基于平衡树的智能电网数据采集路由算法

在智能电网中,与传统路由协议不同,突发性拥塞不再是数据采集的主要风险,风险的新来源是数据流过度集中在网络的关键节点而导致的拥塞.为此,提出了一种能够实现数据平衡的数据采集路由机制用以克服网络拥塞.首先,该机制抽象出配用通信网络的数学模型;其次,针对无线网状网络(WMNs)路由协议,以节点排队队列长度作为决策参数建立路由度量模型(数据平衡度量模型,DBMM),并以度量值最小作为决策条件,设计了基于平衡树的路由算法(基于DBMM的路由算法,RA-DBMM).最后,在Matlab环境下进行仿真实验,对比分析RA-DBMM和经典Bellman-Ford的性能差异.实验结果表明:RA-DBMM能够有效地改善数据拥塞问题,提高系统可靠性和吞吐量.     

基于平衡树的智能电网数据采集路由算法

在智能电网中,与传统路由协议不同,突发性拥塞不再是数据采集的主要风险,风险的新来源是数据流过度集中在网络的关键节点而导致的拥塞。为此,提出了一种能够实现数据平衡的数据采集路由机制用以克服网络拥塞。首先,该机制抽象出配用通信网络的数学模型;其次,针对无线网状网络( WMNs)路由协议,以节点排队队列长度作为决策参数建立路由度量模型(数据平衡度量模型,DBMM),并以度量值最小作为决策条件,设计了基于平衡树的路由算法(基于DBMM的路由算法,RA-DBMM)。最后,在Matlab环境下进行仿真实验,对比分析RA-DBMM和经典Bellman-Ford的性能差异。实验结果表明：RA-DBMM能够有效地改善数据拥塞问题,提高系统可靠性和吞吐量。     

经典Bellman-Ford算法的改进及其实验评估

针对以高效求解有边数限制的最短路问题,对经典Bellman-Ford算法进行了改进．借鉴划分算法的思想,通过减少距离标号的数目,得到了两个改进算法．既然已有的改进算法均不能解决有边数限制的最短路问题,因而本算法是经典Bellman-Ford算法的全新改进．相对于经典Bellman-Ford算法,改进后的算法不仅可有效地节省存储空间, 而且实验表明能显著地提高计算效率．     

基于改进蚁群算法的AODV协议研究

该文针对AODV协议的不足,结合蚁群算法与Ad Hoc网络的特点,将改进的基于信息素扩散的蚁群算法应用于AODV协议,并记为P-AODV,协议改进了AODV的路由组建和路由维护策略,能为网络提供大量的冗余路径,增强了网络的抗毁性。仿真结果表明,协议在数据包发送率、端到端延迟、平均跳数等方面有较好性能,协议的性能有了显著提高。     

无线传感器网络的最优安全性跳数算法研究

在分析了最小跳数路由算法的局限性基础上提出了最优跳数算法,该算法充分考虑了无线传感器网络的跳数、能量、负载问题,以求在三者平衡中达到网络路由的最优。通过对最优跳数算法进行的仿真,显示研究成果可以有效地提高无线传感器网络路由的可靠性和稳定性,能够达到平面路由算法的最好效果,即通过传输数据量较小的邻点信息表,就可以高效、可靠地传输有效数据,得到很高的有效数据率。     

移动IP中基于遗传算法的优化路由算法

提出了移动IP中带网络负载平衡的路由问题,通过建立网络模型,采用基于矩阵编码的改进遗传算法解决问题.遗传算法采用以矩阵编码为基础的交叉算子和变异算子,并使用排序选择算法作为选择算子.给出了改进算法的复杂度,从理论上证明了该算法的收敛性.仿真结果表明该算法具有很好的收敛性,并给出了在不同种群数(20～50)和交叉概率(0～75%)下最优解在一定值附近.采用此路由选择策略能够使移动IP网络中的网络带宽得到合理分配,优化了网络的性能.     

基于移动agent的改进蚁群算法

路由算法的性能直接决定网络的效率及可用性，基于移动agent的路由算法可以有效地降低网络负载，较好地适应异构环境。首先介绍了建立分布式自适应路由系统的必要性，提出了用移动agent解决路由问题，讨论了改进的蚁群算法，并对今后探讨基于移动agent的分布式路由算法问题给出了进一步的工作设想。     

一种新型Ad hoc网络路由算法

Ad hoc网络的发展已经到了一个重要阶段,其路由协议的设计方案也层出不穷,但都似乎有着一定的局限性。针对Ad hoc利用传统算法路由的缺限,讨论了Ad hoc网络中路由协议的独特需求,并归纳了当前Ad hoc网络中路由的问题。最后给出了一种新型的Ad hoc路由算法。     

矿井监控系统的zigbee路由协议的研究

基于GPSR地理路由协议重点研究了用于井下监控系统的zigbee路由协议的使用。针对GPSR协议的路由空洞和热点路由问题,分别采用了左右手法则和能量均衡法则予以修正,设计了用于井下监控系统的zigbee网络路由机制。仿真实验表明,路由跳数和网络生存时间都比改进前有了明显的提高,达到了系统预期的指标。     

水声通信网层次路由算法

针对水声通信网中由于节点能耗不均衡而影响网络生命周期的问题,基于无线传感网络的层次路由算法,提出了一种适用于水下环境的水声通信网层次路由算法.该算法采用分轮的思想,使用改进的复杂网络社团结构检测谱方法的相关算法.通过网络初始化等措施构建水声通信网的图结构,并利用Laplacian阵与聚类算法得到簇结构,进而实现网络中数据的正常传输.仿真实验表明,在水声通信网的特殊条件下,该算法相对于传统的LEACH协议能取得较好的效果,在网络稳定传输数据的情况下,网络各轮的存活节点数均优于LEACH.     

基于网络聚类选择的神经网络集成方法及应用

面向农作物精准施肥量确定问题,提出一种基于复杂网络聚类选择的神经网络集成方法。在该方法中,首先采用回放取样方法来生成多个神经网络个体,其次利用网络聚类算法FEC从这些神经网络个体集中选出部分个体,再次对选出的神经网络个体分别用线性加权方法和非线性方法进行集成,最后对两个集成结果进行融合得到预测结果。于2008年在吉林省榆树玉米试验田七号地对该方法进行了应用。实验结果表明:该方法不仅优于传统的施肥模型、神经网络线性加权集成和神经网络非线性集成方法,而且还具有较强的泛化能力。     

雷达组网多传感器选择快速启发式算法

为了提高雷达组网目标跟踪系统的跟踪能力,常用方法是增加组网中的传感器个数,但同时伴随而来的是传感器选择算法的计算量增加问题。该文结合信息增量和协方差控制的优点提出了一种多传感器选择快速启发式算法,给出了一种"最佳"传感器排序准则和传感器优化组合的选择方法,在满足目标跟踪精度的前提下,提高传感器管理的运算效率,仿真结果验证了算法的有效性。     

基于Jacobi迭代的大规模MIMO系统低复杂度软检测算法

基于Jacobi迭代提出一种低复杂度信号检测算法,在算法实现中避免了矩阵求逆运算.数学推导证明,该算法应用于MMSE检测时是收敛的,与传统的Neumann级数展开方法对比,能达到与其完全相同的检测性能,并且在任意迭代次数下能将复杂度保持在O(K2),而后者当级数展开项数大于等于3时复杂度上升为O(K3).为了进一步将Jacobi迭代应用到软判决中,提出了一种用于信道译码的LLR的近似计算方法.仿真结果表明,经过几次迭代,Jacobi迭代算法收敛较快,并接近MMSE检测性能.     

动态网络桥系数增量聚类算法

提出了一种在动态网络中发现社团结构的增量式聚类算法.基于动态网络中相邻采样时刻网络拓扑变化较小的特点,将网络前一时刻的社团结构作为当前时刻的初始聚类结果,利用边的桥系数判断网络拓扑变化对聚类结果的影响,局部调整初始聚类,最终得到符合当前网络拓扑的社团结构.通过和马尔可夫聚类算法进行比较,验证了本算法的精确性和高效性.实验结果表明,利用增量聚类算法分析动态网络,避免了对当前网络的重新聚类,可以快速、准确地发现动态网络社团结构.     

车辆网络MAC层的Markov链综合分析模型

应用于车载自组网的IEEE 802.11p媒体接入控制（MAC）层采用增强型分布信道接入机制,为验证该机制能否满足不同类型消息的服务质量（QoS）,在考虑不同竞争窗口值、消息内部碰撞和信道忙时的退避挂起机制的基础上,构建了基于二维Markov链的分析模型,该模型综合了饱和情况和非饱和情况. 通过该模型,分析了不同类型队列消息的归一化吞吐量和丢包率性能指标. 结果表明,归一化吞吐量随车辆数的增加而减小,随不同类型数据包产生量的增加而增加;丢包率随车辆数的增加而增加;高优先级队列始终有较大归一化吞吐量值. 验证了IEEE 802.11p能保证不同类型消息的QoS.     

基于位置和程度指标的结构损伤识别研究

为提高结构损伤识别的精度,提出基于动、静态数据融合的位置指标和完全基于频率的位置指标,并采用学习速率自适应调整的新型BP神经网络学习算法,其特点是在网络迭代过程中根据网络学习误差来调整学习速率的取值,该方法有效地克服了传统BP网络学习过程中容易陷入局部极小和收敛速度慢、学习效率不高的缺点,进一步讨论了参数输入方式对网络识别效果的影响,分别采用两步诊断法和一步诊断法进行损伤识别.结果显示,两步诊断法对损伤位置和程度的识别正确率较高,而一步诊断法识别效果却不令人十分满意;减少位置指标和程度指标的输入个数对损伤识别结果有显著的影响.     

运用GA-BP神经网络研究时间序列的预测

神经网络能以任意精度逼近非线性函数,以神经网络为基础的时间序列预测模型能很好地反映信息的非线性发展趋势。该文在分析传统BP网络缺点的基础上,用具有良好全局搜索能力的遗传算法来改进神经网络。详细讨论了GA算法的优化神经网络初始权值和阈值的思想和理论。在阐述预测方法同时,用具体例证分析了GA-BP网络预测的性能和特点。结果表明,基于GA-BP神经网络在预测精度和适应性方面高于传统的BP神经网络。     

Revealing of the hierarchy community of the complex network by decomposition multi-objective optimization

A new algorithm for community detection of complex networks is proposed. The problem of community detection is considered as multi-objective optimization problem. Tradeoff among multi-objectives realizes the detection of the community structure in a wider spread space, the disadvantages of the traditional single optimization algorithm is overcome. The MOEA/D framework is adopted and the Tchebycheff decomposition technique is used. A simulated annealing based weighted-sum method is used to perform local search which can expand the search scope, and not easily fall into local optimal solution. Finally, simulation experiments are done to test the algorithm using artificial and reality networks. The results show that, compared with existing algorithms, the algorithm has a higher detection accuracy and a small amount of computation, and can reveal the hierarchy community structure of the complex network by Pareto optimal solutions.