认知无线Mesh网络中一种有效的多目标优化频谱分配算法

研究认知无线Mesh网络中多目标优化的频谱分配问题,即最大化总带宽和最小化占用频谱数.利用粒子群优化算法(particle swarm optimization algorithm,PSO)在多目标优化方面的优势,提出基于PSO的多目标优化频谱分配算法PSOSA.PSOSA算法不仅考虑频谱之间的差异,而且重新定义PSO的粒子及粒子的3种运算规则.仿真结果表明:PSOSA算法能在最大化总带宽的同时,最小化频谱占用数.     

离散二进制入侵杂草算法

在继承入侵杂草优化（IWO）算法特性的基础上,提出了一种可用于解决离散空间组合优化问题的二进制入侵杂草优化（BIWO）算法.该算法保留了IWO算法的正态空间扩散特性,设计了一个扩散范围到扩散概率的映射函数,以概率的形式决定二进制杂草比特位的取值.选取连续空间的4个经典函数和离散空间的背包问题,对BIWO算法进行测试,结...     

基于改进杂草优化算法的最优线性协作频谱感知

线性加权协作频谱感知模型下,针对虚警概率最大化检测概率的问题,提出了一种基于改进入侵性杂草优化算法的协作频谱感知方案。算法中的可行解与频谱协作感知模型中的权重向量相对应,通过寻求最优权重向量,来达到最大化检测概率的目的。同时将改进后的杂草算法与传统的杂草算法及基于修正偏差因子方法性能进行对比。结果表明,改进后的杂草算法可根据当前噪声环境合理分配系统的权重系数,以较小的迭代次数找到更优的权重向量,在虚警概率一定的前提下,获得高的检测概率,其性能优于原始MDC算法。     

一种新的混合粒子群优化算法

将禁忌搜索思想引入粒子群优化算法中,改进惯性权重,添加罚函数重新构造适应度函数;在此基础上,提出了一种基于禁忌搜索的新的混合粒子群优化算法(NHPSO),通过4个标准测试函数实验,结果表明:NHPSO算法比基本粒子群优化算法(PSO)具有更好的全局寻优能力、更快的收敛速度以及获得更高精度解的能力。     

基于遗传扰动机制的改进蝙蝠优化算法

针对蝙蝠算法现存的缺点,如收敛速度慢、优化精确度低、早熟,提出一种基于遗传扰动机制的改进蝙蝠算法(GDBA).该优化算法引入了遗传竞争机制,通过比较与全局最优解的差异,随时调整遗传算法的交叉率和变异率,使得种群具有遗传性和多样性,解决了蝙蝠算法早熟的问题,同时加快了收敛速度,提高了优化精度.采用基准测试函数进行仿真验证,实验结果表明:与蝙蝠算法(BA)和基于速度权重扰动机制的改进蝙蝠算法(WDBA)相比,该算法(GDBA)具有更好的收敛速度和搜索精度,加强了寻找全局最优解的能力.     

基于改进樽海鞘群算法的到达时间差定位

针对室内到达时间差(time difference of arrival, TDOA)位置估计中的非线性最优化问题, 提出用改进的樽海鞘群算法搜索目标位置. 通过选择最优主基站构造改进的适应度函数, 使适应度函数可以更好地反映解的优劣程度, 提高了搜索精度. 在初始樽海鞘种群中引入近似解, 使全局搜索的步骤得到简化, 加快了算法前期收敛速度. 采用自适应跟随策略更新追随者位置, 解决局部开发低效问题, 加快了算法后期收敛速度. 仿真结果表明, 基于改进樽海鞘群算法的 TDOA 定位技术相比其他元启发式算法具有更高的定位精度和更快的收敛速度.     

基于改进差分进化的高精度粒子滤波算法

针对智能优化粒子滤波算法精度较低和收敛速度慢的问题,提出一种改进适应度函数和搜索策略的差分进化粒子滤波算法(IDE-PF).该算法通过自适应融合粒子权值和量测误差得到适应度函数,并利用该函数评价粒子的可信度,引导粒子向后验概率密度取值高的位置移动,同时引入新的搜索策略,不仅保持了粒子多样性,还加快了算法收敛的速度.仿真结果表明,该算法可有效提高智能优化粒子滤波对于非线性系统状态估计的精度和实时性.     

改进的免疫遗传算法在图像非线性增强中的应用

利用一种改进的免疫遗传算法自动寻找图像非线性增强函数的最佳变换参数,达到图像增强的效果。该算法基于人工免疫原理,采用针对图像质量评价效果的新适应度函数(包括方差、信息熵、紧致度、信噪改变量以及像素差别五要素),提出一种基于浓度和适应度的自适应式选择机制,保证抗体的多样性,提高个体的适应度和防止种群的退化,提高收敛速度。另外引入免疫算子,在保留原算法优良特性的前提下,有选择、有目的地利用待求问题中的一些特征信息或先验知识来抑制其优化过程中出现的退化现象。实验表明,该算法具有较高的自适应性,即避免了陷入局部极小,加快了收敛速度,且增强质量评价明显提高。     

认知无线电中自适应切换频谱分配准则的算法

在认知无线网络空闲频谱分配的过程中,为了适应认知用户数和空闲频带数的动态变化,提高系统整体性能（主要指系统总带宽收益和认知用户接入公平性）,构造了最大化系统性能的目标函数,设计了在协作最大总带宽收益CMSB（collaborative max sum bandwidth）和协作最大比例公平性CMPF（collaborativemax proportional fair）2种频谱分配准则之间自适应切换的算法,并给出了其具体实施步骤。采用系统总带宽收益和认知用户接入公平性2种性能评估指标,分析了该算法的性能。仿真结果表明,自适应算法可以在保证系统总带宽收益的同时获得更好的公平性,可以提高系统的整体性能。     

基于蛙跳博弈优化算法的光网络动态频谱分配方法

由于光网络中的路径跳数过多或距离偏大,使寻找可用的频谱资源难度增加,导致光网络动态频谱利用率降低、网络效益较少且阻塞率较高,为此,提出基于蛙跳博弈优化算法的光网络动态频谱分配方法。采用OHM(Optimized Link State Routing Protocol using the Highway Model)路由算法,选择与业务请求对应,且满足跳数最小、调制等级最高的候选路径,找到可用的频谱资源。根据获取的频谱资源,在光网络中将最大频隙号在所有链路中最小作为目标,构建光网络动态频谱分配的目标函数。并在约束条件下,采用蛙跳博弈优化算法对目标函数求解,获取的解即为光网络动态频谱分配最优结果。实验结果表明,该方法的阻塞率低、频谱利用率高、网络收益高,具有实用性。     

认知无线网络中基于HJ-DQPSO优化的频谱分配机制

在认知用户和授权用户共存的认知无线网络模型中,为了解决认知无线网络中最大化网络效益和用户间接入网络的公平性联合最优化的多目标频谱分配难题,提出了一种新的基于 hooke jeeves（HJ）计算和量子粒子群（quantum particle swarm optimization,QPSO）理论的离散多目标组合优化机制,即 HJ-DQPSO 优化机制。该机制中,提出了采用 HJ 算法进行局部搜索,防止陷入局部最优,并对 QPSO 算法进行离散化处理以便更匹配离散的频谱分配模型。与现有的频谱分配算法进行仿真性能比较,实验结果表明,该机制具有逼近最优解、快速收敛、不易陷入局部最优、参数设置少的特点。在不同的优化目标情况下,能够较好地逼近频谱分配最优解而且可以实现快速收敛,在满足多个优化目标的情况下可以获得更合理的频谱分配方案。     

改进粒子群算法的云计算环境资源优化调度

针对云计算的资源调度问题,提出一种基于改进粒子群优化算法(Improved Particle Swarm Optimization,IPSO)的资源调度算法.对云资源调度问题进行分析,建立云资源调度的目标函数,利用PSO较快的收敛速度找到云资源调度问题的最优解,并根据每个粒子的适应度值自适应地改变每个粒子的速度权重,提高了全局寻优能力和收敛能力,同时在Cloud Sim平台对算法进行仿真实验.结果表明:IPSO算法减少了任务的平均完成时间,提高了任务处理的效率,具有很好的优化资源以及合理调度资源的能力.     

改进的多目标遗传算法在无人机机翼结构优化中的应用

现有的多目标遗传算法往往只能求得整个非劣曲线的一部分,同时局部搜索能力差,收敛速度较慢。为了解决这些问题,提出了一种改进算法,该算法将非劣分层遗传算法(NSGA)与向量评估遗传算法(VEGA)的优点结合起来,并且提供了一个利用往代信息构造搜索方向的局部搜索算子,有效扩展了非劣曲线的范围,加快了收敛速度。以某无人机机翼结构的多目标优化问题为例,证明本文改进算法可以较为快速地获得一个分布均匀的非劣解集。     

基于改进自适应遗传算法的船联网拓扑优化算法

提出了一种改进的自适应遗传算法优化船联网拓扑结构.考虑实际应用场景,以及网络的连通度、节点度、通信链路质量及通信成本等因素,最大化船联网总链路增益.改进的遗传算法在选择操作中,提出自适应个体适应度调节公式,动态调整当前种群中个体的适应度值,减小个体间适应度的差值,增加适应度较低个体通过选择过程进入下一步操作的概率,提高种群多样性.交叉和变异过程中,引入自适应调节系数,调整交叉和变异概率,尽可能使适应度值较高的个体进入下一次迭代过程.仿真实验表明,提出的改进算法能够避免早熟收敛,跳出局部极值,最终收敛得到船联网最优拓扑结构,且收敛速度更快,算法效率更高.     

爬山法与模式蚁群法混合的贝叶斯优化算法

针对传统贝叶斯优化算法进化效率低及收敛速度慢的情况,提出一种新型混合贝叶斯优化算法.该算法利用适应度遗传及个体的局部搜索方法,使种群个体趋向于全局最优解,提高了进化效率.为提高贝叶斯优化算法中贝叶斯网络结构学习的效率,提出一种爬山法和模式蚁群算法相结合的网络结构学习方法,同时对新型贝叶斯优化算法的收敛性进行了分析.利用典型的函数对提出的新型混合贝叶斯优化算法进行了仿真分析,证明了所提出的方法可以有效地加快算法的收敛速度和收敛精度.将该算法应用于目标分配问题中,仿真证明了所提算法的有效性和优越性.     

基于协作频谱感知和干扰约束的认知异构网络

针对异构无线网络的空闲信道检测准确率及网络吞吐量的优化问题,提出一种基于协作频谱感知和干扰约束的认知异构网络.首先,所提出的认知异构网络系统模型采用多个中心次用户(Center Secondary Users,CSU)节点协助其他节点进行频谱感知,并引入了能量检测阈值,在提高空闲信道检测准确率的同时节省检测能耗.接着,采用最大化数据速率的联合优化方程,在干扰功率的限制约束下为节点分配最佳的发射功率,降低干扰程度并优化网络吞吐量.实验仿真结果表明,相比较基于集群的协作频谱感知分配策略算法和基于QoS约束的能量感知竞争功率分配算法,该算法的网络吞吐量分别提升了3.4%和1.5%,平均频谱利用率分别提高了9.3%和7.4%.     

基于QPSCO算法的传感器优化配置

针对以曲线拟合为目标的传感器配置问题,提出了一种基于量子粒子群协同优化(Quantum-behaved particle swarms cooperative optimization,简称QPSCO)算法的传感器优化配置方法.在QPSCO算法中,采用双层的多粒子群协同优化结构,同时引入参数变异策略,在扩大搜索范围的同时加快该算法收敛;将加权最小二乘法的误差平方和引入适应度函数中,以提高传感器位置曲线的拟合精度,从而实现传感器的优化配置.实验结果表明,该方案应用于土壤信息采集系统,不仅可以达到比粒子群优化(Particle swarm optimization,简称PSO)算法和量子粒子群优化(Quantum-behaved particle swarm optimization,简称QPSO)算法更好的寻优结果,而且具有比遗传算法更理想的位置拟合精度,是一种有效可行的传感器配置方法.     

一种快速收敛的改进贝叶斯优化算法

针对贝叶斯优化算法(BOA)中学习贝叶斯网络结构时间复杂度较高的问题,提出了一种可以快速收敛的基于K2的贝叶斯优化算法(K2-BOA).为了提升收敛速度,在学习贝叶斯网络结构的步骤中进行了2处改进:首先,随机生成n个变量的拓扑排序,加大了算法的随机性;其次,在排序的基础上利用K2算法学习贝叶斯网络结构,减少了整个算法的时间复杂度.针对3个标准Benchmark函数的仿真实验表明:采用K2-BOA算法和BOA算法解决简单分解函数问题时,寻找到最优值的适应度函数评价次数几乎相同,但是每次迭代K2-BOA算法运行速度提升明显;当解决比较复杂的6阶双极欺骗函数问题时,K2-BOA算法无论是运行时间还是适应度函数评价次数,都远小于BOA算法.     

多纤芯弹性光网络中虚拟网络映射模型及算法

为解决多纤芯弹性光网络虚拟化中的虚拟结点映射、链路映射和频谱分配问题,首先建立了一个以最小化占用的频谱数及最小化最大占用频隙号为目标的全局约束优化模型.其次,设计了具有高效的交叉、变异及不可行解可行化算子的全局优化遗传算法,以有效求解该模型得到最优的虚拟节点、链路映射方案.最后,为验证算法的有效性进行了不同的仿真实验.结果表明,所设计的算法能够有效地减小网络中占用的频谱数和最大占用频隙号.     

求解连续空间优化问题的改进入侵杂草算法

针对标准入侵杂草算法在求解连续空间优化问题时存在易陷入局部最优、过早收敛的缺点,提出了一种改进入侵杂草算法.改进算法采用反向学习方法构建高质量的初始解,并综合考虑当前种群的适应度值和役龄水平确定各杂草的种子数目.同时,提出了基于分治思想的空间扩散方法以强化算法的搜索性能,并引入个体淘汰机制以避免早熟.最后,对五个测试函数进行了仿真,并与多种算法进行比较,结果表明改进算法的搜索性能得到了显著提升.