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。     

基于蚁群算法的QoS多播路由优化算法

蚁群算法是一种新型的随机优化算法,能有效地解决 QoS 受限的多播路由问题。基于蚂蚁具有找到蚁巢与食物之间的最短路径原理工作,并在分析多约束QoS的多播路由的基础上,提出了一种具有全局优化能力的多播路由算法(OQMRA),仿真实验表明了该算法是合理的和有效的。     

双向搜索蚁群算法在QoS单播路由中的应用

近几年来,网络的QoS路由问题已经成为一个研究热点。考虑到现有解决方法的一些不足,引入了一种改进的蚁群算法并应用于QoS单播路由问题。该算法针对网络路由问题,对原算法的信息素更新策略进行了修改,同时结合了网络化简策略和双向搜索策略。与现有QoS路由算法比较的仿真结果表明,该算法能够满足QoS单播路由的要求,并且具有较好的最优解求解能力、较快的收敛速度和较强的鲁棒性。     

基于蚁群算法的QoS多播路由优化策略

对QoS多播路由和约束最小Steiner多播树进行了分析,提出了基于蚁群算法搜索约束最小Steiner多播树的ACMC算法,并与DDMC算法进行了实验比较.结果表明,在同样环境和多播组规模的条件下,ACMC算法花费的网络代价小于DDMC算法,从而验证了ACMC算法的有效性和可行性.     

基于自适应变异蚁群算法的QoS路由算法

多约束QoS单播路由问题是NP完全问题,针对基本蚁群算法在解决该问题时易于陷入局部最优、收敛速度慢的缺点,提出自适应变异蚁群算法对该问题进行求解。该算法采取自适应变异方法,引入二次蚁群搜索机制,减少了算法陷入局部极值的可能性,提高了算法的寻优能力和收敛速度。仿真实验结果验证了该算法的可行性和有效性。     

蚁群算法在QoS网络路由中的应用

采用蚁群算法求解包含延迟、延迟抖动、带宽、丢包率和最小花费等约束条件在内的QoS单播路由问题。实验仿真表明该算法能快速有效地求得路由最优解。     

一种考虑不确定信息的QoS单播路由改进算法

考虑到IP网络中存在大量不确定信息及其对多媒体业务的QoS(Quality of Service)的影响,本文设计了一种基于多路径和延迟划分的QoS单播路由改进算法,该算法在保证一定的选径成功率的基础上,有效地降低了算法的时间复杂度;在网络仿真器NS上的仿真分析结果表明了该算法在丢包率和满足端到端延迟约束的概率等性能指标上,具有良好的性能特性。     

基于蚁群优化算法的QoS组播路由问题的研究

本文通过将QoS组播路由问题分解为多个单播路由问题,构造了一个目标节点最小花费优先的QoS组播路由模型。并利用MMAS算法对模型进行求解。在得到预期结果的同时,本文针对寻径过程中失败的蚂蚁过多的现象进行了分析．并对算法进行了改进。     

一种基于模糊塔的QoS单播路由选择算法

综合考虑用户服务质量QoS需求和网络提供方收益的单播路由算法．给定用户请求类别和收费原则,通过建立网络提供方收益模型来确定针对每一类请求的概率收益．在此基础上,利用模糊塔,求出两网络节点之间既满足用户服务质量需求又试图最大化网络提供方概率收益的路由。仿真结果表明,算法是可行的和有效的。     

蚁群算法和免疫算法的融合及其应用

蚁群算法作为一种启发式算法,其参数组合一般是通过大量实验取得的。文中将免疫算法和蚁群算法相结合,即用免疫算法来求得蚁群算法中关键参数的较优组合,以增强蚁群算法的有效性。通过求解QoS单播受限路由问题的仿真实验,表明融合算法是有效的。     

基于改进蚁群算法的多约束QoS路由优化研究

本文建立了多约束QoS路由模型，并对基本蚁群算法的信息素更新策略进行了改进，提出了一种基于改追蚁群算法的多约束QoS路由优化算法，实例计算结果证明了算法的有效性。     

基于启发信息的QoS路由蚁群算法

提出一种改进的路由蚁群算法,算法采用了动态更新的概率替代传统的路由表,引入干扰系数作为启发信息,从而提高了算法收敛速度.通过验证,算法具有更快的收敛速度和较好的吞吐能力.在网络节点出现故障时,该算法能快速地更新节点上信息,使网络趋于平稳.     

求解带时间窗车辆路径问题的动态混合蚁群优化算法

为求解带时间窗车辆路径问题,针对传统蚂蚁遗传混合算法中参数静态设置、冗余迭代及收敛速度慢等缺点,提出一种动态混合蚁群优化算法( DHACO)。该算法首先借助最大最小蚁群得到初始解,利用蚁群优化算法求解带时间窗车辆路径问题的基本可行解。然后采用遗传算法交叉和变异操作对局部解和全局最优解进行二次优化,从而得到最优解。最后利用蚂蚁遗传混合算法融合策略,动态交叉调用蚂蚁算法、遗传算法,根据云关联规则自适应控制蚁群算法参数。 DHACO有效减少无效迭代次数,加快收敛速度。仿真结果表明,与其他相关的启发式算法相比,DHACO优于某些实例的已知最优解。     

基于蚁群系统的多约束QoS路由模型设计

研究多约束QoS路由问题,设计一种基于蚁群系统的多约束QoS路由模型,该模型适合于多约束QoS网络服务环境,并具有QoS路由有效性、可扩展性和鲁棒性等特点.     

基于MATLAB的混合型蚁群算法求解车辆路径问题

蚁群算法是受自然界中蚁群搜索食物行为启发而提出的一种智能优化算法,通过介绍蚁群觅食过程中基于信息素的最短路径的搜索策略,给出了基于M ATLAB的蚁群算法在车辆路径问题中的应用,针对蚁群算法存在的过早收敛问题,加入2-opt方法对问题求解进行了局部优化,计算机仿真结果表明,这种混合型蚁群算法对求解车辆路径问题有较好的改进效果。     

基于改进蚁群算法的拥塞规避QoS路由算法

服务质量(QoS)路由算法缺少拥塞规避机制,会影响业务QoS。为此,提出一种基于Ant-Pub&Enco的信息素模型,根据蚂蚁行进方向,利用相反的信息素引导模式以及不同的信息素更新策略进行路由搜索。基于改进蚁群算法设计一种规避拥塞算法求解QoS单播路 由问题。仿真结果表明,该算法能够有效规避网络中的拥塞链路,均衡网络负载。     

基于蚁群遗传混合算法的QoS组播路由

具有延迟、延迟抖动、带宽、丢包率等服务质量约束的组播路由问题具有NP完全的复杂度。基于蚁群优化算法和遗传算法,提出解决QoS约束组播路由问题的混合算法。利用遗传算法和蚁群优化算法各自的优点,使用蚁群优化算法选择种群,遗传算法优化蚂蚁遍历所得到的解。仿真实验结果表明,该算法可满足各个约束条件,且全局寻优性能好,能够满足网络服务质量要求。     

基于人工免疫算法和蚁群算法求解旅行商问题

人工免疫算法具有快速随机的全局搜索能力,但对于系统中的反馈信息利用不足,往往做大量无为的冗余迭代,求解效率低。蚁群算法具有分布式并行全局搜索能力,通过信息素的积累和更新收敛于最优路径上,但初期信息素匮乏,求解速度慢。该文提出一种基于人工免疫算法和蚁群算法的混合算法,采用人工免疫算法生成信息素分布,利用蚁群算法求优化解。将该算法用于求解旅行商问题进行计算机仿真,结果表明,该算法是一种收敛速度和寻优能力都比较好的优化方法。     

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。