粒子群算法及其在路由优化中的研究

粒子群算法已经被广泛应用在各个领域,具有NP-C性质的QoS路由优化已经成为网络研究中的一个热点问题,粒子群算法所具有的优点成为解决QoS路由优化的有效方式.为进一步推广粒子群算法在路由优化上的应用而提供相关启发,在介绍了粒子群算法的基本原理的基础上,详细综述了其各种重要改进算法,并阐述了粒子群算法目前在路由优化上的应用情况,最后对粒子群算法在路由优化上的研究方向作了展望.     

基于二进制编码的蚁群优化算法及其收敛性分析

蚁群优化算法(ACO)是一种解组合优化问题的“元启发式”算法，也是一种结合了正反馈和贪婪搜索的基于种群的新方法。其思想及其应用产生于上个世纪90年代，而“蚁群优化(Ant Colony Optimization)”的确切提出则只有5年左右的时间。作为一种全新的启发式搜索算法，它在TSP，二次分配(Quadratic Assignment)和网络路由上所获得的结果完全可以与其他最优的启发式算法相媲美，甚至超越它们，并已成为当前最成功的群体智能系统之一。     

蚁群优化算法及其应用

蚂蚁算法是由意大利学者M．Dorigo等人提出的一种新型的模拟进化算法。该算法首先应用于旅行商问题并获得了极大的成功,其后,又被用于求解指派问题、Job—shop调度问题、图着色问题和网络路由问题等。实践证明,蚂蚁算法是一种鲁棒性强、收敛性好、实用性广的优化算法,但同时也存在一些不足,如收敛速度慢和容易出现停滞现象等。     

基于VB的蚁群算法及其在网络路由中的应用

蚁群优化算法是一种新型的用于求解复杂组合优化问题的模拟进化算法,已广泛应用于多目标优化、聚类分析、数据挖掘、模糊系统控制等,特别适合网络路由应用.目前该算法的伪码一般均采用MATLAB语言实现,针对MATLAB语言实时效率差,不能脱离环境运行,并且不利于算法和数据的保密.本文在阐述了该算法的基本原理、算法模型的基础上,采用面向对象的VB语言实现该算法的伪码,并对该算法在网络路由问题中的应用进行了总结.     

自适应路由蚁群算法在导弹残骸搜索中的应用

防空导弹飞行试验后弹目残骸有着重要价值.根据残骸搜索的实际需求,把残骸落点纳入到路网中,结合自适应路由算法,改进了基本蚁群算法,解决了靶场残骸搜索的最优路径问题.蚁群算法有收敛性较差、易于过早陷入局部最优等不足,通过构建蚁群、引入信息素约束条件、调整信息素初始值、自适应改变信息素增量等技术,增强了蚁群搜索能力,改善了算法收敛速度.仿真表明该算法易于编程实现,时延小,鲁棒性强,实用性好.     

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。     

基于改进蚁群优化算法的分布式多播路由算法

蚁群优化算法在优化计算特别是在多播路由问题中得到了广泛应用,但在进行大规模优化时,蚁群算法与其它随机优化算法一样,存在着收敛速度慢易于限于局部最小点等缺点。为此,该文提出了一种新的改进蚁群算法。仿真实验表明,应用这种改进型蚁群算法于多播路由问题,可以得到比现有启发式算法更好的结果。     

以蚁群优化为基础的组播路由算法优化

分析组播路由算法和蚁群优化算法,并通过仿真实验评价了以蚁群优化为基础的组播路由算法的优化方法。当路由计算的规模较大时,信息中未搜索到的数量能够减少并趋近0,将路由算法的全局搜索能力降低。蚁群算法中,蚂蚁的数量与算法的全局搜索能力呈正相关,但蚂蚁的数量在增加的过程中会影响其收敛速度。通过蚁群优化组播路由算法,能够在规模的限定下,提高算法的搜索能力。     

基于改进蚁群算法的计算机网络路由优化研究

计算机网络规模的逐渐扩大使数据传输时的延时、丢包等现象日益明显.为了提高网络数据传输的稳定性,降低网络消耗,研究使用蚁群算法解决计算机网络的路由优化问题.同时,为了提高蚁群算法的性能,提出了状态转移规则和信息素更新规则的改进策略,使蚁群算法的收敛速度得到明显提升.仿真结果表明,上述改进蚁群算法可以在较短时间内计算出路由优化的结果,优化成功率较高,非常适合实际应用.     

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。     

MSDP with ACO: A maximal SRLG disjoint routing algorithm based on ant colony optimization

Failure resilience is a desired feature in communication networks, and different methods can be considered in order to achieve this feature. One of these methods is diverse Routing. In this paper, we are going to suggest a sort of diverse routing algorithm, which can find two maximal shared risk link group (SRLG) disjoint paths between a source and a destination node. This algorithm is based on ant colony optimization algorithm, which consists of three parts. These parts are graph transformation technique, finding two maximal edge-disjoint routes and reverse transformation. The final routes are always maximal SRLG disjoint. Simulation results show the efficiency of the proposed method.     

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。     

基于预测模式蚁群优化的传感网节能路由机制

面向传感器网络中时间序列数据的时域关联性特征,针对网内数据流量不均衡分布模式所导致的传输能耗漏斗效应问题,提出了基于预测模式的能量感知数据路由机制。机制的设计结合了蚁群优化机理自适应网络状况动态性的优势和预测模型揭示数据流量变化规律的优势,通过将节点负载因子引入蚁群优化算法中启发式因子的构造和局部信息素更新规则的设计,赋予蚂蚁代理在路由解空间探索中预知网络局域能量状况的能力,提高了数据路由构建的自适应性和能量均衡性。实验表明,论文提出的面向预测模式的路由机制,通过引入蚁群优化机理和挖掘数据内涵的时域关联性,有效降低和均衡了数据路由能耗。     

基于改进ACO与分布式社区检测的WSN路由协议

在无线传感器网络（WSN）的研究中,兼顾能量消耗和数据传输的可靠性是个非常棘手的问题。基于此,将改进蚁群优化的元启发式算法与复杂度低的分布式社群检测的标签传播技术相结合,提出了一种基于改进蚁群优化算法与分布式社区检测的WSN路由协议,新的路由协议在WSN中创建社群,并通过群集智能在社区内传送数据,从而实现能量消耗的平衡,它在构建和维护路由路径时具有较低的内存开销。此外,新的路由协议通过基于数据转发策略中社群之间的确认机制实现数据传输的高可靠性。仿真结果表明,路由协议在实际吞吐量、能量消耗等方面具有明显的优势。     

车辆配送路径优化的新型蚁群算法

构造了求解车辆配送路径优化问题的新型蚁群算法,采用新型的编码方式和转移概率,避免了遗传算法求解该问题所存在的遗传算子设计困难和遗传操作繁琐复杂的现象及现有蚁群算法求解该问题时收敛速度慢的缺陷。通过实例验证了所构建的算法与现有算法相比,不仅操作简单而且具有更好的收敛性。     

混合改进蚁群算法的函数优化

针对蚁群算法进化速度慢、容易出现停滞现象的不足,探讨了一种基于自适应信息素挥发因子的改进蚁群算法.针对蚁群算法容易陷入局部最优的缺点,提出了一种基于决策变量高斯变异的改进蚁群算法.针对蚁群算法速度慢的不足,探讨了一种基于决策变量边界自调整的改进蚁群算法.将上述3种改进相融合,提出了一种基于自适应信息素挥发因子、决策变量高斯变异和决策变量边界自调整3种改进策略的混合改进蚁群算法.将其应用于函数优化中,仿真结果表明,混合改进蚁群算法在收敛速度和收敛率方面都有很大改进,具有更好的寻优性能.     

IEEMARP- a novel energy efficient multipath routing protocol based on ant Colony optimization (ACO) for dynamic sensor networks

In the past few years, research and development in Wireless Sensor networks (WSNs) have gained momentum due to its numerous applications in agriculture, industrial manufacturing, military surveillance, environmental monitoring, consumer electronics, medical & healthcare, disaster recovery operations etc. Dynamic WSNs offer a robust blend of distributed sensing, computing and communication. Dynamic sensor networks are characterized by large scale deployment, dynamic and unstructured topology, power limitations, less memory and limited computational capabilities. Sensor nodes deployed in real-time environment’s for sensing data have power-limitations which hampers the overall performance of WSNs. So, the only obvious solution is to propose an energy efficient routing protocol to optimize WSN real-time performance. Different specialists have proposed various directing conventions for WSNs dependent on Fuzzy Logic, Genetic Algorithms, Meta-Heuristics, and other improvement strategies. However, every solution suggested till date has its advantages and limitations. In this paper, our primary objective is to utilize Swarm-Intelligence based approach i.e. “Ant Colony Optimization (ACO)”, for routing protocol development. Ant colony optimization (ACO) based approach gives optimal solution in terms of efficient routing path determination, energy efficiency and delivering high performance in terms of packet delivery and throughput. In this paper, we propose a novel energy efficient ACO based multipath routing protocol for WSN i.e. IEEMARP (Improvised Energy Efficient Multipath ACO based Routing Protocol). The proposed protocol works in three phases (Neighbor Discovery via Link Knowledge, Packet Transmission via exponentially weighted moving average method and ACKR packet delivery for assuring end-to-end delivery. To validate the performance of the protocol proposed, extensive simulations were conducted using NS-2.35-allinone simulator on diverse parameters like (PDR), throughput, routing overhead, energy consumption and end-to-end delay. In addition to this, the performance of protocol is compared with traditional routing protocols like Basic ACO, DSDV and DSR and other ACO based WSN protocols like ACEAMR, AntChain, EMCBR, IACR, AntHQSeN, FACOR and ANTALG. Simulation based results, clearly states that as compared to Basic ACO, DSDV and DSR, the performance of WSN network is improvised to around 10% in all performance metrics via IEEMARP routing protocol. And as compared to ACEAMR, AntChain, EMCBR and IACR, IEEMARP performs 20% better in overall functionality and almost 10–12% better as compared to AntHQSeN, FACOR, ANTLAG routing protocols in varied WSN scenarios. It is also observed that IEEMARP protocol is highly efficient in TCP packet transmission from source to destination node.

     

基于虚拟蚂蚁的局部优化蚁群算法

蚁群算法在解决一些NPC(Non-deterministic polynomial complete)问题时具有较大的优势,但也存在一些不足,如收敛精度低、收敛速度慢等.为了平衡收敛精度与收敛速度之间的矛盾,提出一种基于虚拟蚂蚁的局部优化蚁群算法.该算法通过降低重复计算资源的比例来提高计算资源的利用率,从而提升较少迭代次数时的精度.对单位信息素和全局更新策略进行调整,使之与所提出的算法匹配.同时,增加两点局部优化算子——点交换和交叉去除,加快收敛速度,进一步提高解的精度.通过约束局部优化算子的参数,减少局部优化的计算量,使整体算法的复杂度与基本蚁群算法大致相当.从最终的实验数据可以得出,所提出的算法在较少迭代次数的情况下可以得出较高的精度,在收敛速度与收敛精度之间实现较好的平衡.     

基于多参数优化ACO的装备零件回收路径

为提高蚁群算法运行效率,缩短回收车辆路径长度,提出用响应曲面法优化算法参数的方法.选取算法中的4个优化变量和1个响应变量进行中心复合实验,运用Design-Expert软件对实验数据进行方差分析并建立回归预测模型,通过3D响应面图分析各参数及其交互作用对路径长度的影响,得到蚁群算法最优参数组合.实验结果表明,算法优化参...