参数可调的克隆多播路由算法

近年来,时延受限的代价最小多播树问题备受关注.到目前为止,BSMA(bounded shortest multicast algorithm)算法被认为是最好的受限多播路由算法;然而,过长的计算时间限制了其应用.作为一种全局优化算法,遗传算法(genetic algorithm,简称GA)被越来越多地应用于多播路由问题.与传统的算法相比,遗传算法的全局搜索能力更强,但其易"早熟"的特点使它并不总是能得到最优多播树.提出的基于克隆策略的多播路由算法,有效地解决了"遗传"多播路由算法中的"早熟"问题,并通过引入一个可调因子缩小了搜索空间,加快了算法的收敛速度.算法实现简单、控制灵活.仿真结果表明,该算法的性能优于BSMA算法和传统的遗传算法.     

基于量子遗传退火策略的多播路由优化模型及其算法

针对网络通信中带时延约束的多播路由问题,提出了一种基于量子遗传退火策略的路由算法。文中对路由选择问题的优化模型进行了描述,并深入研究了量子遗传退火及其在多播路由选择优化问题中的应用。仿真实验表明,与基于遗传算法的多播路由算法相比,该算法具有更快的收敛速度和更好的全局寻优能力。     

基于量子遗传算法的QoS多播路由算法

QoS多播路由算法的核心问题就是建立满足QoS约束的多播树,它是计算机网络中著名的受约束最小Steiner树问题,是一个NP完全问题。量子遗传算法是基于量子计算理论的新型遗传算法,基于量子遗传算法的基本原理,提出了QoS约束的多播路由算法（QoSMR-QGA）,并详细介绍了QoSMR-QGA算法的实现过程。仿真实验表明,该算法具有较好的算法收敛性和多播路由成功率。     

改进算子的遗传算法在QoS多播路由优化上的应用

针对QoS多播路由问题提出了一种改进遗传算子的遗传算法,通过设计多样性维持机制的选择算子、与代数相关的交叉算子和与个体适应度相关的变异算子,有效地解决了传统遗传算法应用于多播路由优化时的早熟收敛问题。实验结果显示,在随机网络中,该算法所获得的解与最优解的相对误差不超过1．0％,算法的收敛速度和寻优能力明显优于传统遗传算法。     

混合量子遗传算法及其在VRP中的应用

物流配送车辆路径问题(VRP)是一类典型的NP问题.针对提高寻优能力问题,构造了一种混合量子遗传算法(HQGA),即在传统量子遗传算法(QGA)随机全局搜索的基础上引入一个免疫算子,通过该算子的局部搜索操作实现线路内次序的再优化.给出了该算法的具体实现方法和流程,并用实例进行测试.仿真结果表明混合量子遗传算法的寻优性能优于传统量子遗传算法(QGA)及文献中的其它方法,可以避免出现早熟收敛,是求解车辆路径问题的一种有效的算法.     

带度约束的最小直径应用层多播路由问题的启发式遗传算法

由于IP多播难以在因特网环境中配置,应用层多播作为IP多播的一种替代方案得到越来越多的研究。从网络设计的角度来看,应用层多播在网络代价模型及路由策略方面与传统的IP多播有很大区别。本文研究了带度约束的最小直径应用层网络多播路由问题,提出了解决该问题的启发式遗传算法。通过大量仿真实验,我们对比分析了两种贪婪算法法和遗传算法的性能。实验显示,启发式遗传算法具有较好的性能。     

Ad Hoc网络中基于捕食逃逸PSO的QoS多播路由算法

求解两个或多个限制参数的QoS多播路由问题,已被证明为NP-complete问题,而随着Ad hoc网络中多媒体和实时应用需求的不断提升,有效的QoS多播路由算法成为重要研究内容.针对Ad hoc网络的动态性和QoS参数的多样性,给出一种解决该问题的捕食逃逸PSO方法,算法通过对MAODV路由发现过程发现的QoS有效路径进行编码和寻优处理,借助于捕食逃逸行为使算法能够以较大概率获取全局最优QoS多播路由.在NS2平台上的仿真结果表明了捕食逃选PSO解决Ad hoc网络QoS多播路由问题的可胜任性.     

可扩展的多目标最优化多播路由

提出了一种提高多播可扩展性的新思路——将多播可扩展性作为一个最优化目标引入到多播路由算法的设计中,采用多目标最优化路由算法,提高现有多播可扩展性方法的效率.采用多目标最优化路由设计方法对AM(aggregated multicasc)和DTM(dynamic tunnel multicast)两种方法进行改进,给出了相应的最优化目标、启发式多目标最优化多播路由算法和多目标最优化多播路由遗传算法.对于AM方法,使用该算法可以有效地减少汇聚多播树的数量;对于DTM方法,使用该算法可以有效地增加非分枝节点的数量,减少多播状态.     

一种基于遗传算法的QoS多播路由算法

深入研究基于遗传算法的QoS多播路由算法,建立支持QoS的多播路由模型.对已有的QoS多播路由算法进行优化,提出适用于下一代网络的基于遗传算法的QoS多播路由算法.采用定长的染色体编码和预处理机制降低算法复杂度.仿真试验表明,该算法收敛速度快,可靠性高,能够更好地满足多播业务的需要.     

并行量子遗传算法在QoS组播路由中的应用

随着网络通信技术的发展和Internet的普及,性能出色的组播路由越来越重要.著名的组播路由Steiner树问题是NP完全问题,应采用启发式方法求解.文中在常规量子遗传算法中引入并行进化模型,提出了一种解决多约束QoS组播路由优化问题的算法.在满足带宽、时延约束条件下寻找代价最小的组播树,并合理安排节点负荷,减少通信开销.仿真实验结果表明本算法搜索速度快、全局寻优能力强,性能和效率优于常规量子遗传算法.     

量子克隆遗传算法

遗传算法是解决优化问题的一种有效方法,但在实际应用申也存在着收敛速度慢、早熟等问题,使得其结果极不稳定。本文将遗传算法和量子理论相结合并利用免疫系统申所特有的克隆算子,针对0／1背包问题,提出了一种改进的进化算法-一量子克隆遗传算法（QCA）。它能有效地避免早熟,且具有收敛速度快的特点。     

A Delay-Constrained Least-Cost Multicast Routing Heuristic for Dynamic Multicast Groups

Many new multimedia applications involve dynamic multiple participants, have stringent end-to-end delay requirement and consume large amount of network resources. In this paper, we propose a new dynamic delay-constrained least-cost multicast routing algorithm (DDCLCMR) to support these applications. When group membership changes, the existing multicast tree is perturbed as little as possible. Simulation results show that DDCLCMR performs very well in terms of cost for both, static and dynamic multicast groups, when compared to the best multicast algorithms known. Our evaluation of the cost performance of the algorithms showed that DDCLCMR is always within 10% from BSMA which has the best cost performance among all the proposed delay-constrained static multicast heuristics, while NAIVE, the well-known dynamic multicast routing algorithm, is up to 70% worse than BSMA in some cases.     

求解动态组播路由问题的混合优化遗传算法

分析了具有网络时延和时延抖动限制的动态组播路由问题的数学模型。在此模型的基础上提出了一种基因库(GP)与传统遗传算法(GA)混合的优化算法GP-GA。该算法利用基因库保存进化过程中得到的解路径以指导后继进化过程,同时改进了交叉和变异算子来加快算法的收敛速度。考虑到问题可能陷入的局部最优情况,又构造了基于“保留和不保留”的进化控制策略来增强寻优能力,很大程度上避免了算法“早熟”现象的发生。大量的仿真实验表明：GP GA算法相对现有的遗传算法求得最优解的概率更高,相对于动态的组播环境也有很好的代价性能。     

并行量子遗传算法在QoS组播路由中的应用

随着网络通信技术的发展和Internet的普及,性能出色的组播路由越来越重要。著名的组播路由Steiner树问题是NP完全问题,应采用启发式方法求解。文中在常规量子遗传算法中引入并行进化模型,提出了一种解决多约束QoS组播路由优化问题的算法。在满足带宽、时延约束条件下寻找代价最小的组播树,并合理安排节点负荷,减少通信开销。仿真实验结果表明本算法搜索速度快、全局寻优能力强,性能和效率优于常规量子遗传算法。     

多媒体通信中带度约束的多播路由算法

随着多媒体业务的发展,多播技术应用日益广泛,多播路由是要寻找连接源节点和一组目的节点的一棵多播树,这个问题在数学上归结为Steiner树问题,它是一个NPC问题。在实际网络中,网络节点具备不同的多播能力,有些节点不支持多播,有些节点支持多播,但为了保证网络速度和节点负载平衡,支持多播的节点要限制其复制信息的数量,即节点的多播能力受限。在这种情况下,寻找多播树变得更加困难,该文用节点的约束来表示敏个节点具备的多播能力,节点多播能力受限情况下的多播路由问题被称为带度约束的多播路由问题,其仍是一个NPC问题。该文提出了一种求解带度的约束多播路由问题的双层遗传算法。算法的基本思想是最优多播树应是一棵满足度约束的最小生成树,因此问题的关键在于如何找到包括在最优生成树中的Steiner节点。遗传算法 采用二进制编码方式,内层算法用于求解满足度约束的最小生成树;外层算法进行全局搜索。该文将算法在稀疏图上进行实验,为了更好地模拟真实网络,稀疏图中每个节点具有不同的多播能力,并且多播目的节点数目相比于网络节点数要小。实验对算法进行了三方面比较：（1）解的质量;（2）计算时间;（3）算法的收敛性。实验结果表明,文中提出的遗传算法能够找到费用较小的多播树,但是当网络规模增大时,算法的求解时间也较长。     

一种新的基于混沌神经网络的组播路由算法

探讨了在高速包交换计算机网络中,具有端到端时延及时延抖动限制的组播路由问题,提出了基于混沌神经网络的组播路由优化算法。所提出的方法具有许多优良特性,即暂态混沌特性和平稳收敛特性,能有效地避免传统Hopfield神经网络极易陷入局部极值的缺陷。它通过短暂的倒分叉过程,能很快进入稳定收敛状态。通过计算机仿真,和其它的一些方法进行了对比,结果表明：该算法能根据组播应用对时延和时延抖动的要求,快速、有效地构造最优组播树,具有较强的实时性。     

基于量子遗传算法的移动机器人的一种路径规划方法

以人工势场法和栅格法为基础,考虑到遗传算法的“收敛速度慢”和“早熟收敛”问题,提出了一种基于量子遗传算法的机器人路径规划方法。该方法采用栅格法进行路径规划,利用人工势场法控制移动机器人,利用量子遗传算法选择最优或次优个体,并且引入双适应度评价函数评价进化个体,为最优或次优个体进入下一代提供了保障。仿真实验表明,该方法的寻优能力及稳定性均优于遗传算法和量子遗传算法,且具有更好的收敛性以及更强的连续空间搜索能力,适于求解复杂优化问题。