支持MEC的D2D多播网络中的任务卸载与资源分配

在支持移动边缘计算（mobile edge computing,MEC）的D2D(device-to-device)多播网络中,考虑到资源受限时的任务卸载与资源分配问题。首先,提出联合用户社会属性、可用能量和传输速率的D2D多播簇首选择策略和分簇策略。其次,在考虑用户选择、任务卸载和资源分配的条件下,将最大化用户的收益作为最优化问题进行了建模。为了求解最优化问题,将其分解为用户选择最优化（user selection optimization,USO）和资源分配最优化（resource allocation optimization,RAO）两个子问题,并采用贪婪算法对USO问题进行求解,采用拉格朗日乘数法得到RAO问题的最优解。通过仿真实验表明了本文提出的算法与其他算法相比,能有效提升用户的收益。     

基于自适应遗传算法的OFDMA资源分配

针对OFDMA系统,提出了基于边缘自适应(MA)准则的子载波分配算法,该算法基于一种新颖的自适应遗传算法.在新算法中的交叉概率、变异概率随着群体适应度的改变而改变,同时在该算法的初始种群中加入优秀基因的个体,使得算法快速收敛,并能搜寻到优秀的子载波分配方案.仿真结果表明:新算法与已有分布式算法、遗传算法相比较,在性能上有较大的改善,并远优于静态的频分多址资源分配方式.     

基于遗传操作的延迟和度约束的多播路由启发式算法

基于启发式思想的简单性和路径相似性原理，采用遗传算法的交叉和变异操作，提出了一种快速的满足延迟和度约束的最小费用多播路由树的生成算法(DDCMRA)，以解决直接修改延迟约束或者度约束多播路由算法时寻优时间长、并且可能导致部分目的节点因不能满足延迟或者度约束而不能加入多播的问题．仿真结果显示。该算法获得的多播路由树满足延迟和度约束，费用较少，运行时间接近CSPT和RA算法．该算法也为动态多播路由树生成和网络负载平衡提供了一种方法．     

OFDMA中继系统中基于QoS保证的资源分配算法

研究了 OFDMA 中继下行链路通信系统中的动态资源分配问题,提出了一种可以保证用户最低 QoS 需求的资源分配算法.首先在简化资源优化问题的过程中,采用等功率分配方法以降低算法复杂度,然后通过拉格朗日松弛优化方法推导出了子载波分配和中继选择最优解,并在此基础上引入用户速率权衡因子,根据速率权衡因子越大的用户,越具有选择子载波和中继的优先权这一准则进行子载波分配和中继选择.仿真结果表明:新算法能够获得较高的系统容量,同时也能很好地保证不同用户的最低速率需求.     

利用OFDMA进行资源分配的投机算法

正交频分复用OFDM(Orthogonal Frequency Division Multiplexing)系统以其优良的对抗频率选择性衰落和信号码间串扰的能力,被看作是Beyond 3G移动通信的主要技术.IEEE802.16工作组将OFDM和OFDMA(Orthogonal Frequency Division Multiple Accessing)作为802.16d/e的物理层选择.802.16e重点采用OFDMA来保证移动性,它的物理层可以支持四种不同的子载波数量,信号带宽与子载波数量成正比,这就可以在移动环境中灵活适应信道带宽的变化.本文对单蜂窝系统中下行链路的资源分配(包括子载波的分配和功率的分配)进行了研究探讨,提出了一个投机算法,目的是最大化系统的瞬时数据吞吐量.     

移动感知下小小区网络的任务卸载、迁移及资源分配策略

针对基于移动边缘计算(mobile edge computing,MEC)的小小区网络中任务迁移产生额外开销的问题,提出一种优化的移动感知下小小区网络的任务卸载、迁移及资源分配策略,以达到减小迁移概率的同时最大化总收益的目的。首先,利用移动设备(mobile equipment,ME)的驻留时间分析移动设备的移动性,并通过效用函数表示总收益最大化这一问题。其次,由于该问题是一个混合整数非线性规划(mixed integer non-linear programming,MINLP)问题,提出基于遗传算法的分布式资源最优化算法(distributed resource optimization algorithm based on genetic algorithm,DROAGA)来进行求解。最后,通过仿真实验模拟移动设备数量、计算资源数量、任务迁移开销和平均驻留时间对移动设备总收益的影响。实验结果表明,与其他算法相比,本文提出的算法能更有效地提高用户的总收益。     

基于多样变异随机搜索的差分进化算法

为解决差分进化算法(DE)易陷入局部最优、收敛速度慢等问题,提出一种基于多样变异随机搜索的差分进化算法(DMSDE),并证明算法依概率收敛.DMSDE算法在保留DE算法变异操作的同时采用变异比例因子自适应调整策略提高种群进化效率;然后利用改进的交叉算子加快算法收敛速度;此外,构造了一个新颖的多样变异算子来增强算法局部搜索能力并确保种群多样性.通过8个常用标准测试函数上的实验表明,所提出的算法在收敛精度、稳定性、收敛速度方面都优于其他5种算法,具有较高的优化性能.     

基于共轭梯度法的盲分离在线算法

在严格论证盲分离问题与数学上的最优化问题等价的基础上,把问题的重点集中在对该最优化问题的寻优上.由于盲分离最优化问题的目标函数的特点,在欧氏空间中对决策变量(分离矩阵W)进行寻优求解带来诸多复杂因素,寻优算法在弯曲的黎曼空间中动态运行是解决这些问题的一条可行途径.为此,本文在改进 NGA 和 PDFA 算法的基础上,结合在线算法 PDEA 在估计信号的得分函数的较好效果,和求解最优化问题的共轭梯度法较快收敛性能,提出了具有自学习能力,并继承共轭梯度法特点的盲分离在线算法 PDEA-CONJ.此算法应用到盲分离问题中,在混合矩阵严重病态情况下能取得了较好分离效果.实际算例验证了其收敛性和有效性.     

基于simhash的密文同义词检索方法

为了解决现有的密文检索方案计算量过大,且无法支持同义词检索等问题,通过对现有的明文同义词检索方案和现有的密文检索方案进行研究,在安全KNN(k-nearest neighbour)方案的基础上提出一个支持同义词检索的密文模糊检索方法.该方法通过将现有明文同义词检索方案中的全扩展算法与安全KNN方案相结合,实现了在密文环境下的支持同义词检索的方案.同时,本文通过改进的simhash算法提高了安全KNN方案的效率.通过实验对比,可以看出本文提出的方案能够在对精确度降低很小的情况下,提升密文检索的效率,降低存储使用的空间.     

基于混合遗传算法的MPRM最小化

MPRM(Mixed-Polarity Reed-Muller)最小化是RM(Reed-Muller)电路逻辑综合过程中一个非常重要的阶段,对于输入数较多的布尔函数,传统遗传算法(Genetic Algorithm,GA)在解决MPRM最小化问题时收敛过早.提出了一种基于混合遗传算法(Hybrid Genetic Algorithm,HGA)的MPRM最小化算法,该算法将基于相异度的局部改善策略结合到GA算法的迭代过程中.局部改善策略对种群中最佳个体和与之相异度最大的个体实施交叉操作生成新个体,并将新个体与最佳或最差个体进行竞争.将所提算法应用于一组具有较多输入数的MCNC基准电路,并与其他智能MPRM最小化算法进行比较.结果表明,局部改善策略能够避免算法陷入局部极小,增强了全局收敛能力.与模拟退火遗传算法(Simulated Annealing Genetic Algorithm,SAGA)相比,HGA算法在获得类似结果的前提下提高了时间效率;与Hybrid multi-valued DPSO算法相比,HGA在得到基本相同的算法结果时,时间效率亦基本相同.     

能量有效的无线传感网络节点调度算法研究

在无线传感网路中,在某些情况下引入以节点地理位置为分簇依据的GAF算法虽能有效节省节点能量,但由于其随机选择簇头,没有考虑簇头最佳位置分布,因此并不能对节点能量进行充分利用.针对此问题,提出一种新的改进算法L-GAF算法,其主要思想是寻找最佳位置簇头节点,通过定期动态转换虚拟单元格,改变节点与中心点的距离,利用节点度策略和节点剩余能量优化簇头选举机制,均衡能量分布.实验证明:与GAF算法相比,此算法延长了网络的生命周期,提高网络的负载能力.     

安全多方计算中空间位置关系的保密判定

保密判断空间位置关系属于安全多方计算中的几何问题,在军事、商业等领域有着广泛的应用前景.针对空间中位置关系问题,首先将该问题转化为平行四边形面积问题,接着设计了保密计算两向量张成的平行四边形面积协议,然后基于此协议解决了空间中三点共线和点线面位置关系的保密判定问题,最后,利用模拟范例证明了协议的安全性.分析和比较显示:与已有的方案相比,本文的方案避免了多个基础协议的调用,不但提高了效率,而且适用范围更加广泛.此外,由于我们的方案没有使用任何公钥加密算法,因此达到了信息论安全.     

一种启发式能量优化的无线传感器网络数据收集算法

建立了基于能耗和剩余能量约束的无线传感器网络数据收集模型.提出了一种新的基于目标偏差度函数的启发式算法,该算法根据前次计算的结果和约束要求以及自适应动态调整目标函数加权系数的取值,避免了无效重复计算,使算法始终朝着有效的方向搜索.仿真分析表明本算法在网络存活时间指标上优于最小能耗算法;在算法的时间复杂度和搜索成功率上优于k-Dijkstra算法.     

高斯骨架差分进化算法与回声状态网络的结合应用

针对回声状态网络(ESN)对于不同时间序列的学习上无法有效地确定储备池参数的问题,提出一种新型预测模型。利用改进的高斯骨架差分进化算法(DE)来优化回声状态网络。在DE算法中引入了变异策略选择因子,并将选择因子随个体共同参与进化,使每个个体执行当前最适合的变异策略。改善了原始DE算法进化过程中的盲目性,同时选择因子的动态自适应特性保持了骨架算法近似无参数的优点,最后为避免算法早熟加入停滞扰动策略改善算法的寻优性能。为验证模型的有效性,对Mackey-Glass时间序列、赣州月平均气温数据集进行仿真实验。由实验结果可知,该模型可以提高时间序列的预测精度,且具有良好的泛化能力及实际应用价值。     

一种欧椋鸟群协同算法

针对当前基于控制策略解决群体协同问题的不足之处,受生物群集行为启发,提出一种欧椋鸟群协同算法(starling swarm coordination algorithm,SSCA)。该算法采用无中心自组织思想,利用智能体(agent)从其最邻近的6、7个邻居信息中寻找最优解,并通过智能体之间相互作用的10条简单行为规则,描述整个群体运动从无序行为到有序行为的演化过程。结合欧椋鸟群集行为最新研究成果,从局部感知、运动行为、安全规避、适应进化4个方面论述欧椋鸟群协同算法的基本机理。以无人机集群协同飞行为应用实例,分别采用粒子群算法和本文算法测试无人机集群执行任务效率,并采用本文算法模拟无人机集群聚合、分散、规避等行为。实验结果表明,本文算法在执行任务效率上优于传统粒子群算法,具有有效性与可靠性。     

一种自适应占空比的目标跟踪策略

提出了一种自适应占空比的目标跟踪策略。策略的要点是:依据节点距离目标的距离不同,划分为占空比不同的3个区域:(1)工作簇。离目标最近区域的节点,节点占空比为1,因而具有较好的跟踪质量;(2)预测簇。目标预计移动的区域,节点保持较高的占空比,具有一定的目标跟踪质量,同时这些区域的占空比小于1,因而付出的能量消耗代价也有限。(3)正常区域。除以上区域外,其它区域为正常区域,其节点的占空比非常小,从而节省能量。更重要的是,虽然本文策略较好的提高了目标跟踪质量,但并没有降低网络寿命。其原因是:无线传感器网络近Sink区域的节点承担了所有外围区域节点数据的转发,因而其能量消耗高。而远Sink区域节点的能量消耗低而能量有剩余。因而,我们充分利用了网络中这部分巨大的剩余能量,使离Sink越远的区域,预测簇的面积越大,节点占空比越大,从而达到了目标错失率低,监测质量高的目标。经过理论与实验结果显示,我们提出的策略在目标跟踪质量,能量有效利用率上优于以往策略,而网络寿命与以往策略相当。     

基于策略隐藏属性加密的云访问控制方案

基于策略隐藏属性基加密(ABE,attribute based encryption)算法,提出了一种适用于云环境的访问控制方案PHACS(policy hiding access control scheme).该方案在基于属性访问控制的基础上,借鉴单向匿名密钥协商的思想,既能够进行细粒度的访问控制,又有效地避免了由于访问控制策略泄漏造成的隐私问题.另外,PHACS中策略表达支持任意门限或布尔表达式,解密操作能够在计算能力受限的设备上实施.本文对方案的安全性进行了证明,并通过理论与实验分析表明PHACS能很好地适应云存储中数据共享的访问控制.     

基于树结构的多策略本体映射算法

针对语义Web中的本体异构问题, 提出了一种基于树结构的多策略本体映射算法,该算法的特点在于:按照数据类型分类进行映射,并采用启发式规则,提高了映射效率;同时考虑了概念的语言相似性、实例相似性和结构相似性,提高了相似度计算的准确性;采用迭代矫正,最终得到正确而完整的映射对.实验结果表明,该算法的查准率和查全率均优于GLUE算法,能有效完成本体间的映射.     

基于粒子群优化算法的多S盒相关性能量分析方法

为提高能量曲线与数据加密标准(data encryption standard,DES)密钥之间的相关性,同时解决传统相关性能量分析方法在攻击多个S盒对应轮密钥过程中猜测密钥数目成指数增长造成的计算量过大的问题,提出一种基于粒子群优化(particle swarm optimization,PSO)算法的多S盒相关性能量分析方法。该方法利用PSO算法结构简单、搜索速度快的特点,同时实现对DES算法多个S盒的攻击,增强能量曲线与密钥之间的相关性,降低攻击DES算法多S盒的计算复杂度。采用经DES算法加密的数据,对本文方法和传统相关性能量分析方法进行性能分析实验。由实验结果可知,与传统相关性能量分析方法相比,本文方法有效增强了信号的信噪比,对能量信息的利用率提高约55%;在能量曲线数目有限(600条)的情况下进行密钥恢复,正确率提高了约30%。     

遗传算法的改进及其在排课问题中的应用

分析基本遗传算法中传统选择、交叉策略的不足,结合多种选择方法及模拟退火机制,提出改进的选择策略;在交叉阶段,利用蚁群算法的正反馈机制改进了交叉策略;采用最大允许停滞代数的方法来结束算法的运行。由在排课问题中的对比实验可以看出,本文提出的改进算法改善了遗传算法局部搜索能力弱的缺点,提高了算法运行效率。