基于MANET的多层分级结构及其分群策略研究

移动自组网MANET(Mobile Ad-hoc NETworks)的分级结构包括两层分级结构和多层分级结构MHS(Multi-layer Hierarchical Structure)。虽然MHS具有更好的可扩展性,但也存在着结构稳定性较差和结构维护开销较大等问题。针对上述问题,提出一种基于MANET的多层分级结构MMHS(MANET based Multi-layer Hierarchical Structure)。首先对MMHS进行设计,然后对MMHS的分群策略进行研究,最后对MHS和MMHS的性能进行仿真分析。仿真结果表明:MMHS既提高了结构稳定性,又降低了结构维护开销,说明MMHS要优于MHS。

基于分群策略的混沌粒子群优化算法

将整个种群分为PSO机制迭代分群和混沌机制迭代分群,依据早熟判定策略,对种群实行两阶段寻优。第一阶段PSO分群和混沌分群同时各自迭代,比较适应值大小择优共同更新全局极值,避免粒子陷入局部最优;第二阶段PSO分群和混沌分群进行交叉迭代,排序适应值,选取PSO分群较优粒子替代混沌分群较差粒子,迭代搜索后取混沌分群较优粒子替代PSO分群较差粒子,按适应值大小共同更新全局极值,完成对PSO分群局部搅动,帮助惰性粒子跳出局部最优区。该方法考虑了算法的迭代速度,保证了迭代精度。

基于弹性优化机制的社区负荷EV分群优化策略

针对EV无序充电对电网造成的负荷波动,文中提出了基于弹性优化机制的社区负荷EV分群优化策略。该策略以社区EV返程时刻为标准划分社区负荷序列和EV车辆序列,根据策略响应度将EV车辆序列划分策略响应车群和普通车群。电网侧与策略响应车群签订具有弹性限度的合约A与合约B,并制定各车群的充放电计划。合约A侧重考虑用户效益,通过控制策略响应车群各EV序列充放电,分别优化各车辆序列对应的社区负荷序列,尽力获取放电收益。合约B侧重考虑用户用车需求,通过调整EV的充放电计划,在平衡合约执行度和EV可用度的同时最大化降低社区序列负荷波动。文中以某社区居民家庭负荷为算例,以最小化负荷峰谷差和用户支出费用为目标函数,通过MATLAB、Yalmip平台和Gurobi求解器联合建模求解各合约场景。结果表明,策略实施后,各合约场景下的社区负荷峰谷差分别降低了3.74%、2.87%和5.04%,EV序列费用支出分别减少了10.80%、5.23%和10.55%。

电动汽车群参与调频服务的策略研究

电动汽车数量具备一定的规模后,可以利用电动汽车的移动储能特性,向电网提供调频服务。针对目前研究多集中在单种电动汽车参与系统调频,忽略了实际运营中不同种类电动汽车运行规律的差异,本文提出了一种电动汽车分群方法和不同电动汽车群参与电网调频的策略,该策略既能满足电动汽车行驶需求和延长动力电池寿命,也能参与电网调频辅助服务。在此基础上,建立了电动汽车群调频容量的计算模型,研究和建立了多种电动汽车参与一次调频和二次调频的系统模型。通过算例研究,验证了所提策略和模型的可行性和有效性。

OBS数据信道分群调度机制在波带交换中的应用

介绍了光突发交换(OBS)网络中的数据信道分群调度策略,并将此信道分群调度策略引入多粒度光交换网络中,提出了一种新的基于OBS信道分群的负载平衡波带分配策略。分析表明,该调度策略能达到改善网络性能的目的。

基于改进的粒子群优化神经网络算法的海平面变化预测分析

针对验潮站潮位预报的需求,提出一种基于分群策略的粒子群优化神经网络(SSPSO-BP)的预报方法。该方法通过建立多个不同功能且具有交流能力的智能粒子群,经SSPSO和BP的两次优化,构建潮高预报模型。实验研究表明,SSPSO-BP模型在Oga站的潮位资料上高、低潮位间的时刻基本保持一致,高潮时刻最大潮高差为7.37 cm,低潮时刻最大潮高差为4.21 cm,该模型比标准BP神经网络及PSO优化神经网络在准确度和精度上有了很大的提高,其平均绝对误差、均方误差相较于BP神经网络分别提升了16.2%、79.2%,相较于PSO-BP神经网络提升了13.9%、79.6%。

网络传输的方向是群对群传输研究

网络传输可以分为四种形态:"一对一","多对一","一对多"和"多对多"。"一对一"是问题分解的终极,而"多对多"则是效率所追求的终极。由四种形态之间转变展开讨论,为了提高效率,网络传输应该转向"多对多"。群对群是"多对多"的另一种传输方式,或者说,是强调分群的"多对多"传输。

基于群对群传输的计算架构

群对群(G2G)计算是一种基于G2G网络的分布式计算。由群所组成且涉及群与群关系的网络称为G2G网络,群是一些具有相同属性节点的聚合。G2G计算定义了4种基本运算:传递(Transfer),交换(Exchange),节点处理(NodeProcess)和变形(Transmute)。用4种基本运算可以搭建不同的G2G计算。G2G计算得益于灵活的分群,相同属性或任务的群内计算,以及群对群的多对多连接。G2G计算还具有灵活的体系结构。G2G计算是灵活,方便和有效的分布式计算。

新型果蝇优化算法的研究

由于传统果蝇优化算法(FOA)具有寻优精度低和易陷入局部极小点的缺点,提出了一种具有不同飞行半径的分群搜索策略,使得在搜索区间内果蝇的种群多样性大大增加;同时在果蝇个体的飞行距离与方向的步长函数上,针对不同的果蝇子群引入了不同的函数,该类函数具有周期震荡性质,可以很好地避免果蝇群陷入局部极小点而无法求得最优解。通过对8个测试函数的仿真实验,验证了这些策略能够有效地提高搜索精度、收敛速度和稳定性。

基于逆向学习行为粒子群算法的云计算大规模任务调度

针对传统智能优化算法在解决云计算任务调度时,存在易陷入局部最优和过早收敛的问题,提出了一种逆向学习行为粒子群优化(RLPSO)算法。首先,采用分群策略对种群内个体进行群划分,使得整个种群具有搜索行为多样性,增强算法的搜索能力;其次,引入逆向学习机制及繁殖机制,避免算法陷入局部最优,并在理论上证明了RLPSO算法的收敛性;最后,通过实验进行有效性验证,并与4个经典的智能优化算法进行了比较。实验结果表明,在大规模任务调度总完成时间寻优问题上,RLPSO算法表现出比4个对比算法更优的搜索性能。