为了提高网络管理重要组成部分的故障管理能力,通过对性能数据和故障征兆的推理来确定故障源,针对WAN(w ide area netw ork)的故障传播特征提出了一种基于自组织特征映射SOM(self-organ izingm aps)的网络故障诊断模型,该模型包括SOM训...为了提高网络管理重要组成部分的故障管理能力,通过对性能数据和故障征兆的推理来确定故障源,针对WAN(w ide area netw ork)的故障传播特征提出了一种基于自组织特征映射SOM(self-organ izingm aps)的网络故障诊断模型,该模型包括SOM训练模块和故障实时诊断模块。仿真实验表明,采用该模型进行4种故障诊断,故障识别率达到95.82%,而误警率只有3.96%,说明在WAN中采用基于SOM的故障识别方法效果良好。展开更多
在高维多目标进化算法中,通常利用重组算子产生优质子代来引导种群搜索,已有研究表明,利用相似个体进行重组可以提高子代个体质量.由于自组织映射(Self-Organizing Mapping,SOM)网络能够通过聚类的方式保持种群个体原有的拓扑逻辑关系...在高维多目标进化算法中,通常利用重组算子产生优质子代来引导种群搜索,已有研究表明,利用相似个体进行重组可以提高子代个体质量.由于自组织映射(Self-Organizing Mapping,SOM)网络能够通过聚类的方式保持种群个体原有的拓扑逻辑关系并获得个体的相似信息,因此本文提出一种基于SOM聚类和自适应算子选择的高维多目标进化算法(Many-Objective Evolutionary Algorithm based on SOM Clustering and Adaptive Operator Selection,MaOEASCAOS).本文首先通过自组织映射网络进行种群分类,提取个体数据结构信息,并利用相似性构建邻域交配池;然后根据类内个体支配信息进行自适应算子选择,提高算法搜索和收敛性能;最后,采用环境选择策略对种群进行多样性管理以保证种群在帕累托前沿均匀分布.仿真结果表明,本文提出的基于SOM聚类和自适应算子选择(SOM Clustering and Adaptive Operator Selection,SCAOS)方法在处理高维多目标优化问题时具有较强的竞争力并且性能指标整体优于其他方法.展开更多
文摘为了提高网络管理重要组成部分的故障管理能力,通过对性能数据和故障征兆的推理来确定故障源,针对WAN(w ide area netw ork)的故障传播特征提出了一种基于自组织特征映射SOM(self-organ izingm aps)的网络故障诊断模型,该模型包括SOM训练模块和故障实时诊断模块。仿真实验表明,采用该模型进行4种故障诊断,故障识别率达到95.82%,而误警率只有3.96%,说明在WAN中采用基于SOM的故障识别方法效果良好。
文摘在高维多目标进化算法中,通常利用重组算子产生优质子代来引导种群搜索,已有研究表明,利用相似个体进行重组可以提高子代个体质量.由于自组织映射(Self-Organizing Mapping,SOM)网络能够通过聚类的方式保持种群个体原有的拓扑逻辑关系并获得个体的相似信息,因此本文提出一种基于SOM聚类和自适应算子选择的高维多目标进化算法(Many-Objective Evolutionary Algorithm based on SOM Clustering and Adaptive Operator Selection,MaOEASCAOS).本文首先通过自组织映射网络进行种群分类,提取个体数据结构信息,并利用相似性构建邻域交配池;然后根据类内个体支配信息进行自适应算子选择,提高算法搜索和收敛性能;最后,采用环境选择策略对种群进行多样性管理以保证种群在帕累托前沿均匀分布.仿真结果表明,本文提出的基于SOM聚类和自适应算子选择(SOM Clustering and Adaptive Operator Selection,SCAOS)方法在处理高维多目标优化问题时具有较强的竞争力并且性能指标整体优于其他方法.
