改进协同粒子群算法的汽车涂装线调度

针对汽车涂装线的复杂调度问题,提出了基于改进协同粒子群算法的新调度方法,建立了汽车涂装线的最优调度模型.将协同粒子群算法生成的各子种群看成一个个单独的Agent,构成一个多智能体联盟,子种群Agent能感知和学习联盟中其他Agent的最优位置和自身信息,进行粒子的惯性权重自适应调整.通过相互竞争,协同进化,得到联盟最优值,解码获取最优的调度策略.最后通过实例仿真,验证了该算法在涂装线调度优化中的可行性和有效性.     

基于压缩感知的移动群智感知任务分发机制

针对移动群智感知任务中区域全覆盖感知成本过高问题，提出基于压缩感知的移动群智感知任务分发（CS-TD）机制。首先提出了感知任务整体成本模型，该模型综合考虑了参与感知任务的节点个数、节点的感知次数与数据上传次数；然后基于成本模型，分析感知节点的日常移动轨迹，结合压缩感知数据采集技术，提出了一种基于感知节点轨迹的压缩感知采样方法；其次通过区域全覆盖最少节点（RCLN）算法，选出最佳节点集合，对节点进行任务分配，利用压缩感知技术恢复节点数据；最后在多次感知任务的迭代中对感知节点的可信程度进行评定，保证任务方案的最优性。对CS-TD分发模型进行多次实验验证，与已有的CrowdTasker算法相比，CS-TD算法平均成本降低了30%以上。CS-TD模型能有效降低感知节点的消耗，能在全覆盖感知任务中降低整体感知成本。     

基于压缩感知的无线传感器网络数据融合算法

无线传感器网络中存在大量的数据冗余,数据融合技术通过对采样数据进行压缩,消除冗余,有效的减少了节点发送的数据量,延长传感器网络的寿命．提出了压缩感知与数据转发相结合的数据融合算法,在网络采样数据收集的过程中根据节点的子节点个数选择利用压缩感知对数据进行压缩还是直接对数据进行数据转发．仿真结果表明,和基于压缩感知的数据融合算法相比,数据转发与压缩感知相结合的数据融合算法,有效地在平衡节点间负载的同时减少节点的发送量．     

一种面向信息质量的移动群智感知协作方法

现有的感知信息质量研究主要集中在节点的招募、选择和感知任务的分配阶段,缺少对感知任务执行过程的优化。为此,借鉴移动设备云中的感知任务迁移理念,设计基于效用的感知任务迁移算法,提出一种移动群体内节点间直接协作的感知方法。对感知任务的执行阶段进行优化,以解决移动设备的异构性与感知信息质量需求之间的矛盾。实验结果表明,与随机选择算法和基于多任务的参与者选择算法相比,该算法可有效提高感知数据覆盖率和感知任务完成率。     

基于改进蚁群算法的遥感信息处理负载均衡任务调度算法研究

遥感信息服务链动态构建技术是根据用户提出的航天信息需求,以及用户0终端行为感知后形成的主动推送需求,将遥感信息获取与处理作为一种服务对待,利用服务组合与优化,动态构建服务链,实现网络环境下的信息资源按需聚合与高效协同,以满足对"端"的遥感信息支援应用需求;文章首先研究了蚁群算法和模拟退火算法在遥感信息处理计算节点任务上的调度原理,并分析了上述传统算法在得出最优解之前会出现的问题;基于蚁群算法并结合其他启发式算法的优点,提出了一种基于改进蚁群算法的负载均衡任务调度算法,完成了遥感信息多任务处理服务链的计算任务分配,提升了天基信息处理系统整体的计算效率;最后通过仿真实验验证了算法的有效性.     

基于多节点协同的电力网络靶场混合入侵识别方法

研究了基于多节点协同的电力网络靶场混合入侵识别方法,提升电力网络对混合入侵行为的防御能力。依据多节点协同的分层协作结构,设置电力网络靶场训练平台内的通信节点作为感知节点,利用感知节点感知混合入侵数据,将感知结果传送至电力网络靶场训练平台的中心节点,利用中心节点融合混合入侵感知数据形成聚合节点。协同融合层的聚合节点将协同融合结果传送至识别层,识别层利用混合入侵识别模块,依据K-means聚类算法对混合入侵数据的聚类结果,构建C4.5决策树,利用决策树输出电力网络靶场混合入侵识别结果。实验结果表明,该方法可以精准识别电力网络靶场混合入侵行为,识别精度高于98%。     

能量有效的无线传感器网络协同覆盖

在节点随机分布的无线传感器网络目标覆盖中,考虑到单个节点有时难以完成对目标的感知,利用节点的概率感知模型和漏检率的概念,提出了节点协同覆盖的思想,并建立了协同覆盖模型;详细分析并推导了协同覆盖感知概率、节点数目和节点参与协同覆盖的最低感知概率之间的关系;在协同覆盖模型的基础上,考虑节点能量消耗的因素,设计了优化网络使用寿命的协同覆盖算法ECTC;仿真结果表明,该算法在改善网络感知概率的同时,延长了网络的使用寿命。     

基于改进蚁群算法的无线传感器网络路由的优化

为了延长无线传感器网络(wireless sensor network,WSN)的生命周期,均衡各个节点间能量消耗,针对现有的WSN路由优化算法存在的问题,提出了一种基于改进蚁群算法的路由优化算法;首先通过对蚁群算法和遗传算法的优劣性比较,在蚁群算法的基础上,结合遗传算法的选择、交叉和变异的操作,从而提高蚁群算法的搜索速度和寻优能力;最优路径评价函数综合考虑节点能耗及节点的剩余能量,使剩余能量多的节点优先参与数据转发,均衡节点间的能量消耗;通过与经典蚁群算法及遗传算法的对比实验表明,随着数据转发轮数增加,改进的蚁群算法能耗小,剩余能量多,网络生命周期明显延长;随着整个网络运行时间的增长,改进的蚁群算法,节点均衡能耗性好,最优路径搜索的成功率也明显优于其他两种算法。     

无线传感器网络的能量有效性网络层路由算法——最小跳数路由算法

本文提出了一个能量有效性的适用于无线传感器网络的网络层路由算法—最小跳数路由算法(MHRA)。MHRA算法分为两个阶段;在感知任务交付阶段,节点通过洪泛感知任务建立路由;在感知数据交付阶段将感知数据沿该路由返回收发器。实验结果表明MHRA路由算法通过采用多跳通信工作方式、按需驱动的路由策略、使用传感器节点到Sink节点的最佳路径和次最佳路径、数据融合等方案,减少了路由的建立和维持开销,有效地实现了能量节省,实现了算法的简单性、正确性、能量有效性和健壮性。     

无线传感器网络中基于蚁群算法的路由算法

提出一种基于蚁群算法的无线传感器网络路由算法。该算法综合网络分簇算法及蚁群算法的优点,考虑节点当前可用能量对路由选择的影响,使选择路由时既能均衡节点的能量消耗,又能利用蚁群算法正反馈的作用实现快速搜寻从簇头节点到汇聚节点的多跳最优路径,通过在簇头节点进行数据汇聚降低路由的开销。仿真结果验证了该算法的可行性和有效性。     

基于模糊认知图的动态网格分布式资源调度

论文利用多代理的理论,通过网格节点自主选择任务来实现网格系统中的资源优化调度。由于各节点的自主性,对于任务分配方案将存在不同的支持度。论文采用模糊认知图,建立了对任务分配方案的支持度的协调控制策略,并在此基础上给出了一种智能的网格资源调度策略。考虑到各个网格节点的资源配置各不相同,提出了标准支持度的概念,保证了支持度协调策略的可行性和有效性。该调度策略无需存在处于上层的资源调度单元,各节点通过协调对任务分配方案的标准支持度即可实现网格资源的优化调度。该策略适用于分布式计算,并支持网格节点的动态变化,具有较好的实时性和鲁棒性。     

移动群智感知中支持隐私保护的动态激励机制

针对移动群智感知中高质量感知数据与参与用户隐私之间的矛盾,提出一种支持隐私保护的动态激励机制。首先,采用轻量级隐私保护方法,利用安全加密哈希函数为竞标用户生成不少于256位的可变地址序列,并结合随机数对候选用户节点的效用报价进行隐匿和约束;其次,通过定义区域热度、时间热度、数据完整率和数据质量等多维参数,实现任务价值与用户效用报价的动态平衡;最后,依据用户提交的效用报价和任务预算,并利用逆向拍卖思想,完成对任务参与节点的最优选择和动态激励。在群智感知系统模拟平台上进行仿真实验,结果表明所提机制不仅增强了隐私保护度和数据精确度,同时提升了时间效率和激励效果。     

无线传感网络任务分配的能效性控制策略

无线传感网络包含大量密集分布传感节点,各节点测量产生大量数据给传输、存储、管理和分析带来困难,无线传感网络能源不可更换性限制了网络寿命.本文提出基于熵理论和欧式距离的网络能耗评价指标,采用对等(peer-to-peer,简称P2P)计算方法,利用基于蚁群智能的能效性优化任务分配控制策略,针对中心节点工作状态、传输能耗和网络寿命实现动态实时任务控制分配,完成多中心节点并行计算,提高网络工作效率,节约能耗.实验表明基于蚁群智能的能效性任务分配控制策略能实时有效地缩短无线传感网络计算时间,减少网络能耗,提高网络寿命.     

基于熟人的Agent联盟策略

在多ａｇｅｎｔ系统中,ａｇｅｎｔ可以通过协商形成联盟来完成任务求解。本文基于ａｇｅｎｔ联盟的统计规律提出了ａｇｅｎｔ熟人的概念,以熟人为基础的联盟策略可以有效减少联盟形成过程中的通讯开销和计算量。随后给出了一种基于该策略的联盟竞争任务的算法,该算法适用于动态,开放的环境、无中心控制,不存在通讯和计算瓶颈。     

基于蚁群优化的Ad Hoc网络路由协议实现

为使数据分组能够被及时、正确地传递,同时尽可能延长网络生存时间,提出一种基于蚁群优化算法的Ad Hoc网络能量感知路由协议ABEAR,采用跨层设计思想,综合利用信息浓度、无线信道使用状况和节点剩余能量选择下一跳节点,根据节点的通信活动情况,将部分空闲节点转入睡眠状态,以此节省能量消耗,并给出在NS2平台上使用C++和OTcl 语言实现ABEAR协议的方法。     

基于蚁群优化解决传感器网络中的能量洞问题

基于多跳的无线传感器网络,越靠近sink的传感器节点因需要转发更多的数据,其能量消耗就越快,从而在sink周围形成了一种称为“能量洞”的现象.“能量洞”问题会导致整个网络由于内部节点能量过早耗尽而结束寿命,同时,网络中离sink较远的节点仍有大量能量剩余.研究“能量洞”现象,基于改进的分级环模型,总结出调节各环内节点的数据传输距离是实现网络节能的有效方法.证明搜索各区域最优的传输距离是一个多目标优化问题,即是NP难问题.从而提出一种基于蚁群优化的分布式算法,各区域根据其节点分布情况自适应地探索近似最优的传输距离,延长网络寿命.模拟实验结果表明,该算法在较短的时间内能够收敛到合理的解,并且得到的网络寿命接近于理想情况下的最优时间,与现有的类似算法相比,该算法提供了更长的网络寿命,并能适用于非均匀节点分布情况.     

一种面向无线传感器网络协同任务分配的动态联盟更新机制

在面向目标追踪等应用的无线传感器网络研究中,协同任务分配机制的研究是很重要的.基于动态联盟机制的协同任务分配方法是事件触发的.适用于任务出现频率相对较低的大规模无线传感器网络.本文在基于动态联盟机制研究的基础上,首先引入了联盟覆盖范围和休眠盟员的概念,进一步消除针对同一任务的检测传感器节点的冗余,降低系统的能量消耗;而后又给出了一种动态联盟的更新机制,以保证动态联盟执行任务时的连续性,在一定程度上保证网络的检测性能.最后通过仿真,从系统总能耗、目标捕获率和检测误差标准差等方面检验了算法的性能,并给出了缓冲带宽度等参数对能耗和网络检测性能的影响.     

基于概率阈值通信感知的WSNs目标跟踪算法

针对移动Sink节点目标跟踪定位时间长,能耗大等问题,提出基于概率阈值通信感知的WSNs目标跟踪算法。采用离散数据传输方式,并定义目标信息传输概率阈值来确定是否将节点当前位置信息由传感器节点传输到Sink节点。若当前位置信息不传输到Sink节点中,则使用最近一次通报的目标位置信息进行目标定位。然后开启目标周围相关传感器节点来有效降低算法数据传输量,并保持足够的定位精度。仿真结果显示：该方法比预测跟踪算法降低数据传输量87%左右,比动态目标跟踪算法降低跟踪时间33.7%左右。     

A mobile edge computing-based applications execution framework for Internet of Vehicles

Mobile edge computing (MEC) is a promising technology for the Internet of Vehicles, especially in terms of application offloading and resource allocation. Most existing offloading schemes are sub-optimal, since these offloading strategies consider an application as a whole. In comparison, in this paper we propose an application-centric framework and build a finer-grained offloading scheme based on application partitioning. In our framework, each application is modelled as a directed acyclic graph, where each node represents a subtask and each edge represents the data flow dependency between a pair of subtasks. Both vehicles and MEC server within the communication range can be used as candidate offloading nodes. Then, the offloading involves assigning these computing nodes to subtasks. In addition, the proposed offloading scheme deal with the delay constraint of each subtask. The experimental evaluation show that, compared to existing non-partitioning offloading schemes, this proposed one effectively improves the performance of the application in terms of execution time and throughput.