导读:本文包含了多约束组播路由论文开题报告文献综述及选题提纲参考文献，主要关键词:认知无线Mesh网络,多约束QoS组播路由算法,蚁群算法,初始种群
多约束组播路由论文文献综述
谢红,常远,解武[1]（2015）在《认知无线Mesh网络中基于WTA的多约束QoS组播路由算法》一文中研究指出针对认知无线Mesh网络传统的多约束QoS组播路由算法一贯的进行随机初始化种群这一问题,在没有增加智能算法的复杂度的同时,首次将武器-目标分配问题(weapon to target allocation,WTA)应用在群智能算法对初始种群的优化上,基于蚁群算法,将集火射击、分火射击和混合射击的思想加入到对初始种群的设计上,提出一种基于WTA的QoS组播路由优化算法。其目标是满足无线组播业务的QoS约束且不增加算法复杂度的同时,结合蚁群的强鲁棒性和并行性等性能优势。经过实验验证,在网络开销和时延等方面的指标具有很好改善。(本文来源于《应用科技》期刊2015年06期）
胡浩,张航,康晓军,张思发[2]（2015）在《基于遗传蚁群算法的多约束QoS组播路由算法》一文中研究指出针对带宽、延时、延时抖动和包丢失率约束以及费用最小的多约束QoS路由问题,论文提出一种多约束Qos组播路由算法。该算法结合遗传算法和蚁群算法的优势,将遗传算法和蚁群算法进行融合,对蚁群进行选择、交叉、变异等操作,扩大搜索空间,同时利用遗传算法的快速收敛特性,选取最优个体用于更新全局信息素,加快了算法收敛。仿真结果表明了该算法的有效性和可行性。(本文来源于《计算机与数字工程》期刊2015年09期）
邓卫民[3]（2013）在《超混沌遗传算法在多约束QoS组播路由中的应用研究》一文中研究指出针对多约束QoS组播路由的优化问题,提出了一种超混沌遗传混沌算法。该算法利用遗传算法中的改进的适应度函数,通过结合超混沌映射优越性的搜索能力,对遗传算法选出的个体进行混沌优化,以改善遗传算法过早陷入早熟的情况。通过仿真实验表明,该算法有效地改进了搜索效率,且收敛速度更快更稳定,是一种解决多约束QoS路由问题可行和有效的方法。(本文来源于《计算机与数字工程》期刊2013年08期）
赵雄蛟[4]（2013）在《智能算法在多约束QoS组播路由问题中的应用研究》一文中研究指出多约束QoS组播路由问题是下一代网络发展亟须解决的一个关键问题。对其展开研究具有重要的应用价值和学术价值。多约束QoS组播路由问题被证明是一个NP难问题，所以传统的图论方法对其无能为力，研究启发式算法是一个较好的选择。近十几年来流行的智能算法由于其优秀的优化性能得到了广泛的应用。迄今为止，几乎所有的智能算法都已被应用于解决多约束QoS组播路由问题。尽管如此，现有的智能路由选择算法仍然有不足之处，如未成熟收敛，容易出现停滞现象，时间耗费过大，过于复杂等。本文针对现有智能算法在解决该问题上的不足展开研究，取得了一些成果，主要包括：①针对现有遗传算法应用于多约束QoS组播路由问题时存在收敛速度慢、容易陷入局部最优等不足，从种群初始化、交叉、变异操作叁个方面对遗传算法进行改进，提出一种改进的遗传算法求解多约束QoS组播路由问题，并采用8个节点的网络实例实验仿真，通过实验表明改进遗传算法的有效性。②为了克服现有萤火虫群算法应用于多约束QoS组播路由问题时存在时间耗费多、自适应性和鲁棒性不强等不足，从荧光素更新方式、动态决策域更新方式和邻居集合更新方式叁个方面改进，提出一种改进的萤火虫群优化算法求解该问题，并在8个节点的网络实例中进行测试，通过实验表明改进的萤火虫群算法的有效性。③采用一种改进的Salama算法生成规模较大的模拟测试网络，对本文提出的两种改进算法进行仿真测试，并与其它的智能算法进行比较，通过实验仿真表明本文提出的两种改进算法的优越性。(本文来源于《重庆大学》期刊2013-05-01）
贺智明,梁云飞[5]（2013）在《基于双链量子遗传算法的多约束QoS组播路由算法》一文中研究指出多约束QoS组播路由问题是NP完全问题。提出一种基于双链量子遗传算法的多约束QoS组播路由算法,该算法具有种群多样性、收敛速度快、并行性更高等优点,并对算法具体流程和实现方法进行了详细的描述。实验结果表明,与已有的遗传算法、量子遗传算法相比,该算法有搜索速度快、全局寻优能力强等优点。(本文来源于《计算机应用与软件》期刊2013年01期）
鞠慧明[6]（2012）在《基于智能算法的WMNs的多约束QoS组播路由的研究》一文中研究指出无线Mesh网络(Wireless Mesh Networks，WMNs)作为一种新型的无线宽带网络，具有自组织能力、多跳传输、稳定性高、传输速度快等优点；并因节点间的平等性，保证了网络能够提供更为可靠的连接。无线Mesh网络以其高容量、低成本且兼具扩展性好、自愈能力强、设计容易、组网成本低等优势，得到了研究领域的广泛重视，是新一代无线网络的重要组成部分。随着科技的进步和人们的需求，对于在教育、信息控制等领域中使用的无线Mesh网络，对网络服务提出了更高的要求。无线Mesh网络能否提供有效的QoS保障制约着其应用和发展，因此对于无线Mesh网络的多约束QoS路由研究成为了一个热门的研究方向。粒子群优化算法是一种新颖的智能优化算法，但是其在无线Mesh网络组播路由的研究中仍然存在一些问题。为了更好的发挥其性能，且无线Mesh网络用户的实际需求，本文从两个方面来解决上述问题：首先本文借助差分进化算法的速度快和准确度高的优势，通过与粒子优化算法的融合，提出了一个新的混合算法。在保证丢包率、时延、时延抖动等QoS参数的约束条件下，新算法可扩大寻优方式的种类和路径可搜索的范围，来实现对算法的寻优质量和运行速度的保证。因为学习因子是决定算法的寻优效果的重要因素，然后本文讨论其合适的取值范围。最后本文利用人工鱼群算法的收敛速度快、并行处理能力强等优势，融合得到新的算法。新算法借助粒子间的竞争和交流的方式，及人工鱼群算法的跟踪能力，来保证算法的收敛性和稳定性。(本文来源于《哈尔滨工程大学》期刊2012-12-17）
刘金明,仲光苹[7]（2012）在《基于遗传模拟退火算法的多约束QoS组播路由算法》一文中研究指出提出了一种求解带有带宽、时延、时延抖动和包丢失率多个约束的费用最小组播路由问题的新算法,该算法将遗传算法与模拟退火算法相结合,采用基于备选路径集策略的整数队列编码方法,结合温度参数设计适应度函数,并对交叉和变异操作进行了改进.实验结果表明,该算法能够有效地提高求解速度,避免早熟问题,能够满足当前多媒体网络的QoS需求.(本文来源于《佳木斯大学学报(自然科学版)》期刊2012年05期）
刘维群,张程,李元臣[8]（2012）在《链路共享的时延约束组播路由局部平衡优化算法》一文中研究指出分析了构建时延约束组播树的代价和计算复杂度,从优化最短路径出发,提出了一种基于局部信息的链路共享平衡优化路由算法。算法设计的链路选择函数不仅考虑了目的节点的优先级,同时还考虑了给予低时延路径一定的优先权,在满足时延约束的情况下使组播树的链路数尽可能少,降低了通过最小时延路径建树的概率,提高了链路的共享性。仿真表明,算法的综合性能比较好,在代价、延迟和计算复杂度之间能获得较好的平衡。(本文来源于《计算机应用研究》期刊2012年03期）
刘宏英,高太平[9]（2011）在《多种群遗传蚁群融合的多Qos约束组播路由算法》一文中研究指出具有多约束的Qos(quality of service)路由问题是一个NP完备问题,传统方法很难求得全局最优解。针对多约束Qos组播路由问题,选择带宽、时延和时延抖动为Qos参数,由多种群遗传算法产生初始状态,利用蚁群算法的全局寻优能力提出一种将多种群遗传算法和蚁群算法融合的新算法。分析表明,该算法是可行、有效的。(本文来源于《山西大同大学学报(自然科学版)》期刊2011年02期）
徐斌,李乃乾[10]（2011）在《基于遗传_蚁群算法的多QoS约束组播路由优化算法》一文中研究指出提出了一种将遗传算法与蚁群算法融合的新算法,用以满足多QoS约束的组播路由优化。算法首先利用遗传算法生成若干组优化解,将其转换成蚁群算法的信息素初值,然后利用蚁群算法来求取满足QoS约束的最优解。仿真结果表明此算法是有效的,其性能优于文献[6]中算法。(本文来源于《电子设计工程》期刊2011年06期）
多约束组播路由论文开题报告
（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：
针对带宽、延时、延时抖动和包丢失率约束以及费用最小的多约束QoS路由问题,论文提出一种多约束Qos组播路由算法。该算法结合遗传算法和蚁群算法的优势,将遗传算法和蚁群算法进行融合,对蚁群进行选择、交叉、变异等操作,扩大搜索空间,同时利用遗传算法的快速收敛特性,选取最优个体用于更新全局信息素,加快了算法收敛。仿真结果表明了该算法的有效性和可行性。
（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。
多约束组播路由论文参考文献
[1].谢红,常远,解武.认知无线Mesh网络中基于WTA的多约束QoS组播路由算法[J].应用科技.2015
[2].胡浩,张航,康晓军,张思发.基于遗传蚁群算法的多约束QoS组播路由算法[J].计算机与数字工程.2015
[3].邓卫民.超混沌遗传算法在多约束QoS组播路由中的应用研究[J].计算机与数字工程.2013
[4].赵雄蛟.智能算法在多约束QoS组播路由问题中的应用研究[D].重庆大学.2013
[5].贺智明,梁云飞.基于双链量子遗传算法的多约束QoS组播路由算法[J].计算机应用与软件.2013
[6].鞠慧明.基于智能算法的WMNs的多约束QoS组播路由的研究[D].哈尔滨工程大学.2012
[7].刘金明,仲光苹.基于遗传模拟退火算法的多约束QoS组播路由算法[J].佳木斯大学学报(自然科学版).2012
[8].刘维群,张程,李元臣.链路共享的时延约束组播路由局部平衡优化算法[J].计算机应用研究.2012
[9].刘宏英,高太平.多种群遗传蚁群融合的多Qos约束组播路由算法[J].山西大同大学学报(自然科学版).2011
[10].徐斌,李乃乾.基于遗传_蚁群算法的多QoS约束组播路由优化算法[J].电子设计工程.2011
标签：认知无线Mesh网络; 多约束QoS组播路由算法; 蚁群算法; 初始种群;