Ad hoc网络中一种新的路由选择算法*

提出了一种基于网络总时延最小的路由路径选择算法。该算法根据链路的时延来进行路由路径选择,从而达到网络总时延最小的目的。仿真表明,该算法可以动态调整网络路由路径,从而使网络总时延达到最小。     

卫星网路由算法研究

提出了一种运行于卫星网络上的基于时空的路由算法，该算法包括三个步骤：初始阶段．计算候选路由阶段及选择转发路由阶段．当网络卫星节点取得数据报的目的出口节点(卫星)的地址后，使根据此刻的源卫星、目的卫星的位置，采用路径延时的度量标准(Metric)，对最佳路径进行计算，并得到一个经过优劣排序的候选路径集合．仿真实验结果表明该算法能较好地满足在卫星网络上完成路由功能的要求．     

一种带有路由反射的BGP路由预测算法

由于路由反射器的影响,路由器可能只知道非常有限的到达外部目的地的路由的子集,BGP路径选择过程并不会形成一个确定的路径等级顺序,使得路径预测变得非常困难.给出了一种算法,该算法不需要对路由协议动态进行复杂的模拟,只需要静态的路由数据就可以计算出带有路由反射的路由选择结果,并在一个模拟的大型ISP上验证了预测算法的正确性.结果显示配置的改变可以引起路由表的变化.     

一种节能的无线传感器网络QoS路由算法

针对无线传感器网络中不同业务对QoS的不同要求，提出了一种新的QoS路由算法—EBQoS算法。算法通过记录邻居节点到Sink节点的最小跳数信息建立到Sink节点的多条路径，并根据信息包的QoS要求和节点剩余能量选择合适的路径进行路由。通过仿真实验与顺序分配路由（SAR）算法的比较，结果表明该路由算法在提供差别服务和提高网络生存期方面具有明显的优势。     

基于节点能量和网络稳定性的节能路由协议

在Ad hoc网络中,AODV等路由协议在选择路由路径时没有考虑节点的能量,可能造成部分节点的能量过度使用从而导致网络分割等问题。以AODV为基础,提出了一种基于节点剩余能量和网络稳定性的路由算法ECAODV。该算法在路由发现过程中,不仅要综合考虑路径上的节点的剩余能量和路由跳数,而且考虑路径中间节点对网络稳定性的影响。通过仿真验证该算法有较好的性能。     

传感器网络中一种负载平衡的选播路由算法

针对传感器网络的特点,提出了一种基于权重负载平衡的选播路由算法.该算法的基本思想是根据路径上传输数据的能量消耗、邻居节点的剩余能量和跳数信息计算权重,并选择最小权重路径.新算法通过利用权重让更多节点分担数据传输以保持网络负载平衡,延长网络生存期和改善选播路由的性能.仿真实验表明,新算法的网络生存期是SARP的2到4倍,具有良好的路由性能.     

基于蚁群算法的一种能量高效路由算法的研究*

为了达到在信息传输路径上节能的目的,提出了一种基于蚁群算法的节能路由算法。该算法根据节点当前可用能量选择下一跳节点,按照节点经过的人工蚂蚁数选择数据汇聚节点,最终达到能量均衡使用和降低通信量的目的。经仿真计算证明该算法能合理地选择路由,节能效果明显,进一步延长了网络生存期。     

基于改进蚁群优化算法的无线传感器网络路由研究

无线传感器网络为能量受限系统,为了促使网络节点能量消耗相对均衡,将蚁群优化(ACO)算法应用于无线传感器网络的路由选择,提出一种基于能量均衡的无线传感器网络路由算法。该算法将节点能量作为转移概率规则启发因子,通过计算转移概率和适应度值找到最优路径。仿真结果表明:该算法可以显著减低网络总能耗,从而延长无线传感器网络的生命周期。     

基于博弈理论的无线传感器网络融合路由

主要研究了无线传感器网络路由路径的链路质量及节点剩余能量对网络整体可靠性及能效的影响,提出了无线传感器网络数据融合可靠路由的博弈论模型。该模型的求解属于NP问题,论文还提出了一种基于节点效用进行路由选择的分布式实现算法。仿真结果表明该算法能提高网络路由路径的可靠度和能效性。     

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。     

基于蚁群的无线传感器网络分簇路由算法

在研究经典低能量自适应分簇路由算法的基础上,提出基于蚁群的无线传感器网络分簇路由算法。该算法将蚁群算法应用到簇间路由机制中,寻找簇头到基站的最佳路径,使得离基站较远的簇头节点沿着最佳路径传输信息,有效地减少了簇头节点的能量开销。同时,在簇头选举时,该算法不仅考虑簇头节点的剩余能量,而且兼顾簇头与簇头之间的距离,使得簇头分布更加均匀。仿真结果表明,该算法和LEACH及DADC算法相比,有效地均衡了网络能量消耗,并延长了网络生命周期。     

基于图卷积神经网络的智能路由算法

使用特定数学模型的路由转发算法难以满足用户多样化的服务质量需求,基于深度学习的智能路由方案因具有准确性、高效性、通用性等优势,成为路由决策的发展方向。然而,目前多数智能路由算法在网络拓扑动态变化时需要重新训练,造成路由更新不及时,难以应对网络拓扑动态变化。提出一种基于图卷积神经网络（GCN）的智能路由算法。线下利用提前采集的网络信息,根据路由开销标签训练GCN智能路由模型,通过该模型输出单跳路由开销。线上采集实时信息并根据模型输出的路由开销结果对网络层路由协议进行调整,计算最小路由开销的路由路径,实现自适应网络更新。算法利用GCN的图数据结构处理不规则的网络拓扑,通过图卷积算子自动提取特征解决路由网络多属性参数提取的问题,同时引入模糊C均值算法进行网络状态离散化分析,为数据集生成标签,从而有效监督GCN模型训练。实验结果表明,该算法较ECMP、DRL-TE和SmartRoute算法路由性能更好,其平均丢包率、时延和吞吐量指标均为最优,且相较于单一的流量模式具有更强的泛化能力。     

基于量子遗传算法的无线传感器网络路由研究

对于无线传感器网络(WSNs)中的两大关键性问题路由搜寻和能量优化,引入量子遗传算法进行路径的搜寻,并改进算法编解码思路,降低由于网络规模扩大而导致编码长度急速增加,即减少算法的计算复杂度,从而解决传统编码方式下的量子遗传算法难以适用于大规模的WSNs的缺点。通过实验表明:该方法能够得到更加优越和稳定的路径搜索结果,与粒子群优化算法进行1000次重复路径搜寻试验比较,其平均最优解提高了18.9%,稳定性提升了38.9%。     

基于HPSO的自适应路由节点优化部署策略

针对无线网络中的路由节点的部署结构冗杂,经济成本高,通信质量差的问题,提出了一种基于优化混合粒子群算法(HPSO)的自适应路由节点部署策略(ADS);以最低部署成本为算法寻优目标,以无线组网节点通信,空间覆盖完整性等特点为限制条件,通过优化HPSO结合ADS,得到应用范围内的最佳的路由节点部署;首先建立无线通信网络路由节点的部署成本模型,部署通信距离关系模型,节点通信负载模型,自由空间损耗模型;依据模型确定算法寻优目标及算法限制条件;然后对HPSO进行优化,加入淘汰机制和多样性补充机制,在不降低算法效率(寻优时间)的基础上提升算法寻优准确度;对于空间相邻的路由节点,设计并采用ADS进行部署,同时优化可视域模型,缩小ADS中可行点集范围,提高下一节点的部署效率;文章方法中的HPSO与遗传算法(GA)算法和人工免疫算法(AIA)分别结合ADS进行对比试验;仿真结果表明,文章方法在保证无线通信网络通信质量的基础上,提升14％～33％算法效率,降低8％～10％的路由节点部署成本.     

基于遗传算法的WMSNs多路径多目标优化路由算法

针对WMSNs路由算法设计的需求,依据遗传算法的基本原理和Pareto多目标优化方法,提出WMSNs多路径多目标优化路由算法MMOR-GA。该算法充分利用基站的存储空间充裕、能量充足和计算能力强的优势,在全局范围内搜索WMSNs多路径多目标优化路由。同时构建了基于前向邻居概念的网络模型和多目标优化函数,设计特定的编码方案及选择、交叉、变异算子。将MMOR-GA和TPGF进行模拟仿真实验,结果表明MMOR-GA算法能均衡有效地提高WMSNs路由的多QoS参数。     

基于SDN分级分域架构的QoS约束路由算法

传统分布式的网络架构制约路由算法的创新,软件定义网络的出现为路由算法的优化提供了新思路。已有研究中,启发式算法广泛应用于服务质量路由,但由于计算复杂度高而无法在大型网络中应用。而其他算法均存在不同程度的问题,要么复杂度较高,要么算法性能较差,如最短路径算法。基于 SDN 分级分域架构,提出了 LC-LD 路由算法,综合时延条件和代价度量约束并在计算复杂度和算法性能之间保持平衡。仿真分析表明,LC-LD路由算法在有较低的计算复杂度的同时还有较高的服务质量路由选路性能。     

基于认知无线电的QoS路由算法

一般无线网络的路由协议不适合直接应用于认知无线电网络,需要提出一个新的路由算法以满足认知无线电网络端到端的服务质量(QoS)性能。认知无线电网络中的节点可以自主地进行信道选择和频谱切换,从而最大限度地满足流量需求和避免流内竞争。结合按需路由的基本流程,在充分考虑信道容量和流内竞争所带来的干扰对路由选择的影响下,提出了适用于认知无线电网络的基于容量和干扰的路由算法。仿真结果表明,基于容量和干扰的路由算法比另两种路由算法具有更好的端到端QoS性能。     

基于改进蚁群算法的铁路乘务交路计划的编制

针对提高铁路乘务交路计划编制质量和效率的问题,将乘务交路计划编制问题抽象为单基地、均衡行驶路程的多旅行商问题（MTSP）,引入均衡因子,建立了以乘务交路用时少和子乘务交路间任务均衡为目标的数学模型。针对该模型提出了一种双重策略蚁群优化算法,该算法首先构建满足时空约束的解空间,分别对乘务区段节点和接续路径设置信息素浓度,然后采用双重策略状态的转移概率,使蚂蚁遍历所有乘务区段,最终找到符合乘务约束规则的子乘务交路。最后运用广深线城际铁路数据对设计的模型及算法进行检验,经与遗传算法的实验结果对比分析表明：在相同的模型条件下,运用双重策略蚁群优化算法编制的乘务交路计划乘务交路个数减少了约21.74%、乘务交路总时长降低了约5.76%、交路超劳率为0。运用所设计的模型和算法编制乘务交路计划能够减少乘务计划交路时长,均衡工作量,避免产生超劳交路。     

蚁群算法在时延约束选播路由问题中的应用

在分析选播通信服务的基础上,研究了蚁群算法在网络选播路由问题中的应用,提出了一种基于蚁群系统原理,用于解决有时延约束的选播路由问题。算法采用调整最优解路径上的信息素和算法重启策略,较好地解决了蚁群算法易于陷入局部最优的问题。仿真实验结果表明,该算法是有效且切实可行的,它可以在满足延时约束的条件下迅速找到最优解。