大规模生物网络马尔可夫聚类的并行化算法

马尔可夫聚类算法（MCL）是在大规模生物网络中寻找模块的一个有效方法，能够挖掘网络结构和功能影响力较大的模块。算法涉及到大规模矩阵计算，因此复杂度可达立方阶次。针对复杂度高的问题，提出了基于消息传递接口（MPI）的并行化马尔可夫聚类算法以提高算法的计算性能。首先，生物网络转化成邻接矩阵；然后，根据算法的特性，按照矩阵的规模判断并重新生成新矩阵以处理非平方倍数矩阵的计算；其次，并行计算通过按块分配的方式能够有效地实现任意规模矩阵的运算；最后，循环并行计算直至收敛，得到网络聚类结果。通过模拟网络和真实生物网络数据集的实验结果表明，与全块集体式通信（FCC）并行方法相比，平均并行效率提升了10个百分点以上，因此可以将该优化算法应用在不同类型的大规模生物网络中。     

基于人工蜂群算法的双门限CRN网络攻击检测算法

为了提高认知无线电网络的攻击检测效果,提出一种基于人工蜂群算法的双门限认知无线电网络的攻击检测算法。收集网络中所有次级用户向融合中心发送的报告,对信号进行预处理并将信号传递至人工蜂群算法;蜂群的雇佣蜂阶段评估次级用户子集的适应度,观察蜂阶段根据解的相关信息开发可行解,选择最优的次级用户子集;观察蜂的结果传递回蚁群,并且更新蚁群的全局信息素值,蚁群对新解集进行开发操作。该算法结合人工蜂群算法与人工蚁群算法在全局搜索与局部开发之间达到平衡。仿真实验的结果显示,该算法实现了较高的检测率与较低的错误率,从而有效地优化了频谱利用率。     

基于智能手机用户行为习惯的App使用预测算法研究

互联网的发展不仅推动了智能手机的普及,而且涌现了大量的手机App。大量被安装在手机中的应用程序不仅增加了用户寻找App的时间和难度,而且占用了手机大量的内存空间,致使手机卡顿,严重影响了用户体验。利用智能手机用户使用App的行为习惯特征,预测用户将要使用的App,并将其应用到智能手机中用以预加载App和智能清理手机内存是解决上述问题的方法之一。在深入了解PrefixSpan算法和Bayesian网络算法的前提下,考虑智能手机用户对每个App的喜爱程度,将其加入到PrefixSpan算法的剪枝步骤中;采用贝叶斯网络算法整合智能手机用户的App使用记录和App使用时长等特征,提出一套新的预测用户下一个将要使用的App的算法——WAPA(Weighted App Prediction Algorithm)。实验证明,该算法预测准确率最高可达86.3%,较其他算法可提高大约4%。     

基于改进差分进化算法的时间调制阵列多波束优化形成

提出了一种基于时间调制阵列的数字多波束形成方法。时间调制阵列会产生基波分量和各次谐波分量,通过调整各个单元的控制时序,实现谐波分量的幅度和相位综合,可以在正负第一次谐波处实现期望方向的波束形成。同时采用改进差分进化算法来优化控制时序,进一步降低最大旁瓣电平,实现两个指向不同的数字波束的设计。最后通过与时间调制阵列波束形成和基于基本差分进化算法的时间调制阵列波束形成对比,验证了该算法在数字多波束形成中的可行性和有效性。     

基于大数据的网络通信传输效率控制

当前,传统的网络通信传输效率控制方法收敛速度慢、传输效率低的问题逐渐显露出来,为此提出基于大数据的网络通信传输效率控制研究。在大数据分析下提出了网络通信传输效率控制方法,通过大数据的降噪处理技术清楚网络通信传输信道中存在的干扰信息,为网通通信系统提供良好的控制环境;运用蚂蚁算法来控制网络通信系统选择出传输的最佳路径,提高网络通信传输效率;经过试验证明了所提出的方法具有较高的实用性和可行性。