蚁群算法在QoS网络路由中的应用

采用蚁群算法求解包含延迟、延迟抖动、带宽、丢包率和最小花费等约束条件在内的QoS单播路由问题。实验仿真表明该算法能快速有效地求得路由最优解。     

改进蚁群算法在VRP问题中的应用及颜色Petri网实现

蚁群算法在解决车辆路径问题时存在运行速度慢等问题,基于此本文提出了一种自适应蚁群算法.该算法把客户需求等因素加入禁忌表,实时记录当前最优解,据此智能调整信息素的更新规则,同时调整了概率转移公式和可行解的构造方法,并建立了相应的颜色Petri网模型.最后利用VRP问题库中的几个经典实例与GA及其他改进蚁群算法进行了对比试验,验证了该算法既可以加快收敛速度,又可以避免局部最优,同时保证了最优结果的多样性.     

改进的蚁群算法在QoS网络路由中的应用

基本蚁群算法求解多约束的QoS网络路由时速度慢,容易出现早熟收敛和停滞现象,将信息素适量更新与变异的蚁群算法应用到网络路由问题中,使得每轮搜索后信息素的增量更好地反映了解的质量,实验仿真表明该思想的引入加快了收敛速度,在很大程度上弥补了基本蚁群算法在解决网络路由优化问题时出现的不足。     

蚁群算法在模糊Petri网参数优化中的应用研究

如何确定模糊产生式规则的各项参数对模糊Petri网的建立意义重大。把蚁群算法中的最大 最小系统引入到模糊Petri网的参数寻优过程，提出一种基于线程实现技术的参数优化算法。该算法实现不依赖于经验数据，对初始输入无严格要求。仿真实例表明，经蚁群线程优化算法训练出的参数正确率较高，且所得的模糊Petri网具有较强的泛化能力和自适应功能。     

基于改进蚁群优化算法的网络服务质量路由算法

针对当前无线网络路由算法存在丢包率高、节点拥塞严重的难题,提出一种基于改进蚁群优化算法的网络服务质量路由算法。首先根据无线网络的特点选择带宽、端到端的延迟、数据包丢失率以及链路花费作为QoS参数,并建立一个多约束网络服务质量路由优化问题的数学模型,然后采用具有正反馈机制和搜索能力强的蚁群优化算法对数学模型进行求解,并根据无线网络路由特点对标准蚁群优化算法进行改进,提高其搜索性能,最后采用具体仿真实验对路由算法的性能进行测试。实验结果表明,改进蚁群优化算法在满足网络质量要求的条件下,不仅降低了网络平均延时,而且减少了网络数据丢包率,性能优于其它算法。     

双向搜索蚁群算法在QoS单播路由中的应用

近几年来,网络的QoS路由问题已经成为一个研究热点。考虑到现有解决方法的一些不足,引入了一种改进的蚁群算法并应用于QoS单播路由问题。该算法针对网络路由问题,对原算法的信息素更新策略进行了修改,同时结合了网络化简策略和双向搜索策略。与现有QoS路由算法比较的仿真结果表明,该算法能够满足QoS单播路由的要求,并且具有较好的最优解求解能力、较快的收敛速度和较强的鲁棒性。     

基于蚁群算法的Petri网最优路径序列寻找

根据蚁群算法和时间Petri网的特点提出了一种网络元素可以记录少量信息的记忆扩展时间Petri网(METPN)。当METPN运行时，使用充足量的托肯在网络中行走并在行走过程中留下信息素来调整托肯的路径选择，从而使大量蚂蚁的行走路线不断逼近Petri网中时间延迟更短的变迁序列，最终在最短变迁序列上形成清晰的蚁路，从而在一定程度上解决了复杂Petri网的最优路径寻找问题。仿真结果表明，托肯可以有效地在最短延时路径上形成蚁路，能够求得从初始库所到网络中任意库所的最短路径。     

蚁群算法在无线传感器网络路由中的应用研究

设计合理的路由算法是无线传感器网络中的核心问题之一。基于蚁群算法提出了一种可用于无线传感器网络的单播路由算法,该算法利用蚁群算法正反馈及分布式计算的特点寻找从源节点目的节点的最少跳数路径。仿真实验证明了该算法是合理的及有效的,具有可扩展性的特点,同时在收敛速度和鲁棒性上优于典型的单播路由算法。     

基于VB的蚁群算法及其在网络路由中的应用

蚁群优化算法是一种新型的用于求解复杂组合优化问题的模拟进化算法,已广泛应用于多目标优化、聚类分析、数据挖掘、模糊系统控制等,特别适合网络路由应用.目前该算法的伪码一般均采用MATLAB语言实现,针对MATLAB语言实时效率差,不能脱离环境运行,并且不利于算法和数据的保密.本文在阐述了该算法的基本原理、算法模型的基础上,采用面向对象的VB语言实现该算法的伪码,并对该算法在网络路由问题中的应用进行了总结.     

改进型量子蚁群算法求解QoS单播路由

针对遗传以及蚁群算法在求解QoS单播路由问题时收敛速度慢和易于陷入局部最优的问题。采用量子蚁群算法求解QoS单播路由,采用量子旋转门实现蚂蚁的移动,用量子非门来实现蚂蚁位置的变异,同时为了确保算法不陷于局部最优,对量子蚁群算法做了改进,并进行了对比实验。实验表明该算法不但克服了遗传以及蚁群算法的易限于局部最优解的缺陷,在收敛速度上也优于相关算法,能较好地解决QoS单播路由问题。     

基于遗传算法和蚁群算法融合的QoS路由算法*

面向QoS路由问题,设计了一种基于遗传算法和蚁群算法融合的QoS路由算法(QoS routing algorithm according to the combination of the genetic algorithm and ant colony algorithm,GAACO_QoS).利用遗传算法生成初始解,将其转换为蚁群算法所需的信息素初值,然后利用蚁群算法求取最优解.设置遗传算法控制函数来控制遗传算法和蚁群算法融合的适当时机.通过与遗传算法以及蚁群算法的比较,进一步说明算法的有效性.     

改进蚁群算法求解有时间窗的物流配送路径问题

物流配送车辆路径优化问题已被证明是一个NP难题,很难得到最优解。应用蚁群算法对带时间窗的物流车辆路径优化问题进行了算法设计,建立了车辆路径优化问题的蚁群算法数学模型及解决方案。通过对蚁群算法的分析,提出了改进的蚁群算法,并结合实例对该算法进行测试和分析,检验其有效性,结果表明了改进蚁群算法的可行性,符合实际的需要。     

基于蚁群算法的最优路径选择问题的研究

交通网络中最优路径的选择尤为重要,各国学者在这方面做了大量的研究和改进.提出了一种基于蚁群算法的最优路径选择问题的新方法.在最优路径的选择过程中采用蚁群算法并对其进行建模,能够发挥算法并行性、正反馈、协作性等特点,使各蚂蚁个体之间相互协作,在较短的时间内发现较优解.研究及模拟实验结果表明,蚁群算法是一种鲁棒性较强的新型模拟仿生算法,具有较好的发展前景.     

基于信息差异度蚁群算法的QoS路由算法

针对基本蚁群算法在求解QoS路由问题中存在的容易陷入局部最优和收敛速度慢的缺陷,提出一种基于信息差异度的蚁群算法对该问题进行求解。该算法在节点选择中嵌入路径信息素的差异度调节函数和迭代算子,动态调整节点选择策略;根据各路径上信息素的“集中”程度判断解的早熟、停滞情况,并引入路径变异和二次蚁群操作;根据最大-最小蚁群算法原理对信息素进行限制。仿真实验表明,算法全局搜索能力较强,能够跳出局部极值区间,快速收敛到全局最优解,算法是可行、有效的。     

基于蚁群遗传算法的QoS多播路由研究*

为解决多播路由中的QoS约束问题,不仅研究了QoS多播路由中的带宽、时延﹑时延抖动和包丢失率等约束问题,还重点分析了路径开销问题,从而提出一种基于蚁群遗传算法的多播路由算法。该算法将遗传算法与蚁群算法结合起来,对多播树群体进行编码、选择、杂交和变异等遗传操作,同时利用蚁群算法的信息素正反馈求解,充分发挥两者的优势,从而更快更好地产生出既满足服务质量保障（QoS）又具有最小路径开销的多播树。仿真实验证明了该算法具有更高的运行效率和更好的收敛性。     

时间依赖型车辆路径问题的一种改进蚁群算法

时间依赖型车辆路径规划问题(TDVRP),是研究路段行程时间随出发时刻变化的路网环境下的车辆路径优化.传统车辆路径问题(VRP)已被证明是NP-hard问题,因此,考虑交通状况时变特征的TDVRP问题求解更为困难.本文设计了一种TDVRP问题的改进蚁群算法,采用基于最小成本的最邻近法(NNC算法)生成蚁群算法的初始可行解,通过局部搜索操作提高可行解的质量,采用最大--最小蚂蚁系统信息素更新策略.测试结果表明,与最邻近算法和遗传算法相比,改进蚁群算法具有更高的效率,能够得到更优的结果;对于大规模TDVRP问题,改进蚁群算法也表现出良好的性能,即使客户节点数量达到1000,算法的优化时间依然在可接受的范围内.     

基于遗传蚁群算法的QoS路由算法研究

利用遗传算法的快速全局搜索能力和蚁群算法的正反馈收敛机制,引入遗传蚁群算法（Genetic Algorithm Ant Colony algorithm）GAAC来解决QoS路由问题。算法设计的基本思想是首先由遗传算法产生较优解,较优的路径留下信息素,其他路径不改变,然后在有一定初始信息素分布的情况下,用蚁群算法求精解。仿真表明算法比单一采用遗传算法和蚁群算法进行路由选择具有更好的性能,且更适合于动态网络环境下的QoS路由选择。