基于AR业务的多维光网络资源优化算法研究

为解决光网络业务动态变化导致的光网络资源严重碎片化,尤其是新型资源预留（AR）业务产生的时域碎片问题,针对IR和AR两种业务,关注时域和空域二维碎片化问题,提出一种基于时间相关性频谱连续度的多维光网络资源优化（ARP）算法,通过计算网络中各光路的频谱连续度,获取低于频谱连续度阈值的光路集合及其承载的AR业务集合,针对AR业务集合分别实施时间重构（RE-T）、时间与频谱重构（RE-TF）策略,实现业务的重新配置,并对此算法进行多指标性能评估。实验结果表明,在平均频谱连续度（ASC）、阻塞率（BP）、频谱利用率（SU）等方面,ARP算法相较于基准算法表现良好,能有效规整频谱碎片,提高频谱利用率,优化网络性能。     

利用改进萤火虫算法求解0-1背包问题

针对目前在求解经典0-1背包问题时已有算法的不足,运用改进的萤火虫算法对该问题进行求解。引入贪心策略修正萤火虫算法的不可行解,提出一种变异策略,增加萤火虫算法的种群多样性。通过对3个不同规模的算例进行测试,实验结果表明改进的萤火虫算法有效;通过和目前已有算法的求解结果进行比较,改进萤火虫算法具有较好的高效性和稳定性。     

几种改进的萤火虫算法性能比较及应用

萤火虫算法（FA）是继粒子群算法、遗传算法、模拟退火算法等经典智能算法之后,由剑桥学者YangXin-she提出的一种模仿自然界萤火虫捕食、求偶行为的新颖的群体智能随机优化算法。该算法近年来逐渐在不同优化领域得以成功应用,但也存在易陷入局部最优、算法过早收敛等问题,为此许多学者对萤火虫算法进行了改进。针对基于惯性权重的萤火虫算法、基于混沌算法的萤火虫算法这两种改进算法,通过几种标准检验函数对各算法的性能进行详细的仿真、比较,得出具体试验结果。在控制系统PID参数优化中应用改进后的萤火虫算法,仿真结果表明改进后的萤火虫算法寻优精度和搜索速度均优于基本粒子群算法。     

基于CFA优化Macro/Femtocell异构网络能效的子载波分配

针对FA算法存在局部最优和早熟问题,将云模型和萤火虫算法结合起来,提出一种云模型萤火虫算法优化Macro/Femtocell异构网络能效方法。以网络能效最大化为目标,在满足Macro/Femtocell异构网络用户服务质量前提下,运用云模型萤火虫算法进行子载波分配优化研究。通过研究不同载波数、不同用户数量和网络能耗之间的关系,结果表明,与FA、PSO和GA相比较,CFA算法获取的传输速率更大,因此系统能效更高。     

基于ICGSO算法的瓦斯突出预测研究

针对萤火虫群优化(GSO)算法在解决全局优化问题时出现的易陷入局部最优、收敛速度慢、求解精度不高等问题,提出一种改进的混沌萤火虫群优化(ICGSO)算法,修改了GSO算法动态决策域半径更新公式,并采用自适应动态步长,引入混沌优化算法提高局部搜索能力。实验结果表明将ICGSO算法应用于建立在神经网络预测模型上的瓦斯突出预测中的有效性。     

基于动态自适应萤火虫优化算法

为了有效解决标准萤火虫算法在寻优过程中存在易陷入后期收敛速度较慢、寻优精度不高等问题,在位置更新公式中引入动态调整惯性权重和自适应步长机制,提出一种动态自适应萤火虫优化算法。利用四个标准测试函数进行仿真实验结果表明,动态自适应萤火虫算法具有更快收敛速度、较高求解精度和稳定性。     

一种改进的RRT机器人路径规划算法研究

路径规划技术是目前机器人领域研究热点,而路径规划算法是其核心内容。可变步长的快速随机搜索树（Rapidly-exploring Random Tree,RRT）算法在机器人路径规划算法中复杂度高、效率较低,针对这一问题,提出一种改进的RRT算法。在可变步长的随机树生长过程中,引入双向生长策略,利用双向生长特性,提高路径搜索效率,解决了最优路径与低效率间的矛盾。实验仿真数据表明,改进后的RRT算法在路径规划中不仅算法复杂度低,且搜索效率提高了约一倍。     

基于自适应缩放因子的改进混合蛙跳算法

针对混合蛙跳算法局部搜索能力较弱且易发生早熟收敛的问题,提出了一种改进的混合蛙跳算法。改进算法在传统算法的更新策略中引入自适应缩放因子和欧式距离,提高了算法局部搜索能力;为了提高算法的收敛速度,改进了传统算法中的随机更新操作。改进后的算法在收敛速度、寻优精度和求解成功率上均有很大改善,提高了混合蛙跳算法求解高维复杂优化问题的能力。     

6TiSCH分布式网络调度

最近,IEEE发布了IEEE 802.15.4修订版本,称为IEEE 802.15.4e,定义了时隙信道跳频（TSCH）机制。TSCH网络中的节点遵循时分多址（TDMA）时间表进行通信,该时间表中的时隙提供分配给邻居节点之间通信的带宽单位。但是,TSCH只定义了链路层机制,没有定义如何建立网络通信调度表,并与网络的业务需求相匹配。因此,提出一种6TiSCH分布式调度算法策略,实现中继节点的负载均衡,延长网络整体寿命,并且通过6TiSCH网络共享信元特点,使节点能够听到邻居与其它节点之间进行时间表信元协商,减少网络冲突。该方法已经通过模拟测试,在调度算法方面有显著改进。     

基于蚁群优化算法的无线传感器网络路由研究

无线传感器网络是一种能量、资源受限的网路系统,实现网络中节点能量使用均衡延长整个网络的生命周期是无线传感器网络路由设计的重要目标。本文在基本蚁群算法在无线传感器网络应用的基础之上提出了几点改进策略。将节点现有的能量水平作为计算转移概率的条件之一,使优秀路径上的节点在网络中存在的时间更长。将节点的位置信息作为计算转移概率的条件,通过将位置信息写入转移概率中,使节点在搜索路径时具有方向性。最后本文利用MATLAB工具对改进的策略进行了实验仿真,并将结果和原始的ACO算法进行比较分析,仿真结果显示改进策略在延长节点的生命周期,维持网络能量均衡方面比其他俩种算法具有一定的提升。     

一种新的仿生优化算法及其改进

针对基本混合蛙跳算法随机性强,在处理复杂函数优化问题时容易陷入局部最优、收敛速度慢的缺点,提出了一种改进的混合蛙跳算法,该算法利用高斯变异算子对子群最差青蛙进行适当的扰动,修正了其更新策略,从而维持了群体的多样性.用典型测试函数对粒子群优化算法、基本混合蛙跳算法及改进算法进行对比实验,仿真结果验证了新算法的有效性和鲁棒性.     

改进蛙跳算法的小波神经网络短时交通流预测

为改进小波神经网络模型对短时交通流的预测效果,提出一种基于改进混合蛙跳算法的短时交通流预测模型用以优化小波神经网络。该算法使用交叉分组法对子群进行划分,再利用具有自适应因子的局部搜索策略平衡混合蛙跳算法局部与全局搜索能力,最后把得到的最优解用于优化小波神经网络模型初始值,并对短时交通流进行预测。实验结果表明,该方法对短时交通流预测精确度达到97.43%,比传统方法提高1.016 1%,均方根误差比传统方法降低了5.587 9%,具有较高的应用价值。     

基于改进萤火虫优化算法的汽车悬架PID控制

为了获得更好的汽车平顺性,构建1/4汽车主动悬架模型,采用悬架动挠度、车身动位移、轮胎动载荷和轮胎垂直速度等4项指标进行近似衡量,提出基于改进萤火虫优化算法（FA）的汽车悬架PID控制,并与基于LQR控制、基于Fuzzy-PID控制下的汽车悬架平顺性进行对比。仿真结果显示,基于改进FA优化的PID控制的4项指标峰值均大幅降低,峰值最高下降36.1%,证明基于改进萤火虫优化算法的PID控制可提高汽车平顺性能。     

基于节点可信度的无线Mesh网络信道分配策略

目前很多无线Mesh网络（WMN）是以多信道、多接口环境搭建,如何进行有效的信道分配来提高网络性能是无线Mesh网络研究的重点之一.综合考虑了网络链路负载、节点可信度和链路干扰等因素,提出了一种基于节点可信度的无线Mesh网络信道分配策略（NTCA）对重要链路优先分配信道,从而降低链路冲突率.通过实验仿真表明,与随机信道分配策略相比,NTCA策略能有效降低网络冲突,提高网络性能.     

基于自适应步长的改进布谷鸟算法

布谷鸟搜索算法在后期搜索过程中存在速度慢、计算精度低等问题,通过引入一种在迭代过程中发现概率和缩放因子自适应策略,对自适应步长布谷鸟搜索算法进行改进,以提高算法的收敛速度和精度.采用4个benchmark测试函数,对基本、自适应步长以及改进的布谷鸟算法进行比较讨论,验证改进算法的有效性.实验结果表明,经改进后的算法具有较好的收敛速度和精度.     

基于改进混沌PSO的多相机组网优化研究

多相机组网网络设计具有多参数、多约束、运算量大等特点,在理论上是一个复杂的优化策略问题,寻找其绝对精确的最优解通常需要很大的运算量,因此在实现时必须考虑算法效能。利用基于粗糙集的启发式属性约简算法获得特征属性的约简,在此基础上利用改进的支持向量机对约简信息进行预测。为了获得最优预测精度,采用混沌粒子群优化（PSO）算法以避免SVM预测模型的局部优化。最后通过实验对粒子群优化（PSO）算法、改进的PSO（IPSO）算法与混沌PSO（CPSO）算法性能进行比较,分析结果表明,相比于其它方法,该方法在收敛速度以及防止局部寻优等性能方面有较大提高。     

一个基于混合蛙跳算法的0/1背包问题算法

混合蛙跳算法是一种全新的基于群体智能的后启发式计算技术,具有高效的计算性能和优良的全局搜索能力。描述了0/1背包问题的数学模型,阐述了混合蛙跳算法的基本理论,在全局信息交换过程中加入变异操作,改进了混合蛙跳算法,并将该算法应用到0/1背包问题的求解,在实例上的运行结果表明本文方法的可行性和有效性。     

萤火虫优化算法 Matlab 程序设计

萤火虫优化算法（GSO）是一种计算多模函数多峰值问题的群智能算法,由模拟自然界中萤火虫发光的生物学特征发展而来。在 GSO 算法中,萤火虫根据自适应的感应决策范围寻找比自身荧光素高的萤火虫,并通过概率选择机制朝其运动,以实现寻优目的。简要阐述 GSO 算法基本原理,对算法各个参数进行分析说明,利 用 Matlab 软件构建 GSO 算法在整个寻优过程中的可视化环境,并给出算法源代码。仿真实验首先实现了自适应感应决策范围更新过程,然后通过多模函数仿真示例测试了该方法的有效性,从而实现了利用萤火虫算法解决多模函数多峰值优化问题。     

一种基于佳点集原理与引力搜索的新型蜻蜓算法

为改进标准蜻蜓算法（DA）存在的收敛质量不高、全局寻优能力欠佳、易陷入局部最优等问题，利用基于佳点集原理的方法初始化种群，将其与万有引力搜索算法（GSA）结合，改进步长更新公式，并引入考虑维度变化的更新全局最优解方法，提出一种新的改进蜻蜓算法（DGSDA）。通过对10个测试函数的测试结果表明，改进后的DGSDA收敛速度快，全局寻优能力强，寻优精度高。     

一种改进的模拟退火萤火虫混合算法求解0/1背包问题

根据萤火虫算法自身特点,本文提出一种基于模拟退火的改进萤火虫算法,并用于求解0-1背包问题.该算法在模拟退火过程中利用萤火虫算法搜索新解,采用贪心修复算子对不可行解进行修正.每一次退火操作完成时,对萤火虫种群实行变异操作,增强萤火虫的全局搜索能力.本算法在求解0-1背包问题时,能及时跳出局部最优,在算法初期增强全局搜索能力,在算法后期加快收敛速度.通过仿真实验表明,该算法可较好的求解0-1背包问题.