共查询到18条相似文献,搜索用时 46 毫秒
1.
2.
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。 相似文献
3.
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。 相似文献
4.
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。 相似文献
5.
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. 相似文献
6.
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。 相似文献
7.
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。 相似文献
8.
9.
10.
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。 相似文献
11.
演化算法的收敛性分析及算法改进 总被引:3,自引:2,他引:3
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。 相似文献
12.
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。 相似文献
13.
14.
一种改进的RED算法 总被引:5,自引:1,他引:5
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。 相似文献
15.
一种基于标记的改进RED算法 总被引:1,自引:0,他引:1
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. 相似文献
16.
17.
神经网络中LMBP算法收敛速度改进的研究 总被引:14,自引:4,他引:10
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。 相似文献