ATM网络带宽动态优化的广义粒子模型和算法

提出一种新的广义粒子模型和算法,将ATM网络优化问题转变为对偶力场中粒子的运动学和动力学问题,从而分布并行地动态优化ATM网络的资源和带宽分配以及ATM网络的QoS通信合约.讨论了ATM网络动态优化的广义粒子模型的适应性、收敛性和稳定性等性质.ATM网络带宽分配优化问题是NP-完全问题.根据服务类型、通信流量特性和QoS参数,优化ATM网络的资源和带宽分配,对于提高网络吞吐能力、保证网络QoS性能有重要意义.理论分析和仿真实验表明,广义粒子模型和算法具有高度分布并行性,能体现资源需求的价格机制,能适应复杂的动态环境,易于硬件和软件实现.

多Agent系统问题求解的广义粒子模型方法

提出一种多Agent系统分布式问题求解的新的广义粒子模型,将复杂环境下多Agent系统资源分配和任务规划的优化问题转变为广义粒子模型中的粒子运动学和动力学问题.广义粒子模型可以描述和处理的复杂环境包括多Agent系统中的Agent之间存在的随机、并发、多类型的交互行为.各Agent有不同的个性、自治性、生命周期、拥塞程度和故障几率等.本文讨论了广义粒子模型和多Agent系统分布式问题求解的关系,提出了广义粒子模型的数学物理模型和多Agent系统分布式问题求解算法,并且证明了它们的正确性、收敛性、稳定平衡性等基本性质.通过复杂环境下多Agent系统资源分配和任务规划问题的实验和比较,证实了广义粒子模型方法的有效性及其特点.

广义粒子群优化模型

粒子群优化算法提出至今一直未能有效解决的离散及组合优化问题.针对这个问题,文中首先回顾了粒子群优化算法在整数规划问题的应用以及该算法的二进制离散优化模型,并分析了其缺陷.然后,基于传统算法的速度-位移更新操作,在分析粒子群优化机理的基础上提出了广义粒子群优化模型(GPSO),使其适用于解决离散及组合优化问题.GPSO模型本质仍然符合粒子群优化机理,但是其粒子更新策略既可根据优化问题的特点设计,也可实现与已有方法的融合.该文以旅行商问题(TSP)为例,针对遗传算法(GA)解决该问题的成功经验,使用遗传操作作为GPSO模型中的更新算子,进一步提出基于遗传操作的粒子群优化模型,并以Inver over算子作为模型中具体的遗传操作设计了基于GPSO模型的TSP算法.与采用相同遗传操作的GA比较,基于GPSO模型的算法解的质量与收敛稳定性提高,同时计算费用显著降低.