云计算环境下的PSO可信资源调度

对云计算环境下的资源调度问题进行了研究。针对云计算环境下资源调度的特点,结合节点失效以及任务间的网状结构特点,建立资源调度问题数学模型,运用离散粒子群算法求解该问题。针对模型特点结合云计算服务运营实情,设计算例进行仿真测试。验证表明了所建立模型的合理性及该算法求解的可行性和有效性。     

基于PSO-KELM的发动机特征参数预测北大核心CSCD

针对发动机特征参数预测中的参数选择及预测模型建立的问题,提出一种基于粒子群优化核极限学习机(PSO-KELM)的发动机特征参数预测方法。根据能够反映发动机性能及技术状况变化趋势、不解体检测和抗干扰的原侧,选择排气温度作为表征发动机运行状况的特征参数,以发动机水温、油温、尺杆位移和转速作为关联特征量。通过核极限学习机(KELM)建立预测模型,采用粒子群算法对KELM的惩罚系数和核参数进行优化,以减少人为因素的影响。车辆在怠速和行驶工况下的特征参数预测结果表明,与基于粒子群优化的最小二乘支持向量机预测模型(PSO-LS-SVM)和基于网格搜索优化的核极限学习机预测模型(NS-KELM)相比,PSO-KELM的预测精度更高,为发动机特征参数预测提供了一条有效途径。     

基于粗糙集和粒子群优化神经网络的智能决策方法

针对多属性决策中的高维、非线性问题,提出一种基于粗糙集和粒子群优化神经网络的智能多属性决策方法.该方法利用粗糙集对多属性决策问题的条件属性进行约简,利用粒子群算法训练神经网络的权重和阈值形成粒子群优化神经网络模型,约简后的属性数据进入粒子群优化神经网络的智能决策系统.实证结果表明,该方法具有较好的泛化能力,与标准支持向量机、遗传神经网络等方法相比,该方法具有一定的优势.     

基于双滑动窗口的云服务可信评估

随着云计算的不断发展, 越来越多的云服务商利用云平台提供服务, 供云用户进行使用. 由于云平台无法得知云服务的配置和实现, 所以会产生信任缺失问题. 针对这个问题, 国内外提出了各种方法评估云服务的可信度, 但都较少的考虑了评价的客观性问题. 本文提出环境指标的概念, 使用滑动窗口结合主客观评价的方式对云服务进行可信评估, 并通过实验证明该评估方法提高了云服务可信评估的准确性.     

基于Hadoop的可信Web服务多维QoS权重最优选择模型

随着Web服务应用的快速增长,用户如何在众多功能相似的Web服务中更加准确地选择出满足自己非功能性需求的Web服务是一个急需解决的问题.针对此问题,设计了一种基于Hadoop的可信Web服务多维QoS权重最优选择模型——HL模型.在HL模型中,以Hadoop和HBase平台为基本框架,首先,使用主客观赋权模式为多维QoS属性赋权值,提高QoS属性权重的客观性和准确性;其次,加入信誉度参数来提高Web服务QoS属性的可信性,并采用QoS-Tree来存储QoS属性值和权重值.实验表明该模型不仅提高了QoS属性的可信性,使用一种客观的手法给出了合理的Web服务推荐顺序来满足用户的QoS需求偏好,而且还提高了Web服务在Hadoop中的查找准确性.     

位置信息端云可信传输方案设计北大核心CSCD

由于北斗导航技术与大众消费级应用的深度融合发展,位置信息的重要性愈加凸显,但大多应用未对位置信息进行充分保护,计算复杂性高的传统密码学方案不能直接用于资源受限的北斗导航应用环境,且终端的软件执行环境也并不安全。因此文章基于专用的北斗导航芯片,在芯片内部利用密码与通信模块实现轻量级的位置信息端云可信传输机制,基于TLS(Transport Layer Security)的协议思路保护位置信息在传输中的真实性、完整性与机密性。文章所提方案尽可能少地使用复杂的计算、验证与证书管理,在保证数据处理性能的同时抵御中间人攻击、重放攻击、拒绝服务等攻击,具有一定的安全性与鲁棒性。     

基于参数优化VMD和样本熵的滚动轴承故障诊断EI北大核心CSCD

针对滚动轴承故障特征提取不丰富而导致的诊断识别率低的情况,提出了基于参数优化变分模态分解(Variational mode decomposition,VMD)和样本熵的特征提取方法,采用支持向量机(Support vector machine,SVM)进行故障识别.VMD方法的分解效果受限于分解个数和惩罚因子的选取,本文分析了这两个影响参数选取的不规律性,采用遗传变异粒子群算法进行参数优化,利用参数优化的VMD方法处理故障信号.样本熵在衡量滚动轴承振动信号的复杂度时,得到的熵值并不总是和信号的复杂度相关,故结合滚动轴承的故障机理,提出基于滚动轴承故障机理的样本熵,此样本熵衡量振动信号的复杂度与机理分析的结果一致.仿真实验表明,利用本文提出的特征提取方法,滚动轴承的故障诊断准确率有明显的提高.     

方波触发勘探与开发的粒子群优化算法EI北大核心CSCD

在粒子群优化算法中,当勘探时间持续过长,将可能导致种群在解空间过度徘徊;种群在开发阶段陷入局部最优后,难以再次进行全局勘探.针对上述问题,提出方波触发勘探与开发的粒子群优化算法.依据方波的周期特性,在前半个周期内使用标准粒子群优化算法执行全局勘探,后半个周期使用改进的更新公式执行局部开发.经过实验验证,在方波触发机制下,通过为粒子提供多变步长,可达到周期性触发勘探与开发的目的.使用多类型测试函数,将该算法与新改进粒子群算法、改进人工蜂群算法、改进差分算法在30、50和100维下比较,实验结果表明,该算法在收敛速度和精度上更具优势.     

云环境下资源调度效率优化研究与仿真北大核心CSCD

云环境下资源调度对云服务器的均衡性有着重要作用。由于云环境下资源调度过程中,存在大量的混沌数据,在混沌数据的干扰下,调度过程缺少统一的目标,传统的资源调度算法针对这种有干扰的复杂调度问题,多是通过把调度目标进行多个约束,形成一个动态的调度标准,模型过于复杂,适应性较差。提出改进粒子群算法的混沌数据干扰下的云资源调度方法。建立云资源调度模型,利用粒子群的迭代处理进行云资源调度策略寻优,对粒子的位置和速度的更新方法进行了改进,能够避免混沌数据对云资源调度造成的干扰,将全部调度任务的完成时间作为粒子适应度评价的标准,获得最优调度策略。仿真结果表明,利用改进算法进行混沌数据干扰下的云资源调度任务,系统的均衡度好,效率高,为资源调度效率优化提供了参考。     

基于云平台的防御性软件测试服务系统北大核心CSCD

云计算由于具备强大的资源处理能力与高效的计算能力而在当今快速发展,且云计算因可以为用户提供廉价可定制的服务而受到人们的青睐。伴随着云计算技术的进步,云平台承载了越来越多繁杂的应用服务。软件测试作为一种常见而普遍的应用服务,其规模与复杂度近年来不断增长。云平台相比传统的测试模式更能满足软件测试的需求。文章将云平台的软件测试系统分为测试任务的上传、管理、资源分配、执行以及测试任务数据库5个模块,并探讨与测试任务特性相适应的调度原则以高效完成测试任务。文章还探讨了面向云测试平台的安全防护模型,从需求与技术两方面分析了该模型对云测试平台的安全保障。     

多目标粒子群优化的非线性预测解耦策略北大核心CSCD

针对非线性预测控制中,系统建模和目标函数求解的问题,提出了一种基于粒子群优化的非线性预测控制策略(PSO-NPC)。首先,将时间因素引入到即时学习算法中,提高了基于即时算法的最小二乘支持向量机(LS-SVM)对非线性系统的建模精度。其次,针对单目标优化的常规PSO-NPC算法不足之处,将系统的第一步预测和最后一步预测输出作为主要优化目标,提出了多目标粒子群优化的非线性预测算法。最后,将目标函数中的误差权重作为粒子群优化的目标,根据系统耦合程度自适应调整误差权重,消除了系统回路之间耦合。仿真结果验证了改进算法的可行性和有效性。     

基于Tangle网络的群智感知用户可信激励方法

随着群智感知技术的广泛应用,用户参与度成为影响群智感知技术发展的关键问题,提出一种基于Tangle网络的群智感知用户可信激励方法.首先,基于Tangle网络构建群智感知网络模型,通过去中心化的Tangle网络来克服群智感知平台面临可信第三方参与的安全隐患,制定Tangle网络的可信度标准.然后,通过可信度来衡量用户权重...     

基于时空特征的终端区多机场航班时刻优化北大核心

为更好的实施终端区协同决策(CDM),考虑大终端区下多机场的协同运行需要,对终端区内多机场离场航班时刻进行优化。同时考虑各机场的延误时间及航班的总延误成本,建立终端区多机场的协同放行模型;采用改进的多目标粒子群算法对所建模型进行求解。最后对大兴机场开航背景下的京津大终端区分别进行单目标及多目标的仿真验证,仿真结果表明,所提方法优于先到先服务策略(FCFS)且可以有效平衡终端区内各机场总延误成本与总延误时间,兼顾航班延误的均衡性及公平性。     

基于云理论的可信技术研究

针对云计算环境下信息的安全性和可靠性方面的欠缺, 为了建立灵活多适应性的安全机制, 将云与可信的概念相结合, 是现今安全领域的一个主要研究方向。为进一步解决云计算安全问题, 对云计算环境下的一些可信技术进行了研究, 并在此基础上提出了一种新的逆向云生成算法。该算法基于原一维逆向云算法, 使用主观信任云的期望和超熵对信任客体的可信度进行了评价, 为网上交易的信任决策提供了依据。对实验数据的分析表明, 与传统的算法相比, 此算法在信任度的可靠性和稳定性上存在比较明显的优势。     

基于Map-Reduce模型的云资源调度方法研究

为提高Map-Reduce模型资源调度问题的求解效能,分别考虑Map和Reduce阶段的调度过程,建立带服务质量(QoS)约束的多目标资源调度模型,并提出用于模型求解的混沌多目标粒子群算法。算法采用信息熵理论来维护非支配解集,以保持解的多样性和分布均匀性;在利用Sigma方法实现快速收敛的基础上,引入混沌扰动机制,以提高种群多样性和算法全局寻优能力,避免算法陷入局部最优。实验表明,算法求解所需的迭代次数少,得到的非支配解分布均匀。Map-Reduce资源调度问题的求解过程中,在收敛性和解集的多样性方面,所提算法均明显优于传统多目标粒子群算法。     

基于封闭式核心云端的无限云架构与安全

文章介绍了以封闭式安全结构基础云端为核心,通过云客户端软件,将用户计算机扩展为新的开放式的外围云计算结构的无限云整体架构,并从无限云的结构、管理、安全等方面阐述了无限云架构可行性方式,该架构对降低云业务成本具有显著优势。     

基于SecLA的云服务商选择方法研究

云计算应用领域不断拓展,用户越来越关注云服务的安全性,现有云服务商选择方法主要考量性能和费用,缺乏有效的安全属性考评方法,为此提出了基于安全等级协议的云安全量化评比方法。基于云安全联盟的云控制矩阵及配套共识评估问卷,设计了云服务商安全指标体系及量化评分模型;对Web服务协议框架进行扩展,设计了云安全等级协议的模板框架;引入负提供参数来增强比较优势度法,实现了云安全等级的量化评比。实验检验了系列方法的可行性及有效性,与参数评估方法、简单线性加权方法等的对比表明,优先度排序更加合理,负提供参数对决策起到了良好的辅助效果。     

基于天牛群优化算法的多机PSS参数优化北大核心CSCD

为抑制多机电力系统的低频振荡,提出将天牛群优化(BSO)算法应用到多机电力系统稳定器(PSS)的参数协调优化中。采用传统的超前-滞后型PSS模型,将PSS参数的协调配置问题转化为一个函数优化问题。首先利用Prony算法对振荡信号进行机电模式辨识,然后通过BSO算法迭代寻优最佳PSS参数。通过MATLAB软件搭建IEEE四机两区域系统,将优化好的参数应用到多机电力系统仿真中测试其准确性。仿真结果表明,相比于粒子群优化(PSO)算法、分层多子群的均匀分布混沌粒子群优化(HUCPSO)算法,BSO算法具有更好的寻优能力,由该算法优化的PSS在改善系统阻尼和小信号稳定性方面具有良好的效果和性能。