智能算法在多约束QoS组播路由优化中的应用

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-完全的多目标优化问题.概括了多约束QoS组播路由需求,然后重点讨论多约束QoS组播路由优化的智能算法,最后探讨了多约束QoS组播路由将来的主要研究方向.     

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。     

混合计算智能算法在WSN路由优化中的应用

研究无线传感器(WSN)路由优化问题,传统路由过程传感器能量消耗过大,就会造成节点的早死亡。如不能提供很好的节点能量,使网络生存困难。为了减少WSN能量消耗,延长网络生存时间,提出一种利用混合计算智能优化算法。采用遗传算法全局快速收敛优点,并融入蚁群算法的每一次迭代中,加快蚁群算法收敛速度,达到具有很强的全局搜索能力,最后对WSN路由优化问题求解。仿真结果表明,混合智能算法提高了节点能量利用效率,延长了网络生存时间。     

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.     

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。     

带交通约束的多目标优化混合算法

针对实际交通中带约束的多目标问题,提出一种基于分层GA-AS算法的多目标路径优化算法。该算法通过约束条件对路网进行分层,采用蚁群算法对各子网进行寻优,利用遗传算法在各子网寻优的基础上进行全局寻优。算例仿真结果表明,该算法既具有较强的实际应用效果,又在很大程度上减少寻优计算次数,提高算法的性能。     

基于改进蚁群算法的多约束QoS路由方法

高速多媒体网络路由问题是一个多QoS约束的NP一完全问题,提出一种改进蚁群路由算法对该问题进行求解。该算法采取了带记忆的后继节点选择方式,利用蚂蚁已走过的路径启发后继节点的选取;引入了基于目标函数的信息素更新机制,依据目标函数评价蚂蚁路径搜索行为,并根据蚂蚁的表现采取不同的信息素更新策略,提高了算法的寻优能力和收敛速度。仿真实验表明,该算法能快速得到较大程度满足业务QoS要求的路径。     

智能算法在机器人路径规划中的应用研究

移动机器人技术研究中的一个重要领域是路径规划技术。综述了智能算法在移动机器人路径规划技术中的发展现状,指出了各种方法的优点与不足。最后对移动机器人路径规划技术的发展趋势进行了展望。     

浅析多QoS约束的组播路由优化算法

计算机网络技术的不断发展,离不开网络通信技术的发展。现在成出不穷的网络应用给如今有限的网络通信资源带来了极大的压力,急需一种更为先进更为有限的通信手段来解决这种发展与资源之间的矛盾。组播通信技术是近些年的一个研究热点,它能够在一定程度上缓解当前计算机网络通信领域所存在的矛盾和问题。基于此,本文结合了遗传算法和蚁群算法理论,对多QoS组播路由算法进行深入的研究。     

快速启发式多约束优化路径算法研究

针对QoS路由算法中多约束算法的不足,提出了一种新的多约束算法:快速启发式多约束优化路径算法(FH_MCOP)。与现有的路由算法相比,它有两个显著的不同:增加了一个λ快速计算机制,可以降低计算复杂度和加快计算速度,缩短算法响应时间;对MCOP算法进行了有效的改进,使计算结果达到优化。计算结果表明,FH_MCOP能针对多约束优化路径问题的特点降低计算量和提高计算速度。     

粒子群和蚁群融合算法的自主清洁机器人路径

为了克服粒子群算法和蚁群算法的缺陷,将改进的粒子群算法和蚁群算法进行融合,形成了PAAA算法,并将此算法应用于自主清洁机器人行为路径的仿真实验。结果表明：PAAA在求解性能上优于粒子群算法,在时间效率上优于蚁群算法。     

基于遗传算法和蚁群算法融合的QoS路由算法*

面向QoS路由问题,设计了一种基于遗传算法和蚁群算法融合的QoS路由算法(QoS routing algorithm according to the combination of the genetic algorithm and ant colony algorithm,GAACO_QoS).利用遗传算法生成初始解,将其转换为蚁群算法所需的信息素初值,然后利用蚁群算法求取最优解.设置遗传算法控制函数来控制遗传算法和蚁群算法融合的适当时机.通过与遗传算法以及蚁群算法的比较,进一步说明算法的有效性.     

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。     

Genetic particle swarm optimization for polygonal approximation of digital curves

Polygonal approximation is an important technique in image representation which directly impacts on the accuracy and efficacy of the subsequent image analysis tasks. This paper presents a new polygonal approximation approach based on particle swarm optimization (PSO). The original PSO is customized to continuous function value optimization. To facilitate the applicability of PSO to combinatorial optimization involving the problem in question, genetic reproduction mechanisms, namely crossover and mutation, are incorporated into PSO. We also propose a hybrid strategy embedding a segment-adjusting-and-merging optimizer into the genetic PSO evolutionary iterations to enhance its performance. The experimental results show that the proposed genetic PSO significantly improves the search efficacy of PSO for the polygonal approximation problem, and the hybrid strategy can accelerate the convergence speed but still with good-quality results. The performance of the proposed method is compared to existing approaches on both synthesized and real image curves. It is shown that the proposed hybrid genetic PSO outperforms the polygonal approximation approaches based on genetic algorithms and ant colony algorithms. The text was submitted by the author in English. Peng-Yeng Yin was born in 1966 and received his B.S., M.S. and Ph.D. degrees in Computer Science from National Chiao Tung University, Hsinchu, Taiwan, in 1989, 1991 and 1994, respectively. From 1993 to 1994, he was a visiting scholar at the Department of Electrical Engineering, University of Maryland, and the Department of Radiology, Georgetown University. In 2000, he was a visiting Associate Professor in the Visualization and Intelligent Systems Lab (VISLab) at the Department of Electrical Engineering, University of California, Riverside (UCR). He is currently a Professor at the Department of Information Management, National Chi Nan University, Nantou, Taiwan. His current research interests include image processing, pattern recognition, machine learning, computational biology, and evolutionary computation. He has published more than 70 articles in refereed journals and conferences. Dr. Yin received the Overseas Research Fellowship from the Ministry of Education in 1993 and Overseas Research Fellowship from the National Science Council in 2000. He is a member of the Phi Tau Phi Scholastic Honor Society and listed in Who’s Who in the World.     

蚁群算法参数优化

针对蚁群算法运行参数选取问题,提出一种利用粒子群优化算法对蚁群算法的运行参数进行优化选择的方法。将蚁群算法的运行参数作为粒子群的位置信息,在算法迭代过程中使用粒子的当前位置作为算法参数,运行蚁群算法求解标准优化问题,设计适应值评价函数对求解性能做出评价,引导粒子向着适应值高的方向趋近。仿真结果表明,该算法能够方便有效地实现对蚁群算法运行参数的优化选取。     

新型混沌遗传算法在多约束QoS路由的应用

针对多约束QoS路由优化问题,提出一种新型混沌遗传算法。算法采用节点序号编码,混沌优化初始化种群,以及能防止产生无效路径的交叉变异策略。利用混沌变量的随机性、遍历性特点有效增加初始种群的多样性,改善了遗传算法早熟的不足。仿真实验证明,该算法适用于较大规模的网络,且具有收敛速度快和稳定性高的优点,是一种解决多约束QoS路由问题的可行、高效的方法。     

改进型量子蚁群算法求解QoS单播路由

针对遗传以及蚁群算法在求解QoS单播路由问题时收敛速度慢和易于陷入局部最优的问题。采用量子蚁群算法求解QoS单播路由,采用量子旋转门实现蚂蚁的移动,用量子非门来实现蚂蚁位置的变异,同时为了确保算法不陷于局部最优,对量子蚁群算法做了改进,并进行了对比实验。实验表明该算法不但克服了遗传以及蚁群算法的易限于局部最优解的缺陷,在收敛速度上也优于相关算法,能较好地解决QoS单播路由问题。     

一种带约束的多目标服务质量路由算法

多约束服务质量(QoS)路由是要求在多个约束条件下计算满足所有独立限制条件的可行路径．将这种NPC问题转化为一种带约束条件的多目标优化问题,根据多目标遗传算法的智能优化原理,提出一种多目标QoS路由算法来产生一组最优非劣路由．理论分析和实验结果表明,使用带约束的多目标遗传算法是解决多约束QoS路由的有效途径,能对提高网络性能起到重要作用．     

蚁群算法在QoS网络路由中的应用

采用蚁群算法求解包含延迟、延迟抖动、带宽、丢包率和最小花费等约束条件在内的QoS单播路由问题。实验仿真表明该算法能快速有效地求得路由最优解。