无人机辅助的双层深度强化学习任务卸载算法

为了解决无人机轨迹优化、用户功率分配和任务卸载策略问题,提出了一种双层深度强化学习任务卸载算法。上层采用多智能体深度强化学习来优化无人机的轨迹,并动态分配用户的传输功率以提高网络传输速率;下层采用多个并行的深度神经网络来求解最优卸载决策以最小化网络的时延和能耗。仿真结果表明,该算法使得无人机能够跟踪用户的移动,显著降低系统的时延和能耗,能够给用户提供更优质的任务卸载服务。     

客户/服务器应用程序的开发

以国税局税收征管系统接口程序为例，介绍了一种用 Ｖｉｓｕａｌ Ｆｏｘ Ｐｒｏ ５．０ 结合 Ｓ Ｑ Ｌ Ｓｅｒｖｅｒ ６．５，并借助 Ｏ Ｄ Ｂ Ｃ 开发客户／服务器应用程序的方法。当用户数据量很大时采用大型数据库及 Ｃ／ Ｓ模式开发的应用程序就具有更快的响应速度、更高的可靠性和保密性。     

自组网QoS路由协议研究

随着Adhoc网络的发展和用户需求的不断提高,自组网的服务质量（QoS）问题已成为当前研究的热点。本文首先介绍了自组网QoS路由面临的问题;然后全面地分析和研究了当前主要的自组网QoS路由算法,并从路由机制、多播功能、QoS参数选择等多个方面进行了比较;最后指出了未来的研究方向。     

基于双效用函数的无线传感器网络拓扑博弈算法

传统拓扑控制算法采用单个效用函数,无法适应网络性能需求的动态变化.在拓扑控制中引入了博弈论,提出了两个具有不同优化目标的效用函数.当节点剩余能量较高时,选择一个全面考虑能量均衡度、网络能耗、网络连通性等因素的效用函数;否则,为了尽可能降低节点能耗而选择另一个更趋向于较低功率的效用函数.实验表明,采用双效用函数的拓扑博弈算法在网络寿命、能量均衡度等方面具有较好的性能.     

基于启发式变异的蚁群算法

提出一种基于启发式变异的蚁群算法,结合传统蚁群算法和遗传变异算法的优点,利用蚁群算法找到一条全局近优解,采用启发式变异进行路径优化,并将优化信息以信息素的方式传递给下一代,从而快速得到全局最优解。以旅行商问题为例进行仿真实验,结果表明该算法比其他同类算法具有更好的性能。     

一种基于剩余能量的无线传感器网络分簇协议

在无线传感器网络中,分簇技术可以实现高效的能量利用、方便的数据融合、灵活的网络扩展。簇首作为簇的中心,负责收集簇成员的数据,簇首消耗的能量远大于簇成员,因此,簇首的选择至关重要。提出了一种基于剩余能量的分簇协议（CPRE）,该协议优先选择剩余能量较多的节点作为簇首,并采用簇间转发的方式将数据发送到基站。仿真结果表明：该协议能够显著地延长网络的生存时间,其性能明显优于LEACH协议。     

能量异构的无线传感器网络分簇协议

无线传感器网络分簇协议通常假定网络是同构的,即网络中所有节点具有相同的初始能量,这些协议不能充分利用异构网的特点。提出了一种适合于异构网的分布式分簇协议（EHCP）,该协议优先选择剩余能量较多的节点作为簇首以平衡节点的能量,并在簇间采用多跳通信以节省能量。仿真实验结果表明：与同类协议相比,EHCP协议能显著地延长网络稳定工作的时间,具有良好的性能。     

基于信息素适量更新与变异的高效蚁群算法

为了克服基本蚁群算法求解速度慢、易于出现早熟和停滞现象的缺陷,提出了一种高效的蚁群算法（EACA）。它修改了基本蚁群算法中信息素的更新规则,使得每轮搜索后信息素的增量能更好地反映解的质量,以加快收敛;另外,它采用了一种启发式变异方法对路径进行优化,以产生搅动效应,避免早熟。以TSP问题为例进行的实验结果表明：提出的算法优于ACA和ACAGA。