基于线性约束的多参数优化的QoS路由算法

选取带宽作为约束条件，把时延和丢失率作为QoS优化目标，建立了QoS路由选择的多目标整数优化模型，并给出了求解模型的算法。实例计算结果表明了算法的可行性。     

基于遗传算法求解Ad Hoc网络路由问题

目前某些AdHoc网络中的QoS路由算法难以满足军事系统中一些特定业务对于多个目标的同时要求。针对该问题,提出一种以时延作为约束条件,链路代价作为QoS优化目标的QoS路由选择整数规划模型,并用遗传算法求解该模型。     

一种基于 TCP/IP的QoS路由多目标遗传算法

对网络拓扑结构和QoS路由指标进行了形式化分析,基于多目标规划问题,给出了QoS路由数学模型.针对这个模型,提出了一种基于TCP以P的QoS路由多目标遗传算法(Multi-Object Genetic Algorithm of QoS Routing,QRMOGA).通过仿真实验证明算法是可行的、有效率的.     

基于混合遗传算法的多播路由多目标优化

互联网不断增长的多媒体应用引发人们研究如何满足这些应用的服务质量(QoS)约束.目前网络中多主机之间的多播通信一般需要严格的多个QoS保证,文中描述了一种适应于研究多播QoS路由多目标优化的网络模型,在此基础上提出了基于遗传算法和禁忌搜索混合策略的,具有多目标的多播路由QoS优化方法,以克服遗传算法的爬山能力差以及不成熟收敛等问题.此外还采用了改进的多播树编码方法及高效的遗传操作,同时还优化时延、丢包率和带宽利用率等不同的参数.实验结果表明,该算法为多播路由QoS多目标优化问题的求解提供了一种有效的新途径.     

基于多目标规划的QoS路由选择的数学模型及优化算法

QoS路由选择是一个基于多约束条件的优化问题。 QoS路由选择应该满足业务的QoS需求和尽可能充分利用网络资源两方面的要求。该文从这两方面的要求出发，给出了QoS参数和网络资源利用率的数学描述，建立了QoS路由选择的多目标规划模型，根据该模型，给出了算法。并用仿真实验来验证所提出的模型和算法的有效性。     

卫星网络中基于多QoS约束的蚁群优化路由算法

针对蚁群算法在求解多目标优化问题时存在收敛速度慢、容易陷入局部最优解等问题,提出一种面向卫星网络的多约束QoS路由算法。通过改进蚁群算法的启发函数,将链路QoS信息作为蚂蚁选择下一跳节点的重要依据,并结合排序思想与最大最小蚂蚁算法优化信息素更新规则,获取符合当前业务的最优QoS路径。实验结果表明,该算法在满足卫星网络业务多QoS需求的同时,具有良好的收敛速度和寻优能力。     

基于遗传算法的QoS路由多目标规划模型

本文根据多目标遗传算法的智能优化原理,提出了一种QoS路由多目标规划模型,同时采用Prüfer编码和小生境技术,提出求解该模型的遗传算法,并分析了算法的复杂性。     

基于多QoS约束的网格任务调度算法

提出一种基于QoS的网格资源管理模型和此模型下基于多QoS约束的网格任务调度算法。引入效益函数对QoS描述建模,为网格任务调度算法提供合理的优化目标。在此基础上改进传统调度算法得到基于多QoS约束的调度算法。实验表明,改进后的算法有更好的性能,更适合应用于网格环境中。     

基于遗传算法的WMSNs多路径多目标优化路由算法

针对WMSNs路由算法设计的需求,依据遗传算法的基本原理和Pareto多目标优化方法,提出WMSNs多路径多目标优化路由算法MMOR-GA。该算法充分利用基站的存储空间充裕、能量充足和计算能力强的优势,在全局范围内搜索WMSNs多路径多目标优化路由。同时构建了基于前向邻居概念的网络模型和多目标优化函数,设计特定的编码方案及选择、交叉、变异算子。将MMOR-GA和TPGF进行模拟仿真实验,结果表明MMOR-GA算法能均衡有效地提高WMSNs路由的多QoS参数。     

基于多目标粒子群优化算法的Web服务组合

基于服务质量(QoS)的Web服务组合是一个非线性、多目标优化求解问题,属于NP难问题.提出一种多目标粒子群优化算法来求解基于QoS的Web服务组合问题,在Web服务组合模型中考虑了服务执行代价、时间、可用性等五方面的因素.针对基于QoS的Web服务组合特点,借鉴运动学速度分解原理对粒子每维的速度进行相应分解,采用多目标指导粒子的飞行;基于Pareto支配关系来更新粒子的个体极值,采用精英归档技术维持种群多样性,粒子的全局极值由外部档案库中的非劣最优解提供;针对粒子群易陷入局部最优问题,采用了变异策略来改善.与基于遗传算法的Web服务组合算法相比,基于多目标粒子群优化的Web服务组合算法可以快速收敛,并获得综合QoS较好的解.     

基于改进遗传算法的QoS路由选择优化

提出了一种基于改进遗传算法的QoS路由选择优化算法,采用网络资源消耗和负载分布为目标函数,凫目标函数包含了带宽、跳数、费用、时延等QoS参数。该算法在消耗网络资源最小的基础上,使负载均衡分布,合理利用了网络资源,降低了网络的拥塞,提高了网络的吞吐量。仿真计算的结果表明,该算法在解决多目标规划问题上是一个有效、可行的方法。     

运输方式选择多目标优化问题的混合遗传算法

多式联运运输方式选择问题直接关系到货物运输的费用、时间和运输质量。首先分析了多式联运运输方式选择多目标优化问题的数学模型及虚拟运输网络图;其次,将基于信息熵的多属性决策方法引入适应度函数的设计中,提出了一种求解多式联运运输方式选择多目标优化问题的混合遗传算法,给出了染色体编码、遗传算子设计、染色体有效性判断和修正的方法;最后用示例对算法的有效性进行了验证。     

Deep Mining of Redundant Data in Wireless Sensor Network Based on Genetic Algorithm

Mining effective data from wireless sensor network node data is one of the main subjects in studies concerning wireless sensor network data processing. Wireless sensor network data are muli-dimensional and dynamic. Generally, data mining technology cannot satisfy the requirements of wireless sensor network. A large amount of accumulated and redundant wireless sensor network monitoring data reduces the efficiency of data processing. To solve the above problems, this study proposed a data mining algorithm, which integrated rough set algorithm and genetic algorithm to mine redundant data in node network data. The results of the simulated calculation based on MATLAB platform suggested that the identification rate, false accept rate and reject rate of the proposed algorithm were 94.65, 1.753 and 2.331%; compared to network data mining algorithm based on improved genetic algorithm, it has higher efficiency and accuracy in data mining. The algorithm could effectively excavate redundant data in wireless sensor network and optimize the operation environment of wireless sensor network. The application of the rough set and genetic algorithm based data mining algorithm in wireless network has a promising prospect.     

一种优化算法物联网技术分布式协作路由研究

研究无线传感器网络分布式协作优化问题。针对无线传感器网络资源利用率和传输效率低下等问题,建立了一种基于遗传优化算法的无线信道质量预测的分布式优化协作路由技术。该技术充分利用遗传算法,采用启发式方法建立无线链路信道信噪比预测模型,然后根据信道质量选择最优者作为协作节点,以较小代价在动态无线网络拓扑中搜寻到最优路由。数学分析表明,遗传算法收敛速度快、可靠性高,可以准确地预测无线链路质量;同时该协作路由技术对无线传感器网络具有更好的适应性,并有效延长了网络生命周期。     

全局多极团的分层关联多目标跟踪

目的 由于背景的复杂性,光照的多变性以及目标的相关性等因素的影响,使得多目标跟踪算法的鲁棒性相对较差。目前,在多目标跟踪问题中面临的主要挑战包括：遮挡、误检、目标运动的复杂性以及由于目标具有相似的外观特征所引起的模糊性。针对以上问题,提出一种基于全局多极团的分层关联多目标跟踪算法。方法 该方法以数据关联中的全局关联为依托,基于分层和网络流思想,跟踪采用两层框架,每一层中均利用较短的轨迹片段形成更长的轨迹,根据网络流思想,首先构建网络的无向图,其中无向图的结点是由几个轨迹片段构成的,无向图权值的确定是利用目标的运动模型和外观模型的线性组合得到,然后借助聚合虚拟结点处理目标之间的遮挡问题,接着重点加入空间约束以解决身份转换的问题。最后利用最大二值整数规划在叠加片段上求解无向图,同时得到多个极大团。结果 实验在公共数据集上进行,通过在TUD-Stadmitte、TUD-Crossing、PETS2009、Parking Lot 1、Parking Lot 2、Town Center这6个数据集上验证,该方法对各个数据集跟踪准确度均有提高,其中针对数据集TUD-Stadmitte提高了5%以上,针对数据集Town Center处理的身份转换数量减少了12个。结论 本文依据数据关联思想,提出一种全局多极团的分层关联多目标跟踪算法,其中重点加入的空间约束能有效地处理多目标跟踪问题,尤其涉及遮挡问题,效果更佳。在智能视频监控领域中该方法具有实际应用价值。     

基于SimpliciTI协议的无线传感器网络设计

针对GPRS、ZigBee、WiFi等国际标准无线传感器网络通信协议价格高、对硬件要求高等问题,提出采用适用于小型射频网络的低功耗SimpliciTI协议设计无线传感器网络的方案。首先介绍了SimpliciTI协议的基本原理;然后给出了一种采用CC2500射频收发芯片和MSP430超低功耗微处理器芯片的无线传感器节点的电路设计方案,并介绍了基于SimpliciTI协议的无线传感器网络的组网及通信过程;最后介绍了基于距离的无线传感器网络定位算法,并针对常用的多边定位算法误差较大的问题,提出了一种改进的定位算法,即通过实际距离和估算距离的误差平方最小化来计算节点坐标的误差修正值,并采用二维双曲线算法修正未知节点的初始定位坐标,从而提高定位精度。     

基于遗传算法的自动组卷研究

随着基于网络的各种考试的引入和广泛应用,计算机组卷的算法得到了广泛的研究.计算机自动组卷是一个带约束的多目标优化问题,可以通过遗传算法采解决,并可以根据实际问题选择个性化的编码方案,提高遗传算法的效率.通过对计算机组卷问题及和遗传算法的分析,给出了一种基于遗传算法的计算机自动组卷算法.     

基于加速度传感器的建筑工地广域无线防盗系统

针对目前建筑工地上存在的建筑材料及机械设备频繁被盗事件,论文提出利用加速度传感器对各物体的振动进行监测,通过分析加速度信号的标准差对偷盗事件作出判断;结合Zigbee无线传感器网络和GPRS构建了以移动手持终端、本地和远程两级控制中心组成的广域无线分簇式监测网络。论文给出了详细的系统结构和软硬件设计。实验表明,系统可有效排除偶然扰动和周期扰动,无线网络传输稳定,准确性高。系统稍加改进即可应用于其他广域防盗监测环境中。     

无人车驾驶场景下的多目标车辆与行人跟踪算法

考虑到现有的基于检测的多目标跟踪算法多会出现因目标漏检或数据关联算法冗余而造成的目标ID频繁切换、跟踪轨迹断开等问题,提出了无人车驾驶场景下的多目标车辆与行人跟踪算法.首先,选取CenterNet网络作为目标检测器,并用嵌入了1×1卷积和SE-Net的Res2Net来替代网络原有的残差单元,以提升网络对空间信息和通道信息的提取能力,提高目标检测器性能.接着,用孪生网络来提取目标所在区域的特征,进行关联概率度量,再用匈牙利算法对相邻帧目标进行关联.最后,用区域推荐网络设计的辅助跟踪器对漏检或消失又出现的目标进行持续跟踪,并将可靠的跟踪结果合并到轨迹中.实验结果表明,与已有的方法对比,所提方法在KITTI跟踪基准数据集上对于车辆与行人的跟踪具有竞争力.     

交通监控场景中的车辆检测与跟踪算法研究

考虑多目标跟踪过程中存在的实时性和身份跳变问题,提出一种基于检测的多车辆跟踪算法。首先利用Mobilenetv2替换YOLOv3检测算法的主干网络,构建目标检测模块YOLOv3-Mobilenetv2,减少检测算法模型参数,提高检测模块的运行速度;在Mobilenetv2中引入Bottom-up连接,增强多尺度特征图间的信息融合;然后构建基于LSTM的运动模型,解决卡尔曼滤波在非线性系统中产生的预测误差,基于Deepsort跟踪算法,引入LSTM运动模型,形成L-Deepsort跟踪算法;改进L-Deepsort跟踪算法外观匹配策略,提升目标间的关联性;最后融合轻量级目标检测算法YOLOv3-Mobilenetv2与多目标跟踪算法L-Deepsort,形成MYL-Deepsort多车辆跟踪算法,实现多车辆的实时准确跟踪。实验结果表明,该方法在跟踪性能提升的情况下,速度较YOLOv3-Deepsort提高21 frame/s,在TX2平台达到13 frame/s。