CCN中一种非混合式蚁群路由优化策略

蚁群优化(ant colony optimization,ACO)近年来在信息中心网络(content centric networking,CCN)路由领域的应用逐渐增多,其中,将ACO与其他机制相混合以改善路由性能的策略得到较多研究,但基于蚁群优化的混合式算法通常存在可扩展性低下,动态性差,网络成本高等问题。为此提出一种高效的非混合式蚁群路由算法(irritant ant framework,IAF)。添加一个新维度—一种动态的、仿生物的信息素分层,将传统单级别信息素上升为多级别信息素,增强蚁群对于路径的探索程度,抑制算法过早收敛;并且考虑了节点状态的动态性,实时改变信息素等级以选择最佳转发路径;此外,首次考虑了节点缓存特性对信息素更新策略的影响,构造出全新的信息素更新公式,,减小算法的收敛时间。实验结果表明,该算法能够有效地降低内容请求时延,提升缓存命中率,以较低的开销获得良好的CCN路由性能。     

改进变步长LMS在组合学习结构预失真的研究

针对预失真间接学习结构易受加性噪声、模数转换（Analog to Digital Converter,ADC）量化噪声等影响,提出一种通过设置判别门限自适应切换直接学习结构和间接学习结构的组合学习结构数字预失真方案。该方案在直接学习结构中采用最小二乘法（Recursive Least Square,RLS）算法对参数进行快速粗估计,切换至间接学习结构时采用改进变步长最小均方（Least Mean Square,LMS）算法进一步提取参数。分析仿真表明,组合学习结构的预失真方案其线性化性能较间接学习结构有很大提升,且在算法收敛速度基本持平的情况下有效抑制了间接学习结构中的非相关噪声。