基于蚁群算法的自适应QoS路由优化

Internet网络规模的迅速增长和网络技术的不断完善,使得如何在满足QoS(quality of service)要求下进行路由选择,已成为路由算法研究的重要方向。本文提出了一种多约束条件下的自适应蚁群算法,该算法基于目标函数的信息素分配策略来自适应的调整蚂蚁的搜索行为,使多约束QoS路由优化问题得到了很好的解决。     

基于方向因子的多约束QoS路由优化蚁群算法

提出了一种解决多约束QoS路由问题的基于方向因子的蚁群改进算法OACA.该算法基于方向因子来调整蚂蚁的搜索行为,并根据目标函数值来调整信息素的更新,从而保证搜索的快速有效性,使多约束QoS路由优化问题得到了很好的解决.     

基于蚁群优化算法的QoS路由算法的仿真

Qos路由问题被证明是NPC(NP-completeness)问题,蚁群优化算法是较好地求解NPC问题的工具.文章首先介绍了蚂蚁算法在求解旅行商问题(TSP)中的应用;针对Qos路由问题的特殊情况,提出蚂蚁算法应用于QoS路由时与TSP的一些区别;为了仿真的客观性,提出了一种网络拓扑结构图的随机生成算法;并在随机生成图的基础上,分别对基于串行蚂蚁算法和并行蚂蚁算法方式下的Qos路由求解算法进行了仿真和比较.     

基于蚁群算法的自适应QoS路由优化增强数字电视业务

双向数字电视业务的开发和发展,是广播电影电视的数字化和产业化的重要推动力量,对国家信息化、社会信息化和家庭信息化的进程发挥着重要的作用。IP网络以其技术成熟、设备稳定作为数字电视相关业务有效承载网络,如何在满足IP网络中QoS(Quality of Service)要求下进行路由选择,已成为路由算法研究的重要方向。提出一种多约束条件下的自适应蚁群算法,该算法基于目标函数的信息素分配策略来自适应地调整蚂蚁的搜索行为,使多约束QoS路由优化问题得到了很好的解决,其运用在双向数字电视机顶盒网络组件中,提高了网络系统的吞吐量和避免了拥塞。     

Ad Hoc网络中基于双向收敛蚁群算法的QoS路由算法

蚂蚁算法是一种新型随机优化算法,能有效解决Ad Hoc网络多约束的QoS路由问题,但存在收敛速度慢和易陷入局部最优等缺点.针对于此,在借鉴精英策略的基础上提出了一种基于双向收敛蚁群算法,并将该算法应用于Ad Hoc网络的QoS路由问题中.仿真结果表明,算法可明显提高数据包的投递率,降低端到端的传输时延.     

基于自适应节点选择蚁群算法的QoS选播路由算法

针对基本蚁群算法在求解QoS选播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,提出一种基于自适应节点选择的蚁群算法对该问题进行求解.该算法根据解的情况自适应调整节点选择策略;依据各路径上信息素的＂集中＂程度判断解的早熟、停滞情况,并对可能陷入局部最优的解进行信息素混沌扰动更新,以便跳出局部极值区间.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,快速地收敛到全局最优解,算法是可行、有效的.     

基于遗传与蚁群算法融合的选播QoS路由算法

为有效解决选播通信中的QoS路由问题,提出一种基于遗传算法与蚁群算法融合的选播QoS路由算法.算法初期使用遗传算法在链路上分布信息素,对蚁群算法的控制参数进行编码和优化;然后通过判断函数来判断遗传算法与蚁群算法融合的时机,初始化信息素,并启动混合算法后期的蚁群算法;引入变异算子,对由变异操作得出新路径进行局部信息素更新,更快地引导蚁群算法找到全局最优解.NS2仿真实验结果表明,该算法很好的解决多QoS选播路由问题,性能优于其它算法.     

改进蚁群算法在QoS路由中的应用与研究

在分析传统蚁群算法缺陷及其在QoS路由中的应用的基础上,提出了一种与真实蚁群系统更加相符的基于双向寻路和信息素扩散的蚁群算法,采用来自源节点和目的节点两个方向的蚂蚁探路的同时进行信息扩散.仿真结果表明,该改进蚁群算法在网络规模较大的条件下仍能快速找到满足QoS路由性能指标的路由,节省了QoS路由搜索时间,提高了网络服务能力.     

一种基于时延信息的多QoS快速自适应路由算法

本文在分析现有自适应蚁群算法局限性的基础上，提出了一种基于时延的自适应多QoS路由算法，它在满足带宽和时延波动约束条件下，直接利用前一周期的时延信息来更新路由表，以作为当前寻找路径的依据。仿真和分析结果表明，该算法具有快速准确的特点，能够及时协调网络拥塞和资源有效利用两者间的矛盾。     

基于蚁群算法的LEO卫星网络QoS优化路由

针对传统低轨卫星网络资源利用严重不均衡和高负载下业务服务质量(Quality of Service,QoS)无法得到保障的问题,提出了一种在负载均衡的基础之上满足多约束QoS保障的路由算法,并基于改进的蚁群算法实现.首先对全球潜在流量需求进行预测,基于此优化了启发函数;然后对路径代价和信息素更新策略进行了改进;最后选择...     

基于遗传_蚁群算法的多QoS约束组播路由优化算法

提出了一种将遗传算法与蚁群算法融合的新算法,用以满足多QoS约束的组播路由优化。算法首先利用遗传算法生成若干组优化解,将其转换成蚁群算法的信息素初值,然后利用蚁群算法来求取满足QoS约束的最优解。仿真结果表明此算法是有效的,其性能优于文献[6]中算法。     

优化蚁群算法在ASON路由中的应用研究

针对基本蚁群算法中存在搜索时间长,易陷入局部最优解等问题,提出一种改进的基于蚁群优化的ASON网络路由算法,在蚁群算法中采用自适应调整α和β参数及挥发系数ρ等措施,加快了算法的收敛速度,提高ASON路由算法性能,增强了算法的适应能力,并通过仿真实验证明该方法的可行性和有效性.     

基于免疫--蚂蚁算法的多约束QoS路由选择

针对多约束QoS路由选择问题,将其转化为一个多约束赋权图最短路径问题,选择费用、带宽、时延、丢失率为QoS参数。借鉴人体免疫系统的适应能力和蚂蚁算法的全局寻优能力提出了一种新的融合算法即免疫——蚂蚁算法。免疫算法把目标函数和制约条件作为抗原,目标函数的优化解对应为抗体,使得求解过程的收敛方向得以控制;利用蚂蚁算法产生和更新抗体,抗体交叉、变异操作以及对与抗原亲和力高的抗体进行记忆,均能促进快速求解。实验结果表明:免疫——蚂蚁算法表现出了超越免疫算法和蚂蚁算法的优点,大幅度提高了路由选择的效率。     

基于混沌粒子群与蚁群算法的WSN路由协议

为了降低无线传感器网络（WSN）能量消耗,延长网络生存周期,提出了一种基于混沌粒子群（CPSO）和蚁群算法相结合的路由协议。该协议针对典型的分簇协议LEACH（Low-Energy Adaptive Clustering Hierarchy）协议的簇头选择进行了优化,考虑了节点剩余能量和簇内密集性等因素,采用新的混沌粒子群算法对簇头选择进行优化。然后,针对LEACH协议簇头到基站采用单跳通信,容易使簇头早亡的问题,采用蚁群算法优化簇头到基站的路由路径,减少通信消耗的能量。仿真结果表明,与传统的LEACH协议相比,新的协议能有效减少能量消耗,延长网络生命周期。     

基于蚂蚁算法的分布式QoS路由选择算法

本文基于蚂蚁的自组织能力描述了一种新的分布动态路由选择方法,针对当前通信网中存在的服务质量问题提出了QoS保证的分布式路由选择算法（DQRA）。DRQA能以并行的方式解决网络中呼叫的时延和带宽分配问题,避免了NP－完全问题,算法简单,易于实现,能有效地解决大型网络的负载平衡问题,本文选择了OPNET仿真环境对网络进行实时仿真,通过和最小代价算法的比较,进一步表明了算法的有效性。     

基于蚁群系统的分布式RWA算法研究

针对波分复用(WDM)光网络中动态选路和波长分配(RWA)问题，提出了一种基于蚁群算法的分布式动态RWA方法。将蚁群算法与分层图模型结合，实现了RWA的并行计算。仿真结果表明，与现有最短路径法相比，该算法能有效地降低光路阻塞率，促进波长资源的合理分配，同时分布式的计算方式也降低了现代频繁变化的大型光网络的通信开销。     

基于蚁群算法和遗传算法融合的QoS组播路由问题求解

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服务质量(QoS)组播路由问题,是一个NP完备问题,传统方法很难求得全局最优解.本文将遗传算法和蚁群算法融合,提出了用遗传蚁群算法(GAACS)求解QoS组播路由问题的解决方案.仿真实验表明,采用新算法比遗传算法具有更好的性能.     

Analysis,design and simulation of Internet of Things routing algorithm based on ant colony optimization

In this paper, a routing algorithm to optimize the selection of the best path for the transmitted data within the Internet of Things (IoT) system is proposed. The algorithm controls the use of ant colony ideas in the IoT system to obtain the best routing benefit. It divides the IoT environment into categorized areas depending on network types. Then, it applies the most suitable ant colony algorithm to the concerned network within each area. Furthermore, the algorithm considers routing problem in intersected areas that may arise in case of IoT system. Finally, Network Simulator 2 is used to evaluate the proposed algorithm performance. Simulation results demonstrate the effectiveness of the proposed routing algorithm in terms of end‐to‐end delay, packet loss ratio, bandwidth consumption, throughput, overhead of control bits, and energy consumption ratio. Copyright © 2016 John Wiley & Sons, Ltd.     

基于改进蚁群算法的无线传感器网络路由

为了降低节点能量消耗,延长网络生存的时间,提出了一种改进蚁群算法的无线传感器网络路由机制。首先将无线传感器网络服务质量分为3类,然后利用蚁群算法可以自适应网络状况动态性的优势,构建传感器节点转移函数和信息素更新规则,自适应构建数据路由,最后采用仿真模拟实验对算法性能进行检验。实验结果表明,相对于与现有无线传感器路由算法,本文通过引入蚁群优化机理挖掘传感器节点之间的关联性,数据传输延迟、可靠性和能量开销上具有更好的性能,使整个网络性能保持最优。     

基于C++ AMP加速并行蚁群算法

蚁群算法与同类智能算法相比具有计算速度快、收敛迅速、算法稳定性好等优点,但是随着数据量的增大,计算用时呈现指数型增长。为了更好地解决大数据量蚁群算法计算慢的问题,结合蚁群算法天然的并行性,基于最新的GPU并行化接口C++AMP实现了并行蚁群算法,使计算用时大幅度减少。经试验分析,该算法可以达到3倍的加速效果。