学位论文 > 优秀研究生学位论文题录展示

群智能优化算法在QoS组播路由中的应用研究

作　者: 张志成
导　师: 田亚菲
学　校: 兰州大学
专　业: 通信与信息系统
关键词: QOS 群智能优化算法组播路由蚁群算法粒子群算法遗传算法萤火虫算法
分类号: TP393.09
类　型: 硕士论文
年　份: 2013年
下　载: 20次
引　用: 0次
阅　读: 论文下载

内容摘要

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。

全文目录

中文摘要  3-5
Abstract  5-10
第一章绪论  10-13
  1.1 研究背景  10-11
  1.2 研究现状与存在的问题  11
  1.3 本文主要的研究工作和内容安排  11-13
第二章组播路由和QOS简介  13-18
  2.1 组播路由  13-14
    2.1.1 网络路由技术简介  13
    2.1.2 组播路由算法的分类  13-14
  2.2 QOS简介  14-15
  2.3 QOS组播路由  15-18
    2.3.1 QOS路由相关概念  15-16
    2.3.2 QOS度量  16-17
    2.3.3 QOS组播路由模型  17-18
第三章遗传算法在QOS组播路由中的应用  18-31
  3.1 遗传算法简介  18
  3.2 遗传算法的主要内容  18-20
    3.2.1 编码  18-19
    3.2.2 种群初始化  19
    3.2.3 适应度函数  19
    3.2.4 选择  19
    3.2.5 交叉  19-20
    3.2.6 变异  20
  3.3 遗传算法操作流程  20-21
  3.4 QOS多播路由问题描述  21-22
  3.5 基于遗传算法的QOS组播路由问题  22-24
    3.5.1 编码方法  22-23
    3.5.2 生成初始种群  23
    3.5.3 评价函数设计  23
    3.5.4 交叉  23-24
    3.5.5 选择复制  24
    3.5.6 变异  24
  3.6 算法流程  24-25
  3.7 实验仿真  25-28
  3.8 基于改进遗传算法的多约束QOS组播路由算法  28-31
    3.8.1 改进遗传算法过早收敛  28
    3.8.2 组播树中回路问题  28-29
    3.8.3 实验仿真  29-31
第四章蚁群算法在QOS组播路由中的应用  31-38
  4.1 蚁群算法简介  31-32
  4.2 蚁群算法在TSP中的应用  32-34
  4.3 蚁群算法在和QOS组播路由  34-36
    4.3.1 蚁群算法在QOS组播路由中的应用  34-36
    4.3.2 算法步骤  36
  4.4 实验仿真  36-38
第五章粒子群算法在QOS组播路由中的应用  38-45
  5.1 粒子群算法简介  38
  5.2 粒子群算法的主要内容  38-39
  5.3 标准粒子群算法的操作流程  39-40
  5.4 粒子群算法在QOS组播路由中的应用  40-43
    5.4.1 问题描述  40-41
    5.4.2 算法实现  41-42
    5.4.3 算法步骤  42-43
  5.5 实验仿真  43-45
第六章萤火虫算法在QOS组播路由中的应用研究  45-53
  6.1 标准萤火虫算法  45-47
    6.1.1 萤火虫算法原理  45-46
    6.1.2 算法描述数学描述  46-47
  6.2 基于萤火虫算法的QOS组播路由问题  47-51
    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  48-49
    6.2.2 萤火虫编码方法  49
    6.2.3 目标函数  49-50
    6.2.4 萤火虫荧光亮度  50
    6.2.5 萤火虫的吸引度  50
    6.2.6 萤火虫的移动  50-51
    6.2.7 最亮萤火虫随机扰动  51
  6.3 算法的流程与步骤  51
  6.4 实验仿真  51-53
第七章总结与展望  53-58
  7.1 结论  53-56
  7.2 展望  56-58
参考文献  58-61
在学期间的研究成果  61-62
致谢  62

群智能优化算法在QoS组播路由中的应用研究

内容摘要

全文目录

相似论文