基于量子粒子群算法的组播路由优化

不确定网络性能参数下的多约束QoS组播路由优化已成为安全组播领域以及下一代Internet和高性能网络的一个重要研究课题。多约束QoS组播路由优化是NP-完全的多目标优化问题。提出了一个新的量子粒子群算法,其具有收敛速度快、全局性能好等特点。通过应用该算法求解多约束QoS组播路由优化问题的仿真实现,结果表明,该算法取得了较好的效果。     

异步粒子群优化算法在QoS组播路由中的应用

QoS组播路由问题是一个非线性的组合优化问题,已证明了该问题是NP完全问题。为适应下一代IP网络对实时信息传输的要求,在异步模式粒子群优化算法基础上,给出包含延迟、延迟抖动、带宽、丢包率和最小花费5个约束条件在内的QoS组播路由算法。该算法首先给出数学模型,设计适应度函数,再给出受限的网络模型,通过粒子群优化(PSO)算法最大化适应度函数来求解最优Steiner树。算法仿真实验结果表明:与遗传算法和同步模式的粒子群优化算法相比,该算法有较好的收敛速度和寻优效果。     

基于混合遗传算法的多播路由多目标优化

互联网不断增长的多媒体应用引发人们研究如何满足这些应用的服务质量(QoS)约束.目前网络中多主机之间的多播通信一般需要严格的多个QoS保证,文中描述了一种适应于研究多播QoS路由多目标优化的网络模型,在此基础上提出了基于遗传算法和禁忌搜索混合策略的,具有多目标的多播路由QoS优化方法,以克服遗传算法的爬山能力差以及不成熟收敛等问题.此外还采用了改进的多播树编码方法及高效的遗传操作,同时还优化时延、丢包率和带宽利用率等不同的参数.实验结果表明,该算法为多播路由QoS多目标优化问题的求解提供了一种有效的新途径.     

基于遗传模拟退火算法的多约束QOS组播路由优化算法

组播路由问题在计算机网络中是著名的Steiner树问题,是NP完全问题.通过考虑组播通信服务质量需求与网络资源约束,研究了基于服务质量的组播路由选择算法问题,首次提出了一个基于遗传算法和模拟退火算法的多约束组播路由优化算法,该算法在满足带宽、延时、延时抖动及包丢失率约束条件下寻找代价最小的组播树.     

基于一种新的蚁群算法的QoS组播路由问题的研究

在解决QoS（Quality of Service）组播路由问题上,针对蚁群算法缺点,提出了一种融合量子粒子群算法（QPSO）思想的多行为蚁群算法。该算法采用QPSO作为前期搜索,根据各粒子历史最优值来初始化路径信息素浓度,后期利用多行为蚁群算法来优化路径。仿真结果表明：该算法寻优能力强,可靠性高,是解决QoS组播路由问题的有效方法。     

一种基于不精确信息的智能QoS组播路由算法

针对满足多个约束条件的服务质量(QoS) 组播路由的特点,提出了一种下一代互联网中基于粒子群优化(PSO) 和遗传算法(GA) 的智能QoS组播路由算法。给出了QoS组播路由问题模型及其数学描述,针对QoS参数信息不精确的情况,综合PSO的快速搜索和GA的全局寻优能力,找出在给定费用下满足多个QoS约束概率最大的组播树的Pareto非劣集,从中选出最优组播树。对算法进行了仿真实现与性能评价,结果表明,它是可行和有效的。     

基于QPSO的QoS组播路由算法

对带宽、延时、延时抖动约束最小代价的QoS组播路由问题进行了研究，提出一种基于量子行为微粒群优化（QPSO）算法来设计路由优化算法。该算法采用一种节点序列编码方案，将路由优化问题转化成一种准连续优化问题，并采用罚函数处理约束条件。应用QPSO算法求解QoS组播路由问题的算例，并与遗传算法和改进后的遗传算法进行比较。计算机仿真实验证明，该算法可以更有效地求得QoS组播路由问题的优化解，可靠性较高。     

多约束QoS组播路由优化算法研究

不确定网络性能参数下的多约束QoS组播路由优化已成为安全组播领域的一个重要研究课题，也是下一代Internet和高性能网络亟待解决的难题。多约束QoS组播路由优化是NP一完全的多目标优化问题。本文概括了多约束QoS组播路由需求，然后重点讨论多约束QoS组播路由优化的约束树算法和智能算法，最后探讨了多约束QoS组播路由将来的一些主要研究方向。     

在线多点广播路由的动态方法探讨

多点广播是网络支持多媒体业务的关键技术之一。在线多点广播问题是指组中的成员加入或离开后多点广播路由树的更新问题。本文以服务质量（QoS)指标中的带宽和时延为优化选路准则，提出了一种受限的动态多点广播路由算法，仿真结果证明了该算法比传统算法更简洁。     

基于遗传算法的多约束QoS多播路由优化算法

随着大量新型的多媒体在高性能网络、移动网络及Internet中的应用，满足QoS约束的多播路由问题成为越来越重要，它吸引了许多爱好者．本文讨论了多约束QoS多播路由问题，主要包含延迟、延迟抖动、带宽和分组丢失率等QoS约束，文中描述了一种在动态网络环境及不确定参数下适应于研究QoS多播路由的网络模型．提出了一种在网络规模、可行性方面为Imernet、移动网络和高性能网络下基于遗传算法的多约束QoS多播路由优化算法（MQMRGA）．仿真结果表明该算法收敛速度快、可靠性高．MQMRGA为QoS多播路由提供了一种新的有效途径．     

Multicast Routing Optimization Algorithm with Bandwidth and Delay Constraints Based on GA

Most of the multimedia applications require strict QoS guarantee during the communication between a single source and multiple destinations. This gives rise to the need for an efficient QoS multicast routing strategy. Determination of such QoS-based optimal multicast routes basically leads to a multi-objective optimization problem, which is computationally intractable in polynomial time due to the uncertainty of resources in networks. This paper proposes a new multicast routing optimization algorithm based on Genetic Algorithms, which find the low-cost multicasting tree with bandwidth and delay constraints. The simulation results show that the proposed algorithm is able to find a better solution, fast convergence speed and high reliability. It can meet the real-time requirement in multimedia communication networks. The scalability and the performance of the algorithm with increasing number of network nodes are also quite encouraged.     

量子粒子群算法在电力系统经济调度中的应用

量子粒子群算法以粒子群算法为基础,加入了量子波动理论,具有较好的全局收敛性.通过对电力系统经济调度问题中高维数、非线性、多约束等特点进行分析,运用具有量子行为的粒子群优化算法来解决电力系统经济调度问题,经过多组算例的测试:在满足电力系统各种约束的前提下,证明了新方法有效可行,能取得较好的收敛结果和鲁棒性.     

NGI中一种混合智能QoS组播路由算法

针对满足多个约束条件的服务质量（Quality of Service,QoS）组播路由的特点,提出了一种下一代互联网（Nem Generation Internet,NGI）中基于粒子群优化（Particle Swarm Optimization,PSO）和遗传算法（Genetic Algorithm,GA）的混合智能QoS组播路由算法。给出了QoS组播路由问题模型及其数学描述,结合PSO的快速搜索和GA的全局寻优能力,解决了多约束QoS组播路由问题,并在多个实际的和虚拟的网络拓扑上进行了仿真实现与性能评价。仿真结果表明,本文提出的算法是可行和有效的。     

Multiple sequence alignment using the Hidden Markov Model trained by an improved quantum-behaved particle swarm optimization

Multiple sequence alignment (MSA) is an NP-complete and important problem in bioinformatics. For MSA, Hidden Markov Models (HMMs) are known to be powerful tools. However, the training of HMMs is computationally hard so that metaheuristic methods such as simulated annealing (SA), evolutionary algorithms (EAs) and particle swarm optimization (PSO), have been employed to tackle the training problem. In this paper, quantum-behaved particle swarm optimization (QPSO), a variant of PSO, is analyzed mathematically firstly, and then an improved version is proposed to train the HMMs for MSA. The proposed method, called diversity-maintained QPSO (DMQPO), is based on the analysis of QPSO and integrates a diversity control strategy into QPSO to enhance the global search ability of the particle swarm. To evaluate the performance of the proposed method, we use DMQPSO, QPSO and other algorithms to train the HMMs for MSA on three benchmark datasets. The experiment results show that the HMMs trained with DMQPSO and QPSO yield better alignments for the benchmark datasets than other most commonly used HMM training methods such as Baum–Welch and PSO.     

基于量子行为粒子群优化算法的定位技术研究

针对无线传感器网络(WSNs)节点定位问题,阐述了WSNs的分布迭代式定位方法研究。这种方法将每次迭代后定位的节点作为其余未知节点的参考节点.同时将基于测距定位问题看成一个多维优化问题,并提出利用具有快速收敛能力的量子行为粒子群优化(QPSO)算法进行求解。最后将仿真实验结果与粒子群优化(PSO)算法进行比较,表明QPSO算法在优化性能上优于PSO算法,有效提高了节点定位精度,证明该方法的有效性。     

用PSO优化基于QoS的WSN路由协议

在过去的10年中,提供服务质量(QoS)保证的路由协议很好的用在了有线网络中,随着无线传感网络(WSN)的广泛使用,就需要考虑如何在无线传感网络中实现QoS的效率.很多QoS度量值都需要被考虑,如数据包时延、带宽效率、能量消耗等.同时QoS也受路由的影响,由于路由解空间随着网络的规模变大而呈指数级的增长,研究路由协议算法的效率就成为一个必然.在研究了智能粒子群最优算法(PSO)后,提出了一个基于PSO的路由算法,不仅考虑了QoS的需求同时也有一个不错的搜索能力.仿真结果表明,与一些典型QoS常规机制比较基于粒子群最优路由算法是有效的.     

解决多约束QoS组播路由问题的遗传算法

基于多种约束的QoS组播路由选择优化是当前通信网络中的一个重要问题，尽管有许多文献利用遗传算法解决这类问题，但仍然存在着收敛速度与全局收敛性之间的矛盾以及编解码难度大等问题。针对以上问题，提出了一种改进的遗传算法，通过采用预处理机制、特殊的树结构编码和合理的交叉变异策略，大大简化了编解码操作，并在全局收敛的基础上提高了算法的收敛速度。仿真表明，算法性能得到明显提高。     

混沌遗传算法在IP网络组播路由中的应用

提出了一种基于混沌优化和遗传算法的新颖的QoS组播路由算法，该路由算法把混沌系列和遗传算法结合起来，并提供了一种新的编码方式和一种自适应的变异遗传操作，从而克服了传统遗传算法中存在的早熟现象，加快了收敛速度。仿真结果显示，该文提出的算法在解题的精度和收敛速度等方面都优于遗传算法。     

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。     

基于蚁群算法的QoS多播路由优化算法

蚁群算法是一种新型的随机优化算法,能有效地解决 QoS 受限的多播路由问题。基于蚂蚁具有找到蚁巢与食物之间的最短路径原理工作,并在分析多约束QoS的多播路由的基础上,提出了一种具有全局优化能力的多播路由算法(OQMRA),仿真实验表明了该算法是合理的和有效的。