基于量子遗传算法的路由选择

网络中存在许多设计和优化问题，其中相当一部分属于NP类型。传统的解法由于计算复杂度过大而失效。文中探讨了该类问题中路由选择问题的一种新的解决方法：量子遗传算法。就路由选择问题的数学模型进行了简单的介绍，并深入研究了量子遗传算法及其在路由选择优化问题中的应用，最后在计算机上进行了模拟分析实验。仿真实验的结果表明，量子遗传算法在性能上优于常规遗传算法。该算法搜索速度快、效率高，并且具有较强的实用性和鲁棒性。     

求解路由选择问题的改进量子遗传算法

网络中存在许多设计和优化问题,其中相当一部分属于NP类型,传统的解法由于计算复杂度过大而失效;提出了一种求解路由选择问题的改进量子遗传算法（IQGA）,该算法首先在量子个体上实施量子交叉,这一操作有利于保留相对较好的基因段;其次,采用量子比特相位法更新量子门和自适应调整搜索网格的策略;最后,进行局部搜索操作策略,使得种群的多样性强,解得收敛精度高,收敛速度快;通过路由选择实验标明此算法的质量和效率都强于传统的遗传算法,并且具有较强的实用性和鲁棒性。     

基于量子进化算法的路由选择

网络中存在许多设计和优化问题,其中相当一部分属于NP类型。传统的解法由于计算复杂度过大而失效。为了降低计算机网络的时延和运营费用以改进网络性能,采用量子进化算法优化计算机网络中路由选择问题,深入研究了量子进化算法及其在路由选择优化问题中的应用,并对量子进化算法进行了改进,使之更适合这类问题的求解。仿真实验结果表明,同传统优化算法相比该方法对求解网络的路由选择具有很大优越性。研究结果不仅对各类网络的优化问题有一定的应用价值,而且也扩展了量子进化算法的应用范围。     

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。     

基于量子遗传算法的特征选择算法

特征选择是模式识别和机器学习等领域中重要而困难的研究课题.提出一种最优特征子集评价准则和实现特征选择的一种新量子遗传算法(NQGA).NQGA采用量子门旋转角更新新方法和增强算法寻优能力及防止早熟收敛的移民和灾变策略.定性分析了NQGA的高效性.典型复杂函数测试和雷达辐射源信号特征选择的应用表明,NQGA寻优能力强、收敛速度快和能有效防止早熟现象.采用提出的准则函数和搜索策略实现特征选择,大大降低了特征维数,获得了更高的正确识别率.     

光纤量子通信网络路由选择协议

针对光纤量子通信网络,提出一种基于中继器的量子通信网络路由选择协议方案.在现有光纤通信网络的基础上利用基于纠缠交换和纠缠纯化的中继器来构建量子通信网络,然后在中继器的基础上采用嵌套纯化方案进行实际量子通信网络系统信道的建立.针对量子通信网络的特点,提出并分析了量子通信网络路由的评价指标,在路由选择协议方案中重点考虑量子信道建立过程中达到目标保真度值所需消耗的纠缠资源和路由建立时间,并从这些指标分析过程中择优选择量子通信信道.所提出的路由选择协议是基于解析计算及优化设计的,与实际量子通信系统相关联,仿真结果表明这种协议方案具有较强的可操作性.     

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%。     

基于改进遗传算法的网络路由优化研究

针对QoS多目标优化问题,提出一种改进的遗传算法,并将其应用到解决路由优化问题。该算法在路由器数学模型的基础上满足带宽、延迟、花费等要求,以资源消耗和负载均衡分布为目标,使得资源消耗最小同时负载均衡分布,从而降低网路拥塞的发生。仿真证明该算法具有一定的优越性。     

基于遗传算法的互连网络网关与路由方案设计

研究互连网络的网关与路由方案综合优化设计问题,包括：（１）确定将给定的已有网络互连起来所需的网关数及其位置;（２）给网关链路分配容量;（３）进行网内的网际路由选择,目标是要在给定的设置网关预算费用下使得网内的网际平均分组时延最小。该问题的数学模型是一个有着众多约束条件的非线性０—１规划。根据遗传算法的基本思想,设计了一个求解该问题的遗传优化算法,并将其应用于一个实例化设计。     

基于量子遗传算法测试选择问题的研究

针对测试选择这一非确定性多项式的问题,实现了一种用于测试选择遗传算法;算法是以量子理论和量子计算为基础,采用量子比特实现个体编码,然后对每次迭代中的个体通过量子旋转门操作进行最优解搜索;最后,以超外差接收机系统为例,对算法的有效性进行了验证;事实证明,该算法能够较快地搜索到局部最优解,优于其它方法提出的最优测试集,验证了量子遗传算法对测试选择问题的有效性,为后续诊断方案中测试序列优化奠定基础.     

量子遗传算法研究

量子遗传算法是在遗传算法中引入量子计算的概念,是20世纪90年代新兴的研究领域。介绍了遗传算法(GA)和量子算法(QC)的特点,以及量子遗传算法(QGA)的基本理论与方法。并在Matlab下编程对量子遗传算法与传统遗传算法的效率进行比较。     

基于量子遗传算法的无线传感器网络路由研究

通过分析无线传感器网络(WSN)分簇路由算法中簇首节点分布,能量消耗,数据传输等问题,提出了一种基于熵权法量子遗传算法的路由算法,该算法在簇首的选举过程中采用熵权法动态的确定节点剩余能量、节点间的通信距离、节点度数和节点与基站的距离这四个因素的权值系数,在簇首选举结束后,利用量子遗传算法寻找出一条遍历所有簇首与基站的路由,通过最佳路由将所采集的数据传输给最终的基站节点。该算法实现了合理的簇首选举,并在簇首间采用最佳路由的方式向基站传输数据的功能。仿真结果分析表明,该算法在网络生存周期、能耗均衡方面均优于LEACH、CECA-GA算法,达到了延长了网络生存周期,均衡能耗的目的。     

基于量子遗传退火策略的多播路由优化模型及其算法

针对网络通信中带时延约束的多播路由问题,提出了一种基于量子遗传退火策略的路由算法。文中对路由选择问题的优化模型进行了描述,并深入研究了量子遗传退火及其在多播路由选择优化问题中的应用。仿真实验表明,与基于遗传算法的多播路由算法相比,该算法具有更快的收敛速度和更好的全局寻优能力。     

基于遗传算法的防止无线移动网络路由攻击策略

在无线移动网络中,恶意节点可以通过发送虚假信息和假路由信息、广播假链接等中断路由操作对网络进行攻击。本文在分析了几种常见路由攻击的基础上,提出了一种基于遗传算法的路由优化策略。实验数据表明,这种优化策略可以较好地预防路由攻击,提高网络的整体性能。     

基于遗传算法的多路径路由研究

针对Ad Hoc网络节点能量受限、拓扑结构易变、对路由算法收敛速度要求较高等问题,提出一种基于确定性遗传算法的简单相关多路径路由算法。采用按确定性比例选择和交叉的遗传算法,以提高收敛速度,通过修改中间节点的转发条件充分利用控制信息。仿真实验表明,该算法在寻优特性上优于简单相关的多路径算法。     

并行量子遗传算法在QoS组播路由中的应用

随着网络通信技术的发展和Internet的普及,性能出色的组播路由越来越重要。著名的组播路由Steiner树问题是NP完全问题,应采用启发式方法求解。文中在常规量子遗传算法中引入并行进化模型,提出了一种解决多约束QoS组播路由优化问题的算法。在满足带宽、时延约束条件下寻找代价最小的组播树,并合理安排节点负荷,减少通信开销。仿真实验结果表明本算法搜索速度快、全局寻优能力强,性能和效率优于常规量子遗传算法。     

一种基于量子遗传算法的分布式异构数据库查询优化方法

对于分布式异构数据库,查询优化既是非常复杂的问题,又是影响系统性能的关键因素。该文结合遗传算法和量子计算的优点,提出了基于量子遗传算法的分布式异构数据库查询优化方法。仿真实验表明,该方法有效地提高了分布式异构数据库的查询优化效率。     

基于遗传算法的实时组播通信路由算法

组播通信路由技术是视频广播、计算机会议、CSCW()等新型分布式计算的关键技术.提出了基于分布式遗传算法的共享树组播路由算法,包括包交换的网络组播树的建立、组播树的动态维护和计算满足特定时延和时延抖动限制的近似斯坦利最小树算法等.利用它可以实现在给定网络和组播需求的情况下,在组成员间寻找动态的组播树,并使该树覆盖所有的成员,并约束网络费用达到最小.进而解决树状路由的建立以及树状路由的动态维护等问题.     

基于遗传算法求解Ad Hoc网络路由问题

目前某些AdHoc网络中的QoS路由算法难以满足军事系统中一些特定业务对于多个目标的同时要求。针对该问题,提出一种以时延作为约束条件,链路代价作为QoS优化目标的QoS路由选择整数规划模型,并用遗传算法求解该模型。     

求解TSP的量子遗传算法

量子遗传算法(QGA)在求解数值和组合优化问题时效率明显优于传统进化算法,但目前较多被用于求解组合优化的背包问题,为了充分发挥QGA的优点,文中用其求解TSP这一经典的NP难问题.首先,文中设计了一种利用几率幅值编码的新的编码方式,即利用几率幅值编码的量子个体与一组向量对应,而此向量又与一条可行路径一一对应.这样的编码方式不仅缩小了种群规模,占用较少内存,所得的解均可行,而且有效地增强了种群的多样性;其次,在量子个体上实施量子杂交,这一操作有利于保留相对较好的基因段;最后,为了加快算法的收敛速度,引入两阶段局部搜索,第一阶段主要针对实例中排列稀疏处的城市进行优化,第二阶段在第一阶段的基础上着重对排列密集处的城市优化.据此,设计了解TSP的一个新的高效的QGA,并证明了其以概率1收敛到全局最优解;测定算法性能的数值实验数据表明,该算法在种群规模较小,迭代次数较少的情况下就可以收敛到已知最优解.