基于遗传算法的多目标QoS多播路由算法

针对通信网中多目标QoS多播路由模型，文章提出了一种改进的遗传算法。算法的编码方式采用节点序编码，编码和解码过程都比较简单直观。采用保留最佳个体与适应度比例的选择方法，加快了遗传算法的收敛，并在此基础上采用理想点法构建评价函数来求解模型的Vareto解，采用双层的交叉与变异操作，增加群体的多样性。仿真试验验证，该算法可靠性高，适用于大规模网络。     

几种基于多目标遗传算法的QoS组播路由优化算法

提出基于多目标遗传算法的QoS组播路由优化算法,在遗传进化过程中分别使用三种方法：随机权重方法随机生成权重,使算法具有可变搜索方向,沿Pareto前沿面均匀采样,增加算法成功率;Pareto排序方法合理分配适应值,使Pareto解具有相同的适应值,并能调整选择压力;Pareto竞争方法通过适应值共享维持种群多样性,提高遗传算法的性能。实验仿真在不同网络规模下研究算法的遗传进化过程、成功率、收敛速度和可扩展性,并与相关算法进行比较与分析,证明本文提出的算法是可行的、有效的。     

基于数据仓库的多目标优化遗传算法

基于数据仓库的多目标优化遗传算法为解决多目标优化问题提供了有效的途径。其基本思想是：为求Pareto最优解的多目标优化遗传算法建立一个数据仓库，将进化过程中所产生的每一代Pareto最优解放入数据仓库中，在每一代先对数据仓库中的所有个体进行求Pareto最优解运算，淘汰掉劣解，再进行个体间的欧氏距离运算，将小于指定值的其中一个个体作为劣解处理。大量的计算机仿真计算表明，这种算法不仅能够有效地避免交叉或变异操作对Pareto最优解产生的破坏。而且进化速度极快，算法稳定，一般只需20-40代的运算．即可得到分布广泛的Pareto最优解。     

基于数据仓库的多目标优化遗传算法

基于数据仓库的多目标优化遗传算法为解决多目标优化问题提供了有效的途径。其基本思想是:为求Pareto最优解的多目标优化遗传算法建立一个数据仓库,将进化过程中所产生的每一代Pareto最优解放入数据仓库中,在每一代先对数据仓库中的所有个体进行求Pareto最优解运算,淘汰掉劣解,再进行个体间的欧氏距离运算,将小于指定值的其中一个个体作为劣解处理。大量的计算机仿真计算表明,这种算法不仅能够有效地避免交叉或变异操作对Pareto最优解产生的破坏,而且进化速度极快,算法稳定,一般只需20￣40代的运算,即可得到分布广泛的Pareto最优解。     

基于精英选择和个体迁移的多目标遗传算法

提出基于遗传算法求解多目标优化问题的方法,将多目标问题分解成多个单目标优化问题,用遗传算法分别在每个单目标种群中并行搜索.在进化过程中的每一代,采用精英选择和个体迁移策略加快多个目标的并行搜索,提出了控制Pareto最优解数量并保持个体多样性的有限精度法,同时还提出了多目标遗传算法的终止条件.数值实验说明所提出的算法能较快地找到一组分布广泛且均匀的Pareto最优解.     

基于非线性选择方法的多目标优化遗传算法

针对排序选择法中广泛采用的线性选择方法的缺陷,提出了一种非线性选择方法。这种选择方法既充分体现了非劣解集对劣解集的优先选择权,又考虑到了非劣解集和劣解集中个体的平等性。理论分析和仿真计算表明,这种新的排序选择法不仅能得到分布广泛的Pareto最优解,而且进化速度极快,一般只需30-50代。     

求解多目标优化问题的新遗传算法

给出了求解多目标优化问题的一种新解法。定义了多目标优化问题的非劣方向,设计了方向杂交算子和简单的变异算子。标准算例的计算机仿真结果表明,新算法可以快速地找到一组范围广、分布均匀且数量充足的Pareto最优解。     

基于QoS多目标优化的Web服务组合方法

为了确保在服务组合中获得Pareto最优解集,把服务组合建模为多个服务质量属性同时优化的多目标优化问题,提出了一种依据服务质量属性类型的通用预处理方法,采用多个信息素表和单个启发式信息表的多目标蚁群算法,蚂蚁随机选择一种信息素表建构可行解,每个蚁群周期完成后所有信息素都会蒸发,但每个优化函数只有一个最优解获得信息素增加,经过多过蚁群周期后即可解获得最优解集.实验结果表明,该方法可为Web服务组合提供一种很好的优化方案,具有很高的准确率.     

基于最佳进化方向的多目标遗传算法

该文模拟自然界中生物总是向着有利于自己的方向进化,即朝生物利益最大化的方向进化这一现象,给出了一种新的设计适应度函数的方法,并且结合多目标优化的Pareto最优解的概念,提出了求解多目标优化问题的一种新的算法———基于最佳基因的多目标遗传算法。数值实验表明,该算法不仅操作简单、鲁棒性强、速度快、且能够获得数量多而且广泛的Pareto最优解。     

蚁群遗传算法的多目标优化

为了求解带有约束条件的多目标函数优化问题,提出基于连续空间优化的多目标蚁群遗传算法。针对多目标优化问题的特点,定义连续空间中利用信息量指导遗传搜索策略和信息更新方法,将信息量指导遗传搜索、优秀决策引入、决策集更新、改变算法终止条件等方式相结合,有效地加速了搜索的收敛速度,控制了Pareto最优决策集的数量,扩大了决策的分布范围,维持了决策的多样性。数值实验说明该算法能够快速找到一组分布广泛的Pareto最优决策。     

基于遗传算法的带宽-时延约束多播路由优化算法

随着许多多媒体在高速网络中的应用,多播路由问题成为越来越重要的课题。多播路由问题在计算机网络中是著名的Steiner树问题,同时也是NP完全问题。该文提出了一种基于遗传算法的多播路由优化算法,采用可变长度染色体(多播树)和基因(路径)应用于编码问题。该算法在满足带宽和时延约束条件下寻找代价最小的多播树。仿真实验证明该算法能快速找到最优解,收敛速度快,可靠性高,能够满足多媒体网络对实时性的要求。     

基于遗传算法的QoS多播路由优化算法

研究了带宽、延时、延时抖动和分组丢失率约束以及费用最小的QoS多播路由优化问题,提出了一种启发式遗传算法、该算法采用可变长度染色体(路由串)和它的基因(节点)应用于编码问题。交叉操作在交叉点进行部分染色体(部分路由)交换,变异操作维持种群的多样性。该算法采用简单维护操作维护好所有的不可行的染色体,交叉操作和变异操作相结合保证了最优解的搜索能力和解的全局收敛性。计算机仿真实验证明该算法快速有效,可靠性高。     

一种基于遗传算法的QoS组播路由算法

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,提出了一个基于遗传算法来构造满足QoS需求的组播路由树算法。通过仿真研究,证实了该算法的可行性、有效性及健壮性。同时,对遗传算法参数与算法性能之间的关系进行了讨论。     

基于蚁群遗传混合算法的QoS组播路由

具有延迟、延迟抖动、带宽、丢包率等服务质量约束的组播路由问题具有NP完全的复杂度。基于蚁群优化算法和遗传算法,提出解决QoS约束组播路由问题的混合算法。利用遗传算法和蚁群优化算法各自的优点,使用蚁群优化算法选择种群,遗传算法优化蚂蚁遍历所得到的解。仿真实验结果表明,该算法可满足各个约束条件,且全局寻优性能好,能够满足网络服务质量要求。     

基于粒子群优化的QoS组播路由算法

QoS(QualityofService)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。论文将基于群智能演化计算技术的粒子群优化算法用于此类问题的求解。算法引入了交换,插入,删除,增量等操作算子和操作算子序列等概念,并在此基础上对基本的粒子群优化算法进行改进,使之适合于QoS组播路由的求解,仿真结果显示,该算法取得了满意的效果,在寻优速度上优于遗传算法。     

基子改进的遗传算法的选播QoS路由算法研究

针对选播的QoS路由选择问题，本文提出了一种基于改进的遗传算法的多约束选播路由优化算法。该算法在满足带宽、延时、时延抖动和包丢失率的条件下。可寻找花费最小的路径。网络仿真实验证明：该算法操作简单，结果可行且有效。     

小生境自适应遗传算法在QoS多播路由中的应用

建立QoS多播路由的数学模型,引入遗传算法并设计多种改进方案,包括新的编码方案、适应度函数设计方案、初始化群体方案、小生境技术、自适应交叉与变异概率设计方案以及有选择计算个体适应度设计方案。仿真结果表明,该算法有较好的性能,能够满足QoS多播路由问题的多重约束条件,能大幅提高QoS多播路由选择的效率。     

小生境自适应遗传算法在QoS多播路由中的应用

建立QoS多播路由的数学模型,引入遗传算法并设计多种改进方案,包括新的编码方案、适应度函数设计方案、初始化群体方案、小生境技术、自适应交叉与变异概率设计方案以及有选择计算个体适应度设计方案。仿真结果表明,该算法有较好的性能,能够满足QoS多播路由问题的多重约束条件,能大幅提高QoS多播路由选择的效率。     

基于混沌遗传算法的组播路由优化研究?

在采用混沌遗传算法优化多目标QoS组播路由时,为克服Logistic映射收敛速度不快,而使传统混沌遗传算法优化效果不好的缺陷,将Tent混沌遗传算法引入QoS组播路由问题的求解中。该算法利用Tent混沌映射优越的区间均匀搜索能力,对通过遗传优选出的个体再次进行混沌优化,优化出适应度最高的个体进行交叉变异,从而保证足够多的下一代,以致算法不会陷入早熟。仿真结果表明,该算法优于Logistic混沌遗传算法,有效地改进了搜索效率,且收敛速度更快、更稳定。     

基于遗传模拟退火算法的QoS组播路由算法

提出了一种基于遗传模拟退火算法的带宽、时延和时延抖动约束费用最小的组播路由选择方法，该方法针对遗传算法的局限性，采用基于备选路径集的整数队列编码机制，对适应度函数进行了调整，改进了交叉和变异操作，结合了模拟退火算法。实验表明，该算法能够有效地提高收敛速度、避免早熟收敛、满足多媒体网络对相应QoS的需求。