一、基于遗传算法的QoS路由算法(论文文献综述)
李深昊[1](2021)在《SDN中基于流量分类的路由优化技术研究与实现》文中研究指明随着互联网技术的快速发展,大量新型网络应用和服务也开始出现,各类新型网络应用对网络传输过程中的时延、丢包率和带宽等指标提出了差异化的需求,如何保障不同业务类型的网络应用的网络服务质量(Quality of Service,QoS)已经成为当下亟需解决的问题。传统网络架构存在全局视图有限和对业务流的控制能力不足等问题,只能提供尽力而为的服务,无法满足不同业务类型的网络应用的QoS需求。软件定义网络(Software Defined Network,SDN)的出现为上述问题提供了新的思路,SDN的控制层面可以实时获取全局网络视图并具有全局的控制能力,能够实现灵活的QoS保障机制。本文提出了 SDN环境中基于流量分类的路由优化技术方案,该方案能对进入网络的数据流的业务类型进行识别和分类,并根据数据流的业务类型所对应的QoS需求进行路由优化调度,以此来为不同业务类型的网络应用提供QoS保障。本文的主要研究内容有以下三点:第一,提出了基于XGBoost算法的网络流量识别分类模型DB-XGBoost,该模型使用ReliefF算法筛选并优化了数据流的特征集合,并采用本文提出的改进Smote算法对数据集进行了平衡化预处理,有效减少了分类模型在类别分布不平衡的数据集上的失衡效应。实验结果表明,本文的DB-XGBoost模型能对网络数据流的业务类型进行准确的识别分类,且其分类性能优于传统的基于机器学习的分类算法。第二,提出了基于改进蚁群算法的QoS路由优化算法,针对蚁群算法存在的缺陷,本文算法做了如下改进:(1)改进了信息素初始化过程,加强了算法前期的寻优能力;(2)使用动态变化的概率因子来实时调整蚂蚁的寻路策略,并提出了包含网络链路状态参数的路径启发函数,使算法能更快求解出QoS路由;(3)提出了基于精英策略的信息素更新规则,同时提出了能动态调整挥发速率的信息素挥发策略。实验结果表明,本文对算法的改进措施有效地加快了算法的收敛速度,并提升了算法的全局寻优能力。第三,基于本文提出的网络流量识别分类模型以及QoS路由优化算法,设计了 SDN中基于流量分类的路由优化系统,并在系统层面实现了链路状态采集、流量特征提取、流量类型识别分类和QoS路由优化调度等功能。本文通过在Mininet平台上进行仿真测试来验证系统的功能,实验结果表明本文的系统能够对进入网络的数据流的业务类型进行准确地识别分类,并能通过QoS路由优化机制来满足不同业务类型的数据流的差异化QoS需求,相比传统调度机制能有效减少网络拥塞并提升网络服务质量。
白亮,高春阳,刘威,王洪信[2](2017)在《基于拓扑图预处理的遗传算法求解QoS路由问题》文中提出通过对具有多参数约束的QoS路由选择问题进行研究,找到了一种快速求解QoS路由选择问题的方法。首先,采用网络拓扑图优化算法简化网络拓扑图,降低网络复杂度;其次,使用一种基于二进制编码的优化遗传算法对QoS路由问题进行优化求解;最后,通过仿真模拟可知,提出的优化求解算法在较短时间内找到了问题的最优解。
叶云东[3](2017)在《SDN网络中端到端QoS控制机制的研究》文中指出随着互联网的快速发展,各种网络应用与服务不断涌现,为了满足不同的需求,网络的结构变得日益复杂,时至今日,传统网络已经过于臃肿,新型技术难以快速的在传统网络中部署与应用。基于这种现状,SDN架构被提出。SDN架构具有数据与控制平面分离、集中式控制以及开放可编程的特点。该架构已经成为当前计算机网络学术界的一个研究热点。端到端的QoS控制一直是一个难题,在SDN架构之中,集中式的控制,使得对网络全局状态的监控更易于实现,并且数据平面与控制平面的分离,使得传统网络中位于网络设备中的复杂的端到端QoS控制逻辑能够被移至独立于数据平面的控制平面中,此处的数据平面即网络设备,而控制平面即SDN控制器。以这种方式,网络中的转发设备将专注于数据包的转发,而不需要将资源用于控制逻辑的处理上。此外,将控制逻辑移动至控制平面,使得更复杂的控制算法实现成为一种可能。本文研究的背景为SDN网络,使用OpenFlow协议完成控制器与交换机的通信,选择Ryu控制器作为控制平面的核心。本文首先介绍了 SDN架构以及QoS的研究现状,接着以SDN网络作为前提,设计了端到端的QoS控制算法。随后,以该控制机制为基础,利用Ryu控制器设计并实现了一个能够达到基于每一条流的粒度的端到端QoS控制系统。在本文最后,使用Mininet作为仿真环境,对该系统进行测试,验证了本文提出的端到端QoS控制机制的正确性及有效性。本文的设计的端到端QoS控制机制主要为以下几点:(1)利用OpenFlow协议对网络性能参数进行采集,对流服务状态进行监控,从而为QoS控制系统进行决策提供了依据,使SDN架构针对QoS问题能够真正发挥其集中式控制的特点。(2)设计并实现了基于遗传算法的QoS路由算法,利用遗传算法能够快速找到一条可行路径的特点,在路径切换时,以牺牲一部分解的质量而加快算法收敛得方式,尽量节省QoS控制的时间。(3)根据OpenFlow流表优先级的工作机制,设计了基于OpenFlow协议的路径切换算法,并对老路径流表项处理的问题设计了解决的方案。
唐怀印[4](2016)在《三维片上网络服务质量研究》文中认为集成电路行业发展日新月异,集成度随摩尔定律飞速提高。面对日益复杂的片上业务,传统总线结构因为通信效率低、可用性差、功耗高等瓶颈问题,逐渐被片上网络(Network on Chip, NoC)这种新的片上结构所取代。片上网络成为了一个活跃的领域。随着3D IC技术和片上网络性能需求的发展,三维片上网络(3D NoC)概念被提出,3D NoC兼具了3DICs和片上网络的优点,有效地克服了总线结构的种种瓶颈问题,提高了系统性能。服务质量(Quality of Service, QoS)是3D NoC的关键技术,随着3D NoC业务的发展,为片上网络通信提供有保障的服务质量变得越来越重要。因此研究三维片上网络结构的服务质量具有重要的意义。针对三维片上网络服务质量(3D NoC QoS)司题,因为涉及到时延、吞吐量和能耗等多个变量,属于NP完全问题。遗传算法作为一种优化算法,被广泛地应用于解决各种NP完全问题。本文利用遗传算法作为路由算法来解决该问题。通过适应度函数综合考量时延和吞吐量,从而对时延和吞吐量等QoS参数提供综合保障,选择最优或者次优路径。算法设计过程中,结合三维片上网络的规模特点,采用直观的路径ID标识的编码方法,避免了解码问题。为了提高算法收敛速度,采用了一种精英主义的遗传算法,直接将最优个体复制到下一代,进行交叉,确保算法更快地往最优方向收敛。将遗传算法集成到仿真器路由算法模块,可以在相同变量环境下,对比遗传算法和XYZ路由算法的优劣。考虑到静态源路由的弊端以及三维片上网络规模变化和结构特点,修改仿真器源代码,采用二次计算实现了动态路由选择机制,有效地避免了静态源路由选择的路径不再适用网络新状况而容易产生拥堵的问题。针对三维片上网络不同的规模和性能参数,设计不同的验证方案。仿真结果表明,针对不同的三维片上网络结构和通信状况,遗传算法的时延、吞吐量和能耗总体上好于XYZ路由算法。尤其是平均时延改善的最为明显。随着网络通信量的增大,遗传算法能较XYZ路由算法更好的保障服务质量,其性能优越性体现的更为明显。
沈峰[5](2014)在《面向QoSR的改进遗传算法研究》文中提出随着网络传输及交换技术的不断成熟,越来越多的实时性应用涌现出来,例如视频会议和IP语音电话等。它们不仅要求传输网络提供一个可行路径,而且还要求具有一定的服务质量(Quality of Service,QoS)。因此,高效的QoS支持变得越来越重要,IETF提出了许多服务模型和机制来满足对QoS的需求,而QoS路由(QoSR)就是其中最重要的技术之一。多约束QoSR作为一种多约束优化路径(MCOP)问题,已被证明具有NPC难度,传统算法很难求解。遗传算法是一种模仿生物遗传学和自然选择机理的元启发式算法,是进化计算的一种非常重要的形式,具有与生俱来的并行计算能力和全局寻优能力。本文针对多约束QoSR优化问题,对遗传算法的各阶段进行了深入研究并提出相应改进,最后通过仿真将算法应用于随机生成的拓扑验证了有效性。本文的研究成果主要有以下几个方面:(1)对QoSR问题模型和遗传算法进行了相关的理论研究,详细地分析了遗传算法在解决多约束QoSR优化问题上的优点与不足,总结了相关改进遗传混合优化算法,并对相应改进进行了分析。(2)针对QoSR问题复杂度,提出了一种分层集中式的网络架构,将大规模网络化繁为简,为QoS路由计算阶段奠定基础。(3)结合QoSR问题模型特点及遗传算法的优缺点,提出了一种改进的遗传算法。改进的方面具体有:①为了避免随机惩罚所产生的误差,提出了一种改进的带惩罚策略的适应度评价函数,有效地将多目标多约束的QoSR优化问题转化为单目标无约束优化问题。②为了减少轮盘赌算子的选择误差,加大轮盘次数,设计了一种多重轮盘赌选择算子。③分析QoSR模型个体特点后,提出了一种基于模式相似度的交叉算子,自适应地调整交叉概率。④结合QoSR问题的编码特点,提出了一种基于上下节点连通性的变异算子,减少了产生无效解的几率。⑤引入外部精英种群,将父代中优秀个体进行保留,反作用于子代生成,从而提高收敛速度,缩短QoSR的响应时间。(4)结合人工蜂群算法的优点,提出了一种混合的改进遗传算法,将人工蜂群算法中观察蜂/侦察蜂机制加入到外部精英种群的局部优化搜索中,并行于主体遗传进化,从而进一步的提高收敛速度,缩短QoSR响应时间。(5)将本文改进的算法应用于Salama随机生成拓扑求解QoSR,验证了算法的广泛适用性,并与相关文献算法进行了对比,说明其有效性。
叶仕通,万智萍[6](2013)在《高效的遗传蚁群组合算法在QoS路由上的运用》文中研究表明针对现有遗传蚁群算法中算法融合不佳与系统易出现拥塞现象等问题,根据遗传算法与蚁群算法不同时期的优点,提出了一种高效的遗传蚁群组合算法。该算法通过根据遗传算法的群体代价关系,提出了新的融合机制;为缓解系统最优化后所产生的节点负载压力,引入了防拥塞的赏罚机制。实验结果表明,该算法能够在保证系统传输效率的同时有效的防止数据丢包现象,与传统算法相比具有高效率、低耗能以及防丢包等优势。
邓卫民[7](2013)在《超混沌遗传算法在多约束QoS组播路由中的应用研究》文中研究指明针对多约束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。
吴航[8](2013)在《基于变异动态蚁群算法的多约束QoS路由模型研究》文中指出本文提出了一种变异动态蚁群算法(MO-ACS)的多约束QoS路由模型。该模型是在多约束QoS模型下,通过优化蚁群算法的路由策略和引入遗传算法的变异算子来提高蚁群算法的路由寻优能力。同时采用负载均衡原则来解决网络拥塞问题。其中变异算子的变异是非均匀的,具有适应性。在蚁群完成一次进化后,变异算子根据当代蚁群进化情况决定变异频率。每一代蚁群的变异次数都是不同的。在满足QoS约束情况下,最后所寻的路径是时延和花费的综合评价值最好的解。通过大量的仿真实验证明了本文所提出的算法在满足QoS多约束的情况下具有负载均衡能力及高效的寻优能力。同时该算法在解决网络拥塞问题和蚁群算法早熟问题也表现出色。
叶梦雄[9](2012)在《群智能在计算机网络路由中的应用与研究》文中指出随着Internet的产生及迅猛的发展,视频点播,视频会议和远程视频教学等系统的应用,实时多媒体应用大量涌现。这类应用的共性是需要保证信息从源节点安全、完整,高效地传输到目的节点。在针对诸如文件传输服务(FTP),HTTP在传输图象文件的业务时,此类应用的信息传输的完整性和高效性显得尤为重要。为满足该类业务要求,信息数据在传输过程中就必须满足一些特定的参数要求,这就涉及到网络中的QoS(Quality of service)约束问题。单播路由和组播路由是检验网络性能的重要指标,在网络研究中起到的作用越来越重要。在多约束网络中,对网络的延时、延时抖动、丢包率、带宽、业务代价等多个参数同时提出性能要求。这些参数相互独立,采用QoS指标来讨论网络的质量性能,使网络达到动态均衡,选择满足多个参数限制的路由就成为NP完全问题。传统的算法在解决上述问题时遇到了困难,群智能算法越来越多的被应用于解决此类QoS多约束路由问题。针对上述多个约束条件下的网络路由,本文提出了算法融合的解决思路。使用粒子群算法、遗传算法使其分别与蚁群算法相融合,形成了基于粒子融合的蚁群算法和遗传蚁群算法。利用网络仿真软件建立了网络拓扑结构,模拟实现了算法的路径选择过程。实验显示上述两种融合算法能够满足时延、带宽,抖动等约束条件的要求,具有优越的性能。粒子群算法和遗产算法为蚁群算法提供初始解和信息素初值,避免了蚁群算法形成局部最优化,拓展了蚁群算法的求解范围,提高了算法的自适应能力和优化精度。这两种算法有一定的实用性。
李陶深,李长才[10](2012)在《基于遗传与蚁群算法融合的选播QoS路由算法》文中进行了进一步梳理为有效解决选播通信中的QoS路由问题,提出一种基于遗传算法与蚁群算法融合的选播QoS路由算法.算法初期使用遗传算法在链路上分布信息素,对蚁群算法的控制参数进行编码和优化;然后通过判断函数来判断遗传算法与蚁群算法融合的时机,初始化信息素,并启动混合算法后期的蚁群算法;引入变异算子,对由变异操作得出新路径进行局部信息素更新,更快地引导蚁群算法找到全局最优解.NS2仿真实验结果表明,该算法很好的解决多QoS选播路由问题,性能优于其它算法.
二、基于遗传算法的QoS路由算法(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、基于遗传算法的QoS路由算法(论文提纲范文)
(1)SDN中基于流量分类的路由优化技术研究与实现(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 流量识别分类技术研究现状 |
1.2.2 网络路由优化技术研究现状 |
1.3 研究内容 |
1.4 论文组织结构 |
第二章 相关技术介绍 |
2.1 SDN相关技术 |
2.1.1 SDN网络架构 |
2.1.2 OpenFlow协议 |
2.2 网络流量识别分类技术 |
2.2.1 基于端口号映射的流量识别分类技术 |
2.2.2 基于DPI的流量识别分类技术 |
2.2.3 基于通信行为的流量识别分类技术 |
2.2.4 基于机器学习的流量识别分类技术 |
2.3 QoS概述 |
2.3.1 QoS服务模型 |
2.3.2 QoS关键技术 |
2.4 本章小结 |
第三章 基于XGBoost的网络流量识别分类方案 |
3.1 特征工程 |
3.2 网络流量识别分类方法设计 |
3.2.1 XGBoost算法原理及缺陷 |
3.2.2 基于改进Smote算法的数据平衡化算法 |
3.2.3 DB-XGBoost网络流量识别分类框架 |
3.3 实验结果及分析 |
3.3.1 数据集和评价指标 |
3.3.2 实验设置 |
3.3.3 结果及分析 |
3.4 本章小结 |
第四章 基于改进蚁群算法的QoS路由算法 |
4.1 多约束的QoS路由模型 |
4.2 蚁群算法的基本思想 |
4.3 基于改进蚁群算法的QoS路由算法 |
4.3.1 蚁群算法存在的问题 |
4.3.2 对蚁群算法的改进 |
4.3.3 基于改进蚁群算法的QoS路由算法框架 |
4.4 实验结果及分析 |
4.5 本章小结 |
第五章 SDN中基于流量分类的路由优化系统设计与实现 |
5.1 系统架构设计 |
5.2 系统工作流程 |
5.3 系统模块设计与实现 |
5.3.1 链路状态采集模块 |
5.3.2 流量特征提取模块 |
5.3.3 流量识别分类模块 |
5.3.4 QoS路由调度模块 |
5.3.5 QoS参数数据库 |
5.4 本章小结 |
第六章 系统仿真测试 |
6.1 仿真环境 |
6.2 系统功能测试 |
6.2.1 链路状态采集功能测试 |
6.2.2 流量识别分类功能测试 |
6.2.3 系统路由优化调度功能测试 |
6.3 本章小结 |
第七章 工作总结与展望 |
7.1 工作总结 |
7.2 工作展望 |
参考文献 |
致谢 |
(3)SDN网络中端到端QoS控制机制的研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景 |
1.2 研究现状 |
1.3 研究内容与目标 |
1.3.1 研究目标 |
1.3.2 研究内容 |
1.4 论文结构 |
第二章 背景知识概述 |
2.1 SDN架构与OpenFlow |
2.1.1 SDN架构 |
2.1.2 OpenFlow |
2.1.3 Ryu控制器 |
2.1.4 Open vSwitch |
2.1.5 Mininet |
2.2 QoS概述 |
2.2.1 QoS指标 |
2.2.2 QoS服务模型及技术 |
2.3 SDN架构与端到端QoS控制机制 |
2.3.1 OpenFlow协议对于QoS的支持 |
2.4 本章小结 |
第三章 端到端QoS控制算法设计 |
3.1 网络测量 |
3.1.1 网络拓扑结构获取 |
3.1.2 带宽使用情况与丢包率 |
3.1.3 时延 |
3.2 基于遗传算法的多约束QoS路由 |
3.2.1 数学模型 |
3.2.2 算法设计 |
3.2.3 关键处理 |
3.2.4 实验 |
3.3 QoS控制机制 |
3.3.1 重路由 |
3.3.2 路径切换算法 |
3.3.3 实验 |
3.4 本章小结 |
第四章 端到端QoS控制系统设计 |
4.1 系统架构设计 |
4.2 消息事件处理模块 |
4.2.1 拓扑结构及设备信息管理 |
4.2.2 消息处理 |
4.2.3 事件处理 |
4.3 网络监控模块 |
4.3.1 网络性能测量 |
4.3.2 流服务质量监控 |
4.4 QoS路由模块 |
4.5 QoS控制模块 |
4.5.1 流管理 |
4.5.2 端到端QoS控制 |
4.6 REST API设计 |
4.7 本章小结 |
第五章 系统测试与分析 |
5.1 测试环境介绍 |
5.2 网络测量测试 |
5.2.1 网络性能测量 |
5.2.2 流监控 |
5.3 端到端QoS控制测试 |
5.3.1 QoS保障测试 |
5.3.2 QoS控制测试 |
5.4 本章小结 |
第六章 总结与展望 |
6.1 工作总结 |
6.2 研究展望 |
致谢 |
参考文献 |
作者简介 |
(4)三维片上网络服务质量研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 课题研究背景 |
1.2 课题研究现状 |
1.3 选题意义及课题来源 |
1.4 论文的主要工作 |
1.5 论文的结构 |
第二章 三维片上网络相关研究 |
2.1 三维片上网络关键研究概览 |
2.2 三维片上网络拓扑结构 |
2.3 三维片上网络路由算法 |
2.4 三维片上网络映射研究 |
2.5 仿真平台简介 |
2.6 本章小结 |
第三章 三维片上网络QoS研究 |
3.1 QoS基础 |
3.1.1 QoS服务模型简介 |
3.1.2 交换机制简介 |
3.2 通过路由算法来解决服务质量问题 |
3.3 通过一种新的架构来解决服务质量问题 |
3.4 通过一种新的机制来提高服务质量问题 |
3.5 本章小结 |
第四章 基于遗传算法的三维片上网络QoS路由建模 |
4.1 QoS路由描述 |
4.1.1 QoS路由参数及其特性 |
4.2 遗传算法 |
4.2.1 遗传算法思想 |
4.2.2 遗传算法参数 |
4.2.3 遗传算法步骤 |
4.2.4 遗传算法设计过程概述 |
4.3 基于遗传算法的QoS路由算法设计 |
4.3.1 遗传算法伪代码 |
4.3.2 编码方式 |
4.3.3 种群初始化 |
4.3.4 适应度评价函数 |
4.3.5 选择操作 |
4.3.6 保留最佳个体 |
4.3.7 路径交叉算子 |
4.3.8 路径变异算子 |
4.3.9 算法终止条件 |
4.4 本章小结 |
第五章 仿真平台搭建及实验分析 |
5.1 仿真平台搭建 |
5.1.1 仿真平台配置信息 |
5.1.2 集成遗传算法到仿真器 |
5.1.3 采用动态的路由机制 |
5.1.4 修改后的仿真器操作说明 |
5.2 实验方案设计 |
5.3 仿真结果分析 |
5.3.1 方案一(A) |
5.3.2 方案一(B) |
5.3.3 方案二(A) |
5.3.4 方案二(B) |
5.3.5 验证方案总结 |
5.4 本章小结 |
第六章 总结与展望 |
6.1 已完成的工作 |
6.2 论文的创新点 |
6.3 未来工作的展望 |
6.4 本章小结 |
参考文献 |
发表论文和参加科研情况说明 |
致谢 |
(5)面向QoSR的改进遗传算法研究(论文提纲范文)
中文摘要 |
ABSTRACT |
1.绪论 |
1.1 研究的背景及意义 |
1.2 研究现状 |
1.3 本文主要工作及其成果 |
1.4 论文结构 |
2. 路由计算及 QoSR 问题模型 |
2.1 路由器的基本功能 |
2.2 常用的路由算法 |
2.2.1 路由选择信息协议 RIP |
2.2.2 开放式最短路径优先协议 OSPF |
2.2.3 边界网关协议 BGP |
2.3 QoS 路由主要架构 |
2.3.1 IntServ 综合服务架构 |
2.3.2 DiffServ 区分服务架构 |
2.4 QoS 路由的数学模型 |
2.5 本章小结 |
3.基本遗传算法及其在 QoSR 的应用 |
3.1 遗传算法的理论基础 |
3.2 基本遗传算法的数学模型 |
3.3 基本遗传算法在处理 QoSR 问题上的优点与不足 |
3.4 混合优化算法 |
3.4.1 遗传蚁群混合算法 |
3.4.2 遗传退火混合算法 |
3.4.3 混沌遗传算法 |
3.4.4 双种群遗传算法 |
3.5 基本遗传算法求解 QoSR 问题的仿真实现与分析 |
3.6 本章小结 |
4.基于改进遗传算法的多约束 QoSR 优化 |
4.1 QoS 路由信息收集及预处理 |
4.2 面向多约束 QoSR 的改进遗传算法 |
4.2.1 编码策略 |
4.2.2 基于编码规律的初始种群 |
4.2.3 带改进惩罚策略的适应度函数设定 |
4.2.4 基于多重轮盘赌的选择算子 |
4.2.5 基于模式相似度的交叉算子 |
4.2.6 基于上下节点连通性的变异算子 |
4.2.7 外部精英种群的引入 |
4.3 实例仿真与结果分析 |
4.4 本章小结 |
5.基于混合改进遗传算法的多约束 QoSR 优化 |
5.1 人工蜂群算法基础 |
5.2 人工蜂群算法性能与结合性分析 |
5.3 面向多约束 QoSR 的混合改进遗传算法 |
5.4 实验仿真与结果分析 |
5.5 本章小结 |
6.总结及展望 |
参考文献 |
致谢 |
作者简介 |
(7)超混沌遗传算法在多约束QoS组播路由中的应用研究(论文提纲范文)
1 引言 |
2 QoS路由问题 |
2.1 网络模型 |
2.2 QoS的路由指标 |
2.3 QoS路由问题 |
3 超混沌遗传路由算法 |
3.1 超混沌映射 |
3.2 适应度值函数 |
3.3 混沌初始化种群 |
3.4 混沌变异规则 |
3.5 算法步骤描述 |
4 仿真结果分析 |
5 结语 |
(8)基于变异动态蚁群算法的多约束QoS路由模型研究(论文提纲范文)
摘要 |
ABSTRACT |
目录 |
第一章 绪论 |
1.1 研究的目的和意义 |
1.2 研究现状 |
1.3 本文研究内容和组织结构 |
第二章 蚁群算法及遗传算法的介绍 |
2.1 蚁群算法的介绍 |
2.1.1 蚁群算法概述及基本原理 |
2.1.2 优化蚁群算法介绍 |
2.1.3 参数分析 |
2.2 遗传算法 |
2.2.1 遗传算法的概述及基本原理介绍 |
2.2.2 遗传算法常用算子介绍 |
2.2.3 遗传算法应用介绍 |
2.3 两种算法的融合简述 |
2.4 小结 |
第三章 QOS路由技术及路由算法 |
3.1 QoS衡量参数 |
3.2 QoS路由的分类 |
3.2.1 静态路由 |
3.2.2 动态路由 |
3.3 智能路由算法简述 |
3.3.1 遗传算法-模拟退火算法(GA-SSA) |
3.3.2 遗传算法-蚁群算法(GA-ACO) |
3.4 小结 |
第四章 带非均匀变异算子的优化蚁群算法的QoS路由模型 |
4.1 QoS路由网络分类 |
4.2 QoS多约束模型 |
4.3 带非均匀变异算子的优化蚁群(MO-ACS)算法的QoS路由模型概述 |
4.4 非均匀变异二次搜索 |
4.5 蚂蚁死亡数量多的解决方法 |
4.6 MO-ACS算法模型的详细设计 |
4.6.1 路由策略及启发函数的修改 |
4.6.2 负载均衡原则及信息素更新原则 |
4.6.3 MO-ACS算法的具体步骤 |
4.7 小结 |
第五章 仿真模拟及数据分析 |
5.1 网络参数设置 |
5.2 MO-ACS算法的参数设置 |
5.3 MO-ACS算法的负载均衡能力分析 |
5.3.1 正常路由结果数据分析 |
5.3.2 单点过载情况数据分析 |
5.4 MO-ACS算法的变异数据分析 |
5.4.1 变异公式中参数a对蚁群算法的寻优能力的影响 |
5.4.2 变异数据分析 |
5.4.3 变异算子非均匀变异分析 |
5.5 MO-ACS算法的寻优性能 |
5.6 MO-ACS算法与AS算法的对比 |
5.7 实验小结 |
第六章 结束语 |
6.1 总结 |
6.2 进一步的工作 |
致谢 |
参考文献 |
(9)群智能在计算机网络路由中的应用与研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 选题背景和意义 |
1.2 国内外研究现状 |
1.3 论文研究的相关内容 |
1.4 论文结构 |
第二章 QOS路由理论基础 |
2.1 QoS路由概述 |
2.2 QoS路由策略及选择方法 |
2.3 QoS路由算法分类 |
2.4 QoS路由算法设计目标 |
2.5 QoS路由多约束问题数学模型 |
2.6 本章小结 |
第三章 基于粒子融合的QOS蚁群优化路由算法 |
3.1 粒子群算法 |
3.1.1 粒子群算法的基本原理 |
3.1.2 粒子群算法的数学模型 |
3.1.3 粒子群算法的流程图 |
3.2 蚁群算法(ACO) |
3.2.1 蚁群算法的优点 |
3.2.2 蚁群算法的缺点 |
3.2.3 蚁群算法描述 |
3.2.4 蚁群算法的数学模型 |
3.3 QoS适应度函数 |
3.4 基本粒子群算法融合流程 |
3.5 粒子群算法与蚁群算法最佳融合时机 |
3.6 基于粒子融合的QoS蚁群优化路由算法 |
3.7 PSACO_QoS程序编程流程图 |
3.8 实验仿真 |
3.8.1 实验仿真工具 |
3.8.2 网络拓扑图 |
3.8.3 实验结果 |
3.9 本章小结 |
第四章 遗传蚁群算法 |
4.1 遗传算法 |
4.1.1 遗传算法的基本概念 |
4.1.2 标准遗传算法的处理步骤 |
4.1.3 遗传算法流程图 |
4.1.4 遗传算法具体实现 |
4.2 遗传蚁群算法 |
4.3 遗传算法与蚁群算法动态融合 |
4.4 实验仿真结果 |
4.5 本章小结 |
第五章 总结与展望 |
5.1 论文工作总结 |
5.2 展望 |
致谢 |
参考文献 |
详细摘要 |
(10)基于遗传与蚁群算法融合的选播QoS路由算法(论文提纲范文)
1 引言 |
2 算法的改进 |
3 算法的描述 |
4 实验结果及分析 |
5 结束语 |
四、基于遗传算法的QoS路由算法(论文参考文献)
- [1]SDN中基于流量分类的路由优化技术研究与实现[D]. 李深昊. 北京邮电大学, 2021(01)
- [2]基于拓扑图预处理的遗传算法求解QoS路由问题[A]. 白亮,高春阳,刘威,王洪信. 中国计算机用户协会网络应用分会2017年第二十一届网络新技术与应用年会论文集, 2017
- [3]SDN网络中端到端QoS控制机制的研究[D]. 叶云东. 东南大学, 2017(04)
- [4]三维片上网络服务质量研究[D]. 唐怀印. 天津工业大学, 2016(02)
- [5]面向QoSR的改进遗传算法研究[D]. 沈峰. 辽宁科技大学, 2014(02)
- [6]高效的遗传蚁群组合算法在QoS路由上的运用[J]. 叶仕通,万智萍. 重庆大学学报, 2013(10)
- [7]超混沌遗传算法在多约束QoS组播路由中的应用研究[J]. 邓卫民. 计算机与数字工程, 2013(08)
- [8]基于变异动态蚁群算法的多约束QoS路由模型研究[D]. 吴航. 长春理工大学, 2013(08)
- [9]群智能在计算机网络路由中的应用与研究[D]. 叶梦雄. 西安石油大学, 2012(08)
- [10]基于遗传与蚁群算法融合的选播QoS路由算法[J]. 李陶深,李长才. 微电子学与计算机, 2012(09)