支持边缘端—云端协同工作的群组命令传输算法

Internet是连接云端与分布在不同区域边缘端的重要传输载体,其尽力而为的服务模式在支持群组控制命令传输时,会造成快速消耗网络资源及路径竞争等问题。首先,把Internet群组控制命令传输问题转换为不相交带约束的多Steiner树问题(constrainted multi-Steiner trees with disjoint problem,CMSTDP),并提出一种改进型遗传算法。该算法聚焦于提升全局搜索能力和缓解路径竞争两个方面。实验从群组命令传输成功率、收敛延时比及解误差率三个方面验证,该算法适合应用于边缘端—云端之间的群组命令传输。     

求解约束优化问题的动态邻域粒子群算法*

粒子群算法(PSO)求解约束优化问题存在较严重的早熟收敛现象,为了有效抑制早熟收敛,提出了基于改进的约束自适应方法的动态邻域粒子群算法(IPSO)。算法采用动态邻域策略提高算法的全局搜索能力,设计了一种改进的自适应约束处理方法,根据迭代代数线性增加搜索偏向系数,在早期偏向于搜索可行解,在后期偏向于搜索最优解,并引入序列二次规划增强算法的局部搜索能力。通过基准测试函数实验对比分析,表明该算法对于约束优化问题具有较好的全局收敛性。     

基于拥挤度的改进蚁群算法

针对蚁群算法在求解旅行商问题时收敛时间长,且易陷入局部最优状态的缺陷,提出一种基于拥挤度的动态信息素蚁群优化策略。该算法引入静态拥挤度和动态拥挤度算子,主动提前预防停滞现象。将拥挤度与状态转移规则相结合,使蚁群状态实时跟随路径搜索情况而改变,提高蚁群自适应能力。针对蚁群路径搜索情况,加入邻域搜索优化规则,缩小搜索区域,结合2-opt局部优化策略,加快蚁群收敛速度。仿真结果表明,本算法既有较高的搜索效率又有较强的全局搜索能力。对比其他优化算法,无论是求解质量、稳定性还是收敛速度都能达到令人满意的效果。     

动态环境的人工免疫网络多Agent优化策略

基于生物免疫网络的核心思想及多Agent技术,提出了动态环境下的人工免疫网络多Agent优化策略（Dmaopt—aiNet）．该策略以搜索动态环境中的全局最优解为目标,引入了邻域克隆选择、邻域竞争和协作操作,并同时对Agent自信度状态作自动调整,在优化策略中采用了双重Agent网络结构、双重变异及动态环境检测策略．理论分析了Dmaopt—aiNet算法具有全局收敛性,实验结果表明该算法对高维动态优化问题具有较突出的优越性,能准确定位动态环境下的最优解,具有较好的搜索效果和效率．     

MANET接入Internet模型的设计与仿真实现

在MANET接入Internet网络中,静态网关提供接入的范围有限,动态网关提供接入的性能不稳定,因此提出动态网关和静态网关协作的MANET接入Internet模型.在此基础上,设计了一种基于该模型的负载均衡路由算法.仿真结果表明,该模型可以提供比较稳定的MANET接入Internet性能,负载均衡算法能够有效提高分组投递率,降低平均传输延迟,减少路由开销以及改善MANET接入Internet网络的整体性能.     

加权网络的交通动力学研究

提出一种综合考虑网络边权和节点空闲度的路由策略,该路由搜索策略具有一可调参数 ,应用该策略对BBV加权网络上的数据传输进行研究。通过大量的数值仿真发现,当 时,网络具有最大的通信能力、较小的平均传输时间和最小的网络负载。与基于局域边权信息的路由策略相比,该策略可以提高网络通信能力,在拥塞状态下减小网络负载。对于加权网络的拥塞控制具有一定指导意义。     

自适应任务分配的粒子群优化算法

针对基本粒子群优化(PSO)算法早熟收敛、易陷入局部极值的缺陷,提出自适应任务分配的粒子群优化算法。该算法根据粒子的多样性动态分配粒子任务,把种群粒子分为开发和探索两种类型,分别采用全局模型和动态邻域局部模型执行开发和探索任务以平衡算法的全局和局部搜索能力,维持种群多样性。动态邻域模型扩大了解的搜索空间,能有效抑制早熟停滞现象,采用高斯扰动对处于停滞状态的精英粒子进行学习,协助精英粒子跳出局部最优,进入解空间的其他区域继续进行搜索。针对6个标准复合测试函数进行实验,结果表明所提算法具有更强的全局搜索能力,求解精度更高。     

一种多目标的覆盖优化策略在WSNs中的应用

针对目前无线传感器网络（WSNs）能量均衡覆盖策略大都基于节点静态感知能耗的不足,提出一种基于节点的动态能耗和网络覆盖率的多目标覆盖优化策略.该优化覆盖策略将动态路由协议引入到覆盖控制优化中,计算覆盖区域在不同节点分布下的动态通信能耗和网络的剩余能量,再结合区域覆盖率构成对覆盖和能量综合指数评价的优化函数.最后利用改进差分进化算法和差分进化算法对优化函数进行仿真,并利用覆盖结果验证策略的有效性.仿真结果表明：提出的覆盖优化策略既能使网络达到较高覆盖率,同时又能保证网络的能耗动态均衡,并将改进差分进化算法与常规差分进化算法比较,结果表明：前者克服了早熟现象,覆盖和能量的综合优化函数值更高,达到了6.184.     

一种新型的多种群微粒群算法

针对微粒群算法容易出现早熟问题,提出一种动态种群与子群混合的微粒群算法（SPSDPSO）。该算法在微粒群搜索停滞时对微粒进行分群,在子群内部通过微粒随机初始化以及个体替代策略提高优化性能,在子群进化一定代数后重新混合为一个种群继续优化,种群进化与子群进化交替进行直至满足算法终止条件。SPSDPSO的种群与子群混合进化策略增强了群体多样性,并且使得子群体之间能够进行充分的信息交流。收敛性分析表明,SPSDPSO以概率1收敛到全局最优解。函数测试结果表明,新算法的全局收敛性能有了显著提高。     

一种求解动态优化问题的免疫文化基因算法

针对传统免疫网络动态优化算法局部寻优能力弱、寻优精度低及易早熟收敛的缺点,提出一种求解动态优化问题的免疫文化基因算法。基于文化基因算法基本框架,将人工免疫网络算法作为全局搜索算法,采用禁忌搜索算法作为局部搜索算子;同时引入柯西变异加强算法的全局搜索能力,并有效防止早熟收敛。通过对经典动态优化函数测试集在相同条件下的实验表明,该免疫文化基因算法相较于其他同类算法具有较好的搜索精度和收敛速度。     

基于改进遗传算法的动态路径规划研究

在静态路网模型的基础上构建时间依赖的动态路网模型数据库,进行动态路径规划问题研究。针对传统遗传算法在解决此问题中存在的“早熟收敛”、局部搜索能力差等问题,对其进行下列改进：结合随机选择和趋于终点方向的种群初始化策略,在保持初始种群多样性的同时提高其个体质量;根据空间邻近关系选择交叉位置点,有效保留父代优良基因,同时避免“早熟收敛”;采用节点适应度的局部搜索策略,根据路段所属道路等级、转弯类型、实时路况以及与局部路段终点的夹角四个影响因子,构建当前节点邻接节点的适应度,提高局部搜索能力。研究结果表明,改进后的遗传算法具有更好的收敛效果和收敛稳定性,满足行进中的动态最优路径规划对求解精度和效率的要求。     

混合改进搜索策略的鸡群优化算法

针对鸡群算法易陷入局部最优和出现早熟收敛的情况,提出一种混合改进搜索策略的鸡群优化算法。该算法通过种内和种间竞争,确定子群规模及等级次序,子群角色通过竞争繁殖进行动态更新。种群进化寻优中引入全局最优引导策略和动态惯性策略,个体的寻食学习通过动态惯性策略进行自我调整,并同时接受子群与种群中的最优个体引导,以平衡局部搜索和全局搜索之间的关系。仿真实验结果表明,与基本鸡群算法和粒子群算法等相比,改进后的鸡群算法能有效提高算法的收敛精度和收敛速度。     

无人机自组网中基于Q-learning算法的及时稳定路由策略

无人机自组网凭借其抗干扰能力强、适用于复杂地形、智能化程度高和成本较低的优点,近年来受到广泛关注,该网络中路由协议的设计与优化一直是核心研究问题。针对无人机自组网中因节点快速移动造成节点本地存储的路由未及时更新而失效的问题,提出一种基于Q-learning算法的动态感知优化链路状态路由协议(DSQ-OLSR)。该协议首先充分考虑了无人机自组网节点高速移动的特点,在选取多点中继(MPR)节点时添加了链路稳定性和链路存在时间这两个指标,使得选出的MPR节点集更稳定、合理;其次,结合Q-learning算法对TC消息的发送间隔进行自适应调整,使得在网络拓扑变动较小时增大TC发送间隔以减小控制开销,而在拓扑变动较大时减小TC发送间隔用于达到快速感知并构建网络拓扑的要求,进而实现数据的及时路由。仿真结果表明,与DT-OLSR协议相比,该协议在端到端时延、吞吐量、成功率和网络生存时间性能上分别提高了12.61%、9.28%、7.69%和5.86%,由此验证了其有效性。     

求解TSP问题的自逃逸混合离散粒子群算法研究

通过对旅行商问题（TSP）局部最优解与个体最优解、群体最优解之间的关系分析,针对DPSO算法易早熟和收敛慢的缺点,重新定义了离散粒子群DPSO的速度、位置公式,结合生物界中物种在生存密度过大时个体会自动分散迁徙的特性和局部搜索算法（SEC）后,提出了一种新的自逃逸混合离散粒子群算法（SEHDPSO）.自逃逸思想是一种确定性变异操作,能使算法中陷入局部极小区域的粒子通过自逃逸行为进行全局寻优,从而克服算法易早熟的缺陷.仿真结果表明,SEHDPSO算法比混合蚁群算法（ACS＋2-OPT）具有更好的收敛性和搜索效率.     

基于周期性演化策略的粒子群优化算法

针对标准粒子群优化算法(PSO)在寻优过程中容易出现早熟的问题,提出一种基于周期性演化策略的粒子群优化算法.该策略通过在速度更新方程中构建基于粒子群能量的粒子群最优值扰动项,使得粒子群能量在演化过程中可以周期性变化.相比标准PSO算法,当粒子群能量较大时,能够增强局部搜索能力;当粒子群能量较小时,能够增强全局搜索能力.典型优化问题的仿真结果表明,所提出的算法与线性下降惯性权重粒子群优化(LWPSO)和PSO算法相比,优化性能得到了显著提高.     

精英化岛屿种群引导的差分进化算法

针对差分进化算法常见的早熟收敛、搜索停滞和求解精度低的问题,研究一种精英化岛屿种群的差分进化算法（EIDE）。为了实现全局搜索与局部搜索能力并重,EIDE划分多个岛屿种群,根据迭代时的适应度情况,动态地将岛屿种群分类为精英岛屿和普通岛屿;针对精英岛屿,提出一种控制参数自适应方法,依据岛屿适应度情况,自适应地调整变异概率与交叉概率,同时算法利用增强局部搜索的变异策略,提高收敛速度与精度;针对普通岛屿,使用适合全局搜索的变异与交叉概率及变异策略,维护种群多样性。EIDE提出了一种可控的“移民”与“个体迁移”策略,控制优质基因流动,有效避免早熟收敛与搜索停滞问题。在9个benchmark函数上的测试结果表明,新算法具有较强的全局寻优能力与稳定性,且收敛速度较快。