基于蚁群算法的WSN多路径负载均衡路由

为使无线传感器网络节点能量消耗相对均衡,在定向扩散路由算法的基础上,结合蚁群算法,提出一种多路径负载均衡路由算法。该算法利用蚁群的自适应和动态寻优能力,在源节点和目的节点之间搜索建立多条传输路径,并将节点剩余能量引入启发因子,均衡节点能量消耗。同时,运用层次分析法,赋予每条路径一定的负载分配比例,使数据总能在链路性能较优的多路径中均衡传输,延长整个网络的生命期。仿真结果表明,与定向扩散路由算法相比,该算法能够均衡节点能耗,有效延长网络寿命。     

基于Q学习量子蚁群的微纳卫星路由算法

在微纳卫星网络中,传统蚁群路由算法不能同时保证数据传输的安全性和网络业务的服务质量,且易陷入局部最优解,收敛速度较慢。为解决上述问题,提出一种实现多目标优化的Q学习量子蚁群路由算法。该算法在选择下一跳节点的转移概率时,将路径的平均信任值和路径的费用作为两个优化目标,构成最优路径的节点性能指标,保证数据传输的安全性和网络业务服务质量。在考虑路径费用函数时,将量子计算引入到状态转移概率计算中,避免陷入局部最优解,并在算法中引入Q学习的思想,将信息素映射成Q学习的Q值,强化算法在动态环境中的学习能力,以提高路由的整体性能。仿真结果表明,与蚁群优化算法和改进的蚁群多约束路由算法相比,Q学习量子蚁群路由算法明显改善包投递率、平均端到端时延和节点平均能耗等性能指标,避免了蚁群算法易陷入局部最优解,提高了收敛速度,可适用于具有高速移动节点的微纳卫星网络。     

P2P计算网格路由和负载均衡算法

路由和负载均衡是P2P计算网格的两个技术难题,由于P2P网络的分布性和动态性,以及缺乏统一的中心控制,使得传统的路由和负载均衡算法不能应用于P2P网络。提出了一种源自蚁群智能的混合路由和负载均衡算法,通过移动代理,即人工蚂蚁在节点间移动时所释放的信息素来作为路由和任务调度的依据。仿真结果表明该算法是有效的,且适用于具有分散和自组织特性的P2P网络。     

Ad Hoc网络中基于遗传蚁群算法的QoS多播路由算法

利用遗传算法的快速全局搜索能力和蚁群算法的正反馈收敛机制,把蚁群算法和遗传算法融合起来,提出了一种遗传蚁群算法（GAAC）来解决Ad Hoc网络中QoS路由问题。首先利用遗传算法生成信息素分布,然后用蚁群算法求精解,优势互补,期望获得优化性能和时间性能的双赢。并针对算法应用于Ad Hoc网络QoS路由普遍产生的拥塞问题,采用拥塞回避的策略,从而实现网络业务流负载均衡。仿真表明该算法比其它单一采用蚁群算法进行路由选择更适合于动态Ad Hoc网络环境。     

具有负载均衡和蚁群优化的移动P2P路由策略

分析了移动P2P网络的移动节点设备资源更加短缺,网络更加动态多变,建立健壮的路由策略是非常重要的。通过研究移动P2P网络的特征,从路由发现、路由选择、路由保持三个方面入手,提出了一种新的具有负载均衡和蚁群优化的路由策略。利用蚁群算法理论来指导移动agent的全局搜索的路由发现工作,并且结合通用的能量消耗公式计算得到的节点剩余能量和节点业务执行等候队列长度来优化路由选择工作。从仿真实验可以看到,该路由策略在平均端到端的延迟、路由控制负载方面具有性能优势。同时,节约了节点的能量,延长了节点在网络中的生存时间。     

一种无线传感器网络蚁群优化路由算法

如何在资源受限的无线传感器网络中进行高效的数据路由是无线传感器网络研究的热点之一.将蚁群优化算法(ACO)应用于无线传感器网络的路由,提出一种无线传感器网络蚁群优化路由算法.该算法利用蚁群的自组织、自适应和动态寻优能力进行网络优化路径的建立与维护,采用Stigmergy的概念来减少控制信息的流量,以实现网络数据的高效传输.仿真分析表明,该算法和DD算法相比在传输延时方面性能相当,在路由代价方面效果显著.另外,该算法还具有可靠性高、适应性强等优点,并能够根据需要实现网络的拥堵控制和能量均衡等综合优化.     

基于蚁群算法的理性自适应路由研究

动态路由是随着网络动态拓扑结构和通信流量的变化而自动调整的过程，其性能的优劣对整个网络的性能至关重要。本文介绍了基于蚁群算法对动态路由问题进行优化的理性研究，采用蚁群优化算法搜集网络最新信息， 通过改进选择策略，动态更新路由表项和节点状态信息，解决网络的负载均衡问题，提高网络性能。     

一种抑制停滞的蚁群路由算法

蚁群路由算法（ACR）作为生物行为的模拟，在网络中得到了广泛的应用。然而，停滞现象严重影响了它的性能和自适应性。目前的大多数蚁群路由算法对减轻停滞现象的研究主要集中于信息素的处理，较少考虑停滞带来的网络负载失衡。本文提出了一种抑制停滞的蚁群路由算法（MS-ACR），该算法通过计算信息素变化量和改进概率更新函数来预防停滞现象。当停滞出现时，MS-ACR算法使用抑制措施来缓解停滞现象，快速发现新的最优路径。仿真表明，该算法在负栽平衡以及丢包等重要的网络性能上具有较为明显的优势。     

MANET网络中一种基于蚂蚁群体的路由算法

MANET网络是一种无线通讯的移动节点的集合。这种网络非常灵活,不需要固定的中央服务器。它适合于临时的通讯连接。这种网络的最大挑战是在通讯节点间寻找最佳的路径,路径不当会加重系统的负载。文章介绍一种新的按需多跳MANET网络的路由算法,该协议是基于智能蚁群,试图利用蚁群的数学及工程能力来解决MANET网络的路由算法问题。该协议具有高适应性、高效性及可扩展性,该路由算法可以大大地减少网络的路由开销。     

基于蚁群算法的MPLS网络负载均衡研究

在分析了常用的几种QoS保障算法基础上,给出了负载均衡模型,提出应用蚁群算法求解MPLS网络负载均衡问题。该算法融入信息素、转移概率、启发式引导函数和相似度,有效提高了搜索效率。仿真结果证明算法是有效的,显著改善了传统MPLS网络负载均衡路由算法易于导致的网络流量分布不均衡的状况。     

基于Q学习的蚁群优化水声网络协议

针对水声通信中数据传输延时高且动态适应性弱的问题, 提出了一种基于Q学习优化的蚁群智能水声网络路由协议(Q-learning ant colony optimization, QACO). 协议包括路由行为和智能决策部分, 在路发现和维护阶段, 依靠网络智能蚂蚁进行网络拓扑环境的构建和节点之间的信息交换以及网络的维护. 在Q学习阶段, 通过定量化节点能量和深度以及网络传输延时学习特征作为折扣因子和学习率, 以延长网络的生命周期, 降低系统能耗和延时. 最后通过水声网络环境进行仿真, 实验结果表明QACO在能耗、延迟和网络生命周期方面都优于基于Q学习辅助的蚁群算法(Q-learning aided ant colony routing protocol, QLACO)和基于 Q-learning 的节能和生命周期感知路由协议(Q-learning-based energy-efficient and lifetime-aware routing protocol, QELAR)和基于深度路由协议 (depth-based routing, DBR)算法.     

基于蚁群算法的网络安全路由算法研究

通过研究蚂蚁寻食的轨迹,分析推理出一种得到最优路径的并行算法,由于其灵感来源于蚂蚁,所以起名为蚁群算法。蚁群算法是近年才发展起来的,成功应用于很多领域,如车辆调度问题、分布式人工智能研究、负载平衡、大规模集成电路设计、工厂生产计划制定方面、图像着色和路由算法方面等等。本文主要是运用蚁群算法,寻找Ad Hoc网络中最优路由路径,使整个Ad Hoc网络成为一个稳定可靠的网络系统。     

Bi-LCQ: A low-weight clustering-based Q-learning approach for NoCs

Network congestion has a negative impact on the performance of on-chip networks due to the increased packet latency. Many congestion-aware routing algorithms have been developed to alleviate traffic congestion over the network. In this paper, we propose a congestion-aware routing algorithm based on the Q-learning approach for avoiding congested areas in the network. By using the learning method, local and global congestion information of the network is provided for each switch. This information can be dynamically updated, when a switch receives a packet. However, Q-learning approach suffers from high area overhead in NoCs due to the need for a large routing table in each switch. In order to reduce the area overhead, we also present a clustering approach that decreases the number of routing tables by the factor of 4. Results show that the proposed approach achieves a significant performance improvement over the traditional Q-learning, C-routing, DBAR and Dynamic XY algorithms.     

基于蚁群优化的无线传感器网络能耗均衡路由算法

针对无线传感器网络中节点能量受限的特点,将蚁群优化算法(ACO)应用于无线传感器网络,同时考虑了通信路径长度和节点剩余能量等因素,提出了具有能量意识的无线传感器网络路由算法,从多方面解决了节点间的能耗不均衡问题。该算法在OMNET++平台下仿真结果表明,与Ant-Net、ACRA算法相比在能耗不均衡和传输延迟等方面有了较大改进,实现了全网节点的能耗均衡,有效延长了网络生命期,减小了传输时延。     

网络负载均衡优化算法的建模与仿真

研究网络资源管理中的负载均衡与优化问题,网络资源有限且负载具有突发性,造成资源浪费。采用传统单一蚁群算法或遗传算法均存在各自不足,难以适应用网络负载变化特点,使网络资源利用率低,网络拥塞严重。为了提高网络资源利用率,使网络负载更加均衡,提出一种蚁群-遗传算法的网络负载均衡方法。首先利用遗传算法对网络负载均衡问题进行全局搜索,使网络负载均衡的解迅速处于全局最优区域解附近,然后将遗传算法的解作为蚁群算法初始信息素,进行进一步搜索,最后找到网络负载均衡的最优解。仿真结果表明,用蚁群-遗传算法提高了网络资源利用率,降低网络丢包率,提高网络整体性能。     

基于蚁群算法的路由协议在TinyOS中的实现

为了提高无线传感器网络(WSNs)的通信链路质量,在TinyOS系统中实现了基于蚁群算法的路由协议,该协议采用多跳的通信方式,为应用程序提供较为可靠的数据传输服务。结合Zig Bee网络的体系结构,详述了该协议的实现流程。通过TOSSIM仿真平台对该协议进行了验证,仿真结果表明:基于蚁群算法的路由协议能够在降低丢包率和传输延时的同时平衡节点的能量消耗,进而延长整个网络的存活时间。     

蚁群算法的BP网络优化算法

利用蚁群算法和BP网络训练算法相结合的方法对无线传感网络节点路由路径搜索展开了分析研究,简单分析了蚁群算法实现的基本原理,在此基础上重点给出了基于蚁群算法的BP网络优化算法的基本原理及其实现步骤,并对该优化算法与传统的BP网络训练算法的性能进行了对比仿真测试。     

改进蚁群算法在QoS组播路由中的应用

QoS组播路由是网络传输中的一项关键技术,蚁群算法是解决多QoS约束组播路由问题的一种启发式算法。针对蚁群算法的缺点,提出了一种双向蚁群算法对该问题进行求解,并改进了蚁群算法的信息素更新策略。仿真实验表明,该算法能快速搜索并收敛到全局（近似）最优解,且随着网络规模的增大,算法保持了良好的特性。     

基于改进型蚁群系统的多约束电路路由算法

分析现有路由算法的缺点,对蚁群系统工作模型和传送网多约束电路路由选择原则进行描述,指出传统蚁群系统在解决多约束路由选择问题中的不足,改进了传统蚁群系统。阐述采用改进后的蚁群系统的多约束电路路由选择算法过程,用实例验证了算法的有效性。