多约束QoS组播路由优化算法研究

不确定网络性能参数下的多约束QoS组播路由优化已成为安全组播领域的一个重要研究课题，也是下一代Internet和高性能网络亟待解决的难题。多约束QoS组播路由优化是NP一完全的多目标优化问题。本文概括了多约束QoS组播路由需求，然后重点讨论多约束QoS组播路由优化的约束树算法和智能算法，最后探讨了多约束QoS组播路由将来的一些主要研究方向。     

基于遗传算法的QoS组播路由选择方法

考虑了组播通信服务质量需求与网络资源约束,将满足不同约束的QoS组播路由选择过程转化为一个多目标优化问题,使用一种基于QoS的最小网络费用组播路由树生成算法来寻找最小Steiner树。该方法可以在满足多约束的情况下,寻找费用最小的组播路由树,仿真结果表明该算法有较好的性能。     

智能算法在多约束QoS组播路由优化中的应用

不确定网络性能参数下的多约束QoS组播路由优化已成为安全组播领域的一个重要研究课题,也是下一代Internet和高性能网络亟待解决的难题.多约束QoS组播路由优化是NP-完全的多目标优化问题.概括了多约束QoS组播路由需求,然后重点讨论多约束QoS组播路由优化的智能算法,最后探讨了多约束QoS组播路由将来的主要研究方向.     

基于蚁群优化的分布式Qos多播路由方法研究

提出了一种基于蚁群优化的分布式QoS多播路由算法,蚁群算法是解决多QoS约束组播路由问题的一种启发式算法,多QoS约束的组播路由技术是当前实现分布式网络多媒体的关键技术.给出了该算法实现的步骤,还结合多播路由问题的特点对算法进行了改进.通过仿真实验讨论了该方法的性能,并与传统的蚁群算法对比,证实了该方法的有效性.     

基于混沌遗传的Ad Hoc网络组播路由算法?

针对移动Ad Hoc网络(MANETS)的QoS组播路由优化问题,提出一种基于混沌遗传的组播路由算法。利用混沌变量的遍历性特点对遗传算法的适应度函数进行优化,避免遗传算法出现早熟现象。仿真实验结果表明,该算法具有较好的收敛性和稳定性,能解决多QoS约束下MANETS的组播路由问题。     

基于磷虾群算法的无线传感器网络QoS任播路由算法

无线传感器网络多约束QoS任播路由问题是一个NP难题,提出一种基于磷虾群算法的优化策略来解决该路由问题.该算法采用适应度函数和全局最优个体位置更新方法来寻找无线传感器网络中满足多QoS约束的最优任播路由,并加入遗传繁殖机制中的交叉与变异操作以加快优化速度.实验验证了该算法的有效性,实验数据表明相比较粒子群优化算法,该算法在算法效率和可扩展性性能上具有较好的性能;具有较快的收敛速度,从而适用于对路由选择有时延敏感的网络.     

一种新的混沌蚁群算法及其在QoS组播路由优化问题中的应用

基于QoS的组播路由问题是通过发现具有某种相关性能约束的最佳组播树,来更好地利用网络资源以支持应用的QoS需求,作为以QoS为中心的网络体系结构中不可缺少的组成部分,目前已成为网络研究领域的重要内容和热点问题.针对多约束条件下的QoS组播路由问题,提出一种新的混沌蚁群算法.该算法基于传统的蚁群算法所存在的不足,利用混沌优化算法对蚁群算法的运行参数进行动态地优化选择,自适应地改进了全局搜索能力和收敛性.仿真实验结果表明,混沌蚁群算法比该文提到的遗传算法及蚁群算法在解决多约束组播路由问题上具有更好的性能.     

基于微粒群算法的QoS组播路由算法

文章研究了带宽、延时、延时抖动约束最小代价的QoS组播路由问题,提出了一种基于微粒群优化(PSO)算法[2,5]来设计路由优化算法。该算法采用一种新的整数编码方案,将路由优化问题转化成准连续优化问题,并采用罚函数处理约束条件。给出了应用微粒群优化算法求解QoS组播路由问题的算例,并与遗传算法和改进后的遗传算法进行了比较。计算机仿真实验证明,该算法可以更有效地求得QoS组播路由问题的优化解,可靠性高。     

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。     

基于QPSO的QoS组播路由算法

对带宽、延时、延时抖动约束最小代价的QoS组播路由问题进行了研究，提出一种基于量子行为微粒群优化（QPSO）算法来设计路由优化算法。该算法采用一种节点序列编码方案，将路由优化问题转化成一种准连续优化问题，并采用罚函数处理约束条件。应用QPSO算法求解QoS组播路由问题的算例，并与遗传算法和改进后的遗传算法进行比较。计算机仿真实验证明，该算法可以更有效地求得QoS组播路由问题的优化解，可靠性较高。     

基于遗传模拟退火算法的多约束QOS组播路由优化算法

组播路由问题在计算机网络中是著名的Steiner树问题,是NP完全问题.通过考虑组播通信服务质量需求与网络资源约束,研究了基于服务质量的组播路由选择算法问题,首次提出了一个基于遗传算法和模拟退火算法的多约束组播路由优化算法,该算法在满足带宽、延时、延时抖动及包丢失率约束条件下寻找代价最小的组播树.     

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。     

基于遗传算法的多约束QoS多播路由优化算法

随着大量新型的多媒体在高性能网络、移动网络及Internet中的应用，满足QoS约束的多播路由问题成为越来越重要，它吸引了许多爱好者．本文讨论了多约束QoS多播路由问题，主要包含延迟、延迟抖动、带宽和分组丢失率等QoS约束，文中描述了一种在动态网络环境及不确定参数下适应于研究QoS多播路由的网络模型．提出了一种在网络规模、可行性方面为Imernet、移动网络和高性能网络下基于遗传算法的多约束QoS多播路由优化算法（MQMRGA）．仿真结果表明该算法收敛速度快、可靠性高．MQMRGA为QoS多播路由提供了一种新的有效途径．     

QoS multicast routing using a quantum-behaved particle swarm optimization algorithm

QoS multicast routing in networks is a very important research issue in networks and distributed systems. It is also a challenging and hard problem for high-performance networks of the next generation. Due to its NP-completeness, many heuristic methods have been employed to solve the problem. This paper proposes the modified quantum-behaved particle swarm optimization (QPSO) method for QoS multicast routing. In the proposed method, QoS multicast routing is converted into an integer programming problem with QoS constraints and is solved by the QPSO algorithm combined with loop deletion operation. The QPSO-based routing method, along with the routing algorithms based on particle swarm optimization (PSO) and genetic algorithm (GA), is tested on randomly generated network topologies for the purpose of performance evaluation. The simulation results show the efficiency of the proposed method on QoS the routing problem and its superiority to the methods based on PSO and GA.     

基于Tabu搜索的QoS多播路由快速优化算法

QoS多播路由算法的核心问题是建立满足QoS约束的多播树,这就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.目前已有的启发式算法的时间复杂度大,不能获得最优解.提出了一个基于Tabu搜索的QoS多播路由选择快速优化算法,它选择延迟与带宽约束为QoS参数,利用Tabu搜索的集中性与广泛性并存的优点,在提高搜索速度的同时可以更加接近最优解.仿真结果表明:该算法具有快速、易实施等特点,更加适合在组规模比较大的情况下应用.     

一种基于遗传算法的多约束QoS多播路由优化算法

随着Internet、移动网络和高性能网络的不断发展,在网络和不确定参数下具有多约束QoS多播路由优化技术已成为网络及分布式系统领域的一个重要研究课题,这也是下一代Internet和高性能网络的难题。它吸引了许多爱好者。论文研讨了具有多约束QoS多播路由问题,其中主要包含延迟、延迟抖动、带宽、分组丢失率等QoS约束,文中描述了一种适应于研究QoS多播路由的网络模型。论文在网络环境及不确定参数下,提出了一种在网络规模、可行性方面优化Internet、移动网络和其他高性能网络的基于遗传算法的多约束QoS多播路由优化算法(MQROGA)。MQROGA在网络环境及不确定参数下能够优化网络资源,如带宽、延迟、分组丢失率等得到一个最优解和次优解。仿真实验结果表明,MQROGA为QoS多播路由提供了一种新的有效途径。     

基于QoS多播路由技术研究

随着Internet、移动网络和高性能网络的不断发展,在网络和不确定参数下具有QoS多播路由优化技术已成为网络及分布式系统领域的一个重要研究课题,这也是下一代Internet和高性能网络的难题。它吸引了许多爱好者。该文重点论述QoS多播路由需求,并简要阐明当前最新多目标优化问题的方法。定义了QoS多播路由作为多目标优化问题(即路由问题的网络模型)以及它是NP-复杂性问题。然后,重点讨论QoS多播路由的解决方法,包括约束多播树、多目标优化、计算智能和人工智能等。最后,文章建议一个约束多播路由结构和讨论一些将来的研究展望。     

基于混合遗传算法的多播路由多目标优化

互联网不断增长的多媒体应用引发人们研究如何满足这些应用的服务质量(QoS)约束.目前网络中多主机之间的多播通信一般需要严格的多个QoS保证,文中描述了一种适应于研究多播QoS路由多目标优化的网络模型,在此基础上提出了基于遗传算法和禁忌搜索混合策略的,具有多目标的多播路由QoS优化方法,以克服遗传算法的爬山能力差以及不成熟收敛等问题.此外还采用了改进的多播树编码方法及高效的遗传操作,同时还优化时延、丢包率和带宽利用率等不同的参数.实验结果表明,该算法为多播路由QoS多目标优化问题的求解提供了一种有效的新途径.