改进ARED拥塞控制算法研究与实现

为实现基于路由器的拥塞控制算法性能提升,分析了RED与ARED拥塞控制算法,并提出一种改进算法QARED。与传统DropTail算法对比,RED算法具有较高链路利用率、吞吐量及较低网络延迟、丢包率等优点,但存在参数配置无法适应网络动态改变的缺点。ARED算法增加了自适应功能,根据平均队列长度变化动态调整最大丢包概率,稳定平均队列长度在最小阈值与最大阈值之间,但存在瞬时队列长度振荡等稳定性问题。改进算法QARED,通过优化最大丢包概率计算函数,以提高平均队列长度稳定性、降低丢包率、提高吞吐量。通过NS2仿真网络环境对比,改进算法QARED相对ARED算法在控制平均队列长度上更具稳定性,能够实现更低网络延迟与丢包率,提高了动态网络环境下拥塞控制稳定性。     

基于NS-2的主动队列管理算法的仿真研究

主动式队列管理技术是IETF为了解决Internet拥塞控制问题而提出的一种路由器缓存管理技术.本文使用了目前应用较为广泛的网络仿真器NS-2,对AQM算法RED和BLUE的性能在基于NS-2仿真实验的基础上进行了比较研究,研究的性能包括在突发流情况下平均队列长度、丢包率和吞吐量等,并在此基础上对BLUE算法在突发流情况下队列稳定性进行改进.仿真结果表明在应对突发流方面,BLUE算法的性能优于RED算法,改进的BLUE算法能够更好地保持队列的稳定性.     

联合成本优化和队列稳定的数据中心调度算法

探讨了数据中心的调度成本最小化问题,设计了一种在线的分布式控制算法.在该算法中,每个服务器根据当前状态做出调度决策,达到网络队列稳定以及平均成本以概率1接近最优值.利用真实的流量数据进行仿真实验,以验证算法的有效性.     

对优化PI模型的WSN网络拥塞控制机制的分析

为解决无线传感器网络拥塞引起丢包率高和网络吞吐率过低的问题,提出一种基于改进PI主动队列管理模型和量子粒子群(QPSO)算法的拥塞控制方法:首先定义改进的PI主动队列管理模型,然后采用改进的量子粒子群算法对比例系数和积分系数和进行参数整定、优化,并得到PI控制模型;最后定义基于量子粒子群算法和PI主动队列模型对网络拥塞进行控制的具体算法.仿真实验表明,文中方法能有效实现WSN拥塞控制,与其它方法相比,具有较短的平均队列长度和较大的吞吐率的优势.     

LAOV网络及其拓扑排序算法

基于AOV网络扑拓排序算法,提出了新的LAOV网络算法,并在VC++环境下利用栈和队列实现了LAOV网络拓扑排序算法,同时给出了在LAOV网络中拓扑排序里有无回路的判定方法,并举例说明了LAOV网络算法的执行过程、结果及运行时间等。实验分析结果表明,算法正确,效率较高。     

普适计算中节约电量的动态软件部署算法

为了节约移动设备的电量消耗,提出了一种适合于普适计算环境的动态软件部署算法.综合考虑了软件组件的计算、通信和移动所消耗的费用,建立了一个在移动设备和服务器间组件部署的电量消耗模型.在软件部署中同时也考虑了组件的移动性和组件间的移动关系.利用网络流理论,将节约电量的最优化问题转化为一个流网络的最优分割问题,而后者可采用最大流最小切割算法实现最优切分.实验结果表明提出的算法比现有算法能够节约更多的电量.     

一种非线性的高阶修正的RED改进算法

路由器中队列长度的变化是非线性的,针对原始随机早期检测RED算法在线性丢弃概率增长下的局限性,提出一种非线性高阶函数修正分组丢弃概率的改进RED算法(简称NLRED算法).通过NS2对FTP、CBR应用层业务流的仿真实验,结论表明改进的算法NLRED在提高网络吞吐量、网络链路利用率,减小分组在路由器中的排队时延等方面性能均有所提高.     

基于扩展卡尔曼滤波器的网络队列预测

为解决网络队列动态预测问题,提出一个网络系统在泊松分布流量和指数服务时间下的暂态队列行为预测模型并进行仿真验证。阐述基于扩展卡尔曼滤波（Kalman）的预测模型及其具体算法,结合网络中的数据流量特性,构建基于扩展卡尔曼滤波器的网络暂态队列预测模型,并根据仿真网络中的实际数据对模型进行验证。实验结果表明,所建立的网络暂态队列实时预测模型预测效果比较理想,基本与实时队列长度保持一致。因此,该模型可以较低的代价应用于网络中的动态路由算法及拥塞控制算法中。     

一种基于分布式系统的队列多级调度算法

为了提高网络服务质量,提出一种网络业务中分布式系统的多级队列调度算法,该算法采用六级队列五级调度,配置灵活,同时五级调度流水实现,确保调度速度,为分布式系统的多级队列调度提供一种合理的机制,从而为各个队列所对应的用户/业务提供良好的QoS服务。     

NS-3下新队列管理模块的实现

网络仿真是网络技术研究的一种基本手段。NS-3是目前广泛使用的离散事件驱动的网络模拟器NS-2的后续版本。目前NS-3版本中的实现的队列管理模块只有默认的使用DropTail方式的队列管理模块。以实现主动队列管理算法RED算法为例,阐述了如何在NS-3中实现一个新的队列管理模块并进行仿真的方法。     

基于NS2的队列管理算法DropTail和RED仿真与研究

随着Internet的快速发展网络拥塞问题随之产生,拥塞控制行之有效的手段是在网络层实现队列管理。队列管理算法可以分为主动队列管理和被动队列管理两种。通过NS2仿真实验,对主动队列管理算法RED、被动队列管理算法DropTail的平均队列长度、吞吐量、丢包率、时延四个主要性能指标进行了比较。将得到的仿真数据进行分析,在队列长度、时延、丢包率方面,RED算法比起DropTail算法有着绝对的优势;在吞吐量方面,两种算法相差不大。因此,得出在队列管理算法中采用RED比采用DropTail更有效,为进一步研究拥塞控制算法提供了依据。     

WSN中基于蚁群算法的单向链路路由算法

提出了一种无线传感器网络中基于蚁群算法的单向链路路由算法,该算法采用单向链路和双向链路相结合的方法,寻找源节点到目的节点的最优路径。仿真结果表明,该算法能够选择参数性能好的路径,最优路径上的总时延远远小于只支持双向链路的传统蚁群算法,而且最优路径的收敛速度明显加快,由此节省了无线传感器网络中的能耗。     

无重叠视域摄像机网络拓扑自适应学习方法(英文)

提出一种自适应拓扑学习方法来无监督地学习摄像机网络的拓扑.利用混合高斯算法建立节点模型,并通过计算节点对的互关联函数得到该对节点的连通性以及连通节点对的转移时间分布.利用交互信息计算连通的节点对的转移概率.对学习到的拓扑结构,提出虚假连接排除策略以及拓扑更新策略对其进行优化.为了测试所提出算法的有效性,搭建了由5个不包含重叠视域的摄像机组成的监控系统进行试验.通过与已有算法的对比,结果表明该算法可以更准确地学习监控网络的拓扑,并对环境变化有一定的鲁棒性.     

基于改进神经网络模型的股指预测实证研究

针对BP神经网络容易陷入局部最小值以及网络收敛速率缓慢等问题,利用遗传算法优化网络权值和阈值,根据网络输出总误差变化对学习率进行动态调整,并运用改进的BP神经网络模型对上证指数进行预测分析.实证研究表明,改进的BP神经网络预测模型能够加快算法收敛速率,有效地提高预测精度.     

基于神经网络代数算法的电磁环境评价

前馈三层神经网络具有很好的非线性映射能力,而前馈三层神经网络的代数算法能够实现零代价函数的网络精确学习过程,本文将其应用于电磁环境复杂度的评价.首先从时域、空域、频域和能量域四个方面选择电磁环境的评价指标,再建立零代价函数的电磁环境评价模型,进一步说明前馈三层神经网络的代数算法在电磁环境评价上的应用.     

大学生英语网络自主学习研究

网络学习环境有着自身的特点和优势,但是网络英语学习脱离了传统的、学生熟悉的学习生态,学生必须经历长期的、连续的网络学习经历才能适应新的生态.一旦受到新环境的震撼,学生必须保持开放的思维和乐观积极的态度来应对.良好的网络学习环境是帮助学生更好的适应网络学习新模式的重要前提.网络教学的顺利实施,不仅需要学校增加对网络教学的资金投入和服务意识,还需要教师转变传统的教学理念,适应在网络教学环境中的新角色,对学生的自主学习给予必要的监督并帮助建立英语学习的资源库.在教学实践中,教师应该把传统的课堂教学和网络教学结合起来,两者安排得好、搭配得巧妙才会取得良好的教学效果.     

队列管理机制QOS性能仿真

队列管理机制是网络拥塞控制和网络服务质量的基础,采用NS2仿真工具基=JaQOS性能评价指标对主、被动队列的代表算法RED、DropTail进行仿真分析,得出两种算法性能差异及各自的特点,为进一步研究提供依据．     

基于L-M优化算法的学分绩点预测模型构建

利用学生历史成绩数据和课程之间关系,构建基于BP神经网络的学分绩点预测模型,具有一定的理论和实际应用价值.BP神经网络能够自适应学分绩点统计中课程之间的层次和网络关系,非常适合用于复杂非线性关系的预测.比较了不同算法训练的网络预测结果,发现L-M优化算法预测性能最优.最后,运用函数进行仿真,然后将仿真结果与样本数据对比,验证了L-M优化算法预测模型准确性高,能够用于学分绩点的预测.     

高中历史教学中网络学习空间的作用与应用研究

随着科学技术和教育信息化的飞速发展,依托网络的学习越来越成为师生所选择的重要学习途径.在高中历史教学中,依托网络学习空间,不仅能够优化学生的学习方式,还能够为教师的教学提供辅助,还能够打造个性化的学习环境.为此,教师应该对网络学习空间加以深入研究.     

基于SLSD道路网络模型的最优路径算法

提出了基于单线单向（SLSD）道路网络的最优路径算法.不同于传统网络,在SLSD网络中,路元素被抽象成网络的节点,且都是单向单线的;而道路节点被抽象成网络的链接.该网络模型可以很好地表述拐弯限制、回路以及多条道路存在于2个路口等只有超图模型才能很好表示的真实路网情形.基于此网络模型,给出了相关的最优路径算法,并且证明了将超图转化为SLSD道路网络后,A＊及Diskstra算法可以不加修改直接用于计算任何真实路网的最优路径.最后,结合新加坡道路网络数据,给出了一个预先计算的两步法最优路径算法及其计算结果,验证了所提出的模型和算法.