一种基于杂草优化的全局Web服务选择算法

随着网络中的Web服务数量的暴增,基于QoS的服务选择成为保证组合服务质量和可靠性的关键环节。针对当前服务选择算法全局优化能力弱的问题,将服务选择建模为带约束的非线性最优化问题,并提出一种基于杂草优化的服务选择算法。首先随机产生一组服务选择可行解并将其编码为杂草个体,进而根据个体的QoS效用值确定个体的繁殖数,最后以高斯分布方式指导种群的扩散完成对解空间的快速搜索。理论分析与实验结果表明,该算法有效性和鲁棒性强,可获得相较于已有文献更优的全局解。     

基于VNF组合的服务功能链设计及映射算法

为优化网络功能虚拟化中服务功能链的设计和映射过程,提高物理资源利用率,提出一种基于虚拟网络功能(VNF)组合的服务功能链设计及映射算法A-VNFC.使用整数线性规划(ILP)模型,在小规模物理网络中求出目标函数总带宽消耗(TBC)的最优解,寻找可组合的VNF,并利用VNF决策树检查所有组合策略,通过迭代和优化降低TBC.仿真结果表明,A-VNFC算法可在不同场景下有效降低带宽消耗,其TBC数值接近ILP模型获得的最小带宽消耗值.     

基于移动边缘计算环境下的服务缓存和任务调度联合优化算法

在移动边缘计算中,在资源有限的边缘设备上对服务缓存和任务执行进行合理的决策能够大幅度地提高卸载效率和减少应用程序的处理时延。针对边缘计算环境下服务缓存与任务卸载决策问题,建立网络模型和服务缓存模型,定义关联的边缘设备、协作的边缘设备任务执行时延及远端云数据传输和任务执行的时延,提出一种联合优化算法来求解任务执行时延约束条件下的服务缓存决策最优解。该算法采用粒子群优化Particle Swarm Optimization（PSO）,将移动用户的任务按照整数编码,优化任务处理时延适应度和粒子速度更新,缩短任务延迟时间。仿真实验结果表明,联合优化算法取得相比其他策略完成时间更少且能适应大规模任务调度的效果。     

基于覆盖网络模型的跨领域组合服务优化问题研究

对基于覆盖网络模型的跨领域的组合服务优化问题进行了深入研究。首先考虑到跨领域策略路由的影响因素,将跨领域组合服务优化问题建模为带有功能约束和多QoS约束的多目标优化问题。然后利用层次算法和蚁群算法求解,先利用层次模型解决功能约束中的服务次序问题,再用改进的蚁群算法在层次模型中求出最优解集。仿真实验表明,随着进化代数的递增,非支配解在解集空间中呈均匀分布状态,说明求解算法的性能较好,跨领域组合服务优化策略具有可行性。     

基于改进蚁群算法的服务组合优化

为进行服务组合优化及适应服务组合优化过程中Web服务的动态性、不稳定性以及多种QoS属性限制等问题,提出一种多信息素动态更新的蚁群算法MPDACO,包括MPDACO局部优化算法和MPDACO全局优化算法,该算法基于建立的服务组合模型,在基本蚁群算法基础上进行研究和改进,可以适应服务组合优化过程中发生的服务无效以及服务中QoS变化等情况.另外,为使算法能较快地收敛于最优解,在实验基础上对蚁群算法策略进行了改进.为验证以上算法的有效性,在一个旅游领域的服务推荐系统中对算法进行了仿真实验,实验结果表明文中提出的算法较基本蚁群算法及一种应用于服务选择的遗传算法有更好的性能.     

宽带IP网络基于QoS的路由算法

文章简要介绍了网络服务质量路由问题,研究了一种在综合服务(IntServ)网络模型下保证服务质量的路由算法,并对该算法提出了一定的改进,从而提高了算法的性能。     

基于SPEA2+算法的Web服务选择研究

服务选择算法是影响组合服务的QoS和服务组合性能高低的关键因素。针对将多维QoS属性加权聚合为一个目标函数进行优化的选择算法不能实质性地解决基于QoS的Web服务选择问题,采用改进的强度Pareto进化算法（SPEA2+）多目标优化求解该问题,设计了一种Web服务选择算法。该算法在满足声誉、可靠性和可利用性属性的约束下,同时最小化服务时间T和服务费用C,以产生Pareto最优解集。通过与运用SPEA2算法求解该问题的实验对比,表明了两算法所获取的Pareto最优解集中QoS属性T和C各均值各有优劣,用户可依据对T或C的偏好择优选择。     

基于人工蜂群优化的支持向量机模型在Web服务QoS预测中的应用

在开放的网络环境下,Web服务的服务质量QoS具有很强的动态性。为了提高服务QoS的准确性,为服务选择、服务组合提供可靠的QoS信息,在考虑Web服务所处的网络环境和所要处理任务的特征对服务QoS影响的前提下,提出一种基于人工蜂群优化的支持向量机QoS动态预测方法。该方法首先对人工蜂群算法进行改进,提出了面向观察蜂的免疫选择机制和面向侦查蜂的改进逃逸机制;然后,采用改进的人工蜂群算法对支持向量机的参数进行优化;最后采用优化的支持向量机预测Web服务处理具体任务时的QoS。实验结果表明,该提出的QoS预测方法具有较好的预测速度和精度。     

基于用户需求特征的Web服务动态组合方法研究

为了解决以满足用户需求为目标的动态服务组合问题,适应Web服务组合过程中的动态性、不稳定性,提出了一种基于用户需求的改进蚁群算法。算法包括两个优化的过程,局部优化规则和全局优化规则,分别保证得到局部的最优解和全局的最优解,保证服务选择过程的趋优性,尽可能满足用户对服务的多个需求特征要求。另外,改进了蚁群算法的信息素更新策略。本文还通过模拟实验测试,证明本文中提出的算法性能高于普通蚁群算法应用于该领域的性能。     

具有局部和全局QoS约束的Web服务选择

提出一种具有局部和全局QoS约束的Web服务选择算法.将基于QoS的Web服务选择问题建模为带QoS约束的多目标组合优化问题,使用局部QoS约束过滤不满足约束条件的候选服务,通过归档式多目标模拟退火(AMOSA)算法同时优化多个QoS目标函数以产生一组Pareto优化解,利用全局QoS约束筛选出满足约束条件的Pareto最优解集.实验结果证明了该算法的有效性.     

车辆路径优化问题及求解方法研究综述

车辆路径优化问题一直以来是物流研究领域的一个热点和难点.现实生活的许多问题都可看作是车辆路径问题(VRP),因此国内外学者近年来不断提出多种车辆路径优化问题及求解方法以解决愈加复杂的问题.为进一步理清国内外研究现状,对如半开放式VRP、多级VRP、多目标VRP、绿色VRP等车辆路径优化问题,进行了总结分析,然后对车辆路径求解方法进行了介绍,特别地是对元启发式算法进行了较为详细的综述.最后,面向车辆路径优化问题和求解方法在当前形势下面临的新挑战,展望了一些新研究方向,如多目标优化、多级配送网络、绿色VRP、新型交通工具VRP和算法的通用性.     

Joint topology control and routing for multi-radio multi-channel WMNs under SINR model using bio-inspired techniques

Multi-channel communication in a wireless mesh network (WMN) equipped with multi-radio routers can significantly enhance the network capacity. Channel allocation, power control and routing are three main issues involved in the performance of multi-channel multi-radio WMNs. In this paper, the joint optimization of channel allocation, power control and routing under signal-to-interference-and-noise ratio (SINR) model for multi-channel multi-radio WMNs is investigated. It is proven to be NP hard. As we know, no optimal polynomial time solutions have been proposed in the previous literatures. In order to tackle this problem, we apply bio-inspired optimization techniques for channel allocation and power control, and use linear programming for routing optimization. To reflect the cross-layer interaction property among these three issues, the routing optimization is further defined as the fitness value of a chromosome in bio-inspired optimization. Further, we propose an effective joint optimization framework, in which two representative bio-inspired optimization methods (genetic algorithm and particle swarm optimization algorithm) are hybridized to enhance the searching ability. The detailed evolution processes for both genetic algorithm and particle swarm optimization algorithm are demonstrated. Extensive simulation results show that the proposed algorithm converges fast and approaches the sub-optimal solution effectively.     

一种QoS平面蚁群路由算法的设计与实现

提高网络服务质量的关键在于寻找出高性能路由,然而传统的路由算法却很难解决此类NP C问题。基于此,本文提出一种基于改进后的自适应蚁群算法的路由解决方案,将路由问题假设为平面路由,并建立相应的网络模型。针对该网络模型,建立特定的平面QoS蚁群路由算法,并在MATLAB上对其进行模拟仿真,从而验证了它的性能。仿真实验结果表明,该路由选择方案在求解实际网络路由问题时具有一定的优越性,能够有效地解决QoS平面网络路由问题。     

动态路网选址–路径优化算法及实现

针对路段通行时间随旅行时段变化的实际城市路网环境下的选址–路径问题, 建立其混合非线性整数规划 模型; 并在双层规划模型的基础上, 利用遗传算法进行设施选址, 改进蚁群算法进行车辆路径优化, 提出一种遗传算 法与改进蚁群算法协同的求解方法(GA–IACO). 在路径优化中, 基于NNC算法生成初始可行解集; 采用Max-Min蚁 群系统策略动态更新信息素范围, 降低陷入局部最优的可能性; 并通过模拟退火过程, 对邻域解集按照Metropolis准 则进行接收, 以增强算法的全局搜索能力. 在测试集上的结果表明了算法在时变有向网络上的可行性, 为验证算法 的有效性, 通过构建杭州市路网的富属性网络模型, 在得到路网结点间OD成本矩阵的基础上进行求解, 实验结果表 明, 配送成本平均降低6.92%, 选址–路径规划总成本平均降低7.09%, 所得结论为实际优化决策提供了理论支持.     

时间依赖型车辆路径问题的一种改进蚁群算法

时间依赖型车辆路径规划问题(TDVRP),是研究路段行程时间随出发时刻变化的路网环境下的车辆路径优化.传统车辆路径问题(VRP)已被证明是NP-hard问题,因此,考虑交通状况时变特征的TDVRP问题求解更为困难.本文设计了一种TDVRP问题的改进蚁群算法,采用基于最小成本的最邻近法(NNC算法)生成蚁群算法的初始可行解,通过局部搜索操作提高可行解的质量,采用最大--最小蚂蚁系统信息素更新策略.测试结果表明,与最邻近算法和遗传算法相比,改进蚁群算法具有更高的效率,能够得到更优的结果;对于大规模TDVRP问题,改进蚁群算法也表现出良好的性能,即使客户节点数量达到1000,算法的优化时间依然在可接受的范围内.     

基于改进蚁群算法的WSN路径优化

针对无线传感器网络(WSN)路径优化问题,提出一种改进蚁群算法的WSN路径优化方法,结合遗传算法和蚁群算法的优点,在蚁群算法中引入遗传算法选择、交叉和变异算子,提高算法收敛和全局寻优能力。仿真对比实验结果表明,改进蚁群算法提高了WSN路径优化效率和成功率,有效延长了WSN的生命周期,改善了网络整体性能。     

基于改进粒子群的农田WSN路由优化方法

农田无线传感器网络（WSN）应用环境复杂,影响网络传输的因素包括环境变化、作物生长等。路由协议作为网络数据采集过程中的重要环节,其能耗优化是近年来农田WSN领域的研究热点。传统的能耗优化路由算法多数只针对静态网络环境,难以适用于动态变化的农田监测场景。为此,提出一种基于改进粒子群（PSO）的路由优化算法RD-PSO。将不同的路由传输路径抽象为粒子,根据农田网络能耗、剩余能量、网络传输跳数、链路质量等关键因子构建适应度函数,以提高路径寻优的环境适应性。同时,针对PSO路由随机初始化时迭代效率低的问题,采用反向探测方法确定网络节点的初始化拓扑位置,缩短初始位置与最优解的距离,从而提高算法的收敛速度。实验结果表明,相较ELMR、EEABR和MR-PSO路由算法,RD-PSO算法具有更快的收敛速度,在网络生命周期、能耗均衡效果以及平均传输跳数等方面性能较优,其能提高路由算法在农田动态场景中的适配性。     

基于免疫多目标优化的网络组播路由选择*

为了求得综合性能最优的网络组播路径,提出了一种基于免疫多目标优化的求解方法。算法综合考虑代价、延时、带宽等多个因素;构造了免疫基因库,加快了算法的收敛速度;抗体编码采用实值树型编码,简化了操作;设计了针对此问题的变异算子。实验结果表明,本算法可以较快地求得总体性能最优的网络组播路由,并能提供更多的优良方案。     

一种改进ZigBee算法及在温室监控无线网络中的应用

针对传统ZigBee路由算法中由于RREQ分组洪泛而导致的能量过度损耗和节点失效的问题,提出了一种适用于无线网络的ZigBee路由优化算法。算法通过控制ZigBee节点路由发现过程中RREQ分组的广播方向和广播范围、选择节点剩余能量值和链路质量值较优的节点的方式对ZigBee路由算法进行优化。仿真结果表明优化后的ZigBee路由算法显著的降低了ZigBee网络的能耗,降低了网络中节点失效概率,提高了网络的生存时间。所提出的算法应用于温室监控无线网络中,得到了满意的效果。     

基于改进蚁群算法的物流配送问题研究

对带时间窗的物流配送车辆路径优化调度问题进行了描述,给出了数学模型,在最大～最小蚁群算法的基础之上,提出了一种改进的蚁群算法,在物流配送路径优化问题初始解的构造、路径优化、转移规则、信息素更新方式、算法终止判断等进行了改进,并通过引入信息熵的概念,利用与算法运行过程有关的信息熵的值表示选择过程中的不确定性,来控制路径选择和局部随机变异扰动的概率,以实现算法的自适应调节,同时结合局部优化方法对解进行二次优化,通过这些改进,提高了算法的搜索效率,实验仿真整明了该改进算法的有效性.