基于星上处理的卫星ATM拥塞控制算法

随着卫星通信技术的迅速发展和多媒体通信需求的不断增长,具有星上处理功能的卫星ＡＴＭ（异步传递方式）网络成为未来卫星通信发展的重点。由于ＡＴＭ网络拥塞的发生会极大降低网络性能,因此对拥塞控制的研究是非常有意义的。本文采用状态转移图的方法对闭环优先权标记法的理论模型进行了改进。使之更接近于实际情况。通过理论分析和实际系统仿真,结果显示闭环优先权标记法对于低轨卫星可大大降低高优先权的信元丢失率,并且该方法易于实现,是一种可行的卫星ＡＴＭ拥塞控制方案     

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.     

基于改进蚁群算法的优化设计

为研究结构优化设计问题,以二进制为基础,基于图解的蚁群系统,提出伪并行蚁群算法,以改善蚁群算法性能,并将其应用于结构优化设计中参数的求解.算例表明,改进的蚁群算法可求解连续优化问题,收敛速度快,计算精度高,并具有满意的优化效果,可用于工程优化设计.     

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.     

基于蚁群算法的多源组播流量均衡的研究

针对现有组播路由技术因路由单一而导致的不能满足多源组播网络中流量均衡的问题,基于蚁群算法提出了一种组播流量均衡的方法--LDA(load distribution algorithm)。LDA主要包括选择候选路由和组播调度两个模块,通过与常用的特定源组播路由协议(PIM SSM)相结合,从整体上考虑均衡网络负载的同时,一方面减小了组播数据包传递的时延,另一方面减小了丢包率。仿真实验结果表明,在PIM SSM的基础上,该方法能有效提高网络资源的利用率,降低组播数据传输时因排队造成的过大的时延和丢包率。     

求解聚合组播问题的多种群蚁群优化算法

传统的IP组播技术使用树状结构传递组播分组,要求树上的路由器为每个组保存一个转发状态,这样当网络上并发的组播组过多时会面临着组播状态扩展性问题。最近提出的聚合组播技术强迫多个组播组使用一棵共享的组播树来解决这个问题,这是一个NPC问题。提出一种基于多种群的蚁群优化算法来求解聚合组播问题。每个种群根据使用模型的不同使用不同的适应度函数、不同的启发式信息和不同的解构建过程,也就产生了不同的搜索轨迹和特点。算法设计了种群之间的交换整个信息素表和交换最优迭代解的两种信息交换方式。仿真结果显示,两种方法都能够取得比任何一种单独算法更好的优化效果,提高了算法的收敛时间。     

一种改进的并行蚁群优化求解算法

为了提高并行蚁群优化算法的求解性能,对ACO算法进行了改进.针对有明显聚类特征的大规模TSP问题,充分利用问题本身所具有的特征,提出了一种带聚类处理的蚁群算法,该算法比较ACS算法可以在更短的时间内找到相同质量的解,而且在相同的运行时间内,该改进算法总能找到最好的解.在VC++环境下进行仿真实验,求解了TSP库中的实例pr136、pr107,分别得到了其最短距离,结果表明了编程思路的正确性及高效性.     

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。     

基于交换机制的自适应蚁群聚类算法

在研究了基本聚类模型的基础上,模拟蚂蚁寻找食物源的行为,提出了一种基于蚁群最优化的自适应聚类分析的新方法。与之前的蚁群聚类不同,引入交换机制增强蚁群的觅食能力以提高聚类性能。该算法可以不用预先输入聚类数目,在仿真实验中该方法获得了比GCA算法和Kmeans算法更好的表现,表明这种基于交换机制的聚类算法具有较好的聚类性能。     

一种基于蚁群算法的多媒体网络多播路由算法

为了克服蚁群算法（Ant Colony Optimization,ACO）收敛速度慢，易限于局部最小点等缺陷，对ACO进行了改进，在每次循环结束时，保留最优解，自适应地改变挥发度系数，引入遗传算法的交叉算子，提出了一种基于ACO的有时延约束的多播路由算法模型。仿真结果表明，基于改进ACO的多播路由算法模型 可以稳定地获得优于现有启发式算法的解，是一种有效的多播路算法，该算法也适用于并行执行和应用。     

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。     

改进的蚁群算法在智能导游系统路径优化中的应用

为了解决游客选取最短旅行线路的困扰,在智能导游系统中加入路径分析的功能.将改进的蚁群算法应用于最短路径分析中,通过获取不同景点的ID号以及地理位置找到一条通过每个景点且只通过一次的最短旅行路线,仿真结果表明达到了预期的目标.     

融合遗传算法改进的蚁群算法

针对蚁群算法存在停滞现象及收敛速度慢的缺点,提出了一种融合遗传算法改进的蚁群算法,在蚁群算法中引入路径遗传运算.对蚂蚁发现的路径进行染色体编码,通过适应度函数对蚂蚁的路径做适应度评价,进行路径交叉和路径变异运算,设计了新的信息素更新策略.以对称TSP测试集为对象,将改进算法与现有算法进行测试比较.实验结果表明,改进后的算法具有优良的全局优化能力,有效防止了停滞现象.     

蚁群优化图着色算法在智能小区中的运用

当智能小区的地图网格中的颜色数太多时,经蚁群算法处理的信息会出现杂乱无章的现象.对蚁群算法进行优化,增添褪色过程并加入参数Max,能减小并控制着色色数,实现四色着色,使得小区里的各种动态数据和信息在地图网格中更加清晰且直观地展现.     

基于聚类蚁群算法的多车辆路径优化系统的实现

针对模型的可行性和有效性进行大量的仿真实验,首先对算法进行实现,然后通过仿真实验对不同规模的配送进行仿真配送,模型针对单车辆、多车辆、路径最优、时间最优4个方面进行仿真,其能够在较短的时间内得到优化结果,将大大提高搜索效率.     

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.     

基于改进的蚁群算法的物流拣选路径优化

提出了一种改进的蚁群算法来解决物流拣选路径的优化问题。通过实验室模拟环境,用Matlab7.0进行了某次拣选作业仿真,取得了最优路径。与基本蚁群算法相比,所提出的方法能更快地找到最优解。     

基于MATLAB的改进型基本蚁群算法

蚁群算法是一种新型的模拟进化算法。是继GA、SA、TS等算法之后求解组合优化问题的一种新思路。人工蚁群算法通过模拟蚁群搜索食物的行为,采用正反馈结构、分布式计算与某种启发式算子相结合的方法,能够很快地发现较好解。本文给出一种基于MATLAB的改进型基本蚁群算法,有效地降低了算法的复杂度,缩短了搜索时间,具有较强发现最好解的能力。