基于欺负算法的优化算法

分布式算法中的欺负算法在选举协调者的过程中由于传输了大量信包而导致性能降低。该文在分析原有算法及其数学模型的基础上,提出一种优化算法并建立了相应的数学模型,对2种算法进行比较可以得出,优化算法在避免了选举失败或选举错误的基础上有效降低了选举过程中信包的传输数量,提高了通信性能,避免了网络延迟和网络拥塞。     

分布式超级节点选举算法

基于超级节点的分布式系统中,若超级节点失效或临时离开,希望系统能够自组织地选举出能力最强的节点作为新的超级节点。提出分布式超级节点选举算法,通过洪泛过程构造底层的生成树,叶子节点沿此树进行消息的传递,消息中包含着关于节点和边的信息,根节点根据这些信息构造最小生成树。根节点选出能力最强的节点作为超级节点,并沿着最小生成树广播选举结果。对算法性能从通信复杂度和时间复杂度两方面进行了分析和比较。     

基于Storm拓扑结构热边的调度算法

Storm分布式实时计算系统采用轮询调度算法达到任务均衡分配的目的,但Storm默认调度算法未考虑计算节点间的网络通信开销,可能造成topology处理时延高、集群吞吐量低等问题。为此,引入Storm topology热边的概念,通过减少网络传输的tuple数量,将热边关联的源executor和目标executor调度到同一工作节点执行,提升Storm集群的计算性能。实验结果表明,该调度算法能够有效降低Storm处理时延及集群节点间的通信量,提高系统吞吐量,并且有利于集群的负载均衡。     

传感网络中一种基于蚂蚁算法的分布式数据汇集路由算法

提出了一种传感网络中基于蚂蚁算法的分布式数据汇集路由算法．该算法的基本思想是通过一组称为“蚂蚁”的人工代理寻找到达Sink节点的最优路径，并利用蚂蚁算法的正反馈效应来达到数据汇集的目的．算法不需要网络节点雏护全局信息，且数据汇集降低了网络路由开销，因此是一种节约能量的分布式路由算法．理论分析和仿真结果说明了新算法的有效性和可伸缩性．     

发布/订阅系统中的缓存副本一致性研究

针对发布/订阅系统中缓存副本一致性维护问题,首先,对原有基于谣言的一致性维护算法进行改进,提出一种基于轨迹标签的谣言一致性维护算法。该算法通过在更新消息报文中添加节点轨迹信息,避免向已更新节点发送冗余更新消息。其次,为提高系统消息传播的可靠性,设计一种基于轨迹标签的层次化反馈恢复机制,结合发布/订阅系统推拉传输模式,减少反馈消息数目,避免反馈爆炸。模拟实验结果证明,改进的一致性维护算法降低了一致性维护消息开销和时间开销,提高了系统的可靠性和可扩展性。     

基于总线网络的分布式一致性算法

为了解决总线网络中的分布式数据一致性问题,提出了基于总线网络的分布式一致性算法.该算法通过Mod运算将多节点仲裁问题转化为惟一节点仲裁,减少了所需的消息数,降低了系统的负荷;通过消息复用的方法减少了算法所需的消息种类,并缩短了响应延迟.理论性能分析和仿真试验表明,该算法较之传统算法具有较低的消息复杂度和时间复杂度.     

联盟链中实用拜占庭容错算法的改进

针对实用拜占庭容错算法（PBFT）中存在的通信开销大、算法效率低等问题,结合联盟链特点,提出了一种改进的PBFT算法（score-PBFT,S-PBFT）。引入节点评分机制,将节点划分为共识节点、候选节点和预备节点三种类型,并根据节点行为对节点进行动态调整,最大程度上保证共识节点的可靠性。改进了主节点的选举方式,以节点初始积分及其行为作为选举依据,来提高算法稳定性。优化一致性协议执行流程,减少共识过程参与节点数,降低算法复杂度,提高算法的效率。结果表明,相较于PBFT算法,S-PBFT算法在共识时延、通信开销、吞吐量和共识节点可靠性等方面均具有更好的性能。     

实用拜占庭容错共识算法的奖惩机制优化研究

联盟链是农业溯源行业的首选区块链方案,针对其核心共识机制实用拜占庭容错共识算法（PBFT）存在的共识安全性低、主节点出错概率大、通信开销大等问题,通过引入奖惩机制以及分组共识机制,提出了基于奖惩机制的改进实用拜占庭容错共识算法。把节点划分为4类,制定节点信誉规则,增强节点主动性,减少拜占庭节点的参与;剔除作恶节点参与共识资格,统计其余节点信誉值及票数,动态筛选信誉良好节点作为共识节点,并依据最高信誉值规则选取主节点,从而提升共识安全、降低拜占庭节点当选主节点概率;以PBFT共识为基础,将共识过程简化为组内共识及全局共识两个阶段,并基于最少广播消息数提出最优分组,缓解共识节点数目增多导致通信量过大的问题。实验结果表明,该方案能够有效抑制拜占庭节点,提升共识安全性能,降低共识成本。     

针对解码转发协作分集的分布式伙伴节点选择算法

该文研究了在解码转发协作分集系统中的伙伴节点选择问题.文中首先建立了伙伴节点选择问题的数学模型,其能够在伙伴节点和目的节点分别满足一定误比特率性能的前提下,使源节点和伙伴节点的发射功率之和最小化.因此,该模型不仅能够开发多用户无线系统所固有的空间分集能力,显著地提高无线传输性能,而且能够增加无线网络的通信容量和降低移动节点的能耗.文中还推导了在瑞利衰减信道中使用M-QAM(M-ary Quadra-ture Amplitude Modulation)时伙伴节点和目的节点的平均误比特率公式,从而揭示了系统性能与伙伴节点之间的依赖关系.根据数学模型和误比特率公式,文中提出了一种伙伴节点选择算法,能够在分布式的无线网络环境中以极小的控制协议开销,逐个消息地选择最优的伙伴节点参与转发消息.不仅如此,该算法还能够随着信道状态的变化动态地调整所选择的伙伴节点,所以对信道状态具有自适应能力.最后,文中通过仿真验证了所提出的算法.     

基于选举委员会的领导者选举算法

由于Bully算法在选举领导者的过程中需要产生大量的消息和花费大量的时间,不适应低轨卫星网络高动态、大延迟的网络环境.针对上述问题,提出了基于选举委员会的低轨卫星网络领导者选举算法.在选举阶段,节点直接向选举委员会发送选举消息,选举委员会在验证领导者崩溃后,选出具有最高优先级的节点担任领导者.试验结果表明:改进算法有效...     

一种基因与蚁群的融合算法研究

蚁群算法具有分布式并行搜索能力，通过信息素的积累和更新收敛于最优路径上，但初期信息素匮乏，收敛较慢。提出一种基因算法与蚁群算法融合的算法，将基因算法加入蚁群算法的每一次迭代中，利用基因算法快速收敛的优点，来加快蚁群系统的收敛速度；且基因算法中的变异机制，有利于提高蚁群算法跳出局部最优的能力。优势互补，实验结果表明该基因蚁群融合算法在寻优能力和收敛速度上都比基因算法和蚁群算法有较大的提高。     

基于萤火虫算法的自适应花授粉优化算法

花授粉算法是一种新的启发式算法,由于存在易陷入局部最优且演化后期收敛速度慢等缺陷,导致算法的寻优能力受到限制。针对该算法存在的不足,在局部授粉过程中引入自适应的变异因子,并对花授粉算法中的转换概率进行自适应调整后,将其与萤火虫算法相结合,提出了一种基于萤火虫算法的改进花授粉算法;最后,通过经典的标准测试函数对新提出的算法与DE-FPA、PSO-FPA做比较实验。实验结果表明,改进后的算法比基本花授粉算法具有更高的收敛精度和稳定性。     

基于文化算法和改进差分进化算法的混合算法

改进差分进化算法不能有效利用进化过程中的知识,传统文化算法进化后期收敛速度较慢。针对这些问题提出一种基于文化算法和改进差分进化算法的混合算法,并将这一算法应用于约束求解问题。对基准函数和丁烯烷化生产调度问题进行仿真,结果表明该混合算法具有较好的实用性和稳健性,在寻优效率和优化结果方面都优于与之比较的算法,并降低了计算量。     

一种改进的遗传算法：GA-EO算法

针对基本遗传算法(GA)有局部搜索能力差、计算量大、对较大搜索空间适应能力差和易收敛于局部极小值等问题,采用将极值优化(EO)算法与传统遗传算法相结合的方式,对基本遗传算法进行改进,提出了一种新的算法:GA-EO算法,并用实验证明了新算法的有效性。     

一种新型优化算法——学习算法*

从优化算法应该具有的共性出发,提出一种全新的算法——学习算法（LA）。该算法记录历史最优解和当前最优解这两组关键历史信息,然后让当前解向这两种最优解聚集（即学习的过程）;同时为了不放弃其他区域的搜索,让当前解的一部分完全随机地被重置。该算法原理简单,可调参数少且各参数对算法效能的影响易于掌控。在多最优函数以及复杂函数的最小化测试中,通过与GA、PSO的比较,发现LA确实是一种有效的优化算法,其优化效率并不低于现有算法。数值实验还表明,LA在多最优解问题的寻优中相对GA和PSO具有非常明显的优势。     

基于Apriori算法的改进算法

关联规则挖掘是数据挖掘研究的一项重要内容.为了快速挖掘关联规则,分析了挖掘关联规则的Apriori算法,并在此基础上给出了一种改进的算法:NApriori算法,利用频繁1项集重新组织事务数据库来挖掘关联规则,此方法仅需扫描数据库2次,且避免了Apriori算法繁琐的连接和删除步骤,实验结果表明此方法比Apriori算法有更好的性能.     

求解旅行商问题的模拟退火蚁群算法

根据蚁群算法与模拟退火算法的特性,提出了求解旅行商问题的混合算法.由模拟退火算法生成信息素分布,然后由蚁群算法根据累计更新的信息素找出若干组解,再经过模拟退火算法在邻域内找另外一个解的操作,得到更有效的解.与模拟退火算法、标准遗传算法、蚁群算法和随机初始化的蚁群算法进行比较,4种混合算法效果都比较好,策略D的混合算法效果最好.     

免疫遗传蚁群融合算法

提出了一种融合蚁群系统、免疫算法和遗传算法的混合算法。将免疫算法和遗传算法引入到每次蚁群迭代的过程中,利用免疫算法的局部优化能力和遗传算法的全局搜索能力,来提高蚁群系统的收敛速度。该算法通过遗传算法的选择、交叉、变异操作和免疫算法的自适应疫苗接种操作,有效地解决了蚁群系统的易陷入局部最优和易退化的缺点。通过对旅行商问题的仿真实验表明该算法具有非常好的收敛速度和全局最优解的搜索能力。     

基于遗传算法和遗传模糊聚类的混合聚类算法

为了动态确定聚类数目C和该数目下的最优分类,构造出遗传算法和模糊遗传C均值聚类的混合聚类算法(HGA-FGCM),该方法构造了一个既考虑类与类之间的分散程度,又考虑同一类紧凑程度的目标评价函数;运用遗传算法的全局寻优能力,求得最佳聚类数下的最优聚类。     

基于遗传蚁群算法的QoS路由算法研究

利用遗传算法的快速全局搜索能力和蚁群算法的正反馈收敛机制,引入遗传蚁群算法（Genetic Algorithm Ant Colony algorithm）GAAC来解决QoS路由问题。算法设计的基本思想是首先由遗传算法产生较优解,较优的路径留下信息素,其他路径不改变,然后在有一定初始信息素分布的情况下,用蚁群算法求精解。仿真表明算法比单一采用遗传算法和蚁群算法进行路由选择具有更好的性能,且更适合于动态网络环境下的QoS路由选择。