自适应蚁群优化的云数据库动态路径查询

doi:10.3778/j.issn.1002-8331.2010.09.004

计算机工程与应用 ›› 2010, Vol. 46 ›› Issue (9): 10-12.DOI: 10.3778/j.issn.1002-8331.2010.09.004

自适应蚁群优化的云数据库动态路径查询

史恒亮^1，2，3，任崇广^1，3，白光一^1，3，普杰信²

1.南京理工大学计算机学院，南京 210094
2.河南科技大学电信学院，河南洛阳 471003
3.方舟信息技术（苏州）有限公司，江苏苏州 215021

收稿日期:2009-12-30 修回日期:2010-02-10 出版日期:2010-03-21 发布日期:2010-03-21
通讯作者: 史恒亮

Cloud database dynamic route query based on self-adaptive ant colony optimization

SHI Heng-liang^1，2，3，REN Chong-guang^1，3，BAI Guang-yi^1，3，PU Jie-xin²

1.School of Computer Science，Nanjing University of Science and Technology，Nanjing 210094，China
2.School of Electronic Information，Henan University of Science & Technology，Luoyang，Henan 471003，China
3.Noah IT Solution Com.，LTD，Suzhou，Jiangsu 215021，China

Received:2009-12-30 Revised:2010-02-10 Online:2010-03-21 Published:2010-03-21
Contact: SHI Heng-liang

摘要/Abstract

摘要： 蚁群算法对于解决动态最优路径查询问题具有很强的优势，但蚁群算法中的信息素挥发因子的静态设置容易带来收敛速度不稳定和陷入局部最优解的问题，在云数据库中更是明显。融合了蚁群算法和云数据库，并提出了信息素挥发因子自适应的算法，该算法能够在云中快速、合理地找到所需访问的数据库，减少了云数据库数路由的动态负荷，从而很大程度上提高云计算的效率。

关键词: 自适应, 信息素, 蚁群算法, 云数据库, 动态路径查询

Abstract: Although ACO（Ant Colony Optimization） algorithm has strong advantages in treating dynamical optimal route query problem，pheromone volatility factor’s static setting brings unstable convergence speed and traps into local optimization answer problems，especially for cloud database.Combining ACO algorithm and cloud database，this paper proposes a novel pheromone volatility self-adaptive algorithm which can find the requiring database rapidly and effectively，and reduce the dynamic routing burdens of cloud database routing，and enhance the efficiency of cloud computing to a large extent.

Key words: self-adaptive, pheromone, Ant Colony Optimization（ACO）, cloud database, dynamic routing query

中图分类号:

TP311

史恒亮^1，2，3，任崇广^1，3，白光一^1，3，普杰信². 自适应蚁群优化的云数据库动态路径查询[J]. 计算机工程与应用, 2010, 46(9): 10-12.

SHI Heng-liang^1，2，3，REN Chong-guang^1，3，BAI Guang-yi^1，3，PU Jie-xin². Cloud database dynamic route query based on self-adaptive ant colony optimization[J]. Computer Engineering and Applications, 2010, 46(9): 10-12.

[1]	马珺，王昱皓. 结合自适应更新策略和再检测技术的跟踪算法[J]. 计算机工程与应用, 2021, 57(9): 217-224.
[2]	史春天，曾艳阳，侯守明. 群体智能算法在图像分割中的应用综述[J]. 计算机工程与应用, 2021, 57(8): 36-47.
[3]	张松灿，普杰信，司彦娜，孙力帆. 基于种群相似度的自适应改进蚁群算法及应用[J]. 计算机工程与应用, 2021, 57(8): 70-77.
[4]	邹杰，李俊. 多策略协方差矩阵学习差分进化算法[J]. 计算机工程与应用, 2021, 57(7): 78-87.
[5]	赵林锁，马瑞强，姜天，宋宝燕，潘一山. 两级回归的流式大数据事件自适应预警方法[J]. 计算机工程与应用, 2021, 57(7): 88-94.
[6]	朱佳莹，高茂庭. 融合粒子群与改进蚁群算法的AUV路径规划算法[J]. 计算机工程与应用, 2021, 57(6): 267-273.
[7]	卜冠南，刘建华，姜磊，张冬阳. 一种自适应分组的蚁群算法[J]. 计算机工程与应用, 2021, 57(6): 67-73.
[8]	倪宗军，陈辉，张昀，苏敏，郑秀娟. 自适应去噪的非接触式生理参数检测方法[J]. 计算机工程与应用, 2021, 57(5): 153-160.
[9]	马向华，张谦. 改进蚁群算法在机器人路径规划上的研究[J]. 计算机工程与应用, 2021, 57(5): 210-215.
[10]	陈世明，林子朋，高彦丽，裴惠琴. 自适应耦合权重下的异质群体一致性研究[J]. 计算机工程与应用, 2021, 57(4): 231-235.
[11]	王芙银，张德生，张晓. 结合鲸鱼优化算法的自适应密度峰值聚类算法[J]. 计算机工程与应用, 2021, 57(3): 94-102.
[12]	陈明月，刘三阳. 自适应流形学习在故障诊断中的应用[J]. 计算机工程与应用, 2021, 57(3): 247-252.
[13]	李壮阔，常凯旋. 合作博弈的连续蚁群算法求解[J]. 计算机工程与应用, 2021, 57(24): 198-204.
[14]	李雅，侯彦东，刘畅. 基于故障程度的自适应优化容错控制[J]. 计算机工程与应用, 2021, 57(23): 295-302.
[15]	肖振久，孔祥旭，宗佳旭，杨玥莹. 自适应聚焦损失的图像目标检测算法[J]. 计算机工程与应用, 2021, 57(23): 185-192.

自适应蚁群优化的云数据库动态路径查询

Cloud database dynamic route query based on self-adaptive ant colony optimization

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics