基于布尔型粒子群优化算法的网络编码优化

针对布尔型粒子群优化算法存在容易陷入局部极值和收敛速度慢的缺点,提出一种带扰动因子的自适应调整惯性权重和学习因子取1概率的布尔型粒子群优化算法,并把这种改进的布尔型粒子群优化算法用于网络编码的优化以得到具有最小编码边的编码方案.对两个人工拓扑进行优化得到的结果表明,基于布尔型粒子群优化算法最小化编码边方案的收敛速度和精度都优于基于遗传算法最小化编码边的方案的速度和精度,能有效用于网络编码的优化.     

带扰动因子的布尔型粒子群优化算法

对二进制布尔型粒子群优化算法提出改进,通过在其速度更新公式中引入扰动因子避免粒子过早的陷入局部极值,提出两种调整惯性权重和学习因子取1的概率的策略以平衡算法的收敛和发散,分别是按照粒子相似性自适应调整和线性调整,由此得到两种带扰动因子的布尔型粒子群优化算法。4个基准测试函数的对比,实验结果表明了两种改进算法的有效性和优良性能。     

基于多播的线性网络编码

网络编码是网络中间节点对网络信息流进行存储转发的基础上实行编码操作,从而达到提高网络吞吐量,改善网络均衡负载,节省网络带宽等效果.网络编码在国内外已成为研究热点.本文在介绍网络编码基本原理的基础上,分析了线性网络编码的构造算法,包括指数时间算法,多项式时间算法和随机网络编码构造算法,最后对网络编码的研究趋势进行了展望.     

基于K-means++的大学生就业画像构建

文章基于用户画像基础理论,采用K-means++算法对大学生在校期间产生的数据进行挖掘和分析,建立了大学生就业画像。此外,为了能够更加直观地描述就业画像,提出使用个体层面和群体层面的表达方式,将个体画像可视化,群体画像表格化,使得就业画像特征明显,易于理解,为后续的就业推荐工作打下坚实的基础。