基于带宽受限模糊权重的蚁群优化算法及其应用

针对基于流量控制的优化路径很难得到最优解和计算复杂度过大等问题,该文提出带宽受限条件下基于随机网络拓扑的模糊蚁群优化动态流量分配方案.该方案根据网络流量的模糊控制划分路径权重,将路径权重融入信息素中;采用蚁群全局搜索和信息素控制在多条路径中动态选择最优路径.仿真结果证明了该算法的有效性,该法显著加快了传统路由算法网络流量的探索收敛速度.     

基于AS拓扑结构与网络服务分布的AS节点关键度分析

为了评估AS节点在实际网络中的关键度,有效发现实际网络中的关键AS节点,提出了基于加权有效最短路径定义的介数评估AS节点关键度的方法.首先根据valley-free原则计算有效最短路径,避免了一些在实际网络中无效的路径对衡量关键度的影响.进一步通过DNS测量网络重点服务在自治域内的分布情况,结合节点的网络服务权值衡量节点的实际关键度,克服了单纯从拓扑性质上无法较好地反映实际网络中关键度的问题.实验中根据AS关系数据集构建国内范围的AS拓扑模型,利用该方法对AS节点进行排名,并通过与基于介数和基于有效最短路径定义介数的评估方法的比较,验证了该方法能更好地分辨出节点对于实际网络中流量传输、服务提供的关键度.     

Linux集群下基于改进多态蚁群负载均衡算法研究

建立了集群负载均衡问题的数学模型,并提出改进多态蚁群算法来对其进行求解的策略.首先,算法中侦察蚁以每个处理节点为中心,作局部侦察并设置侦察信息素;其次,搜索蚁利用侦察蚁提供的辅助信息做全局搜索,通过多态蚂蚁间的协作,能更快地搜索到问题的优化解.最后,通过一个试验与最小加权连接算法,传统多态蚁群算法进行了对比.结果表明,对于负载均衡问题,改进多态蚁群算法比前述算法在算法稳定性,负载的均衡能力,计算速度方面更具有优势.     

Linux集群下基于改进多态蚁群负载均衡算法研究

建立了集群负载均衡问题的数学模型，并提出改进多态蚁群算法来对其进行求解的策略。首先，算法中侦察蚁以每个处理节点为中心，作局部侦察并设置侦察信息素；其次，搜索蚁利用侦察蚁提供的辅助信息做全局搜索，通过多态蚂蚁间的协作，能更快地搜索到问题的优化解。最后通过一个试验与最小加权连接算法，传统蚁群算法进行了对比。结果表明：对于负载均衡问题，改进多态蚁群算法比前述算法在算法稳定性，负载的均衡能力，计算速度方面更具有优势。     

基于图形的加权蚁群算法

针对蚁群算法在开始的时候由于信息素较少导致收敛速度慢的问题,提出了基于图形的加权蚁群算法,利用蚁群算法最优路径的特点,对每个城市分别加权,从比较离散的点开始进行寻优,节省了在不可能构成最优路径上的计算时间,提高了运算速度.通过TSP问题检验的结果表明,新算法提高了标准蚁群算法的效率和计算结果的质量.     

网络流量监测中在线数据融合方法设计

在线数据融合方法在网络流量检测中一直有融合精确度低、接收点差的问题。提出一种新的网络流量监测中在线数据融合方法,采集网络流量监测中的实时在线数据,通过卡尔曼滤波法对在线数据进行预测,获取网络流量状态值;并以此为基础,通过时空综合分析,计算节点的量测实时方差;并依据最小二乘准则,对数据进行加权处理,求出加权系数,引入加权数据融合算法,实现在线数据的融合。实验结果表明,改进的融合方法不仅融合精度高,而且所需能耗低,适应能力较强。     

图像边缘检测中的改进算法

针对传统的蚁群边缘检测算法存在耗时长和易受噪声影响的缺点,提出了一种改进的蚁群边缘检测算法.该算法对蚂蚁路径选择中的启发式信息值的计算方法进行改进,使其计算基于邻域中节点的梯度,能更好地引导蚂蚁向边缘节点进行移动.通过仿真实验表明:该算法与传统的蚁群算法相比,能够减少耗时、抑制噪声及准确快速地检测出图像边缘.     

基于优化蚁群算法的网络流量数据精准挖掘仿真

为了更好的提高网络流量数据挖掘准确性,提出基于优化蚁群算法的网络流量数据精准挖掘仿真方法。结合蚁群算法对网络数据异常特征数值进行采集,并根据采集结果进行归类计算,根据数据特征归类标准对网络流量挖掘步骤进行优化,最终实现对网络流量数据的精准挖掘。最后通过实验证实,传统方法数值波动范围在±15之间,而所提方法数值波动范围在±5之间,检测精准度更高,具有较高的实际应用性。     

基于改进蚁群算法的Web服务选择

提出一种改进的蚁群算法并将其应用于Web服务选择问题中.该算法使用非线性动态变化的伪随机比例选择参数及蚂蚁多重最优解随机加权路由选择算法控制蚁群的行为,使用5维Web服务质量向量和蚁群适应度函数评价蚂蚁构造的路径质量,蚂蚁根据其构造的路径质量进行信息素更新;该算法使蚁群在其解空间的进化能力得到很大的提高.实验证明,该算法在Web服务选择问题上比传统的蚁群算法效率更高.     

改进的蚁群算法及其在Eil50问题上的检验

针对蚁群算法在开始的时候由于信息素较少导致收敛速度慢的问题,提出了一种基于图形的加权蚁群算法,它利用蚁群算法最优路径的特点,对每个城市分别加权,然后从比较离散的点开始进行寻优。节省了在不可能构成最优路径上的计算时间,提高了运算速度。用TSP问题的Eil50检验的结果表明新算法提高了标准蚁群算法的效率和计算结果的质量。     

改进遗传算法在WSN路由选择问题中的应用

无线传感器(WSN)路由选择问题大多围绕降低路由选择过程中的传感器的能耗,以及防止节点早死亡等方面展开。基于细菌觅食算法良好的收敛特性,本文运用半解析解的思想提出了一种新的算法对传统遗传算法的计算过程进行了优化,并选取随机网络拓扑模型建立50节点和100节点的网络拓扑图以验证本文算法的适用性。结果表明在无线传感器(WSN)路由选择问题中,本算法同传统遗传算法、蚁群算法、免疫克隆算法、细菌觅食算法相比较,在计算效率、能量消耗、平均延时方面体现了良好的适用性,可大大降低能量消耗,延长网络生存时间。     

一种大规模稀疏中国邮递员问题快速求解方法

针对现有中国邮递员问题求解方法在大规模稀疏路网图上求解效率的瓶颈,提出一种在可接受时间范围内求得可行解的基于蚁群优化的快速求解方法.该方法针对Euler回路求解的奇偶点图上作业法的第二阶段,采用蚁群算法进行求解,同时根据大规模稀疏路网图的特性基于密度峰值聚类算法对方法进行改进：首先在蚁群算法求解前对大规模稀疏路网图进行聚类分割;其次根据邻近节点覆盖率对分割后的节点群进行合并;最后通过改变部分节点所属聚类使各节点群内部节点个数均为偶数.实验结果表明：在奇偶点图上作业法所能支持的节点规模下,该方法可求得与确定性算法相同的最优解,并在运算时间上达到约10倍的效率优化;且该方法在大规模稀疏路网图下可有效提高计算效率,并在可控时间范围内得到优化的可行解,针对5 000个节点规模的路网图最快可在60 s内完成求解.     

改进的蚁群算法及其在Ei150问题上的检验

针对蚁群算法在开始的时候由于信息素较少导致收敛速度慢的问题,提出了一种基于图形的加权蚁群算法,它利用蚁群算法最优路径的特点,对每个城市分别加权,然后从比较离散的点开始进行寻优.节省了在不可能构成最优路径上的计算时间,提高了运算速度.用TSP问题的Ei150检验的结果表明新算法提高了标准蚁群算法的效率和计算结果的质量.     

基于PR算法的自适应ACO算法求解旅行商问题

以著名的旅行商问题为研究对象,研究了基于线路重连(PR)算法的自适应蚁群算法(ACO)的应用。根据蚁群算法构解过程中的选择策略与信息素更新机制,提出了自适应的蚁群优化方法,即通过阈值接收算法(TA)中的阈值控制参数改变蚁群的确定选择与随机选择机会,从而控制了搜索方向。采用这种自适应的蚁群优化算法,避免蚁群算法陷入局部最优,使对解空间的更好地进行搜索。同时,在蚁群优化算法(ACO)中,嵌入路径重连算法(PR)来改进解的质量。实验结果证明了基于线路重连算法(PR)的自适应蚁群算法(ACO)在求解该问题时的有效性。     

基于改进蚁群算法的车辆路径选择研究

给出了考虑软时间窗的物流配送车辆路径选择（VRP）模型,提出了一种改进的蚁群算法来求VRP模型的近似最优解。为了以最少的计算时间得出VRP问题的近似最优解,首先用贪婪算法产生初始蚁群,然后通过蚁群算法的评价、信息素释放、蚂蚁移动、信息素消散、判断收敛的循环过程对初始解进行优化。实践表明,在求解软时间窗物流配送车辆路径选择问题方面,改进蚁群算法具有更好的收敛性。该算法算法是求解VRP问题的较好方案。     

基于改进蚁群算法的TSP问题研究

由于基本蚁群系统算法没有考虑节点位置,对所有的解采用相同信息素蒸发准则,使算法收敛速度慢,易于停滞,且易收敛于局部最优,为了克服这一缺点,提出了基于距离导引函数构建解,同时采用分级蒸发参数控制蒸发信息素,对蚁群系统算法进行改进,通过仿真实验得到本文算法比基本蚁群系统算法更好的解,且解的性能更好.     

含阀点效应最优潮流问题的改进原始蚁群算法解

基于原始蚁群的猎食行为提出一种新型的算法，称为改进原始蚁群算法，用于求解最优潮流问题。新算法只考虑离散变量，以降低计算时间，同时使用序列：二次规划法求解连续变量。通过运用曲线分段的方法，使改进算法能处理含大母约束条件的各种目标函数并有效地搜索全局最优解。通过IEEE-30节点系统的仿真计算验证了该算法的有效性。     

云模型蚁群算法在无人机航迹规划中的应用

为中高空飞行的无人机提出了一种新型航路规划算法。该方法基于云模型蚁群算法。基本蚁群算法有着突出的缺陷:易陷入局部最优解而且需要计算时间长。提出的改进型蚁群算法,通过云模型来控制信息素强度Q和挥发系数ρ的大小,从而得到更好的收敛性与避免陷入局部最优解,并进行了TSP问题的仿真计算。通过将无人机任务地图网格离散化,运用云模型蚁群算法进行航迹规划。     

基于粒子群-蚁群融合算法的移动机器人路径优化规划

基于TSP问题,提出了一种基于粒子群-蚁群算法相互融合的综合优化算法对移动机器人路径规划问题进行研究。通过粒子群算法对全局路径实施粗略搜索,获得部分次优解,在获得次优解的路径上进行信息素分布,再采用蚁群算法进行精确搜索,得到路径规划的最优解。实验结果表明:粒子群-蚁群融合优化算法在路径寻优上优于蚁群算法及粒子群算法。     

一种基于蚁群优化的动态节能路由选择策略

针对无线传感器网络中寻找最优路径的问题,考虑网络的节能需求,提出了一种基于蚁群优化的动态节能路由选择策略。蚁群算法在进行过一段时间后,受转移概率公式影响易于陷入局部最优解,因此在提出的基于蚁群优化的动态节能路由选择策略中设计了动态状态转移优化规则,合理的增加了新节点的搜索概率,从而达到快速有效的寻找全局最优解的目的;此外,基于蚁群优化的动态节能路由选择策略设计了奖罚机制,进一步节省搜索时间的同时增加最优路径搜索概率,极大的延长了网络生存时间。仿真实验及分析表明,通过动态状态转移优化规则及奖惩机制的动态调整极大的增加了全局最优解的搜索概率,快速有效地实现了全局最优解的获得,节省了节点能量消耗,有利于延长网络生存时间。