基于Q学习量子蚁群的微纳卫星路由算法

在微纳卫星网络中,传统蚁群路由算法不能同时保证数据传输的安全性和网络业务的服务质量,且易陷入局部最优解,收敛速度较慢。为解决上述问题,提出一种实现多目标优化的Q学习量子蚁群路由算法。该算法在选择下一跳节点的转移概率时,将路径的平均信任值和路径的费用作为两个优化目标,构成最优路径的节点性能指标,保证数据传输的安全性和网络业务服务质量。在考虑路径费用函数时,将量子计算引入到状态转移概率计算中,避免陷入局部最优解,并在算法中引入Q学习的思想,将信息素映射成Q学习的Q值,强化算法在动态环境中的学习能力,以提高路由的整体性能。仿真结果表明,与蚁群优化算法和改进的蚁群多约束路由算法相比,Q学习量子蚁群路由算法明显改善包投递率、平均端到端时延和节点平均能耗等性能指标,避免了蚁群算法易陷入局部最优解,提高了收敛速度,可适用于具有高速移动节点的微纳卫星网络。     

无人机集群网络分簇优化算法

为解决无人机集群网络结构不稳定以及网络生命周期短的问题,提出一种基于改进灰狼算法的分簇优化方法。根据无人机节点的相对移动性和节点间的相对距离,对无人机网络中所有节点分簇,综合考虑簇内节点的剩余能量、最高节点度、通信情况、任务种类4个影响因素,基于灰狼优化算法选举最佳簇首。仿真结果表明,该分簇算法提升了分簇平衡度、统治集更新次数、节点生存个数等多个性能指标,稳定了网络结构,延长了网络生命周期。     

基于网络演算的卫星网络端到端时延上界北大核心

针对卫星网络链路传播时延周期性变化且变化量不可忽略,传统时延边界计算过于放大排队时延等问题,提出了一种卫星网络端到端时延上界分析方法。通过计算星间链路长度推算链路传播时延,并将链路处于峰值速率时的排队时延作为链路排队时延最大值,计算卫星网络端到端时延上界。进一步,分别研究端到端路径包含节点数目、节点服务速率、业务流权重值以及突发量等对卫星网络端到端时延上界的影响。仿真结果表明,在铱星拓扑结构下,卫星网络的端到端时延上界比基于令牌桶模型计算的端到端时延上界更接近于仿真值。     

一种卫星网络拓扑抗毁性评价方法的研究

从卫星网络高动态、周期性的特点出发,针对现有基于跳面节点法的网络拓扑结构的抗毁性评估方法对相似拓扑结构区分度不高的问题,提出新的抗毁性评估方法。该方法定义了新的修正因子,在理论上统一了基于跳面节点法及其改进方法的数学解析表达式,并且该方法适用于高动态卫星网络拓扑结构的抗毁性评估。仿真实验验证表明,该方法对不同拓扑结构的区分度更高,更具合理性。     

基于修正蒙特卡罗方法的光脉冲传输模拟

针对现有的蒙特卡罗(Monte Carlo)法在模拟光脉冲传输时没有考虑大气-海水界面的边界条件,对经过介质界面以及到达接收平面的光子提出了修正的Monte Carlo方法,对到达水下接收平台的光脉冲传输多径时间延迟和光斑分布进行了仿真研究。光传输模拟结果表明,使用修正的Monte Carlo方法考虑了边界条件的影响,减少光脉冲传输仿真的误差。     

微纳卫星网络的可信蚁群安全路由算法

微纳卫星节点能量受限,具有移动性,缺乏有效的安全路由算法保护,为此提出基于信任机制的可信蚁群安全路由算法。根据节点的行为结合剩余能量计算出节点的信任值,使用蚁群算法综合考虑节点信任值和移动性选择可信度高且能够形成稳定链路的节点传输数据。仿真结果表明,所提路由算法能够有效抵御微纳卫星网络中内部恶意节点对数据传输的影响,在平均端到端时延、丢包率和平均能耗等指标上都有改善。     

基于改进遗传算法的装备保障效能评估指标约简

针对现有装备保障系统效能评估指标体系存在指标冗余而导致效能评估复杂度高的问题,提出了基于改进遗传算法的装备保障系统效能评估指标约简方法.首先,方法通过强精英参与、完备交叉与预变异策略对遗传算法的选择、交叉与变异步骤进行改进;然后,将改进后的遗传算法用于装备保障系统效能评估指标约简,以指标间综合互信息与选择比例构建遗传算法适应度函数.仿真结果表明,改进后的遗传算法具有较高的收敛性与全局寻优能力,与粗糙集属性约简算法和灰色关联分析算法对比表明,本文方法能够在选择更少评估指标的同时,得到更高的评估精度.