基于遗传模拟退火算法的多约束QOS组播路由优化算法

组播路由问题在计算机网络中是著名的Steiner树问题,是NP完全问题.通过考虑组播通信服务质量需求与网络资源约束,研究了基于服务质量的组播路由选择算法问题,首次提出了一个基于遗传算法和模拟退火算法的多约束组播路由优化算法,该算法在满足带宽、延时、延时抖动及包丢失率约束条件下寻找代价最小的组播树.     

一种基于混合混沌遗传算法的QoS组播路由算法

IP/DWDM光Internet是下一代互联网NGI(NextGenerationInternet)主干网的主要组网技术之一,服务质量QoS(QualityofService)组播路由算法是其一个研究热点,已经证明它是NP难的。为此,文章设计了一种非NP类QoS组播路由算法。在给定用户请求的情况下,基于混合混沌遗传算法来构造带宽、延迟、延迟抖动与出错率受限且费用优化的QoS组播路由树,兼顾网络负载均衡。仿真结果表明,该算法是可行和有效的,明显优于基于传统遗传算法的QoS组播路由算法。     

满意优化在QoS组播路由中的应用研究

随着不断增长的多媒体应用需求,对网络的服务质量（QoS）提出了更高的要求,高效的支持变得越来越重要。本文分析了组播和组播路由选择技术的原理,用多目标满意优化求解模型来求解组播路由树,设计了适合模型求解的遗传算法。在随机生成的网络上测试组播路由算法,并与己知的算法进行了比较。     

基于蚁群遗传混合算法的QoS组播路由

具有延迟、延迟抖动、带宽、丢包率等服务质量约束的组播路由问题具有NP完全的复杂度。基于蚁群优化算法和遗传算法,提出解决QoS约束组播路由问题的混合算法。利用遗传算法和蚁群优化算法各自的优点,使用蚁群优化算法选择种群,遗传算法优化蚂蚁遍历所得到的解。仿真实验结果表明,该算法可满足各个约束条件,且全局寻优性能好,能够满足网络服务质量要求。     

基于遗传算法的QoS组播路由选择方法

考虑了组播通信服务质量需求与网络资源约束,将满足不同约束的QoS组播路由选择过程转化为一个多目标优化问题,使用一种基于QoS的最小网络费用组播路由树生成算法来寻找最小Steiner树。该方法可以在满足多约束的情况下,寻找费用最小的组播路由树,仿真结果表明该算法有较好的性能。     

基于遗传算法的QoS组播路由算法的适应度函数改进探索

近年来,许多研究者尝试采用遗传算法来解决多QoS约束的组播路由问题,其中构造适应度函数公式是特定算法能否成功搜索到QoS最佳组播路由的重要环节。提出了一种新的基于遗传算法QoS组播路由算法的适应度函数公式,通过仿真试验证明了该适应度函数改进方法能够避免原有适应度函数公式可能造成的不合理解。     

基于PBIL进化算法的时延受限组播路由算法

分布式实时多媒体的大量应用对能有效支持服务质量(QoS)的组播路由算法提出了迫切的要求,由于其NP-Complete特性,只能采用启发式算法。该文提出了一种基于PBIL(Population-BasedIncrementalLearning)进化算法的时延受限组播路由算法,该算法有效结合了遗传算法的进化特性与竞争学习算法的特点,实施简单,仿真表明它不但显著提高了收敛速度,而且能以较大概率收敛到最优解。     

基于动态变异遗传算法的组播路由算法

具有时延约束的组播路由问题已被证明是NP-完全问题。论文提出了一种基于动态变异遗传算法的组播路由算法,用来解决带时延约束的组播路由问题。通过计算机仿真分析和与同类算法的比较,此算法收敛速度快,不易陷入早熟,具有很强的鲁棒性和实用性。     

NGI中基于微分进化的柔性QoS组播路由算法

针对满足多个约束条件的服务质量组播路由的特点，提出了一种下一代互联网中基于微分进化算法的柔性QoS组播路由算法。给出了 QoS组播路由问题模型及其数学描述，针对NGI中QoS参数信息不精确的特点，基于模糊数学的相关知识并利用DE算法的寻优能力，找出在用户柔性QoS需求的条件下满足用户QoS需求的可信度和用户QoS满意度同时达到最大的组播路由树。对算法进行了仿真实现与性能评价，结果表明，它是可行和有效的。     

基于多克隆策略的应用层组播路由算法

应用层组播作为当前网络研究的热点，其组播树是构造在虚拟完全连通覆盖网络上的。分析了应用层组播网络路由模型特点，针对带度约束平均延迟代价最小的应用层组播路由问题，提出了一种基于免疫多克隆策略的应用层组播路由算法。仿真实验表明，与基于遗传算法的组播路由算法相比，该算法具有更快的收敛速度和更好的全局寻优能力，而且算法稳定、灵活，操作简单。     

一种基于遗传算法的QoS多播路由算法

深入研究基于遗传算法的QoS多播路由算法,建立支持QoS的多播路由模型.对已有的QoS多播路由算法进行优化,提出适用于下一代网络的基于遗传算法的QoS多播路由算法.采用定长的染色体编码和预处理机制降低算法复杂度.仿真试验表明,该算法收敛速度快,可靠性高,能够更好地满足多播业务的需要.     

基于量子遗传算法的QoS多播路由算法

QoS多播路由算法的核心问题就是建立满足QoS约束的多播树,它是计算机网络中著名的受约束最小Steiner树问题,是一个NP完全问题。量子遗传算法是基于量子计算理论的新型遗传算法,基于量子遗传算法的基本原理,提出了QoS约束的多播路由算法（QoSMR-QGA）,并详细介绍了QoSMR-QGA算法的实现过程。仿真实验表明,该算法具有较好的算法收敛性和多播路由成功率。     

一种IP／DWDM光因特网中的QoS组播路由算法

本文讨论了一种IP／DWDM光因特同的QoS组播路由算法，在已知QoS组播请求和所需时间延迟的前提下．提出了一种可以找到基于柔性QoS的、次优的路由树的算法。此外．我们对QoS满意程度一术语作了定义。所提出的算法在多种群并行遗传模拟退火算法基础上构建组播树，并根据波长图为树分配波长。此算法将路由选择和波长分配一体化，路由选择的目的在于找到一个次优组播树，波长分配的目的则是通过使波长覆盖数量最小来最小化组播树的延迟。因此，组播树的估价和QoS用户满意程度两方面都接近最优。该算法同时考虑了负载均衡。仿真结果表明．该算法是灵活有效的。     

QoS routing based on genetic algorithm

In this paper, the requirements of routing due to the multimedia applications are briefly discussed. In order to solve the QoS constrained routing effectively and efficiently, the scheme of routing based on a genetic algorithm (GA) is proposed after the analysis of related works. Then the QoS routing algorithms for unicast and multicast based on improved GA are described. Finally, the results of the simulations and the comparison of these results are given.     

IP／DWDM光因特网中的一种支持柔性QoS的并行一体化多播路由算法

本文研究了IP／DWDM光因特网中支持柔性QoS的并行一体化多播路由算法。对IP／DwDM光因特网中的多播请求及用户提出的端到端延迟需求区间，提出的算法一体化地解决路由选择和波长分配问题。目标是在考虑网络负载均衡的前提下，寻找一棵费用次优的多播树，并且满足用户QoS需求。该算法基于粗粒度并行遗传模拟退火算法构造多播树，基于波长图思想在多播树上进行波长分配。仿真研究表明，该算法是可行的，并且具有较好的性能。     

基于遗传算法的非精确信息组播约束路由研究

为求解基于非精确网络状态信息和弹性QoS需求约束的组播约束路由问题,提出了一种自适应的组播遗传算法.通过分析具有非精确度量参数的组播路径满足弹性QoS需求的概率,建立了基于概率法的组播约束路由模型.以种群多样性作为种群进化的度量指标,对进化过程中最大交叉率和最大变异率进行宏观调整;采用优势交叉变异法,在每次进化时,微调各个体的交叉率和变异率.仿真实验结果表明,该算法简单易操作,具有较高的收敛速度,能在一定程度上提高路由请求成功率.     

基于粒子群和博弈论的QoS组播路由算法

为改善互联网的服务质量(QoS)组播路由能力,设计一种基于多子群和博弈论的QoS组播路由算法。该算法由边评判、博弈分析和组播路由树建立等部分组成。基于适合隶属度函数对边进行模糊综合评判,利用博弈分析方法确定网络提供方与用户在边上的效用Nash均衡程度,通过组播路由树建立算法,在用户QoS要求得到满足的条件下,使得网络提供方效用与用户效用达到或接近Nash均衡意义下的Pareto最优。仿真实验验证了该算法的良好性能。     

QoS multicast routing using a quantum-behaved particle swarm optimization algorithm

QoS multicast routing in networks is a very important research issue in networks and distributed systems. It is also a challenging and hard problem for high-performance networks of the next generation. Due to its NP-completeness, many heuristic methods have been employed to solve the problem. This paper proposes the modified quantum-behaved particle swarm optimization (QPSO) method for QoS multicast routing. In the proposed method, QoS multicast routing is converted into an integer programming problem with QoS constraints and is solved by the QPSO algorithm combined with loop deletion operation. The QPSO-based routing method, along with the routing algorithms based on particle swarm optimization (PSO) and genetic algorithm (GA), is tested on randomly generated network topologies for the purpose of performance evaluation. The simulation results show the efficiency of the proposed method on QoS the routing problem and its superiority to the methods based on PSO and GA.     

A multipopulation parallel genetic simulated annealing-based QoS routing and wavelength assignment integration algorithm for multicast in optical networks

In this paper, we propose an integrated Quality of Service (QoS) routing algorithm for optical networks. Given a QoS multicast request and the delay interval specified by users, the proposed algorithm can find a flexible-QoS-based cost suboptimal routing tree. The algorithm first constructs the multicast tree based on the multipopulation parallel genetic simulated annealing algorithm, and then assigns wavelengths to the tree based on the wavelength graph. In the algorithm, routing and wavelength assignment are integrated into a single process. For routing, the objective is to find a cost suboptimal multicast tree. For wavelength assignment, the objective is to minimize the delay of the multicast tree, which is achieved by minimizing the number of wavelength conversion. Thus both the cost of multicast tree and the user QoS satisfaction degree can approach the optimal. Our algorithm also considers load balance. Simulation results show that the proposed algorithm is feasible and effective. We also discuss the practical realization mechanisms of the algorithm.