多种群蚁群算法在多目标优化中的研究

本文针对多目标优化问题提出了一种多种群蚁群算法,按照目标函数的个数建立蚁群种群数,在各个种群搜索过程中,创新性的引入了种群间的全局信息素更新和局部信息素更新,既提高算法对pareto解的搜索效率又避免了陷入局部最优,并针对多目标优化问题进行了仿真,证明了算法的可行性。     

改进蚁群算法求解多目标优化问题

针对传统蚁群算法在多目标优化问题中容易陷入局部最优的缺点,提出一种采用直接学习机制的改进蚁群算法。该算法通过采用模拟蚂蚁用触角交流信息过程的直接通信学习机制,用以改进信息素的更新规则,从而维持群体的多样性。通过两组多目标基准函数验证算法性能,仿真结果表明该算法所获得的Pareto解具有多样性以及均匀分布性,有效地提高了蚁群算法全局寻优的能力。     

多种群蚁群算法在矩形件优化排料中的应用

矩形件优化排料问题是一类具有NP完全难度的组合优化问题。将多种群蚁群算法应用到矩形件优化排料问题求解中,优化试验结果表明可获得比基本蚁群算法更好的效果,为矩形件优化排料这类NP完全问题提供了新的思路和方法。     

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。     

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。     

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.     

MPLS组播局部标签聚合机制研究

提出了一种新的基于多协议标签交换组播的局部标签聚合方法,通过查找入口标签边缘路由器中保存的节点表,得到与已有组播树具有最大匹配的组播子树.在此组播子树上,因为不同的组播会话具有相同的路由,可给这些组播会话分配相同的标签,而不需要整个组播树的完全匹配.通过性能分析表明,可进一步减少网络中的标签数量,有效的提高扩展性和可靠性等网络性能.     

基于改进的蚁群系统的多QoS约束组播路由算法

该文提出了一种新的改进蚁群算法,加速算法收敛速度,实行多个独立QoS约束的更新策略,满足用户的QoS要求.仿真实验表明,应用这种改进型蚁群算法于多播路由问题,可以得到比现有启发式算法更好的结果.     

求解约束优化问题的动态多种群粒子群算法

为有效求解带有约束条件的优化问题,提出一种动态多种群粒子群算法。采用动态多种群策略和广泛学习策略来提升种群的多样性, 并根据人类社会“人尽其才”的思想, 为每个子群指派成员, 以发挥每个粒子的最大效用。采用动态变异策略, 对全局最优粒子(Gbest)进行变异操作以提升算法跳出局部最优解的能力。在基准函数的测试结果中显示DMCPSO获得了较高的求解精度。     

一种解多QoS约束组播问题的改进蚁群算法

多QoS约束的组播路由技术是当前实现分布式网络多媒体的关键技术,蚁群算法是解决多QoS约束组播路由问题的一种启发式算法,但存在收敛速度慢等缺陷. 基于这种情况提出了一种改进的蚁群算法,该算法采用基于组成员节点驱动的方式构造组播树,并在概率转移函数中添加了方向因子,使蚂蚁在寻找路径时摆脱了最初的盲目性,以更大的概率快速向源节点靠近. 仿真实验证明,改进蚁群算法的收敛速度明显提高.     

用分层蚁群算法求解优化问题

提出了一种改进的群算法用于求解优化问题,首先建立N个低层子种群,用一定数量的蚂蚁在这N个解空间中先随机搜索,然后模拟蚂蚁寻食的方式通过信息素来指引搜索,得到N个结果后在用蚁群算法求解,并给出了具体的算法。     

改进的蚁群算法求解连续性空间优化问题

为了克服基本蚁群算法搜索时间过长,易陷于局部最优等缺点。引入了随机算法,并提出了一种采用随机模式调整信息素的改进蚁群算法RACA(Randomized Ant Colony Algorithm)。采用随机地计算部分点的函数值,并对当前最优、次优解的部分解启用新的信息素调整规则。该算法保持了解的多样性,增强了全局搜索的能力。运算结果表明新的蚁群算法对求解连续函数优化问题有较好的改进效果。     

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。     

多种群遗传蚁群融合的多Qos约束组播路由算法

具有多约束的Qos(quality of service)路由问题是一个NP完备问题,传统方法很难求得全局最优解。针对多约束Qos组播路由问题,选择带宽、时延和时延抖动为Qos参数,由多种群遗传算法产生初始状态,利用蚁群算法的全局寻优能力提出一种将多种群遗传算法和蚁群算法融合的新算法。分析表明,该算法是可行、有效的。     

基于蚁群算法的多目标优化问题研究

为保持所求得的多目标优化问题Pareto最优解的多样性,文章提出了一种新的蚁群算法。选择策略采用多信息素权重,信息素更新结合了局部信息素更新与全局信息素更新。其中,全局信息素更新采用了两个最好解。此外,通过在外部设置外部集来存储Pareto解,并将改进的算法应用在双目标TSP上。最后进行了仿真实验,结果表明新方法比NSGA-II和SPEA2更有效。     

计算机网络中的组播路由算法探讨

本文提出了一种新的改进蚁群算法,通过构建确定性选路概率函数和基于交叉变异的变异操作,加速算法的收敛速度;对信息素实行多个独立QoS约束的惩罚性更新策略,使算法满足用户的QoS要求：考虑到网络实际应用,算法设计中引进了基于链路利用率的负载均衡和拥塞规避重路由策略,提高算法的鲁棒性。     

一种优化组播路由费用的算法

为满足某些组播应用（如多媒体通信,分布环境中的协同工作等）。既需优化路由的网络费用,又需优化路由的目的地费用的要求,提出了一种简单可行并且使用灵活的组播路由优化算法。该算法的主要思想是对目的结点费用进行衰减,以使组播路由有更多的共享链路,优化了路由的网络费用,同时还可以调节衰减因子使目的地平均费用也得到优化,克服了已有的优化方案只能优化网络费用或只能优化目的地平均费用的缺点,适用于各种通信场合。     

蚁群算法求解优化函数

蚂蚁具有找到蚁穴与食物源之间最短路径的能力,受此启发提出的蚁群算法最初用于解决旅行商问题,具有自适应性、鲁棒性及本质上的并行性等许多特点,广泛适用于各种静态和动态的组合优化问题中,具有潜在的应用前景。为了求解一般的函数优化,文章在标准蚁群算法的基础上,引入遗传算法的编码方式,并对蚁群算法的信息素更新进行改进。通过对几个经典测试函数的求解,证明了算法的有效性。     

求解TSP问题的蚁群算法

蚁群算法是新兴的仿生进化算法,具有并行计算、正反馈等特点,与其它各种启发式算法相比该算法具有明显的优越性.本文分析了蚁群算法的基本机理,并讨论了基本蚁群算法在TSP问题中的应用.     

基于蚁群算法的星上ATM单组播并行交换结构

由于卫星通信具有带宽有限、时延受限、信道误码率高等特点,因而设计星上交换结构时必须尽可能降低交换时延,减少内部阻塞.同时,组播业务的广泛应用使得星上交换需要具备单组播并行处理能力.为此,提出一种基于蚁群算法的星上异步传输方式(ATM)单组播并行交换结构,并对此方案进行了分析和仿真.结果表明,该结构由于采用了蚁群算法和阻塞规避方案,实现了单组播并行处理,并有效改善了信元时延和信元丢失率等性能.