车载自组织网络中基于簇的协作传输机制

为提高公路车辆的数据服务效率和通信服务的能量利用率,将分簇算法应用于实际环境的数据传输,提出一种新的传输机制。针对公路环境,应用分簇和数据聚合,进行了实时的双向数据协作传输在公路上的应用设计。仿真结果表明:在公路环境中,整合了分簇和数据聚合的数据传输机制能有效提高服务率、减少服务时延、提高吞吐量并减少能耗。     

一种基于多智能体系统的分布式规划系统

为了解决动态不确定环境下多智能体系统中的规划问题,通过对现有规划系统的分析,提出一种新的分布式规划系统MPOMDPRS,通过保持PRS系统的持续规划机制来适应环境的动态性;通过保持POMDP的概率分布模型来适应环境的不确定性;通过通讯集的添加来满足多智能体系统的需要,仿真实验证明了系统的有效性和实时性,可以满足环境的动态不确定性要求。     

一种能量均衡的非均匀分簇无线物联路由协议

无线物联传感器网络中的节能路由问题一直是研究的热点.其中的非均匀分簇路由协议在选择各层簇半径时,使用的参数一般是通过经验或者仿真得到,存在一定的偏差.为避免该缺陷,本文提出通过预先计算的方法来精确获得分层和选簇的参数,适应不同网络模型的需要,并提高其能量利用效率.仿真实验对比表明,本协议能够更有效地延长无线传感器网络的生命周期.     

一种能量均衡的非均匀分簇无线物联路由协议

无线物联传感器网络中的节能路由问题一直是研究的热点.其中的非均匀分簇路由协议在选择各层簇半径时,使用的参数一般是通过经验或者仿真得到,存在一定的偏差.为避免该缺陷,本文提出通过预先计算的方法来精确获得分层和选簇的参数,适应不同网络模型的需要,并提高其能量利用效率.仿真实验对比表明,本协议能够更有效地延长无线传感器网络的生命周期.     

一种改进的动态无约束多目标进化算法

〖JP2〗为提高算法局部收敛性,提出一种改进的动态无约束多目标进化算法,其基本思想是：首先将时间区间分割,产生初始种群,然后根据Pareto支配关系对个体进行排序,再经选择复制、常规交叉算子和改进的非均匀变异算子进行操作,〖JP〗产生新种群。数值实验和性能指标统计数据表明,该算法具有较好的局部收敛性,能产生分布性较好的Pareto最优解。     

一种基于多Agent协作的下载模型

提出了一种基于多Agent协作的下载模型,该模型根据协作规则,将下载任务智能、动态地分配给网络上多个Agent,利用多Agent协作快速、高效、灵活地完成下载任务。Agent的知识是在多Agent的协作过程中,通过学习自动产生、完善和优化的。     

改进合同网协议的多移动机器人协作系统

以多移动机器人大规模搜索搬运为背景,探讨机器人异构、目标物异构情况下,多移动机器人协作系统的构建.通过改进合同网协议,实现动态局域网招标,并根据期望值投标,以期望值作为确定任务执行者的重要指标.仿真实验结果表明,该方法能大幅减少系统通信开销,有效缩短任务响应时间与任务完成时间,提高了系统效率.     

一种改进的分布式互斥请求集生成算法

分布式互斥请求集的性能,对基于竞争的分布式互斥算法的消息复杂度、对称性、同步时间及容错能力等均具有直接影响.而分布式互斥请求集生成算法性能,如时间复杂度、空间复杂度,则对算法的运行速度、计算能力具有直接影响.通过对基于循环编码的分布式互斥请求集生成算法运行过程的研究,特别是对该算法的时间复杂度的研究,提出一种改进的基于循环编码的分布式互斥请求集生成算法.此算法在不明显增加算法空间复杂度和请求集长度的基础上,能够显著提高请求集生成算法的时间复杂度,从而使得算法的运行速度和计算能力都得到显著增加.     

一种改进的动态多响应稳健参数设计

研究动态质量特性优化问题,考虑多响应的最优性和稳健性,提出用神经网络建模、双响应曲面法和满意度函数法相结合的方法解决动态质量特性与信号因子之间存在非线性相关关系的多响应稳健参数设计问题.先将噪声因子的变化看作对响应的重复影响,利用神经网络和双响应曲面建立信号因子、可控因子与位置、散度之间的复杂模型;再运用指数满意度函数将多个双响应曲面值转化为单一的满意度衡量指标,利用遗传算法全局寻优得到最佳可控因子设置;最后利用获得的最佳可控因子组合得到信号因子与多响应之间的数据对,进而得到反映信号因子与响应之间真实关系的具体模型.     

一种分布式系统中动态负载均衡策略

在分布式系统应用中采用动态负载平衡算法分配系统中的工作负载，能够显著地提高系统的性能。针对分布式系统中负载动态变化特性，提出了一种基于接收者主动的自索取动态负载均衡算法，通过负载数的实时变化反映系统中各节点的当前负载状况，通过空闲节点来转移超载节点的任务，使负载的分布更均匀，提高了整个系统资源的利用率及效率．     

一种分布式的模糊聚类方法

由于FCM算法中的初始值需要随机的设定,这种随机性不能保证每次都能达到全局最优,也就是说如果初始聚类中心的设置具有全局的特点,那么聚类的结果才能达到全局最优。因此主要针对模糊c-均值（FCM）聚类算法对初始值很敏感,而且容易陷入局部最优解的这一特点,提出了一种分布式的模糊聚类方法。首先用分治法得到模糊聚类的全局的聚类中心值,然后再用FCM进行聚类,从而克服FCM算法对初始值敏感和容易陷入局部最优解的缺陷,达到全局最优。经仿真实验证明结果是很理想的。     

基于中心定位算子遗传算法的动态层次聚类方法

针对聚类算法易陷入局部优化的缺点,将中心定位算子遗传算法与层次聚类方法动态结合,通过遗传算法的全局寻优特点弥补层次聚类算法的不足.在算法的后期融入Chameleon思想,提高了算法的准确性.通过对UCI中的三个数据集样本进行测试,表明聚类效果优于传统聚类方法.     

一种双向聚类协同过滤推荐算法研究

针对传统协同过滤推荐算法在大数据环境下存在数据稀疏性及计算复杂性等问题,提出一种双向聚类协同过滤推荐算法。该算法首先从用户维度和项目维度两个方向分别进行属性聚类,然后在目标用户和目标项目所在类簇中分别使用改进后的相似度计算方法进行协同过滤推荐,最后通过平衡因子综合预测评分并形成最终推荐列表。在 MovieLens 公开数据集上进行实验,结果表明,该算法（DCF）相比传统协同过滤推荐算法（TCF）、基于用户聚类的协同过滤推荐算法（UCF）以及基于项目聚类的协同过滤推荐算法（ICF）,在平均绝对误差上分别降低了 16%、8.1%、7.5%,有效提高了推荐精度。     

基于传感器网络的分布式遗传k-means聚类算法研究

传统的集中式聚类算法不适宜对传感器网络的分布式数据进行聚类,用遗传进化机制对传统k-means的分布式聚类算法进行优化,可得出遗传k-means聚类算法。遗传k-means聚类算法即在传感器网络中sink节点传送随机选取的初始k个簇心到各个传感器节点,在这些节点上分别用遗传k-means聚类算法将本地的数据划分到距离最近的簇,然后将簇信息在无线传感器网络里通过路由逐层上传合并汇聚到sink节点,计算k个簇心的平均值,再往下传送k个簇心,反复迭代更新直至聚类目标函数值达到最小为止。实验表明,遗传k-means聚类算法的聚类效果较好,收敛速度较快。     

可信动态度量下学习行为数据分布式挖掘算法

在远程在线学习过程中,需要进行学习行为数据的优化挖掘,指导学习行为优化,提出基于可信动态度量的学习行为数据分布式挖掘算法。建立远程在线学习行为数据的大数据演化特征分布模型,采用大数据信息融合方法进行学习行为数据的可信动态度量,提取学习行为数据分布式关联特征量,采用模糊相关性融合调度方法进行学习行为数据分布式挖掘过程中的自适应调度和寻优控制,结合模糊K均值聚类分析方法进行学习行为数据分布式挖掘的动态特征量聚类分析,在聚类中心中实现对远程在线学习行为数据的自适应融合和分布式挖掘。仿真结果表明,采用该方法进行可信动态度量下学习行为数据分布式挖掘的准确性较高,收敛性较好,挖掘过程的自适应学习性能较好。     

改进蚁群算法的动态K-均值聚类分析

提出了一种基于改进蚁群算法的动态K-均值聚类算法思想,该算法首先利用蚁群算法的较强处理局部极值的能力,动态地确定了聚类数目和中心,然后利用蚁群聚类得到的结果,再进行K-均值聚类弥补蚁群算法的不足。两者有机结合起来可以寻求到具有全局分布特性的最优聚类,实现了基于改进的蚁群聚类算法分析。     

改进蚁群算法的动态K-均值聚类分析

提出了一种基于改进蚁群算法的动态K-均值聚类算法思想。该算法首先利用蚁群算法较强处理局部极值的能力,动态地确定了聚类数目和中心,然后利用蚁群聚类得到的结果,进行K-均值聚类弥补蚁群算法的不足。两者的有机结合可以寻求到具有全局分布特性的最优聚类,实现基于改进的蚁群聚类算法分析。     

一种基于粒度的聚类算法

聚类和粒度具有天然的相通性,本文探讨了基于粒度聚类算法的一般框架,并基于该框架,研究了一种基于网格密度的文本聚类算法,最后以例证说明这一方法的可行性。     

分区域聚类的蚁群算法

根据旅行商问题中城市分布的特点,提出了分区域聚类的蚁群算法.首先,对城市分布进行球形聚类,再分别对剩下的城市进行线形聚类和孤立点聚类.采用这样的分区域聚类的蚁群算法收敛速度快,寻求的解更优.实验表明,该算法比基本蚁群算法在求得解更优的同时,速度快3～13倍.