带宽优化的进化算法

介绍了实值优化问题的进化算法，自然进化是基于群体的优化过程，在计算机上模拟自然进化过程形成统计优化技术．同传统优化方法相比，进化算法具有全局优化的优点，而且适合复杂的实际问题．带宽优化是寻找结点编号的最佳排列，使得刚度矩阵的带宽最小．传统方法一般求得带宽的局部极小值，而带宽优化进化算法可求得带宽的全局最优解     

基于小波分析法与滚动式时间序列法的风电场风速短期预测优化算法

为实现风电场风速的超前多步高精度预测,提出一种基于小波分析法与滚动式时间序列法混合建模的优化算法。该优化算法引入小波分析法对风电场实测非平稳风速序列进行分解重构计算,将非平稳性原始风速序列转化为多层较平稳分解风速序列,利用对传统时间序列分析法改进后的滚动式时间序列法对各分解层风速序列建立非平稳时序预测模型,并通过模型方程实现超前多步滚动式预测计算。仿真结果表明:该优化算法实现了风速的高精度短期多步预测,将传统时间序列分析法对应超前1步、3步、5步的预测精度分别提高了54.22%,26.44%和19.38%,其预测的平均相对误差分别为1.14%,3.06%和4.41%;优化算法具有较强的细分与自学习能力。     

基于蚁群算法的运动时间优化算法研究

液压凿岩台车在现代隧道掘进施工中发挥了重要作用,现有液压凿岩台车在进行寻找孔位时,由操作人员完成,找孔顺序、找孔时间无优化,导致寻找孔位时间浪费,效率低.针对上述问题,对长臂多关节智能凿岩机面向超大隧道断面与复杂孔系的多节变运动与寻孔路径的时间进行优化,创新研究如下:通过对凿岩隧道形式、开挖方式分析和炮眼参数的设定,对左右两机械臂钻孔任务提出无碰规划方案,同时以多关节机械臂各个关节变量的总变化时间作为优化目标函数,采用蚁群算法优化目标函数,得到寻找孔位时间最短的优化寻找孔位路径,提高了液压凿岩台车机械臂的定位找孔效率.     

基于连续优化蚁群算法的神经网络在喷射器性能预测中的应用

以现有的喷射器实验数据集作为样本,用单隐层前向神经网络预测喷射器的性能,网络的训练分别采用连续蚁群系统(CACS)算法和连续蚁群优化(ACOR)算法.数值实验结果显示,用这两种蚁群算法所训练的神经网络对于喷射器性能的预测精度能够满足实际工程的要求,其中ACOR算法的训练误差小于一般的BP算法,预测精度也有所提高.     

一种基于分布式动态带宽分配的调度算法的研究

针对共享网络结构模型和消息模型，在分析网络控制系统调度算法特点的基础上提出了一种基于分布式动态带宽分配的调度算法，从带宽分配算法和分布式动态调度的实现方法两方面进行了详细描述。该算法可以满足不同节点的时间精度要求，有效利用了带宽，具有更高的灵活性和更好的容错能力。     

基于带宽估计的友邻选择算法

为了提高BitTorrent系统的下载效率,且不依赖于Tracker服务器,提出一种基于带宽估计的友邻选择算法.算法分两步进行:首先根据上传量和时间间隔进行节点的带宽估计,然后依据带宽匹配的原则选择具有相近带宽的友邻优先上传.仿真结果表明,该算法可以在没有Tracker服务器介入的情况下,较准确地得出邻居节点的上传带宽...     

基于优化FOA-BPNN模型的脱贫时间预测

针对精准扶贫缺乏有效的分析模型对扶贫的成效与脱贫时间进行准确刻画与定量分析问题,提出了基于FOA-BPNN 贫困户脱贫时间预测模型．针对BP神经网络模型可能陷入局部最小的缺陷,引入果蝇优化算法,以BP神经网络的预测误差作为适应度值,寻找最优的BP神经网络参数值,提高参数精度．由于标准果蝇优化算法的搜索半径固定,可能导致后期局部寻优性能弱,提出了一种动态步长变更策略的DSFOA-BPNN模型,通过引入变速因子与种群密度,将动态步长FOA算法与传统误差反向传播神经网络(BPNN) 结合,提高模型预测时间精度．在湖北省某贫困地区 50000 条扶贫数据的基础上,通过实验表明:与BPNN和FOA-BPNN模型相比, 提出的 DSFOA-BPNN模型预测精度分别提高了44%和11%．增量实验表明: 提出的DSFOA-BPNN模型更适用于精度预测.     

网络技术时间参数优化算法

讨论了网络计划技术中时间参数的计算，提出了一种比惯用的关系表算法速度更快、占用的存贮空间更少的新的优化算法。     

消除闲置时间的EPON动态带宽分配算法

提出一种消除以太无源光网络（ethernet passive optical net, EPON)闲置时间损耗的动态带宽分配算法。算法将全网所有光网络单元（optical network unit,ONU）在逻辑上划分为彼此互无交集的2区,对2区ONU进行分离调度,当一区ONU传输数据时就为另一区ONU授权。由于实施分区调度,相邻周期不同区ONU数据的发送在时间上就可以形成衔接,从而消除了传统EPON调度中存在的闲置时间损耗,提高了系统效率。仿真结果表明,该算法能够很好地提高系统吞吐量和带宽利用率,降低网络平均时延。     

基于混合算法优化神经网络的混沌时间序列预测

提出了一种混合算法优化神经网络的混沌时间序列预测模型.将粒子群优化算法与模拟退火算法过程中概率突跳的思想相结合形成一种新的混合算法,并用此混合算法优化神经网络建立预测模型.该模型克服了传统的神经网络收敛慢、易陷入局部最优等不足.利用该模型对Mackey-Glass混沌时间序列和Henon映射进行实验仿真,结果表明,该模型收敛速度快,稳定性能好,预测精度高.     

基于往返时延的网络拓扑推断

为了减少拓扑推断中采用单向性能参数需要多个节点合作的限制,提出了一种基于往返时延的拓扑推断算法,设计了网络拓扑推断中的往返时延测量方法,基于往返时延的拓扑推断不需要时钟同步及目标节点的配合.从理论分析了基于往返时延推断网络拓扑结构的可行性和正确性,并通过NS2进行了仿真实验.仿真结果表明,基于往返时延的推断算法能够较准确地推断网络的拓扑结构,与基于单向性能参数的拓扑推断算法相比,基于往返时延的拓扑推断算法受到的限制较少.     

基于行程数据的公交车到站时间预测

为向乘客提供较为准确的上下车时间参考,解决长距离预测中误差累积明显的问题,构建基于双层、双注意力、双向长短期记忆(LSTM)神经网络的公交车到站时间预测模型,提出一种基于行程数据的公交车到站时间预测方法.以广州市B2路、 560路公交车工作日的实际运行数据为例,对该预测方法进行精度验证.结果表明,由该模型所预测的行程时间,其平均绝对百分比误差为8.09%,在长距离到站时间估算上,15个站点的预测误差可保持在4.00 min左右.     

基于无抽取Haar算法的实时卡尔曼滤波方法

针对基于分段方式的多尺度卡尔曼滤波其计算量大、延时长的问题,提出基于无抽取Haar算法的实时卡尔曼滤波方法,该方法采用简单的加减、移位运算在t时刻完成多尺度变换,然后在各个尺度进行小波阈值去噪和卡尔曼滤波;为了验证该方法的有效性,在自主改装的智能车上对低精度加速度传感器进行实验.研究结果表明:通过小波重构完成信号处理,提高了算法实时性,并且有效减少重复运算;实时卡尔曼滤波方法有效提高了传感器的性能,在不能准确估计状态转移误差情况下,该方法的去噪性能优于单独的卡尔曼滤波去噪性能.     

无线网络中基于自适应带宽估计的跨层拥塞控制算法

TCP是一种主动探索网络可用带宽的传输层协议,在无线网路中,实时准确地探测链路可用带宽,动态调节TCP拥塞控制机制,是提高无线通信系统性能的有效方法之一。本文基于带宽测量技术,提出了一种无线环境下跨层TCP拥塞控制机制,通过探测TCP确认信号ACK返回速率和往返时间RTT,结合链路拥塞和物理层突发错误分布,实时探测可用带宽,对拥塞滑动窗口大小进行动态控制,并根据当前网络状态,动态设置慢启动阀值,保证网络资源的有效利用。仿真结果证明,此算法能有效地降低误码丢包率,提高系统的可靠性。     

基于用户等待时间和带宽需求的改进CSGC算法

从频谱资源紧缺的现状出发,通过对图论着色模型的分析,提出了基于用户等待时间和带宽需求的改进颜色敏感的图论着色(color sensitive graph coloring,CSGC)算法.该算法兼顾用户等待时间和实际带宽需求,使用户在趋于平等的机会获得频谱资源同时,最小化未满足需求总量,保证了系统的公平性,提高了系统的...     

基于遗传优化BP神经网络的员工绩效评估实证研究

首先介绍了基于BP神经网络的单位员工绩效评估模型,再通过遗传算法对BP神经网络的参数进行优化,提高了BP神经网络算法进行绩效评估的精度和效率。最后通过实证分析证明了此算法在单位员工绩效评估中的可行性和有效性。     

多子种群PSO优化SVM的网络流量预测

针对网络流量的时变性和非平稳性特点,为提高网络流量预测精度,提出一种“多子种群”机制的粒子群算法和支持向量机的网络流量预测模型(Multi-Subpopulation Particle Swarm Opti-mization and Support Vector Machine,MSPSO-SVM).首先支持向量机(Support Vector Machine,SVM)参数编码成粒子位置串,并根据网络训练集的交叉验证误差最小作为参数优化目标,然后通过粒子间信息交流找到最优SVM参数,并引入“多子种群”机制,解决粒子群优化(Particle SwarmOptimization,PSO)算法的早熟停滞缺陷,最后根据最优参数建立网络流量预测模型,并采用实际网络流量数据进行仿真测试.结果表明,相对于其他预测模型,MSPSO-SVM可以获得更优的SVM参数,网络流量预测精度得以提高,更加适用于复杂多变的网络流量预测.     

基于决策树技术的福州市居民出行特征分析

居民出行调查是城市交通规划、建设、管理的基础和依据,运用数据挖掘技术中的决策树,对居民出行数据进行了分类规则挖掘,得出了福州市居民的个人情况与其出行方式选择的相关性,并对福州市的交通发展提出了相应对策。     

基于Kalman滤波的基本Elman网络训练新算法

Kalman滤波算法应用于基本Elman网络学习时,收敛速度较快,但收敛精度往往不高;而基于梯度下降的BP算法可以以很高的精度实现输入输出的非线性映射,但在极值点处收敛速度缓慢.针对上述问题,提出一种将Kalman滤波算法应用于基本Elman网络的新学习训练算法.该算法结合Kalman滤波算法和基于梯度下降的BP算法的优点来训练网络,以基本Elman网络隐层单元输出作为非线性系统的状态变量,通过Kalman滤波算法实现状态变量的快速准确跟踪,然后通过梯度下降法修正权值以保证精度.另外,在训练过程中,通过增加训练样本的信息内容来提高网络收敛的精度.仿真结果表明了该算法的有效性.