超密集异构无线网络中基于移动轨迹预测的网络切换算法

随着5G技术的广泛应用，网络超密集化部署已成为必然趋势。超密集异构无线网络在实现网络高流量密度、高峰值速率性能的同时，给传统的网络切换算法带来了挑战，处于变速移动的终端会面临更频繁的切换问题，这将导致乒乓效应频率的显著提高，进而影响用户在网体验。针对上述问题，该文提出一种基于终端移动轨迹预测的网络切换算法，适用于各类型用户在高密度无线网络中的垂直切换和水平切换问题。首先，为了更高精度的移动轨迹预测，提出一种基于模糊核聚类和长短期记忆(LSTM)神经网络的预测方法，可以有效预测不同移动模式下用户终端的短时移动轨迹；之后，基于用户当前和预测位置，获取候选网络集合，通过候选集交运算法和指标阈值判断网络切换时机；当切换触发时，使用帝企鹅算法最优化网络选择。仿真结果表明，相比于其他类型的时间序列预测算法，该文提出的轨迹预测算法精度较高；同时相较对比算法，该文所提网络切换算法的切换次数适中，有效避免了乒乓效应，且提高了用户连接的网络质量。     

基于模糊需求和模糊运输时间的多式联运路径优化

考虑不确定性的模糊多式联运路径优化研究, 可以在满足运输方案经济环保双重要求的同时, 增强运输方案的鲁棒性, 提高企业的抗风险能力. 本文建立了模糊需求和模糊运输时间下低碳低成本多式联运路径优化模型,针对连续型元启发式算法无法直接求解离散型组合优化模型的问题, 设计了基于优先级的通用编码方式. 在此基础上, 为进一步提高算法的求解质量, 提出了带启发式因子的特殊解码方式, 并且提出了一种带邻域搜索策略的自适应差分进化算法. 结果表明, 改进算法获得的最终方案在蒙特卡罗采样的大多数场景下满足约束, 方案稳定性强,目标值最低.