基于蚁群系统的多QoS约束组播路由算法

针对多QoS约束的组播路由问题，借鉴改进的蚁群系统，提出了一种新的QoS组播路由算法QCMR-ACS（QoS Constraints Multicast Routingbased on ACS）．QCMR-ACS通过构建确定性选路概率函数和基于Prufer编码的变异操作，加速算法的收敛速度；对信息素实行多个独立QoS约束的惩罚性更新策略，使算法满足用户的QoS要求；考虑到网络实际应用，算法设计中引进了基于链路利用率的负载均衡和拥塞规避重路由策略，提高算法的鲁棒性．实验结果表明QCMR-ACS是一种正确、有效的QoS组播路由算法．     

基于粒子群算法和拥塞控制的移动路由选择方案

基于不同的业务类型对QoS性能有不同的要求的特点,设计了一种基于粒子群算法和拥塞控制的移动路由选择方案。仿真实验表明,该方案可以实现移动路由最优路径选择,同时降低网络中的拥塞概率,保证业务QoS。     

Ad Hoc网络中基于遗传蚁群算法的QoS多播路由算法

利用遗传算法的快速全局搜索能力和蚁群算法的正反馈收敛机制,把蚁群算法和遗传算法融合起来,提出了一种遗传蚁群算法（GAAC）来解决Ad Hoc网络中QoS路由问题。首先利用遗传算法生成信息素分布,然后用蚁群算法求精解,优势互补,期望获得优化性能和时间性能的双赢。并针对算法应用于Ad Hoc网络QoS路由普遍产生的拥塞问题,采用拥塞回避的策略,从而实现网络业务流负载均衡。仿真表明该算法比其它单一采用蚁群算法进行路由选择更适合于动态Ad Hoc网络环境。     

基于拥塞预规避控制的QoS路由选择算法研究

现有网络常用的路由算法(比如链路状态路由算法)都不具有拥塞预规避控制能力．提出了一种基于拥塞预规避控制的QoS路由算法(QRCP)．该算法对业务流量进行了更为合理的分配，避免或尽量减少对将来业务流的连接请求的影响，最终减少网络的拥塞概率．通过实验仿真，结果表明，该算法在拥塞避免与网络效益上．比现有的最宽一最短(WSP)与最短．最宽(SWP)路径算法具有明显的优越性．     

基于环境感知的多路径路由算法

认知网络能够提高网络端到端的性能,确保服务质量(QoS)要求。而目前普遍使用的路由算法不具备网络认知能力。针对这一问题,提出一种具有认知能力的负载均衡多路径路由算法,该算法结合了Q学习算法和蚁群算法各自的优点,通过蚁群算法完成路径的建立和维护,Q学习算法实现拥塞规避和负载均衡。使用OPNET仿真比较,表明该算法在时延、带宽利用方面均具有较好的性能。     

基于蚂蚁算法的AdHoc网络QoS多播路由

针对当前移动AdHoc网络的特点和基于QoS的多播路由问题,提出一种基于蚂蚁算法的QoS多播路由算法,引入“优奖差罚”的信息素更新机制,克服基本蚂蚁算法收敛速度慢和易于陷入局部最优解的缺点。实验和分析结果表明,该算法可以找到一棵费用趋于最小、状态稳定的多播路由树,提高了带宽利用率,降低了网络时延和端到端代价。     

一种快速规避拥塞的路由算法

为了平衡网络负载,优化网络资源使用,路由算法必须具备快速规避拥塞的能力.文章借鉴了最短路径算法和蚂蚁算法,在拥塞出现以后,分别以拥塞链路的相邻两端节点为中心、以一个事先设定的路径优劣评价函数为标准,通过两组寻路蚂蚁,逐渐增大网络搜索范围,各自独立寻找绕开拥塞链路到达对方的最优相向路径.直到上述找到的相向路径中途相遇(节点集中出现相同的节点),则意味着算法成功找到了绕开了拥塞链路新路径,算法结束.经仿真证明,该算法由于充分地利用了拥塞前的QoS路由信息,加上具体寻路过程利用了蚂蚁算法的并发性,明显节省了QoS路由搜索时间,有效地规避了网络拥塞,提高了网络服务能力.     

基于蚁群优化的无线传感器网络路由算法

路由问题是无线传感器网络的核心问题。该文介绍了一种新的基于蚁群优化的路由算法。解决了无线传感器网络路由过程中节点能量消耗和拥塞控制问题,能够达到更好的负载平衡能力和延长网络生命周期。新算法结合了多蚁群的信息素释放机制和节能策略,还引进多蚁群之间的竞争机制以避免算法的单一收敛,在控制网络拥塞和平衡能量消耗上非常有效。实验结果表明,该新算法和基本的蚁群算法比较有更好的性能。     

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。     

一种基于蚁群算法的WSN路由算法

针对蚁群算法（Ant Colony System,ACS）在无线传感器网络路由中对网络拥塞问题和能量控制方面的不足,提出了一种改进的蚁群算法。该算法将蚁群的信息素与网络节点的能量结合起来,在蚁群算法收敛的同时,减少其最优路径上的信息素浓度,避免了网络拥塞和个别节点能量消耗过快的问题,从而延长了整个网络的生命周期。通过实验验证了该方法的可行性,并给出了实验结果。     

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。     

融合免疫-蚁群的Ad Hoc网络QoS多播路由

针对Ad Hoc网络中带QoS约束的多播路由问题,提出了一种基于免疫蚁群算法的QoS多播路由发现算法。利用人工免疫算法的快速全局搜索能力寻找较优解,生成初始信息素的分布,加快收敛速度;通过蚁群算法的正反馈收敛机制求得精解,借鉴抗体排斥度的思想避免算法陷入局部最优。仿真结果表明,该算法具有较好的收敛性和寻优能力,适应于Ad Hoc网络环境的变化。     

基于量子蚁群算法的带约束QoS多播路由

针对带约束服务质量多播路由在带宽、延迟等方面的需求,提出一种基于量子蚁群算法的多播路由优化方法。该方法结合量子计算和蚁群算法的特性,采用量子比特的概率幅表示蚂蚁当前位置信息,设计一种动态调整旋转角策略对蚂蚁信息素进行更新,使蚂蚁能够快速寻找到满足约束的可行路径,并避免陷入局部最优。仿真实验结果表明,该算法在寻优能力和收敛速度上表现较好。     

改进的蚁群算法在QoS网络路由中的应用

基本蚁群算法求解多约束的QoS网络路由时速度慢,容易出现早熟收敛和停滞现象,将信息素适量更新与变异的蚁群算法应用到网络路由问题中,使得每轮搜索后信息素的增量更好地反映了解的质量,实验仿真表明该思想的引入加快了收敛速度,在很大程度上弥补了基本蚁群算法在解决网络路由优化问题时出现的不足。     

一种覆盖网多QoS约束均衡的路由算法

覆盖网服务质量（QoS）路由是覆盖网研究的关键问题,在多QoS约束均衡和网络资源优化的基础上,提出一种多QoS约束均衡的路由算法。该算法考虑包括节点和链路在内的多种QoS约束因素,使用层次分析、参数归一等方法解决多个QoS参数权值分配问题。同时根据覆盖网络特点采用资源均衡的方法,对链路带宽及节点计算能力2种QoS参数资源进行均衡。利用随机拓扑实验对时间、代价、资源利用率等性能指标进行验证,并与同类算法进行比较,结果表明,该算法所选择的路径在各项QoS指标都满足的情况下,能较好地均衡网络资源。     

双重约束条件下的WSN路由选择

经典的基于QoS（Quality of Service,服务质量）的WSN（Wireless Sensor Network,无线传感器网络）路由算法往往只考虑了单一的条件限制,如能量、通信跳数、延时等。而在一个复杂的WSN环境中,对于QoS 的需求通常综合了多种条件。这使得现有的路由算法难以选择出实际情况下的最优路由。一种基于动态规划问题的算法被提出,用来解决这一问题。当算法选择最小延时路由时,节点能量和链路丢失率将被作为约束条件。经过证明,算法具有最优性。     

基于服务力向量的发布/订阅自动发现算法

由于SDPBloom自动发现算法无法预先在参与者发现阶段对端点QoS策略的兼容性进行判断,使得各节点和网络中均出现大量QoS不兼容的端点信息,从而消耗过多的内存和网络资源。为解决该问题,提出一种基于服务力向量(SAV)的发布/订阅自动发现算法,利用布隆过滤器向量和SAV对端点主题名、主题类型以及QoS策略进行匹配,以减少不必要信息的传输和存储。实验结果表明,与SDP_ADA和SDPBloom算法相比,该算法具有更低的网络负载和内存消耗。     

群智能在Ad Hoc网络QoS组播路由中应用的研究

通过对Ad Hoc网络QoS组播路由问题的深入研究,提出了一种融合量子粒子群优化和蚁群优化的群智能混合算法(QPSOACO算法)。该算法融合QPSO思想以加速蚁群算法在路由发现及维护时的收敛速度,进一步提高算法对网络节点移动性的适应能力。仿真实验表明,该算法对Ad Hoc网络环境的适应性良好。