基于蚁群优化的ZigBee传感器网络QoS路由算法

针对ZigBee无线多媒体传感器网络(WMSNs)资源受限的特点,提出一种改进的基于蚁群优化的QoS路由算法AZ-WMSN-QR.其核心思想是通过加权法将通信时延、时延抖动及能量均衡性等QoS指标组合成一个主目标,进而评估链路的QoS主目标值,寻找符合QoS需求的目标值最大的路径,实现服务质量最优.仿真显示,AZ-WMSN-QR算法在多约束QoS路由问题上能实现网络资源优化组合,与基本蚁群路由算法相比,不仅能够减少网络总能耗,还能有效延长网络寿命,更适用于基于ZigBee的WMSNs.     

蚁群算法在QoS组播路由问题中的应用

研究了该算法在QoS组播路由问题中的应用,描述了QoS路由优化问题。基于多个不相关可加度量的QoS路由问题是NP完全问题,目前采用的方法多为启发式算法。由于蚁群算法是一种基于蚁群系统原理的、具有自组织能力的、新型的启发式优化算法,利用其能够寻找最短路径这一特性,提出了一种基于蚁群系统原理,用于解决时延和时延抖动约束问题的组播路由问题的QoS组播路由算法。该算法改进了路径选择策略,优化了信息素更新公式。仿真结果表明,该算法能够迅速、准确地找到最优解。     

一种基于改进蚁群的QoS组播路由算法

QoS路由的任务是在网络中寻找一个路径,使其能满足带宽、时延、时延抖动、丢包率和费用的限制。本文给出了一种FALP算法,算法先由蚁群算法创建备选路径集最终得到较优路由选择。     

WSN中基于蚁群算法的QoS路由协议

蚁群算法的随机自适应性使得它很适合应用于无线传感器网络( WSN)环境中,所以本文针对WSN中的数据拥塞、传输延迟、能量消耗等问题,提出了一种基于蚁群算法的QoS路由协议.协议将如何搜索最佳路径问题抽象为组合规划问题,根据最小费用流规则定义了高带宽和低时延路径的判决条件,利用蚁群优化算法,寻找到不同目标函数的路径,达到...     

基于改进蚁群算法的无线Mesh 网QoS 路由算法研究

目前,无线Mesh网络正成为无线网络研究中的一个热点。Quality of service（QoS）是无线Mesh网络中的一个非常重要问题,而QoS路由技术是解决这一问题的关键技术之一。本文就蚁群算法进行研究和改进,并将改进后的算法应用于无线Mesh网络QoS路由问题,进而提出了无线Mesh网络QoS路由算法,通过实验证明该算法能够对QoS提供较好的支持。     

AntNet的多路径QoS路由算法研究

以AntNet算法为基础,介绍了蚁群网络路由的问题模型和数据结构,通过引入QoS约束机制,提出了一种基于AntNet的多路径QoS路由算法. 该算法采用具有带宽和时延QoS约束的新规则进行节点选择,并利用改进的节点信息更新规则以及根据路由表中概率值随机地选择相邻节点转发数据包. 性能分析和模拟结果显示,基于AntNet的多路径QoS路由算法具有较快的收敛速度和较好的鲁棒性,能够自适应网络状态的动态变化,同时考虑了QoS约束和负载平衡问题     

具有时延约束网络路由问题的自适应蚁群优化算法

高速多媒体网络中的路由问题是有QoS约束的路由问题,满足一个或多个约束的路由问题是NP-完全问题,其中,具有时间延迟约束的QoS路由问题是一个极具代表性的问题。本文给出了一种求解具有时间延迟约束的QoS路由问题的自适应蚁群算法。该算法在种群中采用基于目标函数值的启发式信息素分配策略和根据目标函数自动调整蚂蚁搜索路径的行为。比一般蚁群算法具有更强的鲁棒性和全局优化能力。理论分析和仿真实验表明,该算法是有效的网络QoS路由算法。     

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。     

基于双向分工蚁群算法的QoS路由算法

针对蚁群算法在QoS路由应用上的收敛速度慢和易陷入局部最优等缺陷,提出一种基于双向分工蚁群算法的QoS路由算法,在算法中引入路径变异策略,进行二次蚁群寻优,并实行双向搜索的分工机制,使算法保持更好的多样性特征,有效抑制算法过早收敛,提高全局寻优能力和收敛速度,使QoS路由优化问题得到很好地解决.     

基于文化算法的无线Mesh网络QoS路由算法

无线Mesh网络QoS路由问题是一个非线性的组合优化问题,已证明该问题是NP完全问题.提出一种新的基于文化算法的无线Mesh网QoS路由算法(CA PSO QoSR).该算法利用文化算法的双重演化机制,在群体空间中采用粒子群优化算法作为演化策略,在信念空间采用遗传操作实现精英解集的迭代更新,通过信念空间中不断进化的精英解信息指导群体空间的搜索.仿真实验说明新算法能够在无线Mesh网QoS路由中取得良好的效果,与其他代表性算法的对比结果验证了新算法更能满足QoS路由中带宽、时延和时延抖动等重要指标,具有较好的全局寻优能力.     

一种新的基于自适应蚁群算法的QOS单播路由策略

分析现有的路由策略的不足的基础上，提出了一种基于自适应的蚁群算法的新的路由策略，该策略将蚁群算法、带宽和时延波动约束控制结合控制路由选择，仿真结果表明该策略与Static Routing和Session Routing相比具有更优的时延和丢包率。能够有效的提高网络的服务质量。     

基于蚁群算法的中国旅行商问题满意解

蚁群算法是基于群体合作的一类仿生算法，适合于解困难的离散组合优化问题。本文对其做了适当的改进，以克服其求解速度过慢、容易出现停滞的缺陷，并将其用于解决中国旅行商问题。找到了目前巳知的最好的解，同时指出了进一步提高蚁群算法效率还需解决的问题和方向。     

蚁群优化算法在物流车辆调度系统中的应用

根据对蚁群算法进行的深入研究,指出了蚁群算法在解决大型非线性系统优化问题时的优越性。通过仔细分析遗传算法和粒子群算法在解决物流车辆调度系统问题的不足之处,基于蚁群算法的优点,并根据物流车辆调度系统自身的特点,对基本蚁群算法进行适当的改进,给出算法框架。并且以线性规划理论为基础,建立物流车辆系统的数学模型,给出调度目标与约束条件,用改进后的蚁群算法求解物流车辆调度系统的问题,求得最优解,根据最优解和调度准则进行实时调度。使用Java语言编写模拟程序对比基于改进粒子群算法和改进蚁群算法的调度程序。通过对比证明了所提出的改进蚁群算法解决物流车辆调度优化问题的正确性和有效性     

多选择背包问题的求解算法探讨

本文简介了三种基本算法:动态规划、遗传算法、蚁群算法.给出了用这三种算法解决多选择背包问题的基本原理及求解步骤.并分别对其进行优缺点评述,指出在规模较大时用改进的遗传算法或蚁群算法较好.     

改进的重叠蚁群优化算法

针对蚁群优化算法在进行全局最优解搜索时容易陷入局部最优解和收敛速度缓慢等缺陷,提出了一种有效求解全局最优解搜索问题的重叠蚁群优化算法。该算法通过设置多个重叠的蚁群系统,并对每一个蚁群初始化不同的参数,之后在蚁群之间进行信息素的动态学习,增强了不同蚁群对最优解的开采能力,避免了算法出现早熟现象。仿真实验结果表明,重叠蚁群优化算法在避免陷入局部最优解方面具有良好的效果,是一种提高蚁群算法性能的有效的改进算法。     

基于进化蚁群算法的移动机器人路径优化

针对蚁群算法进行路径规划中出现的运行时间长、搜索效率低和容易出现死锁的问题,提出一种基于达尔文进化论思想的蚁群算法.首先,针对空白栅格搜索效率低的问题,提出一种蚁群算法简易模式;然后在启发函数中引入目标影响因子和障碍物影响因子以提高算法的全局搜索能力,避免陷入死锁;最后利用达尔文的进化论改进蚁群算法的信息素更新规则用于加快算法的迭代速度,缩小运行时间.在不同规模的栅格地图环境下的实验表明,所提出的进化蚁群算法能够加快迭代速度,提高搜索效率,实现最优路径并避免算法死锁问题.     

蚁群算法在时延约束选播路由问题中的应用

在分析选播通信服务的基础上,研究了蚁群算法在网络选播路由问题中的应用,提出了一种基于蚁群系统原理,用于解决有时延约束的选播路由问题。算法采用调整最优解路径上的信息素和算法重启策略,较好地解决了蚁群算法易于陷入局部最优的问题。仿真实验结果表明,该算法是有效且切实可行的,它可以在满足延时约束的条件下迅速找到最优解。     

基于改进信息素的蚁群算法在QoS 组播路由中的研究

针对传统的蚁群算法在求解大规模旅行商问题时容易导致搜索时间过长或陷入停滞的问题,提出了一种基于改进信息素的蚁群算法。通过蚁群算法的改进,使得每轮搜索之后的信息素都能更好地反映解的质量。实验仿真结果表明,改进后的蚁群算法能获得比传统的蚁群算法更优的解,同时具有更快的收敛速度和较好的稳定性。     

一种自适应分组的蚁群算法

蚁群优化算法是一种能应用于求解旅行商问题（Traveling Salesman Problem,TSP）的智能算法,但蚁群算法在求解TSP路径规划问题中存在收敛速度慢、易陷入局部最优解问题,而将蚂蚁算法的蚁群分组,能增加全局搜索能力,提高求解路径规划性能。通过分析蚁群分组大小与蚁群算法性能的关系,并提出了一种自适应分组蚁群算法,采用一种随迭代分组数减少策略方法,并将其应用于对TSP路径规划问题求解。通过实验结果对比表明,自适应分组蚁群算法在收敛速度和搜索质量方面都有了明显提高。     

混合智能算法在多约束优化问题中的应用*

提出了一种将蚁群算法、遗传算法和粒子种群优化融合的混合智能算法来解决多约束最优路径和QoS路由问题。采用蚁群算法进行寻径生成初始群体,利用遗传算法对路径进行优化,利用PSO算法来优化蚁群算法中的信息素,优势互补。仿真结果表明该算法是可行、有效的。