一个改进的AdHoc网络权值簇生成算法

AdHoc网络具有动态变化的拓扑结构,无中心和自组织的特点,如何对它进行有效的管理至今没有得到很好的解决。该文针对目前已有的一些簇算法的缺点并结合它们的优点,提出了一种改进的权值簇算法EWCA。该算法综合考虑了簇的稳定性、节点的电耗、网络的负载平衡、网络的吞吐率等几项网络指标,从而提高了网络管理的灵活性和可扩展性,使之更适合于管理大规模、多种环境的AdHoc无线网络。     

一种改进的WCA算法

在WCA的基础上,提出了EWCA（Enhanced Weighted Clustering Algorithm）算法,在提高性能的同时降低了开销,并保持了算法的通用性,移动自组网中通过模拟实验对该分簇算法与WCA算法进行了性能比较。     

神经网络预测控制及其在煤气生产过程中的应用研究

非线性、大滞后系统是工业生产过程中普遍存在的现象,被认为是物理系统中最难控制的重要环节。本文以水煤气生产过程为背景,对这类复杂非线性系统提出了一种基于改进B-P神经网络的预测控制方法,仿真结果表明该方法的有效性和快速性,从而为非线性、大滞后系统的实时智能优化控制的实现提出了一种有效的方法。     

移动群智感知中时间窗口相关的参与者选择机制

目前许多移动群智感知应用要求参与者收集一段时间内连续的感知数据,而现有研究在这方面却考虑不足。针对上述应用场景提出了时间窗口相关的参与者选择机制,主要包括基于动态规划算法设计了一种时间窗口相关的参与者选择方法,目标为覆盖任务时间段的同时最大化数据效益;参与者信誉值更新机制,根据参与者参与任务的意愿程度和数据质量更新参与者的信誉值。最后通过仿真实验与两种普遍应用的参与者选择方法作比较,实验证明所提出的参与者选择机制在数据可靠性、数据效益和感知成本等方面具有更好的效果,因此所提出的参与者选择机制在时间窗口相关的任务中有更好的应用前景。     

无线传感器网络RaSMaLai算法的改进

针对RaSMaLai算法有可能进入无效循环和无效等待状态的问题,对RaSMaLai进行了两点改进并提出了一种新的随机转换算法NRaSMaLai:改进一在算法初始化过程中遍历树中节点进行初始化检查,防止树进入无效等待状态;改进二在更新树操作过程中对树中最大负载节点及其所有子孙节点时进行状态检测,防止树进入无效循环状态。NRaSMaLai通过增大最小负载节点及其子孙节点的负载使树平衡。仿真实验表明,使用改进一、二的算法能使树达到平衡状态或更接近预设的平衡状态。当sink节点位于区域中心时,NRaSMaLai使树平衡时所需的迭代步数减小为原来的1/5并很少出现振荡,对使数据收集树快速收敛并延长网络寿命具有重要意义。     

高校西向教室天然光环境分析研究——以河北工业大学北辰校区为例

本文通过对河北工业大学北辰校区西向教室天然光环境的现场实测和对测量结果的分析,找出了该教室天然光环境存在的问题,提出了在教室东侧墙面增设高侧窗及在西向窗口增加遮阳设施等建议,对此类西向教室的设计具有一定的指导作用。     

基于文化算法的无线Mesh网络QoS路由算法

无线Mesh网络QoS路由问题是一个非线性的组合优化问题,已证明该问题是NP完全问题.提出一种新的基于文化算法的无线Mesh网QoS路由算法(CA PSO QoSR).该算法利用文化算法的双重演化机制,在群体空间中采用粒子群优化算法作为演化策略,在信念空间采用遗传操作实现精英解集的迭代更新,通过信念空间中不断进化的精英解信息指导群体空间的搜索.仿真实验说明新算法能够在无线Mesh网QoS路由中取得良好的效果,与其他代表性算法的对比结果验证了新算法更能满足QoS路由中带宽、时延和时延抖动等重要指标,具有较好的全局寻优能力.     

移动群智感知中的空间任务分配机制

在移动群智感知的空间任务分配问题中用户与任务的空间距离直接影响完成任务所需的成本,而现有的研究在这方面却考虑不足,因此以最小化感知成本为目标设计了移动群智感知中的空间任务分配机制。首先,以感知成本最小为目标,基于遗传算法和贪心算法设计了一种高效的任务分配方法;其次,针对用户感知质量的随机性,基于用户的历史感知情况和当前任务的执行情况设计了用户感知质量的更新机制。为验证所提机制的效果,通过仿真实验与两种基准的任务分配方法作比较。实验结果表明,所提机制在感知总成本和用户执行任务所移动的总距离等方面均有更好的效果,因此该空间任务分配机制具有很好的应用前景。     

地下水渗流对单孔地埋管换热器换热性能影响的数值模拟

建立了二维地下水渗流条件下地埋管换热器的数值计算模型,对单孔地埋管换热器周围的土壤温度场进行了数值模拟。为了验证数值模拟方法的可行性,将模拟结果与地下水渗流条件下的移动线热源理论解析解进行了对比,结果显示,当R=0.5和2.5时,模拟结果的相对误差分别为0.72%和5.42%,具有较高的精确度。模拟结果表明,当贝克来数Pe6时,即地下水渗流速度小于3×10-7 m/s(9.46m/a)时,可以忽略地下水渗流产生的对流换热的影响。     

递减样本集成学习算法

从多个弱分类器重构出强分类器的集成学习方法是机器学习领域的重要研究方向之一。尽管已有多种多样性基本分类器的生成方法被提出,但这些方法的鲁棒性仍有待提高。递减样本集成学习算法综合了目前最为流行的boosting与bagging算法的学习思想,通过不断移除训练集中置信度较高的样本,使训练集空间依次递减,使得某些被低估的样本在后续的分类器中得到充分训练。该策略形成一系列递减的训练子集,因而也生成一系列多样性的基本分类器。类似于boosting与bagging算法,递减样本集成学习方法采用投票策略对基本分类器进行整合。通过严格的十折叠交叉检验,在8个UCI数据集与7种基本分类器上的测试表明,递减样本集成学习算法总体上要优于boosting与bagging算法。