Method for distributed deployment of the virtual network function manager for MEC

Aiming at achieving efficient virtual network function deployment under the Mobile edge computing (MEC) architecture,a virtual network function manager (VNFM) deployment method based on the immune optimization algorithm is proposed.First,a mixed integer programming model is used to build the mathematical model of VNFM deployment.Then,a deployment solution based on the immune optimization algorithm is given.Aiming at obtaining the optimal deployment solution towards the minimum communication cost,the algorithm comprehensively considers the antibody affinity and antigen affinity of chromosomes with respect to individual fitness in the population and the diversity characteristics of the immune system,respectively.Simulation results show that compared with the current deployment method,the individual evaluation mechanism of the proposed algorithm can more effectively evaluate the fitness and similarity of individuals in VNFM deployment problems.The proposed method can effectively prevent the algorithm from falling into the local optimum during the deployment process.The optimal solution improves the performance of the algorithm;it can speed up the algorithm’s convergence efficiency and simultaneously reduce the CPU time for algorithm execution.     

一种采用并行免疫优化的频谱分配算法

基于图论的认知无线网络频谱分配是一个NP难问题,智能优化是求解此问题的有效方法．由于实时性是认知无线网络频谱分配不同于其他无线网络频谱分配的显著特点,故提出了一种基于主从式并行模型的并行免疫优化频谱分配算法,即在多个节点上同时并行计算种群中抗体的亲和度．给出了算法的主要思想、关键技术及基本实现步骤．仿真实验结果表明,该算法可以获得更高的网络收益,缩短频谱分配时间．与传统的经典串行算法相比,可以获得较理想的加速比和效率．     

基于免疫粒子群优化算法的多用户检测器

该文将免疫系统的免疫机制引入到粒子群优化算法的设计中.模拟免疫系统、群集智能的信息处理机制,提出了免疫粒子群优化算法.这种免疫粒子群算法结合了粒子群的近似全局优化能力和由Hopfield神经网络构成的免疫系统的快速信息处理机制,加快了算法的收敛速度,并提高了粒子群算法的全局收敛能力.然后在CDMA系统中,利用此算法设计了多用户检测器,仿真结果证明该文的方法能够快速收敛到全局最优解,并且抗多址干扰能力和抗远近效应能力都优于传统方法和一些应用优化算法的多用户检测器.     

改进的免疫算法在函数优化中的应用

针对遗传算法群体多样性保持能力不足,易陷入局部最优等缺点,提出了一种改进的免疫算法(Im-proved Artificial Immune Algorithm,IAIA),并将其与函数优化相结合,用于解决多模函数优化问题.用个体的实数值根据欧式距离进行适当的聚类分析,认为类内个体均具有相同的浓度值,用个体的二进制编码计算类的平均信息熵,进而得到浓度值,用以取代了标准人工免疫算法(Artificial Immune Algorithm,AIA)中计算任意两个体间信息熵的算法;根据个体适应值和浓度控制个体的繁殖率,该算法在保持与AIA相近的多样性和收敛性的同时,达到减少算法的时间复杂性,提高计算效率的目的.测试实验表明,对单模和多模函数优化问题,以及在高维的情况下,IAIA有较高的解质量及较短的运算时间,显示出良好的性能.     

一种社会网络搜索免疫优化算法

基于社会网络所表现出的强大的信息搜索和传播能力,提出了一种新颖的免疫优化算法--社会网络搜索免疫优化算法．该算法将优化问题的求解看作是信息的传递过程,利用经典社会网络搜索模型即Kleinberg网络模型的建模方法来构造免疫算法的寻优进化过程．通过网络的结构增长机制,分别由短程连接算子和长程连接算子来引入抗体种群中的新个体．当搜索进行到一定程度时,自适应地调整长程连接搜索概率,避免算法陷入局部极值,能够最终找到目标的最优解．短程连接算子和长程连接算子的引入充分利用了抗体种群的结构信息,加快了种群收敛速度,同时降低了算法陷入局部极值点的概率．通过对复杂函数优化问题的测试、理论分析及实验结果表明,与粒子群算法、克隆选择算法等已有算法相比,新算法可以更好地保持解的多样性,收敛速度快,求解精度高,鲁棒性强．     

一种改进混沌神经网络及其在组合优化问题中的应用

在传统的混沌神经网络模型基础上,提出了一种改进的混沌神经网络(ICNN) .通过引入时变的输出函数增益和修正自反馈系数的表达式,使该模型可有效地控制Sigmoid输出函数图形的陡度和模型演化中混沌动态的收敛过程,从而拥有更丰富的神经动力学特性与初值鲁棒性.该模型可有效地解决一系列组合优化问题(COP) ,解决了10个与4 8个城市的TSP问题     

基于危险理论的自适应免疫算法

针对克隆选择算法自适应能力和多值搜索能力较弱的不足,提出了一种基于危险理论的自适应免疫算法.算法中引人种群环境和抗体危险信号引导自适应免疫应答过程,增强了种群多样性,避免了算法过早收敛.利用Markov链证明了算法的收敛性,分析了算法的复杂度.针对经典benchmark函数的仿真实验结果表明,相比克隆选择算法,本算法具有良好的全局收敛能力和多值搜索能力,且具备较快的收敛速度和求解精度.     

改进免疫算法在电力系统有功优化中的应用

免疫算法(ImmuneAlgorithm,IA)是在免疫系统识别多样性的启发下所设计出的一种新的多峰值函数的寻优算法,它具有抗原识别、记忆、抗体的抑制和促进等显著特点,能实现精确控制群体多样性和特异性。IA 将目标函数和约束条件比作抗原,将问题的解比作抗体。通过亲和度的计算来评价抗体并促进或抑制抗体的产生,减小了进化过程陷入局部最优解的可能性;通过抗原记忆,提高了局部搜索能力,加快了计算速度。将 IA 用于 IEEE30节点系统的有功最优潮流计算,并与传统牛顿算法的计算结果进行了比较,结果表明 IA 能够以更快的速度得到最优解。     

一种免疫补体优化算法

针对目前提出的免疫优化算法在求解优化问题时还存在收敛速度慢,往往不能求得最优解,鲁棒性低的问题,基于生物免疫补体激活原理,提出了一种免疫补体优化算法。在算法中,依据补体激活理论,设计了主要的补体算子：分裂算子和结合算子,并根据补体激活过程,通过补体算子的作用对问题解不断优化,求得全局最优解。最后对算法的收敛性和鲁棒性进行了理论分析,并将免疫补体优化算法与典型的克隆选择算法进行了对比实验。理论与实验结果表明了免疫补体优化算法是收敛的,并且收敛速度更快,求得的最优解更好,鲁棒性更高。     

基于改进粒子群算法的配电网网架优化研究

配电网网架优化是一个多目标综合优化问题,粒子群算法因其易实现、收敛速度快等特点逐渐成为电力系统优化领域研究热点之一. 针对粒子群算法易陷于局部最优问题,提出一种基于聚类策略的改进粒子群算法,动态地将粒子聚类为三种级别的粒子并对应采用不同的学习模型更新速度,增强了粒子群体多样性和全局搜索能力. 通过算例仿真验证了算法在配电网网架优化问题上的可行性.     

人工免疫响应的模型研究

根据人类免疫系统的免疫响应过程和免疫学中独特型免疫网络的假设,从免疫响应中B细胞的结合、B细胞的激励以及复制等方面入手,提出了建立人工免疫响应网络模型的新思想.描述了该免疫网络的结构模型、网络中各单元的相互作用和B细胞的克隆扩增以及网络结构的动态更新,并将网络对抗原的首次响应和二次响应进行了仿真.同人类的免疫系统类似,该免疫网络具有学习、记忆和辨识能力,同时具备分布、并行处理的特点.     

可迁移网格依赖任务重调度模型及算法

针对可迁移依赖任务的重调度问题,提出了基于约简DAG可迁移任务图的重调度模型,并基于免疫遗传算法实现了以提高应用性能为目标的求解算法.实验表明,与经典的动态调度算法Max Min和基于启发式的AHEFT静态算法相比较,由于调度目标的一致性,初始调度的性能在重调度过程中被较好地保持,并且由于任务迁移的支持和遗传算法在全局优化上的性能优势,应用性能得到较大提升;又由于任务图的约减过程和免疫因子对算法收敛的作用,提出的IGA算法效率得到显著改善,使资源动态性和异构性的适应能力得到进一步增强.     

一种多模态函数优化的免疫算法

结合免疫系统的研究成果,并基于克隆选择原理和免疫网络理论,设计并实现一种多模态免疫优化算法。算法的主要操作算子包括Baldwin效应设计、克隆选择、超变异及通过免疫网络调整对抗体相似性抑制等。通过对不同的多模态测试函数进行仿真实验,证明了算法具有较强的多模态函数优化能力。     

异构集群独立任务调度问题的自适应免疫算法

异构集群独立任务调度问题是一个典型的NP难题.面向这一难题,现有的启发式调度算法,如RC、DGA等都没能兼顾实时性与负载均衡能力.人工免疫是一个新的人工智能技术,在解决组合优化难题方面,表现出了较好的性能.文章建立了一个异构集群任务调度模型,基于免疫响应的克隆选择原理和亲和力成熟机制,提出了异构集群独立任务调度问题的自适应免疫算法(AIBA).在AIBA中,通过注入抗体和动态计算负载均衡阈值的方法,将LPT算法的实时性与人工免疫系统的组合优化能力有机地结合了起来.最后,通过模拟实验对算法进行了测试和比较.实验结果显示,与DGA相比,该算法具有自适应调整能力,能动态地兼顾实时性与负载均衡度指标,有很强的实用性.     

求解多峰函数优化问题的免疫量子进化算法

提出了一种求解多峰函数优化问题的免疫量子进化算法, 该算法依据小生境机制将量子表达的初始 种群划分为子群组, 再对每个子群组利用免疫特性的局域搜索能力包括抗体的克隆选择、记忆细胞产生、免疫细胞 交叉变异、抗体的促进与抑制等进化机制, 找出局域最优解。最终算法可保持所有优化解。算法综合了量子计算的 天然并行性和免疫算法的充分自适应性, 它比传统的进化算法具有更好的种群多样性, 更快的收敛速度, 更有效的 全局和局域寻优能力;证明了算法的收敛性, 最后通过仿真实验表明了该算法的优越性。     

基于人工免疫的聚合重构资源自治分配

针对异构网络融合中的终端聚合重构模式,讨论了在付费激励机制下如何通过聚合资源提供者的动态定价来激励终端间的高效合作,引导系统资源分配的全局自治优化. 提出信息不完全情况下以人工免疫系统自适应控制模型为基础的自主定价方法（AISMAP）. 仿真结果表明,该方法能提高系统整体的资源收益,并能引导带宽资源分配自治实现全局均衡.     

改进免疫克隆选择算法在VRP中的应用

针对在求解车辆路径问题(VRP)中免疫克隆选择算法收敛速度慢,遗传算法易陷入局部最优解的缺点,对抗体亲和力求解方法做了改进.提出了基于亲和力排序的抗体相似性矩阵的概念,并将其应用于抗体抑制策略,进而设计出改进免疫克隆选择算法.仿真结果表明该算法比遗传算法求的解的质量更高,收敛速度比免疫克隆选择算法快.     

基于改进粒子群神经网络的提升机故障诊断

针对BP神经网络对提升机制动系统进行故障诊断存在着收敛速度慢和可靠性差等缺点,提出了一种基于粒子群神经网络的故障诊断方法.根据制动系统故障征兆与故障类型之间的非线性和耦合性,建立了提升机制动系统的故障诊断模型;采用改进的粒子群算法优化BP神经网络的连接权值和阈值,应用于制动系统的故障诊断,缩短了神经网络的训练时间,提高了故障诊断的精度.仿真结果表明该诊断方法具有故障诊断能力强和诊断效率高等特点.     

基于粒子群优化的无线Mesh网络信道分配算法

多信道多天线（MCMR）广泛被用于提升无线Mesh网络的性能,但现有信道分配算法存在两方面问题:算法的时间太长和空间复杂度过高,无法获得全局最优解;算法可扩展性差,无法适用于大规模的网络。为解决上述问题,该文借鉴粒子群优化算法在收敛快、开销小等方面的优势,以建模无线Mesh网络中的信道分配问题。通过网络信息的交换和干扰模型的定义,以最小化适应度函数为优化目标,以天线、可用信道数量、信号干扰等为约束条件,设计并实现了基于粒子群优化的信道分配算法（PSOCA）。仿真实验表明了算法的可行性,且与同类算法相比,该算法在网络吞吐量和丢包率两个方面具有明显的改善。     

分散式小世界优化策略

优化问题可以描述为在搜索空间中从候选解向最优解的信息传递过程，如果可以把解空间视为一个小世界网络，而其中的每一解个体视为该小世界网络中的一个节点，那么利用小世界现象有效的信息传递即可实现最优解的搜索。借鉴Kleinberg提出的小世界网络中分散式搜索模型以及给出的优化的网络描述，实现了一种新的优化策略——分散式小世界优化策略。理论分析及在针对性问题上的仿真实验表明该策略具有较快的收敛速度和良好的搜索性能。