基于两阶段启发式算法的Web服务组合优化

保证QoS约束的Web服务组合优化问题是一个多目标多选择的问题,是NP难的,很多工作都是关于如何设计一种有效的优化算法展开的.本文提出了一种两阶段的启发式算法,利用遗传算法和蚁群算法相互融合的策略,实现这两个算法的优势互补,通过优化多个目标函数,获得一组满足约束条件的Pareto最优解.仿真实验说明的算法的可行性和有效...     

蚁群混合遗传算法的研究及应用

为解决组卷过程中在一定约束条件下存在的多目标优化问题,结合蚁群算法和遗传算法各自的优点和它们融合的基础,提出了一种蚁群算法融合到遗传算法的策略:在组卷的前阶段利用遗传算法群体性全局搜索能力,快速形成初始解,在满足终止遗传算法的条件后,将遗传算法调度的较优解转化为蚁群算法所需要的初期信息素,然后利用蚁群算法所具有的正反馈、高效等特点快速形成试卷最优解。实践结果证明此算法改善了试卷的质量以及系统的运行效率,生成的试卷符合要求,达到预期的结果。     

基于遗传与蚁群算法融合的选播QoS路由算法

为有效解决选播通信中的QoS路由问题,提出一种基于遗传算法与蚁群算法融合的选播QoS路由算法.算法初期使用遗传算法在链路上分布信息素,对蚁群算法的控制参数进行编码和优化;然后通过判断函数来判断遗传算法与蚁群算法融合的时机,初始化信息素,并启动混合算法后期的蚁群算法;引入变异算子,对由变异操作得出新路径进行局部信息素更新,更快地引导蚁群算法找到全局最优解.NS2仿真实验结果表明,该算法很好的解决多QoS选播路由问题,性能优于其它算法.     

基于蚁群算法和遗传算法融合的QoS组播路由问题求解

包含延迟、延迟抖动、带宽、丢包率和最小花费等约束条件在内的服务质量(QoS)组播路由问题,是一个NP完备问题,传统方法很难求得全局最优解.本文将遗传算法和蚁群算法融合,提出了用遗传蚁群算法(GAACS)求解QoS组播路由问题的解决方案.仿真实验表明,采用新算法比遗传算法具有更好的性能.     

QIACO:一种多QoS约束网格任务调度算法

网格环境下的任务调度问题属于NP难解,难以得到精确的最优解,适合使用蚁群算法等智能优化算法对最优解进行逼近;同时,服务质量(QoS)也是衡量网格性能的一个重要指标,网格任务调度应该满足用户的QoS需求.为解决具有QoS保证的网格任务调度问题.本文以带有Qos约束的任务为研究对象,结合改进的蚁群算法,提出了一种基于蚁群算...     

基于遗传蚁群优化算法的认知无线电频谱分配

针对认知无线电中的频谱分配问题,提出一种融合了遗传算法和蚁群算法优点的频谱分配方法。该方法利用遗传算法快速随机的群体性全局搜索能力生成初始解,然后利用衔接策略将遗传算法初始解转化为蚁群算法所需的信息素初始分布,最后利用蚁群算法正反馈、收敛高效的特点求取最优解。通过仿真比较了该方法与颜色敏感图着色算法的性能。结果表明动态融合了遗传算法和蚁群算法的优化算法性能明显优于颜色敏感图着色算法,它能更好地实现网络效益最大化。     

基于蚁群优化算法的多QoS选播路由算法研究

提出一种基于蚁群优化算法的多QoS选播路由算法.算法设计了合理的路径评价方法,从平衡网络负载的角度出发,寻找适当的选播路由路径.通过对迭代最优解路径上的信息素的调整和算法重启的策略,算法有效地避免了陷入局部最优的缺陷,扩大了算法的搜索范围.实验结果表明,该算法能找到满足QoS约束的全局最优解,并在资源预留的基础上较好地满足用户对于带宽、时延的要求.     

基于差异演化算法的QoS全局最优动态Web服务选择

QoS全局最优动态Web服务选择是服务组合中的一个难题。基于差异演化算法,设计一种用于解决该问题的DE-GODSS算法。算法的主要思想是将问题表示为一个带QoS约束的多目标服务组合优化问题,通过理想点的方法将多目标向单目标转化,然后利用差异演化算法的智能优化原理进行算法设计及求解,最终产生一组满足约束条件的优化服务组合流程集。理论分析证明DE-GODSS算法的时间复杂度优于已有的多目标遗传算法,且实验结果表明该算法的收敛速度优于已有的多目标遗传算法。     

基于自适应蚁群的多约束QoS组播路由算法

结合多约束QoS组播路由的特点,应用一种自适应蚁群优化算法解决组播路由问题.考虑到实际通信中链路利用率对网络的影响,将网络中链路的带宽转化为链路的代价问题,并在蚁群算法中根据蚂蚁所选路径的代价进行信息素更新,增加了信息素调整的自适应性,同时加快了算法的收敛速度,使得组播路由算法在考虑网络QoS约束的基础上进一步贴合实际网络的需求.     

一种基于蚁群系统原理的QoS单播路由算法

蚁群算法是一种基于蚁群系统原理的、具有自组织能力的、新型的启发式优化算法。为了研究QoS路由问题,本文利用蚁群算法能寻找最短路径这一特性,提出了一种基于蚁群系统原理、用于解决带宽和时延约束问题的QoS单播路由算法。仿真结果表明了该算法的有效性、自适应性、鲁棒性和可扩展性。     

遗传蚁群禁忌融合算法的研究

通过对遗传算法、蚁群算法和禁忌搜索算法三种算法的分析研究,针对其各自优缺点,提出一种融合遗传算法、蚁群算法和禁忌搜索算法的融合算法。融合算法是采用遗传算法生成初始信息素分布,利用蚁群算法快速求精确解,同时将遗传禁忌算子引入到蚁群算法的每轮迭代中,有效解决了蚁群系统初始信息素匮乏、易陷入局部最优和收敛速度慢的缺点,实现优势互补。通过NP-hard30问题仿真实验,结果显示算法具有良好的寻优能力和寻优效率。     

蚁群-遗传算法的无线传感器网络路径优化

为了提高无线传感器网络路径优化效率,快速找到最优路径,提出基于蚁群-遗传算法的传感器路径优化方法.利用遗传算法的快速全局搜索能力和蚁群算法的正反馈机制,实现了两种算法的融合.仿真结果表明,蚁群-遗传算法在时间和性能上都优于单独的蚁群算法和遗传算法,能快速找到无线传感器网络最优路径,有效延长了网络的生命周期.     

Multi-point path planning based on the algorithm of colony-particle swarm optimization

The problem of multi-point path planning is a NP-hard problem,which is equivalent to finding the shortest path of a starting point and some specific node.Aiming at the problem of multi-point path planning,a retrospective ant colony-particle swarm optimization algorithm was proposed.This algorithm used Floyd-Warshall to transform the graph and combined ant colony algorithm and particle swarm algorithm to find the shortest path.The experimental results show that this algorithm can find the precise solution under small data,at the same time,under a large amount of data,can be better than the maximum minimum ant colony algorithm and genetic algorithm.     

Multi-constraints QoS routing optimization based on improved immune clonal shuffled frog leaping algorithm

Aiming at the multi-constraint routing problem,a mathematical model was designed,and an improved immune clonal shuffled frog leaping algorithm (IICSFLA) was proposed,which combined immune operator with traditional SFLA.Under the constraints of bandwidth,delay,packet loss rate,delay jitter and energy cost,total energy cost from the source node to the terminal node was computed.The proposed algorithm was used to find an optimal route with minimum energy cost.In the simulation,the performance of IICSFLA with adaptive genetic algorithm and adaptive ant colony optimization algorithm was compared.Experimental results show that IICSFLA solves the problem of multi-constraints QoS unicast routing optimization.The proposed algorithm avoids local optimum and effectively reduces energy loss of data on the transmission path in comparison with adaptive genetic algorithm and adaptive ant colony optimization algorithm.     

基于蚁群算法的弹道参数辨识方法研究

通过传统的计算方法难以得到航空武器系统弹道参数,为此提出一种基于蚁群算法的航空武器气动参数辨识算法。该算法将蚁群算法和实数编码遗传算法相结合,以给定的弹道表数据为标准,采用蚁群算法计算航空武器气动参数分段函数的分段边界点马赫数值,在此基础上采用实数编码遗传算法计算分段函数的多项式系数。采用该算法进行某型炸弹阻力系数辨识计算,计算结果表明:该算法可行,且计算的阻力系数精度高。计算结果已成功应用于某型航电火控系统的设计中。     

一种基于混合蚁群算法的矢量量化码书设计算法

提出了一种基于混合蚁群算法的矢量量化码书设计算法。该算法首先通过自适应地调整截取转移概率的参数,加大蚁群算法的搜索最优解的力度;然后以蚁群算法搜索的结果作为初始解,利用改进的LBG算法作进一步的搜索,从而加快算法的收敛速度。实验结果表明,该算法不但大大提高码书性能,而且也缩短了运行时间,解码恢复图像能获得较高的主、客观质量。     

Research on mapping algorithm of virtual network oriented to SDN

In order to solve the problem of virtual network mapping,a mapping method based on ant colony hybrid genetic algorithm was put forward under SDN environment,which established a linear programming model for virtual network mapping,and divided the mapping process into node mapping and link mapping.Firstly,the fusion algorithm was adopted,in which virtual nodes were mapped to physical nodes.Then the shortest path algorithm was used to map the virtual link to a physical link.On this basis,the acceptance ratio of virtual network requests can be improved.Simulation experiment results show that acceptance rate of virtual network requests can be increased by 10% efficiently using the ant colony hybrid genetic algorithm,compared with existing mapping algorithms D-ViNE,RW-BFS and R-ViNE.Further more,proposed method can greatly improve the average utilization rate of nodes and links and the ratio of the mapping income to cost.     

基于C++ AMP加速并行蚁群算法

蚁群算法与同类智能算法相比具有计算速度快、收敛迅速、算法稳定性好等优点,但是随着数据量的增大,计算用时呈现指数型增长。为了更好地解决大数据量蚁群算法计算慢的问题,结合蚁群算法天然的并行性,基于最新的GPU并行化接口C++AMP实现了并行蚁群算法,使计算用时大幅度减少。经试验分析,该算法可以达到3倍的加速效果。     

改进蚁群算法的路径规划研究

针对蚁群算法在复杂环境下收敛速度慢且存在停滞问题,提出一种改进的蚁群算法。为了避免蚁群陷入死锁状态,采用回退策略,避免蚂蚁盲目搜索产生大量交叉路径并有效减少蚂蚁死亡数量,并且借鉴了狼群分配策略来更新信息素,提高算法全局性,在状态转移概率中引入一个启发因子并进行调整,避免算法陷入停滞。仿真实验结果表明,改进后的蚁群算法收敛速度明显加快,寻优最短路径达到29.73,迭代次数较少28。验证了该算法的有效性和可行性。