A Monte Carlo Enhanced PSO Algorithm for Optimal QoM in Multi-Channel Wireless Networks

In wireless monitoring networks, wireless sniffers are distributed in a region to monitor the activities of users. It can be used for fault diagnosis, resource management and critical path analysis. Due to hardware limitations, wireless sniffers typically can only collect information on one channel at a time. Therefore, it is a key topic to optimize the channel selection for sniffers to maximize the information collected, so as to maximize the quality of monitoring (QoM) of the network. In this paper, a particle swarm optimization (PSO)-based solution is proposed to achieve the optimal channel selection. A2D mapping particle coding and its moving scheme are devised. Monte Carlo method is incorporated to revise the solution and significantly improve the convergence of the algorithm. The extensive simulations demonstrate that the Monte Carlo enhanced PSO (MC-PSO) algorithm outperforms the related algorithms evidently with higher monitoring quality, lower computation complexity, and faster convergence. The practical experiment also shows the feasibility of this algorithm.     

基于讨价还价的重叠联盟效用划分策略

重叠联盟效用划分是重叠联盟形成(OCF)中的一个难点问题.文中首先分析OCF中可能的资源冲突现象,推演OCF模型的若干性质,并在此基础上,采用讨价还价策略分派多任务,基于效用非减原则划分重叠联盟效用.最后通过实例分析验证文中方法的有效性.     

一种求解单任务Agent联盟生成的近似算法

联盟是多Agent之间一种重要的合作方法,如何生成面向某个任务的最优联盟是一个复杂的组合优化问题。本问题的特点是：包含较少Agent的联盟要优于包含较多Agent的联盟。根据此特点提出一种近似算法,比较实验结果表明本算法快速、有效。     

融合生成对抗网络和姿态估计的视频行人再识别方法

随着国家对社会公共安全的日益重视, 无重叠视域监控系统已大规模的普及.行人再识别任务通过匹配不同视域摄像机下的行人目标, 在当今环境下显得尤为重要.由于深度学习依赖大数据解决过拟合的特性, 针对当前视频行人再识别数据量较小和学习特征单一的问题, 我们提出了一种基于视频的改进行人再识别方法, 该方法通过生成对抗网络去生成视频帧序列来增加样本数量和加入了行人关节点的特征信息去提升模型效率.实验结果表明, 本文提出的改进方法可以有效地提高公开数据集的识别率, 在PRID2011, iLIDS-VID数据集上进行实验, Rank 1分别达到了80.2%和66.3 %.     

基于离散粒子群求解复杂联盟的并行生成

联盟生成是多agent系统中的一个关键问题。该文引入离散粒子群优化来解决这一问题,采用粒子的随机扰动避免了算法的早熟,设计一种二维二进制编码实现复杂联盟的并行生成,通过编码可行性检查、冲突消解和补偿策略克服了求解过程中的资源冲突和联盟死锁。仿真实验说明了算法的有效性。     

一种基于理性Agent的任务求解联盟形成策略

联盟形成是多 agent 系统中的一个关键问题, 主要着眼于如何在联盟内 agent 间划分联盟的效用. 但已有策略无法摆脱搭便车问题, 尤其是额外效用的分配没有确切反映出各 agent 对于联盟贡献的差异性, 导致联盟潜在的不稳定. 本文给出了一种新的联盟形成的行为策略, 在公平分配原则和无妒忌原则的基础上, 提高了对额外效用分配的合理性, 在具有超加性的面向任务的领域中可以形成全局最优联盟, 并具有 Nash 均衡意义下的稳定性.