基于移动Agent的代价驱动的云端存储模型

针对当前云存储系统副本策略对商业利益追求的考虑不够充分,构建基于移动agent的代价驱动的云端存储模型,引入商业相关概念并给出定义及计算公式,提出代价驱动的移动agent自适应策略。移动移动agent携带数据及副本以用户良好体验及高"收益"原则进行决策计算及判断在云平台异构节点间移动、复制或销毁,实现商业利益最大化的动态存储。给出移动agent自适应动作的算法实现。实验结果表明,该模型在负载均衡和"收益"方面都优于传统静态副本策略。

移动支持协议移动管理代价研究

针对移动支持协议的移动管理代价进行了研究,提出了一种合适的网络模型.在此网络模型的基础上,采用理论分析的方法分析了使用各移动支持协议时,为支持MH(mobilehost)移动给网络带来的信令开销,并采用数值仿真的方法,对只使用移动IP协议和引入层次移动时的信令开销以及采用MIP-RR,CIP和HAWAII等不同微移动协议时的信令开销进行了比较.结果表明:引入层次移动与只使用移动IP相比,显著减少了网络的信令开销;在不同的微移动协议中,使用显式删除旧路径的路径维护策略与频繁发送周期性的刷新报文相比,给网络带来的信令开销较小;使用路径更新报文发送到交叉MRA(mobileroutingAgent)的路径更新方法与路径更新报文发送到GW(gateway)相比,具有较小的网络信令开销.

分级移动IP网络性能算法的研究

基于移动IP协议和性能代价分析,提出了一种分级移动IP性能的改进算法,并推导了一系列的性能代价表达式。通过对仿真结果的分析,得到了在不同条件下提高分级移动IP性能的参数配置。此外,还用递推的方法找到了最优化的区域网络规模,这种优化方法对移动IP网络规划有重要的理论意义和实用价值。

改进的快速探索随机树双足机器人路径规划算法

针对快速探索随机树(RRT)算法进行路径规划时随机性大且未考虑移动代价的问题,提出了任意时间快速探索随机树算法。生成一组快速探索随机树,之后每个树都重新使用上个树的信息来不断改进树的延伸。为进一步优化算法,使用节点缓存来生成一个引力函数来减少移动代价。最终的算法能够快速地生成初始路径,在规划时间内不断地改进路径且通过使用阈值来确保后面路径都比上次的移动代价更小。双足机器人仿真实验中,改进后的算法与初始的算法相比,搜索的节点数由883减少到704,效率提高了近25%。实验结果表明了改进算法的有效性。