群智能优化算法及其在路由优化策略中的应用

发布时间：2021-10-14 09:21

　　随着网络的不算发展，人们对网络传输速度和传输质量的要求也在不断提高。而现今的传输模式也在走向多样化，如图像、视频、声音等。这样也就对网络传输的实时性提出了更高要求。QoS路由也应运而生，而且日益凸显重要。对于QoS路由来说，主要考虑的是影响网络服务质量的几个重要度量约束：带宽、时延和抖动等。但是，对于QoS路由来说，现在还缺少统一的数学模型，其发展也受到一定限制。而本文主要是从QoS路由的三种重要模式入手，着重介绍了蚁群算法在单播路由、组播路由和选播路由的应用。蚁群算法作为一种新型的群智能优化算法，在解决路由优化问题中已经得到广泛应用。本文对QoS路由用自适应突变算法改进，并在搜索的过程中应用二次蚁群算法。对于信息素的更新我们采用混沌扰动模式，并对路径上信息素浓度用最大最小（MAX-MIN）蚁群算法来进行限制，防止个别路径信息素过高或过低，进而影响搜索。最后通过实验表明，改进的蚁群算法在三种模式中的应用都优于传统算法。改进算法中，蚂蚁更容易跳出局部最优，从而找到全局最优解，而且迭代次数明显减少，提高了搜索效率。 

【文章来源】：吉林大学吉林省 211工程院校 985工程院校 教育部直属院校

【文章页数】：50 页

【学位级别】：硕士

【文章目录】：
摘要
中文摘要
Abstract
第1章 绪论
    1.1 选题依据及发展现状
        1.1.1 QoS 路由的概念
        1.1.2 QoS 路由算法的发展及研究现状
    1.2 本文的研究内容及体系结构
第2章 蚁群算法的基本概念及改进算法
    2.1 群智能优化算法的概念
    2.2 典型群智能优化算法
        2.2.1 遗传算法
        2.2.2 粒子群算法
        2.2.3 鱼群算法
    2.3 蚁群算法的提出与发展
    2.4 蚁群算法的概念及原理
        2.4.1 蚁群算法的原理
        2.4.2 蚁群算法的模型
        2.4.3 蚁群算法的特点
    2.5 蚁群算法的改进
    2.6 本章小结
第3章 基于蚁群改进算法的 QoS 路由优化算法
    3.1 QoS 路由存在的问题
    3.2 QoS 路由模型
        3.2.1 单播路由模型
        3.2.2 组播路由模型
        3.2.3 选播路由模型
    3.3 蚁群算法对 QoS 路由的优化
        3.3.1 AMACA 算法对 QoS 单播路由的优化
        3.3.2 AMACA 算法对 QoS 组播路由的优化
        3.3.3 AMACA 算法对 QoS 选播路由的优化
    3.4 本章小结
第4章 结论
参考文献
后记和致谢


【参考文献】：
期刊论文
[1]一种基于DPSO的无线传感器网络QoS路由算法[J]. 何筱,石为人,王小刚,邓仲芬.  传感器与微系统. 2012(04)
[2]一种保证QoS的10G-EPON动态带宽分配算法[J]. 李丹.  通信技术. 2012(04)
[3]基于EoC接入的TD-SCDMA Femto回程网络QoS分析[J]. 顾蔚,张小辰.  电信技术. 2012(03)
[4]自适应的认知无线Mesh网络QoS约束的路由与频谱分配算法[J]. 邝祝芳,陈志刚,邓晓衡.  通信学报. 2011(11)
[5]能量平衡与QoS保障的无线传感器网络机会路由[J]. 岳林,易本顺,肖进胜.  湖南大学学报(自然科学版). 2011(11)
[6]WSN中基于蚁群算法的QoS路由协议[J]. 王镇,刘学军.  传感技术学报. 2011(11)
[7]基于OPNET仿真的QoS路由协议的研究与改进[J]. 徐功文,许丽娜,廖明海,张志军.  信息技术与信息化. 2011(05)
[8]自适应信息素更新蚁群算法求解QoS组播路由[J]. 李永胜,曲良东,李熹.  山东大学学报(工学版). 2011(04)
[9]基于改进蚁群算法的无线Mesh网QoS路由算法研究[J]. 王霄,吴开军.  计算机系统应用. 2011(07)
[10]自适应和最大最小蚁群算法的物流车辆路径优化比较[J]. 陈昌敏,谢维成,范颂颂.  西华大学学报(自然科学版). 2011(03)

博士论文
[1]蚁群算法理论、应用及其与其它算法的混合[D]. 高尚.南京理工大学 2005
[2]因特网QoS路由算法研究[D]. 郑彦兴.国防科学技术大学 2005

硕士论文
[1]基于蚁群算法的QoS组播路由研究[D]. 楼小明.浙江工业大学 2009
[2]蚁群算法优化策略及其应用[D]. 古明家.广西民族大学 2009
[3]蚁群算法及其在数据挖掘中的应用[D]. 鄢文晋.重庆大学 2007
[4]基于蚁群算法的优化问题研究[D]. 陈建玲.大庆石油学院 2007



本文编号：3435886