matlab
pam代码介绍
此源代码可用于优化SDN控制器在广域网中的放置。
所使用的算法是经典的“无监督”机器学习算法，即“剪影”和“间隙统计”来确定要部署的最佳控制器数量，而PAM则是要找到放置控制器的最佳位置。无监督算法是从没有标记响应的输入数据中学习。
这些算法通常用于通过数据点之间的最小距离度量来分析群集质量。
在控制器放置的上下文中，我们利用这些算法来找到使整体网络传播延迟（即，交换机到交换机的延迟）最小化的控制器的数量。
为了找到这些控制器的最佳位置，我们扩展了一种设施定位算法，称为“围绕类固醇分区算法”（PAM），以传播延迟（即控制器到交换机的延迟）为主要目标函数。
此部分实验的源代码位于名为Controller
Placement.tar.gz的文件夹中。
为了匹配和验证关于将控制器放置在广域网（WAN）中的最佳位置的数学公式得出的结果，我们使用了称为Mininet的仿真编排平台，该平台对于模拟真实的SDN部署至关重要。
我们使用控制器到节点的延迟（传播+排队+处理延迟）作为关键性能指标。
此部分实验的源代码位于名为Controller-Placement-Emul
2022-03-22 20:43:45
1.01MB
1
为降低预测控制在大规模系统在线实施中的计算量，同时保证系统的全局优化性能，提出一种集中优化、分散控制的双层结构预测控制策略。在稳态目标计算层，基于全局过程模型对系统进行集中优化，将优化结果作为设定值传递给动态控制层；在动态控制层，将大系统划分为若干个子系统，每个子系统分别由基于各自子过程模型的模型预测控制进行控制，为减少各子系统之间的相互干扰，在各个子系统之间添加前馈控制器对扰动进行补偿，提高系统的总体动态控制性能
2021-12-29 21:24:34
4KB
1
基于遗传算法对模糊控制器参数进行寻优，首先采用模糊规则，通过模糊推理的方法对二阶系统进行仿真实验，仿真结果表明系统动态响应超调小、调节时间短，具有良好的性能；然后采用遗传算法，按照ITAE准则对控制器的参数进行优化，仿真结果表明动态性能比模糊控制显著改善，显示出遗传算法对模糊控制器参数寻优的有效性和优越性。
2021-11-29 11:02:23
777KB
1
PID Controller Optimizer是作者编写的基于MATLAB的接口，可用于为用户定义的被控对象模型优化PID参数。 在软件包中，Simulink 用于对工厂进行建模，工厂可以是 SISO 连续/离散/混合，以及任何复杂性的线性/非线性系统。
详情见教程*.htm文件或随附的纸质PDF
2021-11-15 15:30:38
1.07MB
1