粒子群算法在服务质量路由问题的研究

基于服务质量QoS的路由的主要目标是为接入的业务选择满足服务质量要求的传输路径,同时保证整个网络资源的有效利用.本文介绍了粒子群算法,提出了应用粒子群算法解决互联网络服务质量路由问题.实验表明,该方法是行之有效的.     

基于混合策略的QoS选播流路由优化算法

分析了QoS选播流交错服务问题的产生过程及其对网络资源的浪费，提出了一种基于混合策略的全局路由优化解决方法．在构建路由优化问题模型的基础上，得出了选播流路由端到端时延、服务器负载、网络流量、路径调整等多个优化目标和QoS约束的表达式．给出了GA、SA、TS三种算法有机结合形成的一种混合优化算法，并说明了运用该算法求解的关键步骤和实现过程．实验结果表明，本算法能够在满足QoS约束的前提下实现选播路由的多目标组合优化，与基于GA或者SA的求解算法相比具有更强的稳定性和更高的精确度．     

粒子群优化算法研究进展

粒子群优化(PSO)算法作为一种仿生进化算法,是受到自然界生物群体行为机制的启发而提出的.本文首先介绍PSO算法的基本原理和工作机制.然后着重就PSO算法的理论和应用研究现状进行综述,包括PSO算法的改进、PSO算法的参数设置、PSO算法的收敛性、PSO算法与其它算法的融合以及PSO算法在优化领域的典型应用,并进一步分析它们的研究重点和发展方向.最后是关于PSO算法面临的问题和研究展望,提出PSO算法研究中值得探讨的一些课题.     

免疫克隆粒子群优化算法在水面舰船图像分割中的应用

介绍了一种免疫克隆粒子群优化(IC PSO)算法来进行函数优化,目的在于克服基本粒子群优化(PSO)算法容易陷入局部极值的不足,从而实现全局搜索.通过免疫克隆原理的应用,根据亲和度的高低进行粒子克隆选择、淘汰和高频变异,提高了种群的多样性,增强了算法全局搜索的能力,提高了收敛速度和精度.实验结果表明,该算法完成全局搜...     

基于粒子群优化的QoS组播路由算法

QoS(QualityofService)组播路由问题是一个非线性的组合优化问题,已证明了该问题是NP完全问题。论文将基于群智能演化计算技术的粒子群优化算法用于此类问题的求解。算法引入了交换,插入,删除,增量等操作算子和操作算子序列等概念,并在此基础上对基本的粒子群优化算法进行改进,使之适合于QoS组播路由的求解,仿真结果显示,该算法取得了满意的效果,在寻优速度上优于遗传算法。     

邻域搜索的粒子群优化算法及其性能分析

粒子群优化算法（PSO）是一种进化计算技术,是一种基于迭代的优化工具。但是,该算法的本身特性决定了算法不趋向于搜索接近极值点的解空间,造成了PSO算法最终解的局部极值性不好;并且,PSO算法需要充分的迭代才能够得到比较好的解,在迭代步数受到限制或者随时可能中途停机的情况下往往不能够得到比较好的解。根据PSO的这些不足,提出了邻域搜索的f-PSO算法,该算法在PSO的迭代步骤中每次更新全局最优解的同时采用一步局部寻优过程。实验表明,该算法具有很强的理论价值,在运算能力不足 、迭代不充分或中途停机的情况下,该算法仍然能够得到比较好的解。     

异步粒子群优化算法在QoS组播路由中的应用

QoS组播路由问题是一个非线性的组合优化问题,已证明了该问题是NP完全问题。为适应下一代IP网络对实时信息传输的要求,在异步模式粒子群优化算法基础上,给出包含延迟、延迟抖动、带宽、丢包率和最小花费5个约束条件在内的QoS组播路由算法。该算法首先给出数学模型,设计适应度函数,再给出受限的网络模型,通过粒子群优化(PSO)算法最大化适应度函数来求解最优Steiner树。算法仿真实验结果表明:与遗传算法和同步模式的粒子群优化算法相比,该算法有较好的收敛速度和寻优效果。     

改进粒子群算法在智能组卷系统中的应用

计算机智能组卷是近年来计算机在辅助教学中的一个重要应用,计算机智能组卷作为一种多目标求解的优化组合问题.提出基于灰色关联度分析的改进粒子群算法应用于自动组卷问题,并进行了仿真实验.仿真结果表明,此算法能够成功应用于自动组卷,组卷速度快、成功率高.     

基于自适应免疫粒子群优化的DV-Hop定位算法

针对传统距离矢量—跳数(DV-Hop)定位算法中,最小二乘法计算未知节点坐标时存在误差较大,而粒子群优化(PSO)算法又容易陷入局部最优的问题,提出了基于一种自适应免疫粒子群与DV-Hop融合算法。首先,对浓度机制进行改进;其次,子种群的数目通过粒子最大浓度值来改变,使得种群资源得到最大限度利用;最后,对疫苗范围进行动态调整后,劣质种群开始进行疫苗接种。该算法克服了粒子早熟,避免了种群退化现象,提高了算法进化过程中的收敛速度和精度。实验结果表明:在相同硬件成本和通信开销的情况下,所提算法定位精度更高。     

运用粒子群优化算法估计IRT参数

本文引入粒子群优化算法进行项目反应理论的参数估计。作者在阐述项目反应理论参数估计方法与粒子群优化算法原理的基础上设计了IRT参数估计的PSO算法。     

基于改进的量子粒子群算法在QoS组播路由中的研究

针对QoS组播路由问题,提出了一种改进的量子粒子群优化算法。为了更好地求解该问题,算法采用预处理机制。首先将图形网络拓扑转换为树形网络拓扑,在此基础上进行粒子的编解码,从而杜绝了坏粒子及环路的产生,减少了重复粒子;并利用量子粒子群算法进行粒子群遍历寻优,同时在每次粒子位置移动后,均进行粒子群体的交叉和选择操作,以提高粒子群个体的多样性,增强算法的全局寻优能力,加快算法的收敛速度。最后,将该算法与传统的粒子群优化算法进行编程对比。实验仿真结果表明:改进后的量子粒子群优化算法能获得比传统粒子群优化算法更优的解,同时具有更快的收敛速度及全局寻优能力。     

基于遗传算法的QoS选播流路由优化算法

选播是一种网络通信服务,在视频流点播等领域发挥重要作用。该文提出QoS选播流路由优化的问题模型,给出选播流路由端到端时延、服务器负载、网络流量等优化目标和QoS约束的遗传算法表达式,说明了算法求解的关键步骤和实现过程。实验结果表明,该算法在满足QoS约束的前提下可以实现选播路由的多目标组合优化。     

基于PSO和变异模拟退火的QoS单播路由算法

为了研发更高性能的QoS单播路由算法,提出变异退火粒子群优化（MSAPSO）算法。MSAPSO算法中使用一种新的。算子,将粒子群优化（PSO）的迭代公式简化成一个公式。通过设计变异退火算子,将遗传算法的变异操作和模拟退火的Meuopofis概率接受准则融入PSO,以改善粒子群的多样性和算法的收敛性。仿真结果表明MSAPSO在搜索成功率和收敛性上优于纯PSO算法和蚁群算法。     

粒子群优化ABC支持型QoS组播路由机制

引入模糊数学、概率论和博弈论知识,设计一种ABC(Always Best Connected)支持型QoS(Quality of Service)组播路由机制.该机制采用区间形式描述用户QoS需求和边(链路)参数,引入边参数概率和用户满意度,通过边评价和博弈分析,基于粒子群优化算法,寻找使各方效用达到或接近Nash均衡下Pareto最优的QoS组播路由树.仿真结果表明,该机制是可行和有效的.     

基于MPLS网络的选播QoS路由算法

提出一种基于MPLS网络且保证QoS的选播路由算法。使用链路状态路由协议,找到一条从发出请求的客户到服务器方向上最小跳数的最优路径,该路径能满足选播服务带宽要求。使用度量为路径逆向(服务器到客户)上的链路带宽值,通过约束路由的标记分发协议,建立一条从服务器到客户方向的标记交换路径,并预留资源。仿真结果表明,在传输服务数据流时,该算法的时延及丢包率性能良好,能在一定程度上平衡服务器的负载。     

基于新变异算子的改进粒子群优化算法

粒子群优化算法(PSO)是一种基于群体智能的优化算法。本文在介绍PSO算法基本原理和流程的基础上,分析了该算法在处理一些复杂问题时容易出现的早熟收敛、收敛效率低和精度不高等问题,提出了一种基于新变异算子的改进粒子群优化算法(NMPSO)。NMPSO算法将产生的变异粒子与当前粒子进行优劣比较,选择较优的粒子,增强了种群的多样性,有效地避免算法收敛早熟。用5个常用基准测试函数对两种算法进行对比实验,结果表明:新提出的NMPSO算法增强了全局搜索能力,提高了收敛速度和收敛精度。     

应用改进微粒群算法求解QoS路由技术问题

高速多媒体网络中的路由问题是有QoS约束的路由问题,多受限的路由问题是一个NP完全问题.本文提出了一种解决多受限QoS路由问题的改进微粒群算法.该算法利用记忆库来动态调整惯性权重值,加快了算法的收敛速度.同时结合进化、灾变机制避免了算法陷入局部极值的问题.在列出改进算法的具体步骤基础上,通过实例证明了算法的有效性,使多受限QoS路由优化问题很好地得到了解决.     

改进型PSO算法在VRP中的应用

运用罚函数法将约束优化问题转化为无约束优化问题,同时采用实数编码方案,将离散的车辆路径问题转化成准连续优化问题,在此基础上,用改进的粒子群优化算法求解最优值.改进的粒子群算法引入了杂交PSO模型和变异算子.仿真实验结果表明,该算法在保持粒子种群多样性、提高收敛速度和搜索精度、扩大搜索范围、避免过早收敛于局部极值点等方面...     

一种随机粒子群算法及应用

为提高粒子群算法的优化效率,在分析量子粒子群优化算法的基础上,提出了一种随机粒子群优化算法。该算法只有一个控制参数,搜索步长由一个随机变量的取值动态决定,通过合理设计控制参数的取值,实现对目标位置的跟踪。标准测试函数极值优化和聚类优化的实验结果表明,与量子粒子群和普通粒子群算法相比,该算法在优化能力和优化效率两方面都有改进。     

一种免疫微粒群优化算法

引入克隆选择操作和借鉴免疫学习中较好的多样性来克服微粒群算法易陷于局部最优以及对多峰值函数搜索效果不佳的缺点，构建了一种免疫微粒群算法。将该算法应用于4个常见的测试函数，实验结果表明，该算法比标准微粒群算法有更好的收敛性和更快的收敛速度。