基于时变增益的微电网分布式预定时间经济调度算法

针对微电网的经济调度问题,本文提出了一种基于时变增益的预定时间分布式优化算法。不同于传统渐进/指数收敛算法,本文提出的算法能保证发电单元输出功率在给定时间内收敛于最优值。同时,该给定时间可由设计者根据任务需要提前设定,且不受系统初始条件及系统控制参数影响。利用凸优化理论、李雅普诺夫稳定性理论,综合分析了算法的预定时间收敛性能。最后,通过数值仿真案例验证了算法的有效性。     

动态优化算法综述

动态优化算法的研究已成为优化算法领域研究的一个热点.对于基于种群的优化算法而言,它主要可以分为环境变化后增加多样性的方法、运行过程中始终保持多样性的方法、基于记忆机制的方法、多种群方法和基于预测机制方法5类.动态优化算法的关键是在搜索过程中始终保持搜索空间开发和探索之间平衡.该类算法不仅能发现最优个体,而且能在动态环境中跟踪变化了的最优个体.在今后的动态优化研究中,重点应放在动态优化算法理论方面和算法设计、构建上,使它更接近现实问题.     

基于Hash算法的分布式状态检测技术

为了克服IP数据报独立选择路由带来的，在拥有多个接入点的分布式网络模式下传统的状态检测技术无法进行有效的安全检测的缺陷，提出了一种应用于网络层的分布式Hash算法，将源和目的地址相同的IP数据报定向到同一个接入点上进行处理，使得在该点上可以完整地重组会话，从而实现分布式状态检测．为增加该算法的鲁棒性，进一步提出了一种应用于传输层的、具有回迁策略的负载平衡算法，选择任务最少的邻居节点协同处理本地过多的负载，转为轻载状态后迁回迁移出去的任务．仿真实验证明该算法具有较好的可行性、稳定性．     

一种基于LSTM-Blacklist的动态信任度证明机制

针对区块链网络中共识节点的恶意行为导致的区块链系统安全问题,提出一种基于LSTM(long short-term memory)-Blacklist的动态信任度证明机制(PoDT-LSTMB)。该动态信任度证明机制通过前向注意力机制的两层LSTM神经网络学习并分析参与共识节点的行为数据,预测节点行为倾向。以节点信任度为基础构建黑名单,剔除低于信任度阈值的节点,提高全网节点的总体可信性。以正常区块上链率以及节点信任度的变化为主要评估指标,与信任度证明PoT(Proof of Trust)机制以及不带黑名单的PoDT-LSTM机制进行了对比实验。实验结果表明,基于前向注意力机制的两层LSTM神经网络结构准确率可达0.915 1,本文提出的PoDT-LSTMB机制比PoT机制的正常区块上链率提高30%～33%。     

基于LSM-OCTree的时空流分布式调度和存储方案

时空流的高效管理要求顾及数据的时空相关性,支持时空流的高速插入、实时索引和低延迟时空范围查询,而现有的基于HBase等的存储方案,因索引更新开销过大,无法满足高效管理要求。针对时空流的应用特性,提出了一种面向时间分片的时空流分布式调度和存储方法。利用时空流的紧耦合性进行数据划分与调度,以减少查询时数据复制的开销。将采用预分区方式构建的基于日志结构合并树的八叉树（octree based on the log-structured merge-tree,LSM-OCTree）索引作为存储结构,保证时空流的索引更新,实现索引的高效批量合并计算,提高查询性能。实验结果表明,时空动态调度策略优于通用的调度方法,LSM-OCTree索引的合并与更新性能优于常规索引结构。与HBase方案相比,基于LSM-OCTree的时空流分布式调度和存储方案的查询效率提升了20%以上。     

权重不平衡有向网络下的分布式优化算法

研究了有向网络下的分布式优化问题,其中每个智能体的局部目标函数的和构成了网络的全局目标函数。本文利用梯度跟踪和比例积分的策略对梯度的平均值进行跟踪,并设计变量对拉普拉斯矩阵零特征值的左特征向量进行跟踪,从而在权重不平衡有向网络下提出了一类基于梯度的固定步长分布式优化算法。将分布式优化算法从无向图推广到了有向图。在局部目标函数和其梯度分别满足强凸和李普希兹连续的情况下,结合凸分析和李雅普诺夫稳定性理论分析算法的收敛性,结果证明所提出的算法能够收敛到优化问题的最优解。     

基于移动Agent的分布式网管系统安全认证机制

在实现基于移动Agent的分布式网管基本系统的基础上,分析了Agent系统所面临的安全威胁.针对Agent系统的特点,提出了一个完整的3层相互信任关系模型.深入研究了Agent系统的认证机制,提出并实现了具有系统授权Tickets功能的证书签发协议及其安全迁移认证方法.采用该方法,可以在不显著增加移动Agent系统的复杂性的前提下加强其安全可靠性.     

基于动态分级和邻域反向学习的改进粒子群算法

针对粒子群算法容易陷入局部最优解的问题,提出了一种基于动态分级和邻域反向学习的改进粒子群算法.该算法通过构建动态分级机制,将种群中的粒子动态地划分成3个等级,对不同等级内的粒子采取不同的扰动行为,使得粒子在增强种群多样性的同时保持向全局最优方向进化;采用粒子智能更新方式,提高了粒子的搜索能力;引入动态邻域反向学习点建立全局搜索策略,促使种群快速寻优.最后,利用多种典型测试函数对该算法进行仿真实验,结果表明,与其他几种优化算法相比,本算法具有较好的收敛性和稳定性.     

一种新的基于分布式入侵检测的警报聚类方法

针对大量的异构入侵检测传感器产生的警报泛滥问题，提出了一种在线警报聚类融合模型．该模型根据自我学习和调节，建立元警报作为警报聚类融合的基础，对新产生的警报进行分类、聚类，最终将警报特征与元警报融合，扩充元警报的特征信息．实验结果表明该方法能够有效地减少警报数量，提供具有指导意义的入侵响应，并且聚类结果可被用来进行进一步的网络态势评估．     

求解动态车辆路径问题的演化蚁群算法

在Evo-Ant算法的基础上提出了多目标的算法,即利用Evo-Ant算法来产生新的解,并利用一个额外的存储空间来存放Pareto候选解,用新产生的解来更新Pareto候选解,消除被支配的解,依次循环,从而得到近似的Pareto解.为了验证演化蚁群算法,采用2种测试手段：一种是Solomon的测试数据;另一种是在仿真环境下的测试.实验结果表明该算法很具有竞争能力.