基于离散粒子群优化算法的线性网络编码优化问题研究

论文摘要

粒子群优化(Particle Swarm Optimization,PSO)算法具有计算简单,收敛速度快,鲁棒性好等优点,所以在对连续问题求解上取得了巨大的成功,近年来有关其在离散领域的研究也引起了很大的关注,根据PSO算法离散化方法的映射方式的不同,可以将离散粒子群(Discrete PSO,DPSO)算法分为基于连续空间的DPSO算法和基于离散空间的DPSO算法两类,本文较深入地研究了一种基于离散空间的布尔型DPSO(Boolean DPSO,BDPSO)算法,针对其在运行初期容易陷于局部极值的缺点,在速度更新公式中引入了一个扰动因子使粒子跳出局部极值,并且根据粒子的相似性自适应调整惯性权重和学习因子有效地提高算法的收敛速度和精度,最后得到一种带扰动因子的自适应调整布尔型粒子群优化(简称ABDPSO)算法。通过与其它三个算法分别对六个基准测试函数的仿真实验结果的对比,说明了ABDPSO算法具有良好的收敛速度与精度。R.Alshede在2000年首次提出网络编码的概念,并从理论证明如果允许网络节点对传输信息进行编码处理,而非限于存储和转发,能使基于该方式的网络多播达到理论的最大传输容量,本文详细地介绍了线性网络编码的基本原理和常见的构造算法,包括指数时间算法,多项式时间算法和随机网络编码。针对网络编码在构造过程存在编码冗余,即不需要在所有中间节点进行网络编码,本文提出把ABDPSO算法运用到网络编码构造过程中,求出具有最小编码边的网络编码方案,通过和遗传算法对固定拓扑进行网络编码优化的对比试验说明,本文提出的ABDPSO算法能有效运用到网络编码的优化过程,具有一定的实用价值。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 相关背景
• 1.1.1 离散粒子群优化算法
• 1.1.2 网络编码
• 1.1.3 网络编码优化
• 1.2 本文的研究目的和意义
• 1.3 本文的组织方式
• 第二章 离散粒子群优化算法研究与进展
• 2.1 标准粒子群优化算法
• 2.1.1 算法原理
• 2.1.2 参数分析
• 2.1.3 算法流程
• 2.1.4 粒子群优化算法的改进
• 2.2 离散粒子群优化算法的离散化方法
• 2.3 基于连续空间的离散粒子群优化算法
• 2.3.1 基本二进制DPSO 算法
• 2.3.2 离散量子粒子群优化算法
• 2.3.3 模糊离散粒子群优化算法
• 2.4 基于离散空间的离散粒子群优化算法
• 2.4.1 布尔型离散粒子群优化算法
• 2.5 离散粒子群优化算法的发展趋势
• 2.6 本章小结
• 第三章 带扰动因子的布尔型离散粒子群优化算法
• 3.1 布尔型粒子群优化算法缺陷分析
• 3.2 扰动因子的引入
• 3.3 自适应调整系数的引入
• 3.4 算法的流程
• 3.5 仿真实验与结果分析
• 3.6 本章小结
• 第四章 网络编码概述
• 4.1 网络编码的提出和发展
• 4.2 网路编码的基本原理
• 4.3 线性网络编码的数学模型
• 4.4 网络编码的优点
• 4.5 线性网络编码构造算法
• 4.5.1 网络编码的前提假设
• 4.5.2 基于代数构造方式的算法
• 4.5.2.1 网络传输及编码的代数表示
• 4.5.2.2 编码规则
• 4.5.2.3 寻找编码系数的方法及字母表的大小
• 4.5.3 多项式时间算法
• 4.5.3.1 算法的思想描述
• 4.5.3.2 算法具体实现过程[5 2]
• 4.5.4 随机网络编码
• 4.5.4.1 编码规则
• 4.5.4.2 编码评价
• 4.6 本章小结
• 第五章 基于布尔型粒子群优化算法的网络编码优化
• 5.1 网络编码优化问题研究与进展
• 5.2 基于布尔型粒子群优化算法最小化编码边
• 5.2.1 算法思想描述
• 5.2.2 算法的具体流程
• 5.2.2.1 种群的初始化
• 5.2.2.2 组播速率验证和适应度值计算
• 5.2.2.3 记忆算子的引入
• 5.2.3 仿真实验与结果分析
• 5.3 本章小结
• 第六章 全文总结
• 参考文献
• 攻读学位期间发表论文
• 致谢