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。     

以蚁群优化为基础的组播路由算法优化

分析组播路由算法和蚁群优化算法,并通过仿真实验评价了以蚁群优化为基础的组播路由算法的优化方法。当路由计算的规模较大时,信息中未搜索到的数量能够减少并趋近0,将路由算法的全局搜索能力降低。蚁群算法中,蚂蚁的数量与算法的全局搜索能力呈正相关,但蚂蚁的数量在增加的过程中会影响其收敛速度。通过蚁群优化组播路由算法,能够在规模的限定下,提高算法的搜索能力。     

集中式网络编码组播路由算法

从提高组播容量和降低组播延迟入手,提出了一种集中式网络编码循环增广组播路由算法(centralized network coding cycle augmented multicast routing algorithm,NCCA),从而进一步提高了组播通信的传输速率。首先各节点通过广度优先搜索(breadth first search,BFS)算法遍历链路状态分组获得整个网络的拓扑信息,以Dijkstra算法为基础增广每个信宿节点的路由集,然后选出最优路由集,最后将所有信宿节点的路由集进行组合,得到组播组的整体路由。通过对算法进行理论分析及仿真实验,证明了NCCA组播路由算法在较稳定的网络上能进一步提高组播通信的传输速率。     

免疫组播路由选择算法

研究了带宽延时受限、费用最小的QoS组播路由问题，并提出了一种解决该问题的免疫算法．免疫算法的核心在于免疫算子的构造，而它又是通过接种疫苗和免疫选择两个步骤来完成的．根据QoS组播路由问题，给出了免疫疫苗选取与免疫算子构造的具体方法．将免疫算法应用于组播路由选择，是通过在基于遗传算法的组播路由选择的基础上引入免疫算子来实现的．该算法采用的进化算子简便、高效．仿真实验表明，该算法不仅有效可行，而且较好地解决了标准遗传算法中出现的退化现象，提高了收效速度和搜索能力．     

基于极值遗传算法的QoS组播路由

基于遗传算法和极值优化思想,提出一种极值遗传算法,将其应用到QoS组播路由。极值优化的非自衡性可以防止算法陷入局部解,加快算法的收敛速度。根据网络拓扑结构特点,采用特殊的编码、交叉、变异操作,保证解的可行性。实验结果表明,该算法能达到较高的QoS组播路由速度和精度。     

求解带时延约束组播路由问题的启发式遗传算法

组播是一点到多点的信息传送方式。在视频会议等实时性要求较高的组播应用中，保证信息的传输时延尽可能小非常重要。有时延约束的组播路由问题已被证明是NP－Complete问题。研究带时延约束的组播路由问题，给出了一种遗传算法以求解该问题，算法采用了适合问题特点的遗传算子，能够较好地解决时延受限组播路由问题。     

基于免疫Memetic算法的网络组播路由优化

为了求得代价最小的网络组播路径,提出了一种基于免疫Memetic算法的优化求解方法。算法充分结合免疫全局搜索和局部搜索机制,设计了适合组播路由问题的各种免疫算子,加快了算法的收敛速度。实验结果表明,该算法在无需备选路径集的情况下,可以较快地找到最优路径,并且算法更加简单。     

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。     

度约束QoS组播路由遗传算法

有度约束的QoS组播路由问题在通信网络中具有重要意义。提出一种基于遗传算法的度约束组播路由算法,采用节点连接路径形式的编码方法构成一棵组播树的表示,设计了相应的具有树形结构的交叉和变异算子,以及节点度的改变算法。算法可以实现具有树形结构染色体的遗传进化。数值实验表明算法具有找到最优解的能力,特别适合于求解大规模网络有度约束的QoS组播路由问题。     

基于免疫克隆的带度约束的应用层组播路由算法

应用层组播树构造在虚拟覆盖网络上，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克隆策略的路由算法。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。     

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。     

基于委托转发技术的延迟容忍网络组播路由算法*

针对延迟容忍网络中的组播路由问题,提出了一种基于委托转发技术的组播路由算法。该算法是在详细分析组播路由设计需求的基础上,结合延迟容忍网络中节点移动特性,对委托转发技术中节点属性值和节点对转发标准进行重新设计。其节点属性值是面向组播会话的,节点对转发标准是动态适应网络状态的。仿真结果表明,相比于其他基于复制方式的组播路由算法,该算法具有更好的性能,尤其是在对网络开销的控制方面,因此,更适用于延迟容忍网络。     

基于混合遗传算法的QoS多播路由算法

具有多QoS约束的多播路由问题具有NP完全的复杂度。基于延时、延时抖动、带宽、丢包率等QoS约束,描述了一种适应于研究QoS多播路由的网络模型,提出了基于遗传算法和禁忌搜索混合策略的具有多QoS约束的多播路由算法。该算法充分利用了遗传算法和禁忌搜索的优点。克服了遗传算法在求解多QoS约束多播路由问题中的爬山能力差以及不成熟收敛等问题。仿真实验结果表明,该算法为多QoS约束多播路由问题的求解提供了一种有效的新途径。     

一种改进的时延受限多播路由算法

针对DCMPH算法不能合理选择连接路径的问题,提出一种改进的满足时延限制的多播路由算法。该算法对不能用最小代价路径连接到多播树上的目的节点,求出其到多播树上所有节点的最小时延路径,再从中选出一条能满足时延限制的费用最小的路径,添加到多播树上。实验结果表明,与DCMPH算法相比,该算法构造多播树的代价更低。     

基三分层网络中的受限多播路由算法

多播路由算法对互连网络的通信性能和多处理机系统性能的发挥起着重要作用。针对基三分层互连网络，在权衡性能、成本和实现的基础上，提出一种基于树的受限多播路由算法TRMA。该算法充分利用基三分层互连网络的层次特性和节点编码中所含的网络拓扑信息实现消息路由，算法设计简单，易于硬件实现。和其他基于树的多播路由算法相比，TRMA算法不需要源节点在发送消息前构建多播树,并将多播树的信息存放在消息中，大大降低了源节点的工作负载，提高整个系统的性能。通过仿真比较了TRMA和基于单播的多播路由算法，结果表明TRMA具有较低的网络延迟和较小的网络流量。     

求解有度约束多播路由问题的分布式算法

在应用多播(multicast)时,有效的多播路由是关键.现有的多播路由算法一般假定每个节点都支持multicast,但在实际网络中,某些节点并不支持多播,而为了保证网络速度,需限制进行多播所要复制信息的数量.为此,采用度约束来表示每个节点的多播能力,提出了一种有度约束的分布式多播路由算法.算法的复杂度和所需传递信息的数量都低于已有的同类算法.     

基于免疫遗传算法的多约束QoS组播路由选择方法

以具有精英保留的免疫遗传算法（IGAE）为基础,提出了一种新的用来求解带宽、时延、时延抖动受限,费用最小的QoS组播路由选择问题的方法。首先采用预处理机制,将网络结构中不满足带宽约束的链路去掉,利用Dijkstra第k最短路径算法建立编码空间的备选路径集;然后采用基于路径的树结构编码来随机产生初始群体,使种群中的每个个体都代表组播路由问题的一个候选解;最后利用IGAE算法对种群进行优化,最终求得满足QoS要求的组播路由。仿真实验结果表明,该算法具有较好的性能,能以较快的速度搜索到满足QoS要求的费用最小的组播树。     

DVBMT问题的一种改进算法

研究多播端到端时延受限条件下的最优时延抖动问题,目前已经出现了许多启发式算法,如DVMA(delay variation multicast algorithm)、DDVCA(delay and delay variation constraint algorithm)。DDVCA的时延抖动小于DVMA。Cheng等人也提出了一种算法,它的时延抖动小于DDVCA。在此基础上提出了一种有效的多播路由算法。仿真结果表明,该算法的平均时延抖动小于Cheng等人的平均时延抖动。     

一种时延受限的多播路由算法

很多实时多媒体应用要求通信网络提供多播服务支持，而且往往需要传输的信息满足源端到目的端的时延约束。该文对时延约束的多播路由问题进行了研究，基于原有的从源端到目的端的时延受限路径构造算法，提出了一种时延受限多播路由算法。该算法能够快速构建满足时延约束的多播树。理论分析表明，该算法的时间复杂度和CDKS算法相同。仿真实验结果表明，该算法所构建的多播树代价低于CDKS算法。