基于混沌蚁群算法的云计算应用优化研究

以改进蚁群算法应用在云计算中的不足为目的,讨论了蚁群算法基本原理和云计算下应用的缺陷.提出一种适合云计算的混沌蚁群改进算法,该算法通过Logistic映射产生混沌量,根据混沌遍历性和有界性对蚁群算法初始路径进行混沌初始化,同时加入混沌扰动调整算法信息素更新策略,改进了蚁群算法收敛速度慢和易陷入局部最优的缺点.最后通过CloudSim搭建仿真云环境并进行算法调度实验,通过横向对比标准蚁群算法和Dijkstra算法,证明混沌蚁群算法在执行效率和相对标准差等方面优于其他算法,更加适合于云计算环境.     

改进蚁群算法在DSR路由协议中的应用

针对移动Ad hoc网络节点移动频繁和单路径DSR路由协议不能均衡负载、网络健壮性低以及蚁群算法存在局部查询最优的问题,提出一种改进的蚁群算法,并把改进的蚁群算法应用到单路径路由协议DSR,设计出基于蚁群算法的多路径路由协议IDSR,通过仿真实验,从影响Ad hoc网络路由协议性能优劣的3个主要指标来比较IDSR、DSR路由协议和SMR路由协议的性能,实验结果表明,虽然改进协议IDSR路由开销比DSR、SMR稍有增加,但分组的投递率和平均端到端延时性能都有明显提高。     

一种改进的连续域蚁群算法

简要介绍了蚁群算法,并从解决连续域问题的角度分析了段海滨等提出的基于网格划分策略的连续域蚁群算法的基本原理,针对该算法的特点和存在的缺陷,提出了改进的办法:在前期用遗传算法快速生成初始信息素,再利用蚁群算法寻求精确解。最后通过对一个二维连续域函数优化仿真实验,证明了改进后蚁群算法的有效性。仿真实验结果证明:改进后的蚁群算法无论是时间性能还是优化性能都明显优于改进前的蚁群算法,克服了蚁群算法的缺陷,大大提高了算法的速度和求解效率,达到了时间性能和优化性能的双赢。     

基于优化蚁群算法的装备调拨决策系统研究与设计

将蚁群算法和遗传算法应用于装备调拨决策系统,实现了装备调拨决策信息的生成.同时利用遗传算法对蚁群算法的参数进行了优化,实验证明优化后的蚁群算法在平均路径长度、算法平均执行时间和总执行时间上较传统蚁群算法都有一定程度的改进.     

改进的蚁群算法及其在卫星网络路由计算中的应用

介绍了蚁群算法的原理,然后对现有蚁群算法进行了一些改进,使它能够快速地收敛以满足高速变化的卫星网络拓扑结构.采用改进的虚拟拓扑策略解决了卫星网络拓扑高速变换的问题,将改进的蚁群算法应用于其上,并给出了相应的性能评估.所提出的改进的虚拟拓扑策略,能够大大减少一个系统周期内卫星网的时间片个数.应用于此基础上的改进的蚁群算法也体现了较好的性能.     

改进蚁群算法求解多目标雷达干扰资源优化分配

蚁群算法是一种群智能优化算法,其理论来源于自然界中蚂蚁群的寻径行为。针对地对空多目标雷达干扰系统在实战中目标较多情况下的干扰资源分配问题,提出了一种基于蚁群算法的分配优化模型,为解决传统蚁群算法寻优速度慢,容易陷入局部最优解等缺点,在蚂蚁路径选择策略、信息素挥发、信息素更新和精英保留等方面提出相应改进策略,给出改进后算法的具体实现步骤,最后举出实际算例,通过仿真实验,证明了算法的优越性。     

基于改进蚁群算法的战时不确定性路径规划模型求解

战时路径规划的不确定性包括参数、约束条件和决策目标等的不确定性。以基本蚁群算法为基础，结合随机模拟和模糊模拟技术，提出了一种改进蚁群算法来求解战时不确定性路径规划问题，并通过仿真示例与其他算法进行了比较。结果表明：该算法求解效率更高，求解过程更为直观，能够满足战时不确定性路径规划问题的研究。     

针对应急救援路径规划的一种改进蚁群算法

针对不返回起始点、多个待救援点的应急救援路径规划问题,提出了一种应急救援路径规划的改进蚁群算法,设计了一种新的路径构造方法,为蚁群算法求解该类问题打下了基础。为提高收敛性,改进了信息素更新规则,构造了一种与蚁群算法有效结合的局部搜索算法,提高了算法快速寻优的能力。仿真结果表明:改进蚁群算法能够快速找到一条从救援中心到多个待救援点的优化路径,且收敛速度和最短路径较同类算法更优。     

求解CVRP问题的一种改进启发式蚁群算法

针对蚁群算法求解CVRP问题时收敛速度慢、求解质量不高的缺点,提出了一种改进启发式蚁群算法。该算法借鉴蚁群系统和基于排列的蚂蚁系统的优点设计信息素更新策略,既加强了对每次迭代最好解的利用,又避免了陷入局部最优;按一定比例使用基本方法和基于PFIH方法构造路径,扩大了算法的搜索空间;采用一种混合局部搜索算子,增强了算法局部寻优能力。实验结果表明,改进启发式蚁群算法可以大幅度减少车辆运行成本,具有较快的收敛速度。     

基于动态自适应蚁群算法的航线规划仿真

蚁群算法是一种新型的基于群体的仿生算法,其在解决飞机航线规划问题中已经获得了较为广泛的应用。在传统蚁群算法的基础上提出了一种动态自适应调整信息素蚁群算法的航线规划算法,即在航线点搜索过程中对信息素强度Q值进行动态自适应调整,并将三维地形、雷达威胁等因素结合到算法中。仿真结果表明,该改进算法能够有效解决扩大搜索空间和寻找最优解之间的矛盾,帮助飞行员更快地规划出一条最优航线,为更好完成作战任务奠定了良好的基础。     

云平台上基于关键路径截取的有向无环图应用调度算法

针对云平台上有向无环图科学应用执行容易产生虚拟机资源过剩、资源使用率低及费用虚高的问题,给出一种基于关键路径截取的有向无环图应用调度算法。该算法采取关键路径截取技术,循环找出最晚完成的未分配任务,从该任务出发,在所有未分配任务构成的图中找出最大连通子图,并计算该子图的关键路径,然后将关键路径上的任务集调度到性能匹配的虚拟机上执行;同时通过任务回填技术充分利用虚拟机的空闲时间槽,提高资源使用率。实验结果表明,在云计算平台上,该算法不仅能够在截止时间内完成有向无环图科学应用,而且可以提高资源使用率,有效减少完成该应用所需整体费用。     

基于改进ACO算法的多UAV协同航路规划

针对无人机(Unmanned Aerial Vehicle,UAV)在执行任务过程中遇到的诸如敌方防空火力、地形障碍及恶略天气等各类威胁源,采用威胁源概率分布的方法进行威胁的量化处理,构建任务空间的威胁概率密度分布图,有效消除了威胁源的差异性。根据UAV在任务飞行过程中的性能约束与时、空协同约束,同时考虑任务过程中UAV的损毁概率最小、任务航程最短,构建了相应的综合任务航路代价最优化目标函数。结合传统蚁群优化算法(Ant Colony Optimization,ACO)在解决此类问题中的不足,给出了相应的改进策略,提出采用协同多种群ACO进化策略来实现多UAV在满足时、空协同约束下的协同航路规划。通过相应的仿真计算表明,改进后的ACO协同多种群进化策略算法更适用于多UAV协同任务航路规划问题,具有一定的实用性。从而为多UAV协同任务航路规划问题的求解提供了科学的决策依据。     

基于粒子群优化的蚁群算法在战场电磁频率分配中的应用

为对战场电磁频率进行有效分配以减少用频设备间的相互干扰，提出了将一种基于粒子群优化的蚁群算法应用于频率分配的方法。首先介绍了战场频率管控流程的相关内容，并以干扰度最低为目标函数，使用基于粒子群算法优化的蚁群算法进行频率分配管理。粒子群算法优化蚁群算法中启发信息的权重及信息素挥发系数，作为粒子群位置和速度参数进行初始化，将粒子群算法生成的分配结果作为蚁群算法的初始信息素，利用蚁群算法较强的寻优能力寻找最佳分配方案。实验结果验证了该算法和模型的可行性。     

基于树分解/合并策略的QoS多播路由方法

针对多约束QoS多播路由的NP-Complete特性,提出一种可控的多播树分解与合并策略,使多播树的生成在兼顾低费用的同时具有多样性,有效克服多播路由优化的局部极值问题。基于该策略设计蚁群算法,分解蚂蚁种群为与多播目标点相对应的蚂蚁子群,引入基于“死点”惩罚和多播树奖惩的信息素更新机制,提高了算法的收敛速度。仿真实验表明,该方法能有效地解决QoS多播路由问题,且随着网络规模的增大保持了良好的性能。     

基于蒙特卡洛法的无人机飞行冲突解脱安全评估

冲突解脱技术是无人机与有人机共域飞行的前提保障。针对目前缺少对冲突解脱技术安全评估的方法,提出运用蒙特卡洛法对飞行冲突进行仿真模拟,得出冲突解脱算法的安全效率。提出基于改进蚁群算法的冲突解脱技术,实现无人机的飞行冲突解脱;利用蒙特卡洛法,对飞行冲突过程进行大规模仿真,计算冲突解脱效率,与基本蚁群算法进行对比,并从安全角度对结果进行分析。提出的思路可为未来无人机空域运行安全评估体系的构建提供一种理论参考。     

先期毁伤原则下武器单元的射击时机分配

以先期毁伤为原则,首次对武器单元的射击时机分配问题进行数学建模。提出一种使毁伤概率密度在时间上靠前分布的武器单元射击时机分配模型,在保证指定瞬时之前以期望概率毁伤目标的前提下,合理分配各武器单元的射击时机,实现对目标的尽早毁伤。根据射击时机分配模型中约束函数的单调性特点,提出一种改进的连续域蚁群算法,使算法自变量满足约束条件的"优良区域"开始搜索,采用搜索窗口平移的方法逐步寻找最好解,提高了算法的搜索速度。实例分析验证了模型和算法的有效性。     

求解面向进攻的武器-目标分配问题的蚁群算法

面向进攻的武器-目标分配问题是军事运筹学研究中的重要课题,旨在制定合理的打击策略以最大程度摧毁敌方目标。采用一种融合局部搜索和信息素控制的蚁群算法,兼顾控制解的局部收敛速度和全局收敛质量。在解的构造过程中直接处理约束条件,提高生成解的可行性,并大大缩小了搜索空间,提高了算法效率。通过采用多种算法对不同规模的武器-目标分配问题进行实验,结果表明改进的蚁群算法在收敛速度和求解质量上表现优异。