解决高维优化和特征选择问题的多策略改进麻雀搜索算法

为解决基本麻雀搜索算法(sparrow search algorithm,SSA)在求解高维复杂优化问题时存在收敛速度慢、容易陷入局部最优解及后期种群多样性变弱等问题,提出了一种基于海鸥优化算法算子和鲸鱼优化算法算子的改进麻雀搜索算法(improved sparrow search algorithm based on seagull optimization algorithm operator and whale optimization algorithm operator,SWSSA)。首先,该算法设计了自适应种群比例策略以增强种群在迭代过程中的多样性;其次,在局部搜索阶段融入鲸鱼优化算法气泡网捕食策略,增强麻雀搜索算法的局部搜索能力、加快收敛速度;然后,在追随者位置引入改进的海鸥优化算法算子降低算法陷入局部最优的概率。最后,选取了12个高维基准测试函数和16个UCI网站上的高维数据集进行仿真实验,将SWSSA与基本SSA、SSA变体版本、黄金正弦算法(golden sine algorithm,GSA)、蝴蝶算法(butterfly optimization algorithm,BOA)、黏菌算法(slime mold algorithm,SMA)、海鸥算法(seagull optimization algorithm,SOA),以及其他学者改进的算法进行比较。结果表明,本文提出的算法在12个测试函数上的收敛精度取得最优的比例达到了100%,在约95%的测试函数上收敛速度最快,在16个数据集中有9个数据集分类准确率最高和6个最佳特征子集数量最少。可见所提算法在处理高维函数优化和数据集特征选择问题上具有一定的优势。

面向组播的动态虚拟网络功能放置算法

组播在支持日益增长的多媒体应用方面具有广阔的应用前景,面向组播的虚拟网络功能放置是网络功能虚拟化中不可避免的研究趋势.然而,对于该问题的大多数研究都聚焦于静态网络环境,难以应对网络中的各种资源随着时间动态变化,组播服务功能链(Service Function Chaining,SFC)请求动态到达的真实场景.本文提出一种基于组播SFC请求预测的足球联赛竞争算法,以Informer模型为基础,预测即将到达的组播SFC请求.基于足球联赛竞争的组播虚拟网络功能放置算法,设计多维个体编码策略,一次性求解所有活动组播组的SFC映射方案,提前部署预测的请求.针对预测结果与真实结果不一致的情况,提出一种由正向搜索与反向搜索组成的快速修复策略以完成对请求的快速响应.仿真结果表明,对比其它两种预测模型,Informer在组播SFC请求预测上取得了更低的均方误差与平均绝对误差.此外,与七种经典的启发式算法和深度强化学习算法相比,提出的算法在端到端时延和计算资源消耗方面达到更优性能的同时,取得了更低的组播SFC请求响应时间.

一种面向移动云计算的多目标任务卸载算法

计算能力和资源受限的移动设备可将待处理的密集型任务卸载到云端执行,从而增强移动设备的计算能力并减少电池能源消耗(EC)。然而,现有研究在卸载任务时不能较好地均衡移动端的应用完成时间(FT)和EC。提出了基于分解的多目标进化算法(MOEA/D)来同时优化应用FT和EC,并将动态电压频率调整技术引入MOEA/D中,在不增加应用FT的前提下,调节移动设备的CPU时钟频率以进一步降低移动设备的EC。仿真结果表明,与多个算法相比,所提出的算法在多目标性能上更优。

移动边缘计算网络中的资源分配与定价

移动边缘计算(mobile edge computing,MEC)使移动设备(mobile device,MD)能够将任务或应用程序卸载到MEC服务器上进行处理.由于MEC服务器在处理外部任务时消耗本地资源,因此建立一个向MD收费以奖励MEC服务器的多资源定价机制非常重要.现有的定价机制依赖于中介机构的静态定价,任务的高度动态特性使得实现边缘云计算资源的有效利用极为困难.为了解决这个问题,我们提出了一个基于Stackelberg博弈的框架,其中MEC服务器和一个聚合平台(aggregation platform,AP)充当跟随者和领导者.我们将多重资源分配和定价问题分解为一组子问题,其中每个子问题只考虑一种资源类型.首先,通过MEC服务器宣布的单价,AP通过解决一个凸优化问题来计算MD从MEC服务器购买的资源数量.然后,MEC服务器计算其交易记录,并根据多智能体近端策略优化(multi-agent proximal policy optimization,MAPPO)算法迭代调整其定价策略.仿真结果表明,MAPPO在收益和福利方面优于许多先进的深度强化学习算法.

基于多目标的无人机辅助无线传感器网络数据收集方案

针对传统无人机辅助的无线传感器网络数据收集方案仅优化无人机能耗而忽略无线传感器能耗的问题,提出了一种综合考虑无人机和无线传感器能耗的联合优化方案。首先,利用K-means算法和无人机与无线传感器之间的通信阈值进行聚类分析,实现无线传感器的有效分簇。其次,构建了一个多目标优化模型,旨在协同优化传感器能耗和无人机悬停能耗,并利用多目标粒子群算法求解最优的无人机悬停位置和无线传感器发射功率。最后,基于各簇中无人机的最优悬停位置,利用蚁群算法计算无人机的最优飞行路径,以最小化无人机的飞行能耗,从而最小化整个数据收集系统的总能耗。通过仿真实验的结果表明,相较于传统方法,本文所提出的方案在系统能耗上取得了显著效果。特别地,当分簇半径为120 m时,传感器能耗降低了16.2%,无人机能耗降低了24.9%。