多机器人Ad Hoc路由协议中蚁群算法的改进

针对多机器人Ad Hoc网络路由协议中路由稳定性和可靠性低的问题,引入蚁群算法并对其进行深入分析.通过对蚁群算法状态转移策略和信息素更新策略的改进,提高全局搜索能力,避免算法陷入局部最优解,实现基于改进蚁群算法多机器人Ad Hoc路由协议的设计.仿真结果表明,与经典的AODV(Ad Hoc on-demand distancevector)协议相比,该路由协议有效地提高了网络的稳定性和通信效率.     

Ad Hoc网络中基于蚁群优化的路由选择算法

为了降低Ad Hoc网络拥塞程度，减少节点能量消耗，将蚁群优化算法应用于改进Ad Hoc网络的路由选择问题上，提出一种在Ad Hoc网络中基于网络有限带宽和剩余能量信息的路由选择算法。根据蚁群优化算法中的信息素浓度对路由选择进行调整，使路由选择实现分布式全局优化。仿真结果表明，     

一种自适应物种寻优的无线Mesh网络QoS路由算法

针对无线Mesh网络带宽、负载能量不均等情况引起的网络延迟,以及路由算法运算速度较慢等问题,提出了一种自适应物种寻优的无线Mesh网络QoS路由算法。该算法利用路径评价函数进行最佳节点路径的搜索并通过蚁群信息素更新规则来平衡网络负载,避免数据拥堵和传输延时,并结合量子行为粒子群优化算法的物种形成策略,提出一种领域最好位置的自适应搜寻方式,降低了网络延迟并提高了算法收敛速度。仿真实验表明,从网络延迟和算法收敛速度来看,该算法相比改进的蚁群QoS路由算法和基于遗传算法的QoS路由算法具有更良好的效果。     

一种基于免疫-蚁群算法的Ad hoc网络QoS路由算法

由于Ad hoc网络的动态性和处理能力不强等因素，使得之前的启发式算法和近似算法在解决Qos路由问题中存在很大的局限性．针对Ad hoc网络QoS路由的上述研究现状提出了一种基于免疫-蚁群算法的QoS路由算法．该算法前过程利用人工免疫算法（Artificial Immune Algorithm，AIA）快速寻求较优的可行解，在此基础上算法后过程采用蚁群算法（Ant Colony Algorithm，ACA），利用前过程中人工免疫算法获得的较优可行解，进一步提高求解效率．该算法结合了人工免疫算法与蚁群算法二者的优点，具有并行度高，全局寻优，快速收敛等特点．实验证实，这种算法是行之有效的．     

Ad Hoc网络中基于蚁群优化的路由选择算法

为了降低Ad Hoc网络拥塞程度,减少节点能量消耗,将蚁群优化算法应用于改进Ad Hoc网络的路由选择问题上,提出一种在Ad Hoc网络中基于网络有限带宽和剩余能量信息的路由选择算法。根据蚁群优化算法中的信息素浓度对路由选择进行调整,使路由选择实现分布式全局优化。仿真结果表明,该算法可以使平均端到端延迟从0.75 s降低到0.28 s,网络生存时间延长30%,提高了网络资源利用率。     

移动自组织网络Q学习和改进蚁群QoS路由算法

针对移动自组织网络的QoS路由问题,提出一种结合Q学习和改进蚁群算法的QoS路由算法,该算法综合Q学习和蚁群算法的优点,把Q学习算法的Q值作为蚁群算法的初始信息素,提高了算法初期的收敛速度,同时在路径选择时综合考虑节点的能量和负载.仿真实验表明,该算法在保证QoS需求的前提下,增加了路由的有效性和鲁棒性,降低了能耗,包投递率、网络生存时间等指标均较好.     

无线传感器网络中基于双向分工蚁群的QoS路由算法

无线传感器网络中的Qos路由虽能提供有保证的差别服务,但却是一个NP完全问题,而蚁群算法能有效解决该类问题．针对基本蚁群算法在无线传感器网络QoS路由应用上收敛速度慢和易陷入局部最优解的不足,提出了一种基于双向分工蚁群的QoS路由算法．该算法通过采用局部更新与全局更新相结合的规则,并使用双向分工蚁群搜索机制有效提高收敛速度,从而获得全局最优解．仿真结果表明,该算法能快速获得有效的QoS路径．     

基于蚁群算法的Qo S路由模型的设计与优化

为了提升网络数据传输中路由性能,采用蚁群算法解决网络路由出现的问题。首先介绍了蚁群算法的原理与模型,然后根据实际应用的QoS路由具体问题,建立QoS路由模型,设计基于ACO的Qo S路由算法。通过仿真实验,对参数进行优化分析,验证了蚁群算法在网络路由中的应用效果,证明这种方法能够提高网络数据传输中路由的性能。     

基于自主蚁群算法的认知网络多约束QoS路由算法

提出了一种基于自主蚁群算法的认知网络多约束QoS路由算法,该算法主要解决认知网络中具有多个参数约束的QoS路由优化问题。针对基本蚁群算法在收敛速度和全局搜索能力方面存在不足,本算法主要从信息素浓度初始化、信息素挥发因子调整、信息素更新规则、状态转移规则四方面改进,在收敛速度和全局搜索能力方面得到提高。实验结果表明,该算法具有较好的收敛速度和全局寻优能力,能够有效的解决认知网络所面临多约束QoS路由问题。     

无线网络中基于蚁群算法的QoS组播路由算法

为了将传统基于蚁群算法的QoS组播路由算法应用于无线网络,针对蚁群算法收敛速度慢和无线网络节点能量有限的特点,提出一种无线网络中基于蚁群算法的QoS组播路由算法。在选路时利用节点电量选择能量大的为下一跳节点,并保留信息素给后续选路使用,加快算法的收敛速度。仿真结果表明,该算法能够明显提高算法的收敛速度,延长整个网络的生存时间,是一种很好的无线网络组播路由算法。     

基于遗传-蚁群优化算法的QoS组播路由算法设计

为了提高网络路由性能,提出并设计了一种基于遗传-蚁群优化算法的QoS组播路由算法。首先,设计了自适应变频采集策略用于采集网络与节点信息,以此获得网络和节点的状态,为后续路由优化提供数据支持;其次,计算路径代价,将路径代价最小作为优化目标,建立QoS组播路由优化模型,并设置相关约束条件;最后,结合遗传算法和蚁群算法提出一种遗传-蚁群优化算法求解上述模型,输出最优路径,完成路由优化。实验结果表明,所提算法可有效降低路径长度与路径代价,提高搜索效率与路由请求成功率,优化后的路由时延抖动较小。     

面向车辆路径问题的改进蚁群算法研究

为解决基础蚁群算法在求解车辆路径问题时出现收敛速度慢、易陷入局部最优解等问题,提出了一种改进蚁群算法.首先,引入节约矩阵更新选择概率公式引导蚂蚁搜索;其次,运用分段函数改进挥发因子,调整算法的收敛速度;再次,使用2-opt法,提高算法的局部搜索能力;最后,选取车辆路径问题国际通用数据集进行仿真,运用控制变量法找到信息素...     

基于蚁群算法的对等网搜索算法的研究

针对传统的对等网搜索方法的不足,分析了蚁群算法的优势,提出了一种基于蚁群算法的对等网搜索方法．对等网上发起结点收到查询请求后,执行消息路由搜索算法对目标结点进行搜索,在搜索过程中根据状态转移公式寻找下一跳路径．实验结果表明,基于蚁群的对等网搜索算法能够节省路由长度并且有较高的搜索准确率．     

增强目标启发信息蚁群算法的移动机器人路径规划

针对传统蚁群算法在前期搜索盲目性大、拐点多等问题,对蚁群算法进行以下改进。首先,为了增强目标位置的启发信息,引入距离增益系数,将目标位置对下一个待选栅格节点的影响进行放大;然后引入带有权重的距离启发因子,在状态转移概率中加入距离启发转移概率,使蚂蚁大概率向目标栅格搜索;其次,采用正弦自适应动态调整信息素挥发因子,增强算法的全局搜索能力;最后通过修改路径减少路径冗余,进行路径安全性检查并重新调整路径,减少转弯的次数,从而提高路线质量。通过MATLAB仿真实验表明,改进蚁群算法转弯次数少,规划路径短且安全,搜索时间较快,提高了算法的收敛速度和寻优能力。     

基于蚁群算法的军用飞行器航迹规划

为了提高军用飞行器的作战效能,在实施远程精确打击之前,必须利用地形和敌情等信息,规划出生存概率最大、作战效率最高的飞行器突防轨迹.针对这一问题,讨论了基于蚁群算法的航迹规划方法,并经过坐标变换将算法的候选解集合、航路选择规则以及信息素更新规则进行了改进,获得了一种更有效的航路规划方法,且取得了较好的计算机仿真结果.     

改进的WMN的QoS组播路由算法

无线Mesh网络（WMN）是一种新型的网络结构,服务质量（QoS）是影响其网络指标的关键因素,因此对WMN的QoS组播路由算法研究成为了一个新的研究方向．采用粒子群优化（PSO）算法应用到WMN的QoS组播路由,存在易早熟的问题,因而采用DE-PSO算法是差分进化（DE）算法与PSO算法一起进行WMN的组播路径寻优．仿真结果表明,DE-PSO算法相比PSO算法,具有收敛速度快、多样性的特点,而且发现DE-PSO算法提高了算法全局搜索能力,更符合无线通信实际的要求．     

基于改进蚁群算法的大型综合建筑火灾疏散路径规划

动态逃生指示系统主要应用于大型综合建筑物内,此系统可根据建筑物内发生的火灾等突发情况动态指示人员疏散逃生,缩短逃生时间提高逃生成功率。通过研究现有动态逃生指示系统路径规划问题,提出一种改进蚁群算法,将Dijkstra算法和蚁群算法相结合,利用Dijkstra算法的全局搜索能力,调整了蚁群算法启发函数中初始信息素分布情况,同时结合探测到的火灾实时信息对蚁群算法的启发函数,转移概率,信息素挥发系数和更新规则进行改进。通过仿真实验表明改进的蚁群算法提高了搜索效率和全局搜索能力,降低了陷入局部最优的可能性并优化了逃生路线。     

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。