基于信息差异度蚁群算法的QoS路由算法

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (25): 112-115.

基于信息差异度蚁群算法的QoS路由算法

李永胜

广西民族大学数学与计算机科学学院，南宁 530006

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-09-01 发布日期:2011-09-01

QoS routing algorithm based on differential pheromone ant colony algorithm

LI Yongsheng

College of Mathematics and Computer Science，Guangxi University for Nationalities，Nanning 530006，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-09-01 Published:2011-09-01

摘要/Abstract

摘要： 针对基本蚁群算法在求解QoS路由问题中存在的容易陷入局部最优和收敛速度慢的缺陷，提出一种基于信息差异度的蚁群算法对该问题进行求解。该算法在节点选择中嵌入路径信息素的差异度调节函数和迭代算子，动态调整节点选择策略;根据各路径上信息素的“集中”程度判断解的早熟、停滞情况，并引入路径变异和二次蚁群操作;根据最大-最小蚁群算法原理对信息素进行限制。仿真实验表明，算法全局搜索能力较强，能够跳出局部极值区间，快速收敛到全局最优解，算法是可行、有效的。

关键词: 蚁群算法, QoS路由, 信息差异度, 路径变异, 二次蚁群搜索

Abstract: Ant colony algorithm is easy to fall in local best and its convergent speed is slow in solving multiple QoS constrained unicast routing problems.Therefore，a differential pheromone ant colony algorithm is proposed to solve the problems.Iterators and the function of adjusting differential pheromone intensity on the path are used to adjust nodes transition strategy dynamically.Stagnation behavior is judged by the concentration level of the pheromone on the path.Path mutated and twice ant colony algorithm search are adopted and the pheromone is limited according to the principles of MAX-MIN ant system.According to simulations，its global search is strong and it can range out of local best and fast converge to the global optimum.The improved algorithm is feasible and effective.

Key words: ant colony algorithm, QoS routing, differential pheromone intensity, path mutated, twice ant colony algorithm search

李永胜. 基于信息差异度蚁群算法的QoS路由算法[J]. 计算机工程与应用, 2011, 47(25): 112-115.

LI Yongsheng. QoS routing algorithm based on differential pheromone ant colony algorithm[J]. Computer Engineering and Applications, 2011, 47(25): 112-115.

[1]	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.
[2]	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.
[3]	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.
[4]	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.
[5]	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.
[6]	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.
[7]	王晓光，杨培蓓. 航运物流企业数字化转型设计与效果分析[J]. 计算机工程与应用, 2021, 57(21): 241-247.
[8]	张子然，黄卫华，陈阳，章政，李梓远. 基于双向搜索的改进蚁群路径规划算法[J]. 计算机工程与应用, 2021, 57(21): 270-277.
[9]	李二超，齐款款. 改进双向蚁群算法的移动机器人路径规划[J]. 计算机工程与应用, 2021, 57(18): 281-288.
[10]	何雅颖，范昕炜. 改进蚁群算法在机器人路径规划中的应用[J]. 计算机工程与应用, 2021, 57(16): 276-282.
[11]	付朝晖，刘长石. 多物流中心共同配送的车辆路径问题研究[J]. 计算机工程与应用, 2021, 57(16): 291-298.
[12]	张苏英，郭宝樑，陈灵芝，刘慧贤. 双向蚁群算法的智能消防疏散图路径规划[J]. 计算机工程与应用, 2021, 57(14): 259-266.
[13]	付朝晖，刘长石. 生鲜电商配送的开放式时变车辆路径问题研究[J]. 计算机工程与应用, 2021, 57(1): 271-278.
[14]	胡春阳，姜平，周根荣. 改进蚁群算法在AGV路径规划中的应用[J]. 计算机工程与应用, 2020, 56(8): 270-278.
[15]	张松灿，普杰信，司彦娜，孙力帆. 蚁群算法在移动机器人路径规划中的应用综述[J]. 计算机工程与应用, 2020, 56(8): 10-19.