改进蚁群算法在QoS组播路由中的应用

QoS组播路由是网络传输中的一项关键技术,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。针对蚁群算法的缺点,提出了一种双向蚁群算法对该问题进行求解,并改进了蚁群算法的信息素更新策略。仿真实验表明,该算法能快速搜索并收敛到全局（近似）最优解,且随着网络规模的增大,算法保持了良好的特性。     

改进型量子蚁群算法求解QoS单播路由

针对遗传以及蚁群算法在求解QoS单播路由问题时收敛速度慢和易于陷入局部最优的问题。采用量子蚁群算法求解QoS单播路由,采用量子旋转门实现蚂蚁的移动,用量子非门来实现蚂蚁位置的变异,同时为了确保算法不陷于局部最优,对量子蚁群算法做了改进,并进行了对比实验。实验表明该算法不但克服了遗传以及蚁群算法的易限于局部最优解的缺陷,在收敛速度上也优于相关算法,能较好地解决QoS单播路由问题。     

求解QoS组播路由问题的改进型量子进化算法

QoS组播路由问题是一个非线性的组合优化问题,已证明了该问题是NP完全问题。提出一种将基于量子计算原理的量子进化算法用于此类问题求解的算法,该算法对基本的量子进化算法进行改进,采用进化方程对量子门进行调整,采用量子变异阻止未成熟收敛,使之更适合于QoS组播路由的求解。仿真结果显示,该算法能快速搜索并收敛到全局（近似）最优解,且随着网络规模的增大算法保持了良好的特性,在寻优速度上与解的质量上优于其他进化算法与基本的量子进化算法。     

基于免疫算法的应用层组播路由算法

分析了应用层组播路由问题，并在应用层组播模型ALMI的基础上，改进了LRRB模型的负载均衡策略，建立了一种新的满足多约束条件的应用层组播路由模型；提出了该模型中求解应用层组播树的免疫算法，并对该算法进行了分析。分析和仿真实验表明，该算法有良好的效果。     

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.     

基于分层小生境蚁群算法的WSN中QoS组播路由研究

针对无线传感网络(WSN)的动态网络环境和能量约束的问题,在优化网络动态结构的基础上,提出用分层小生境蚁群算法求解WSN的QoS组播路由的方法.首先依据能耗将网络结构进行分簇分层优化并建立小生境,然后再结合蚁群算法优化QoS组播路由,最后进行能耗分析.该策略在保证能量最优的前提下,降低了路由的时间复杂度和空间复杂度,仿真结果表明了其有效性.     

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。     

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。     

基于蚁群算法的Ad Hoc网组播路由算法

网络拓扑结构动态变化、带宽和能源受限等特点使得Ad Hoc组播路由问题成为当前研究的热点问题.现有的Ad Hoc网组播协议多为确定性路由,对Ad Hoc网网络环境的变化适应性较差.在深入研究蚁群算法的基础上,对其进行了改进,将其应用在Ad Hoc网组播路由的建立和维护过程中,提出了一种不确定性的组播路由算法,称为基于蚁群算法的Ad Hoc组播路由算法.NS-2仿真结果证明,蚁群算法在Ad Hoc组播路由中的应用使组播路由算法具有较高的稳定性和良好的传输有效性,受网络环境的影响较小.     

基于量子粒子群算法的时延受限组播路由问题研究

对具有延时约束的最小代价的组播路由问题进行研究,提出一种收敛速度快、全局性能好、不易陷入局部最优的智能迭代算法-量子粒子群算法来实现该问题的求解.该算法采用整数编码方式,将路由优化问题转化成准连续优化,并采用惩罚函数处理约束条件.最后通过具体算例,对该算法进行了仿真验证,结果表明,在求解延时约束的组播路由问题时,量子粒子群算法要优于遗传算法、克隆算法,从而验证了该算法的可行性和有效性.