一种新的混沌蚁群算法及其在QoS组播路由优化问题中的应用

基于QoS的组播路由问题是通过发现具有某种相关性能约束的最佳组播树,来更好地利用网络资源以支持应用的QoS需求,作为以QoS为中心的网络体系结构中不可缺少的组成部分,目前已成为网络研究领域的重要内容和热点问题.针对多约束条件下的QoS组播路由问题,提出一种新的混沌蚁群算法.该算法基于传统的蚁群算法所存在的不足,利用混沌优化算法对蚁群算法的运行参数进行动态地优化选择,自适应地改进了全局搜索能力和收敛性.仿真实验结果表明,混沌蚁群算法比该文提到的遗传算法及蚁群算法在解决多约束组播路由问题上具有更好的性能.     

基于蚁群和人工鱼群算法融合的QoS路由算法

针对多约束Qos单播路由问题,提出了一种改进蚁群算法和人工鱼群算法融合的QoS路由算法.采用混合蚂蚁行为使初始路径多样化,根据QoS约束条件对蚂蚁可选路径集进行优化,将人工鱼群算法加入到蚁群算法的每一次迭代过程中,利用人工鱼群算法全局快速收敛的优点,来加快蚁群算法的收敛速度和人工鱼群算法的觅食行为,帮助提高了蚁群算法跳出局部最优的能力.仿真实验结果验证了该算法的可行性和有效性.     

基于遗传多蚁群算法的QoS组播路由算法研究

提出了一种基于遗传多蚁群的QoS组播路由算法,前期利用遗传算法的快速性、全局收敛性生成蚁群算法的初期信息素;后期引入多蚁群思想,克服蚁群算法容易陷入局部最优,导致算法停滞的缺点.仿真结果表明,该算法在多节点情况下具有更强的寻优能力和可靠性,是一种有效的QoS路由方法.     

一类自适应蚁群算法及其收敛性分析

为了克服蚁群算法易陷入局部最小点的缺点,同时提高算法的收敛速度,提出一类自适应蚁群算法.该算法利用自适应改变信息激素的挥发系数改善传统蚁群算法的全局搜索能力和收敛速度.通过马尔科夫过程对算法的全局收敛性进行分析,得出该类蚁群算法全局收敛性条件.并构造出该类算法的一种信息激素更新策略,证明了这种算法全局收敛性.利用提出的算法对典型的TSP问题进行仿真研究,结果表明比典型蚁群算法在收敛速度和解的性能上都有较大改善.     

改进Pareto蚁群算法的多QoS组播路由策略

满足多约束条件的QoS(Quality of Service)组播路由是新一代网络信息传输的一项关键技术之一,提出一种改进Pare-to蚁群算法(MPACO)对该问题进行求解.通过分析QoS组播路由问题模型,针对QoS参数以及网络信息不确定的情况,使用分类蚁群快速查找出在给定QoS条件下满足需求概率最大的组播树Pareto非劣解.在算法执行过程中引入局部信息节点惩罚更新机制,以降低无关节点的重复搜索率;同时在全局信息素更新阶段,引入了新的激励更新机制,以期提高算法的收敛速度.仿真实验表明,该机制是可行和有效的,并能较快搜索到全局(近似)最优解.     

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。     

基于自适应蚁群算法的QoS组播路由算法

提出一种改进的自适应蚁群优化算法,在信息素更新策略中引入全局最优系数,研究多约束条件下的QoS组播路由问题。动态更新信息素能够确保自适应地改进全局搜索能力和收敛性能,避免陷入局部最优解。仿真结果表明,该算法比蚂蚁-遗传算法在解决多约束条件下的QoS组播路由问题时更有效。     

主动Overlay物联网QoS服务路由算法研究

在物联网环境中,服务可能由任意多个结点汇聚而成,而传统的尽力而为的通信服务不能保证服务质量(QoS)。为此,首先提出了主动Overlay物联网服务路由逻辑拓扑结构,然后对物联网服务路由问题进行了建模。在此基础上,设计了基于Agent和蚁群优化(ACO)的主动Overlay物联网QoS蚁群服务路由算法。该算法结合移动A-gent对ACO进行了改进,实现了保证QoS的服务路径选择。最后从理论上证明了该算法的正确性和收敛性,同时通过仿真实验对该算法的实际性能进行了验证和比较。     

融合免疫-蚁群的Ad Hoc网络QoS多播路由

针对Ad Hoc网络中带QoS约束的多播路由问题,提出了一种基于免疫蚁群算法的QoS多播路由发现算法。利用人工免疫算法的快速全局搜索能力寻找较优解,生成初始信息素的分布,加快收敛速度;通过蚁群算法的正反馈收敛机制求得精解,借鉴抗体排斥度的思想避免算法陷入局部最优。仿真结果表明,该算法具有较好的收敛性和寻优能力,适应于Ad Hoc网络环境的变化。     

基于“适应活性”的QoS组播路由算法

自然灾害、战争等特殊应用场景下通信网络易受到物理攻击和约束条件影响,难以为用户提供稳定服务。传统的QoS路由算法基于稳态网络,在物理攻击与多约束环境下难以适用。针对这一问题,首次提出并求解了"适应活性"模型以综合衡量节点及其相连链路的动态服务性能。进而通过改进蚁群算法,提出了基于"适应活性"的QoS组播路由算法。该算法能够结合外界环境、业务需求与网络状态,综合考虑链路与节点服务性能选择路径,在继承传统蚁群算法优点的同时,解决了外界环境影响节点性能变化导致选路无法达到QoS最优的问题。MATLAB仿真结果表明,该算法能够在网络性能变化时避开低性能节点,快速有效地选择QoS最优路径。     

基于蚁群优化蛙跳算法的云计算资源调度算法

针对云计算资源调度存在效率低的问题,提出了基于服务质量（QoS）的云计算资源调度算法。首先,在蚁群优化（ACO）算法中采用质量函数和收敛因子来保证信息素更新的有效性,设置反馈因子来提高概率的选择;其次,在蛙跳算法（SFLA）中通过交叉因子和变异因子来提高SFLA的局部搜索效率;最后,在ACO算法的每一次迭代中通过引入SFLA的局部搜索和全局搜索进行更新,提高了算法的效率。云计算的仿真实验结果表明,与基本的ACO算法、SFLA、改进后的粒子群优化（IPSO）算法、改进的人工蜂群算法（IABC）相比,所提算法在QoS的4个指标中有最少的完成时间、最低的消耗成本、最高的满意度和最低的异常数值,表明所提算法能够有效地运用在云计算资源调度中。     

一种改进的蚁群算法在TSP问题中的应用研究

蚁群算法是近几年发展起来的一种新型的拟生态启发式算法,它已经被成功地应用在旅行商(TSP)问题上.由于基本蚁群算法存在过早陷入局部最优解和收敛性较差等缺点,文中对基本蚁群算法在基于蚁群系统的基础上进行了改进,在信息素的更新和解的搜索过程中更多地关注了局部最优解的信息,以使算法尽可能地跳出局部最优,并且改进后的算法对一些关键参数更容易控制.多次实验表明改进的蚁群算法在解决TSP问题上与基本蚁群算法相比有较好的寻优能力和收敛能力.这种算法可以应用在其它组合优化问题上,有一定的工程应用价值.     

动态调整路径选择的蚁群优化算法

针对蚁群算法收敛速度慢和存在停滞现象的缺点,提出对比度增强的路径选择规则以增强其全局搜索能力,选择规则加强了对反馈信息的利用,能加快算法的收敛速度,通过信息熵来动态控制对比度增强的方向,在避免算法停滞的同时加快了算法的收敛速度。将改进后的蚁群优化算法与传统的蚁群优化算法进行比较,仿真实验结果表明,改进算法具有较好的稳定性和全局优化性能,且收敛速度较快。     

QoS保障的LTE-A飞蜂窝资源块分配与MCS选择研究

针对LTE-A飞蜂窝网络下行链路的资源块(Resource Block,RB)分配与调制编码策略(Modulation-and-Co-ding Scheme,MCS)选择问题,构建了整数线性规划模型,以在保障每个飞蜂窝用户最小吞吐量的需求下,最大化飞蜂窝系统吞吐量。其中,吞吐量是衡量网络性能最重要的服务质量(Quality of Service,QoS)指标之一。鉴于此问题是一个NP难问题,提出了一种ACOGA智能优化算法。该算法结合遗传算法(Genetic Algorithm,GA)与蚁群优化(Ant Colony Optimization,ACO)算法,可实现RB的动态分配与MCS的动态选择,并收敛到一种近优的分配策略。其中,GA算法动态地优化ACO算法中的参数配置,ACO算法利用优化后的参数配置执行RB分配与MCS选择。仿真表明,与采用静态参数配置的ACO算法相比较,ACOGA算法可使飞蜂窝系统的吞吐量提高12%以上,并显著提高了收敛速率。     

多优解更新信息素的混合行为蚁群算法

蚁群算法在优化领域,尤其在组合优化问题中获得了较为成功的应用,然而它存在易于早熟收敛、搜索时间长等不足.针对该问题,提出了一种改进算法.该算法一方面在典型的状态转移规则中融合了一种随机选择策略,保证算法始终具有一定的探索能力;另一方面在搜索过程中保持一个优解池,通过交替使用池中最优解和其它次优解更新信息素,达到平衡算法强化搜索和分散搜索的目的.文中讨论了相关参数的选取方法,分析了所提算法的计算复杂度和收敛性,并针对典型的旅行商问题进行了仿真实验,结果表明该算法获得的解质量高于其他已有算法.     

带个体差异的蚁群算法的应用*

基本蚁群算法在大规模优化问题的处理上,算法的执行效率很低。为此改进的算法引入了蚂蚁个体差异,并将不同蚂蚁选路策略混合应用,使改进后的蚁群算法在加快收敛速度和提高解的质量的同时,避免了过早停滞现象。实验表明,该算法在性能上远优于基本蚁群算法。     

基于选路优化的改进蚁群算法

蚁群算法在处理大规模优化问题时效率很低。为此对蚁群算法提出了基于选路优化的两点改进:(1)引入选路优化策略,减少了算法中蚁群的选路次数,显著提高了算法的执行效率。(2)在选路操作中,只根据当前城市的前C个距离最近的且未经过城市为候选城市计算选择概率,从而减少单个蚂蚁选路的计算量。尤其对于以往较难处理的大规模TSP问题,改进算法在执行效率上有明显的优势。模拟实验结果表明改进算法较之基本蚁群算法在收敛速度有明显提高。     

基于蜂群算法的多维QoS云计算任务调度

针对云计算环境下用户日益多样化的QoS需求和高效的资源调度要求,提出了基于改进蜂群算法的多维QoS云计算任务调度算法,其中包括构建任务模型、云资源模型和用户QoS模型。为了获得高效的调度,引入蜂群算法。针对该算法在后期收敛速度变慢且易陷入局部最优的问题,引入收益比、跟随比概念及当前个体最优值及随机向量,避免"早熟"现象的出现。通过实验仿真,将该算法HEFT与和ABC算法进行比较,实验表明,该算法能获得较高的调度效率和用户满意度。     

基于变异和动态信息素更新的蚁群优化算法

尽管蚁群优化算法在优化计算中已得到了很多应用,但在进行大规模优化时,其收敛时间过长仍是应用该算法的一个瓶颈.为此,提出了一种高速收敛算法.该算法采用一种新颖的动态信息素更新策略,以保证在每次搜索中,每只蚂蚁都对搜索做出贡献;同时,还采取了一种独特的变异策略,以对每次搜索的结果进行优化.计算机实验结果表明,该算法与最新的改进蚁群优化算法相比,其收敛速度提高了数十倍乃至数百倍以上.     

基于改进蚁群算法的服务组合优化

为进行服务组合优化及适应服务组合优化过程中Web服务的动态性、不稳定性以及多种QoS属性限制等问题,提出一种多信息素动态更新的蚁群算法MPDACO,包括MPDACO局部优化算法和MPDACO全局优化算法,该算法基于建立的服务组合模型,在基本蚁群算法基础上进行研究和改进,可以适应服务组合优化过程中发生的服务无效以及服务中QoS变化等情况.另外,为使算法能较快地收敛于最优解,在实验基础上对蚁群算法策略进行了改进.为验证以上算法的有效性,在一个旅游领域的服务推荐系统中对算法进行了仿真实验,实验结果表明文中提出的算法较基本蚁群算法及一种应用于服务选择的遗传算法有更好的性能.