蚁群算法的研究及其在网络路由优化上的应用

论文摘要

蚁群算法是一种最新发展的模拟昆虫王国中蚂蚁群体觅食行为的仿生优化算法,该算法采用了正反馈并行自催化机制,具有较强的鲁棒性、优良的分布式计算机制、易于与其它方法结合等优点,在解决许多复杂优化问题方面已经展现出其优异的性能和巨大的发展潜力,近几年吸引了国内外许多学者对其进行了多方面的研究工作。目前,蚁群算法已经成为国际智能计算领域中备受关注的研究热点和前沿性课题。本文首先综述了蚁群算法国内外的研究现状,分析了算法的主要优缺点,并且深入研究了蚁群算法的基本原理和算法模型,介绍了ACS算法和MMAS算法两种改进的蚁群算法。然后针对蚁群算法的优缺点,提出了基于TSP问题的QMACO蚁群算法,主要有三个方面的改进:(1)针对蚁群算法前期蚂蚁比较盲目,收敛速度慢的缺点,引入了QPSO算法思想,用QPSO算法的快速性、全局收敛性作为前期搜索,将QPSO算法搜索到的各粒子的历史最优值作为后期蚁群算法的初始信息素分布,这样就使得初期蚂蚁不再盲目;(2)针对后期蚁群算法易陷入局部最优化的缺点,引入了多种行为的蚂蚁,充分利用蚁群算法的正反馈机制以及求解效率高等特征最终求得最优值;(3)融合了ACS算法和MMAS算法的优点,对蚁群算法进行了适当的改进。并针对TSP问题进行了仿真实验,结果表明,QMACO算法提高了在解决TSP问题上的寻优能力。接着又将QMACO算法应用于网络路由问题,分别对单播和组播进行了算法设计,提出不同的算法模型。并分别进行了仿真实验,实验结果表明了QMACO算法在解决QoS路由问题上的可行性和有效性。最后,对本文所做工作进行了总结,并对今后的研究方向进行了展望。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 课题的研究背景及意义
• 1.2 蚁群算法的国内外研究现状
• 1.3 蚁群算法的优缺点
• 1.4 本文主要工作
• 第二章 蚁群算法
• 2.1 蚁群算法的起源及提出
• 2.1.1 蚁群算法的起源
• 2.1.2 蚁群算法的提出
• 2.2 蚁群算法的基本原理
• 2.3 蚁群算法模型及实现步骤
• 2.3.1 旅行商问题
• 2.3.2 蚁群算法模型
• 2.3.3 蚁群算法的实现步骤
• 2.4 蚁群算法的一些改进算法介绍
• 2.4.1 蚁群系统（ACS）
• 2.4.2 最大最小蚂蚁系统（MMAS）
• 2.5 本章小结
• 第三章 QMACO 算法及其在TSP 问题上的应用
• 3.1 TSP 问题的研究现状
• 3.2 QMACO 算法思想
• 3.2.1 QPSO 算法思想引入
• 3.2.2 多行为蚂蚁的引入
• 3.2.3 融合ACS 和MMAS 算法的优点
• 3.3 基于TSP 问题的QMACO 算法设计
• 3.3.1 初始化工作
• 3.3.2 搜索前进策略
• 3.3.3 信息素更新
• 3.4 算法的实现过程
• 3.5 仿真实验结果与分析
• 3.5.1 实验结果
• 3.5.2 算法的收敛性分析
• 3.6 本章小结
• 第四章 QMACO 算法在 QoS 路由问题上的应用
• 4.1QoS 路由问题简介
• 4.2 QoS 路由问题的研究现状及意义
• 4.3 传统蚁群算法在 QoS 路由问题上的应用
• 4.4 适应度函数
• 4.5 QMACO 算法在单播路由问题上的应用
• 4.5.1 QoS 单播路由模型的建立
• 4.5.2 基于单播路由的QMACO 算法设计
• 4.5.3 单播路由算法的实现过程
• 4.5.4 仿真实验
• 4.6 QMACO 算法在组播路由问题上的应用
• 4.6.1 QoS 组播路由模型的建立
• 4.6.2 基于组播路由的QMACO 算法设计
• 4.6.3 组播路由算法的实现过程
• 4.6.4 仿真实验
• 4.7 本章小结
• 第五章 结束语
• 5.1 总结
• 5.2 展望
• 致谢
• 参考文献
• 附录：作者在攻读硕士学位期间发表的论文