基于优化链路状态路由协议的自适应MPR集选择算法

基于优化链路状态路由协议的多点中继(MPR)集选择算法(GLOBAL_OP_MPR)在网络拓扑稳定的情况下能有效减少网络中的MPR节点数,但在网络拓扑变化的情况下会出现冗余。为此,提出一种能适应网络拓扑变化的M PR集选择算法(GLOBAL_AD_M PR)。该算法在不增加算法复杂度的情况下,通过将选定的M PR节点再次遍历去除冗余,从而得到更优的MPR节点集合。实验结果表明,与GLOBAL_OP_MPR算法相比,GLOBAL_AD_MPR算法能有效降低数据包传输时延及网络开销,提高网络吞吐量。     

OLSR路由协议的改进及其NS2仿真分析

研究了移动Ad hoc网络中的一种典型先应式表驱动路由协议:RFC3626最优链路状态路由协议(Optimized Link State Routing Protocol,OLSR),指出了该协议对MPR(Multipoim Relays)集合选择算法会导致该集合可能存在过多的冗余节点的不足之处,提出了一种改进的OLSR路由协议,通过对原MPR集合中节点的再次排序判断,除去了冗余节点.仿真结果表明:经过改进的OLSR在TC分组的发送数目、节点接受TC分组总数目、平均端到端延迟都得到了很大的改善,从而减少了TC分组的洪泛,提高了网络性能.     

基于蚁群优化的路由算法

针对移动自组网提出了一种基于蚁群优化的路由算法,该算法很好地利用了蚁群算法的自适应性,能有效地承载移动自组网的负载。在NS-2平台下的算法仿真表明,该算法在移动自组网环境下表现了较好的性能,从吞吐量、平均延迟、传送率三个指标比较来看,比AODV和DSR的性能都要好。     

MANET中基于蚁群算法的改进DSR协议*

为提高移动Ad hoc网络中DSR协议的服务质量,提出基于蚁群算法的改进DSR协议---ACOIDSR。ACOIDSR协议路由发现过程中,建立稀疏模式和稠密模式弥补DSR协议泛洪策略的不足;ACOIDSR协议路由选择过程中,利用路径长度、拥塞程度和链接可靠度计算每条路径的信息素数量,进而做出最佳路径的选择;ACOIDSR协议路由维护过程中,提出一种新的信息素衰退策略用于路由维护。最后,仿真实验用于ACOIDSR协议在端到端的延迟、路由负载以及能量消耗等方面分析。     

最小MPR集选取问题的改进蚁群优化算法

多点中继(MPR)是移动自组网中用来降低网络开销所采用的一种机制,但由于最小MPR集的选取属于NP完全问题,传统的贪心算法往往难以取得较好的结果.本文将蚁群优化用于最小MPR集选取问题的求解,给出了一种基于候选解的改进蚁群算法CSACO.通过使用候选解集进行信息素的更新,提高了算法的收敛速度,同时避免了算法陷入早熟.模拟实验表明,CSACO可以有效降低MPR集的大小,同时在较短的时间内收敛到最优解,提高网络性能.     

基于OLSR协议的最小MPR集选择算法

针对传统优化链路状态路由(OLSR)协议中利用贪婪算法求解最小多点中继(MPR)集时存在冗余的问题,提出了一种基于全局改进的Global_OP_MPR算法。首先引入了一种基于贪婪算法改进的OP_MPR算法,该算法通过逐步优化MPR集的方法去除冗余,可以简单高效地得到最小MPR集;然后在OP_MPR算法的基础上,将全局因素加入MPR选择判据中,引入"全局优化"代替"局部优化",最终利用该算法可以得到整个网络的最小MPR集。在OPNET上采用Random Waypoint运动模型进行仿真,与传统OLSR协议相比,采用OP_MPR和Global_OP_MPR算法的OLSR协议在整个网络上有效地减少了MPR节点的数量,并且具有更少的网络负担拓扑控制(TC)分组数和更低的网络延时。仿真结果表明,所提出的算法均能优化MPR集的大小,提高协议的网络性能;同时,Global_OP_MPR算法由于考虑了全局因素,达到了更好的网络性能效果。     

基于节点稳定性与跨层优化的MANET路由设计

针对移动自组织网络(MANET)中优化链路状态路由(OLSR)协议路由稳定性差和端到端延时高的问题,提出一种改进的OLSR路由协议。考虑MANET拓扑的移动性,通过优先选择平均相遇率较小、稳定性较高的中继节点构建移动拓扑,避免路由震荡。基于跨层技术,利用链路层共享的链路速率优化路由权值,从而提高路由性能。实验结果表明,与OLSR协议相比,改进协议在MANET网络中具有更好的网络稳定性及更低的端到端延时。     

OLSR路由协议中MPR节点安全性研究

OLSR(最优链路状态路由协议)是一种先应式路由协议,其MPR(多点中继)节点易受恶意攻击,严重时将导致路由协议崩溃.针对这一安全隐患,提出了一种MPR节点综合抗攻击方案:消息加密和消息频率检测技术.消息加密技术主要是对广播的HELLO消息进行加密,防止攻击节点冒充合法节点;频率检测是对HELLO消息发送频率进行检测,若频率过大则可以认为发送该HELLO消息的节点为恶意节点.仿真结果表明,该综合方案可以有效抵制对MPR节点的攻击,保证OLSR路由协议的安全.     

基于蚁群代理的无线自组网多路径优化算法的研究

在蚂蚁算法基本规则的启发下,基于移动Agent的分布式路由算法研究(AntNet)的基础上,设计出一种新的基于蚁群代理优化的无线自组网多路径优化的路由协议算法(AdHoc-AntNet).这是一种新的无线自组网的路由算法,其结合蚁群理论和无线自组网本身的特点,对AntNet进行了改进,从而建立更有效的、适合无线自组网的路由协议算法.通过仿真试验表明,与AODV相比该协议在路由开销、平均分组延迟和吞吐量等方面都有明显的改进.     

基于蚁群算法的无线自组网络能量控制路由研究

在深入分析现有路由协议的基础上,提出了一种基于蚁群算法的能量控制路由模型。首先分析网络特性,建立节点移动和能量消耗数学模型;然后,建立基于蚁群算法的能量控制路由模型,通过计算节点剩余能量和节点度等确定数据传输过程中节点被选择的概率;最后选择高概率节点作为中间节点进行数据转发。仿真结果显示:相比典型的DSR路由协议,该算法可以为网络提供能量保障,延长网络生存时间,弥补已有算法的不足。     

基于优化蚁群算法的机器人路径规划

研究机器人导航中的路径规划问题,运用栅格法和图论思想建立环境模型,在该模型中通过蚁群算法进行路径寻优,提出用遗传算法的思想改进已有蚁群算法,即GAA算法。仿真实验结果表明,该算法能有效地提高机器人的路径搜索速度及路径优化、路径平滑等方面的指标。     

基于自适应转移概率的蚁群优化算法

为避免蚁群优化算法容易早熟的缺点,在转移概率公式中引入一个新的自适应因子。随着迭代次数的增加,该因子有利于蚂蚁探索有较弱信息素浓度的边而避免一些边上信息素的过度积累。该特点使蚂蚁在迭代后期仍能以较高概率搜索到更好的解从而避免早熟。仿真实验结果表明,该算法对解决旅行商问题具有更优的全局搜索能力。     

基于并行ACO算法的DNA杂交测序

针对求解DNA杂交测序（SBH）问题的相关算法存在解的精度不高及收敛速度慢等问题,建立SBH问题的数学模型,从中抽取启发式信息,提出一种改进的并行蚁群优化算法（IPACO）,并将其应用到DNA杂交测序问题中。仿真实验结果表明,该算法解的精度和收敛速度均优于普通串行蚁群算法、禁忌搜索算法和进化算法。     

优化链路状态路由协议的低开销拓扑维护算法

优化链路状态路由（OLSR）协议利用多点中继（MPR）节点周期性地泛洪拓扑控制（TC）消息,以实现网络拓扑发现与维护,但其增加了网络的控制开销,并且当拓扑较稳定时固定的泛洪周期导致网络带宽浪费。针对该问题,提出OLSR的低开销拓扑维护（LCTM-OLSR）算法。通过缩减MPR节点个数减少TC消息产生的数量和转发次数,同时对比上一次发送周期MPR选择集的变动情况,在稳定量和变动量中选择较小量作为TC消息进行发送。在此基础上,根据网络拓扑的变化情况动态调整TC消息的发送周期。仿真结果表明,相比传统OLSR和HTR-OLSR算法,LCTM-OLSR算法能够有效降低网络的控制开销和端到端时延,提高网络的吞吐量。     

基于改进蚁群优化算法的自动驾驶多车协同运动规划

当前面向多辆自动驾驶汽车的协同运动规划方法能有效保证运行车辆与障碍物及其他车辆之间避免发生碰撞并保持安全距离,但车辆间的在线协同与规划能力仍有待提升。为实现多辆自动驾驶汽车在运动过程中的协同控制,提出一种基于改进蚁群优化算法的多车在线协同规划方法。以空间协同与轨迹代价为优化目标,构造多目标优化函数,确保了多车行驶过程中的协同安全性与轨迹平滑性。将多目标优化函数引入蚁群优化算法的信息素更新过程中,根据自动驾驶车辆数量产生多个种群,使得种群之间相互独立的同时为每辆自动驾驶汽车规划可行路线。最终对蚁群优化算法中的挥发因子进行自适应调整,提升了算法全局搜索能力及收敛速度。实验结果表明,该方法能使多辆自动驾驶汽车在运动过程中保持协同控制并规划出无碰撞路线,相比于基于人工势场和模型预测的协同驾驶方法在复杂道路场景下车辆间的协同效果更好且适应性更强。     

基于多蚁群的并行ACO算法

通过改变蚁群优化(ACO)算法行为,提出一种新的ACO并行化策略——并行多蚁群ACO算法。针对蚁群算法存在停滞现象的缺点,改进选择策略,实现具有自适应并行机制的选择和搜索策略,以加强其全局搜索能力。并行处理采用数据并行的手段,能减少处理器间的通信时间并获得更好的解。以对称TSP测试集为对象进行比较实验,结果表明,该算法相对于串行算法及现有的并行算法具有一定的优势。     

基于蚁群优化的DBN转移网络结构学习算法

针对动态贝叶斯转移网络的特点,以I-ACO-B为基础,提出基于蚁群优化的分步构建转移网络的结构学习算法ACO-DBN-2S。算法将转移网络的结构学习分为时间片之间和时间片内2个步骤进行,通过改进隔代优化策略,减少无效优化次数。标准数据集下的大量实验结果证明,该算法能更有效地处理大规模数据,学习精度和速度有较大改进。     

基于蚁群算法的非结构化P2P资源搜索机制

资源搜索是P2P技术的研究热点之一。该文针对现有P2P资源搜索算法消息开销大、搜索效率低等问题,提出一种基于蚁群算法的非结构化P2P资源搜索机制。利用蚂蚁信息素的正反馈原理,有效指导资源搜索路径的生成,将查询消息发送到可能存在目标的区域。仿真实验结果表明,该机制提高资源搜索命中率,减少冗余消息包,其搜索效果较好。     

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。