基于Bloch球面旋转的量子自组织网络聚类算法

为提高自组织网络的聚类能力,提出一种基于Bloch球面旋转的量子自组织网络聚类算法.通过使样本数据作为量子比特相位,将样本映射为Bloch球面上的量子比特,将竞争层权值映射为Bloch球面上随机分布的量子比特;通过计算样本和权值的球面距离最小值,确定获胜节点;通过使获胜节点及其邻域节点在Bloch球面上向着样本旋转来调整这些权值,直到算法收敛.该方法的明显优势在于有较高的聚类精度.以鸢尾属植物样本聚类为例,实验结果表明,提出的方法明显优于传统自组织网络、K-均值聚类等算法.     

改进双向快速搜索随机树的无人艇路径规划

针对双向快速搜索随机树(bidirectional rapidly-exploring random tree, BI-RRT)算法在全局路径规划时存在搜索效率低、路径拐点较多等问题,提出一种改进BI-RRT的水面无人艇(unmanned surface vehicle, USV)全局路径规划算法。该算法采取了极度贪心的思想、高斯偏置随机点采样方法以及启发式的节点扩展策略,同时对节点扩展和搜索树连接进行角度约束,将生成的路径进行剪枝和3次B样条优化处理。结果表明,相对于改进前,改进的BI-RRT在平均时间、随机采样点和平均路径上分别减少了40.5%、65.0%和24.0%。改进后的算法时间、采样点和搜索树扩展大幅度减少,路径平滑度提高且路径更短。     

基于免疫算法的自组织神经网络在效能评估中的应用

针对自组织神经网络自身的局限,将免疫克隆选择算法的克隆和变异机制引入SOM的学习算法中,提出一种免疫自组织神经网络模型,并建立了模型的学习算法。该学习算法用免疫克隆选择算法的克隆算子和变异算子改进自组织神经网络中的邻域大小和权值调整规则,使每个神经元的权值学习率和邻域大小随神经元的亲和力发生变化,从而克服了自组织神经网络分类效果受样本输入次序影响的弱点,且在很大概率上保证网络收敛到全局最优解。性能仿真结果说明该学习算法比自组织神经网络学习算法具有更好的分类准确性和泛化性能。将该模型应用雷达电子战装备的作战效能评估中,结果表明免疫自组织神经网络模型比自组织神经网络模型分类更合理。     

基于自组织理论的自组织多项式网络算法

自组织多项式网络是采用神经网络的思路结合生物控制论和自组织特征映射理论而导出的一种新型网络算法,该算法在寻求模型参数的最优组合上的自组织特征及通过层层搜索误差最小点的功能,使其在用于非线性映射的拟合中体现了较强的优越性．开发的软件应用表明,该算法较ＧＭＤＨ算法及一般网络算法具有更高的精度拟合．     

基于改进A*算法的自动导引车无碰撞路径规划

针对自动导引车(automated guided vehicle,AGV)的无碰撞路径规划问题,提出一种引入时间因子的改进A^*算法以减少转弯次数,结合时间窗及优先级策略实现多AGV的动态无碰撞路径规划.首先利用改进后的A^*算法静态规划各AGV转弯次数最少路径;其次,分析路径节点到达时间及冗余时间,根据电量与路径性能动态地为多AGV分配优先级,结合时间窗模型解决了多AGV碰撞冲突问题并且提升了系统效率.案例分析结果表明,该算法在保证路径最优性的同时解决了传统A^*算法带来的转弯次数多问题,能有效实现无重复、无冲突的系统调度,并证明了其在动态环境下具有良好的适应性和鲁棒性.     

基于改进的进化型自组织映射的攻击实例挖掘

针对从入侵检测系统产生的复杂报警数据中难以获取有意义的攻击实例的问题,提出了一种基于改进的进化型自组织映射（IESOM）的攻击实例挖掘方法。IESOM算法给出了基于获胜神经元和其它神经元的距离的连接强度初始值,解决了进化型自组织映射（ESOM）算法中的连接强度初始值的选择问题。基于IESOM的攻击实例挖掘方法先对报警数据进行IESOM聚类,再使用合并规则得到初步的攻击实例,最后使用筛选规则获取有意义的攻击实例。对XJTU-sensor的报警数据的攻击案例获取结果表明了提出的基于IESOM的攻击实例挖掘方法能够从大量的报警数据中高效地获取典型的攻击实例。     

基于自适应混合算法的智能存取系统动态路径规划

研究了药房智能存取系统拣选路径的动态规划问题,提出了该问题的数学模型,并设计了一种新的自适应混合粒子群遗传算法(Adaptive hybrid particle swarm algorithm).该算法在粒子群遗传混合算法的基础上引入了动态调整和自适应进化的策略.在算法前期粒子群搜索阶段,建立了惯性权重系数、认知系数与收缩因子之间的联动关系,随着惯性权重的动态变化,认知系数与收缩因子也适时进行调整,提高了搜索效率和搜索精度.在算法的后期,采用了遗传算法的自适应交叉和变异的进化过程,对陷入局部最优的粒子群进行打散,使得每次迭代中都能最大限度的获取路径信息,使种群的搜索朝向解空间的不同区域发展.经过对某大型医院智能存取系统的路径规划仿真实验,验证了提出的算法相对于其他算法在求解速度和求解精度上都有较大的提高.     

改进A*算法及其在GIS路径搜索中的应用

路径选择在实际运用中主要追求的是最优而不是最短.为此通常采用精度换效率的策略.这种策略虽然在一定程度上达到了路径搜索的任务要求,但如果能在精度和效率之间综合取值的话,效果往往会更令人满意.采用了一种改进的A*算法来实现这一目的.主要是通过变权值的方式来控制算法的搜索精度和搜索效率.实验证明,改进的A*算法可以实现最优路径的选择,且效率有很大的提高.     

SDN驱动的网络流量负载均衡路由优化算法

在5G网络数据流量剧增的背景下，针对5G网络流量负载均衡问题提出并评估了两种基于软件定义网络驱动的路由搜索优化算法。首先，建立了软件定义网络多约束数据传输路径选择模型；然后，针对所提模型提出了一种流量负载均衡广度优先搜索(load balancing scheme with breadth-first-search, LBB)路径优化算法，在广度优先搜索的过程中，设定一个动态流量阈值对链路进行实时监测，旨在寻找源节点到目标节点的最优数据传输路径。为了减少甚至避免不必要的搜索所造成的空间开销，进一步提出了基于深度优先搜索的迭代深化搜索(iterative deepening search with depth first search, IDDFS)路径优化算法，该算法限制了数据传输路径的每次搜索深度，并在搜索过程中优先选择可用带宽最大的链路进行深度优先搜索迭代优化。仿真结果表明了所提算法在资源利用率和网络吞吐量这两项关键性能指标上的优越性能。     

一种用于复杂网络搜索的标记策略

搜索是复杂网络上的一项基本功能,设计搜索策略的一个重要目标是在每个节点上维护尽可能少的信息,并且搜索效率尽可能高.针对复杂网络搜索提出了一种新的标记策略(labeling scheme).通过将网络嵌入到较简单的度量空间和对节点重新命名,使每个节点只需要知道邻居节点的名字,因而在节点上存放很少的信息,而搜索使用的路径长度限制在较小的范围内.由于许多真实的复杂网络都是无标度网络,利用它们的拓扑特征,该策略在这类网络上能够获得很高的搜索效率,绝大部分情况下搜索使用的路径都是最优路径.与已知的几种标记策略相比,仿真结果表明该策略的总体性能更好.     

基于脉冲耦合神经网络的Live wire新方法的仿真研究

提出了一种基于脉冲耦合神经网络(PCNN)的Live wire分割新方法,Live wire方法是把图像当作一个连通图,在边上定义一个代价函数,然后通过搜索最短路径来找物体的边界,把用户指定的物体边界上的两点之间的最短路径当作物体的边界。最短路径是Live wire方法的重要步骤,本文在介绍脉冲耦合神经网络的基本工作原理和特性的基础上,将改进的脉冲耦合神经网络算法引入到Live wire边缘检测的算法中,用于最短路径算法的研究。并在改进算法中应用路径封锁和在线训练来提高算法的准确性和应用性。     

ChordPlus:a scalable,decentralized object location and routing algorithm

Object location is a fundamental problem in distributed system such as grid computing and peer-to-peer environment. Chord is one of the typical scalable object location algorithms for peer-to-peer network. The simplicity, provable correctness and provable performance of Chord make it an attractive option for distributed lookup. However its lookup performance is not satisfying. Based on the decentralized object location mathematical model. This paper proposes ChordPlus, an improved Chord algorithm, by enlarging dimension size of space M (M = 2 in Chord) and utilizing data redundancy technology. ChordPlus is a scalable, fault-tolerant, completely decentralized and self-organizing object location and routing algorithm for overlay network. Results from theoretical analysis and simulation experiments show that increasing the dimension size of space or neighborhood set length can enhance the routing performance of ChordPlus. In a simulation network with 5 000 nodes, the average routing path length of ChordPlus is only as many as half that of Chord algorithm.     

改进的SOFM及其在矢量量化中的应用

根据等失真(Equidistortion)理论提出了一种基于改进的自组织特征映射(SOFM)神经网络的矢量量化方法,该算法将失真敏感机制引入神经网络的竞争学习过程。通过调整码字的部分失真来指导神经网络的学习,以使得所设计的码书平均失真最小。同时把矢量量化应用于图像的小波变换域,根据图像小波变换高频系数的空间分布特点来组织码书,从而进一步提高码书的质量和适应性。通过实验对算法的性能进行了分析,证明了算法的有效性。     

基于神经网络方法的大型电网短期负荷预报

电力系统负荷预报研究现状,介绍了神经网络方法应用于电力系统短期负荷预报的可行性及存在的问题。详细讨论了应用BP神经网络、共轭梯度算法改进BP神经网络方法进行电力系统短期负荷预报的算法,及在预报过程中对电网负荷数据进行预处理方法。分别应用二种方法对东北电力系统进行了72小时短期负荷预报仿真。仿真结果表明,BP神经网络训练时间长,预报精度低;而共轭梯度算法改进BP神经网络算法训练步数大大减小,缩短了网络训练时间,而且提高了预报精度。该方法可行,可用于电力系统短期负荷在线预报。     

Self-organizing fuzzy clustering neural network and application to electronic countermeasures effectiveness evaluation

A self-organizing fuzzy clustering neural network by combining the self-organizing Kohonen clustering network with the fuzzy theory is proposed. This network model is designed for the effectiveness evaluation of electronic countermeasures, which not only exerts the advantages of the fuzzy theory, but also has a good ability in machine learning and data analysis. The subjective value of sample versus class is computed by the fuzzy computing theory, and the classified results obtained by self-organizing learning of Kohonen neural network are represented on output layer. Meanwhile, the fuzzy competition learning algorithm keeps the similar information between samples and overcomes the disadvantages of neural network which has fewer samples. The simulation result indicates that the proposed algorithm is feasible and effective.     

无线传感器网络中能量多路径路由协议的优化

以增加实时性、延长无线传感网生存期为目标,在能量多路径路由协议的基础上,提出了改进方法。原协议是在多条路径中选择能耗最低的作为最优路径,由于其通信能耗的计算涉及到节点的剩余能量,导致计算结果会偏离实际能耗,选择的路径会与实际最优路径不一致。改进的算法计算出路径的实际能耗,用跳数作为度量实现网络实时性的控制,选择较低实际能耗、较高节点剩余能量和具有实时性的路径作为最优路径。研究表明,该协议在选择路径时充分考虑到节点剩余能量,有助于均衡消耗整个网络能量,具有实时性,可以降低数据传输延时,提高传输效率。     

自组织的神经网络方法和群落生长模型研究

本文在研究神经网络自组织方法的基础上,通过模拟生物群落演化的动态机制,提出了一种新的自组织模型GGM,在GGM中,我们利用聚类中心的动态增生和消亡,使自组织学习调整直接局部化到单个聚类中心,从而避免了全局一局部调整的模拟退火训练过程,大大地提高了自组织学习的速度和适应能力.     

基于拓扑控制的无线自组织神经网络TCP性能改进

针对无线自组织神经网络TCP性能不高的问题,在网络节点所处的平面上引入空间约束机制,通过加入位置信息和增大平面以降低网络节点间干扰的方法来减小网络总干扰。分析了网络源节点的广播成功率,计算了网络节点的空间位置下界,并分别就单TCP流和多TCP流的情况下网络的有效性加以讨论。仿真实验表明,这种新型性能改进方法可有效提高无线自组织神经网络的相关性能。     

最优线性网络编码的分布式构造方法

针对单源组播网络,在合理的假设条件下,提出了最优线性网络编码(在吞吐率最大的前提下编码代价最小)的分布式构造方法。首先对线性网络编码的机理进行分析,得出了不同组播率下编码方案间的内在联系,导出了一个在线测试组播容量的策略;提出的方法以遗传算法为搜索引擎,结合随机线性网络编码,嵌入了在线测试组播容量的策略。通过合理地设计编码系数的生成规则和进化策略,在获得最大吞吐率前提下达到最小编码信道数的同时,构造出相应的编码方案,且编码系数保存在各节点中,从而可以采用确定性网络编码数据传输策略传输数据。仿真结果表明提出的方法是有效的。