一、基于启发式遗传算法的QoS组播路由问题求解（论文文献综述）
张阿鑫[1]（2019）在《基于蚁群算法的Ad Hoc组播能量优化研究》文中研究指明为了保障移动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。
周志平[2]（2019）在《基于改进离散萤火虫算法的QoS组播路由优化》文中提出近几年网络高速发展,5G时代显然已来临,在5G的时代下,人工智能、物联网、大数据等将得到广泛的应用,为了保证关键业务正常运行,网络传输能力显得尤为重要。组播通信广泛存在于这些应用中,因此研究满足时延、丢包率、带宽等QoS约束的组播路由优化问题很有意义。本文通过对QoS组播通信的特征的分析,以及当前组播路由优化问题的研究,阐述了新的见解。由于对萤火虫算法的研究尚还处于初期,尤其在解决离散目标优问题的不足,本文首先针对TSP问题,提出了一种ODFA算法,之后将问题扩大到带约束的组播路由问题,提出一种BRDFA算法,通过实验证明本文所提出的两种算法是有效的。本文的主要研究内容和相关工作可以概括如下:1.基本的萤火虫算法只是适用于连续问题的优化,而组播路由优化问题属于NP-Complete问题,是一种离散目标优化问题,基本的萤火虫算法不在适用于解决此类问题。TSP被证明具有NP-C计算复杂性,被当做离散目标优化问题的基准,因此本文首先从解决TSP问题入手,提出了一种基于OX操作的离散萤火虫算法（ODFA）解决TSP问题。通过利用局部搜索程序C2-Opt和3-Opt来实现寻优和多样化之间的平衡,以提高搜索性能并加速收敛。此外,还引入动态变异因子,防止陷入局部最优。使用TSPLIB库中的实例进行实验,通过验证分析,证明了 ODFA算法可行有效,为后面研究QoS组播路由问题提供了依据。2.在解决TSP问题的基础下,本文提出一种基于BR策略的离散萤火虫算法（BRDFA）来解决QoS组播路由问题。针对QoS组播路由问题中树编码解码难复杂的问题,BRDFA算法提出一种前驱节点的萤火虫编码方式;同时对当前采用惩罚函数和树修复策略来处理约束条件,效率低且产生不可行解的问题,本文使用BR策略来保证搜索到的组播树都是满足QoS约束,加快了寻优的收敛。此外,为了防止陷入局部最优,增加种群多样性,引入了萤火虫扰动机制。通过仿真实验验证,证明了 BRDFA具有很好的可行性和适应性,提供了一种新的思路用于解决QoS组播路由优化问题。
陈艳,李志远,马莉[3]（2016）在《基于遗传算法的优化QoS组播路由算法》文中研究指明随着网络宽带技术的快速发展,多媒体业务对服务质量（QoS）的要求越来越高,QoS组播路由也成为制约宽带技术发展的关键问题。为了提高通信网络的利用率和解决网络传输中QoS组播路由问题,提出了一种基于遗传算法的优化QoS组播路由算法。首先介绍了QoS组播路由的网络模型,然后详细阐述了优化QoS组播路由算法的设计,并通过仿真实验证明了该算法具有加快算法收敛速度,提高网络带宽利用率,降低网络拥塞等优点。
杨原[4]（2014）在《基于群智能优化算法的QoS组播路由算法研究》文中提出近年来，伴随互联网技术的快速发展，越来越多新型通信需求随之出现，尤其是日益兴起的视频会议、在线教育、IP电话等多媒体实时业务。此类的应用往往会对网络的通信能力提出更高的要求，同时要求计算机在支持多媒体业务时，使用更好的组播通信方式。多媒体实时业务对延时、带宽、费用、丢包率等QoS参数有不同的需求，多约束QoS组播路由算法已经成为互联网技术研究领域的热点问题之一。本文在研究多约束QoS组播路由算法现状的基础上，构建了QoS组播路由问题的数学模型，并提出了一种将遗传算法和蚁群算法有效的结合起来的新型算法—遗传蚁群混合优化算法（CGAACA，the Combination of Genetic Algorithm and Ant ColonyAlgorithm）。算法前期利用遗传算法生成若干组优化解；算法中期，为了确保遗传算法和蚁群算法在适当时机能够融合，本文在这里设置了一个遗传算法进化程度函数，通过遗传算法的进化程度，动态地控制两种算法的最佳融合时机；算法后期，把遗传算法的若干优化解转换为蚁群算法里的信息素初值，利用蚁群算法得到满足一定QoS约束条件的最优解。此外，本文在算法前期和后期加入了邻近搜索的概念，采用了最大差异性交叉策略、保优选择策略和双重信息素更新策略。这些新策略使该算法既克服了遗传算法后期进化缓慢和蚁群算法前期信息素缺乏等缺点，又保留了遗传算法的并行性和蚁群算法正反馈等优点。本文将遗传蚁群混合优化算法应用于QoS组播路由问题，使用Matlab进行仿真。实验证明，相比较于基本遗传算法和基本蚁群算法，本文算法不仅具有可行性、有效性，而且具有更好的全局收敛性，实现了对网络资源的有效优化，对未来网络的发展提供了理论依据。
孔宇彦,姚金涛,张明武[5]（2014）在《Ad hoc网络基于GA-NCE的QoS组播路由优化算法》文中进行了进一步梳理遗传算法求解Ad hoc网络QoS组播路由问题一般存在因近亲交叉操作降低群体多样性而导致早熟收敛问题。在将自然血亲排斥机制结合到遗传算法的基础上,提出了一种基于自然血亲排斥遗传算法（GA-NCE）的Ad hoc网络QoS组播路由优化算法。其基本思想是在QoS组播路由搜索优化过程中采用通婚记录方式记录QoS组播路由解个体近三次与其他解个体交叉操作历史,用于实现解群体三代自然血亲之间的交叉排斥,最大可能地避免QoS组播路由解群体内部的近亲繁殖,从而有效地保证QoS组播路由解群体多样性,抑制早熟收敛。仿真结果表明了所提出算法相对基于未改进遗传算法的路由算法具有更好的丢包率和端到端时延。
卢婷[6]（2013）在《基于遗传算法的无线Ad Hoc网络QoS组播路由研究》文中研究说明服务质量（Quality of Service, QoS）组播（multicast）路由是网络优化的难题之一。用启发式算法解决QoS组播路由问题，计算时间和代价会随着网络规模的扩大而急剧增大。遗传算法（GeneticAlgorithm, GA）由于具有较强的适应性、强壮性和灵活性，是求解QoS组播路由问题的重要手段。由于WANET（Wireless Ad Hoc Network, WANET）节点能量有限，与有线网络不同，无线Ad Hoc网络QoS组播路由问题需要考虑能量消耗。随着多媒体应用的飞速发展，QoS组播路由也需要考虑传输延迟和代价。本论文主要围绕华为技术有限公司研究项目“BGP路由协议硬件加速”和“IP流量探测技术”在无线Ad Hoc网络中的研究任务，从无线Ad Hoc网络的特点出发，对Ad Hoc网络QoS组播路由问题展开了深入研究，在QoS组播路由中考虑了传输延迟、路由代价、能量消耗、网络生存期和组播生存期。本文的主要创新性研究成果如下：（1）在无线Ad Hoc网络中提出了三个QoS组播路由问题，分别是：延迟抑制最小能耗组播路由（Delay-Constrained Minimum-Energy Multicast Routing, DCMEMR）问题，目的是为了保证多媒体应用的延迟约束，并同时减小组播的能量消耗；最大网络生存期最小代价组播路由（Maximum-Network-Lifetime Minimum-Cost MulticastRouting, MaxNLMCMR）问题，目的是为了减小组播传输代价的同时延长网络的生存期；延迟抑制最大组播生存期组播路由（Delay-Constrained Maximum-LifetimeMulticast Routing, DCMaxLMR）问题，目的是为了保证多媒体应用的延迟约束，并同时延长组播的工作时间。（2）提出了树结构编码法。树结构编码法用组播树本身来描述染色体，省略了遗传算法执行过程中的编码/解码操作，可以简化遗传算法，加速算法的收敛。（3）针对DCMEMR问题，提出基于遗传算法的延迟抑制最小能耗组播路由算法（GA-based Delay-Constrained Minimum-Energy Multicast Routing Algorithm,DCMEGA）。该算法的遗传算子能减小组播树的延迟和能量消耗，加速算法的收敛。实验结果证明该算法构造的组播树不仅满足延迟抑制条件，而且能量消耗最小，并且该算法能快速收敛。（4）针对MaxNLMCMR问题，提出基于遗传算法的最大网络生存期最小代价组播路由算法（GA-based Maximum-Network-Lifetime Minimum-Cost Multicast RoutingAlgorithm, MaxNLMCGA）。该算法的遗传算子能减小组播树的传输代价和能量消耗，变异算子能延长网络生存期，加速算法的收敛。实验结果证明该算法构造的组播树不仅传输代价最小，而且网络生存期最长，并且该算法能快速收敛。（5）针对DCMaxLMR问题，提出基于遗传算法的延迟抑制最大组播生存期组播路由算法（GA-based Delay-Constrained Maximum-Lifetime Multicast Routing Algorithm,DCMaxLGA）。该算法的遗传算子能减小组播树的延迟和能量消耗，变异算子能延长组播生存期，加速算法的收敛。实验结果证明该算法构造的组播树不仅满足延迟抑制条件，而且组播生存期最长，并且该算法能快速收敛。
张志成[7]（2013）在《群智能优化算法在QoS组播路由中的应用研究》文中认为随着网络技术的飞速发展,尤其是多媒体技术（如视频会议、网络电视、网络游戏、IP电话等）的广泛应用,对网络的传输能力提出了更高的要求。此类应用往往需要网络具备多点通信的能力,而组播通信就是针对多点传输和多方协作设计的通信方式。此通信方式在主链路上只有一个数据的拷贝,在分支链路上由路由器进行数据包的复制传输,极大的降低了网络资源的消耗,具有高效的数据传输效率。组播通信必将成为下一代网络数据传输中重要的支撑技术。组播路由是组播通信的关键和核心技术,要实现组播通信必须确定组播路径,组播路径是用组播分布树来描述的,而构建组播分布树就是组播路由的任务。QOS即服务质量,它能确保网络业务量的高效传输,针对各种网络业务的不同需求提供不同的服务质量,达到区分业务提高服务质量的目的。QoS组播路由的重要任务是构建一棵能够满足各种业务对服务质量需求的组播树,学者Kompella首先证明了具有两个或多个不相关可加性约束的QOS组播路由是NP-Complete问题,并提出了KPP算法来构造满足时延约束的Steiner树。随着多媒体技术的深入发展,多媒体业务对网络资源的要求愈来愈高,多约束条件下的QoS组播路由技术成为当前研究的热点。现代群智能优化都是基于自然界生物群体所表现出的群体智能现象所提出的,这些算法设计简单、易于理解,对所应用的领域没有特殊要求。因此,群智能优化算法得到广泛的研究与应用。传统QOS组播路由算法（最短路径树算法、最小Steiner树算法）有自己特殊的数学模型并有严格的论证,但是现实中的网络结构往往很复杂并且具有不确定性,并不是一种模型所能描述的,而群智能算法是启发式算法,可以避免建立严格模型的困难,对有两个或两个以上目标和约束的复杂可变网络一般都能求出有效解。近几年,将遗传算法、蚁群算法、粒子群算法等群智能优化算法应用到QoS组播路由中的文章相继发表,这些文章大多是对某一种算法的收敛时间、运行效率和搜索能力进行探索,因为每一篇文章所采用的仿真模型各不相同,所以不便对这些群智能优化算法进行统一的比较,不能形成一个全面的认识。本文采用Salama网络拓扑随机生成算法生成一个随机网络拓扑模型,定义相同的源节点和组播组节点,相同的QOS约束条件,在相同的网络拓扑模型基础上应用遗传算法、蚁群算法、粒子群算法、萤火虫算法求解QOS组播树,并对QOS的相关参数进行分析。本文使用Matlab仿真平台进行算法仿真,并使用该软件绘制相关的图表,对仿真结果进行分析研究。
蒲汛,于显平,卢显良[8]（2012）在《改进Pareto蚁群算法的多QoS组播路由策略》文中研究表明满足多约束条件的QoS（Quality of Service）组播路由是新一代网络信息传输的一项关键技术之一,提出一种改进Pare-to蚁群算法（MPACO）对该问题进行求解.通过分析QoS组播路由问题模型,针对QoS参数以及网络信息不确定的情况,使用分类蚁群快速查找出在给定QoS条件下满足需求概率最大的组播树Pareto非劣解.在算法执行过程中引入局部信息节点惩罚更新机制,以降低无关节点的重复搜索率;同时在全局信息素更新阶段,引入了新的激励更新机制,以期提高算法的收敛速度.仿真实验表明,该机制是可行和有效的,并能较快搜索到全局（近似）最优解.
徐斌[9]（2011）在《多QoS约束的组播路由优化算法研究》文中认为进入21世纪以来,计算机网络技术得到了更快的发展,这些发展源自于许多新的通信需求的涌现,特别是远程教学、视频会议、IPTV、网络游戏等。这些应用对现有网络的承载能力提出了更高,更迫切的要求,进一步迫使计算机网络在支持多媒体业务时,必须使用更好的组播通信方式。深入研究发现,这些多媒体应用对时延、带宽、代价、丢包率等,即QoS,有不同的需求。现有的计算机网络并不能够完全满足传输带有QoS指标的实时多媒体信息的需要,所以多约束QoS组播路由算法已经成为计算机网络研究领域的热点问题之一。本研究针对多约束QOS组播路由算法的现状进行了考察。以此为基础针对QoS中的时延、带宽和丢包率等指标的最小代价问题,进行了研究,进而提出了一种高效的组播路由优化算法。本文主要内容有：1、对组播路由技术的相关背景进行考查,简单介绍了国内外现状,熟悉了QoS路由的基本概念和网络模型,指出目前已有算法的优缺点,为本研究找到了方向；2、提出了一种将遗传算法与蚁群算法相融合的混合优化算法（GAACA, the combination of Genetic Algorithm and Ant Colony Algorithm）。该算法首先利用遗传算法生成若干组优化解,然后转换为蚁群算法里的信息素初值,以便利用蚁群算法编制程序得到满足一定QoS约束条件的最优解。为了确保遗传算法和蚁群算法在适当时机能够融合,这里设置了一个遗传算法控制函数。该算法既克服了遗传算法和蚁群算法的缺点,又保留了它们各自的优点；3、为了有效使用Salama随机网络拓扑生成算法,对其进行研究并提出了新的改进算法。对改进后算法使用MATLAB进行了仿真,并与传统算法就收敛性和迭代次数进行比较。MATLAB运行结果说明了算法的可行性和有效性,说明了算法能够针对目前的网络需求做到代价低且快速收敛。
贺清[10]（2010）在《基于改进的遗传算法的QoS组播路由算法》文中提出近年来,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。
二、基于启发式遗传算法的QoS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、基于启发式遗传算法的QoS组播路由问题求解（论文提纲范文）
（1）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 |
（2）基于改进离散萤火虫算法的QoS组播路由优化（论文提纲范文）
| 详细摘要 |
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 研究背景与意义 |
| 1.3 QoS组播路由研究现状 |
| 1.3.1 遗传算法在组播中的研究 |
| 1.3.2 蚁群算法在组播中的研究 |
| 1.3.3 FA和其它算法在组播中研究 |
| 1.4 FA算法研究现状 |
| 1.4.1 FA理论研究 |
| 1.4.2 FA应用研究 |
| 1.5 本文主要工作和内容安排 |
| 第二章 QoS组播路由技术 |
| 2.1 引言 |
| 2.2 路由问题 |
| 2.2.1 网络路由的概念及原理 |
| 2.2.2 网络路由算法分类 |
| 2.3 组播技术 |
| 2.3.1 组播技术原理 |
| 2.3.2 组播技术的优势 |
| 2.3.3 组播协议 |
| 2.4 QoS约束问题 |
| 2.4.1 QoS概述 |
| 2.4.2 QoS参数介绍 |
| 2.4.3 QoS约束目标和难点 |
| 2.5 QoS组播路由问题 |
| 2.5.1 QoS组播路由概述 |
| 2.5.2 QoS组播数学模型 |
| 2.5.3 QoS组播路由算法 |
| 2.6 本章小结 |
| 第三章 萤火虫算法及改进应用 |
| 3.1 引言 |
| 3.2 标准萤火虫算法 |
| 3.2.1 萤火虫算法原理 |
| 3.2.2 萤火虫算法优势 |
| 3.2.3 萤火虫算法实现过程 |
| 3.3 基于OX操作离散萤火虫算法求解TSP问题 |
| 3.3.1 TSP问题 |
| 3.3.2 OX操作 |
| 3.3.3 萤火虫算法改进策略 |
| 3.3.4 改进算法在TSP问题中的实现过程 |
| 3.4 仿真实验与分析 |
| 3.5 本章小结 |
| 第四章 改进的离散萤火虫算法求解QoS组播路由问题 |
| 4.1 引言 |
| 4.2 QoS组播网络模型及其分析 |
| 4.2.1 QoS组播网络优化模型 |
| 4.2.2 QoS组播网络路由优化问题及其分析 |
| 4.3 BRDFA求解QoS组播路由问题 |
| 4.3.1 常用的几种组播树编码 |
| 4.3.2 本文提出的组播树编码 |
| 4.3.3 BR策略 |
| 4.3.4 BR策略组播树初始化 |
| 4.3.5 BR策略组播树寻优 |
| 4.3.6 扰动机制 |
| 4.3.7 算法流程 |
| 4.4 小结 |
| 第五章 实验仿真分析与算法评估 |
| 5.1 Salama网络拓扑生成算法 |
| 5.2 仿真实验参数与节点算例结果 |
| 5.3 结果分析与性能测试 |
| 5.3.1 可行性测试与分析 |
| 5.3.2 算法比较测试与分析 |
| 第六章 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 未来展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（3）基于遗传算法的优化QoS组播路由算法（论文提纲范文）
| 1 原理介绍 |
| 1.1 QoS组播路由的现状 |
| 1.2 QoS组播路由网络模型 |
| 2 优化组播路由算法的设计 |
| 2.1 编码方式 |
| 2.2 适应函数 |
| 2.3 遗传选择策略 |
| 2.4 交叉设计 |
| 2.5 变异设计 |
| 2.6 合法性设计 |
| 2.7 空闲因子设计 |
| 2.8 算法扩展优化设计 |
| 2.9 终止条件 |
| 3 模拟仿真分析 |
| 4 结束语 |
（4）基于群智能优化算法的QoS组播路由算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 选题背景及研究意义 |
| 1.1.1 选题背景 |
| 1.1.2 研究意义 |
| 1.2 国内外现状 |
| 1.3 论文的主要内容和章节安排 |
| 2 QoS 组播路由技术 |
| 2.1 组播路由技术 |
| 2.1.1 组播的原理 |
| 2.1.2 组播路由协议 |
| 2.1.3 组播路由算法分类 |
| 2.2 QoS 参数 |
| 2.2.1 QoS 概述 |
| 2.2.2 QoS 主要参数 |
| 2.2.3 QoS 度量 |
| 2.3 QoS 组播路由 |
| 2.3.1 QoS 组播原理 |
| 2.3.2 QoS 组播路由经典算法研究 |
| 2.4 本章小结 |
| 3 遗传算法和蚁群算法 |
| 3.1 遗传算法 |
| 3.1.1 遗传算法简介 |
| 3.1.2 遗传算法的基本概念 |
| 3.1.3 遗传算法流程 |
| 3.1.4 遗传算法特点 |
| 3.2 蚁群算法 |
| 3.2.1 蚁群算法简介 |
| 3.2.2 蚁群算法基本原理 |
| 3.2.3 蚁群算法的数学模型 |
| 3.2.4 蚁群算法流程 |
| 3.2.5 蚁群算法的特点 |
| 3.3 本章小结 |
| 4 基于遗传算法和蚁群算法融合的混合优化算法 |
| 4.1 QoS 组播路由问题的数学模型 |
| 4.2 混合算法的背景描述 |
| 4.3 CGAACA 算法设计思想及总体框架 |
| 4.4 CGAACA 算法具体设计方案 |
| 4.4.1 遗传算法部分 |
| 4.4.2 遗传算法和蚁群算法相融合部分 |
| 4.4.3 蚁群算法部分 |
| 4.5 CGAACA 算法的描述 |
| 4.6 本章小结 |
| 5 CGAACA 算法的 QoS 组播路由仿真实验及分析 |
| 5.1 开发工具介绍 |
| 5.2 网络拓扑随机生成算法 |
| 5.3 仿真实验参数 |
| 5.4 实验仿真与结果分析 |
| 5.4.1 算法可行性分析 |
| 5.4.2 算法有效性分析 |
| 5.4.3 算法的网络代价性能分析 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
（5）Ad hoc网络基于GA-NCE的QoS组播路由优化算法（论文提纲范文）
| 0 引言 |
| 1 GA-NCE算法描述 |
| 1.1 相关定义 |
| 1.2 交叉和变异概率控制策略 |
| 2 Ad hoc网络基于GA-NCE Qo S组播路由优化算法 |
| 2.1 编码方法 |
| 2.2 种群初始化 |
| 2.3 适应度函数 |
| 2.4 选择操作 |
| 2.5 交叉操作 |
| 2.6 变异操作 |
| 2.7 组播树修复操作 |
| 2.8 算法描述 |
| 3 算法仿真与结果 |
| 3.1 仿真场景和参数设置 |
| 3.2 仿真结果与分析 |
| 4 结束语 |
（6）基于遗传算法的无线Ad Hoc网络QoS组播路由研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 表格索引 |
| 插图索引 |
| 缩略语表 |
| 目录 |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.1.1 组播的概念和特点 |
| 1.1.2 QoS 的概念 |
| 1.1.3 QoS 组播路由的概念 |
| 1.1.4 无线 Ad Hoc 网络的概念和特点 |
| 1.1.5 无线 Ad Hoc 网络 QoS 组播的研究意义 |
| 1.2 无线 AD HOC 网络 QOS 组播的原理与研究现状 |
| 1.2.1 组播路由的实现 |
| 1.2.2 QoS 组播的研究现状 |
| 1.2.3 无线 Ad Hoc 网络 QoS 组播路由面临的问题 |
| 1.2.4 无线 Ad Hoc 网络 QoS 组播的研究现状 |
| 1.3 论文提出的研究问题 |
| 1.3.1 延迟抑制最小能耗组播路由问题 |
| 1.3.2 最大网络生存期最小代价组播路由问题 |
| 1.3.3 延迟抑制最大组播生存期组播路由问题 |
| 1.4 论文的内容安排和创新工作 |
| 1.4.1 内容安排 |
| 1.4.2 创新工作 |
| 第二章 遗传算法解决 QOS 组播路由问题 |
| 2.1 遗传算法解决 QOS 组播路由问题有效性分析 |
| 2.2 遗传算法解决 QOS 组播路由问题的研究现状 |
| 2.3 遗传算法的基本原理 |
| 2.3.1 遗传算法的生物进化基础 |
| 2.3.2 遗传算法的基本原理 |
| 2.4 遗传算法设计相关工作 |
| 2.4.1 编码 |
| 2.4.2 群体初始化 |
| 2.4.3 适应度评估 |
| 2.4.4 选择算子 |
| 2.4.5 交叉算子 |
| 2.4.6 变异算子 |
| 2.5 遗传算法收敛性分析 |
| 2.6 本章小结 |
| 第三章 树结构编码法 |
| 3.1 组播树编码方法的研究意义 |
| 3.2 编码设计需要考虑的问题 |
| 3.2.1 编码技术分类 |
| 3.2.2 可行性和合法性 |
| 3.2.3 编码设计需要满足的性质 |
| 3.3 现有的组播树编码方法 |
| 3.3.1 组播树节点编码 |
| 3.3.2 n × n一维二进制编码 |
| 3.3.3 特征向量表示法 |
| 3.3.4 父节点表示法 |
| 3.3.5 Prüfer Number 编码 |
| 3.3.6 序列拓扑编码 |
| 3.4 本文提出的编码方法 |
| 3.5 编码方法分析比较 |
| 3.6 本章小结 |
| 第四章 延迟抑制最小能耗组播路由算法 |
| 4.1 延迟抑制最小能耗组播路由的研究意义和现状 |
| 4.2 问题的提出 |
| 4.2.1 网络模型的建立 |
| 4.2.2 能量消耗模型的建立 |
| 4.2.3 延迟抑制最小能耗组播路由问题 |
| 4.3 DCMEGA 算法 |
| 4.3.1 编码 |
| 4.3.2 群体初始化 |
| 4.3.3 适应度函数 |
| 4.3.4 选择算子 |
| 4.3.5 交叉算子 |
| 4.3.6 变异算子 |
| 4.4 理论分析 |
| 4.4.1 算法收敛性分析 |
| 4.4.2 与其他算法分析比较 |
| 4.5 实验分析 |
| 4.5.1 实验设置 |
| 4.5.2 算法性能评价指标 |
| 4.5.3 路由成功率比较 |
| 4.5.4 能量消耗比较 |
| 4.5.5 运行时间比较 |
| 4.6 本章小结 |
| 第五章 最大网络生存期最小代价组播路由算法 |
| 5.1 最大网络生存期最小代价组播路由的研究意义和现状 |
| 5.2 问题的提出 |
| 5.2.1 网络模型的建立 |
| 5.2.2 网络生存期模型的建立 |
| 5.2.3 最大网络生存期最小代价组播路由问题 |
| 5.3 MAXNLMCGA 算法 |
| 5.3.1 编码 |
| 5.3.2 群体初始化 |
| 5.3.3 适应度函数 |
| 5.3.4 选择算子 |
| 5.3.5 交叉算子 |
| 5.3.6 变异算子 |
| 5.4 理论分析 |
| 5.4.1 算法收敛性分析 |
| 5.4.2 与其他算法分析比较 |
| 5.5 实验分析 |
| 5.5.1 实验设置 |
| 5.5.2 算法性能评价指标 |
| 5.5.3 传输代价比较 |
| 5.5.4 网络生存期比较 |
| 5.5.5 运行时间比较 |
| 5.6 本章小结 |
| 第六章 延迟抑制最大组播生存期组播路由算法 |
| 6.1 延迟抑制最大组播生存期组播路由的研究意义和现状 |
| 6.2 问题的提出 |
| 6.2.1 网络模型的建立 |
| 6.2.2 组播生存期模型的建立 |
| 6.2.3 延迟抑制最大组播生存期组播路由问题 |
| 6.3 DCMAXLGA 算法 |
| 6.3.1 编码 |
| 6.3.2 群体初始化 |
| 6.3.3 适应度函数 |
| 6.3.4 选择算子 |
| 6.3.5 交叉算子 |
| 6.3.6 变异算子 |
| 6.4 理论分析 |
| 6.4.1 算法收敛性分析 |
| 6.4.2 与其他算法分析比较 |
| 6.5 实验分析 |
| 6.5.1 实验设置 |
| 6.5.2 算法性能评价指标 |
| 6.5.3 路由成功率比较 |
| 6.5.4 组播生存期比较 |
| 6.5.5 运行时间比较 |
| 6.6 本章小结 |
| 第七章 总结和展望 |
| 7.1 全文内容总结 |
| 7.2 工作展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间的科研成果和项目经历 |
（7）群智能优化算法在QoS组播路由中的应用研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究现状与存在的问题 |
| 1.3 本文主要的研究工作和内容安排 |
| 第二章 组播路由和QOS简介 |
| 2.1 组播路由 |
| 2.1.1 网络路由技术简介 |
| 2.1.2 组播路由算法的分类 |
| 2.2 QOS简介 |
| 2.3 QOS组播路由 |
| 2.3.1 QOS路由相关概念 |
| 2.3.2 QOS度量 |
| 2.3.3 QOS组播路由模型 |
| 第三章 遗传算法在QOS组播路由中的应用 |
| 3.1 遗传算法简介 |
| 3.2 遗传算法的主要内容 |
| 3.2.1 编码 |
| 3.2.2 种群初始化 |
| 3.2.3 适应度函数 |
| 3.2.4 选择 |
| 3.2.5 交叉 |
| 3.2.6 变异 |
| 3.3 遗传算法操作流程 |
| 3.4 QOS多播路由问题描述 |
| 3.5 基于遗传算法的QOS组播路由问题 |
| 3.5.1 编码方法 |
| 3.5.2 生成初始种群 |
| 3.5.3 评价函数设计 |
| 3.5.4 交叉 |
| 3.5.5 选择复制 |
| 3.5.6 变异 |
| 3.6 算法流程 |
| 3.7 实验仿真 |
| 3.8 基于改进遗传算法的多约束QOS组播路由算法 |
| 3.8.1 改进遗传算法过早收敛 |
| 3.8.2 组播树中回路问题 |
| 3.8.3 实验仿真 |
| 第四章 蚁群算法在QOS组播路由中的应用 |
| 4.1 蚁群算法简介 |
| 4.2 蚁群算法在TSP中的应用 |
| 4.3 蚁群算法在和QOS组播路由 |
| 4.3.1 蚁群算法在QOS组播路由中的应用 |
| 4.3.2 算法步骤 |
| 4.4 实验仿真 |
| 第五章 粒子群算法在QOS组播路由中的应用 |
| 5.1 粒子群算法简介 |
| 5.2 粒子群算法的主要内容 |
| 5.3 标准粒子群算法的操作流程 |
| 5.4 粒子群算法在QOS组播路由中的应用 |
| 5.4.1 问题描述 |
| 5.4.2 算法实现 |
| 5.4.3 算法步骤 |
| 5.5 实验仿真 |
| 第六章 萤火虫算法在QOS组播路由中的应用研究 |
| 6.1 标准萤火虫算法 |
| 6.1.1 萤火虫算法原理 |
| 6.1.2 算法描述数学描述 |
| 6.2 基于萤火虫算法的QOS组播路由问题 |
| 6.2.1 萤火虫算法应用到QOS组播路由中存在的问题和解决方法 |
| 6.2.2 萤火虫编码方法 |
| 6.2.3 目标函数 |
| 6.2.4 萤火虫荧光亮度 |
| 6.2.5 萤火虫的吸引度 |
| 6.2.6 萤火虫的移动 |
| 6.2.7 最亮萤火虫随机扰动 |
| 6.3 算法的流程与步骤 |
| 6.4 实验仿真 |
| 第七章 总结与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 参考文献 |
| 在学期间的研究成果 |
| 致谢 |
（8）改进Pareto蚁群算法的多QoS组播路由策略（论文提纲范文）
| 1 引 言 |
| 2 多QoS组播路由问题定义 |
| 3 基于Pareto 蚁群算法的网络路由算法设计 |
| 3.1 算法原理 |
| 3.2 路由信息素与启发式规则定义 |
| 3.3 蚁群状态转移规 |
| 3.4 局部信息素更新规则 |
| 3.5 基于Pareto最优解集的全局更新规则 |
| 3.6 MPACO算法描述 |
| 4 性能评估 |
| 5 结 论 |
（9）多QoS约束的组播路由优化算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题研究的目的和意义 |
| 1.2 国内外研究现状 |
| 1.3 本文的研究内容 |
| 1.4 本文的组织结构 |
| 2 组播路由技术 |
| 2.1 组播的工作原理 |
| 2.2 组播通信的方式 |
| 2.3 组播路由协议 |
| 2.3.1 密集模式路由协议 |
| 2.3.2 稀疏模式组播路由协议 |
| 2.4 组播路由算法分类 |
| 2.5 组播路由典型算法 |
| 3 QoS组播路由模型 |
| 3.1 QoS概述 |
| 3.2 QoS路由 |
| 3.3 QoS组播路由问题的数学模型 |
| 3.4 QoS约束组播路由算法的设计理论 |
| 3.4.1 算法设计的复杂性分析 |
| 3.4.2 QoS约束组播路由算法的设计原则 |
| 3.4.3 QoS约束组播路由算法性能指标 |
| 4 遗传算法与蚁群算法 |
| 4.1 遗传算法 |
| 4.1.1 遗传算法的基本概念 |
| 4.1.2 遗传算法的基本流程 |
| 4.1.3 遗传算法的特点及其应用 |
| 4.2 蚁群算法 |
| 4.2.1 蚁群算法的原理 |
| 4.2.2 蚁群算法的发展 |
| 4.2.3 蚁群算法的优点与不足 |
| 5 基于遗传算法与蚁群算法融合的QoS组播路由算法 |
| 5.1 算法背景 |
| 5.2 GAACA算法设计思想及总体框架 |
| 5.3 遗传算法部分 |
| 5.3.1 染色体编码 |
| 5.3.2 种群初始化 |
| 5.3.3 适应值函数 |
| 5.3.4 选择算子 |
| 5.3.5 交叉算子 |
| 5.3.6 变异算子 |
| 5.3.7 遗传算法结束条件 |
| 5.4 遗传算法与蚁群算法相融合部分 |
| 5.4.1 算法融合时机的设置 |
| 5.4.2 蚁群算法信息素初值的设置 |
| 5.5 蚁群算法部分 |
| 5.5.1 路径选择规则 |
| 5.5.2 信息素强度调整规则 |
| 5.5.3 蚁群算法部分结束条件 |
| 5.6 GAACA算法的描述 |
| 5.7 仿真实验及分析 |
| 5.7.1 开发工具的选择 |
| 5.7.2 改进的网络拓扑随机生成算法设计 |
| 5.7.3 仿真实验参数 |
| 5.7.4 算法收敛性能分析 |
| 5.7.5 算法代价的性能分析 |
| 6 结论 |
| 6.1 研究成果 |
| 6.2 未来的工作 |
| 参考文献 |
| 攻读硕士学位期间发表的论文 |
| 致谢 |
（10）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 |
四、基于启发式遗传算法的QoS组播路由问题求解（论文参考文献）
- [1]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)
- [2]基于改进离散萤火虫算法的QoS组播路由优化[D]. 周志平. 杭州电子科技大学, 2019(01)
- [3]基于遗传算法的优化QoS组播路由算法[J]. 陈艳,李志远,马莉. 桂林航天工业学院学报, 2016(03)
- [4]基于群智能优化算法的QoS组播路由算法研究[D]. 杨原. 西安科技大学, 2014(03)
- [5]Ad hoc网络基于GA-NCE的QoS组播路由优化算法[J]. 孔宇彦,姚金涛,张明武. 计算机应用研究, 2014(08)
- [6]基于遗传算法的无线Ad Hoc网络QoS组播路由研究[D]. 卢婷. 上海交通大学, 2013(04)
- [7]群智能优化算法在QoS组播路由中的应用研究[D]. 张志成. 兰州大学, 2013(11)
- [8]改进Pareto蚁群算法的多QoS组播路由策略[J]. 蒲汛,于显平,卢显良. 小型微型计算机系统, 2012(12)
- [9]多QoS约束的组播路由优化算法研究[D]. 徐斌. 西安工业大学, 2011(09)
- [10]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)