一、基于Agent的组播路由算法(论文文献综述)
朱晓攀[1](2020)在《大规模低轨宽带卫星网络路由关键技术研究》文中进行了进一步梳理大规模低轨(Low Earth Orbit,LEO)宽带卫星网络通过提高发射卫星数量来降低对于单颗卫星的能力要求。借助星间链路组网,能够突破地理位置的局限实现全球不间断信号覆盖,为全球用户提供大宽带、低延时、无缝连接的网络服务。大规模LEO宽带卫星网络与地面通信网络系统相兼容,是天地一体化网络的重要组成部分,迅速发展为世界各国争相研究的重点。路由作为网络通信的关键技术,影响着信息的传递效率和网络的服务质量。在具有成百上千个节点的大规模LEO宽带卫星网络中,卫星无时不刻的高速移动导致拓扑的频繁变化。同时,卫星载荷能力有限导致其无法进行大容量存储和大规模实时计算,使得大规模LEO宽带卫星网络在路由方面还存在一些亟待解决的问题。对此,本文针对大规模单层LEO极轨道宽带卫星网络路由集中开展了研究,包括多径单播路由,动态单播路由以及组播路由。本文的主要研究内容和贡献如下:1、提出了基于无关多径(Node Disjoint-based Multipath,NDM)的单播路由算法。针对空间环境复杂多样,传统静态路由无法应对因流量分布不均、网络拥塞和节点故障造成时延和丢包增大、甚至数据不可达的问题,为此本文开展了无关多径的单播路由算法研究。该算法借助卫星网络的规则性,通过分析源节点和目的节点在网络运行过程中跨越极区周期性变化,设计了最多三条无关路径,避免重新路由带来的时延,提升了系统鲁棒性。具体来说,本文结合备选多径和并行多径的综合优势,设定三条路径的优先级:将传播距离最短的路径作为主路径,剩余两条作为备份路径。这样主路径能够在无拥塞状态下进行高效快速的数据传输;在轻度拥塞时,系统自适应地启动一条备份路径与主路径并行传输;在重度拥塞时,系统中断主路径,启用所有备份路径进行数据传输以保证数据完整可靠。仿真结果表明,NDM算法同离散时间动态虚拟拓扑路由(Discrete-Time Dynamic Virtual Topology Routing,DT-DVTR)算法、显式负载均衡(Explicit Load Balancing,ELB)路由算法相比,在面临不同程度的网络拥塞时,NDM算法均取得更低的传输时延、丢包率和更高的吞吐量。这种优势在拥塞非常严重的情况下更加明显。因此,该算法有效改善了大规模单层LEO极轨道宽带卫星网络的传输效率、自适应调整能力和故障容错能力。2、提出了最小动态成本(Minimal Dynamic Cost,MDC)单播路由算法。该算法旨在解决因动态单播路由在大规模LEO宽带卫星网络路由计算和更新带来的大量资源占用以及链路拥塞或节点故障造成的高时延问题。该算法首先将数据从卫星源点到目的节点路径上所消耗的传播时延、排队时延、处理时延转化为路径成本、等待成本和处理成本,之后将总成本最低的路径作为主路径,以保证最快速的网络通信。为了尽可能避免数据丢包的发生,算法采用M/M/1/k模型来设定丢包预期,从而计算出单颗卫星数据缓存队列的最大阈值,并将超过阈值的路径排除在外,以确保路径更加可靠。在进行路径探测之前,算法通过判断源节点和目的节点的相对位置,设定最小跳数洪泛区域,从而缩短数据洪泛时间,节约有限的网络资源。仿真结果表明,以北京为源节点,在与香港、台湾的近程通信以及与柏林、华盛顿的远程通信场景中,MDC算法在时延方面都取得了优于地面网络进行数据通信的表现。在与动态源路由协议(Dynamic Source Rrouting,DSR)算法、辅助定位按需路由(Location-Assisted On-demand Routing,LAOR)算法进行比较时,MDC算法在无拥塞或不同程度拥塞状态下均取得了更低的时延和丢包率,满足用户对于低时延和数据完整的要求,最大程度实现数据的高效传输和更高质量的网络服务。3、提出了基于分簇的组播路由(Cluster-based Multicast routing,CMR)算法。针对大规模LEO宽带卫星网络拓扑时变带来的组播树代价高、以及现存路由算法链路共享性差、组播路径绕远引起网络资源浪费的问题,提出了基于分簇的组播路由算法。该算法将卫星网络转化为相对稳定的曼哈顿模型,通过对组成员位置的讨论将网络划分为两簇。每簇选取一颗卫星作为簇头,将其作为组播树的根节点,以缓解组播源点的压力。另外在组播树构建过程中,设定四种优先级,这样可以在保证总跳数尽可能低的情况下,增加共享节点的数量,减少不必要的路径绕远,提高组播树的共享率。仿真结果表明,CMR算法与核心群合并共享树(Core-cluster Combination-based Shared Tree,CCST)算法、快速迭代组播(Fast Iterative Multicast,FIM)算法、经典多播路由算法(Multicast Routing Algorithm,MRA)相比,该算法兼顾了组播树总跳数和中转节点数,从而取得较低的组播树生成开销,避免单点故障拥塞,大幅改善宽带利用率和传输效率,提高组播流畅度和网络稳定性,最终实现全球范围内组播源点到成员节点数据的实时传输。
崔莹[2](2019)在《低压电力线通信组网方法及信道接入优化研究》文中进行了进一步梳理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[3](2019)在《基于蚁群算法的Ad Hoc组播能量优化研究》文中指出为了保障移动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。
张天天[4](2014)在《基于PCE的多域光网络路由算法研究》文中研究指明随着光网络通信规模的迅速发展,多域光网络拓扑结构变得越加复杂,大容量通信的传递需求也逐渐增多,传统的光网络体系架构已经不能满足光网络中最优路径计算的各种需求。与此同时,复杂光网络路由所产生的路径计算问题也日益突出。因此,如何进行路由优化以保障服务质量,从而改进多层多域光网络体系架构已经成为了光网络未来发展的研究重点之一。由互联网工程任务组提出的路径计算单元(Path Computation Element,PCE)由于其高效灵活的约束路径计算优势获得了专家学者的广泛关注。但是,PCE的体系结构对于分布式网络控制仍然不够理想。因此,本文提出一种新的PCE体系结构,并且研究适合这种体系结构的光网络路由算法。本文主要的研究工作如下:首先,本文提出一种新的基于PCE的光网络体系结构,它是在多域光网络中加入PCE-Agent来达到智能动态监控每一个PCE的目的。接着,在PCE-Agent多域光网络体系结构上基于传统的反向回溯路由算法(Backward-Recursive PCE-Based Computation,BRPC)提出一种新的反向回溯路由算法(Backward Recursive PCE-Agent-based Computation Algorithm,PA-BRPC)。实验结果表明,与传统的BRPC算法相比,基于PCE-Agent架构改进的PA-BRPC算法有效提升了整个光网络资源的利用率。然后,针对如何在基于PCE的多域光网络实现服务质量(Quality of Service,QoS)组播路由这一亟待解决的关键问题,本文基于新提出的PCE-Agent光网络架构,实现其对QoS组播业务的支持,提出了一个QoS多约束组播路由蚁群算法。在组播路径选择过程中,寻找满足QoS要求的可用波长数、带宽、时延和能耗的路径。实验结果表明,算法提升了整个光网络资源的利用率,更有效的防止了光网络中拥塞情况的进一步加剧。
宋正龙[5](2011)在《基于最小代价连通性组播路由协议的研究与实现》文中研究指明移动Ad hoc网络是一种特殊的无线移动网络。网络中所有结点的地位平等,无需设置任何的中心控制结点。网络中的结点不仅具有普通移动终端所需的功能,而且具有报文转发能力。与普通的移动网络和固定网络相比,它具有无中心、自组织、多跳路由、动态拓扑等特点。由于移动Ad hoc网络的特殊性,它在许多领域都有着广泛的应用价值。其中移动Ad hoc网络中的一个引人注意的用途就是多个节点相互协作完成一个任务,因此,组播起到了很重要的作用。而组播路由协议及其性能分析更是成为研究的热点。目前,人们对组播路由协议的研究已经取得了一些成果,OBAMP协议就是其中之一。该协议基于Boruvka算法,最后能建立一个接近于最小生成树的分布树,限制了整个网络中的信号的负载,因此即使在组播成员增加的时候,也可以保证该协议具有一个低延时和高递交率。然而OBAMP协议在网格建立的过程中没有充分考虑到各成员节点之间的连通性,造成了最后建立出的网格结构可能有一些相互分开的个体,然后不得不引入Outer-tree-create Procedure来弥补这一缺陷。因此如何保证网格各部分之间的连通性而且连接的代价尽量小是本文所要研究的重点。在对经典的路由协议研究的基础上,以及考虑移动Ad hoc网络的固有特征,本文提出了基于最小代价连通性的MCOBAMP路由协议。主要从两方面进行改进:一方面,MCOBAMP路由协议在构造网格的时候不仅考虑寻找最近的节点作为邻居,而且考虑找到的节点是否与源节点已建立了连接,从而保证建立的网格结构是连通的而且包含最小生成树。另一方面,在构建生成树的时候采用了环路判断并选择断开较大距离的链路的算法,比原OBAMP协议更具有实时性和有效性。本文详细描述了MCOBAMP路由协议,并在NS2网络仿真平台上实现了MCOBAMP、OBAMP组播路由协议,最后分析和比较仿真结果。仿真结果显示相比OBAMP协议,MCOBAMP组播路由协议不仅保证连通性,而且改进了数据包的递交率和平均端到端延时,进一步验证MC OBAMP协议的有效性。
金劲[6](2011)在《群集智能算法在网络策略中的研究及其应用》文中研究表明在Internet中,由于多媒体通信和网络视频的增长,网络资源和网络需求之间的矛盾越来越突出,网络路由和网络流量的平衡成为制约网络发展的瓶颈。抑制网络拥塞,提高网络的质量,使网络达到动态均衡,已成为Internet相关技术的研究热点。网络单播、组播路由是检验网络性能的重要指标,在网络研究中的作用越来越重要。特别是在多约束网络中,采用QoS指标讨论网络的质量性能,使网络达到动态均衡;并对网络的延时、延时抖动、带宽、丢包率、业务代价等多个参数同时提出性能要求,这些参数相互独立时,选择满足多个参数限制的路由就成为NP完全问题。在研究网络单播、组播路由的同时,国内外许多学者对网络流量展开研究,主要集中在流量工程(Traffic Engineering,即TE),而流量工程的热点问题又集中在多约束路由。在网络满足多约束的条件下,根据网络流量与资源的状态,通过实施合理的控制,使流量均衡地分布在现有的网络中,从而优化网络的运行性能。本文主要包含网络单播路由、组播路由、网络流量均衡等几个方面的内容,利用群集智能算法的特点,对单播路由优化、组播路由优化、网络流量控制等方面进行系统的研究,同时对算法的收敛性和网络安全等方面进行较为系统分析。本文的主要研究成果包括:1.对QoS网络的路由优化改进技术的深入研究,第一,提出了基于粒子融合的QoS蚁群优化路由算法,使用粒子群算法生成初始解,避免了蚁群算法在局部最优化,拓展了蚁群算法的求解范围,提高了算法的自适应能力和优化精度。第二,提出了基于混沌算子的蚁群优化改进多约束QoS路由算法,利用混沌“随机性”、“遍历性”及“规律性”,能够快速获得全局最优解的优点,采用混沌因子改进蚁群算法,提高了搜索性能,算法搜索到的结果总体要明显好于基本ACO算法。仿真结果表明,两种改进算法具有较高的优化性能。2.结合组播路由网络的特点,对多约束条件在组播网络展开分析,在此基础上提出了基于克隆粒子群融合的约束QoS组播树算法。在提出新的播路由算法中,通过粒子的速度和位置变化查找组播树,并且利用免疫克隆算法混合搜索,从而减少了局部搜索和全局搜索的时间。通过克隆算子的引入,增加了克隆复制、克隆变异、克隆选择等3个环节,在克隆变异阶段,利用变化后的个体以一定的概率具有更高的适应性能,然后利用克隆选择环节,避免了种群易经常出现的退化,而且提高了算法收敛速度和全局搜索能力。仿真结果表明,该算法具有更好的优化性能。3.通过对网络流量和网络路由之间的关系进行了深入分析,提出了基于带宽受限模糊权重的蚁群优化控制算法(Fuzzy-ACO)。在基于带宽受限的蚁群优化控制算法中,利用模糊控制网络流量权重,建立网络流量的数学模型,降低了大量的探测分组带来了网络开销;并通过采用时间顺序输入不同流量,可以动态及时的反映网络性能,对网络性能进行实时监控,从而使网络流量和网络路径达到动态平衡。同时将系统流量权重融入信息素中,利用信息素动态地控制在多条路径中选择最佳路径,提高了蚁群算法全局搜索能力。仿真结果表明,算法优化效果明显,运行速度快,并显着加快了传统算法网络流量的探索收敛速度。4.对于多约束条件的蚁群优化算法,往往约束条件的取舍及函数的设计尤为重要,针对QoS条件下蚁群算法的收敛性展开讨论,重新定义其信息素的选取,从理论上证明该算法的收敛性;并且还论证在带QoS约束条件的蚁群算法中,信息素发生变化的时间点,以及信息素的取值范围,从而证明该类蚁群优化算法收敛的可控制性,通过实验仿真说明该算法的实用性。对该算法局部和全局收敛性展开研究,提出了普遍意义下的收敛条件,为这一类约束条件下的蚁群算法进一步研究奠定了良好的基础。5.通过对网络安全的分析,借助生物聚类的机理,防范网络入侵的危害,提出了一种基于交叉融合粒子群优化算法的聚类分析,由粒子群算法形成初步的聚类中心,再由蚁群算法进行二次优化,仿真实验表明,该算法与基本聚类算法相比较,聚类组合方法能够明显改善聚类质量。论文对网络单播路由、组播路由、网络流量均衡做了较为全面深入的分析和讨论,提出了多种有效的改进措施,并证明了算法的收敛性,提出了网络安全聚类分析的方法,实现了群集智能算法在网络分析上的应用。最后对所做工作进行了总结,并提出了进一步研究的方向。
侯丽敏,张瑞坤[7](2011)在《基于Agent的QoS组播路由算法及仿真》文中提出针对网络质量控制问题,提出一种基于Agent的QoS组播路由算法。方法采用一组协同工作的Agent搜索网络,寻找满足QoS请求的路径,并对选定路径进行资源预留。优点在于Agent选路由具有一定的灵活性与适应性,路由器本身不需要具有QoS路由功能,不需要维持专门的QoS路由表,只需要提供Agent的运行环境和相关数据结构并进行仿真。仿真实验结果表明算法不仅具有较好的性能,并且不需要专门的资源预留协议,不必对现有模块进行大的改动就可以同时支持数据实时投递。
葛连升[8](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。
朱飞[9](2010)在《基于多智能体原理的QoS多组播路由问题研究》文中提出随着Internet的发展,涌现出了许多新的通信需求,如视频点播、多媒体会议、远程教学等,这类应用促进了多组播通信的发展。不确定网络性能参数下的多约束QoS组播路由优化已成为安全组播领域的一个重要研究课题,也是下一代Internet和高性能网络亟待解决的难题,在本文将单源多目的组播称为组播,将多源多目的称之为多组播,多组播路由问题是在一个给定的通信网络中找到一个总代价最小且满足带宽-时延约束的多个源点到多个目的点的路由集合。这是一个比组播路由问题更加复杂的问题,是一个NP-hard问题。本文主要研究了多智能体方法在多组播路由的应用问题。从智能体的方法的角度出发,把网络中的每一个节点抽象成一种具有局部感知,竞争协作和自学习能力的智能体,通过智能体对邻域内信息的收集和对信息的反应,以及智能体之间和智能体与环境之间的相互作用达到全局优化的目的。进一步构建一种分布式多组播路由算法。Agent技术能较好地适应Internet分布式的特点,将其引入网络分布式路由计算领域是对Internet路由系统的革新。随着Internet的爆炸式增长,现有的路由算法已难以满足用户的多Qos要求。现有的路由算法基本上都是利用静态信息,这样计算出来的组播树不能反映实际情况,具有很大的局限性。针对此问题.本文提出利用Agent技术预先收集、更新网络链路状态信息,以便尽可能地反映实际情况。提出了一种面向Agent的分布式路由算法。该算法的路径选择策略不是采用“源节点控制算法”,而是依据路由中所得到的时延实测值和建立组播树时路径的hop数控制,由各节点独立地选择下一个节点(最佳节点)。数值实验结果表明,文中提出的算法可以有效找到多组播路由问题的优化解。
梁潇[10](2009)在《基于改进蚁群算法的QoS组播路由问题研究》文中认为蚁群算法是基于蚂蚁群体觅食过程中,具有找到蚁穴与食物源之间最短路径的能力,这一生物学行为发展起来的一种群智能优化方法。它最初用于解决旅行商(TSP)问题,具有自适应性、鲁棒性及本质上的并行性等许多特点。该算法的出现引起了学者们的巨大关注,在过去的短短十余年时间内,蚁群算法已经在组合优化、函数优化、系统辨识、网络路由、机器人路径规划、数据挖掘以及大规模集成电路的综合布线设计等领域获得了广泛的应用,并取得了较好的效果。组播路由问题是随着互联网的迅猛发展衍生出的系列问题之一,随着群组通信特别是网络视频会议、网络视频点播、股市行情发布、远程教育等应用大量兴起,组播技术已成为支持这些应用的重要基础。由于这些实时业务对网络传输中的时延、带宽、代价等较为敏感,当突发性较高的多媒体业务数据在网络上传输时,其传输质量将会受到影响,这样就需要服务质量技术的支持,以确保实时业务的通信质量。传统“尽力而为”服务,不能满足网络用户的需求。组播QoS路由就是寻找满足特定QoS约束的一棵组播树,这已被证明是一个NP完全问题。虽然针对该问题,学术界已提出了不少算法,但普遍存在着算法复杂、实现困难、算法适应性差、难以满足组播应用的需求等特点。因而需要运用到启发式算法。本文首先总结了现有的组播路由协议及算法分类,分析QoS度量以及QoS组播路由问题的模型和分类。列举了蚁群算法的研究进展、思想起源和优缺点,给出了基于蚁群算法的QoS组播路由算法的描述和步骤并进行分析。随后,在此基础上结合模拟退火算法的特点:在搜索最优解的过程中,以一定的概率接受劣解。将模拟退火算法思想与蚁群算法相结合,生成基于模拟退火思想的逆向蚂蚁。逆向蚂蚁在选择路径时,按照信息素浓度高的路径被选中的概率小的规则。因此在探讨基于模拟退火思想的逆向蚁群算法解决QoS组播路由问题时,通过在算法初期引入逆向蚂蚁以增强搜索的随机性,增加搜索的遍历性,避免算法过早收敛进入停滞状态,陷入局部最优。随着迭代的进行,逐渐减少逆向蚂蚁数量,从而加快算法的收敛速度。通过应用改进的Waxman随机网络生成方法,生成了仿真随机网络,并对基于模拟退火思想的逆向蚁群算法和基于常规蚁群算法的QoS组播路由问题进行仿真实验,将两种算法产生的结果进行对比,分析得出:逆向蚁群算法在收敛性、稳定性、鲁棒性和网络性能代价等方面都有较好的效果。最后,对QoS组播路由算法的研究提出了一些建议。
二、基于Agent的组播路由算法(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Agent的组播路由算法(论文提纲范文)
(1)大规模低轨宽带卫星网络路由关键技术研究(论文提纲范文)
摘要 |
ABSTRACT |
第1章 引言 |
1.1 研究背景及意义 |
1.2 国内外发展现状 |
1.2.1 LEO宽带卫星网络发展现状 |
1.2.2 LEO宽带卫星网络路由技术发展现状 |
1.2.2.1 单播路由技术 |
1.2.2.2 组播路由技术 |
1.3 主要研究内容 |
1.4 创新性工作 |
1.5 论文结构 |
第2章 大规模LEO卫星网络重要概念和相关工作研究 |
2.1 引言 |
2.2 卫星网络相关概念 |
2.2.1 卫星轨道 |
2.2.2 星间链路 |
2.2.3 星座分类 |
2.2.4 卫星网络构成与通信流程 |
2.3 大规模LEO宽带卫星网络架构 |
2.4 多径单播路由可行性分析 |
2.5 动态单播路由可行性分析 |
2.6 组播路由可行性分析 |
2.7 本章小结 |
第3章 基于无关多径的单播路由算法 |
3.1 引言 |
3.2 NDM算法 |
3.2.1 多径类型选择 |
3.2.2 多径判别机制 |
3.2.2.1 主路径选择 |
3.2.2.2 备份路径选择 |
3.2.3 拥塞判断机制 |
3.2.4 多径流量分配 |
3.2.5 多径通信流程 |
3.3 仿真评估 |
3.3.1 路由性能评价指标 |
3.3.2 仿真模型搭建 |
3.3.3 仿真场景设置 |
3.3.3.1 数据定向传播 |
3.3.3.2 数据洪泛传播 |
3.3.4 仿真结果分析 |
3.3.4.1 无拥塞状态下定向传播仿真结果分析 |
3.3.4.2 轻度拥塞状态下定向传播仿真结果分析 |
3.3.4.3 重度拥塞状态下定向传播仿真结果分析 |
3.3.4.4 洪泛传播仿真结果分析 |
3.4 本章小结 |
第4章 最小动态成本单播路由算法 |
4.1 引言 |
4.2 MDC算法 |
4.2.1 相关定义 |
4.2.2 成本计算 |
4.2.2.1 路径成本 |
4.2.2.2 等待成本 |
4.2.2.3 处理成本 |
4.2.3 算法描述 |
4.2.3.1 区域探测 |
4.2.3.2 方向增强 |
4.2.3.3 路径确立 |
4.2.3.4 维护与更新 |
4.2.3.5 动态路由流程 |
4.3 仿真评估 |
4.3.1 仿真场景设置 |
4.3.2 仿真结果分析 |
4.3.2.1 近程通信场景仿真结果分析 |
4.3.2.2 远程通信场景仿真结果分析 |
4.3.2.3 全网吞吐量仿真结果分析 |
4.4 本章小结 |
第5章 基于分簇的组播路由算法 |
5.1 引言 |
5.2 CMR算法 |
5.2.1 相关定义 |
5.2.2 簇的划分 |
5.2.3 簇头选举 |
5.2.4 组播树构建 |
5.2.5 组播树更新 |
5.3 仿真评估 |
5.3.1 总跳数和分支节点数 |
5.3.2 归一化树代价 |
5.3.3 归一化分支节点 |
5.4 本章小结 |
第6章 总结和展望 |
6.1 工作总结 |
6.2 研究展望 |
参考文献 |
致谢 |
作者攻读博士学位期间发表的论文及专利 |
(2)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 |
(3)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 |
(4)基于PCE的多域光网络路由算法研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 课题来源 |
1.2 研究背景及意义 |
1.3 国内外研究进展 |
1.3.1 国外研究进展 |
1.3.2 国内研究现状 |
1.4 本文研究工作 |
1.5 本文组织结构 |
第2章 基于PCE的多域光网络基础 |
2.1 引言 |
2.2 PCE的体系结构与通信机制 |
2.2.1 PCE的体系结构 |
2.2.2 PCE的通信机制 |
2.3 基于PCE的光网络跨域路由算法 |
2.3.1 BRPC算法 |
2.3.2 KRP算法 |
2.3.3 OBGP+算法 |
2.4 多域光网络的QoS组播路由 |
2.4.1 概述 |
2.4.2 光网络中的组播路由技术 |
2.4.3 光网络中的QoS |
2.4.4 光网络中组播路由算法 |
2.5 小结 |
第3章 基于PCE-Agent的多域光网络路由算法 |
3.1 概述 |
3.2 PCE-Agent的多域光网络路由框架 |
3.2.1 架构设计 |
3.3 PA-BRPC算法 |
3.3.1 PA-BRPC算法流程 |
3.3.2 PA-BRPC算法实例 |
3.4 实验 |
3.5 小结 |
第4章 光网络QoS多约束组播路由蚁群算法 |
4.1 概述 |
4.2 多约束优化 |
4.3 蚁群算法 |
4.3.1 基本模型的实现步骤 |
4.4 QoS多约束组播路由蚁群算法 |
4.4.1 QoS多约束光网络组播路由蚁群算法流程 |
4.4.2 实验 |
4.5 小结 |
结论 |
参考文献 |
附录A (攻读硕士学位期间发表的学术论文) |
附录B (攻读硕士学位期间参与研究的项目) |
致谢 |
(5)基于最小代价连通性组播路由协议的研究与实现(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景 |
1.2 国内外研究现状 |
1.3 移动Ad hoc网络的应用 |
1.3.1 战场应用 |
1.3.2 城市与校园网格应用 |
1.4 本文的内容及组织结构 |
第2章 移动Ad hoc网络组播路由协议概述 |
2.1 移动Ad hoc网络组播相关技术 |
2.1.1 组动态的处理 |
2.1.2 网络动态的处理 |
2.2 移动Ad hoc网络的组播协议 |
2.3 OBAMP组播路由协议 |
2.4 小结 |
第3章 基于最小代价连通性的MC_OBAMP组播路由协议 |
3.1 MC_OBAMP协议的基本思想 |
3.2 MC_OBAMP协议网格建立的过程 |
3.3 MC_OBAMP协议树建立的过程 |
3.4 MC_OBAMP协议其它过程 |
3.5 MC_OBAMP协议中分布树效率ρ的计算方法 |
3.6 MC_OBAMP协议的数据结构 |
3.6.1 成员节点及数据包的数据结构 |
3.6.2 MC_OBAMP协议网格建立的控制消息格式 |
3.6.3 MC_OBAMP协议树建立的控制消息格式 |
3.6.4 MC_OBAMP协议其他过程的控制消息格式 |
3.7 小结 |
第4章 MC_OBAMP组播路由协议的仿真实现 |
4.1 NS2网络仿真平台概述 |
4.1.1 NS2网络模拟的方法和步骤 |
4.1.2 NS2无线模块 |
4.2 MC_OBAMP组播协议功能模块的仿真实现 |
4.2.1 MC_OBAMP协议中移动节点的配置 |
4.2.2 接收消息的实现 |
4.2.3 转发消息的实现 |
4.2.4 发送消息的实现 |
4.2.5 NS2的编译与运行 |
4.3 小结 |
第5章 仿真实验及结果分析 |
5.1 仿真环境的设置 |
5.2 协议性能的评价指标 |
5.3 模拟结果分析 |
5.4 小结 |
第6章 结论 |
参考文献 |
致谢 |
攻读硕士期间发表的论文 |
(6)群集智能算法在网络策略中的研究及其应用(论文提纲范文)
摘要 |
Abstract |
插图索引 |
附表索引 |
第1章 绪论 |
1.1 引言 |
1.2 课题研究的背景 |
1.2.1 群集智能研究的进展 |
1.2.2 网络单播路由的研究现状 |
1.2.3 网络组播路由的研究现状 |
1.2.4 多约束QoS 网络组播路由算法的研究现状 |
1.2.4.1 传统的QoS 组播路由算法 |
1.2.4.2 基于智能算法的多约束QoS 网络路由算法 |
1.2.5 多约束网络流量的研究现状 |
1.2.5.1 传统网络流量算法的研究现状 |
1.2.5.2 智能算法在多约束网络流量的研究现状 |
1.3 本文的研究目的、意义和主要工作 |
第2章 QoS 网络路由最佳优化 |
2.1 引言 |
2.2 QoS 网络路由多约束条件 |
2.3 基于粒子融合的QoS 蚁群优化路由算法(PSACO_QoS) |
2.3.1 粒子群算法 |
2.3.2 蚁群算法 |
2.3.3 QoS 适应度函数 |
2.3.4 基本粒子群算法融合流程 |
2.3.5 粒子群算法与蚁群算法最佳融合时机 |
2.3.6 基于粒子融合的QoS 蚁群优化路由算法 |
2.3.7 程序编程流程图 |
2.3.8 实验仿真 |
2.3.9 结论 |
2.4 基于混沌算子的蚁群优化改进QoS 路由算法 |
2.4.1 引言 |
2.4.2 QoS 适应度函数 |
2.4.3 混沌优化算子 |
2.4.4 基于混沌算子的蚁群优化改进QoS 路由算法基本原理 |
2.4.5 基于混沌算子的蚁群优化改进QoS 路由算法流程 |
2.4.6 实验仿真 |
2.4.7 结论 |
2.5 结论 |
第3章 QoS 网络组播路由寻优 |
3.1 引言 |
3.2 多约束网络适应度函数 |
3.3 基于克隆粒子群融合的约束QoS 组播树算法基本原理 |
3.3.1 基本粒子群算法 |
3.3.2 亲和力算子 |
3.3.3 克隆算子 |
3.3.4 克隆变异算子 |
3.3.5 克隆选择算子 |
3.4 基于克隆粒子群融合的约束QoS 组播树算法流程 |
3.5 实验仿真 |
3.5.1 网络拓扑图 |
3.5.2 实验结果 |
3.5.3 算法对比实验 |
3.6 结论 |
第4章 带宽约束网络的流量智能控制 |
4.1 引言 |
4.2 模糊控制流量算法的模型 |
4.3 基于带宽限制模糊控制蚁群流量优化算法基本原理 |
4.3.1 蚁群优化算法 |
4.3.2 蚁群流量优化算法计分规则 |
4.3.3 信息素更新规则 |
4.4 实验仿真 |
4.4.1 系统网络拓扑图 |
4.4.2 基于带宽限制模糊控制蚁群流量优化算法流程 |
4.4.3 基于带宽限制模糊控制蚁群流量优化算法参数设置 |
4.4.4 实验结果 |
4.4.5 算法对比实验 |
4.5 结论 |
第5章 基于QoS 网络路由收敛性分析 |
5.1 引言 |
5.2 蚁群优化算法基本原理 |
5.2.1 QoS 约束及适应度函数 |
5.2.2 蚁群优化算法流程 |
5.3 蚁群优化算法收敛性分析 |
5.4 实验仿真 |
5.4.1 网络拓扑图 |
5.4.2 实验算法参数设定 |
5.4.3 实验结果 |
5.5 结论 |
第6章 网络安全聚类分析 |
6.1 引言 |
6.2 聚类分析 |
6.3 聚类分析的编码 |
6.3.1 聚类编码的原则 |
6.3.2 聚类问题的编码划为方式 |
6.3.3 聚类编码方法 |
6.4 基于粒子交叉融合蚁群优化聚类算法基本原理 |
6.4.1 K-聚类算法的数学描述 |
6.4.2 基于粒子交叉融合蚁群优化聚类算法 |
6.5 基于粒子交叉融合蚁群优化聚类算法流程 |
6.5.1 基本的粒子交叉融合蚁群优化聚类算法流程 |
6.5.2 改进的粒子交叉融合蚁群优化聚类算法 |
6.6 实验仿真 |
6.6.1 性能评价 |
6.6.2 实验结果 |
6.7 结论 |
第7章 总结与展望 |
7.1 总结 |
7.2 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 |
(7)基于Agent的QoS组播路由算法及仿真(论文提纲范文)
1 引言 |
2 Agent技术简述 |
3 基于Agent的QoS组播路由 |
3.1 QoS组播路由问题 |
3.2 算法步骤 |
4 仿真实验结果与分析 |
5 结束语 |
(8)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 |
(9)基于多智能体原理的QoS多组播路由问题研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 问题的提出 |
1.2 国内外研究现状 |
1.3 课题的意义 |
1.4 本文研究内容 |
1.5 本章小结 |
2 QOS组播路由问题 |
2.1 Qos组播通信 |
2.2 组播通信的工作原理 |
2.3 组播路由 |
2.3.1 组播路由协议的分类 |
2.3.2 组播路由协议 |
2.4 组播路由算法的分类 |
2.5 QoS组播的关键指标 |
2.6 本章小结 |
3 基于多智能体的组播路由问题 |
3.1 智能体简介 |
3.1.1 智能体(Agent) |
3.1.2 多智能体系统(Multi-Agent System) |
3.1.3 智能体操作 |
3.1.4 智能体方法的特点 |
3.1.5 多组播智能体的生存环境 |
3.2 基于多智能体系统的QoS组播路由算法 |
3.2.1 QoS组播路由问题的数学模型 |
3.2.2 系统设计 |
3.2.3 智能体策略设计 |
3.2.4 结果评价 |
3.2.5 系统的通信方式 |
3.2.6 算法流程 |
3.3 仿真实验 |
3.3.1 仿真网络模型生成 |
3.3.2 设置随机网络中的链路的时延和费用 |
3.3.3 实验环境 |
3.3.4 算法适应性实验 |
3.3.5 算法有效性实验 |
3.4 本章小结 |
4 基于多智能体的多组播路由问题 |
4.1 QoS多组播路由问题的数学模型 |
4.2 基于多智能体系统的QoS多组播路由算法 |
4.2.1 系统设计和智能体策略设计 |
4.2.2 智能体竞争和协商 |
4.2.3 结果评价和系统通信 |
4.3 仿真实验 |
4.4 本章小结 |
5 总结与展望 |
致谢 |
参考文献 |
(10)基于改进蚁群算法的QoS组播路由问题研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 立题背景 |
1.2 组播路由技术的研究 |
1.2.1 组播路由技术的研究现状 |
1.2.2 组播路由技术存在的主要问题 |
1.3 蚁群算法在组播路由问题中的应用 |
1.3.1 蚁群算法简介 |
1.3.2 蚁群算法研究进展 |
1.3.3 基于蚁群算法的组播路由技术 |
1.4 论文研究的内容和组织结构 |
第2章 QoS组播路由技术 |
2.1 QoS组播路由协议及算法 |
2.1.1 组播路由协议分类 |
2.1.2 组播路由算法分类 |
2.2 QoS基础 |
2.2.1 QoS定义 |
2.2.2 QoS提供机制 |
2.2.3 QoS体系结构 |
2.3 QoS组播路由问题描述 |
2.3.1 QoS组播路由模型 |
2.3.2 QoS组播路由问题分类 |
2.4 本章小结 |
第3章 基于改进的蚁群算法的QoS组播路由问题 |
3.1 蚁群算法的思想起源 |
3.2 蚁群算法概述 |
3.2.1 蚁群算法原理 |
3.2.2 蚁群算法的优点与不足 |
3.3 基于蚁群优化的QoS组播路由算法 |
3.3.1 算法描述 |
3.3.2 算法步骤 |
3.4 基于模拟退火思想的逆向蚁群算法 |
3.4.1 模拟退火算法的由来 |
3.4.2 模拟退火算法 |
3.4.3 基于模拟退火思想的逆向蚂蚁算法 |
3.4.4 算法性能分析 |
第4章 仿真实验和结果 |
4.1 仿真方法的价值 |
4.2 随机网络拓扑生成 |
4.2.1 随机节点的产生 |
4.2.2 随机链路的生成 |
4.3 网络参数的设置 |
4.3.1 费用 |
4.3.2 延时 |
4.3.3 带宽 |
4.4 实验设置 |
4.4.1 初始参数设置 |
4.4.2 自适应信息素增加系数设置 |
4.4.3 逆向蚂蚁数的设置 |
4.5 实验结果 |
4.5.1 收敛性能 |
4.5.2 稳定性 |
4.5.3 鲁棒性 |
4.5.4 网络代价性能 |
第5章 总结与展望 |
5.1 全文总结 |
5.2 研究展望 |
参考文献 |
致谢 |
硕士期间发表的论文 |
四、基于Agent的组播路由算法(论文参考文献)
- [1]大规模低轨宽带卫星网络路由关键技术研究[D]. 朱晓攀. 中国科学院大学(中国科学院国家空间科学中心), 2020(04)
- [2]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
- [3]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)
- [4]基于PCE的多域光网络路由算法研究[D]. 张天天. 湖南大学, 2014(03)
- [5]基于最小代价连通性组播路由协议的研究与实现[D]. 宋正龙. 东北大学, 2011(07)
- [6]群集智能算法在网络策略中的研究及其应用[D]. 金劲. 兰州理工大学, 2011(12)
- [7]基于Agent的QoS组播路由算法及仿真[J]. 侯丽敏,张瑞坤. 计算机仿真, 2011(01)
- [8]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)
- [9]基于多智能体原理的QoS多组播路由问题研究[D]. 朱飞. 西安理工大学, 2010(01)
- [10]基于改进蚁群算法的QoS组播路由问题研究[D]. 梁潇. 武汉理工大学, 2009(09)