基于网络延迟的检测点放置方法

为了解决网络延迟检测点的有效放置问题,根据网络节点之间的网络延迟,使用系统聚类法对网络节点进行聚类,并使用递归去除1度异常节点算法提高聚类效果.提出动态距离和最小算法,在聚类结果的类中选取对应的类中心,检测点放置在类中心上.仿真结果表明,系统聚类法中类平均法更适合对网络节点进行聚类,递归去除1度异常节点后能表现出更好的聚类效果,通过动态距离和最小算法能找到放置检测点的最佳位置.使用系统聚类法中的类平均法、递归去除1度异常节点算法、动态距离和最小算法,能有效地解决网络检测点的放置问题.     

一种基于复杂网络属性值的K-means聚类算法

传统K-means聚类算法的性能依赖于初始聚类中心的选择。本文将复杂网络节点的属性值作为节点的度、聚集度与聚集系数的加权值,通过计算所有节点的加权综合聚集特征值,选取综合聚集特征值高,并且彼此之间无高聚集性特征的个节点作为聚类的初始聚类中心,然后进行聚类迭代过程。实验结果表明,新算法对初始聚类中心的选取更迅速有效,避免了传统K-means算法初始聚类节点选取的敏感性,进而提高K-means算法的聚类质量。     

动态网络桥系数增量聚类算法

提出了一种在动态网络中发现社团结构的增量式聚类算法.基于动态网络中相邻采样时刻网络拓扑变化较小的特点,将网络前一时刻的社团结构作为当前时刻的初始聚类结果,利用边的桥系数判断网络拓扑变化对聚类结果的影响,局部调整初始聚类,最终得到符合当前网络拓扑的社团结构.通过和马尔可夫聚类算法进行比较,验证了本算法的精确性和高效性.实验结果表明,利用增量聚类算法分析动态网络,避免了对当前网络的重新聚类,可以快速、准确地发现动态网络社团结构.     

基于改进的标签传播算法的网络聚类方法

采用传统标签传播算法实现网络聚类时,由于标签初始分配过程随机、节点选择过程随机、且标签更新顺序随机的原因,影响聚类结果。为此,提出一种新的基于改进标签传播算法的网络聚类方法,即用图对网络进行描述,并为网络聚类提供基础。改进标签传播算法过程如下:求出网络中任意两节点拥有最大公共邻居的平均阶数,把相似性最高的节点和邻居节点看作初始核心社团,为其分配初始标签;引入基于随机游走的相似度矩阵,令节点选择和自身相似度最高的节点拥有的标签;通过H指数对标签算法更新顺序进行改进;依据改进后结果,按照标签传播算法网络聚类过程实现聚类。实验结果表明,本文所提的网络聚类方法具有更高的准确性和稳定性。     

基于萤火虫算法优化FCM的WSN路由算法

针对无线传感器网络节点能源有限,容易出现能量负载不均衡的问题,提出了一种基于萤火虫算法优化模糊C均值(FCM)的无线传感器网络(WSN)路由算法(FFACM),优化了分簇路由算法中的分簇阶段和簇间路由建立阶段。在分簇阶段,使用萤火虫算法计算初始聚类中心,避免模糊C均值算法因初始聚类中心而陷入局部最优的问题。在选择簇首节点上,建立关于剩余能量和距离的适应度函数,选取适应度值最大的节点作为簇首节点并动态更新。通过计算节点间的链路代价并根据剩余能量和到sink节点的距离建立代价函数,选择代价函数值最小的节点建立簇间多跳路由,使得簇首节点的负载降到最低。从仿真实验结果可知,相比于其他无线传感器网络的路由算法,FFACM算法能有效均衡网络负载,降低节点能耗,从而延长网络的使用周期。     

基于粗糙k-均值的分布式聚类算法

针对传统k-均值聚类算法中每个属性聚类作用相同而导致的聚类效果不佳,以及不适宜在传感器网络中使用等问题,在传感器网络中采用粗糙k-均值算法对数据进行分布式聚类,可减少网络负载和传感器节点能量的消耗.实验结果证明:该算法在聚类速度、聚类正确率、网络传输通信量等方面均优于传统k-均值算法.     

基于点距离和密度峰值聚类的社区发现方法

在复杂网络中节点相似度度量以及密度峰值聚类算法的基础上,提出了一种基于点距离和密度峰值聚类的社区发现方法。首先,提出了基于节点相似度和节点间最短距离的节点距离度量。然后,应用密度峰值聚类方法探究网络中的社区结构,密度峰值聚类算法不仅能够检测出各个社区中心并进行相应的社区扩展,而且能够避免参数选择过程。最后,通过与经典算法在真实数据集和人工合成数据集上的比较实验,充分验证了本文方法的可行性和有效性。     

基于改进人工鱼群算法和模糊C均值的WSN分簇算法

针对无线传感器网络（Wireless Sensor Networks,WSN）节点能耗不均衡问题,提出一种基于改进人工鱼群算法（Improved Artificial Fish Swarm Algorithm,IAFSA）和模糊C均值（Fuzzy C-Means,FCM）的分簇算法IAFCA。首先,IAFSA改进搜素视野及步长,避免迭代解陷入局部最优解,并将最终的迭代解作为FCM的初始聚类中心,克服FCM对初始解的敏感性。其次,FCM在确定最佳簇头数目的基础上,根据节点间的距离相似性,有效建立起节点与聚类中心间的不确定性关系,合理进行节点分簇。最后,根据节点相对剩余能量和到聚类中心的距离两个参数选举出簇头。IAFCA分别在两种场景下进行仿真实验,并与低能耗自适应聚类层次协议（Low Energy Adaptive Clustering Hierarchy,LEACH）及其变种算法进行对比。实验结果表明,IAFCA在网络寿命和能量效率方面均优于传统的WSN分簇算法,有效延长了网络寿命,降低了节点能耗。     

一种基于动态规划的最小化最大加权响应时间的中心控制节点选举算法

为了最小化网络中任意节点到达中心控制节点的最大加权响应时间,提出了一种基于动态规划的中心控制节点选举算法。无线网络中的节点和链路的响应时间被建模为网络拓扑图中的节点权值和边权值,进而最小化网络中任意节点到达中心控制节点的最大加权响应时间的中心控制节点选举问题被建模为K-中心问题,其中K表示中心控制节点的个数。采用基于动态规划的插点法可求出任意2个点之间的最小加权响应时间,所建模的K-中心问题被转化为若干个R-控制集问题。将若干个R-控制集问题转化为若干个0-1整数规划问题,采用分支定界的方法逐个求解每个整数规划问题。给出了K=1时上述算法的简化实现方法,证明了所提算法的最优性并分析了算法的复杂度。仿真结果表明,所提算法选举的中心控制算法可最小化网络最大加权响应时间。     

使用证据累积的文本聚类谱算法

针对谱聚类算法相似度函数设置困难问题,提出了一种使用证据累积的文本聚类谱算法.该算法使用超球K均值算法对文本集进行多次聚类,并将每次得到的划分结果作为判断2个文本是否应该放在一个簇中的证据,由此构建文本的相似度矩阵和正则化拉普拉斯矩阵.在TREC和Reuters文本集上进行了实验,验证了本文算法的有效性,它比层次聚类算法和CLUTO提供的K均值算法更加优越.     

一种物联网系统层次型抗毁性拓扑构建方法

针对物联网系统复杂应用环境中由关键节点失效导致的系统拓扑结构的脆弱性问题,提出了一种抗毁性k-连通拓扑结构的构建方法.首先把系统分成若干个互不交叠的簇,然后对网络中存在的关键节点进行检测,并利用簇头节点的移动性构建以关键节点为中心的局部k-连通拓扑结构,达到去除关键节点和提高网络抗毁性的目的.构建了簇间的k-连通拓扑结构,给出了物联网智能安防系统应用仿真实验,并通过节点的介数中心性、网络的平均连通度和网络的鲁棒性验证了所提抗毁性方案的可行性和有效性.     

基于三元组信息的网络流量检测点选取算法

为了有效地选取网络流量检测点,根据流守恒假设,提出一种网络流量检测点选取算法．该算法将网络流量检测点选取问题抽象为图的弱顶点覆盖问题,使用三元组信息标记网络节点,通过比较和替换节点的三元组信息并根据最后的三元组信息,完成网络流量检测点的选取．仿真结果表明,新算法不需要了解网络拓扑的全局信息,能动态地排除无法部署的网络节点,有效地解决了网络流量检测点的选取问题．     

一种双层结构的分簇算法在VANET中的应用

为了解决车辆自组织网络中信息传递质量较差的问题,提出了一种基于权重的本地通信质量保证分簇算法,将分簇后的车辆节点划分为自组织层和对等层两层,自组织层节点使用车间通信方式进行通信,对等层节点利用3G、LTE等更可靠的传统通信方式进行通信。该算法对经典的权重分簇算法进行改进,以本地最优化代替全局最优化,引入保障通信质量最大可接受通信距离的概念,并提出了新的簇结构维护策略。仿真实验结果表明,与经典的权重分簇算法相比,该算法具有更高的簇结构稳定性和更高的分组投递率以及更低的开销。     

一种适用于(p+m)-中点问题的服务设施放置算法

针对雾计算应用中服务设施放置问题,将其建模成（p+m）-中点问题,提出了一种基于贪婪策略与禁忌搜索策略相结合的启发式服务设施放置算法.提出的算法适用于一般拓扑、任意需求分布的网络.性能分析结果表明,提出的算法是多项式时间的,在当扩展服务节点数和请求节点数相等时能够达到性能上的最优.仿真结果验证了新算法的有效性.     

无线带状传感网拓扑控制算法及其唤醒机制

为解决无线带状传感网中各节点能耗不均、易形成断路等问题,提出一种改进的拓扑控制方法及与之相符合的睡眠唤醒机制.在固定分簇的基础上,对簇头采用循环迁移调度机制以控制侦听/睡眠比和簇内外通信距离,并通过动态调整簇头的侦听时间以达到负载均衡.仿真结果表明,该算法能延长网络寿命,并提高网络后期监测区域完整性.     

基于基因表达式编程的复杂网络自动聚簇算法

在无先验知识的前提下,复杂网络聚簇需确定簇数并精确地将节点分配到其所属簇,而大部分传统聚簇方法无法自动确定簇数。为解决这一问题,结合GEP和信息论聚类框架,提出了复杂网络自动聚簇算法——AutoC-NC-GEP。算法为复杂网络聚簇建立了GEP结构模型,设计了有效的遗传算子,提出了"不完全聚簇划分"概念,并分别以Map Eqation和Modularity两种不同的网络社团结构量化函数为适应度函数,使用真实网络对算法的聚簇性能进行了测试。实验结果表明,在没有先验知识的前提下,AutoCNC-GEP算法不仅能正确解析网络的社团数量,还可以自动将节点精确地分配到其所属社团中,从而获得网络的最佳社团结构。     

面向QoS需求的分簇自组织网络路由算法

基于分布式分簇的网络管理架构,网络节点可以被划分成多个管理域,并由相应区域的簇首进行协同管理。为实现分布式网络场景中,业务差异化的服务质量（QoS）需求与多维度网络资源之间的高效按需匹配,提出了一种基于强化学习的路由调度算法,以降低端到端的时延和防止网络拥塞为目标,优化调度路径。所提算法可以通过簇首集中式和节点分布式2种方式实现,可以解决分布式环境下全局资源信息不完备的问题,有效保证跳变环境下网络的健壮性。将100个节点划分为4个管理域进行仿真验证。仿真结果表明,所提算法可以有效地降低业务的平均时延,并且在业务拒绝率、网络资源利用率方面均优于传统方法。     

一种高能效传感网路由控制算法

针对传感网络中节点能耗高的问题,提出了一种基于层次的多跳非均匀分簇路由算法UCER.该算法通过计算各层次中节点的平均剩余能量,挑选剩余能量高于层次平均能量的节点形成候选簇头集合,根据不同层次中候选簇头竞争半径的不同,在局部层次范围内竞争正式簇头,并建立非均匀簇结构.结果表明,与同类型分簇算法相比,UCER可以产生更加合理的簇头数量和簇头间距,并较好地均衡了各个簇及簇头的能耗,延长13. 4%的网络生存时间.