对抗共谋及节点行为动态性的P2P信任模型

针对现有P2P信任模型存在的网络开销大、不能很好地处理节点行为的动态性改变及共谋攻击等问题,提出了一种新的信任模型。通过直接交互节点的局部评价加权其评价可信度计算节点的全局信誉值;采用基于局部评价标准差、局部评价集中度的方法识别和抑制共谋攻击;根据节点行为的改变动态更新其信誉值和评价可信度。仿真实验表明,提出的模型较现有模型在网络开销、抑制共谋攻击和节点行为的动态性等方面有较大改进。

基于搜索偏好知识的复杂多模差分进化算法

针对复杂多模优化问题,提出一种基于搜索偏好知识的差分进化算法PKLSHADE。PKLSHADE将先验搜索偏好知识注入到种群的进化过程,在不同的进化阶段对种群的多样性和集约性区分考虑,进化早期重视差分扰动以增强算法的全局开发能力,进化后期更多围绕当前最优解进行局部精细搜索。同时,基于搜索偏好知识的变异策略能够实现差分进化算法全局开发和局部搜索的自适应平滑过渡,避免两搜索阶段的硬切换。在CEC2017复杂混合多模函数上的实验结果及统计分析表明,PKLSHADE在最优解的精度、算法的稳定性等方面均优于LSHADE、EBLSHADE、jSO及AMECoDEs等近年来的优秀差分进化算法。

直接评价节点诚信度的P2P动态信任模型

为解决现有P2P信任模型计算开销大、动态适应能力差、推荐可信度的动态性未得到足够重视等问题,提出了一种新的动态信任模型。通过直接交互节点的局部评价加权其推荐可信度计算节点的全局信誉值,避免了迭代过程,降低了网络开销。采用基于时间帧的方法更新节点的全局信誉值和推荐可信度,以抑制节点提供服务和推荐两方面的动态性。仿真实验结果表明,新模型较现有模型在网络开销、节点动态性推荐的抑制等方面有较大改进。

基于构造学习的差分进化算法求解部分可分优化问题

复杂优化问题中决策变量之间的依赖性导致函数适应度地形中存在大量的局部最优解,传统进化算法求解此类问题相对困难。提出一种求解部分可分函数优化问题的构造学习差分进化算法CLSHADE。该算法首先利用差分分组技术将复杂问题解耦划分为多个子问题,降低问题复杂程度;然后基于分组结构设计一种构造学习策略,以一定概率向构造的最优解学习以引导种群的搜索方向,提高算法搜索性能。在CEC 2017部分可分测试函数上的实验结果表明了CLSHADE的有效性。

优化的BP神经网络短时交通流预测方法

针对传统的误差逆向传播(BP)神经网络方法在进行交通流预测时存在网络准确性差,权值设置敏感等缺点,提出一种基于改进蝙蝠算法(BA)优化BP神经网络的交通流短时预测方法。引入自适应惯性权重和加速因子对原始蝙蝠算法进行优化,提高其收敛速度及寻优精度;用改进的BA对BP神经网络的权值和阈值参数优化并构建BA-BP模型进行短时交通流预测。实验结果表明:与传统BP相比,该方法平均绝对误差降低了3.0785,均方误差降低了4.4710。

基于小波和多维重构的BP神经网络交通流短时预测

针对采集过程中噪声影响以及交通流时间序列的强相关性,提出一种基于小波和多维重构的BP神经网络交通流短时预测方法。运用启发式小波降噪法对原始交通流数据进行降噪处理,剔除数据中的噪声;基于C-C法将交通流数据进行多维度相空间重构,充分挖掘交通流的多维变化特性;构建多维度的BP神经网络进行交通流短时预测研究。运用2 400组数据进行实验,并与传统的BP神经网络、Elman神经网络以及SVM进行对比。实验结果表明,该方法具有较高的预测精度,绝对误差降低约2.408 0,均方误差降低约26.597 2。

基于信息熵加权的FCM交通状态识别研究

在城市交通状态识别中,饱和度、平均排队长度、平均行程速度以及时间占有率等交通参数常用作评价指标。针对以上指标对交通状态影响程度不同的问题,提出基于信息熵加权的FCM聚类算法识别局部路网交通状态的方法。将路网中关键交叉口和其上游路段作为一个识别单元,引入信息熵理论对每个评价指标进行权重确定,用加权欧氏距离优化FCM算法的目标函数,从而提高算法的聚类性能和对交通状态的识别率。通过改进前后算法对城市局部路网的交通状态进行识别仿真。改进后算法得到的隶属度函数波动较小,具有更好的聚类效果;目标函数值降低约37. 5%,误判率降低7. 14%,识别结果更加准确。

一类单圈图的Laplacian谱刻画

针对哪些图可由它们的谱刻画这一问题,在lollipop图和图H(n;q,n1,n2)的基础上定义了一类新的图类,符号表示为H(n;q,n1,n2,n3),它是通过在圈Cq的同一个顶点上连接3条悬挂路Pn1、Pn2、Pn3而得到的顶点数为n的单圈图.首先,证明了此图类中,如果2个图形不同构,那么它们必定具有不同的Laplacian谱.在此结论的基础上,证明了图H(n;q,n1,n2,n3)可由它的Laplacian谱刻画.

基于自适应邻域选择的正交局部敏感判别分析

维数灾难是机器学习算法在高维数据上学习经常遇到的难题,基于局部敏感判别分析(locality sensitive discrimi-nant analysis,LSDA),可以很好地解决维数灾难问题。且LSDA构建邻域时不能充分反映流形学习对邻域要求和克服测度扭曲问题,利用自适应邻域选择方法来度量邻域,同时,引入施密特正交化获得正交投影矩阵,提出一种自适应邻域选择的正交局部敏感判别分析算法。在ORL和YALE人脸数据库上进行实验,实验结果表明了该算法的有效性。

关联交叉口子区的信号优化控制方法

在交叉口群的信号优化控制过程中,针对遗传算法早熟收敛且对相邻交叉口关联性考虑较少的问题,提出一种关联交叉口子区的信号优化控制方法。利用软集合理论将关联性强的交叉口划分在同一个子区;采用基于共享函数的小生境技术调整群体中个体的适应度并自适应地调整算法的交叉概率Pc和变异概率Pm对遗传算法进行改进;使用改进的遗传算法对关联交叉口子区的平均延误时间D进行优化。路网实测数据的仿真实验表明本文方法对交叉口群进行了合理的子区划分,且改进的遗传算法在子区信号优化控制中迭代次数减少,使得交叉口的平均延误时间更短。

交通流多时间尺度特性分析与参数模型研究

为揭示交通流的内在动态特性,利用符号动力学中的Lempel-Ziv算法计算不同时间尺度下的交通流时间序列复杂度,并基于相关性理论分析方法,探索了交通流在时间和空间上的相关性。针对经典的单段函数模型无法准确表征不同交通状态下交通流参数关系的问题,提出了一种二阶段交通流参数关系模型。采用Pe MS系统采集的交通流数据,运用非线性最小二乘法对交通流量—密度关系进行拟合。实验结果表明:本文模型的拟合性能均优于其他四种模型。从根均方误差(RMSE)可见,模型的拟合标准误差较单段3PL模型平均降低了7.6%,表明模型能较好地表示不同交通状态的参数关系,建立的参数模型对交通状态判别和短时预测具有实际的应用价值。

基于IFA优化RBF神经网络的短时交通流预测模型

针对短时交通流不确定性极强引起的预测结果精度低的问题,提出一种改进萤火虫算法(IFA)优化RBF神经网络的短时交通流预测模型(IFA-RBF).该模型通过引入线性递减惯性权重和混沌机制,来改进FA后期存在的易陷入局部极值和种群多样性匮乏的不足,利用IFA优化RBF神经网络的连接权重和基函数宽度,以提升RBF神经网络的短时交通流预测精度.实验结果表明,与Elman、BP、RBF和FA-RBF模型相比,构建的短时交通流预测模型(IFA-RBF)具有更高的预测精度,预测值与实际值拟合度较高.

改进FCM的交通流缺失数据修复方法

针对传统模糊C均值(FCM)算法中聚类数目和模糊度指数由先验知识人为确定而影响聚类结果精度的问题,提出一种改进FCM的交通流缺失数据修复方法。首先根据模糊决策理论,使用FCM目标函数和划分熵共同确定最优模糊度指数;其次利用模拟退火算法优化FCM的聚类数目;最后结合交通流数据的时空相关性提升修复效果。以美国加州运输局运行监测系统提供的高速公路交通数据为研究对象,实验结果表明:该方法克服了传统FCM算法全局搜索能力不足的问题,与传统FCM算法相比,其均方根误差降低了约30%。

基于自适应加权平均的车速检测研究

随着智能交通的发展,海量的交通状态实时数据成为智能交通的研究对象,利用低损耗获取高实时性的交通流状态成为实际应用研究中的重点.本文引入一种自适应加权平均的车速检测方法,与以往的方法相比,自适应加权平均方法更加简单,并且容易实现;虽然其误差比最小均方差加权平均算法略大,但是这种方法不必以存储海量的交通信息数据为代价,解决了交通信息采集过程中的关键——实时性不高、存储容量大等实际问题.通过MATLAB仿真结果可以看到,此方法大大节省了数据存储空间和数据处理的时间,适合在实际工程应用中广泛推广.

高可用性Web-ITS系统研究

文章介绍了智能交通系统的概念和相关技术,并对传统智能交通系统的构架进行分析和讨论,提出了构建基于群集和RAID技术的高可用性Web-ITS系统的解决方案和技术路线。同时对Web-ITS系统的节点冗余、负载均衡、数据冗余、数据安全进行了讨论和研究,结果表明,建立高可用性Web-ITS系统是可行的,也是快速发展Web-ITS必然要求。

基于NSGA-Ⅱ的无线传感网络簇首选择算法

延长网络生命周期是无线传感网络需要解决的主要问题之一,拓扑控制对于延长网络生命周期具有重要意义.针对分簇结构无线传感网络的簇首选择问题,提出一种基于NSGA-Ⅱ的多目标簇首选择算法.同时考虑网络通信距离、能量消耗、负载均衡以及节点生存时间等多个优化目标,通过理论计算确定最优簇首数量指导种群初始化,引入正交实验机制降低搜索次数,提高寻优效率.实验结果表明,所提出的算法与低功耗自适应层次分簇(LEACH)算法相比,簇首分布均匀、负载均衡,可明显延长网络的生命周期,与标准NSGA-Ⅱ算法相比,可更好地提高搜索寻优效率.

基于分层环境选择策略的约束多目标优化算法

针对约束多目标优化问题(CMOPs)难以平衡约束条件和目标函数的不足,提出一种基于分层环境选择策略的约束多目标优化算法(CMOEA-HES).CMOEA-HES首先采用模拟二项式交叉(SBX)和差分进化(DE)算子分别产生各自的子代种群;然后通过第一层环境选择策略从两个子代种群中选出收敛性和多样性较好的个体;接着采用第二层环境选择机制在父代种群和第一层环境选择策略选出的个体中进行选择,在多样性和收敛性的基础上选出可行性较好的个体;最后将选出的个体作为下一代进化的种群.为验证CMOEA-HES的性能,将其与5种先进的约束多目标优化算法在两组典型的测试集上进行仿真计算,实验结果表明:CMOEA-HES在求解约束多目标优化问题上更具有竞争力.