一、基于遗传算法的受限时延最小代价组播路由问题求解(论文文献综述)
崔莹[1](2019)在《低压电力线通信组网方法及信道接入优化研究》文中研究说明能源互联网中存在大量分布式电源及储能设备,导致低压电力线通信(Power Line Communication,PLC)环境更加恶劣。因此,提高低压PLC网络性能具有重要的意义。目前,低压PLC多以对称信道为条件展开研究。事实上,低压PLC信道部分情况下是非对称的。针对这一实际情况,本文以PLC协议栈的数据链路层和网络层为研究对象,以提高网络性能为目的,在非对称信道环境下分别从低压PLC组网快速性、网络健壮性、网络单播及组播路由通信性能和网络整体饱和通信性能等方面展开研究工作:针对现阶段组网方法在非对称信道环境下对拓扑的动态变化反应相对滞后导致组网时间较长的问题,提出基于CSMA/CA+TDMA混合协议的低压PLC组网方法。通过与未知环境不断交互试错,关联注册节点信息,经周期性学习训练,优化以网关为根的最矮簇树,实现快速组网;在节点间距离较远或信道环境较为恶劣的条件下,探讨基于CSMA/CA+TDMA混合协议的多网络快速融合方法。该方法能智能识别区域内存在多个网络,自主选取媒体访问控制(Media Access Control,MAC)地址最小的网络为多网融合方向,解散MAC地址较大的网络,解决多网络不确定性融合问题。网络解散后节点经试错学习可实现注册入网,保证组网完整性与快速性。仿真验证所述方法的有效性与泛化能力。针对组网完成后节点的投入与切出导致对网络健壮性产生不良影响的问题,提出基于小世界模型的低压PLC网络维护与自愈方法。以带宽为约束,以环境自适应为学习目标,运用网络维护方法,动态感知网络状态信息,不断学习异动事件的发生规律。当故障发生时,自适应选择恢复路径,确保数据的实时传输,实现网络自愈。子节点运用小世界思想,智能选取网络连接度较高的代理,提高网络健壮性。在保障网络健壮性条件下,针对遗传算法在服务质量(Quality of Service,Qo S)参数约束下局部搜索能力差、难以得到按需路由最优解的问题,在非对称信道环境下提出基于改进遗传蚁群算法的路由方法。源节点和目的节点不参与交叉、变异操作,有效避免无效染色体的生成。采用最佳保留机制找到较优解,将较优解转换成蚁群算法的初始信息素,找到路由的全局最优解。节点采用改进算法可实现单播及组播通信。仿真验证改进算法相比原始算法的有效性。针对信道非对称性及噪声干扰严重影响网络整体饱和带宽利用率、接入时延等问题,提出一种适用于低压PLC节点规模受限的改进型自适应p-坚持CSMA博弈优化方法。节点采用隐马尔可夫模型对当前信道竞争的博弈节点进行动态估计;根据博弈结果自适应调整收发端的纳什均衡,控制节点发送数据包行为,降低数据包冲突概率,保证信道处于最佳传输状态,获取网络整体最佳饱和性能。
张阿鑫[2](2019)在《基于蚁群算法的Ad Hoc组播能量优化研究》文中进行了进一步梳理为了保障移动Ad Hoc网络的服务质量(Quality of Service,QoS)需求,选择合适的QoS路由算法是需要研究的重要问题之一。但研究表明,多约束条件下的QoS组播路由问题属于多项式复杂程度的非确定性问题(Non-deterministic Polynomial Complete Problem,NPC),利用传统算法很难求解,因此,用启发式算法解决QoS组播路由问题成为了新的研究方向。蚁群算法由于其分布式计算、单个智能体实现简单、支持多路径等特点,适合应用于QoS组播路由算法。目前,对移动Ad Hoc网络QoS组播路由的研究主要集中于延迟抑制最小代价组播路由问题、带宽抑制最小代价组播路由问题以及延迟抖动抑制的最小代价组播路由问题等,这些研究工作对能量消耗、组播生存期和网络生存期等问题的考虑较少。而移动Ad Hoc网络的能量是非常有限的,如不考虑对能量消耗的合理控制,很可能会影响网络的整体性能。因此,本文将研究的重点放在了移动Ad Hoc网络的组播路由能量优化问题上,以下为本文的主要研究内容及创新点:(1)本文首先研究了移动Ad Hoc网络的概念特点及网络结构,分析了QoS组播路由目前所面临的问题,对比研究了现有的QoS组播路由算法,并详细研读了移动Ad Hoc网络能量优化的思想。(2)本文接着研究了基本蚁群算法原理及其经典的改进方案,为了研究基于多约束问题的蚁群算法改进,本文在旅行商问题(Traveling Salesman Problem,TSP)中引入了城市拥堵值作为约束参量之一,并基于此多约束的TSP问题,提出了一种对蚁群算法的改进方案。该方案不再使用等值的初始信息素浓度,而是采用拥堵值参量的归一化值作为初始信息素浓度,这样做可以降低蚁群算法搜索初期的盲目性,使蚂蚁更倾向于选择拥堵值较小的路径。仿真表明,该算法能以较快的速度搜索到具有较小拥堵值的最小代价路径。(3)最后参考组播路由的能量优化思想,本文对基于蚁群算法的QoS的组播路由算法进行了改进。该改进方案以(2)中叙述的改进蚁群算法的思想为基础,在QoS的组播路由算法中引入链路能量水平作为QoS约束之一,并将其作为影响蚂蚁信息素更新的一个因子。这样做能引导算法在路径构建过程中选择能量充足的节点,进而达到促进网络能量均衡使用的目的。仿真表明,该方案能在保证组播路由算法的代价、时延等性能良好的前提下,实现优化组播网络能量的功能。
彭璐[3](2015)在《基于遗传算法的QoS组播路由优化研究》文中研究表明随着Internet的出现以及迅猛的发展,越来越多的多媒体应用大量涌现而出,例如视频会议、远程视频教学和视频点播等。这些应用虽然都有着不同的形式,但是却都有着一个共性:对信息传输的高效性都有较高的要求。为了更好的保证这些业务的传输质量,信息在传输过程中需要满足一些特定的要求,这就是所谓的Qo S(Quality of Service)问题。多约束的Qo S问题已经被证明是一个NP难问题,而传统的路由协议提供的是一种“尽力而为”的服务,无法有效的提供Qo S保障。为了有效满足Qo S约束条件,智能算法被用来解决多Qo S约束的NP难问题,而在众多智能算法中,遗传算法因具有较好的并行性、全局性和自适应性,故在解决NP难问题方面拥有较大的优势。现在已有很多基于遗传算法的多Qo S约束组播路由的研究,但是要将组播路由问题很好的和遗传算法结合在一起,有两个难点,第一个就是如何设定种群个体完成编码,第二个就是如何设置好的适应度函数。好的编码可以无需解码,并且可以有效地完成交叉和变异操作;而遗传算法求解的过程中基本上不需要使用搜索解空间的任何知识和其他辅助信息只需要根据适应度函数值来对个体性能进行评价,并在评价基础上进行遗传操作直到求得解。针对以上问题,本文基于遗传算法循序渐进的分别研究多Qo S单播路由、满足时延和带宽约束的组播路由以及多Qo S组播路由。最后针对每个问题各提出了一个改进的遗传算法,分别解决了满足多Qo S约束的单播路由问题、满足时延和带宽约束的组播路由问题以及满足多Qo S约束的组播路由问题。其中第一个算法主要在设定适应值函数的时候提出了一种创新的惩罚机制,第二个算法主要提出一种创新的编码方式,而最后一个算法是对前两个算法的一个整合。对于文章提出的算法分别进行仿真实验,最后可以得出结论:文章提出的算法都是可行的,并且通过与现有提出的遗传算法结果进行比较,文章算法在收敛性、资源消耗和花费代价方面的性能明显优于现有算法。
汪颜[4](2012)在《量子进化组播路由算法研究》文中研究表明随着Internet的迅速发展,视频会议、网络游戏、在线交易等多媒体通信业务迅速增长,带宽消耗和网络拥塞问题日益显着。组播技术是将数据从一个源节点同时传输给大量的目的节点,从而有效的节省了网络带宽占用,减少网络拥塞。本文针对组播路由问题,主要讨论了求解最小代价的时延约束组播路由算法,主要研究内容如下:1.提出了量子进化组播路由算法(QEA),将组播路由问题转化为网络中的边的组合优化问题,利用量子位对网络中的边进行编码来替代对网络备选路径的编码,并且改进了量子旋转门策略,加速算法的收敛速度。理论分析和计算机仿真实验结果都表明,算法复杂度大大降低,且结果稳定,算法收敛速度快,操作简单。2.对动态组播问题,结合量子进化组播路由算法的编码优势和组播树的构造过程,提出了量子进化动态组播路由算法。讨论了网络中组播组成员变化和网络拓扑结构变化两种情况的动态变化,本算法中引入种群更新算子和个体修复等算子对动态变化对组播树产生的影响进行修复和补偿。通过仿真测试,验证了算法对动态组播的有效性和可靠性。3.针对更大规模的网络组播问题,借鉴中小规模组播问题的解决方式,综合考虑代价最小和复杂度降低两个因素,提出了基于量子进化计算的大规模网络组播路由算法,该算法采用基于路径的编码方式,然后采用量子变异算子和量子旋转门策略对种群进行更新,仿真结果显示,该算法能在组播树性能和计算复杂度之间的取得折中的结果,且算法实现简单,控制灵活。
贺清[5](2010)在《基于改进的遗传算法的QoS组播路由算法》文中研究指明近年来,信息化与网络化已经越来越明显地深入到人们日常的工作与生活之中,通常情况下服务器可以使用点对点传输的单播方式向每个客户机提供服务。然而在网络视频会议、网络电视直播、股票发行等网络多媒体及实时业务中,经常需要将相同的数据从网络中的一个结点同时发送给多个结点。如果采用单播技术进行数据传输,则会在网络中重复地传输相同的数据,会占用大量网络带宽资源。所以在实现上述多媒体业务时,必须利用组播技术来提高数据传输的效率。针对各种网络业务的不同需求,如费用、带宽、时延、时延抖动、丢包率等约束,需要提供不同的网络服务质量,即QoS (Quality of Service)。本文首先介绍了组播路由技术的相关原理,然后在总结了组播技术领域研究现状的前提下,对带宽、时延、时延抖动和包丢失率约束以及费用最小的QoS组播路由问题进行分析和研究,提出了一种基于遗传算法的QoS组播路由算法,并介绍了改进的遗传算法的基本思想和操作步骤。该算法具有以下特点:在描述网络结构时,使用了仅存储相邻结点信息的策略,每个结点只需存储与其直接相邻的路径编号,每条路径也只需存储其两端结点的编号信息,每个结点无需知道整个网络中其它结点、路径的信息,真实地模拟了现实网络的状态。种群初始化,使用了优先将与组播源点距离较远的组播终点进行启发式分组策略。变异操作,采用了结点所在分组的变异、两个或多个分组集合相交的合并点位置的变异,这两种方式相结合的变异策略。设计并实现了QoS组播路由算法仿真测试平台软件。并使用该平台对本文提出的QoS组播路由算法进行了仿真实验和性能分析,并且将本文算法与目前所提出的一些其它性能较优的算法进行了性能方面的比较,实验结果表明:本算法快速有效,并且在性能和效率方面均优于其它现存算法。
葛连升[6](2010)在《基于蚁群优化的组播路由算法研究》文中研究指明随着Internet的不断普及和多媒体通信技术的快速发展,特别是下一代互联网的建设、研究和试商用,以及IPTV、视频会议、视频点播、远程教学等多媒体应用迅速发展和普及,使得原来已经存在的、庞大的数据流量成倍增长,据Cisco估计,2007至2012年间Internet流量会每两年翻一番,这对Internet的健康发展带来了严峻的挑战。优化网络带宽可满足数据流量增长的需要,而IP组播通信技术是适用于一对多(或者多到多)的数据传输业务,已经成为研究实现优化带宽的一个重要手段。IP组播通信是由Steve Deering博士最初提出的一种网络体系结构,可以将源节点数据流的副本以多路复用的方式发送到一组接收者。利用组播通信技术,源节点只需产生并发送一份数据流,经过组播树中路由器的复制和转发,将数据流传送到一组目的节点。因此,与单播通信相比,组播通信可以极大地降低网络资源的消耗,同时能够减轻源节点的负担,因而IP组播通信是目前实现多媒体组通信的最佳方式。针对组播和组播路由算法的研究一直是学术界和工业界的研究热点,其中,为满足多媒体组通信对网络QoS的要求,寻找一种简单、高效、健壮的具有多约束条件的组播路由算法一直是网络界致力研究但未完全解决的问题。在数学上,带约束条件的组播路由问题被归结为带约束的Steiner树问题,该问题已经被证明是NP-Complete的,一般不能在多项式时间内找到可行解,解决这类问题一般使用近似算法、启发式算法等新型智能算法。随着中国下一代互联网示范工程CNGI的试商用,以及电信网、广播电视网和互联网三网融合工作的启动,这对IPTV、网络视频会议、网络远程教学等多媒体应用的推广部署及应用具有非常积极的政策意义和推动作用,从而对组播和网络服务质量(QOS)等产生了迫切需求,因此探索使用新型智能算法研究组播路由算法既有理论意义,也有现实意义。特别是随着下一代互联网为代表的新型、高性能网络的部署,高性能组播路由算法将成为研究的难点和热点问题,主要表现为动态、分层/聚合、分布式、高性能、低复杂度的多QoS约束的组播路由问题。另外,在实际的网络通信中,各个网络节点的组播能力是受到限制的,如何既减少节点复制信息的数量,缩短处理信息的时闻,有助于保证网络的传输速度,又平衡各个节点的负载,这就引入了度约束(degree constrained)问题。通过对网络节点给定度约束来管理节点的组播能力,并研究在有度约束情况下的组播路由问题,这在实际网络中具有重要意义。蚁群算法是一种基于种群的模拟进化算法,由意大利的Marco Dorigo于1991年在其博士论文中首先提出,并将其成功的应用于求解旅行商TSP问题。蚁群算法能够通过群体之中个体之间的相互作用解决优化问题,从而可以克服利用传统方法加以解决某些优化问题所经常遇到的无法求解或求解极其复杂等困难。其基本原理在于:蚂蚁在寻找食物过程中,虽然开始时单个蚂蚁的路径是杂乱无章的,但是蚂蚁通过相互交流信息,最后总能找到蚁巢与食物之间的最短路径。这种能力是靠其在所经过的路上留下一种信息素来实现的。蚂蚁在一条路上前进时会留下一定量的信息素,信息素的强度会随着时间的推移会逐渐挥发消失,后来的蚂蚁选择该路径的概率与当时这条路径上信息素强度成正比。对于一条路径,选择它的蚂蚁越多,则在该路径上蚂蚁所留下的信息素强度就越大,而更大的信息素强度则会吸引更多的蚂蚁,从而形成一种正反馈,通过这种正反馈,蚂蚁最终可以发现最短路径,以后大部分的蚂蚁都会走此路径。随着Internet上分布式多媒体应用对QoS的需求日益增长,QoS路由作为实现QoS需求的关键技术之一,也越来越得到研究人员的重视。将蚁群算法应用于研究受限组播路由,可以解决包括带宽、延时、包丢失率和最小花费等约束条件在内的QoS组播路由问题及度约束组播路由问题,是当前网络组播路由优化领域的一个研究热点。本论文就是使用蚁群优化这一启发式算法,研究提出了几种解决带约束条件的组播路由问题的新型蚁群算法,包括度约束环境下的组播路由算法和多QoS约束环境下的组播路由算法两个方面。论文的主要学术贡献可归纳如下:1)针对度约束组播路由问题,利用蚁群算法的正反馈机制设计了一种基于树的蚁群算法NAH。在NAH算法中,蚂蚁按照一定的概率选择一条链路加入组播子树,然后检查加入点的度约束情况,如果该点的度约束情况达到饱和,则蚂蚁以后不再选取与该点连接的链路。仿真实验表明,相比现有的AH算法,NAH算法能在更短的时间内找到最优解,而且显着地降低了空间复杂度,NAH算法的总空间复杂度为o(M×N),而AH算法的总空间复杂度为o(M×N×n),运算速度也明显加快。2)将交叉熵算法和蚁群算法相结合,设计了一个求解多QoS约束组播路由问题的新型蚁群算法。该算法将多QoS约束的组播路由问题表示成适用于交叉熵算法求解的数学模型,利用蚂蚁代理的概念,给出了基于交叉熵的蚁群算法求解多QoS约束组播路由问题时的执行步骤。通过将蚁群算法与具有完备数学基础的交叉熵算法相结合,交叉熵算法随机机制的优点保证了求解的规模和寻找解的范围足够大,从而可以显着提高最优解的质量,而且在运算速度、可扩展性等方面均优于传统蚁群算法。3)根据蚁群算法开始收敛速度慢的情况,针对多QoS约束的组播路由问题,设计了一个基于地理位置感知的蚁群优化算法。该算法将地理位置信息引入蚁群算法,蚂蚁在寻路时可以使用位置信息以获得更准确的路径选择。在此基础上,借鉴地理位置感知的思想,提出了“方向因子”的概念,并基于方向因子提出了一个改进的多QoS约束组播路由蚁群算法MACA。该算法采用了组成员节点驱动的方式构建组播树,并在概率转移函数中加入了方向因子,使蚂蚁在寻找路径时摆脱最初的盲目性,以更大的概率快速地向源节点移动,从而可以克服了传统蚁群算法中存在的收敛速度慢的缺陷。仿真实验表明,MACA算法较标准蚁群算法在收敛速度、运行时间等方面均有显着的改进。
黄小凤[7](2010)在《计算机网络中的组播路由算法研究》文中认为随着因特网的迅速普及和一些高带宽应用的飞速发展,涌现出了许多新型的通信业务,如视频点播、邮件群发、网络游戏、远程教学、视频会议等。这类应用一般涉及多个用户,对网络资源的消耗极大,且对服务质量有着较高要求。组播是一种可以有效减轻对网络带宽的消耗,提高数据传输效率的通信方式,因而在这类业务中得到了广泛的应用。QoS组播路由问题主要研究在满足服务质量需求的情况下怎样更好地实现组播功能,成为目前研究的热点之一。本文研究分析了基于蚁群算法的时延受限组播路由算法和基于克隆算法的时延受限组播路由算法,在此基础上,设计了带受体编辑的克隆选择时延受限组播路由算法和基于改进克隆策略的整体优化组播路由算法。带受体编辑的克隆选择时延受限组播路由算法对基于克隆算法的时延受限组播路由算法进行了改进。根据代价最小化原则和延时要求对个体的基因片段进行两次受体编辑,采用带受体编辑的克隆选择算法对其进行求解表明,在无需先求解备选路径的情况下能快速找到最优解,算法复杂度低且稳定可靠;本文还将带受体编辑的克隆选择用于解决组播路由的QOS问题,提出了基于改进克隆策略的整体优化组播路由算法。它在首先满足延时约束的条件下,再综合考虑延时、带宽、代价这三个性能指标,引入了一个参数Q来衡量组播路由综合性能,使算法在这三者之间进行权衡约束,克服了目前传统的组播路由算法的一种性能参数的改善是以另一种或几种性能参数的退化作为代价,过于厚此薄彼的作法。仿真实验表明:该算法收敛速度快,能从整体上把握组播路由的综合性能,大大改善了组播路由的服务质量。可应用于视频点播等组播领域。
葛连升,江林,秦丰林[8](2010)在《QoS组播路由算法研究综述》文中进行了进一步梳理组播路由和网络服务质量(QoS)是目前和下一代Internet的两个重要研究课题。QoS组播路由作为这两个研究课题的融合,是亟待解决的NP-完全多目标优化问题。结合QoS组播路由算法的问题模型与数学描述,依照不同标准对现有的QoS组播路由算法进行了分类,就当前QoS组播路由算法的研究成果进行了总结,分析比较了典型的QoS组播路由算法,提出了目前算法研究存在的问题,并对以后的研究方向作了展望。
王炼红[9](2009)在《人工免疫优化与分类算法及其应用研究》文中研究表明人工免疫系统(AIS:Artificial Immune System)是一类基于生物免疫系统的功能、原理、基本特征以及相关理论免疫学说而建立的用于解决各种复杂问题的计算系统,是继人工神经网络、进化计算之后新的计算智能研究方向。本论文旨在深入探索和研究生物免疫系统中蕴含的进化学习机制,设计高效的人工免疫算法,并用其解决工业中的组合优化问题以及数据挖掘中的分类问题。本论文的主要研究工作包括以下几个方面:1.一般克隆选择算法(CSA)求解函数优化问题时,虽然表现出了比遗传算法更好的全局寻优能力,能有效克服遗传算法早熟现象。但是,在解决诸如背包问题等组合优化问题时收敛速度缓慢,解波动较大且难搜到最优解。为此,对一般克隆选择算法进行了改进,提出了带受体编辑的克隆选择算法(RECSA)。该算法受生物免疫系统机理的启发,不仅通过体细胞高频变异还引入了受体编辑操作实现亲和力的成熟,使抗体达到与抗原的高度匹配,同时增加一个历史至当前代最佳个体记忆单元防止种群退化。针对背包问题,采用贪婪策略和宽限边界值相结合的方式,对每代抗体群进行受体编辑操作。在对背包问题的两个算例求解中表明:与一般CSA算法和遗传算法相比,RECSA算法能提高种群质量和算法的收敛速度,在随机搜索期望最优值方面能力更强,而且算法更加稳定可靠,鲁棒性更好。2.针对组合优化问题,建立了一般CSA和RECSA算法的有限时齐马尔可夫链模型,定义了种群状态并构造了马尔可夫链的状态转移矩阵,然后采用马尔可夫链理论对两算法的收敛性进行了证明。理论推导表明,当迭代次数趋于无穷大时,马尔可夫链中的任意种群初始态是以概率1收敛到最优态,即至少有一个最优解能被寻到。最后,采用马尔可夫链平均吸收时间定理,证明了RECSA算法的平均收敛代数小于一般的CSA的平均收敛代数,从理论上说明了RECSA算法的收敛速度更快。3.为了说明RECSA算法解决组合优化问题的普遍有效性,我们将其用于组播路由问题当中。针对时延受限的组播路由,根据代价最小化原则和延时要求对个体的基因片段进行两次受体编辑,采用RECSA算法对其进行求解表明,在无需先求解备选路径的情况下能快速找到最优解,算法复杂度低且稳定可靠。本文还将RECSA算法用于解决组播路由的QoS问题,在首先满足延时约束的条件下,再综合考虑延时、带宽、代价这三个性能指标,引入了一个参数Q来衡量组播路由综合性能,使算法在这三者之间进行权衡约束,克服了目前传统的组播路由算法的一种性能参数的改善是以另一种或几种性能参数的退化作为代价,过于厚此薄彼的作法。仿真实验表明:该算法收敛速度快,能从整体上把握组播路由的综合性能,大大改善了组播路由的服务质量。将该算法用于长沙移动网的LAC优化中,实现了在不增减LAC区的情况下尽量减小LAC区边界处位置更新次数。4.从免疫进化网络理论着手,在研究了aiNET聚类模型和AIRS、AINMC等分类算法基础上,提出了基于免疫进化网络理论的分类器(IENC)。该算法主要采用记忆细胞池间与记忆细胞池内的两次网络抑制操作来改善网络结构,使记忆细胞在特异性与“通用性”之间得到平衡,从而提高分类准确率。对UCI中的Iris、Ionospere、Sonar和Pima的四个标准数据集的测试表明, IENC分类器比AIRS和AINMC更好,分类准确率更高。5.最后,将IENC分类器用于DNA序列和电能质量扰动分类中同样得到了比较满意的分类准确率。以上测试中,分类器的亲和力度量均采用常用的欧式距离。而在DNA序列的分类中发现, DNA序列的特征提取和亲和力度量方法对分类性能有较大影响。为此,对算法进行改进,采用离散增量度量亲和力,所获得的分类器泛化性能更好,能更好地衡量序列之间的相似性,将其用于线虫、酵母和拟南芥三类模式生物基因的识别中获得了更好的分类准确率。
孙晖[10](2009)在《自然计算求解QoS组播路由》文中提出随着实时多媒体通信需求的增长,满足QoS约束的组播路由算法成为当前研究的热点,QoS约束主要包括时延、费用、带宽、跳数等。组播问题的关键在于建立以根为源节点,覆盖所有成员节点,且满足约束要求的多播树,使信息以并行方式沿着树枝发送到不同的组播成员,节省网络带宽资源,减少拥塞。多智能体系统是近二十年来蓬勃兴起的崭新计算机学科,已经成为目前计算机科学发展最快的领域之一。其研究的目标是将大的、复杂的系统改造成小的、协调的、易于管理的且能够彼此相互通讯的系统。本文针对组播路由问题,结合多智能体系统、免疫克隆策略做了一些相关的研究工作。本文的主要研究工作如下:1.综述了Steiner树的一些启发式算法和智能算法,简要介绍了人工免疫系统、多智能体系统及其进化方式与研究现状。2.借鉴多智能体遗传算法(MAGA)中智能网格结构,提出了基于邻域免疫克隆选择的多智能体组播路由算法(MNICSA)。算法在智能体邻域竞争操作前,先对邻域内抗体进行免疫克隆操作,保证了抗体在智能网格中位置固定。同时针对QOS组播路由问题,引入了疫苗的提取与接种策略以指导种群的进化,设计了变异算子以增加种群多样性。智能体克隆方式和变异算子设计是本章的创新之处,实验表明MNICSA在收敛速度和求解质量上取得了很好的效果。3.为解决智能网格中优秀个体扩散过快问题,提出了多种群智能体组播路由算法(MMAA)。将主种群分为若干子种群,每个子种群独立构造智能网格,单独进化并通过记忆库建立了子种群和优秀个体间的映射关系。使用迁移算子加快优秀个体在群体间传播,设计了个体生成算子来保持种群的多样性。子种群智能网格的建立和个体生成算子设计是本章的创新之处,实验显示在一定的适应度评价次数内,MMAA在求解精度上有很好的表现。
二、基于遗传算法的受限时延最小代价组播路由问题求解(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于遗传算法的受限时延最小代价组播路由问题求解(论文提纲范文)
(1)低压电力线通信组网方法及信道接入优化研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 课题背景及研究的目的和意义 |
1.2 课题的国内外研究现状 |
1.2.1 电力线通信技术总体发展现状 |
1.2.2 低压PLC组网方法研究现状 |
1.2.3 低压PLC网络维护与自愈方法研究现状 |
1.2.4 低压PLC网络路由方法研究现状 |
1.2.5 低压PLC网络信道接入协议研究现状 |
1.3 国内外研究现状总结 |
1.4 本文主要研究内容 |
第2章 基于CSMA/CA+TDMA混合协议的低压PLC组网方法 |
2.1 引言 |
2.2 低压配电网拓扑结构分析 |
2.2.1 低压配电网物理拓扑 |
2.2.2 低压配电网PLC逻辑拓扑 |
2.3 基于CSMA/CA+TDMA协议的低压PLC单区域组网方法 |
2.3.1 低压PLC局域网组网问题 |
2.3.2 CSMA/CA+TDMA混合协议 |
2.3.3 基于CSMA/CA+TDMA混合协议的低压PLC组网工作机理 |
2.4 基于CSMA/CA+TDMA混合协议的多网络融合方法 |
2.5 典型组网场景及仿真 |
2.5.1 单区域组网场景及仿真 |
2.5.2 多区域网络融合及仿真 |
2.6 本章小结 |
第3章 基于小世界模型的低压PLC网络维护与自愈方法 |
3.1 引言 |
3.2 小世界网络模型 |
3.3 低压PLC网络的小世界性质 |
3.4 基于小世界模型的低压PLC网络维护与自愈工作机理 |
3.4.1 新节点入网的维护机理 |
3.4.2 网关退网的维护与自愈机理 |
3.4.3 代理退网的局部自愈机理 |
3.5 网络维护与自愈方法仿真 |
3.5.1 新节点入网维护仿真 |
3.5.2 网关退网的自愈维护仿真 |
3.5.3 代理退网的自愈维护仿真 |
3.6 本章小结 |
第4章 基于改进遗传蚁群算法的低压PLC网络路由方法 |
4.1 引言 |
4.2 低压PLC网络单播路由方法 |
4.2.1 基于路由学习的最短路径通信方法 |
4.2.2 基于改进遗传蚁群算法的路由热备份方法 |
4.2.3 单播路由老化机制 |
4.3 基于改进遗传蚁群算法的组播路由方法 |
4.3.1 组播路由模型 |
4.3.2 基于改进遗传蚁群算法的组播路由工作机理 |
4.4 低压PLC网络单播与组播路由方法仿真 |
4.4.1 低压PLC网络单播路由方法仿真 |
4.4.2 低压PLC网络组播路由方法仿真 |
4.5 本章小结 |
第5章 基于p-坚持CSMA协议的低压PLC网络性能优化 |
5.1 引言 |
5.2 低压PLC网络p-坚持CSMA协议分析 |
5.3 低压PLC网络饱和带宽利用率模型 |
5.3.1 饱和带宽利用率的p-坚持CSMA模型 |
5.3.2 饱和带宽利用率的优化方法 |
5.4 基于隐马尔科夫预测的低压PLC网络饱和性能博弈优化 |
5.4.1 网络饱和性能博弈优化的基本原理 |
5.4.2 基于改进p-CSMA的网络博弈性能模型 |
5.4.3 隐马尔科夫预测模型 |
5.5 低压PLC网络饱和性能的仿真 |
5.5.1 带宽利用率的仿真 |
5.5.2 基于隐马尔科夫预测的动态博弈仿真 |
5.6 本章小结 |
结论 |
参考文献 |
攻读博士学位期间发表的论文及其它成果 |
致谢 |
个人简历 |
(2)基于蚁群算法的Ad Hoc组播能量优化研究(论文提纲范文)
摘要 |
ABSTRACT |
符号对照表 |
缩略语对照表 |
第一章 绪论 |
1.1 研究背景及选题意义 |
1.1.1 研究背景 |
1.1.2 选题意义 |
1.2 国内外研究现状 |
1.3 研究内容及结构安排 |
第二章 蚁群算法与Ad Hoc网络QoS组播路由 |
2.1 蚁群算法及其经典改进方案 |
2.1.1 蚁群算法原理 |
2.1.2 用蚁群算法解决旅行商问题 |
2.1.3 蚁群算法的优缺点 |
2.1.4 几种经典的改进蚁群算法 |
2.2 移动Ad Hoc网络 |
2.2.1 移动Ad Hoc网络的体系结构 |
2.2.2 移动Ad Hoc网络的特点 |
2.2.3 移动Ad Hoc网络的能量优化思想 |
2.3 QoS组播路由算法及相关知识研究 |
2.3.1 组播的概念和特点 |
2.3.2 QoS组播路由概念 |
2.3.3 QoS组播路由算法分析 |
2.4 本章小结 |
第三章 基于多约束TSP问题的蚁群算法改进 |
3.1 一种基于多约束TSP问题的蚁群算法改进方案 |
3.1.1 多约束TSP问题 |
3.1.2 IACS算法设计 |
3.1.3 IACS算法的实现 |
3.2 IACS算法仿真及结果分析 |
3.2.1 仿真条件 |
3.2.2 仿真结果对比分析 |
3.2.3 仿真结论 |
3.3 本章小结 |
第四章 基于改进蚁群算法的QoS组播路由算法 |
4.1 链路能量水平及QoS约束建模 |
4.1.1 链路能量水平的定义 |
4.1.2 QoS约束模型 |
4.2 EBMRA算法模型分析 |
4.3 EBMRA算法设计 |
4.3.1 改进思路 |
4.3.2 算法中的数据结构 |
4.3.3 算法步骤 |
4.4 EBMRA算法仿真及结果分析 |
4.4.1 仿真环境设置 |
4.4.2 性能指标 |
4.4.3 仿真分析 |
4.4.4 不同网络规模下的仿真测试 |
4.5 本章小结 |
第五章 总结与展望 |
5.1 本论文工作总结 |
5.2 研究展望 |
参考文献 |
致谢 |
作者简介 |
(3)基于遗传算法的QoS组播路由优化研究(论文提纲范文)
引言 |
1 绪论 |
1.1 选题意义和背景 |
1.2 组播路由算法研究现状 |
1.2.1 概述 |
1.2.2 组播路由算法现存问题 |
1.3 课题研究意义 |
1.4 论文研究内容和组织结构 |
1.4.1 论文研究内容 |
1.4.2 组织结构 |
2 QoS组播路由 |
2.1 组播路由技术 |
2.1.1 组播路由技术产生背景 |
2.1.2 组播路由理论基础 |
2.1.3 组播路由协议 |
2.1.4 组播路由算法设计目标 |
2.2 QoS约束 |
2.2.1 QoS定义 |
2.2.2 QoS度量 |
2.2.3 QoS度量选择 |
2.2.4 QoS路由与传统路由区别 |
2.3 QoS组播路由 |
2.3.1 QoS组播路由的概念 |
2.3.2 QoS组播路由的数学模型 |
2.3.3 QoS组播路由算法和协议 |
2.4 遗传算法 |
2.4.1 遗传算法的发展历史 |
2.4.2 遗传算法的基本思想 |
2.4.3 遗传算法的特点 |
2.4.4 遗传算法的应用 |
2.4.5 遗传算法的基本流程 |
2.4.6 遗传算法的基本操作 |
2.5 本章小结 |
3 基于改进遗传算法的多约束QoS单播路由算法 |
3.1 概述 |
3.2 问题规模与问题描述 |
3.3 遗传算法 |
3.3.1 编码 |
3.3.2 初始种群 |
3.3.3 适应度函数设计 |
3.3.4 选择 |
3.3.5 交叉 |
3.3.6 变异 |
3.4 算法分析与仿真结果 |
3.5 本章小结 |
4 基于改进遗传算法的满足带宽和时延约束的组播路由算法 |
4.1 引言 |
4.2 问题描述 |
4.3 算法 |
4.3.1 预处理 |
4.3.2 编码 |
4.3.3 种群初始化 |
4.3.4 适应度函数 |
4.3.5 选择算子 |
4.3.6 交叉算子 |
4.3.7 变异算子 |
4.4 仿真 |
4.4.1 实例 1 |
4.4.2 实例 2 |
4.5 结论 |
5 基于改进遗传算法的多约束QoS组播路由算法 |
5.1 概述 |
5.2 算法描述 |
5.3 仿真实现 |
5.4 结论 |
6 结束语 |
参考文献 |
在学研究成果 |
致谢 |
Abstract |
摘要 |
(4)量子进化组播路由算法研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 论文研究背景介绍 |
1.2 组播技术概述 |
1.3 组播路由算法的现状和发展 |
1.4 论文的主要内容及安排 |
第二章 组播路由算法理论基础及基本算法 |
2.1 Steiner树问题的定义 |
2.2 组播路由问题的相关算法 |
2.3 随机网络产生模型 |
第三章 量子进化组播路由算法 |
3.1 引言 |
3.2 量子进化算法 |
3.3 时延受限组播路由问题定义 |
3.4 量子进化组播路由算法 |
3.5 仿真实验及其结果分析 |
3.6 本章小结 |
第四章 量子进化动态组播路由算法 |
4.1 引言 |
4.2 动态组播问题的定义 |
4.3 量子进化动态组播路由算法 |
4.4 仿真实验及结果分析 |
4.5 本章小结 |
第五章 基于量子进化的大规模组播路由 |
5.1 引言 |
5.2 大规模组播路由问题描述 |
5.3 基于量子进化的大规模组播路由算法 |
5.4 仿真实验及其结果分析 |
5.5 本章小结 |
第六章 总结与展望 |
致谢 |
参考文献 |
研究成果 |
(5)基于改进的遗传算法的QoS组播路由算法(论文提纲范文)
摘要 |
Abstract |
绪论 |
第一章 QoS组播路由技术 |
1.1 组播路由技术 |
1.1.1 组播的工作原理 |
1.1.2 组播技术的优点 |
1.1.3 组播技术的应用 |
1.1.4 组播路由算法分类 |
1.2 QoS参数 |
1.2.1 QoS概述 |
1.2.2 QoS主要参数 |
1.2.3 QoS组播路由问题 |
本章小结 |
第二章 遗传算法的研究 |
2.1 遗传算法的基本概念 |
2.2 遗传算法的基本思想 |
2.3 遗传算法的基本流程 |
2.4 遗传算法的设计步骤 |
2.5 遗传算法的原理和方法 |
2.5.1 编码 |
2.5.2 初始群体设定 |
2.5.3 适应度函数 |
2.6 遗传操作 |
2.6.1 选择算子 |
2.6.2 交叉算子 |
2.6.3 变异算子 |
2.7 遗传算法的特点 |
本章小结 |
第三章 相关算法及研究现状 |
3.1 不带时延约束的组播路由算法 |
3.2 带时延约束的组播路由算法 |
3.3 启发式算法分析 |
3.4 相关遗传算法 |
本章小结 |
第四章 改进的遗传算法的QoS组播路由算法 |
4.1 问题分析及算法思路 |
4.2 遗传操作 |
4.2.1 编码策略 |
4.2.2 前期处理 |
4.2.3 初始化种群 |
4.2.4 适应度函数 |
4.2.5 选择方法 |
4.2.6 交叉策略 |
4.2.7 变异规则 |
4.3 本文算法的特点 |
本章小结 |
第五章 算法仿真平台软件 |
5.1 仿真平台的设计目的 |
5.2 仿真平台的使用环境 |
5.3 系统功能模块设计 |
5.3.1 系统功能模块图 |
5.3.2 网络组建模块 |
5.3.3 算法求解模块 |
5.3.4 动画演示模块 |
5.3.5 网络保存模块 |
5.4 平台运行界面 |
5.4.1 系统启动界面 |
5.4.2 网络组建界面 |
5.4.3 动画演示界面 |
5.5 平台部分代码 |
本章小结 |
第六章 算法性能验证 |
6.1 算法收敛性分析 |
6.2 网络模型的随机产生 |
6.3 实验研究和结果对比 |
本章小结 |
结论 |
参考文献 |
攻读硕士学位期间发表的学术论文 |
致谢 |
(6)基于蚁群优化的组播路由算法研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景与意义 |
1.2 研究现状与进展 |
1.2.1 组播和组播路由 |
1.2.2 组播路由算法 |
1.2.3 蚁群优化算法 |
1.2.4 问题的提出 |
1.3 论文研究内容和主要贡献 |
1.3.1 论文的主要研究内容 |
1.3.2 论文的主要贡献 |
1.3.3 论文的组织结构 |
1.4 本章小结 |
参考文献 |
第二章 组播路由算法 |
2.1 引言 |
2.2 网络模型和问题描述 |
2.2.1 网络模型 |
2.2.2 组播路由问题描述 |
2.3 组播路由算法分类 |
2.4 QoS组播路由算法 |
2.4.1 传统的QoS组播路由算法 |
2.4.2 基于智能算法的QoS组播路由算法 |
2.5 度约束组播路由算法 |
2.5.1 传统的度约束组播路由算法 |
2.5.2 基于智能算法的度约束组播路由算法 |
2.5.3 度约束QoS组播路由算法 |
2.6 组播路由算法的应用 |
2.6.1 下一代互联网中的组播路由算法 |
2.6.2 无线移动网络中的组播路由算法 |
2.6.3 应用层组播中的组播路由算法 |
2.7 本章小结与结论 |
参考文献 |
第三章 求解度约束组播路由的新型蚁群算法 |
3.1 引言 |
3.2 度约束组播路由问题的数学模型 |
3.3 经典蚁群算法 |
3.4 求解度约束组播路由问题的NAH算法 |
3.4.1 NAH算法构树的核心思想 |
3.4.2 NAH算法信息素存储策略 |
3.4.3 NAH算法步骤 |
3.5 仿真结果和数值分析 |
3.6 本章小结 |
参考文献 |
第四章 基于交叉熵的多约束QOS组播路由蚁群算法 |
4.1 引言 |
4.2 多约束QoS组播路由的数学模型 |
4.3 交叉墒算法 |
4.3.1 交叉熵算法简介 |
4.3.2 蚂蚁代理的概念 |
4.3.3 交叉熵算法 |
4.4 多约束QoS组播路由的交叉熵算法 |
4.4.1 多约束组播路由的搜索函数 |
4.4.2 成本(费用)函数 |
4.4.3 基于交叉熵的蚁群算法 |
4.4.4 路经合并与组播树生成算法 |
4.5 网络仿真结果与分析 |
4.6 本章小结 |
参考文献 |
第五章 基于地理位置感知的多约束QOS组播路由蚁群算法 |
5.1 引言 |
5.2 多QoS约束组播路由问题的数学模型 |
5.3 基于地理位置感知的蚁群算法 |
5.3.1 地理位置感知 |
5.3.2 基于地理位置感知的蚁群算法 |
5.4 基于地理位置感知的多QoS约束组播路由蚁群算法 |
5.4.1 方向因子的提出 |
5.4.2 改进蚁群算法的基本操作 |
5.4.3 改进蚁群算法步骤描述 |
5.5 仿真结果和数值分析 |
5.6 本章小结 |
参考文献 |
第六章 总结和展望 |
6.1 论文总结 |
6.2 工作展望 |
6.3 下一步工作 |
致谢 |
攻读博士学位期间参与科研项目、发表论文 |
学位论文评阅及答辩情况表 |
附录:以英文书写论文2篇 |
NEW ANT HEURISTIC ALGORITHM FOR DEGREE-CONSTRAINED MULTICAST ROUTING |
AN CROSS-ENTROPY ALGORITHM FOR MULTI-CONSTRAINTS QOS MULTICAST ROUTING |
学位论文评阅及答辩情况表 |
(7)计算机网络中的组播路由算法研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 课题背景及意义 |
1.2 组播技术的介绍和发展趋势 |
1.2.1 IP组播 |
1.2.2 应用层组播 |
1.2.3 组播技术的发展趋势 |
1.3 QoS组播路由的研究现状和发展趋势 |
1.4 本文主要研究内容 |
第2章 计算机网络组播通信的相关理论 |
2.1 网络中的数据包传输方式 |
2.2 组播路由协议 |
2.2.1 密集模式组播路由协议 |
2.2.2 稀疏模式组播路由协议 |
2.3 组播路由算法分类 |
2.4 组播树的相关概念 |
2.4.1 Steiner树的数学描述 |
2.4.2 Steiner树在计算机网络中的应用 |
2.4.3 网络模型 |
2.5 QoS组播路由问题 |
2.5.1 服务质量QoS |
2.5.2 QoS组播路由问题的数学模型 |
2.6 本章小结 |
第3章 基于蚁群算法的时延受限组播路由算法 |
3.1 时延受限组播问题的数学描述 |
3.2 传统时延受限组播路由算法介绍 |
3.3 蚁群算法介绍 |
3.3.1 蚁群算法的基本原理 |
3.3.2 蚁群算法描述实现过程 |
3.3.3 蚁群算法的优缺点 |
3.4 基于蚁群算法时延受限组播路由算法 |
3.4.1 适应度函数 |
3.4.2 蚁群算法信息调整 |
3.4.3 算法实现描述 |
3.4.4 实验仿真和算法分析 |
3.5 本章小结 |
第4章 带受体编辑的克隆选择组播路由算法 |
4.1 基于克隆选择算法的时延受限组播路由算法 |
4.1.1 克隆策略的基本思想 |
4.1.2 克隆选择算法机理 |
4.1.3 克隆选择算法与进化算法比较 |
4.1.4 算法实现描述 |
4.1.5 实验仿真和算法分析 |
4.2 带受体编辑的克隆选择时延受限组播路由算法 |
4.2.1 受体编辑机理 |
4.2.2 算法概述 |
4.2.3 算法实现步骤 |
4.2.4 算法性能分析 |
4.2.5 仿真结果与分析 |
4.3 本章小结 |
第5章 基于改进克隆策略的整体优化组播路由算法 |
5.1 算法概述 |
5.2 算法实现 |
5.3 实验仿真和结果分析 |
5.4 本章小结 |
总结与展望 |
参考文献 |
致谢 |
附录A 攻读学位期间所发表的学术论文目录 |
附录B 攻读学位期间参加的科研项目 |
附录C 部分程序源代码 |
(8)QoS组播路由算法研究综述(论文提纲范文)
0 引言 |
1 网络模型和问题描述 |
1.1 网络模型 |
1.2 组播路由问题描述 |
2 组播路由算法分类 |
3 QoS组播路由算法 |
3.1 传统的QoS组播路由算法 |
3.1.1 最短路径树算法 |
3.1.2 最小Steiner树算法 |
3.2 基于智能算法的QoS组播路由算法 |
3.2.1 基于遗传算法的优化算法 |
3.2.2 基于免疫算法的优化算法 |
3.2.3 基于蚁群算法的优化算法 |
3.2.4 基于其它智能算法的优化方法 |
3.2.5 基于组合智能算法的优化算法 |
4 度约束QoS组播路由 |
5 QoS组播路由算法的应用 |
5.1 下一代互联网中的QoS组播路由算法 |
5.2 无线网络中的QoS组播路由算法 |
5.3 应用层组播中的QoS组播路由算法 |
6 总结与展望 |
(9)人工免疫优化与分类算法及其应用研究(论文提纲范文)
摘要 |
Abstract |
插图索引 |
附表索引 |
第1章 绪论 |
1.1 研究背景 |
1.1.1 人工免疫系统的发展 |
1.1.2 人工免疫系统与进化计算及人工神经网络的区别 |
1.1.3 人工免疫系统研究内容和现状 |
1.1.4 最优化与分类问题 |
1.2 课题目的与意义 |
1.3 研究的主要工作、方法和内容安排 |
第2章 人工免疫系统的生物机理 |
2.1 生物免疫研究的发展历史 |
2.2 免疫学基本概念 |
2.3 免疫系统的组成与免疫应答 |
2.3.1 生物免疫系统的组成 |
2.3.2 免疫系统的应答 |
2.4 免疫系统机制与原理 |
2.4.1 阴性选择与自体耐受 |
2.4.2 克隆选择与扩增 |
2.4.3 免疫系统多样性 |
2.4.4 免疫系统形态空间理论 |
2.4.5 免疫独特型网络理论 |
2.4.6 免疫反馈 |
2.5 生物免疫系统的主要特点 |
2.6 AIS 中的免疫机理 |
2.7 本章小结 |
第3章 带受体编辑的克隆选择算法 |
3.1 克隆选择算法 |
3.2 求解多模态函数优化的遗传算法 |
3.3 基于CSA 和GA 的多模态函数优化求解 |
3.3.1 多模态函数优化问题 |
3.3.2 仿真结果与分析 |
3.4 带受体编辑的克隆选择算法 |
3.4.1 RECSA 算法描述 |
3.4.2 RECSA 求解0-1 背包问题 |
3.5 算法收敛性分析 |
3.5.1 马尔可夫链 |
3.5.2 算法收敛性证明 |
3.5.3 收敛速度分析 |
3.6 本章小结 |
第4章 RECSA 在网络组播路由与无线网优中的应用 |
4.1 组播技术 |
4.1.1 组播概念 |
4.1.2 组播路由的特点 |
4.1.3 组播路由协议 |
4.2 组播树理论基础 |
4.2.1 Steiner 树的数学描述 |
4.2.2 Steiner 树在计算机网络中的应用 |
4.2.3 Steiner 树启发式算法 |
4.2.4 网络模型 |
4.3 QoS 组播路由问题 |
4.3.1 QoS 的定义 |
4.3.2 QoS 组播路由问题的数学模型 |
4.3.3 QoS 度量 |
4.4 RECSA 在时延受限组播路由中的应用 |
4.4.1 时延受限组播路由问题的数学描述 |
4.4.2 基于RECSA 的时延受限组播路由算法 |
4.5 基于RECSA 的整体优化组播路由算法 |
4.5.1 算法实现 |
4.5.2 算法仿真结果与分析 |
4.6 RECSA 在LAC 优化中的应用 |
4.6.1 位置区基本概念及问题 |
4.6.2 位置区寻呼容量与边界的划分 |
4.6.3 基于RECSA 的长沙网络LAC 优化 |
4.7 本章小结 |
第5章 基于免疫网络理论的分类算法 |
5.1 aiNet 模型 |
5.2 AIRS 分类器 |
5.3 AINMC 分类器 |
5.4 基于免疫进化网络理论的分类器 |
5.4.1 IENC 分类器的构造 |
5.4.2 IENC 分类器与其它算法的区别 |
5.4.3 分类器测试 |
5.5 本章小结 |
第6章 基于免疫进化网络理论分类器的应用 |
6.1 IENC 分类器在DNA 序列中的应用 |
6.1.1 数据准备与处理 |
6.1.2 仿真结果 |
6.2 分类器在模式生物基因序列识别中的应用 |
6.2.1 离散量与离散增量 |
6.2.2 基于离散增量的免疫分类器构造 |
6.2.3 基于离散增量的免疫分类器在模式生物中的应用 |
6.3 分类器在电能质量扰动分类中的应用 |
6.3.1 基于S 变换的电能质量扰动检测 |
6.3.2 特征值提取 |
6.3.3 仿真实验结果及分析 |
6.4 本章小结 |
结论 |
参考文献 |
致谢 |
附录 A 攻读博士学位期间发表的学术论文 |
附录 B 攻读博士学位期间参与的科研课题 |
(10)自然计算求解QoS组播路由(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 组播路由算法研究现状 |
1.3 组播路由协议及特点 |
1.4 本文主要研究内容 |
第二章 组播树理论及算法研究 |
2.1 QoS路由 |
2.1.1 QoS的基本概念 |
2.1.2 QoS组播问题的数学描述 |
2.2 STEINER树及应用于QoS组播问题的优化算法 |
2.2.1 求解Steiner树问题的启发式算法 |
2.2.2 遗传算法 |
2.2.3 粒子群算法 |
2.2.4 蚁群算法 |
2.3 随机网络模型 |
2.4 多智能体系统概述 |
2.4.1 智能体及智能体网格 |
2.4.2 智能体的进化 |
2.4.3 面向问题解决的多智能体系统研究现状 |
2.5 人工免疫系统概述 |
2.5.1 人工免疫系统的仿生机理 |
2.5.2 人工免疫系统算法 |
2.5.3 免疫算法在QoS组播问题中的应用 |
第三章 基于邻域免疫克隆的多智能体组播路由算法 |
3.1 引言 |
3.2 多智能体组播路由算法 |
3.2.1 免疫克隆选择算法机理 |
3.2.2 多智能体系统在组播路由问题中的应用 |
3.3 基于邻域免疫克隆的多智能体组播路由算法 |
3.3.1 算法框架 |
3.3.2 编码方案 |
3.3.3 MNICSA组播路由算法描述 |
3.4 仿真实验和结果分析 |
3.5 本章小结 |
第四章 多种群智能体组播路由算法 |
4.1 引言 |
4.2 标准遗传算法的改进 |
4.3 多种群智能体组播路由算法 |
4.3.1 MMAA算法框架 |
4.3.2 MMAA算法描述 |
4.4 仿真实验和结果分析 |
4.5 本章小结 |
第五章 总结与展望 |
致谢 |
参考文献 |
作者在读期间的研究成果 |
四、基于遗传算法的受限时延最小代价组播路由问题求解(论文参考文献)
- [1]低压电力线通信组网方法及信道接入优化研究[D]. 崔莹. 哈尔滨工业大学, 2019
- [2]基于蚁群算法的Ad Hoc组播能量优化研究[D]. 张阿鑫. 西安电子科技大学, 2019(02)
- [3]基于遗传算法的QoS组播路由优化研究[D]. 彭璐. 宁波大学, 2015(03)
- [4]量子进化组播路由算法研究[D]. 汪颜. 西安电子科技大学, 2012(05)
- [5]基于改进的遗传算法的QoS组播路由算法[D]. 贺清. 大连交通大学, 2010(02)
- [6]基于蚁群优化的组播路由算法研究[D]. 葛连升. 山东大学, 2010(08)
- [7]计算机网络中的组播路由算法研究[D]. 黄小凤. 湖南大学, 2010(04)
- [8]QoS组播路由算法研究综述[J]. 葛连升,江林,秦丰林. 山东大学学报(理学版), 2010(01)
- [9]人工免疫优化与分类算法及其应用研究[D]. 王炼红. 湖南大学, 2009(01)
- [10]自然计算求解QoS组播路由[D]. 孙晖. 西安电子科技大学, 2009(02)