基于蚁群算法的多路径多约束QoS路由研究

多路径多约束服务质量（Quality of Service,QoS）路由问题是无线传感器网络的核心问题之一,由于网络拓扑的不断变化及链路的固有的不精确性,解决这个问题具有很大的挑战性。首先给出无线传感器网络中QoS路由问题描述及调和蚁群算法（Ant Colony Optimization,ACO）的基本算法步骤及其特点。然后在分析了蚁群算法应用于QoS路由问题的可能性的基础上,给出了调和蚁群算法解决多路径多约束QoS问题的算法。最后通过仿真实例得到满意的结果。     

具有时延约束网络路由问题的自适应蚁群优化算法

高速多媒体网络中的路由问题是有QoS约束的路由问题,满足一个或多个约束的路由问题是NP-完全问题,其中,具有时间延迟约束的QoS路由问题是一个极具代表性的问题。本文给出了一种求解具有时间延迟约束的QoS路由问题的自适应蚁群算法。该算法在种群中采用基于目标函数值的启发式信息素分配策略和根据目标函数自动调整蚂蚁搜索路径的行为。比一般蚁群算法具有更强的鲁棒性和全局优化能力。理论分析和仿真实验表明,该算法是有效的网络QoS路由算法。     

无线mesh网中基于蚁群算法的多约束QoS路由研究

针对多约束QoS路由问题的求解,现今并没有有效的近似算法,一般采用启发式算法求解。先介绍了QoS、QoS的各种参数指标以及多约束QoS路由的定义,接着通过移动Ad-hoc网和无线mesh网络的异同的比较,根据Ad-hoc网络的研究现状,分析了蚁群算法在无线mesh网络中QoS研究的可行性。     

基于蚁群系统的多约束QoS路由模型设计

研究多约束QoS路由问题,设计一种基于蚁群系统的多约束QoS路由模型,该模型适合于多约束QoS网络服务环境,并具有QoS路由有效性、可扩展性和鲁棒性等特点.     

基于自适应蚁群算法的多受限网络QoS路由优化

高速多媒体网络中的路由问题是有QoS约束的路由问题，多受限的路由问题是一个NP-完全问题。该文提出了一种解决多受限QoS路由问题的自适应蚁群算法。该算法采用基于目标函数值的信息素分配策略和根据目标函数值自适应调整蚂蚁的搜索行为，从而保证搜索的快速有效性，使多受限QoS路由优化问题得到很好地解决。     

蚁群算法在QoS组播路由问题中的应用

研究了该算法在QoS组播路由问题中的应用,描述了QoS路由优化问题。基于多个不相关可加度量的QoS路由问题是NP完全问题,目前采用的方法多为启发式算法。由于蚁群算法是一种基于蚁群系统原理的、具有自组织能力的、新型的启发式优化算法,利用其能够寻找最短路径这一特性,提出了一种基于蚁群系统原理,用于解决时延和时延抖动约束问题的组播路由问题的QoS组播路由算法。该算法改进了路径选择策略,优化了信息素更新公式。仿真结果表明,该算法能够迅速、准确地找到最优解。     

一种基于蚁群系统的多约束QoS路由模型

在Internet网络中,由于多媒体通信的需要,QoS路由技术已经成为研究的热点。本文通过对多约束QoS路由问题的研究,设计并实现了一种基于蚁群系统的多约束QoS路由模型,仿真结果表明该模型在实现QoS路由中的有效性、可扩展性和鲁棒性等特点。     

混合智能算法在多约束优化问题中的应用

提出了一种将蚁群算法、遗传算法和粒子种群优化融合的混合智能算法来解决多约束最优路径和QoS路由问题。采用蚁群算法进行寻径生成初始群体,利用遗传算法对路径进行优化,利用PSO算法来优化蚁群算法中的信息素,优势互补。仿真结果表明该算法是可行、有效的。     

AntNet的多路径QoS路由算法研究

以AntNet算法为基础,介绍了蚁群网络路由的问题模型和数据结构,通过引入QoS约束机制,提出了一种基于AntNet的多路径QoS路由算法. 该算法采用具有带宽和时延QoS约束的新规则进行节点选择,并利用改进的节点信息更新规则以及根据路由表中概率值随机地选择相邻节点转发数据包. 性能分析和模拟结果显示,基于AntNet的多路径QoS路由算法具有较快的收敛速度和较好的鲁棒性,能够自适应网络状态的动态变化,同时考虑了QoS约束和负载平衡问题     

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TSP问题的蚁群算法综述

蚁群算法是受现实蚂蚁群体行为启发而得出的一类仿生算法。本文以解决TSP问题为基础,系统地介绍了蚁群算法从诞生到成熟过程中几个代表性的算法。在阐述算法基本思想的前提下,着重论述算法的创新之处。     

改进蚁群算法的无线传感器网络路径优化

研究无线传感器网络路径优化问题,针对无线传感器网络(WSN)路径优化问题,在分析了遗传算法和蚁群算法各自优缺点的基础上,通过把蚁群算法作为WSN路径优化的主框架,采用遗传算的选择、交叉和变异算子提高蚁群算法搜索速度,提出一种改进蚁群算法的WSN路径优化方法。仿真结果表明,改进蚁群算法有效地克服了基本蚁群算法的缺陷,提高了WSN路径优化效率和成功率,减少了能理消耗,有效延长了网络生存时间。     

基于目标函数变化率的混合蚁群遗传算法

根据蚁群算法和遗传算法收敛性互补的特点,提出了一种基于目标函数变化率的混合蚁群遗传算法。该算法的基本思想是：用蚁群算法的解作为遗传算法的初始种群,根据目标函数的变化率交叉地调用蚁群算法和遗传算法。每当种群进化接近停滞时,调用蚁群算法。这种方法可动态地控制蚁群算法和遗传算法的调用时机,再配合相应的信息素更新方法,以提高算法的收敛性。将新算法用于车间调度基准测试问题,仿真结果表明,与常规混合蚁群遗传算法相比,新算法的全局收敛性和局部收敛性有了明显的提高。     

多蚁群伪并行优化算法

针对传统蚁群算法容易出现早熟和停滞现象,提出了一种多蚁群伪并行优化算法,将蚁群分成若干个子蚁群,在各子蚁群中引入信息素平滑机制,通过设计迁移算子,使多个子蚁群并行、协同寻优,从而使算法跳离局部最优解。类比实验表明,该算法比传统的蚁群算法具有更好的搜索全局最优解的能力。     

蚁群算法在移动机器人路径规划中的应用综述

路径规划是移动机器人领域的一个研究热点,蚁群算法在移动机器人的路径规划得到广泛应用。介绍了常见的几种蚁群算法,从蚁群算法结构、参数选取及优化、信息素优化等方面对已有的蚁群算法方法进行了分类综述,同时对多蚁群优化算法、融合蚁群算法在移动机器人路径规划的应用进行了分类比较与分析。从蚁群算法的理论研究、算法融合、多蚁群算法研究等方面对蚁群算法在移动机器人路径规划中的未来研究内容和研究热点进行展望。     

基于细菌觅食的改进蚁群算法

蚁群算法是模仿蚂蚁觅食行为的一种新的仿生学智能优化算法。针对其收敛速度慢和易陷入局部最优的不足,将细菌觅食算法和蚁群算法相结合,提出一种细菌觅食 蚁群算法。在蚁群算法迭代过程中,引入细菌觅食算法的复制操作,以加快算法的收敛速度;引入细菌觅食算法的趋向操作,以增强算法的全局搜索能力。通过经典的旅行商问题和函数优化问题测试表明,细菌觅食 蚁群算法在寻优能力、可靠性、收敛效率和稳定性方面均优于基本蚁群算法及两种改进蚁群算法。     

蚁群优化算法在物流车辆调度系统中的应用

根据对蚁群算法进行的深入研究,指出了蚁群算法在解决大型非线性系统优化问题时的优越性。通过仔细分析遗传算法和粒子群算法在解决物流车辆调度系统问题的不足之处,基于蚁群算法的优点,并根据物流车辆调度系统自身的特点,对基本蚁群算法进行适当的改进,给出算法框架。并且以线性规划理论为基础,建立物流车辆系统的数学模型,给出调度目标与约束条件,用改进后的蚁群算法求解物流车辆调度系统的问题,求得最优解,根据最优解和调度准则进行实时调度。使用Java语言编写模拟程序对比基于改进粒子群算法和改进蚁群算法的调度程序。通过对比证明了所提出的改进蚁群算法解决物流车辆调度优化问题的正确性和有效性     

改进的重叠蚁群优化算法

针对蚁群优化算法在进行全局最优解搜索时容易陷入局部最优解和收敛速度缓慢等缺陷,提出了一种有效求解全局最优解搜索问题的重叠蚁群优化算法。该算法通过设置多个重叠的蚁群系统,并对每一个蚁群初始化不同的参数,之后在蚁群之间进行信息素的动态学习,增强了不同蚁群对最优解的开采能力,避免了算法出现早熟现象。仿真实验结果表明,重叠蚁群优化算法在避免陷入局部最优解方面具有良好的效果,是一种提高蚁群算法性能的有效的改进算法。     

基于新颖蚁群算法的加工中心组成问题研究

针对蚁群算法求解加工中心组成问题易陷入早熟收敛状态的缺点,提出了将听觉信号、记忆矩阵与蚁群算法相融合的一种新颖蚁群算法。在仿真实验中,分别采用蚁群算法、加入听觉信号的蚁群算法、加入记忆矩阵的蚁群算法和新颖蚁群算法对加工中心组成问题进行求解。实验结果表明,新颖蚁群算法能够有效提高蚁群算法的全局寻优能力,收敛速度快,且所求得的组功效优于以上三个策略及以往的混合遗传算法。     

快速蚁群算法求解圆排列问题

圆排列问题属于NP-完全问题,且蚁群算法已成功地解决了许多组合优化的难题。介绍一种基于蚁群算法求解圆排列问题的算法,并对此算法进行优化,提出一种求解圆排列问题的快速蚁群算法。它大大减少了蚁群算法的搜索时间,有效改善了蚁群算法易于过早地收敛于非最优解的缺陷。仿真实验取得了较好的结果。