基于变异动态蚁群算法的多约束QoS路由模型研究
发布时间：2021-07-02 20:52
本文提出了一种变异动态蚁群算法（MO-ACS）的多约束QoS路由模型。该模型是在多约束QoS模型下,通过优化蚁群算法的路由策略和引入遗传算法的变异算子来提高蚁群算法的路由寻优能力。同时采用负载均衡原则来解决网络拥塞问题。其中变异算子的变异是非均匀的,具有适应性。在蚁群完成一次进化后,变异算子根据当代蚁群进化情况决定变异频率。每一代蚁群的变异次数都是不同的。在满足QoS约束情况下,最后所寻的路径是时延和花费的综合评价值最好的解。通过大量的仿真实验证明了本文所提出的算法在满足QoS多约束的情况下具有负载均衡能力及高效的寻优能力。同时该算法在解决网络拥塞问题和蚁群算法早熟问题也表现出色。
【文章来源】：长春理工大学吉林省
【文章页数】：45 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
目录
第一章 绪论
1.1 研究的目的和意义
1.2 研究现状
1.3 本文研究内容和组织结构
第二章 蚁群算法及遗传算法的介绍
2.1 蚁群算法的介绍
2.1.1 蚁群算法概述及基本原理
2.1.2 优化蚁群算法介绍
2.1.3 参数分析
2.2 遗传算法
2.2.1 遗传算法的概述及基本原理介绍
2.2.2 遗传算法常用算子介绍
2.2.3 遗传算法应用介绍
2.3 两种算法的融合简述
2.4 小结
第三章 QOS路由技术及路由算法
3.1 QoS衡量参数
3.2 QoS路由的分类
3.2.1 静态路由
3.2.2 动态路由
3.3 智能路由算法简述
3.3.1 遗传算法-模拟退火算法(GA-SSA)
3.3.2 遗传算法-蚁群算法(GA-ACO)
3.4 小结
第四章 带非均匀变异算子的优化蚁群算法的QoS路由模型
4.1 QoS路由网络分类
4.2 QoS多约束模型
4.3 带非均匀变异算子的优化蚁群(MO-ACS)算法的QoS路由模型概述
4.4 非均匀变异二次搜索
4.5 蚂蚁死亡数量多的解决方法
4.6 MO-ACS算法模型的详细设计
4.6.1 路由策略及启发函数的修改
4.6.2 负载均衡原则及信息素更新原则
4.6.3 MO-ACS算法的具体步骤
4.7 小结
第五章 仿真模拟及数据分析
5.1 网络参数设置
5.2 MO-ACS算法的参数设置
5.3 MO-ACS算法的负载均衡能力分析
5.3.1 正常路由结果数据分析
5.3.2 单点过载情况数据分析
5.4 MO-ACS算法的变异数据分析
5.4.1 变异公式中参数a对蚁群算法的寻优能力的影响
5.4.2 变异数据分析
5.4.3 变异算子非均匀变异分析
5.5 MO-ACS算法的寻优性能
5.6 MO-ACS算法与AS算法的对比
5.7 实验小结
第六章 结束语
6.1 总结
6.2 进一步的工作
致谢
参考文献
【参考文献】：
期刊论文
[1]基于改进蚁群算法的数据邮递QoS模型[J]. 龚跃,展兴华,吴航,陈纯义. 计算机科学. 2012(S1)
[2]基于蚁群算法的QoS组播路由问题研究[J]. 杨晓敏,王春红,李萍. 系统仿真技术. 2012(02)
[3]遗传模拟退火算法在组播路由选择中的应用[J]. 朱冬梅,盛建瓴. 计算机工程与科学. 2011(01)
[4]Research on Data Routing Model Based on Ant Colony Algorithms[J]. 龚跃,吴航,鲍杰,王君军,张艳秋. Journal of China Ordnance. 2010(04)
[5]基于蚁群算法的改进遗传算法[J]. 翟梅梅. 安徽理工大学学报(自然科学版). 2009(03)
[6]融合遗传算法改进的蚁群算法[J]. 夏鸿斌,须文波,刘渊. 江南大学学报(自然科学版). 2009(02)
[7]遗传算法在蚁群算法中的融合研究[J]. 肖宏峰,谭冠政. 小型微型计算机系统. 2009(03)
[8]遗传算法和蚁群算法融合求解TSP[J]. 黄立君,许永花. 东北农业大学学报. 2008(04)
[9]基于遗传模拟退火算法的多约束QOS组播路由优化算法[J]. 屈志毅,文雪飞,范志明,苏振明. 计算机应用与软件. 2007(12)
[10]一种解决组合优化问题的改进型量子遗传算法[J]. 邢焕来,潘炜,邹喜华. 电子学报. 2007(10)
硕士论文
[1]一种透明的分布式计算框架及其在网络优化软件中的应用[D]. 洪道友.电子科技大学 2009
本文编号：3261207
【文章来源】：长春理工大学吉林省
【文章页数】：45 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
目录
第一章 绪论
1.1 研究的目的和意义
1.2 研究现状
1.3 本文研究内容和组织结构
第二章 蚁群算法及遗传算法的介绍
2.1 蚁群算法的介绍
2.1.1 蚁群算法概述及基本原理
2.1.2 优化蚁群算法介绍
2.1.3 参数分析
2.2 遗传算法
2.2.1 遗传算法的概述及基本原理介绍
2.2.2 遗传算法常用算子介绍
2.2.3 遗传算法应用介绍
2.3 两种算法的融合简述
2.4 小结
第三章 QOS路由技术及路由算法
3.1 QoS衡量参数
3.2 QoS路由的分类
3.2.1 静态路由
3.2.2 动态路由
3.3 智能路由算法简述
3.3.1 遗传算法-模拟退火算法(GA-SSA)
3.3.2 遗传算法-蚁群算法(GA-ACO)
3.4 小结
第四章 带非均匀变异算子的优化蚁群算法的QoS路由模型
4.1 QoS路由网络分类
4.2 QoS多约束模型
4.3 带非均匀变异算子的优化蚁群(MO-ACS)算法的QoS路由模型概述
4.4 非均匀变异二次搜索
4.5 蚂蚁死亡数量多的解决方法
4.6 MO-ACS算法模型的详细设计
4.6.1 路由策略及启发函数的修改
4.6.2 负载均衡原则及信息素更新原则
4.6.3 MO-ACS算法的具体步骤
4.7 小结
第五章 仿真模拟及数据分析
5.1 网络参数设置
5.2 MO-ACS算法的参数设置
5.3 MO-ACS算法的负载均衡能力分析
5.3.1 正常路由结果数据分析
5.3.2 单点过载情况数据分析
5.4 MO-ACS算法的变异数据分析
5.4.1 变异公式中参数a对蚁群算法的寻优能力的影响
5.4.2 变异数据分析
5.4.3 变异算子非均匀变异分析
5.5 MO-ACS算法的寻优性能
5.6 MO-ACS算法与AS算法的对比
5.7 实验小结
第六章 结束语
6.1 总结
6.2 进一步的工作
致谢
参考文献
【参考文献】：
期刊论文
[1]基于改进蚁群算法的数据邮递QoS模型[J]. 龚跃,展兴华,吴航,陈纯义. 计算机科学. 2012(S1)
[2]基于蚁群算法的QoS组播路由问题研究[J]. 杨晓敏,王春红,李萍. 系统仿真技术. 2012(02)
[3]遗传模拟退火算法在组播路由选择中的应用[J]. 朱冬梅,盛建瓴. 计算机工程与科学. 2011(01)
[4]Research on Data Routing Model Based on Ant Colony Algorithms[J]. 龚跃,吴航,鲍杰,王君军,张艳秋. Journal of China Ordnance. 2010(04)
[5]基于蚁群算法的改进遗传算法[J]. 翟梅梅. 安徽理工大学学报(自然科学版). 2009(03)
[6]融合遗传算法改进的蚁群算法[J]. 夏鸿斌,须文波,刘渊. 江南大学学报(自然科学版). 2009(02)
[7]遗传算法在蚁群算法中的融合研究[J]. 肖宏峰,谭冠政. 小型微型计算机系统. 2009(03)
[8]遗传算法和蚁群算法融合求解TSP[J]. 黄立君,许永花. 东北农业大学学报. 2008(04)
[9]基于遗传模拟退火算法的多约束QOS组播路由优化算法[J]. 屈志毅,文雪飞,范志明,苏振明. 计算机应用与软件. 2007(12)
[10]一种解决组合优化问题的改进型量子遗传算法[J]. 邢焕来,潘炜,邹喜华. 电子学报. 2007(10)
硕士论文
[1]一种透明的分布式计算框架及其在网络优化软件中的应用[D]. 洪道友.电子科技大学 2009
本文编号：3261207
本文链接：https://www.wllwen.com/guanlilunwen/ydhl/3261207.html
