列的稳态值不受负载变化的影响。与已有的几种主动队列管理算法的性能比较表明,PRED算法的性能明显优于ARED,PI控制,DRED,SRED和REM几种算法。     

一种改进的主动队列管理算法

主动队列管理是实现网络拥塞控制的重要技术,但是多数主动队列管理算法如随机早期检(RED)都存在对参数依赖性强的问题。针对RED算法中平均队列长度不能完全反映网络拥塞状况的问题,该文结合平均队列长度和网络的负载,提出一种改进的RED算法。该算法能根据网络负载的变化,自适应地调整丢包的概率,使它更符合网络的实际状况。通过仿真进行了性能分析,证明了算法的有效性。     

基于RED算法的非线性拥塞控制

由于RED算法是采用丢包率随平均队列长度线性变化的方法,因此导致网络在拥塞并不严重的时候丢包率较大,在拥塞比较严重的时候丢包率较小,拥塞控制能力较低。该文提出非线性平滑算法通过对RED算法的丢包率函数进行非线性平滑,在最小阈值时丢包率增长速度比较小,在最大阈值时丢包率增长速度比较大,有效地控制了平均队列长度,具有较好的拥塞控制能力。NS2仿真结果表明该算法对丢包率、端到端时延、吞吐量以及时延抖动等性能均有较明显的提高。     

一种改进的自适应随机早期检测算法

为了进一步减小Adaptive RED算法中队列长度的波动性,在对丢弃概率的变化率与队列长度稳定性的关系进行研究后,对Adaptive RED算法的丢弃概率计算函数进行了非线性化,使得算法能够根据平均队列长度与目标队列长度区间中值的偏离程度动态地改变丢弃概率的变化率,减小了队列长度的波动,进而提高算法的稳定性。     

演化算法的收敛性分析及算法改进

文章利用马尔可夫随机过程刻画了演化算法,证明了标准演化算法是不收敛的,说明了演化算法收敛于最优解的必要条件:非完全遍历性。并论证了采取精华保留策略的标准遗传算法以概率1收敛于最优解,并据此分析了一个典型实例———GTGA算法的收敛性及其算法改进方案。     

BP算法收敛性分析及改进

在标准BP神经网络的训练中,将误差函数作为权值调整的依据,使用固定学习率计算权值,这样的结果往往使网络的学习速度过慢甚至无法收敛。对此,从网络收敛的稳定性和速度的角度出发,分析了误差函数和权值修改函数,对算法中学习率的作用进行了具体的讨论,提出了一种根据误差变化对学习率进行动态调整的方法。该方法简单实用,能有效防止网络训练时出现发散,提高网络的收敛速度和稳定性。     

一种快速收敛的遗传算法

为了解决遗传算法的收敛速度和全局收敛性之间的矛盾，提出了一种新的快速收敛的改进遗传算法。该改进算法设计了与个体适应度相关的变异算子，以及与早熟情况、进化代数和个体适应度有关的移民算法。实例验证表明，该改进遗传算法在收敛速度和获取全局最优解的概率两个方面都有很大的提高。     

一种改进的RED算法

本文就目前路上器中如何实现数据流隔离和公平分配带宽进行了探讨，首先研究了Sally等人提出的RED算法，指出其缺陷，并根据TCP的有效吞吐率公式，提出了一种改进的RED算法，它可以实现更好的公平性，仿真结果验证了算法的有效性。     

一种基于标记的改进RED算法

随机早期检测RED算法是主动式队列管理算法(AQM)的代表算法,本文着重分析RED算法的参数配置缺陷,并利用NS2模拟器进行了实验论证.根据实验分析,本文结合标记思想和参数动态设置,提出新的RED改进算法,并通过仿真实验进行验证.实验结果表明,改进算法在一系列性能指标方面有了一定的提高.     

一种改进的RED算法

针对随机早期检测(random early detection,RED)主动队列管理机制的参数依赖问题,提出一种以网络流量优化理论中“价格”的变化为依据,自适应调节参数的RED改进算法。仿真实验结果表明,该算法明显提高了链路的利用率,降低了丢包率和平均队列长度。     

神经网络中LMBP算法收敛速度改进的研究

文章对标准BP算法收敛慢的问题进行了分析,并针对其目前最快的改进版本Levenberg-MarquardtBP(LMBP)进行了深入研究,发现其中涉及的矩阵[JTJ+μkI]求逆是其收敛速度的瓶颈。通过使用LU分解法去除耗时的矩阵求逆运算,极大地减少了LMBP的计算量。此外,简化求增广MarquardtSensitivity矩阵的步骤,也在一定程度上减少了LMBP的计算量。笔者用MicrosoftVisualC++6编程实现了改进后的LMBP算法,发现对这两方面的改进,大大提高了收敛速度。文章对Matlab的基于最速下降的BP算法(Traingdx)、Matlab改进的LMBP算法(Trainlm)、LMBP和作者改进的LMBP(ILMBP)进行了大量的试验。结果发现,ILMBP的平均收敛速度比LMBP快约23倍,比Trainlm算法快约9倍。     

一种快速收敛的改进BP算法的研究

在分析普通BP算法的基础上提出了一种改进的BP算法(MBP),用以克服普通BP算法收敛速度慢、易陷入局部最小点的缺点.算法的核心是改变Sigmoid函数的微分表达式,加入幂因子S和R,用以提高网络输出误差项在整个目标函数中的相对影响.收敛性分析表明,MBP算法保持了普通BP算法的梯度下降特性,但具有更快收敛速度和更好的收敛精度,并且可跳出局部最小点.通过对一个非线性系统的模型辨识仿真实验,直观上证明了该算法的有效性和可行性.