微波接力组网的节点再优化研究

为进一步完善常规方法构建的微波接力网组网拓扑,提出了一种基于最优链路集的网络节点再优化方法。该方法综合考虑节点吸引系数、链路衰落概率、节点通信冗余等因素,借助网络拓扑优化的思想,采用遗传算法构造了微波接力网的最优链路集;以节点在该集合中的度为依据,通过对节点的合理排序,以部分用户节点代替非必要的干线节点,完善了组网拓扑。在修改链路和节点价值集后,该方法还可解决其他网络干线、中继节点的选择问题。

一种基于双编码遗传算法的机动微波接力网组网方法

针对机动微波接力网组网及优化需要,提出一种基于双编码遗传算法(DMGA)的机动微波接力网组网方法.以网络价值最大化为优化目标,综合考虑节点价值、吸引系数、衰落概率等条件,实现了对每个节点接力设备的智能分配.通过研究网络价值与设备数的非线性关系,引入最优配置点的概念,为微波接力设备的编配数量提供量化依据.在遗传算法中使用邻接矩阵和邻接表的双编码法,其中邻接矩阵的优势是基因改变一定不会产生重复、自环链路,邻接表的优势是基因改变不会影响链路的总数.两种编码法在变异、交叉运算中交替运用,使约束条件与染色体形态特征优势匹配,避免了为满足约束进行的循环操作,提高了运算效率.仿真算例表明,双编码算法与单编码相比,计算时耗大大降低.

一种基于柯氏复杂度的因果网络定向方法

因果网络定向问题实质是一个"多对多"因果关系发现过程,传统的V-结构定向方法只能确定一组马尔可夫等价类而非最终的因果关系.为解决该问题,从柯氏复杂度的因果推断原理视角出发,利用贝叶斯链式法则推导出局部网络因果定向规则,并在此基础上提出高维全局网络因果定向方法.同时,将前者运用于改进基于局部条件独立信息搜索学习马尔可夫毯典型算法,后者运用于改进基于约束的因果网络结构学习典型算法.实验结果表明,改进后算法在保证较高准确率的同时可有效提升执行效率.