【摘 要】
：
针对SDN(Software-Defined Networking)多控制器部署优化问题,提出一种基于改进樽海鞘群算法的SDN控制器部署算法.在元启发式算法樽海鞘群优化的基础上,通过引入混沌映射因子增加收敛性,避免优化器陷入局部最优,提高算法性能,从而可以更有效地动态评估大型SDN网络中控制器的最佳数量以及交换机和控制器之间的最佳连接.实验结果表明,该算法在执行时间和可靠性上均优于其他对比算法,实现了控制器的最佳数量以及控制器与交换机的最佳分配问题.
【机 构】
：
长沙民政职业技术学院软件学院 湖南 长沙410004;湘潭大学信息工程学院 湖南 湘潭411105
论文部分内容阅读
针对SDN(Software-Defined Networking)多控制器部署优化问题,提出一种基于改进樽海鞘群算法的SDN控制器部署算法.在元启发式算法樽海鞘群优化的基础上,通过引入混沌映射因子增加收敛性,避免优化器陷入局部最优,提高算法性能,从而可以更有效地动态评估大型SDN网络中控制器的最佳数量以及交换机和控制器之间的最佳连接.实验结果表明,该算法在执行时间和可靠性上均优于其他对比算法,实现了控制器的最佳数量以及控制器与交换机的最佳分配问题.
其他文献
现有的约束发现算法主要讨论了函数依赖或者条件函数依赖,忽略了实际的约束包含大小关系的语义问题.否定约束可以描述字段级和表级约束,除了相等与不等,还可以表示大于和小于的次序关系,因而具有极强的语义表达能力.提出一种Top-k近似否定约束的发现算法,可以快速地发现数据库中评估指标好的近似否定约束.实验表明,该算法在时间上明显快于在所有近似否定约束结果集上查找Top-k约束,得到的结果集在评价指标上与近似否定约束结果集上查找出来的Top-k相近.
目前,在保护频繁子图数据的研究领域中,关于保护带有边权重的子图数据还没有被研究.针对这一问题,在频繁有权子图的挖掘过程中,采用差分隐私技术兼顾地保护频繁子图的边权重和结构的隐私,提出Diff-Wfsm算法.通过扩展已有挖掘算法,将图模型转换成编码形式,并将权重值考虑到编码中.为了更好地保护结构的隐私和提高数据效用性,在挖掘过程中同时采用差分隐私的Laplace机制和指数机制.实验在多个真实数据集中进行,结果表明该算法能在挖掘过程中达到隐私保护的效果,并可以保证输出的频繁有权子图具有较高的数据效用性.
单一模型在铁路客流量预测中很难同时捕获到数据序列的线性、非线性和周期性等多种特征,从而无法取得很好的预测效果.针对该问题提出基于机器学习的ARMA-LSTM组合模型预测方法.对原始数据进行分析和特征提取;训练LSTM(Long Shot-Term Memory)模型和ARMA(Autoregressive moving average model)模型,分别得到两模型预测结果;通过BP神经网络算法对两模型进行权重优化,得到预测结果.将ARMA-LSTM组合模型与ARMA、LSTM、灰色模型、GM-LSTM
蛋白质结构预测是生物信息领域中具有挑战性的问题之一.将强化学习运用在HNP晶格模型的最优结构发现中,性能出色,但结构预测所需的状态空间巨大,容易导致维数灾难问题.在全状态空间基础上,进一步提出半状态空间与简单状态空间方法,以达到约减状态空间的目的,同时对奖赏函数与策略进行定量分析.实验结果表明,该方法有效解决全状态空间无法计算长序列的缺点,其中简单状态空间较全状态空间有3条序列预测出更低能量,半状态空间较全状态空间方法全部6条长序列都预测出更低能量,且半状态空间预测的能量平均值较简单状态空间降低了9.83
针对现有的区块链共识算法存在决策不均衡、适用性过小和产生共识困难等问题,根据纳什均衡理论,将区块链节点视为博弈的参与者,在共识过程中将节点策略选择的纳什均衡作为共识目标,提出基于纳什均衡的共识算法.在纳什均衡求解中利用聚类算法对同类型节点聚类,用基于拥挤距离和引力搜索算法改进的粒子群优化算法求解以类为基本种群的纳什均衡近似解,将均衡解下所对应的结果作为主节点.设计面向组合投资区块链系统求解共识机制的实验,分别从算法的安全性和扩展性验证该算法的有效性.
以无线传能网络的节点控制问题为研究对象,针对统一化的节点模型设计一种基于策略梯度的强化学习算法.该算法使用神经网络作为控制器,并设计一套奖励机制用来评估控制结果的优劣,以最大化累计奖励为目标优化网络参数,使神经网络控制器达到更好的控制效果.仿真结果表明,只需设置对控制结果的奖励机制,就可以让节点根据供电需求的变化学习到对应的控制策略,适用于近似周期性的供电场景,也适用于极端情况的供电控制.
在深度学习模型中,为了进一步提高网络的收敛速度和识别精度,提出一种学习率自增强的图像识别算法.当距离极值点比较远时,以大于1的常数进行学习率自增强,加快网络向极值点附近逼近的速度.随着模型接近收敛,根据代价函数的变化情况调整学习率,学习率的变化和代价函数的变化情况成反比.在MNIST数据集和CIFAR-10数据集上进行实验.实验结果表明,结合该算法的深度学习模型在进行图像识别时,能有效地提高识别的准确率和收敛速度,并具有较好的表现能力.
针对农田环境中多机器人协同作业的问题,提出一种基于资源的任务分配算法,用于在具有机器人资源的再填充站的长期任务中高效地执行多个任务.针对多机器人任务分配问题,对多机器人任务进行建模,并分析任务相关模型及任务能量指标.在进行拍卖算法任务分配时,在考虑机器人数目约束、工作时间约束、距离约束的基础上,加入任务执行能力的约束,考虑机器人在长期任务执行期间资源量消耗问题,使各个农机有序地为农田地块服务,降低整个系统的执行代价,提高任务完成量.利用MATLAB平台进行仿真实验,生成多机器人多任务点的分配优化结果,并设
提出一种新的可逆数据库水印方案,通过哈希函数重新排序数据库应对重组攻击,基于布谷鸟算法寻找嵌入数字水印的最佳位置,通过差分拓展技术插入可逆的数字水印.在加利福尼亚大学的森林覆盖类型数据集上进行实验测试,观察迭代次数、种群数量、问题矩阵的维数对于算法运行时间与数据库失真造成的影响,最终取得了较好的实验效果.
探索大规模稀疏数据背景下的交叉特征,对提高推荐系统的点击率预测精度十分重要,现有方法往往通过显式暴力枚举或隐式DNN提取完成特征交叉,其掺杂了大量无用、冗余特征,极大地限制了点击率预测模型的表现.对此提出一种显式和隐式相结合的新型特征交叉网络(Deep&Attention Cross Network,DACN).通过引入基于注意力机制的动态交叉网络,实现以线性空间复杂度完成指定阶显式特征组合,同时消除无用、冗余特征带来的影响.经过实验验证,DACN在预测准确性和参数占用方面相较于现有方法都有提升.