基于滑动区域的粒子群虚拟网节能映射算法

针对传统虚拟网节能映射中存在的节点映射分散、链路映射跳数多等问题,利用虚拟网请求的最小生成树拓扑将节点和链路同时映射,该文提出了基于滑动区域的粒子群虚拟网节能映射算法(EVNE_SRPS)。当一个虚拟网请求到达时,生成其最小生成树拓扑,根节点为路径和最短的节点;在底层网络随机选取多个区域作为粒子对象,并在区域中心映射虚拟网请求的最小生成树拓扑;计算粒子的适应度,求出群体和个体最优解,并在最优解的指导下确定滑动方向、更新区域位置,经过迭代后得到虚拟网的映射方案。实验结果表明,与现有算法相比,该算法降低了网络能耗,提高了运营商的收益成本比。     

结合极值优化的多粒子群协同进化算法

多粒子群协同进化算法是一种群智能算法,具有智能性、通用性、并行性和全局搜索能力,能够很好地解决全局寻优问题,但其保持粒子多样性的机制和协同进化的机制有待做进一步的改进.为了进一步提高多粒子群协同进化算法的寻优效率,提出了一种结合极值优化的多粒子群协同进化算法,它将多粒子群协同进化算法的全局搜索能力与极值优化算法的局部搜索能力进行了结合.最后通过实验验证了该算法的有效性.     

环境自适应的拓扑联合感知虚拟网映射算法

针对虚拟网映射算法环境适应度低、拓扑关联性较差且映射开销较大的问题,该文提出一种环境自适应的拓扑联合感知虚拟网映射算法。首先提出一种加权相对熵排序方法对具有多指标的节点进行量化处理,依环境变化赋予节点指标不同的权值;在虚拟节点排序阶段采用加权相对熵和广度优先搜索算法双重排序,物理节点排序中引入就近度与加权相对熵算法配合使用,实现了对虚拟拓扑和物理拓扑的联合感知;最后利用k-最短路径算法完成虚拟链路映射。仿真结果表明,该算法依据环境变化自适应调整指标权值,提高了虚拟网映射成功率和收益开销比。     

混沌差分进化粒子群协同优化算法

为有效地改善差分进化粒子群算法的性能,结合反向学习策略和信息交互机制,提出了一种新的混沌差分粒子群协同优化算法.该算法采用反向学习策略产生初始种群,使得初始个体尽可能均匀分布,然后将初始种群随机等分为双种群,对双种群分别采用改进的混沌差分进化算法和混沌粒子群优化算法进行协同寻优,并在双种群中引入信息交互学习机制,在维持种群多样性的同时加快收敛速度.通过对四个复杂高维的标准函数寻优测试,仿真结果表明,该算法能有效避免早熟收敛,收敛速度快,寻优精度较高,具有良好的全局搜索能力,鲁棒性好.     

精英免疫克隆选择的协同进化粒子群算法

提出一种精英免疫克隆选择的协同进化粒子群算法（Elite immune clonal selection co-evolutionary particle swarm optimization,EICS-CPSO）.算法借鉴了协同进化思想和精英策略,基于精英种群与普通群体并行协同进化框架.高适应度的精英个体组成精英团体,运用自适应小波变异的免疫克隆选择算子对精英团体进行提升引导操作.普通种群间个体极值采用柯西交互学习机制提高微粒个体极值收敛性能;迁移操作进一步推进了整体信息共享与协同进化.实验结果表明该算法收敛精度快且全局搜索能力强,且具有较好的动态优化性能.实验分析表明该算法对参数不敏感,易于使用.     

分布式环境中基于协商的虚拟网映射算法

网络虚拟化技术可以在共享的底层物理网络上为用户同时提供多种可定制的服务网络。目前的虚拟网映射算法比较依赖于集中式的管理节点,使其在可靠性和适用范围等方面存在诸多问题。为此,提出了一种分布式环境下的虚拟网映射算法,该算法通过多个节点之间的相互协商来完成虚拟网的映射,并且在降低通信开销和缩短虚拟链路的路径长度方面进行了相应改进。实验结果表明,该算法与同类型算法相比,在资源利用率和通信开销方面具有一定的优越性。     

基于粒子群和差分进化的混合算法的配电网重构

根据粒子群和差分进化算法的特点相结合,提出了一种混合算法来解决配电网重构问题。并对粒子群和差分进化的混合算法原理作了详细的描述,根据电力系统的特点对配电网重构混合算法的具体步骤作了详细的描述。该算法以网络损耗最小为目标函数应用于IEEE16节点典型模型的配电网络重构中,仿真的结果表明,该混合算法在重构问题中的可行性和有效性。     

基于粒子群选优相似性的协同过滤算法

协同过滤算法中最重要的是计算用户或项目之间的相似性,文中提出一种基于粒子群选优的相似性计算指标,适用于所有的协同过滤推荐系统。该度量指标是通过一个简单的线性组合得到,其中参数的选定主要依靠粒子群选优算法。在实施推荐算法前,在特定的数据集上通过粒子群选优算法得到最优的组合参数,在实施推荐算法时,运用前期学到的参数进行相应的推荐。实验结果表明文中提出的算法能显著性提高整个系统的推荐质量。     

巨量二维粒子群分组协同算法

针对传统粒子群算法对巨量粒子群收敛时间长且易于陷入局部收敛的现象,提出一种分组协同粒子群优化算法,在巨量粒子群搜索过程中对粒子群进行编组分别独立进化,并针对进化过程中新进的粒子群进行再编组参与进化。在搜索过程中各组的粒子动态的变化,有新加入的粒子也有进入临界区间的粒子,等待各组粒子都进入到临界区间后对所有粒子进行整合再搜索,粒子从分组再到整合可以有效地避免粒子陷入局部收敛,此外再搜索的过程中粒子分布比较集中,则会有较快的收敛速度。文中首先对粒子群模型进行了定义,然后具体描述了粒子群搜索过程中的分组算法,最后对算法进行了验证分析,证明了算法的有效性。     

空间映射粒子群算法用于电磁优化计算

将粒子群算法与空间映射算法相结合,提出了一种空间映射粒子群优化算法,并用于电磁问题的优化计算.算法实现过程中,将电磁仿真计算中精确网格剖分的计算模型作为精确模型,将粗糙网格剖分计算模型作为粗糙模型,在粒子群算法中计算粒子适应度前,使用粗糙模型结合基于卡尔曼滤波的映射关系,估计出粒子是否对算法最优解更新有效,并对有效的部分粒子做适应度计算,可以很大程度上减少算法的计算耗时.通过E型贴片天线和谐振腔缝隙天线的优化仿真说明了本算法的有效性.     

基于粒子群优化的虚拟网络映射算法

本文以提高底层网络资源利用效率为目标,在底层网络不需要支持路径分裂的情况下,建立了虚拟网络映射问题的整数线性规划模型,并提出了一种新的基于粒子群优化的虚拟网络映射算法.该算法以映射开销作为适应度函数,重新对粒子的参数和相关操作进行了定义.模拟实验结果表明,与已有研究成果相比,该算法显著地提高了底层网络长期平均运营收益与...     

基于自适应变异粒子群优化算法的自适应滤波器设计

本文提出了设计一种基于自适应变异粒子群优化算法的振动信号的自适应滤波模型，然后重点研究了自适应数字滤波器设计的粒子群优化算法及其实现步骤。该滤波模型在计算机仿真测试中，获得了很高的效率和良好的结果。     

动态自适应微粒群优化算法

群体智能是目前智能领域非常活跃的新兴研究领域,微粒群算法作为其典型的实现形式,受到普遍的关注.本文分析了基本微粒群算法的特点,改善了动态自适应微粒群优化算法,实验结果证明该方法的优越性.     

基于粒子群优化和小波变换的视频水印算法

为了保护数字视频的版权,提出一种基于粒子群优化和小波变换的视频水印算法,首先对水印图像进行Arnold变换与Logistic混沌映射相结合的灰度置乱预处理以增强其安全性能;再利用直方图帧差法将视频流分为不同的场景,通过密钥从中选取若干场景进行三级三维小波变换;最后借助乘法嵌入方式把水印信息嵌入到小波变换域的中频部分,水印的嵌入强度则由粒子群优化算法(PSO)搜索得出.仿真实验结果表明,该算法能较好的体现水印的鲁棒性和不可见性.     

基于粒子群优化的神经网络训练算法研究

本文提出了基于连接结构优化的粒子群优化算法(SPSO)用于神经网络训练,该算法在训练神经网络权值的同时优化其连接结构,删除冗余连接,使神经网络获得与模式分类问题匹配的信息处理能力.经SPSO训练的神经网络应用于Iris,Ionosphere以及Breast cancer模式分类问题,能够部分消除冗余分类参数及冗余连接结构对分类性能的影响.与BP算法及遗传算法比较,该算法在提高分类误差精度的同时可加快训练收敛的速度.仿真结果表明,SPSO是有效的神经网络训练算法.     

Adaptive Multi-layer Particle Swarm Optimization with Neighborhood Search

Particle swarm optimization (PSO) has shown a good performance on solving global optimization problems.Traditional PSO has two main drawbacks of premature convergence and low convergence speed,especially on complex problems.This paper presents a new approach called Adaptive multi-layer particle swarm optimization with neighborhood search (AMPSONS),where the traditional PSO is improved by employing an adaptive multi-layer search and neighborhood search strategy to achieve a trade-off between exploitation and exploration abilities.In order to evaluate the performance of the proposed AMPSONS algorithm,the performance of AMPSONS is compared with five other PSO family algorithms,namely,CLPSO,DNLPSO,DNSPSO,global MLPSO and local MLPSO on a set of benchmark functions.The comparison results show that AMPSONS has a promising performance on majority of the test functions.     

基于混合粒子群算法的计算卸载成本优化

为了满足用户日益增长的计算密集型和时延敏感型服务需求,同时最小化计算任务的处理成本,在时延约束下,该文针对超密集异构边缘计算网络,构建了有关任务卸载、无线资源管理、计算资源块分配的联合优化问题。考虑到所规划的问题具有非线性和混合整数的形式,且为满足约束条件及提升算法收敛速率,通过改进分层自适应搜索(HAS)算法设计了混合粒子群优化 (HPSO)算法来求解所提出的问题。仿真结果表明,HPSO算法明显优于现有算法,能有效降低任务处理成本。