一种蚁群竞争WSN能量均衡路由算法

针对无线传感器网络路由在能量控制和拥塞控制上的特殊要求,通过利用蚁群算法(ACS)对路由中最短路径的加速收敛的同时,兼顾网络节点能量均衡消耗,提出了一种新算法——AERA。该算法引入了多蚁群竞争机制,并将多蚁群挥发的信息素与网络节点能量参数共同构成路由控制因子。此算法能有效地控制网络拥塞,并使网络节点能量消耗相对均衡,延长了整个网络的生命周期,实现了高效路由与能量消耗的最优权衡。通过NS仿真实验验证了该方法的可行性,并给出了实验结果。     

一种基于改进蚁群优化的QoS路由算法

蚁群优化（Ant Colony Optimization,AC0）是一种新型的分布式仿生优化算法,可有效地用来解决组合优化问题,而网络路由优化问题则正是组合优化问题当中的一种。因此,本文首先分析了常用路由算法与蚁群优化的基本原理,根据网络路由优化问题与蚁群优化算法的许多匹配特性,提出了一种基于改进蚁群优化的QoS路由算法（Route Algorithm based on Improved Ant Colony Optimlzation,RAIAC0）。最后,通过实验分析,对其可行性进行了证明。     

蚁群算法在WSN路由协议中的应用

针对无线传感网络节点能量有限的特点,提出一种改进的蚁群算法,将蚂蚁信息素、网络节点能量和节点间的时延相结合,形成算法控制因子。仿真结果表明,该算法可以均衡网络中各个节点的能量消耗,延长整个网络的生命周期,缓解网络拥塞并降低平均传输时延。     

基于改进蚁群算法的多约束QoS路由优化研究

本文建立了多约束QoS路由模型,并对基本蚁群算法的信息素更新策略进行了改进,提出了一种基于改追蚁群算法的多约束QoS路由优化算法,实例计算结果证明了算法的有效性。     

一种基于蚁群系统的多约束Qos路由算法

该文研究了多约束路由Qos问题,其中约束主要包括时延、带宽、延时抖动、成本等。给出了多约束Qos路由的数学模型,并提出了一种基于蚁群系统原理来解决多约束Qos路由问题的算法。仿真实验证明该算法能很好地优化网络资源。     

基于LEACH与蚁群算法的WSN路由机制及性能分析

无线传感器网络是实现远程监测的方法之一,由于能量和网络生存时间的限制,其路由协议必须维持较小的路由信息并尽可能的减少能量消耗。在分析经典的分层路由算法LEACH算法特点的基础上,针对较大规模的网络环境将LEACH算法与组合优化蚁群算法相结合,并在NS2环境下验证其性能。仿真结果表明:运用修改后的新路由优化算法,增加了网络中的数据包发送量,分散了网络中传感器节点的能量消耗,延长了网络的生存时间。     

基于改进蚁群算法的拥塞规避QoS路由算法

服务质量(QoS)路由算法缺少拥塞规避机制,会影响业务QoS。为此,提出一种基于Ant-Pub&Enco的信息素模型,根据蚂蚁行进方向,利用相反的信息素引导模式以及不同的信息素更新策略进行路由搜索。基于改进蚁群算法设计一种规避拥塞算法求解QoS单播路 由问题。仿真结果表明,该算法能够有效规避网络中的拥塞链路,均衡网络负载。     

一种基于AntNet改进的QoS路由算法

对具有NP完全难度的网络状态动态变化下的路由问题，提出了一种基于蚁群网络（Antnet）的蚁群优化分布式QoS路由算法．算法的主要特点是；（1）采用了动态更新的概率表替代传统的路由表；（2）采用了智能的初始化方法；（3）采用了一种新颖的信息素更新机制；（4）采用一种新的节点选择机制；（5）引入蚂蚁相遇机制．与标准的AntNet相比，该算法具有更快的收敛速度和较好的吞吐能力．另外，算法同时考虑了满足QoS度量和负载平衡等问题。     

蚁群优化算法在WSN路由中的应用研究

介绍了基本蚁群算法的原理和适用范围,总结出了基本蚁群算法在求解最优路径问题时,虽然具有很强的发现较优解的能力,但是存在容易陷入局部最优解和收敛时间过长等问题。考虑到基本蚁群算法在无线传感器网络路由上应用的不足,提出了一种改进后的蚁群算法,并将其应用到传感器网络路由中。该算法不仅在状态转移概率公式中引入罚函数和动态权重因子,而且采用局部信息素更新和全局信息素更新结合的方式更新路径信息,充分考虑到传感器节点与节点间的传输距离,并且充分考虑传感器节点的剩余能量。最后通过仿真实验,得到了基本蚁群算法和改进后的蚁群算法在传感器节点剩余能量和传输数据包时网络延迟的不同曲线,验证了改进后的蚁群算法在无线传感器网络路由选择上的高效性。     

一种基于蚁群算法的高效网络路由决策技术

针对网络路由优化问题,提出了一种改进的基于蚁群算法的网络路由决策技术。结合蚁群活动规则和网络路由规则的共同之处,引入相邻次数间信息素差值的概念,利用路由选择的存储功能,提高了网络的利用率和路由选择的准确度。     

一种改进ACO的WSNs能量高效路由算法

针对能量和存储能力在无线传感器网络（Wireless Sensor Networks,WSNs）路由上的特殊要求,为了使节点能量消耗相对均衡,同时避免出现拥塞,提出了一种改进的蚂蚁算法。仿真结果表明该算法能够更有效地降低通信负载,减少能量消耗。     

一种基于蚂蚁算法的网络负载分担路由方法

针对蚁群算法(Ant Colony System,ACS)在网络负载分担方面的不足,提出了一种改进的蚁群算法。该算法在同一网络中使用多个标记的蚁群,各个蚁群之间的外激素相互抑制,同一蚁群的外激素相互促进,从而通过减少在最短路径上的蚁群外激素数量来实现路由的负载分担。最后通过实验验证了该方法的可行性,并给出了实验结果。     

蚁群系统自适应策略的改进与分析

蚁群系统能够通过自适应调整不断优化算法的性能。为寻求算法自适应过程的内部规律,结合旅行商问题,采用参数控制、设置信息素范围的方法进行探讨。通过调控信息素的变化,以及对信息素最值、分布状态的统计分析,揭示算法优化过程的内部状态。实验表明,改进后的算法更稳定,问题解的搜索能力更强。     

蚁群系统(ACS)及其收敛性证明

蚁群系统(ACS)是解决旅行商问题(TSP)的最好方法之一,它是在蚂蚁系统的基础上作了许多改进之后得到的一种优化算法。这些改进在一定程度上避免了过早停滞现象的发生,是一种较好的协作式搜索算法。通过与蚂蚁系统的比较,系统地介绍了蚁群系统(ACS)所作出的种种改进,并且在理论上证明了该算法的收敛性。     

动态混沌蚁群系统及其在机器人路径规划中的应用

针对蚁群系统（ACS）解决机器人路径规划问题时种群多样性与收敛速度的不足,对蚁群系统引入动态混沌算子,从而平衡种群多样性和收敛速度之间的关系。动态混沌蚁群系统的核心是在传统蚁群系统引入Logistic混沌算子来增加种群多样性,从而提高解的质量。在迭代前期加入混沌算子,以调整路径中的全局信息素值,增加算法的种群多样性,从而避免算法陷入局域优化解;在后期则转为蚁群系统,来确保动态混沌蚁群系统的收敛速度。仿真结果表明,对于机器人路径规划问题,与蚁群系统相比,动态混沌蚁群系统具有更好的种群多样性、更高的解的质量和更快的收敛速度;与精英蚁群系统（EAS）和基于排序的蚂蚁系统（ASrank）相比,动态混沌蚁群系统能够平衡解的质量与收敛速度之间的关系,即使在复杂障碍物的环境下,动态混沌蚁群系统也能较好地找到最优解。动态混沌蚁群系统能够提升移动机器人路径规划中的效率。     

求解度约束最小生成树的改进ACS算法

针对蚂蚁系统算法求解度约束最小生成树时收敛速度慢和早熟问题,提出一种改进的蚁群系统算法UDA-ACS。该算法在保留蚁群系统算法优点的基础上,通过增大能见度的影响力、采用动态负反馈机制和赋予不同初始信息素的方法解决上述问题。理论分析和实验结果证明,该算法的求解质量和速度比蚂蚁系统算法更优越。     

融合AntNet与遗传算法的动态网络路由算法

提出了一种新的动态分布式网络路由算法。在AntNet算法中引入了路径遗传运算(GA),提出了新的信息素更新策略。对蚂蚁发现的路径进行染色体编码,并用适应度函数对其进行适应度评价,通过路径交叉和路径变异运算以及种群的不断进化,来提高解的质量。仿真结果表明,所提出的算法能快速收敛,且有效地提高了网络吞吐量、降低了平均延时。     

基于加速寻径收敛的改进型蚁群算法

提出了一种基于基本蚁群算法的有节点信息素更新和记忆功能的算法模型;仿真结果表明,基于改进的蚁群算法模型在寻找最优解时表现出很高的效率,明显地优于现有的启发式算法的解,是一种有效的算法。     

自适应蚁群优化的云数据库动态路径查询

蚁群算法对于解决动态最优路径查询问题具有很强的优势,但蚁群算法中的信息素挥发因子的静态设置容易带来收敛速度不稳定和陷入局部最优解的问题,在云数据库中更是明显。融合了蚁群算法和云数据库,并提出了信息素挥发因子自适应的算法,该算法能够在云中快速、合理地找到所需访问的数据库,减少了云数据库数路由的动态负荷,从而很大程度上提高云计算的效率。