基于改进蚁群算法的无线传感器网络路由

为了降低节点能量消耗,延长网络生存的时间,提出了一种改进蚁群算法的无线传感器网络路由机制.首先将无线传感器网络服务质量分为3类,然后利用蚁群算法可以自适应网络状况动态性的优势,构建传感器节点转移函数、信息素更新规则和自适应构建数据路由.最后采用仿真模拟实验对算法性能进行检验.实验结果表明,相对于现有无线传感器路由算法,通过引入蚁群优化机理挖掘传感器节点之间的关联性,数据传输延迟、可靠性和能量开销上具有更好的性能,使整个网络性能保持最优.     

求解最短路径路由蚁群算法的改进

针对标准蚁群算法易于出现早熟停滞等缺陷,在原有算法基础上引入一定比例的侦查蚁群.在优化过程中侦查蚁群以一定概率做侦查搜索,以扩大解的搜索空间;在信息素更新策略上,为了兼顾当代和历代的搜索成果,采取了信息素混合更新策略,同时增强侦查子群的最佳路径信息及剩余全部蚁群路径信息,有效抑制了收敛过程中的早熟停滞现象,提高了算法收敛速度.通过对最短路径路由算法的仿真实验,并与标准蚁群算法进行性能比较,结果表明该算法不仅能够克服早熟现象,而且能够加快收敛速度.     

卫星网络中基于蚁群优化的概率路由算法

为了提高空间信息传输的有效性和可靠性,针对传统蚁群优化(ant colony optimization,ACO)容易造成最优路径负载过重而发生拥塞的问题,提出了一种基于蚁群优化的概率路由算法(ant colony optimization based proba-bilistic routing algorithm,ACO-PRA).根据卫星网络拓扑动态周期时变的固有特点,将拓扑周期均匀分为若干个时间片,形成基于不同时间片的卫星网络拓扑连通图;根据网络拓扑连通图,将星间链路带宽和链路容量引入到目标函数中,建立时延最小的优化模型;根据蚁群算法的节点概率函数选择下一跳节点,进而找到一条能同时满足时延带宽和链路容量要求的最佳信号传输路径.仿真结果表明,提出的基于蚁群优化的概率路由算法不仅能够降低平均端到端时延和丢包率,而且能够有效地提高网络吞吐量、平衡网络负载.     

一种基于精英策略的蚁群优化QoS单播路由算法

指出传统蚁群算法在解决QoS单播路由选择问题时,受到时延和带宽的约束,为降低路由费用,容易出现陷入局部最优且收敛速度慢的现象。针对上述问题,提出一种基于精英策略的蚁群优化QoS单播路由算法,该算法利用蚁群算法原理,并引入精英策略。通过仿真模拟一个20节点的计算机网络QoS单播路由选择实例,并与传统蚁群优化（ACO）算法进行对比,仿真结果表明该算法是有效的。     

基于改进蚁群算法的双向物流路径优化

针对物流路径优化已有算法运算过程复杂、精度不高、过早收敛等问题,对蚁群算法进行了改进,以解决物流路径优化问题.为了消除蚁群算法的易停滞、收敛慢等问题,从蚂蚁转移策略、信息素更新方式以及遗传算法的融合等方面对算法进行了改进.针对双向物流的路径优化问题,通过增加启发函数、设计转移策略等方面来改进蚁群算法,使得算法能更好地考虑综合因素来进行搜索,能够更全面、更准确地找到合适的下一节点,从而得到更优的路线.     

基于MMAS的MIMO-OFDM系统上行多用户检测

在多输入多输出-正交频分复用(multiple input multiple output-orthogonal frequency division multiplexing,MIMO-OFDM)系统上行多用户检测(multi-user detection,MUD)中,针对基本蚁群算法(ant colony optimization,ACO)在搜索过程中易出现过早停滞及收敛于局部最优解等问题,提出一种基于最大最小蚁群系统(max-min ant system,MMAS)的MUD新算法.该算法在蚁群每次循环结束后,仅处于最优路径上的单只蚂蚁释放信息素;同时,通过限制每条路径上信息素的取值范围,避免路径间信息素的差值过大,从而使蚂蚁在每次循环时尽可能地选择不同的路径,提高算法的搜索能力.仿真结果表明,MMAS算法能够有效降低蚁群陷入局部最优解的概率,进而提高了检测性能;同时,随用户数的增加,该算法的计算复杂度却远低于最大似然(maximum likelihood,ML)检测算法,因此,该算法能够在检测性能与计算复杂度之间取得较好的折中.     

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。     

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。     

一种无线传感器网络能量平衡路由

根据无线传感器网络能量受限的特征,提出一种基于能量平衡的路由思想,即不仅考虑了路径通信能耗,而且考虑了传感器节点剩余能量以及负载等情况,从多角度节能和延长整个网络的寿命.提出一种智能蚁群算法,求解该能量平衡路由问题.该算法中,若蚂蚁走过的当前路径比以往最佳路径更优,则加强当前路径信息素,并用当前路径取代最佳路径,否则减弱当前路径信息素.对路径的信息素采取不挥发策略,以减少路径信息素差异,增加解的多样性.实验验证了该算法的有效性.     

基于ACO的LEO卫星网络路由研究

为了解决低轨卫星网络动态拓扑路由问题,通过更改蚁群优化(Ant Colony Optimization,ACO)算法结构以及信息素更新策略进行调整,提出一种适合LEO卫星网络的具有多QoS约束条件的ACO路由算法.这种路由算法能够根据LEO卫星网络中业务流量分布的变化对网络最优路径做出调整、均衡网络负载、避免拥塞,实现多种QoS指标的联合最优.仿真结果表明:在网络接近满负荷的情况下,路由算法在保证业务QoS需求的同时,使网络资源得到了充分利用.     

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.     

基于超顶点交流策略的并行蚁群算法

通过分析影响并行蚁群算法性能的诸多因素,以提高算法效率减少通信量为主旨,提出了1种基于超顶点交流策略的并行蚁群算法.在该算法中,处理机之间交流的内容不再是最优解或信息素矩阵,而是由若干个顶点组合成的超顶点,从而改变了计算粒度;其次,又提出了1种更忠实于真实蚁群信息系统的基于信息素递减的信息素更新方法,减少了最优解对蚂蚁后选择路径上信息素的影响.通过对TSP进行的实验表明,与其他交流策略的并行蚁群算法相比,该算法有较强的全局收敛性和更快的寻优速度.     

基于超顶点交流策略的并行蚁群算法

通过分析影响并行蚁群算法性能的诸多因素，以提高算法效率减少通信量为主旨，提出了1种基于超顶点交流策略的并行蚁群算法．在该算法中，处理机之间交流的内容不再是最优解或信息素矩阵，而是由若干个顶点组合成的超顶点，从而改变了计算粒度；其次，又提出了1种更忠实于真实蚁群信息系统的基于信息素递减的信息素更新方法，减少了最优解对蚂蚁后选择路径上信息素的影响．通过对TSP进行的实验表明，与其他交流策略的并行蚁群算法相比，该算法有较强的全局收敛性和更快的寻优速度．     

基于ACO和AODV的Ad Hoc网络低时延路由算法

针对Ad Hoc网络中按需路由AODV算法具有较大时延和低能节点死亡,而需频繁路由发现的问题,提出了使用ACO优化AODV的低时延路由算法。首先,加入信息素、节点剩余能量和路径时延,对节点路由表进行改进。通过前向蚂蚁和后向蚂蚁进行路由发现。设计了伪随机分配法选择下一跳节点。在蚂蚁行进的过程中进行局部信息素更新。当前向蚂蚁到达信宿节点时对全局信息素进行更新。同时选择总时延较小的路径分配后向蚂蚁并作为最终路由。仿真实验证明能正确地进行路由发现和路由维护,且与AODV和DSR方法相比,具有较高的数据投递正确率和较小的平均端到端延迟。     

基于改进蚁群算法的移动机器人路径规划

针对蚁群算法中收敛速度和局部最优的矛盾,提出一种适用于静态环境的基于改进蚁群算法的移动机器人路径规划方法.在环境建模方面,利用机器人起点和终点的位置建立环境的可视图.改进的蚁群算法将环境中局部的路径信息加入到信息素的初始化和路径选择概率中,提高了算法收敛速度的同时尽可能地避免算法早熟.当算法陷入停滞时,引入交叉操作并调整α,β和ρ的值,增加了算法的逃逸能力.仿真结果证明了所提方法提高了最优路径的搜索效率,整体性能优于标准蚁群算法.     

基于改进蚁群算法的移动机器人路径规划

针对蚁群算法应用于机器人路径规划存在的全局搜索能力差、初始化信息素少、收敛性差、寻优能力弱等问题,提出了一种多因素改进的蚁群算法。通过改变初始化信息素浓度分配、改变启发式函数、采取蚂蚁回退策略、引入蚂蚁优化排序等方法对蚁群算法进行优化。利用MATLAB软件对改进蚁群算法进行仿真和六足机器人实验,结果表明,改进后的算法在路径更优,迭代次数更少,提高了算法的鲁棒性和寻优能力。     

一种基于蚁群优化的无线传感器网络路由算法

提出了一种基于蚁群优化的无线传感器网络路由算法.根据无线传感器网络路由策略和蚁群优化的特点,构造了人工蚂蚁,设计了基于蚁群优化的路由算法框架,对算法收敛性进行了理论分析,并在NS仿真平台下进行了实验验证.结果表明,与SPIN,DD,HREEMR,SAR和GEAR路由算法相比,作者算法具有较好的节能性和全局寻优能力.     

蚁群算法求解离散最小约束去除问题

摘要： 引入蚁群算法解决最小约束去除运动规划问题,在求解过程中对蚁群算法的启发函数以及信息素更新策略进行改进,使其不再易于陷入局部极值并适合求解该问题.仿真实验结果表明,该算法在解的质量和收敛速度上优于精确搜索与贪心算法.