传感器网络中基于子网的数据汇聚路由算法

提出了“子网”和“能量核”的概念及一种新的蚂蚁算法,给出了一种传感器网络中基于子网的分布式数据汇聚层次路由算法DDCHA。与集中式路由算法AC和GITDC相比,DDCHA中各节点不需要维护任何全局信息。另外,子网与能量核的构造及蚂蚁算法的正反馈性提高了算法的数据汇聚程度,降低了算法的时间复杂性。理论分析和仿真结果都说明了该算法的有效性。     

基于蚁群的无线传感器网络路由算法*

提出了一种智能无线传感器网络路由算法,利用蚁群的分布式特点,通过有限寿命蚂蚁的协作在源节点与目的节点之间的运动获取主路径和备选路径,然后根据节点信息实时更新路由表.仿真结果显示ACRA(蚁群路由算法)降低了能耗,延长了网络寿命.     

基于蚂蚁算法的无线传感器网络数据融合路由算法

在无线传感器网络环境下,提出改进的基于蚂蚁算法的数据融合路由算法.该算法采用分布式策略,将整个网络中的节点构造成一棵以sink节点为根的树结构,即教据融合树,算法在构造树的过程中,利用蚂蚁的"寻食"方式进行最优父节点的选择,同时算法也考虑了节点的剩余能量,用其它节点代替剩余能量小的节点.算法利用树结构实现了数据融合,节省了能量,同时也实现了负载均衡,最大化网络的生存时间.     

传感网络中基于位置信息的分布式多播路由算法

提出了一个传感网络中基于位置信息的成簇思想,并基于该思想给出了一种传感网络中基于位置信息的分布式多播路由算法.该算法首先利用相邻节点的位置信息分布式成簇,然后各簇头利用蚂蚁算法分布式地找到一条具有最短总跳数的到目的节点组的实际路径.最后,由簇头负责收集本簇内的传感信息,并在对这些信息进行汇聚处理后,沿找到的最优路径将汇聚数据分别发送到各目的节点.理论分析和仿真结果表明,该算法能有效地节约能量,具有较好的路由性能.     

无线传感器网络异构驱动路由算法

融合表驱动路由和按需驱动路由的优点提出一种异构驱动的无线传感器网络路由算法,以实现无线传感器网络监测数据的高效汇集。算法将无线传感器网络的原有单一汇聚节点(Sink节点)扩充为一组无环连通点集,称为虚拟槽节点以覆盖全网。感知节点采用按需驱动路由策略将监测数据在短距离内传递给虚拟槽节点,随后数据在虚拟槽节点内部依照表驱动路由实现高速汇集。通过理论计算确定最优虚拟槽节点选取方式,并提出两跳邻居算法实现路由。经仿真实验,算法可保证网络内任意节点两跳可达虚拟槽节点,并通过分析仿真数据论证算法的有效性。     

传感器网络中基于应用规则与概率的动态路由算法

针对连续数据分发型传感器网络，提出了一种基于应用规则和概率的动态路由算法RPDR。算法基于节点的状态信息，与应用规则交互后周期性地构造一棵广度优先的数据汇集树形成动态路由路径。数据汇集树由初始生成树建立与生成树修补两阶段完成，算法首先将节点状态作为输入参数提供给应用规则，再由规则使用预定义公式计算出节点当前轮成为树节点的概率，形成初始树；而后在树修补阶段，通过添加一些新的普通节点为路由节点对初始树进行修补，完成树的连通覆盖。仿真结果表明，与TinyOS信标算法相比，在本文设计应用规则下的路由算法具有高数据传输率、时延短、平均能耗低的优点，能延长网络生存时间。     

NHLERE:应用蚁群算法的WSN路由算法

针对WSN中节点能量有限及节点间链路随机损耗特点,提出一种基于蚁群算法的用于无限传感器网络的路由算法-NHLERE,利用蚁群算法正反馈、分布式协作的特点,将距汇聚节点的跳数和链路质量信息融合到信息素的形成中,并将信息素和节点剩余能量作为启发信息,通过模拟蚂蚁的寻径行为形成并优化到达汇聚节点路由.实验结果表明,与LEPS相比NHLERE算法具有更高的数据传输效率,并能使网络内各节点能量消耗趋于均衡,从而延长WSN网络生命期.     

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。     

基于蚁群算法的无线传感器网络路由算法

提出一种基于蚁群算法的无线传感器网络按需多路节能路由算法.该算法综合了蚁群优化算法和AODV路由协议的思想.通过蚂蚁并行地在源节点和目的节点之间建立多路径路由,提高了网络数据传输的实时性、延长了整个网络的生命期.仿真结果表明.该算法与多种群蚁群优化路由算法、基本蚁群算法相比,在整个网络的生命期和节能方面效果显著.     

一种基于AntNet改进的QoS路由算法

对具有NP完全难度的网络状态动态变化下的路由问题，提出了一种基于蚁群网络（Antnet）的蚁群优化分布式QoS路由算法．算法的主要特点是；（1）采用了动态更新的概率表替代传统的路由表；（2）采用了智能的初始化方法；（3）采用了一种新颖的信息素更新机制；（4）采用一种新的节点选择机制；（5）引入蚂蚁相遇机制．与标准的AntNet相比，该算法具有更快的收敛速度和较好的吞吐能力．另外，算法同时考虑了满足QoS度量和负载平衡等问题。     

基于蚁群算法的传感器网络分布式广播算法

提出了一种基于优化蚁群算法的传感器网络中分布式广播算法。根据传感节点的密度进行簇的划分，用优化的蚁群算法在各簇中分别寻找从广播源点开始遍历所有传感节点，返回广播源点的最优链路，利用蚁群算法的正反馈效应来达到广播与数据聚集的目的。实验表明，该多链方案不需要网络节点维护全局信息，避免了全网构建的链中可能存在两个离得远的节点成为邻节点的情况，它在节点不均匀分布的情况下比最近邻居算法取得了更小的能耗和延迟代价，是一种高效的分布式广播算法。     

基于蚁群算法的网络安全路由算法研究

通过研究蚂蚁寻食的轨迹,分析推理出一种得到最优路径的并行算法,由于其灵感来源于蚂蚁,所以起名为蚁群算法。蚁群算法是近年才发展起来的,成功应用于很多领域,如车辆调度问题、分布式人工智能研究、负载平衡、大规模集成电路设计、工厂生产计划制定方面、图像着色和路由算法方面等等。本文主要是运用蚁群算法,寻找Ad Hoc网络中最优路由路径,使整个Ad Hoc网络成为一个稳定可靠的网络系统。     

基于蚁群优化算法求解矩形件排样问题

布局问题来源于生产实际,优秀的布局可以提高原料利用率,降低成本,提高经济效益,对许多行业有重要意义。矩形件优化排样是一类具有NP完全难度的组合优化问题。人工蚁群算法是对蚂蚁群体行为的模拟抽象,该算法具有分布计算、信息正反馈和启发式搜索等特点。本文将蚁群算法和剩余矩形法结合用于解决矩形排样问题,首先用蚁群算法将矩形件排样问题转化为一个排列问题;然后通过剩余矩形排样算法排出每一个排列所对应的排样图;最后用算法对文献[9]中的两个算例进行了验证,表明了其有效性。     

基于离散点的蚁群聚类算法的研究

蚂蚁等群居式昆虫具有分布式、自组织、基于信息素间接通信(pheromone)等群体协作能力,模拟其智能行为的蚁群算法解决了许多复杂的问题并在并在数据聚类分析领域取得成效。本文首先介绍了基于蚂蚁的聚类算法的基本理论,讨论了参数σ对邻域平均相似度的影响并做了实验分析比较,然后提出利用离散点对算法进行改进,通过对离散点的检测算法能够对蚂蚁行为进行控制,使蚂蚁快速地决定下一个负载节点,从而有效地缩短聚类分折的执行时间。实验表明改进后的蚂蚁聚类算法具有较好的聚类特性,其收敛性也得到了有效改善。     

结合ABC算法动态分级的双蚁态蚁群算法

针对蚁群算法收敛速度慢、易陷入局部最优等问题，结合人工蜂群算法的分级思想，提出动态分级的双蚁态蚁群算法。根据适应度不同，将蚁群划分为寻优蚁和侦查蚁，并执行不同加权系数的动态信息素更新策略：寻优蚁负责较优路径的搜索，执行较大权重的信息素更新策略，以增强其导向性，提高算法收敛速度。侦查蚁则负责探索非较优路径，发现其他更优解，以保证算法多样性。然后，每次迭代结束则两类蚂蚁进行优良解交换，以提高解的质量。以旅行商问题为例，将其与经典蚁群算法、最新蚁群改进算法以及其他最新优化算法进行对比，其表现皆更优。     

基于蚁群优化算法的云数据库动态路径规划

云计算是下一代计算网络模型的发展趋势。云中的存储资源如何快速地路由,更是研究的难点。蚁群算法是基于群体的仿生优化算法,具有智能搜索、全局优化、鲁棒性、分布式计算和容易与其他算法相结合等优点。根据这两种事物的特点,提出了合理的结合算法,该算法能够在云中快速、合理地找到所需访问的数据库,减少云数据库数路由的动态负荷,从而很大程度上提高云计算的效率。     

基于双向搜索的改进蚁群路径规划算法

针对移动机器人在复杂地图环境中移动耗时长、易陷入局部最优等问题,设计了一种基于双向搜索的改进蚁群路径规划算法。基于K-means算法对地图预处理,量化地图的局部复杂度程度,并将局部环境信息融合到状态转移概率函数,使机器人优先选择在复杂程度小的区域进行寻优,减少路径拐点。设定双向搜索规则,改进启发函数,提高算法的局部方向搜索精度和全局搜索效率。针对蚁群算法中蚂蚁遇到U障碍物陷入死锁的问题,提出死锁判断系数,增加了有效蚂蚁的数量,进一步提高了算法性能。仿真结果表明所设计的算法在复杂地图环境中相较于传统蚁群算法移动机器人的路径搜索效率更高。     

一种采用改进蚁狮优化算法的图像增强方法

针对现有图像增强技术在细节处理方面的不足以及变换后图像直方图分布偏移的情况,同时针对基本的蚁狮优化算法(ALO)存在寻优精度不理想,易陷入局部最优等问题,提出一种采用改进蚁狮优化算法(RBALO)的图像增强方法。其核心在于,根据蚁狮位置的分布调整搜索空间的边界,引导蚂蚁在更有效的区域内进行搜索,并使部分蚂蚁与精英蚁狮进行重组。将RBALO算法用于确定Beta函数的参数,获取适合当前图像的参数值。利用2个标准测试函数进行试验,证明改进后的蚁狮算法有非常好的寻优精度。最后,使用Couple灰度图进行图像仿真实验,结果表明使用RBALO算法得到的增强图像适应度优,直方图分布更均匀。     

带时间窗车辆路径问题的改进蚁群算法研究

针对带时间窗车辆路径问题，论文通过增加虚拟配送中心的数量，改进蚁群算法，从而将VRPTW问题转化为TSP问题进行求解，使每只蚂蚁都可以构建一条可行路径，避免在该问题中以往常由多只蚂蚁协同合作来构造解的低效性，通过实验计算表明该方法是可行的。     

一种基于蚁群算法的TSP问题分段求解算法

群居性昆虫行为的研究为计算机科学家提供了设计分布式控制和优伦算法的有力方法。对以蚁群算法为代表的群集群能的研究已经逐渐成为一个研究热点。该文首先在蚁群算法的基础上提出了相遇算法,提高了蚁群算法蚂蚁一次周游的质量,然后将相遇算法与采用并行策略的分段算法相结合,提出一种基于蚁群算法的TSP问题分段求解算法。实验结果表明该算法有较好的有效性。