VNE-ABC:基于人工蜂群的网络虚拟化映射算法

为解决虚拟网络映射资源开销大、效率低等问题,以降低底层网络映射开销为目标,建立虚拟网络映射问题的二进制组合优化模型,并提出一种基于人工蜂群的网络虚拟化映射算法VNE-ABC.实验结果表明:与现有的虚拟网络映射算法相比,该算法有效地降低了底层网络的开销,并提高了虚拟网络映射的成功率、平均收益和资源利用率.     

SDN-ScaSVNE:可伸缩的SDN生存性虚拟网络映射算法

现有的生存性虚拟网络映射算法无法直接应用于软件定义网络（SDN）,而且大多数算法仅通过扩展虚拟网络提供主动保护策略,性能较差.对此,提出了一种基于剩余网络资源可伸缩备份虚拟资源的SDN生存性虚拟网络映射算法,仅为扩展虚拟网络中满足备份约束的节点和链路提供备份资源,并利用剩余网络资源和备份资源共同完成故障恢复.仿真结果表明,算法在拥有较高收益/成本比值的前提下,可有效提高请求接受率和故障恢复成功率.     

面向离散优化问题的改进二元粒子群算法

二元粒子群算法被广泛用于求解离散组合优化问题。在求解离散优化问题时,二元粒子群算法会出现解空间利用率低,速度和状态趋同以及退化和波动等演化问题。针对这些问题,提出一种改进的二元粒子群算法。算法使用Gray码演化基编码,混沌初始化过程,改进速度和状态调整方法以及子代处理方法用于提高种群利用率和种群多样性。在不同类型的检验函数以及多选择背包问题上,和现有优化算法及其他二元粒子群算法相比,改进算法能够获得较高的收敛精度以及较快的收敛速度,体现出多离散优化问题的实际效用。     

一种面向多拓扑类型请求的虚拟网络映射算法

虚拟网络映射问题是网络虚拟化研究中的核心问题之一,其主要目标是将虚拟网络请求高效地映射到底层物理网络上. 针对面向多拓扑类型请求的虚拟网络映射问题进行研究,提出了节点连通性模型和通用底层物理网络节点评价模型用以判断节点映射的优先次序,在此基础上设计了一种复合型虚拟网络映射算法,在映射过程中通过识别虚拟网络请求的拓扑特征调用相应的映射子算法完成网络映射. 仿真结果表明,该复合型映射算法获得了较高的虚拟网络请求接受率和网络收益开销比,整体上提高了虚拟网络映射性能.     

基于多粒子信息共享策略的PSO小波网络模型

针对粒子群优化算法在训练小波网络存在的早熟收敛问题,提出一种改进的粒子群优化算法.该算法通过引入多粒子信息共享策略,使种群中各粒子共享多个粒子的有用信息,以期增加种群多样性,减少各粒子在进化早期被吸引到最优粒子附近的可能性,提高小波网络的建模质量.仿真表明,相对于BP算法和标准粒子群优化算法,本文算法在训练小波网络方面估计精度更高,收敛速度更快,并有效解决了早熟收敛和局部最优问题.     

基于最大独立链路集的随机虚拟网络映射算法

提出了一种基于最大独立链路集的快速随机虚拟网络映射算法. 基于图论中的匹配理论重新定义了带权图中匹配的概念,并命名为独立链路集,在映射独立链路集中的虚拟链路时首先将物理链路按照资源可用性进行筛选,然后随机映射到单一物理链路上,以此提高虚拟网络映射成功率及减少链路映射消耗,同时随机映射能保证物理网络的负载均衡. 仿真实验表明,该算法能有效减少链路映射的消耗和提高虚拟网络接受率.     

节点与链路协作的动态虚拟光网络映射算法

针对如何使逻辑上相互隔离的多个动态虚拟光网络高效地共享底层弹性光网络资源问题,提出了节点与链路协作的动态虚拟光网络映射算法．该算法在进行节点映射时不仅考虑了节点的计算容量、频谱资源以及要映射节点和已映射节点的对应关系,而且在节点映射的阶段就考虑了链路映射,将一个虚拟节点的相邻虚拟节点就近映射到一个物理节点的周围,做到了节点与链路的协作,从而避免了链路映射时使用长跳的物理路径．仿真结果表明,该算法在业务的阻塞率和链路利用率方面都有了明显的改善,可有效地节约网络资源．     

一种基于占有率反馈的虚拟网络映射算法

网络虚拟化技术通过对物理资源的抽象,可以有效解决现有互联网架构中存在的网络结构僵化、可扩展性差等问题.虚拟网络映射问题是指将用户发送的所有虚网请求映射到底层物理网络中,同时还要满足虚网请求中对各个资源的限制要求(如节点计算能力、链路带宽等).从节点负载平衡的角度出发,在基于就近原则的虚网映射算法基础上,引入节点负载平衡的反馈机制,引导各个虚网请求更均匀地映射到底层物理网络中.另外,在k短路径算法机制中引入了当前链路资源占有率作为评价参考标准,这样可以尽可能均匀地分散链路压力.同时,在检验链路资源是否满足虚网请求的过程中,由于优先选中的链路资源占有率低,所以算法映射成功率高,映射耗时更短,虚拟网络映射效率得到了有效提高.     

基于优化的同构子图搜索的虚拟网络映射算法

针对现有虚拟网络映射算法的不足,首先提出了一个综合考虑网络中节点资源需求(能力)和拓扑属性的节点资源能力评价方法,合理地评价节点资源能力,优化了虚拟节点的映射顺序;其次改进了虚拟节点映射时备选物理节点的选择过程,提高了虚拟链路映射质量;最后通过考虑物理网络子区域内的资源总量,优化了算法中初始资源分配区域的选择。实验结果表明:与已有的算法相比,本文映射算法在映射质量、长期平均收益、长期平均接收率、算法执行时间等方面均有明显提高。     

无线传感器网络任务分配的粒子群优化算法

为延长网络生命周期,减少网络能量消耗和均衡网络负载,引入了粒子群优化算法,提出了一种基于离散粒子群优化的任务分配算法.该算法根据任务总完成时间和能量损耗,建立代价函数,实现优化任务分配策略.引入变异算子,较好地保持了种群的多样性并提高了算法的全局搜索能力.仿真实验结果表明算法是可行的和有效的.     

不确定环境下复杂产品维护、维修和大修服务资源调度优化

基于对复杂产品维护、维修和大修（MRO）协同服务资源调度的需求分析,从现实角度出发,建立资源调度时间和服务执行时间参数不确定条件下的随机机会约束规划数学模型. 提出由随机模拟、神经网络和离散粒子群优化算法组合成的混合智能算法,求解所提出的优化问题. 随机模拟方法为所建立的神经网络模型提供训练样本集,得到的训练样本集被用于训练神经网络模型以逼近优化目标函数,训练后的神经网络模型被用于代替优化目标函数来执行粒子群算法优化迭代. 该混合算法能有效提升时间参数不确定条件下的复杂产品MRO协同服务资源调度双目标优化问题的求解速度. 案例分析表明,相比于确定性条件下的优化算法,所提出的随机机会约束规划模型和混合算法更适用于求解现实中不确定条件下的MRO服务资源调度问题,所求得的调度方案在实际执行中具有更好的鲁棒性.     

基于改进狮群算法和BP神经网络模型的房价预测

将狮群算法(lion swarm optimization, LSO)与海鸥算法的迁徙机制和螺旋搜索机制结合,增强算法的局部搜索能力;同时增加监督机制,提高算法的全局搜索能力。与粒子群算法和狮群算法对比,在常用的测试函数上验证改进狮群算法的优越性。采用改进后的狮群算法优化BP神经网络模型,对房屋价格预测问题进行研究,通过房屋的户型、面积等相关指标有效地对青岛市的二手房价格进行预测。改进后的狮群算法对BP神经网络的权值和偏置进行优化,提高BP神经网络的收敛速度和训练精度。试验结果表明,提出的螺旋搜索狮群和BP结合算法(spiral search lion swarm optimization-BP, SLSO-BP)模型在房价预测问题上预测效果更好。     

Virtual network mapping algorithm for large-scale network environment

A major challenge of network virtualization is the virtual network resource allocation problem that deals with efficient mapping of virtual nodes and virtual links onto the substrate network resources. However, the existing algorithms are almost concentrated on the randomly small-scale network topology, which is not suitable for practical large-scale network environments, because more time is spent on traversing SN and VN, resulting in VN requests congestion. To address this problem, virtual network mapping algorithm is proposed for large-scale network based on small-world characteristic of complex network and network coordinate system. Compared our algorithm with algorithm D-ViNE, experimental results show that our algorithm improves the overall performance.     

改进的文化粒子群算法的电子商务服务器集群负载均衡

随着电子商务的发展,电子商务企业服务器集群负载均衡问题越来越严重,为了解决粒子群算法在求解电子商务服务器集群负载均衡问题上存在的不足,提出一种改进的文化粒子群算法的服务器集群负载均衡策略.首先利用粒子群算法的主群体空间和文化算法的知识空间形成"双演化双促进"机制,提高算法全局搜索能力和运行效率;然后引入遗传算法进化机制对知识空间演化操作进行改进,最后将该算法应用于电子商务服务器集群负载均衡问题求解.经过仿真验证,改进文化粒子群算法,提高服务器集群系统资源利用率,负载更加均衡.     

基于改进粒子群算法的配电网网架优化研究

配电网网架优化是一个多目标综合优化问题,粒子群算法因其易实现、收敛速度快等特点逐渐成为电力系统优化领域研究热点之一. 针对粒子群算法易陷于局部最优问题,提出一种基于聚类策略的改进粒子群算法,动态地将粒子聚类为三种级别的粒子并对应采用不同的学习模型更新速度,增强了粒子群体多样性和全局搜索能力. 通过算例仿真验证了算法在配电网网架优化问题上的可行性.     

配电网网络重构策略研究

针对离散优化问题,以粒子群优化算法(PSO)信息更新的本质机理为基础,在基本PSO算法的基本思想、算法框架下,引入分布估计算法思想,重新定义离散粒子的表示方式。将分布估计离散粒子群算法应用到配电网优化重构中,每一维粒子的取值,须根据概率向量产生,在寻优过程中,根据粒子能力的差异,自适应调整其惯性权重,从而寻找对配电网拓扑结构的优化策略,达到降低配电网的网络损耗、提高电压可靠性的目的。     

模拟退火粒子群算法在化工过程综合中的应用

将一种模拟退火粒子群算法应用于化工过程综合。由于粒子群算法后期进化速度变慢,并易陷入局部极值点,本研究将模拟退火思想应用到粒子群算法中,通过Me-tropolis准则提高粒子跳出局部极值的能力,并在降温过程中加快了算法后期的进化速度。模拟退火粒子群算法在换热器设计实例和反应器网络综合问题中的应用结果表明,该算法的性能较粒子群算法有了较大改善,同时也表明该算法用于求解化工过程综合问题是可行和有效的。     

基于改进粒子群优化的神经网络及应用

为了克服粒子群算法的早熟收敛,提出了一种改进的粒子群算法用于神经网络训练。该算法对种群进行均匀初始化,用多个粒子的信息引导个体的更新,以保证全局搜索的有效性,同时引入随机算子对陷入局部最优的粒子进行变异,提高了算法的寻优性能。将改进粒子群算法训练的神经网络应用于IRIS模式分类问题和短期电力负荷预测,与BP算法、遗传算法及粒子群算法比较,该算法在提高误差精度的同时可加快训练收敛的速度。     

基于粒子群-BP神经网络算法的电价预测

为了解决现有电价预测中BP神经网络法对初始权值敏感、易陷入局部最小值和收敛速度慢等问题,在神经网络训练中引入基于全局随机优化思想的粒子群优化(PSO)算法,先利用PSO优化BP神经网络的初始权值,然后采用神经网络完成给定精度的学习,建立了粒子群-BP神经网络模型.与传统BP神经网络、粒子群广义神经网络相比,该方法收敛速度快、所需历史数据少、预报精度高,可用于电力系统的短期电价预测.     

基于粒子群优化算法的Hadoop调度算法研究

为提高Hadoop平台性能,提出一种基于粒子群优化算法的Hadoop调度算法。以粒子位置代表可行的资源调度方案,以任务完成时间及资源负载均衡度作为目标函数,通过粒子群优化算法,找到最优的资源调度方案。实验结果表明,该算法能够很好的平衡资源负载,减少任务完成时间,有效的提高了Hadoop平台的性能。