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．     

Ad Hoc网络中基于模拟退火-蚁群算法的QoS路由发现方法

针对Ad Hoc网络的动态网络环境和链路、节点性能限制等不利因素，提出了一种新的QoS路由发现方法——SAANT．该方法利用蚁群算法增加了发现可用QoS路由的概率，利用基于概率的路由转发策略来减少洪泛造成的网络开销，从而强化所提算法的全局搜索能力和自适应性，减小了洪泛对Ad Hoc网络性能的影响．所提方法还利用模拟退火算法调整路由发现算法的搜索方向，以弥补蚂蚁算法收敛速度上的弱点，减少了搜索过程中的停滞现象．在包投递成功率、平均包延迟和吞吐量等方面，通过仿真实验对SAANT、仅基于蚁群算法的QoS路由算法和传统的按需路由算法的方法进行了性能比较，结果表明，在Ad Hoc网络环境下，SAANT的收敛速度、移动性能和网络负载性能均表现出更好的适应性．     

基于量子遗传算法的多约束QoS路由算法

提出了一种基于量子遗传算法解决多约束QoS路由问题的算法，详细讨论了该算法用于解决包含带宽、延时、包丢失率和最小花费等约束条件在内的多约束QoS路由问题，给出了算法实现的方法和具体流程．实验结果表明，与其他2种算法相比，该算法不但能满足QoS约束要求，同时可以均衡链路负载，很好地优化网络资源．     

一种基于蚁群算法的动态组播QoS路由算法

提出了一种基于蚁群算法的满足带宽、时延、时延抖动、分组丢包率、费用多个QoS约束的动态组播路由算法(DM-ACA).该算法使用逆向路径(Reverse path)机制,蚂蚁从目的节点出发寻找源节点,解决了组播网络动态变化的问题;通过引入洪泛(flooding)机制,初始群筛选(sieving)机制,加性增量乘性减量(AIMD)的信息素启发机制,解决了蚁群算法局部搜索能力弱、收敛速度慢、易于陷入局部最优解的问题.仿真结果表明,提出的算法可行有效.     

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。     

基于蚁群优化的命名数据网络QoS路由研究

针对命名数据网络(NDN)具有多样的路由转发策略,但都未能实现NDN的服务质量(QoS)保障能力,利用蚁群优化算法(ACO)设计相应的QoS路由机制(ACO_QoS)能够保障NDN的服务质量.实验结果表明:ACO_QoS能够在满足QoS的前提下找到一条花费最小的路由.     

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．     

基于改进蚁群算法的QoS路由研究

由于网络规模的扩大,路由节点的距离增加,多种路由约束因素对传统路由算法的寻优过程造成极大的干扰.针对这一问题,提出了一种基于改进蚁群算法的QoS路由算法.该算法在QoS多约束条件下,利用蚁群算法具有较强的正反馈特性,强化了算法的搜索特性;同时对蚁群算法的转移概率因子和信息素更新规则进行优化,使得改进后路由算法的收敛性和随机搜索性均得到提高.仿真实验结果表明,基于改进蚁群算法的QoS路由在多种路由约束条件下的寻优能力得到保障,寻优效率得到提升.     

ACS算法求解多约束QoS路由问题

介绍了ACS算法理论,分析了使用ACO算法求解多约束QoS路由问题,给出了多约束QoS路由的数学模型,并进行了仿真实验和结果的分析.     

基于改进克隆算法的WSN的QoS路由研究

为解决在无线传感器网络QoS约束下的最优路由选择问题,在优化网络拓扑结构的基础上,提出利用克隆选择算法和蚁群算法结合求解WSN组播路由的方法.该算法利用克隆选择算法对原始路由种群进行优化改善,避免搜索过程陷入早熟收敛问题,然后利用蚁群算法快速搜索.该算法在保证能力最优的前提下,提高了路由搜索速度,在保证最优路径选择基础上,节约了通信成本,仿真结果证明了其可行性和有效性.     

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。     

基于路由代价的无线传感器网络蚁群路由算法

能耗最小化和能耗均衡是无线传感器网络路由算法的两个主要问题.文中从无线传感器网络蚁群路由算法出发,分析了启发式因子的各种构建方式对能耗最小化和能耗均衡的影响,提出了无线传感器网络的路由代价模型,并以此构建启发式因子.对比各种构建方式的仿真结果可以看出,使用路由代价构建启发式因子更为合理,该构建方式在网络寿命和均衡性方面...     

利用蚁群优化的非均匀分簇无线传感器网络路由算法

针对无线传感器网络路由非均匀分簇中随机簇首选举路由的可靠性和实时性问题,提出一种新的无线传感器网络路由算法.该算法的核心是:通过蚁群优化来改变非均匀分簇算法的周期性簇首选举方式,即只在第一轮执行簇首选举和路径搜索,其他轮次采用簇内调整和路由更新;通过引入路由可靠性和实时性指标达到自组织、自适应和动态优化来建立和维护路由.簇首选举采用竞选,所有节点参与竞选,并且将节点剩余能量和节点到汇聚点的距离作为评价标准,以保证簇内能量效率最高的节点成为新簇首.路径搜索采用蚁群算法进行,即搜索网络中所有的簇首和汇聚点,以寻找从各个簇首到汇聚点代价最小的多跳路由.仿真结果表明,所提算法在能耗和链路可靠性方面比非均匀分簇算法的性能更好,即在较长的时间内具有更多的存活节点,网络丢包率小.     

基于改进最大-最小蚁群算法的QoS路由算法

针对蚁群算法在OoS路由应用上的收敛速度慢和易陷入局部最优等缺陷,提出了一种"基于改进的最大-最小蚁群算法的Q0s路由算法",在算法中改进节点选择策略,并将最大-最小蚁群算法与局部搜索结合起来,有效抑制算法的过早收敛,提高了全局寻优能力和收敛速度,使QoS路由优化问题得到很好的解决.     

基于蚁群寻路的图像分割算法

文章主要是对蚁群算法做了一定的改进,将它用于图像分割,然后将分割出来的图像的边界利用腐蚀算法进行细化以达到更好的分割效果。分割算法可以看作一个组合优化问题,人工蚁群算法就是一种优化方法。因此,将人工蚁群算法引入到图像分割处理中完全可行。经过实验证明,该方法是完全可行的。     

基于蚂蚁算法的ABC支持型QoS单播路由机制

引入模糊数学和微观经济学有关知识,设计了一种ABC支持型QoS单播路由机制.该机制采用区间形式描述用户柔性QoS需求,使用边适合隶属函数处理链路状态不精确,引入带宽定价、边评判和路径评价机制,基于蚂蚁算法,寻找使用户与网络提供方效用达到或接近Nash均衡下Pareto最优的QoS单播路径.基于NS2仿真实现了该路由机制,在多个实际和虚拟网络拓扑上对其进行了性能评价.研究结果表明,该机制是可行和有效的.     

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.