基于遗传算法的时间敏感网络调度方法

随着网络技术的进步,车载网、工业物联网以及5G超高可靠低时延通信(uRLLC)等应用都需要时间敏感网络(TSN)来保证超低延时的确定性数据传输。TSN流量调度需要快速且精确的调度算法,现有的精确式求解方法复杂度高,在大规模联合调度时无法满足实时性。文中设计了一种性能更优的路由优化遗传算法(Routing-GA),结合路由和流量调度约束,能通过优化路由来提高调度算法求解效率,为链路负载均衡调度提供服务。该策略增加了调度的求解空间以及求解灵活性,具备元启发式算法的快速求近最优解特点,能够简单有效地处理大规模TSN路由约束联合调度问题。Routing-GA以时间敏感流最小端到端时延作为优化目标,联合考虑路由和TSN约束,并针对TSN传输问题特性提供一种低复杂度、高效率和高拓展性的遗传算法编码方式。此外,为了提高调度算法的性能,提出针对路由长度及链路负载均衡进行优化的交叉变异机制。实验结果表明所实现的Routing-GA能有效减少端到端时延,显著提高求解质量,进化率可以达到24.42%,平均只需要传统遗传算法(GA)迭代运行时间的12%,从而有效提高了算法的求解性能,满足TSN调度的约束要求。

基于NSGA-Ⅱ遗传算法的锂电池均衡指标优化

锂离子电池均衡系统主要用于解决电池组工作过程中出现的不一致现象,但现有研究在需要权衡多个均衡指标时,均衡阈值的选取缺乏理论基础。为解决该问题,本工作提出了基于非支配排序遗传算法(nondominated sorting genetic algorithm-Ⅱ,NSGA-Ⅱ)对锂离子电池均衡系统的均衡指标进行优化的计算框架。首先,以均衡阈值(Δ_(V))作为问题参数,兼顾均衡速度、开关次数、荷电状态(state of charge,SOC)一致性最小作为多个均衡指标建立目标函数,并给出阈值与均衡指标关系式求解的方法,建立优化锂电池均衡指标的问题模型;然后,使用NSGA-Ⅱ算法对多个均衡指标进行优化,并设计相应的决策策略;最后,在新欧洲驾驶循环(new European driving cycle,NEDC)工况和高速燃油经济性测试循环(highway fuel economy test,HWFET)工况下对所提算法的有效性进行验证。结果表明,电池组一致性、均衡速度相近的情况下,NEDC工况下最佳阈值Δ_(V)=0.0232的开关频率是经验阈值Δ_(V)=0.01的42%;同样,在HWFET工况下最优阈值Δ_(V)=0.0156的开关频率是经验阈值Δ_(V)=0.01的43.6%。本工作所提方法解决了以往均衡阈值难以确定的问题,使均衡系统的设计变得科学有效。

基于改进遗传算法的对抗样本生成方法

对抗样本是评估模型安全性和鲁棒性的有效工具,对模型进行对抗训练能有效提升模型的安全性。现有对抗攻击按主流分类方法可分为白盒攻击和黑盒攻击两类,其中黑盒攻击方法普遍存在攻击效率低、隐蔽性差等问题。提出一种基于改进遗传算法的黑盒攻击方法,通过在对抗样本进化过程中引入类间激活热力图解释方法,并对原始图像进行区域像素划分,将扰动进化限制在图像关键区域,以提升所生成对抗样本的隐蔽性。在算法中使用自适应概率函数与精英保留策略,提高算法的攻击效率,通过样本初始化、选择、交叉、变异等操作,在仅掌握模型输出标签及其置信度的情况下实现黑盒攻击。实验结果表明,与同是基于遗传算法的POBA-GA黑盒攻击方法相比,该方法在相同攻击成功率下生成的对抗样本隐蔽性更好,且生成过程中模型访问次数更少,隐蔽性平均提升7.14%,模型访问次数平均降低6.43%。

基于遗传算法的恶意软件对抗样本生成方法

近年来,随着互联网技术的发展,恶意软件成为网络攻击的重要手段。为防御恶意软件攻击,可以将深度学习技术应用于恶意软件检测。然而,由于深度学习模型自身的局限性,基于深度学习的恶意软件检测模型容易受到恶意软件对抗样本的攻击,导致恶意软件对抗样本逃逸模型检测。通过研究恶意软件对抗样本的生成,可以帮助模型设计者改进模型设计、提升模型鲁棒性和防御能力。因此,针对基于灰度图的恶意软件检测模型,提出一种基于遗传算法的恶意软件对抗样本生成方法。该方法通过遗传算法优化扰动,再结合混淆操作向恶意软件中注入扰动,从而保证生成的恶意软件对抗样本具有对抗性、可执行性和恶意性。经实验验证,相比现有工作,所提方法生成的对抗样本攻击成功率平均提高56.4%。

一种基于改进遗传算法的动静态负载均衡算法

针对目前负载均衡算法在低负载情况下影响系统效率及在高负载情况下分配效率不佳等问题,基于Nginx服务器,文中提出了一种在改进遗传算法基础上动静态结合的负载均衡算法。该算法选择使用CPU性能、内存性能、磁盘I/O和网络带宽等服务器性能参数作为服务器节点性能评价指标及低负载下的静态加权轮询算法权值,并基于该指标根据节点性能使用率所占集群平均负载使用率的变化,设计了在高负载情况下的动态负载均衡算法。通过引入操作转换阈值及动态三角函数操作概率的改进遗传算法,实现了静态算法优势区转变为动态算法优势区的阈值计算。通过设计对比实验,证明了文中算法在实验环境下相比于加权轮询算法、概率择优算法和dnfs_conn算法更具有较好的负载均衡效果,相比于dnfs_conn算法在平均响应时间和实际并发连接数等数值上具有15%左右的提升。

基于改进遗传算法的物联网链路负载均衡控制方法

针对链路负载控制受物联网搜索空间的影响,搜索空间过小会降低负载均衡度的问题,提出一种基于改进遗传算法的物联网链路负载均衡控制方法.首先,构建物联网链路的频带传输模型,利用抽头间隔采样控制物联网链路传输,建立物联网链路频带模型获得均衡调度函数,整合频带完成负载均衡配置;其次,加入分数间隔均衡设计链路,用频带分配原则得到频带匹配概率,调节均衡器的抽头数值,设置链路码间干扰项约束;再次,给出遗传算法的参数编码,把所有请求都按一维顺序排列,对适应度函数进行线性尺度转换,完成遗传算法的改进;最后,组合基因进化染色体,扩展物联网搜索空间,令迭代数量小于最大系数,实现链路传输负载的均衡控制.实验结果表明,该方法能较好控制物联网链路负载均衡,链路负载均衡度可达92%,并且能减少能量消耗.

基于自适应遗传算法的无线激光通信网络负载均衡成簇算法

由于无线激光通信网络吞吐量低、节点传输延时高和存在分组丢失率多等问题,提出基于自适应遗传算法的无线激光通信网络负载均衡成簇算法。利用AGCH算法对无线激光通信网络节点进行分组和成簇,从中取得簇头节点,构建资源调度模型,利用该模型对簇头节点中的资源进行分配调度,采用自适应遗传算法对建立的模型进行求解,以此提升无线激光通信网络负载均衡效果,实现无线激光通信网络负载均衡。实验结果表明,通过对该算法进行网络吞吐量测试、节点传输延时测试和分组丢失率测试,验证了该算法的有效性强、实用性高。

基于遗传算法的不均衡样本在支持向量机中的研究

不均衡样本在实际应用中广泛存在,已对学习领域造成挑战,如何处理不均衡样本情况也已经成为目前的热点。针对不均衡样本的问题提出将遗传算法应用于支持向量机中。利用遗传算法中的交叉、变异来进行样本的遗传,从而产生新的群体,即样本。

基于改进遗传算法的SDN控制器放置优化研究

与传统的网络不同,软件定义网络将网络的控制层与数据层分开,从而提供了网络的集中视图,可以灵活控制网络流量。然而在大规模的软件定义网络中不合理的控制器部署会直接影响到网络的性能。为了找到网络中最优的控制器放置位置和数量,同时最小化时延、均衡负载并优化成本,提出一种基于改进遗传算法的求解算法。在该算法中引入贪婪思想并改进变异算子从而改善其收敛速度和寻优能力。此外,在一些真实的拓扑上将该算法与其他求解算法进行对比,结果表明改进的遗传算法性能更好。

考虑训练样本分布不均衡的超短期风电功率概率预测

提出一种考虑训练样本分布不均衡的超短期风电概率预测方法。首先构建深度信念混合密度网络,通过深度信念网络独特的预训练和微调机制提取输入变量的隐特征,利用Beta混合概率分布的有界性准确表征风电预测功率的概率分布,实现隐特征与预测功率概率分布参数之间的非线性映射;然后引入训练样本分布平滑策略,其中特征分布平滑技术用于校准输入特征,标签分布平滑技术用于对各样本误差赋予差异化权重,从输入和输出两方面改善训练样本分布不均衡现象对预测结果的不利影响。实际算例结果表明,与常见风电功率概率预测模型相比,所提模型在点预测和概率预测方面均能获得较高的预测精度,尤其能有效提高低密度样本区域的预测精度。

卫星网络混合负载均衡策略下的多径流量分配算法

为均衡卫星网络流量分配,满足用户QoS需求,提出一种全局和局部结合的混合负载均衡策略下的多径流量分配算法(HLB-MTD)。根据QoS业务需求进行部分路径筛选,基于表的散列算法进行流量的初次分配;在初次分配的基础上针对突发拥塞进行局部调整,建立重映射目标函数,通过改进交叉和变异概率的遗传算法求出最优解;求得局部优化的,流到路径的映射策略。仿真结果表明,该算法可有效缓解卫星网络拥塞,实现流量均衡分配,在丢包率、平均排队时延、等指标上有更好的提升。

一种求解NASH均衡解的遗传算法

将现代生物遗传基因理论引入到对策问题的均衡解计算中来 ,本文设计了求解有限n人非合作对策的 Nash均衡解的遗传算法模型 ,并通过双矩阵对策的例题验证了算法的有效性。

一种混合遗传算法在云计算负载均衡中的应用研究

遗传算法(GA)被广泛用于解决科学与工程中的复杂问题,然而传统的GA在求解高维函数优化问题时存在很多限制因素,因此无法在云计算中直接应用.提出了一种多智能体与遗传算法混合的多Agent遗传算法(MAGA).首先论证了MAGA较传统GA的优越之处,然后采用MAGA建立了基于虚拟化资源管理的负载均衡模型,解决云计算中的负载均衡问题.与Min_min策略对比实验结果表明,多Agent遗传算法能够达到更加优越的负载均衡效果.

应用于MPLS网络负载均衡的启发式自适应遗传算法研究

提出一种启发式自适应遗传优化算法,求解MPLS网络负载均衡问题。算法采用自然数编码,自适应的交叉变异算子,并融入启发式信息有效地提高了搜索效率。仿真结果证明算法是有效的,显著改善了传统SPF路由算法易于导致的网络流量分布不均衡的状况。

公路工程中多种资源均衡优化的遗传算法设计

利用遗传算法对公路工程进度优化中的资源均衡优化问题进行了探讨,给出了利用遗传算法对整个问题的求解设计思路,对公路工程多种资源均衡优化中利用遗传算法优化时染色体设计、优秀个体的充分利用以及遗传操作后不合理结果的处理提出了解决方法,为今后遗传算法在公路工程进度优化中的应用提供了有益的思路。最后设计了求解流程图。

遗传算法优化神经网络权值盲均衡算法的研究

将遗传算法与神经网络盲均衡算法相结合,提出了两段式优化神经网络权值的方案。首先利用遗传算法全局搜索能力强的特点优化初始权值,然后发挥BP算法局部搜索速度快的特点得到最佳权值。经计算机仿真表明,该算法与传统BP神经网络盲均衡算法相比,收敛速度加快,稳态剩余误差减小,误码率降低。

基于遗传算法的网络负载均衡的选播路由算法

在分析选播通信服务的基础上,提出了一种能实现网络负载均衡的基于遗传算法的选播QoS路由算法。该算法在满足业务带宽和时延的基本要求下,采用适合问题特点的遗传算子,将网络资源消耗和负载均衡分布作为目标函数进行优化,达到网络资源消耗较小、负载均衡分布的目的。仿真结果表明,该算法是有效且切实可行的。

基于遗传算法的服务器端负载均衡系统的设计

在IP负载均衡的方式下,将并行分布式系统中广泛使用的遗传算法应用到服务器端负载均衡系统的设计中,并针对系统的实现对遗传算法作了适当改进,降低了服务器端请求的响应时间,提高了服务器端CPU的利用率,从而改善了系统性能。

网络计划多资源均衡优化遗传算法

在研究现有成果的基础上,构建出多资源均衡优化模型,并引入遗传算法对其进行计算。针对遗传算法中交叉算子和变异算子对约束条件破坏较大,容易产生无效解的问题,提出了一种新的处理方法,提高了遗传算法的运行效率。结合案例验证了该方法的可行性和有效性。

基于遗传算法的Web集群负载均衡方法

Web集群技术解决了Web服务器系统的容量问题,其核心思想是负载均衡策略和算法。在此对Web集群中的负载均衡技术进行了分析和探讨,并提出一种混合遗传算法。仿真实验表明,这种算法能有效解决Web集群的负载均衡问题,并且能避免标准遗传算法的早熟收敛现象,同传统的负载均衡方法相比,降低了任务执行时间。