CN112887143B - 一种基于元搜索的仿生控制方法 - Google Patents
一种基于元搜索的仿生控制方法 Download PDFInfo
- Publication number
- CN112887143B CN112887143B CN202110108570.2A CN202110108570A CN112887143B CN 112887143 B CN112887143 B CN 112887143B CN 202110108570 A CN202110108570 A CN 202110108570A CN 112887143 B CN112887143 B CN 112887143B
- Authority
- CN
- China
- Prior art keywords
- node
- network
- information table
- nodes
- meta
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/142—Network analysis or design using statistical or mathematical methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/123—DNA computing
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/06—Management of faults, events, alarms or notifications
- H04L41/0654—Management of faults, events, alarms or notifications using network fault recovery
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/12—Discovery or management of network topologies
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Pure & Applied Mathematics (AREA)
- Genetics & Genomics (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Mathematical Optimization (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种基于元搜索的仿生控制方法,确定异质信息网络中每个节点的仿生权重,生成区域邻接矩阵,计算各区域节点H指数并建立节点网络拓扑H指数信息表;通过元搜索方法学习节点网络拓扑信息,生成节点网络表示信息表,所述表示信息表包括每个节点的向量表示信息及相关性信息;向节点部署完整网络表示信息表,以信息表为基础,节点根据其类型及节点状况进行资源仿生控制调度;依据网络表示信息表对节点情况进行排查,恢复异常点,分布式更新网络表示信息表,持续保持智能物联网节点网路鲁棒性。本发明能自适应的进行路径控制,减少节点异常带来的网络性能下降,并能自适应选择新的主节点,增强网络的稳定性。
Description
技术领域
本发明属于异质网络控制领域,具体涉及一种基于元搜索的仿生控制方法。
背景技术
当今时代是从信息化向智能化过渡的时代,智慧城市正成为人们关注的新热点问题。人工智能技术正渗透进各行各业,智慧城市发展进入了智能化阶段,智慧城市是当今城市建设与信息化高度结合的一种高级形态,智慧城市实际上是一个城域网,是把城市里所有的公共设施连接起来,采集数据,进行交互,信息共享,利用云计算、人工智能和大数据分析后合理调配资源,最终提升城市的文明程度。
其中物联网是智慧城市体系的重要制程技术,各类物联网的有效稳定的运行是智慧城市发展的一项重要课题。随着人工智能技术的快速发展,传统物联网正向智能物联网转变,如智能工业资源网络,大型工程智能监控网络,智能传感器网络等,这些网络的拓扑大多近似于冥律分布,少量节点对网络的影响极大,这种情况下网络的可靠性面临很大挑战。
为了解决这个问题,需要研究怎样在保证网络信息传输与控制效率的同时,减少网络中节点尤其是主要控制节点异常带来的网络性能波动,提网络信息控制的稳定性。因此有必要提出针对分布式智能网络的自适应控制方法。
发明内容:
为了克服上述背景技术的缺陷,本发明提供一种基于元搜索的仿生控制方法,降低网络传输与控制因节点异常的影响,增强智能分布式网络异常恢复能力,并提高网络稳定性。
为了解决上述技术问题本发明的所采用的技术方案为:
一种基于元搜索的仿生控制方法,包括:
步骤一,确定异质信息网络中每个节点的仿生权重,生成区域邻接矩阵,计算各区域节点H指数并建立节点网络拓扑H指数信息表;
步骤二,通过元搜索方法学习节点网络拓扑信息,生成节点网络表示信息表,表示信息表包括每个节点的向量表示信息及相关性信息;
步骤三,向节点部署完整网络表示信息表,以信息表为基础,节点根据其类型及节点状况进行资源仿生控制调度;
步骤四,依据网络表示信息表对节点情况进行排查,恢复异常点,分布式更新网络表示信息表,持续保持智能物联网节点网路鲁棒性。
较佳地,步骤一具体包括:
步骤11)将H指数作为节点权重参考,构建节点的H指数模型,定义G=(V,E),为有n个节点的图结构,其中V为节点,E为节点的边既通信链路;在节点构成图结构G中定义一个算子h,算子h作用在一个节点所有邻居的度上,既节点有h个邻居,它们的度都不小于h;构造算法得到该节点的H指数,其中节点的度,等于节点直接邻居的个数,计算网络中全部节点的H指数;
步骤12)选定初始主节点:定义主节点邻域范围δ,计算公式如下:
δ=n×s/m
其中,n为区域容纳的节点数量,s为网络中的节点总数,m为设定区域个数;则初始主节点为选定区域中H指数最大的节点,依据范围内主从节点相关关系及权重,根据图邻接矩阵定义生成区域内节点网络的邻接矩阵C,其中相关关系既节点距离,权重为节点H指数,其中邻接矩阵定义如下:
步骤13)生成区域节点H指数信息表:根据从节点与主节点N的加权相关性对从节点进行重要性排序,依据节点距离将从节点分类,节点距离既从节点与主节点间的最短跳数;同一类的从节点根据权重分级,权重即为该节点的H指数,最终生成区域从节点重要性排序:N1…Nn。
较佳地,步骤二具体包括:
步骤21)为根据步骤一所得每个区域节点H指数信息表及区域节点类型,生成元路径Meta-Path,作为游走策略搜索生成节点采序表示;
步骤22)对步骤21)所得节点采序进行收集,用skip-gram模型对节点采序序列进行训练学习,生成节点网络嵌入表示向量,根据区域节点类型在表示向量中加入额外的相关性加权项;
步骤23)重复步骤22),最终学习网络中所有节点的嵌入向量表示,生成节点向量表示信息表。
较佳地,生成元路径Meta-Path的方法为:主节作为起始和结束;从节点路径对称出现,生成元路径为Meta-Path:N-N1-N2…Nn…N2-N1-N。
较佳地,步骤三向节点部署完整网络表示信息表,以信息表为基础,节点根据其类型及节点状况进行资源仿生控制调度时,包括对节点进行的以下操作:
步骤31)对网络中每个智能节点部署完整的网络向量表示信息表,依据节点在网络中嵌入表示向量的距离相关性进行信息传递,所有节点依照细胞DNA模式存储全体节点向量信息表;
步骤32)主节点N发送控制信息,定期对区域从节点进行轮询,检查从节点状态;
步骤33)区域从节点应答本区域主节点轮询,执行主节点控制信息。
较佳地,步骤四具体包括以下步骤:
41)重复步骤三获得区域节点状态,当区域从节点状态异常时,由主节点开始依据节点网络嵌入向量信息表更新该节点的替代路径节点;
42)当区域从节点在至少三次轮询周期未收到轮询信息时(由于信息传递路径按照Meta-Path生成,触发判定的节点必然是路径上最接近主节点的状态正常从节点),判定主节点状态异常,启动重构区域主节点;
43)启动重构区域节点H指数信息表。
较佳地,判断区域从节点状态异常的方法包括:当区域从节点在至少三次轮询周期没有正常应答时,判定该路径节点异常。
较佳地,判断区域从节点状态异常的方法包括:启动重构区域主节点的方法包括:根据节点网络嵌入向量的相关性作为优先级,依据节点DNA既向量信息表自适应恢复节点控制;其中高优先级区域从节点在设定时间T后未收到轮询,则判断主节点异常,从节点进行优先级同步,同优先级节点互相传递信息检查节点状态,生成一级备份恢复节点表,根据从节点H指数信息表对备份恢复节点重要性排序,选定恢复为区域主节点,该节点启动轮询策略,检查其他从节点状态。
较佳地,启动重构区域节点H指数信息表的方法包括:从恢复主节点开始分布式更新,重复步骤一,重新生成异常区域节点H指数信息表,重复步骤二,更新区域节点向量信息表示。
本发明的有益效果在于:根据网络中节点属性之间的相关程度,构建节点的H指数表,然后根据节点H指数表及节点主从属性搜素节点元路径,以此进行节点的网络嵌入表示,生成节点的网络向量表示信息表,控制网络信息,最后在网络状态发生变化时,通过节点H指数转换节点类型,搜索生成新的元路径,更新节点网络向量表示信息。这样在对大规模异构无线网络,如异构工业资源网络,大型工程监控网络,异构智慧城市网络等进行信息与资源管理时,能自适应的进行路径控制,减少节点异常带来的网络性能下降,并能自适应选择新的主节点,增强网络的稳定性。
附图说明
图1为本发明实施例的方法流程图。
具体实施方式
下面结合附图和实施例对本发明做进一步的说明。
本实施例所述方法,对智能物联网等网络拓扑结构进行基于元搜索的仿生控制。首先根据网络中节点属性之间的相关程度,构建节点的H指数表,然后根据节点H指数表及节点主从属性搜素节点元路径,以此进行节点的网络嵌入表示,生成节点的网络向量表示信息表,控制网络信息,最后在网络状态发生变化时,通过节点H指数转换节点类型,搜索生成新的元路径,更新节点网络向量表示信息。
一种基于元搜索的仿生控制方法(图1),该方法包括如下步骤:
步骤S1,根据重要性及类型确定异质信息网络中每个节点的仿生权重,生成区域邻接矩阵,计算各区域节点H指数并建立节点网络拓扑H指数信息表;
步骤S11,选定初始主节点,设定主节点邻域范围δ,依据范围内主从节点相关关系及权重,生成区域邻接矩阵W。
网络中主节点的领域范围确定:对异质信息网络进行图建模,设定初始主节点的邻域范围δ,包括边及权重的加权。
步骤S12,引入H指数作为节点权重参考,仿照H指数模型可以自然地定义一个算子H,构建节点的H指数,生成区域节点H指数信息表,根据从节点与主节点N的相关性,将节点进行分级分类,生成区域从节点相关类型:N1…Nn。
步骤S2,通过元搜索方法学习节点网络拓扑信息,生成节点网络表示信息表,所述表示信息表包括每个节点的向量表示信息及相关性信息;
步骤S21,为根据步骤S1所得每个区域节点H指数信息表及区域节点类型,生成元路径Meta-Path,作为游走策略搜索生成节点采序表示。
元路径生成规则为:1.主节作为起始和结束;2.从节点路径对称出现。生成元路径Meta-Path:N-N1-N2…Nn…N2-N1-N。
步骤S22,对步骤S21所得节点采序进行收集,用skip-gram模型对节点采序序列进行训练学习,生成节点网络嵌入表示向量,根据区域节点类型在表示向量中加入额外的相关性加权项;
步骤S23,重复步骤S22,最终学习网络中所有节点的嵌入向量表示,生成节点向量表示信息表。
步骤S3,向节点部署完整网络向量表示信息表,以信息表为基础,节点根据其类型及节点状况进行资源仿生控制调度:
步骤S31,对网络中每个智能节点部署完整的网络向量表示信息表,依据节点在网络中嵌入表示向量的距离相关性进行信息传递,所有节点依照细胞DNA模式存储全体节点向量信息表;
步骤S32,主节点N发送控制信息,定期对区域从节点进行轮询,检查从节点状态;
步骤S33,区域从节点应答本区域主节点轮询,执行主节点控制信息。
步骤S4,依据网络表示信息表对节点情况进行排查,恢复异常点,分布式更新网络表示信息表,持续保持网络信息控制的鲁棒性。
步骤S41,重复步骤S32获得区域节点状态,当区域从节点状态异常时,由主节点开始依据节点网络嵌入向量信息表更新该节点的替代路径节点;
步骤S42,重构区域主节点,根据节点网络嵌入向量的相关性作为优先级,依据节点DNA既向量信息表自适应恢复节点控制。其中高优先级区域从节点在设定时间T后未收到轮询,判断主节点异常,从节点进行优先级同步,同优先级节点互相传递信息检查节点状态,生成一级备份恢复节点表,根据从节点H指数信息表对备份恢复节点重要性排序,选定恢复为区域主节点,该节点启动轮询策略,检查其他从节点状态;
步骤S43,重构区域节点H指数信息表,从恢复主节点开始分布式更新,重复步骤S1,重新生成异常区域节点H指数信息表,重复步骤S2,更新区域节点向量信息表示。
这样在对大规模异构无线网络,如异构工业资源网络,大型工程监控网络,异构智慧城市网络等进行信息与资源管理时,能自适应的进行路径控制,减少节点异常带来的网络性能下降,并能自适应选择新的主节点,增强网络的稳定性。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (8)
1.一种基于元搜索的仿生控制方法,其特征在于,包括:
步骤一,确定异质信息网络中每个节点的仿生权重,生成区域邻接矩阵,计算各区域节点H指数并建立节点网络拓扑H指数信息表;
步骤二,通过元搜索方法学习节点网络拓扑信息,生成节点网络表示信息表,所述表示信息表包括每个节点的向量表示信息及相关性信息;
步骤三,向节点部署完整网络表示信息表,以信息表为基础,节点根据其类型及节点状况进行资源仿生控制调度;
步骤四,依据网络表示信息表对节点情况进行排查,恢复异常点,分布式更新网络表示信息表,持续保持智能物联网节点网路鲁棒性;
所述步骤二具体包括:
步骤21)为根据步骤一所得每个区域节点H指数信息表及区域节点类型,生成元路径Meta-Path,作为游走策略搜索生成节点采序表示;
步骤22)对步骤21)所得节点采序进行收集,用skip-gram模型对节点采序序列进行训练学习,生成节点网络嵌入表示向量,根据区域节点类型在表示向量中加入额外的相关性加权项;
步骤23)重复步骤22),最终学习网络中所有节点的嵌入向量表示,生成节点向量表示信息表。
2.根据权利要求1所述的一种基于元搜索的仿生控制方法,其特征在于,所述步骤一具体包括:
步骤11)将H指数作为节点权重参考,构建节点的H指数模型,定义G=(V,E),为有n个节点的图结构,其中V为节点,E为节点的边既通信链路;在节点构成图结构G中定义一个算子h,算子h作用在一个节点所有邻居的度上,既节点有h个邻居,它们的度都不小于h;构造算法得到该节点的H指数,其中节点的度,等于节点直接邻居的个数,计算网络中全部节点的H指数;
步骤12)选定初始主节点:定义主节点邻域范围δ,计算公式如下:
δ=n=s/m
其中,n为区域容纳的节点数量,s为网络中的节点总数,m为设定区域个数;则所述初始主节点为选定区域中H指数最大的节点,依据范围内主从节点相关关系及权重,根据图邻接矩阵定义生成区域内节点网络的邻接矩阵C,其中相关关系既节点距离,权重为节点H指数,其中邻接矩阵定义如下:
步骤13)生成区域节点H指数信息表:根据从节点与主节点N的加权相关性对从节点进行重要性排序,依据节点距离将从节点分类,节点距离既从节点与主节点间的最短跳数;同一类的从节点根据权重分级,所述权重即为该节点的H指数,最终生成区域从节点重要性排序:N1…Nn。
3.根据权利要求2所述的一种基于元搜索的仿生控制方法,其特征在于,所述生成元路径Meta-Path的方法为:主节作为起始和结束;从节点路径对称出现,生成元路径为Meta-Path:N-N1-N2…Nn…N2-N1-N。
4.根据权利要求1所述的一种基于元搜索的仿生控制方法,其特征在于,所述步骤三向节点部署完整网络表示信息表,以信息表为基础,节点根据其类型及节点状况进行资源仿生控制调度时,包括对节点进行的以下操作:
步骤31)对网络中每个智能节点部署完整的网络向量表示信息表,依据节点在网络中嵌入表示向量的距离相关性进行信息传递,所有节点依照细胞DNA模式存储全体节点向量信息表;
步骤32)主节点N发送控制信息,定期对区域从节点进行轮询,检查从节点状态;
步骤33)区域从节点应答本区域主节点轮询,执行主节点控制信息。
5.根据权利要求4所述的基于元搜索的仿生控制方法,其特征在于,所述步骤四具体包括以下步骤:
41)重复步骤三获得区域节点状态,当区域从节点状态异常时,由主节点开始依据节点网络嵌入向量信息表更新该节点的替代路径节点;
42)当区域从节点在至少三次轮询周期未收到轮询信息时,由于信息传递路径按照Meta-Path生成,触发判定的节点必然是路径上最接近主节点的状态正常从节点,判定主节点状态异常,启动重构区域主节点;
43)启动重构区域节点H指数信息表。
6.根据权利要求5所述的基于元搜索的仿生控制方法,其特征在于,判断所述步骤41)中当区域从节点状态异常时的方法包括:当区域从节点在至少三次轮询周期没有正常应答时,判定该路径节点异常。
7.根据权利要求5所述的基于元搜索的仿生控制方法,其特征在于,判断所述步骤41)中当区域从节点状态异常时的方法包括:启动重构区域主节点的方法包括:根据节点网络嵌入向量的相关性作为优先级,依据节点DNA既向量信息表自适应恢复节点控制;其中高优先级区域从节点在设定时间T后未收到轮询,则判断主节点异常,从节点进行优先级同步,同优先级节点互相传递信息检查节点状态,生成一级备份恢复节点表,根据从节点H指数信息表对备份恢复节点重要性排序,选定恢复为区域主节点,该节点启动轮询策略,检查其他从节点状态。
8.根据权利要求5所述的基于元搜索的仿生控制方法,其特征在于,所述启动重构区域节点H指数信息表的方法包括:从恢复主节点开始分布式更新,重复步骤一,重新生成异常区域节点H指数信息表,重复步骤二,更新区域节点向量信息表示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110108570.2A CN112887143B (zh) | 2021-01-27 | 2021-01-27 | 一种基于元搜索的仿生控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110108570.2A CN112887143B (zh) | 2021-01-27 | 2021-01-27 | 一种基于元搜索的仿生控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112887143A CN112887143A (zh) | 2021-06-01 |
CN112887143B true CN112887143B (zh) | 2023-03-24 |
Family
ID=76053390
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110108570.2A Active CN112887143B (zh) | 2021-01-27 | 2021-01-27 | 一种基于元搜索的仿生控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112887143B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109800504A (zh) * | 2019-01-21 | 2019-05-24 | 北京邮电大学 | 一种异质信息网络的嵌入方法和装置 |
CN110555050A (zh) * | 2018-03-30 | 2019-12-10 | 华东师范大学 | 一种基于元路径的异构网络节点表示学习方法 |
CN110677284A (zh) * | 2019-09-24 | 2020-01-10 | 北京工商大学 | 一种基于元路径的异构网络链路预测的方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200366690A1 (en) * | 2019-05-16 | 2020-11-19 | Nec Laboratories America, Inc. | Adaptive neural networks for node classification in dynamic networks |
CN111737535B (zh) * | 2020-06-22 | 2022-10-18 | 复旦大学 | 一种基于元结构和图神经网络的网络表征学习方法 |
-
2021
- 2021-01-27 CN CN202110108570.2A patent/CN112887143B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110555050A (zh) * | 2018-03-30 | 2019-12-10 | 华东师范大学 | 一种基于元路径的异构网络节点表示学习方法 |
CN109800504A (zh) * | 2019-01-21 | 2019-05-24 | 北京邮电大学 | 一种异质信息网络的嵌入方法和装置 |
CN110677284A (zh) * | 2019-09-24 | 2020-01-10 | 北京工商大学 | 一种基于元路径的异构网络链路预测的方法 |
Non-Patent Citations (2)
Title |
---|
QANet: Tensor Decomposition Approach for Query-Based Anomaly Detection in Heterogeneous Information Networks;Vahid Ranjbar;《IEEE》;20181010;全文 * |
异质信息网络中离群点检测方法研究;刘露;《中国博士学位论文全文数据库(信息科技辑)》;20170915;第2-5章 * |
Also Published As
Publication number | Publication date |
---|---|
CN112887143A (zh) | 2021-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhou et al. | Multi-objective hybrid artificial bee colony algorithm enhanced with Lévy flight and self-adaption for cloud manufacturing service composition | |
CN102726011B (zh) | 虚拟网控制方法以及虚拟网控制装置 | |
CN101790251B (zh) | 基于改进粒子群优化算法的无线传感器节点联盟生成方法 | |
CN105553869A (zh) | 一种电力通信网的风险均衡方法及*** | |
CN113342510B (zh) | 一种水电流域应急指挥云边计算资源协同处理方法 | |
CN111090631B (zh) | 分布式环境下的信息共享方法、装置和电子设备 | |
WO2024051822A1 (zh) | 针对分布式电源的多终端协同动态安全分析方法和*** | |
Srirama et al. | CANTO: An actor model-based distributed fog framework supporting neural networks training in IoT applications | |
CN114895703A (zh) | 基于拓扑优化重构的分布式容错时变编队控制方法及*** | |
CN115277115A (zh) | 一种用于解决网络上鲁棒信息传播问题的方法及*** | |
CN112887143B (zh) | 一种基于元搜索的仿生控制方法 | |
Mallik et al. | Distributed data mining for sustainable smart grids | |
CN105871606B (zh) | 一种基于分治策略的增强虚拟网络生存性的映射方法 | |
Hales et al. | Motifs in evolving cooperative networks look like protein structure networks | |
CN106384164B (zh) | 一种工程参数寻优方法及*** | |
CN108960401A (zh) | 一种面向Web服务计算环境的数据细胞自愈方法 | |
Chen et al. | An improved incomplete AP clustering algorithm based on K nearest neighbours | |
Amiri et al. | New algorithm for leader election in distributed WSN with software agents | |
Ali et al. | Hybrid architecture for autonomous load balancing in distributed systems based on smooth fuzzy function | |
CN108337684B (zh) | 基于差分进化算法的优化无线传感器网络寿命的方法 | |
Townsend | Wireless sensor network clustering with machine learning | |
Ge et al. | Crowd evolution method based on intelligence level clustering | |
CN115426273B (zh) | 一种网络平台服务聚合协作弹性动态测度方法 | |
Ma et al. | An overlapping community detection algorithm for opportunistic networks | |
CN114327886B (zh) | 一种基于大数据深度学习的动态资源调度方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |