论文题目: 蚁群优化算法及在网络路由中的应用研究
论文类型: 博士论文
论文专业: 电气工程
作者: 吕勇
导师: 赵光宙
关键词: 蚁群算法,组合优化,自适应路由选择,通信网络,集群智能,移动代理
文献来源: 浙江大学
发表年度: 2005
论文摘要: 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。 由Dorigo等提出的蚁群算法的描述可知,在通用启发式蚁群算法的起始阶段,信息素值被初始化为统一的值,对解的搜索没有指导意义,启发值此时反而能够提供有用的局部信息,有助于算法的快速收敛。随着算法的进行,根据搜索到的不同路径而更新的信息素值,存储了解空间的全局最优解信息,相对于启发值而言,所起的作用不断提高。因此设计了一种自适应的启发值因子,能够随着算法的进行调整信息素值和启发值之间的相对权重,加速算法的收敛速度。 网络路由问题所具有的一些特征,如内部信息、分布计算、随机动态,以及异步的网络状态更新等,与蚁群优化算法的特征匹配得很好,能很好地解决这一问题。本论文的另一个主要研究成果就是在蚁群优化的基础上,提出了新的路由算法。这种算法具有本质上的可扩展性,能有效解决大型通信网络资源的分配问题。整个算法应用概率选择数据包转发的路径,能够充分利用多条可行路径,从而提高网络负载的均衡性、鲁棒性、负载流量以及网络的利用率。 本文以基于图论的蚁群算法为基础,给出了蚁群算法的一般性模型,讨论了其收敛性及在静态TSP和动态网络路由问题中的应用,主要工作内容有: 第一章给出了蚁群算法的描述和在静态、动态情况下的各类应用,并指出蚁群算法所具有的分布式计算、鲁棒性、应用简单等特点,以及蚁群算法潜在的广泛应用前景。 第二章分析了蚁群算法的基本原理,针对蚁群算法所能解决的问题
论文目录:
摘要
Abstract
第1章 绪论
1.1 引言
1.2 蚁群算法在优化问题中的应用
1.2.1 在静态组合优化中的应用
1.2.2 在动态组合优化中的应用
1.3 蚁群算法的特征
1.4 论文研究的内容和结构
第2章 基本蚁群算法原理及其改进
2.1 引言
2.2 蚁群算法基本原理
2.2.1 真实蚂蚁的集体行为
2.2.2 人工蚂蚁的集体行为
2.3 图理论
2.4 蚁群优化算法
2.4.1 所解决问题的描述
2.4.2 解的构造过程
2.4.3 蚁群算法描述
2.4.4 蚁群算法基本模型的特点
2.5 蚁群算法的改进
2.5.1 精英策略蚂蚁系统
2.5.2 最大-最小蚂蚁系统
2.5.3 基于排序的蚂蚁系统
2.5.4 蚁群系统
2.5.5 其它改进的算法
2.6 本章小结
第3章 蚁群算法的收敛性
3.1 引言
3.2 蚁群算法的描述
3.3 蚁群算法的收敛性
3.4 本章小结
第4章 解决静态组合优化 TSP的改进蚁群算法
4.1 引言
4.2 算法描述
4.3 EAQ算法讨论
4.3.1 状态转移规则
4.3.2 信息素更新规则
4.3.3 与蚂蚁系统 AS的不同
4.4 EAQ的特性
4.4.1 算法对新路径的搜索能力
4.4.2 信息素 AQ值和启发信息 HE的作用
4.5 EAQ参数的试验讨论
4.5.1 蚂蚁群体的协同作用
4.5.2 参数对算法性能的影响
4.5.3 EAQ在ry48p中的特性
4.6 EAQ与其它算法的对比
4.7 本章小结
第5章 基于蚁群算法的 ADR自适应路由选择算法
5.1 引言
5.2 基于蚁群算法的自适应动态路由选择算法 ADR
5.2.1 算法原理
5.2.2 算法描述
5.2.3 信息素增量计算及信息素表的更新
5.3 算法的改进
5.4 网络模型
5.4.1 网络层的图定义
5.4.2 路由选择功能
5.4.3 路由时延的计算
5.4.4 路由时延的计算举例
5.5 仿真试验
5.6 本章小结
第6章 基于蚁群优化的分布式路由选择算法
6.1 引言
6.2 路由选择的特征
6.2.1 路由选择的基本功能
6.2.2 路由选择算法的几种分类方法
6.3 通信网络模型
6.4 基于蚁群优化的 MAR路由选择算法
6.4.1 蚁群算法特点
6.4.2 MAR路由选择算法描述
6.5 仿真试验的设定
6.5.1 网络拓扑
6.5.2 负载模式和用于性能评价的度量
6.5.3 用于比较的路由选择算法
6.5.4 仿真结果
6.6 本章小结
第7章 结论与展望
7.1 工作总结
7.2 进一步工作展望
参考文献
攻读学位期间发表的学术论文
致谢
发布时间: 2006-07-12
参考文献
- [1].基于蚁群优化算法的带式输送机运行状态监测与控制研究[D]. 董甲东.西安建筑科技大学2015
- [2].蚁群优化算法的理论研究及其应用[D]. 刘彦鹏.浙江大学2007
- [3].求解车辆路径问题的蚁群优化算法研究及应用[D]. 葛斌.合肥工业大学2016
- [4].移动机器人路径规划的蚁群优化算法研究[D]. 赵娟平.东北大学2012
- [5].信息物理融合系统优化调度理论与方法的研究[D]. 伦永亮.广东工业大学2012
- [6].基于二元蚁群优化算法和分形维数的属性选择方法[D]. 程美英.合肥工业大学2017
- [7].计算智能方法及在网络优化和预测中的研究[D]. 夏鸿斌.江南大学2009
- [8].时空变换与关联规则启发的车辆路径优化蚁群算法研究[D]. 洪梓璇.武汉大学2010
- [9].仿生算法及其在专家分配问题中的应用[D]. 李娜娜.天津大学2008
- [10].蚁群觅食仿真和动画的研究[D]. 孟志刚.中南大学2011