一、智能蚂蚁算法及其在电信网动态路由优化中的应用（论文文献综述）
张碧[1]（2012）在《蚁群算法在AD HOC网络中的应用研究》文中进行了进一步梳理移动AD HOC网是由一组带有无线通信装置的移动终端节点组成的一个多跳的、临时的、无中心、自组织的网络。由于其动态变化的拓扑结构,带宽与能源受限等的特点,因此,无线移动自组网中路由协议的研究存在巨大的挑战。蚁群算法是一种从自然界中的社会性昆虫的特性受到启发,发展而来的一种群集智能的搜索算法。群集智能指的是单个智能个体只能完成简单任务,而整个智能体种群的合作则能很好的完成复杂任务。蚁群算法在许多组合优化问题中获得了广泛的应用。蚁群算法具有分布式的计算、单个智能体实现简单、支持多路径的特性,非常适合用于AD HOC网络路由。路由协议对网络性能的作用十分重要,并且是AD HOC网络的关键技术之一。本文通过深入研究蚁群算法的原理与特点,将改进优化后的蚁群算法与AD HOC网络有机地结合在一起,使得路由协议性能得到提高。并通过OPNET仿真分析,论证了该方案的可行性。仿真结果表明,改进后的算法在丢包率、端到端平均时延、协议开销等方面有性能良好,改善了网络性能。
周文,梁祥君[2]（2011）在《基于蚁群算法分布式网络可靠性的研究》文中研究说明在分布式网络中,应用软件客户端访问服务器,由于网络节点资源流畅性的变化,影响应用软件客户端对服务器资源的获取和更新的效率。为此,提出了利用蚁群算法的最优化处理,使得客户端能够尽快地得到最可靠的分布式网络服务器资源,提高网络的可靠性。文中采用Powerbuilder模拟程序仿真了在分布式环境中,客户端如何访问服务器组,通过对蚁群算法的分析了解,可以很快使客户端连接到最可靠的网络服务器的地址,这样可以大大节约系统的响应时间,尤其在一些实时性要求很高的系统中。本系统的研究最终也应用到铜陵住房保障系统中。
饶元[3]（2011）在《基于代理的LEO卫星网动态路由技术研究》文中认为低轨道LEO（Low Earth Orbit）卫星具有轨道高度低、与地面终端之间的传输时延低、频率能够高效复用等优点,同时用户终端实现简单且功耗低。但由于单颗LEO卫星覆盖区域较小,不能满足全球或者较大区域性通信的要求。全球化覆盖需要较多数量的卫星协同工作,采用星座方式将分散的LEO卫星网络化,利用网络优势克服单颗卫星覆盖缺陷。为实现不同卫星覆盖区域内用户之间的通信,卫星之间必须能够相互交换信息、转发用户数据。星上动态路由对提高数据传输的时效性和可靠性有着重要的意义,是卫星网络技术的重要组成部分。因此,开展LEO卫星网动态路由技术的研究非常必要。本文首先分类并全面综述了卫星网路由技术研究现状,接着介绍了当前常用的卫星网路由算法仿真工具,然后应用代理技术解决极轨道星座的LEO卫星网星上路由问题,在负载平衡路由、QoS（Quality of Service）路由、多服务路由和卫星网仿真工具等方面进行深入研究。本文主要工作包括如下几个方面:（1）针对卫星网承载流量不均匀的特点,提出了基于代理的LEO卫星网负载平衡路由算法ALBR（Agent-based Load Balancing Routing）。根据地球表面流量分布情况,提出了卫星网流量热点区域模型;结合该热点区域模型和极轨道卫星星座特点,提出了轨道间、轨道内星际链路ISL（Inter-Satellite Link）代价调节因子,并在此基础上给出了ALBR路径代价计算策略。设计基于代理的卫星网路由体系结构并详细阐述了ALBR算法,通过ALBR移动代理与静止代理的协同工作完成路径探测、路径信息的收集和路由表项的更新。通过复杂度分析和仿真实验得知,与其它星上路由技术相比,ALBR能够实现全网的负载平衡且具有较低的星上计算、存储和信令开销。（2）针对链路切换导致卫星网QoS路由性能低下的问题,提出了基于代理的LEO卫星网QoS路由算法AQR（Agent-based QoS Routing）。综合呼叫持续时间、星地链路可用时间和星际链路可用时间等因素,提出了星际链路可用概率,结合星际链路代价进一步提出了加权路径代价。AQR算法通过派遣移动代理使用ALBR路由表在网络中迁移探测多条路径构造星际QoS候选路径集,然后从候选路径集中选择加权路径代价最小的路径作为数据传输路径,不仅避免了链路拥塞,也降低了星际链路切换发生次数,提高了QoS性能。使用部分路径扩展和完全路径重建相结合的切换重路由策略保证了切换成功率并降低了切换等待时间。与传统的卫星网QoS路由技术相比,AQR具有较低的重路由次数且重路由开销较低;在时延和带宽等多约束条件下业务的呼叫阻塞率、切换阻塞率和时延抖动等指标也优于传统路由技术。（3）为完善卫星网差异化服务的能力,提出了基于代理的LEO卫星网多服务路由AMSR（Agent-based Multi-Service Routing）。通过为时延敏感型业务、带宽敏感型业务和最大努力交付业务数据流提供不同的选路机制,AMSR实现了这3类业务的差异化服务。根据时延敏感型业务、带宽敏感型业务的特点,基于星际链路可用概率分别提出了时延敏感型路径度量和带宽敏感型路径度量,基于AQR算法提出了具有带宽约束的时延敏感型和带宽敏感型业务的星际候选路径集探测机制,并使用时延敏感型路径度量和带宽敏感型路径度量选择时延敏感型业务路径和带宽敏感型业务路径。仿真结果表明,本文提出的AMSR具有良好的差异化服务能力,综合性能优于其它同类算法。（4）支持代理技术的卫星网仿真平台的研究。提出了一种通过扩展NS2的Packet包结构模拟移动代理携带数据功能的设计方案,实现了基于代理的卫星网路由算法的仿真。基于Grasshopper和Linux系统,构建并实现了支持代理的卫星网仿真平台GSNSP（Grasshopper-based Satellite Network Simulation Platform）,在局域网环境中实现了Iridium系统的仿真并加载了ALBR路由算法。通过与NS2的对比分析表明GSNSP设计合理,通过改善Grasshopper系统的多代理支持能力和高链路时延情况下移动代理的迁移能力,GSNSP可以达到与NS2十分接近的仿真性能。
于国庆,张亚军,田日才,马楠[4]（2009）在《基于蚂蚁算法的动态分布式路由算法》文中认为提出了一种利用蚂蚁算法进行动态更新分布式路由表的方法,该方法以路由表中的信息素强度和当时链路的负载状况为基础,来选择路由和更新路由表,给出了更新路由表的规则并利用计算机进行了仿真验证.仿真结果表明,蚂蚁算法可兼顾路由长度和网络负载两方面的因素,其选路效果优于传统动态分布式算法.
夏鸿斌[5]（2009）在《计算智能方法及在网络优化和预测中的研究》文中进行了进一步梳理许多群体生物的自适应优化现象不断给人类以启示,群居生物的群体行为使许多在人类看起来高度复杂的优化问题得到了完美的解决。科学家通过对群体生物的观察与研究产生了以模仿自然界群体生物行为特征的群体智能研究领域。例如,蚂蚁具有找到蚁穴与食物源之间最短路径的能力,受此启发提出的蚁群优化算法（Ant Conoly Algorithm,简称ACO）最初用于解决旅行商问题,具有自适应性、鲁棒性及本质上的并行性等许多特点,广泛适用于各种静态和动态的组合优化问题中,具有潜在的应用前景。而人工神经网络（Artificial Neural Network,简称ANN）是近年来迅速发展起来的又一种新型信息处理手段,是在对人脑组织结构和运行机制的认识理解基础之上模拟其结构和智能行为的一种工程系统。已有许多学者进行将一些计算智能方法应用于网络优化和管理的研究中。由于设备和服务不断增加的结果,现代数据网络,包括有线和无线网络,正逐渐呈多样和异构特性。无数混杂的网络构件准确无误的交互需要,形成了巨大的挑战,尤其对于传统上使用集中方法进行网络控制的网络,比如包交换和虚电路网络,以及INTERNET这一逐渐变为多样化的子网模式集合。网络优化问题是一类特殊的组合优化问题,属于NP困难问题。寻找、研究、应用启发式智能化的优化方法就显得尤为重要。计算机网络是复杂的动态分布式非线性系统,网络流量分析及预测同样是一个复杂的问题。对复杂系统建模目前仍是一个开放性问题。对模型的描述和预测尚未有一套广泛适用的方法,如何使用智能计算技术对网络流量预测建模还有大量的工作要作。本文的研究目的:一方面是探索和完善群体智能模型,使之能更有效的解决传统方法难以处理的大规模复杂性问题;另一方面将群体智能及计算智能方法应用到分布式动态网络路由及负载平衡管理和网络流量测量领域,使计算智能方法能够解决更多的工程实践问题。本文的主要研究成果包括:（1）提出了一种基于多蚁群的蚁群优化算法。该算法通过将蚁群分为若干个子群,采用多蚁群并行执行搜索任务。不同种群的蚂蚁释放不同类型的信息素;蚂蚁释放的信息素对本种群的蚂蚁有吸引力,对其他种群的蚂蚁具有排斥力。这种吸引与排斥的共同作用与启发信息一起,决定了蚂蚁的转移选择概率。提出了一种新的动态转移选择概率。仿真实验结果表明,改进后的算法能有效地提高算法的全局搜索能力,较明显的克服了传统蚁群算法停滞收敛等问题。（2）提出了一种融合遗传算法（Genetic Algorithms）与蚁群算法的混合算法。该算法在蚁群优化算法中引入了路径遗传算子,并提出了以路径染色体的适应度函数评价结果为基础的信息素更新策略,对蚂蚁发现的路径进行染色体编码,通过适应度函数对蚂蚁的路径进行适应度评价,进行交叉和变异运算,经过不断的迭代和种群的进化,获得更好的解。从仿真结果可以看出,本文的方法能更有效地解决对称TSP问题,提高了算法收敛速度及解的质量。（3）提出了一种多蚁群并行算法,进行了并行蚁群算法的研究。通过改变ACO算法行为并结合有效的并行ACO策略,在单处理器上运行多蚁群系统,并采用数据并行策略提出了多蚁群并行处理算法。在较小规模的并行处理器上进行了实验。多蚁群选择策略和并行策略在定性分析和实验中表现出了能够改善搜索能力,具有较好的可扩展性,并提高解的质量,有利于算法解决更大规模的问题。（4）研究并实现了用于群体智能路由算法研究的动态网络仿真系统,给出了仿真系统的设计过程和系统模型,该模型能对网络动态和非精确状态信息进行有效模拟且支持群体智能路由的仿真研究。（5）在蚂蚁算法的基础上,提出了两个分布式群体智能路由算法。其一,是采用使用聚类的方法有效的减少了网络蚂蚁代理数量,同时通过路由表的构造策略提高了蚂蚁的搜索效率,从而有效地提高了算法的可扩展性和鲁棒性。其二,通过引入遗传运算策略,对AntNet进行了有效的改进,提出了路径遗传操作和以路径染色体的适应度函数评价结果为基础的信息素更新策略,应用于分布式网络路由管理中,降低了原算法的复杂性。仿真结果表明,该方法能有效地实现更具有灵活性的路由选择策略,为当前路由选择问题的解决提供了一种新的途径。（6）将提出的多蚁群算法应用于分布式网络优化管理中,解决动态分布式网络中负载平衡路由问题。该算法具有本质上的可扩展性,采用的主要方法为:将蚁群划分为若干个子群,不同子群的蚂蚁释放不同类型的信息素。通过不同类型信息素之间的相互制约作用,以及链路负载的测量,提出了三种策略以实现负载平衡路由。在当前最优路径出现阻塞时,算法可以很快找到一条替代的最优路径。实验结果表明,整个算法应用概率选择数据包转发的路径,能够充分利用多条可行路径,从而提高网络负载的均衡性、鲁棒性、负载流量以及网络的利用率。该算法能有效模拟解决大型通信网络资源的分配问题。（7）将递归神经网络算法与灰色理论模型结合,提出了一种组合预测模型,并应用到网络流量预测模型的建立。利用递归神经网络很强的自组织、自适应、自学习的概括和抽取信息的能力,将其与灰色系统理论有机结合起来,针对较高精度的短期网络流量预测进行了预测模型建立的相关理论及应用的系统研究。并用数值仿真验证了算法的有效性。最后,对全文的研究工作进行了总结,并展望了进一步需要研究的课题和方向。
宋明钢[6]（2009）在《移动传输资源电路调度关键技术研究》文中研究指明随着通信用户的不断增长,传输网络规模不断扩大,网络种类及网上传输设备类型日益增多,传输电路数目激增。在大多数电信企业中,电路调度依赖网络管理人员的经验和网络熟知度,以固定的流程通过人工调度方式传发到各操作单位来完成。但是,随着传输网的日趋庞大复杂,传输电路业务的多样化,网络管理人员已经无法实时、准确地了解全网资源及资源的使用情况,有效地动态更新资源、提高资源利用率、快速调整网络以实现对市场需求的快速反应。因此,各大电信运营商渴望借助新技术,改善当前电路调度方式和复杂度。本论文以某移动通信公司传输电路资源为数据来源,对人工电路调度系统进行了探讨,主要对系统功能和调度流程进行了总结归纳。针对人工调度方式的缺点,在电路调度系统中引入自动搜索算法,研究与设计出一种自动电路调度系统。通过自动电路调度系统,电信运营商可以清晰、全面的掌握网络资源状况,尽快的开通电路,完善电路调度及管理流程,提高网络的有效性和可靠性,向企业内外客户提供良好的网络组织支持和快捷的调度服务。在对课题背景进行简述后,本文首先研究了电路调度系统相关技术。其次,深入分析了电路调度系统的功能和调度流程。接着,文章给出了基于人工调度算法的电路调度系统设计与实现。然后,结合电路调度系统的实际应用,文章分析与对比了多种自动搜索算法的性能,并选择最优算法应用于电路调度系统中。最后,文章总结了应用自动搜索算法的电路调度系统的特色、不足和优化方法,指出了电信网传输电路调度管理系统的未来展望和应用前景。
邹立新[7]（2007）在《基于蚁群算法的拥塞规避与动态路由选择研究》文中认为随着Internet的快速发展，网络拥塞问题变得越来越突出，如何有效地管理带宽，充分利用网络资源，规避网络拥塞，已成为迫切需要解决的问题。蚁群算法是意大利学者M．Dorigo提出的一种仿生类算法，其基本思想借用了生物界的蚂蚁群体觅食机理，算法显现出高度的并行性、正反馈性和鲁棒性，已成为解决复杂问题的一种有力工具。本文对如何将蚁群算法应用到网络路由算法的设计中进行了有益的探索，主要工作有：（1）阐述了蚁群算法的基本原理、模型及算法的执行步骤和实现流程，分析了各种模型的优缺点及最新的研究进展；（2）分析了当前路由算法DV路由算法和LS路由算法优缺点，阐述了蚁群路由算法的模型与特征，并将蚁群算法应用于IP网络的路由优化中；（3）提出了基于理性策略的蚁群路由算法，并进行了仿真实验，取得了较好的实验结果；（4）重构了AntNet算法，并针对中国教育科研网（CERNET），进行了仿真实验，验证了AntNet算法的有效性；（5）将蚁群优化应用于移动自组网AdHoc网络路由，设计了一种扩散算法，得了较好的仿真效果，并与DSR和AODV进行了比较。
钱铖[8]（2006）在《企业自动化立体仓库输送系统构建及其优化调度算法仿真研究》文中研究说明随着企业现代化生产规模的不断扩大，自动化立体仓库已经成为生产物流系统中的一个重要且不可缺少的环节。出入库输送系统作为立体仓库存储区与外界交接的关键设备，其设计的好坏直接影响整个立体仓库系统的合理性和货物流通的顺畅性。如何有效的解决输送系统设备选型及其优化调度问题，成为当今社会物流自动化立体仓库发展的非常重要的问题。 论文对极限通过能力法则进行了分析，比较了不同策略对输送系统极限通过能力的影响。深入的研究了输送系统的生产工艺流程及特点，详细阐述了离散事件计算机仿真方法及其在生产系统中的应用。并结合某企业实例，对其输送系统进行了设计建模，并利用QUEST软件对模型进行了仿真。为了进一步提高输送量，实现供需的实时性，满足多点同时输送的需求，在该输送网络模型的基础上，深入地研究了蚁群算法。针对模型中的堆垛机—输送系统的排序调度和输送网络路由优化调度问题，将蚁群算法做了改进，并结合算法对系统模型进行了仿真。仿真结果表明了该调度规则和算法的正确性和有效性，使得系统物流更加畅通和平滑。
常发亮,王朋,乔谊正[9]（2005）在《一类物流输送网络路由的优化调度研究》文中指出针对一类物资配送系统的瓶径效应问题,提出了一种多车多路径输送网络模型及其描述。根据配送系统的特点,采用智能蚂蚁算法优化输送系统网络的路由,给出了优化算法和实现过程。最后给出了实验验证。实验结果表明:该方法能较好的解决输送系统的路径优化和调度问题,提高了系统出入库效率。
王庆文,杨锦云[10]（2004）在《智能蚂蚁算法及其在电信网动态路由优化中的应用》文中研究指明本文介绍一种新的、启发式的、具有自组织能力的智能蚂蚁算法;并针对我国电信网的具体情况,提出借助这种智能蚂蚁算法,用分散控制的方式实现电信网动态路由优化的一种方案,目的是提高网络资源的利用率、网络运行的效率和可靠性。
二、智能蚂蚁算法及其在电信网动态路由优化中的应用（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、智能蚂蚁算法及其在电信网动态路由优化中的应用（论文提纲范文）
（1）蚁群算法在AD HOC网络中的应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 目录 |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 本文的主要工作及创新 |
| 1.3 本文的结构安排 |
| 第二章 AD HOC网络及其路由协议 |
| 2.1 AD HOC网络 |
| 2.1.1 AD HOC网络的定义 |
| 2.1.2 AD HOC网络的基本特点 |
| 2.1.3 AD HOC网络的实际应用 |
| 2.1.4 AD HOC网络的体系结构 |
| 2.2 AD HOC网络中的路由协议 |
| 2.2.1 表驱动路由协议 |
| 2.2.2 按需路由协议 |
| 2.2.3 混合路由协议 |
| 2.2.4 性能比较 |
| 第三章 蚁群算法 |
| 3.1 蚁群算法的提出与发展过程 |
| 3.2 蚁群算法基本原理 |
| 3.2.1 蚁群行为描述 |
| 3.2.2 蚁群算法模型 |
| 3.2.3 蚁群算法实现的基本步骤 |
| 3.2.4 蚁群算法的特点介绍 |
| 3.3 蚁群算法应用于AD HOC网络的优点 |
| 第四章 AD HOC网络中改进的蚁群算法及仿真 |
| 4.1 改进蚁群算法 |
| 4.1.1 改进蚁群算法的设计思路 |
| 4.1.2 改进算法的路由实现 |
| 4.2 仿真实验与结果分析 |
| 4.2.1 仿真工具OPNET简介 |
| 4.2.2 网络仿真场景设置 |
| 4.3 实验结果与分析 |
| 4.3.1 不同静止时间 |
| 4.3.2 不同节点速度 |
| 第五章 结论与展望 |
| 参考文献 |
| 致谢 |
（2）基于蚁群算法分布式网络可靠性的研究（论文提纲范文）
| 0 引 言 |
| 1 模型设计 |
| 1.1 问题的提出 |
| 1.2 蚁群算法 |
| 2 算法的实际应用 |
| 3 结束语 |
（3）基于代理的LEO卫星网动态路由技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 选题背景和来源 |
| 1.2 卫星网路由技术概述 |
| 1.3 代理技术概念及其相关技术研究 |
| 1.3.1 移动代理相关概念 |
| 1.3.2 移动代理的特性 |
| 1.3.3 移动代理的技术优势 |
| 1.3.4 移动代理的研究和发展趋势 |
| 1.3.5 现有移动代理系统 |
| 1.3.6 基于移动代理的路由技术 |
| 1.4 本文工作和主要贡献 |
| 1.5 本文结构安排 |
| 1.6 本章小结 |
| 第二章 卫星网路由相关技术与研究现状 |
| 2.1 引言 |
| 2.2 卫星星座概述 |
| 2.2.1 极轨道星座 |
| 2.2.2 Walker 轨道星座 |
| 2.3 卫星网络体系结构 |
| 2.3.1 单层体系结构 |
| 2.3.2 多层体系结构 |
| 2.4 卫星网络路由概述 |
| 2.4.1 负载平衡路由技术 |
| 2.4.2 QoS 路由技术 |
| 2.4.3 多服务路由技术 |
| 2.5 卫星网路由算法仿真工具概述 |
| 2.5.1 OPNET |
| 2.5.2 NS2 |
| 2.5.3 GaliLEO |
| 2.6 本章小结 |
| 第三章 基于代理的LEO 卫星网负载平衡路由算法 |
| 3.1 问题的提出 |
| 3.2 相关工作 |
| 3.3 基于代理的卫星网路由体系结构 |
| 3.4 基于代理的负载平衡路由算法 |
| 3.4.1 相关定义 |
| 3.4.2 卫星节点数据表 |
| 3.4.3 ALBR 路径代价 |
| 3.4.4 ALBR 算法描述 |
| 3.4.5 数据包路由 |
| 3.4.6 复杂度分析 |
| 3.5 仿真实验与分析 |
| 3.5.1 仿真参数 |
| 3.5.2 性能指标 |
| 3.6 本章小结 |
| 第四章 基于代理的LEO 卫星网QoS 路由算法 |
| 4.1 问题的提出 |
| 4.2 相关工作 |
| 4.3 基于代理的卫星网QoS 路由算法 |
| 4.3.1 卫星网QoS 路由目标 |
| 4.3.2 基于代理的QoS 路由算法原理 |
| 4.4 星地路径建立 |
| 4.4.1 接入卫星选择策略 |
| 4.4.2 星地路径可用时间 |
| 4.5 星际路径建立 |
| 4.5.1 星际路径探测机制 |
| 4.5.2 多路径选择 |
| 4.5.3 移动代理数量分析 |
| 4.6 切换重路由 |
| 4.6.1 星地链路切换重路由 |
| 4.6.2 星际链路切换重路由 |
| 4.7 仿真实验与分析 |
| 4.7.1 算法切换性能分析 |
| 4.7.2 算法QoS 性能分析 |
| 4.8 本章小结 |
| 第五章 基于代理的LEO 卫星网多服务路由技术 |
| 5.1 问题的提出 |
| 5.2 基于代理的卫星网多服务路由体系结构 |
| 5.3 ADQR 星际路径建立 |
| 5.3.1 ADQR 移动代理结构 |
| 5.3.2 ADQR 星际路径探测机制 |
| 5.3.3 ADQR 多路径选择 |
| 5.4 ABQR 星际路径建立 |
| 5.4.1 ABQR 移动代理结构 |
| 5.4.2 ABQR 星际路径探测机制 |
| 5.4.3 ABQR 多路径选择 |
| 5.5 仿真实验与分析 |
| 5.5.1 仿真参数 |
| 5.5.2 性能指标 |
| 5.6 本章小结 |
| 第六章 支持代理的卫星网仿真平台研究 |
| 6.1 问题的提出 |
| 6.2 NS2 中移动代理的设计 |
| 6.3 基于Grasshopper 的仿真平台 |
| 6.3.1 仿真平台系统结构 |
| 6.3.2 卫星节点功能实体 |
| 6.3.3 路由代理交互接口 |
| 6.3.4 星际链路仿真模块 |
| 6.3.5 仿真平台管理系统 |
| 6.3.6 仿真平台功能测试 |
| 6.4 仿真平台性能分析 |
| 6.5 本章小结 |
| 第七章 总结和展望 |
| 7.1 总结 |
| 7.2 展望 |
| 致谢 |
| 攻读博士学位期间的学术论文 |
| 攻读博士学位期间参加的科研项目 |
| 攻读博士学位期间获得的发明专利申请 |
| 攻读博士学位期间获得的软件着作权登记 |
| 攻读博士学位期间撰写学术专着 |
| 攻读博士学位期间获奖情况 |
| 缩略词 |
| 图表清单 |
| 参考文献 |
（5）计算智能方法及在网络优化和预测中的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 蚁群算法 |
| 1.2.1 基本蚁群算法的起源 |
| 1.2.2 基本蚁群算法的原理 |
| 1.2.3 蚁群算法的理论研究 |
| 1.2.4 蚁群算法的应用研究 |
| 1.3 群体智能网络路由算法 |
| 1.3.1 传统路由算法 |
| 1.3.2 群体智能路由算法 |
| 1.3.3 负载平衡路由 |
| 1.4 网络流量预测 |
| 1.5 本文主要研究内容及组织结构 |
| 第二章 多蚁群算法研究 |
| 2.1 基本蚁群算法 |
| 2.1.1 蚁群算法基本原理 |
| 2.1.2 蚁群算法的数学模型 |
| 2.1.3 基本蚁群算法的停滞收敛问题及其解决方法 |
| 2.2 多蚁群优化算法 |
| 2.2.1 算法基本思想 |
| 2.2.2 吸引因子与排斥因子 |
| 2.2.3 多蚁群并行动态选择策略 |
| 2.2.4 实验结果 |
| 2.3 并行多蚁群优化算法 |
| 2.3.1 并行分布ACO 算法研究 |
| 2.3.2 并行多蚁群ACO 算法（PMACS） |
| 2.3.3 实验及分析 |
| 2.4 本章小结 |
| 第三章 融合遗传算法的ACO 优化算法研究 |
| 3.1 引言 |
| 3.2 基本遗传算法概述 |
| 3.3 融合GA 算法的改进蚁群算法 |
| 3.3.1 算法描述 |
| 3.3.2 路径遗传运算规则 |
| 3.3.3 概率选择规律 |
| 3.3.4 基于遗传运算的信息素更新 |
| 3.3.5 仿真实验 |
| 3.4 本章小结 |
| 第四章 基于智能蚂蚁的自适应分布式路由算法研究 |
| 4.1 适用于智能路由算法研究的动态网络仿真系统设计 |
| 4.1.1 引言 |
| 4.1.2 网络形式化定义 |
| 4.1.3 网络模型 |
| 4.1.4 模拟引擎 |
| 4.2 基于智能蚂蚁的自适应分布式路由算法 |
| 4.2.1 引言 |
| 4.2.2 网络模型 |
| 4.2.3 自适应分布式路由算法 |
| 4.2.4 优化策略 |
| 4.2.5 仿真实验 |
| 4.3 融合ANTNET 与遗传算法的动态网络路由算法 |
| 4.3.1 引言 |
| 4.3.2 网络模型 |
| 4.3.3 融合ANTNET 与遗传算法的动态网络路由算法 |
| 4.3.4 仿真实验 |
| 4.4 本章小结 |
| 第五章 负载平衡路由策略研究 |
| 5.1 引言 |
| 5.2 群体智能路由算法概述 |
| 5.2.1 基于蚂蚁控制系统（ABC） |
| 5.2.2 AntNet 算法 |
| 5.2.3 ACO 算法的停滞问题 |
| 5.3 多蚁群负载平衡路由算法 |
| 5.3.1 算法基本思想 |
| 5.3.2 负载平衡路由策略 |
| 5.4 仿真模拟 |
| 5.4.1 双桥实验 |
| 5.4.2 简单规则网络实验 |
| 5.4.3 典型网络实验 |
| 5.5 本章小结 |
| 第六章 基于灰预测的网络流量组合模型研究 |
| 6.1 引言 |
| 6.2 网络流量预测的的传统方法 |
| 6.2.1 网络流量的基本特性 |
| 6.2.2 网络流量分析的传统模型 |
| 6.3 基于灰预测的神经网络预测模型研究 |
| 6.3.1 系统建模 |
| 6.3.2 基于灰色理论的预测模型 |
| 6.3.3 融合递归神经网络的组合预测模型 |
| 6.3.4 实验仿真 |
| 6.4 本章小结 |
| 第七章 结论与展望 |
| 7.1 论文工作总结 |
| 7.2 进一步工作展望 |
| 致谢 |
| 参考文献 |
| 附录：作者在攻读博士学位期间发表的论文 |
（6）移动传输资源电路调度关键技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究内容及目的 |
| 1.3 本课题来源 |
| 1.4 论文的主要内容 |
| 第二章 网络资源管理系统概述 |
| 2.1 概述 |
| 2.2 电信网络管理系统 |
| 2.3 资源管理系统 |
| 2.4 端到端管理系统 |
| 2.5 传输资源管理系统 |
| 2.6 电路调度系统 |
| 第三章 电路调度系统 |
| 3.1 概述 |
| 3.2 系统业务分析 |
| 3.2.1 传输资源 |
| 3.2.2 电路 |
| 3.2.3 电路调度 |
| 3.3 系统功能分析 |
| 3.3.1 电路配置 |
| 3.3.2 电路管理 |
| 3.3.3 查询统计 |
| 3.4 系统设计 |
| 3.4.1 总流程 |
| 3.4.2 调单流程 |
| 第四章 基于人工调度算法的电路调度系统 |
| 4.1 人工调度算法基本原理 |
| 4.2 人工调度算法在电路调度系统中的应用 |
| 4.2.1 系统设计 |
| 4.2.2 数据字典设计 |
| 4.2.3 数据库表关系 |
| 4.2.4 系统实现 |
| 第五章 基于自动搜索算法的电路调度系统 |
| 5.1 自动搜索算法 |
| 5.1.1 Dijkstra算法 |
| 5.1.2 A*算法-启发式搜索(Heuristic Search)算法 |
| 5.1.3 深度优先搜索算法与广度优先搜索算法 |
| 5.1.4 智能蚂蚁算法 |
| 5.2 自动搜索算法性能分析 |
| 5.3 智能蚂蚁算法在电路调度系统中的应用 |
| 第六章 总结和展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 作者攻读学位期间发表的学术论文目录 |
（7）基于蚁群算法的拥塞规避与动态路由选择研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 本文的主要工作及安排 |
| 第2章 蚁群算法的基本原理与模型 |
| 2.1 蚁群算法的原理 |
| 2.2 蚁群算法的模型 |
| 2.2.1 旅行商问题 |
| 2.2.2 蚁群算法的模型 |
| 2.3 蚁群算法的实现步骤及流程 |
| 2.4 蚁群算法的特点及研究进展 |
| 2.5 本章小结 |
| 第3章 蚁群路由算法模型 |
| 3.1 路由算法的基本概念 |
| 3.1.1 路由概念 |
| 3.1.2 路由的组成 |
| 3.1.3 路由算法 |
| 3.2 传统的路由算法 |
| 3.2.1 DV路由算法 |
| 3.2.2 LS路由算法 |
| 3.3 蚁群路由算法模型 |
| 3.3.1 蚁群路由算法原理 |
| 3.3.2 蚁群路由算法的特点 |
| 3.3.3 蚁群路由算法的应用 |
| 3.4 本章小结 |
| 第4章 基于蚁群算法的拥塞规避与动态路由选择 |
| 4.1 网络拥塞模型 |
| 4.2 动态路由选择 |
| 4.3 基于理性策略的蚁群路由算法 |
| 4.3.1 算法基本思想 |
| 4.3.2 算法描述 |
| 4.3.3 算法仿真和分析 |
| 4.4 本章小结 |
| 第5章 AntNet自适应动态路由在 CERNET中的应用 |
| 5.1 AntNet算法基本思想 |
| 5.2 AntNet的性能 |
| 5.3 AntNet的自适应特征 |
| 5.4 CERNET拓扑结构 |
| 5.5 仿真实验及分析 |
| 5.6 本章小结 |
| 第6章 蚁群算法在移动自组网中的应用 |
| 6.1 移动自组网 |
| 6.1.1 发展历史简述 |
| 6.1.2 移动自组网的特点 |
| 6.1.3 移动自组网中的应用 |
| 6.2 移动自组网中的路由算法 |
| 6.3 蚁群算法适用于移动自组网的特征 |
| 6.4 移动自组网中的蚁群算法 |
| 6.4.1 蚁群优化 |
| 6.4.2 算法描述 |
| 6.5 算法仿真结果及分析 |
| 6.5.1 场景设定 |
| 6.5.2 仿真结果 |
| 6.5.3 分析 |
| 6.6 本章小结 |
| 结论与展望 |
| 参考文献 |
| 攻读学位期间的科研成果 |
| 致谢 |
（8）企业自动化立体仓库输送系统构建及其优化调度算法仿真研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.1.1 现代物流产业在经济发展中的地位和作用 |
| 1.1.2 自动化立体仓库的构成 |
| 1.2 自动化立体仓库输送系统优化调度问题及研究现状 |
| 1.2.1 通过策略 |
| 1.2.2 输送系统常用优化调度算法分析与比较 |
| 1.2.3 蚁群算法 |
| 1.3 本文的研究目的及内容 |
| 第二章 自动化立体仓库输送系统应用策略研究 |
| 2.1 自动化立体仓库输送系统 |
| 2.1.1 自动化立体仓库输送系统的组成结构 |
| 2.1.2 自动化立体仓库输送系统的工作过程 |
| 2.2 自动化立体仓库输送系统的通过策略研究 |
| 2.2.1 最大能力策略 |
| 2.2.2 放行策略 |
| 2.2.3 通畅策略 |
| 2.2.4 系统策略 |
| 2.3 各种策略下的极限通过能力分析 |
| 2.3.1 简单的分、合流节点的极限通过能力计算 |
| 2.3.2 通畅策略下的极限能力分析 |
| 2.3.3 通过权平等原则下的极限能力分析 |
| 2.3.4 其它两种放行策略下的极限能力分析 |
| 2.4 本章小结 |
| 第三章 企业自动化立体仓库输送系统方案设计及建模 |
| 3.1 离散事件系统仿真 |
| 3.1.1 离散事件系统仿真简介 |
| 3.1.2 离散事件系统仿真方法及作用 |
| 3.1.3 离散事件系统仿真策略 |
| 3.2 离散事件计算机仿真建模软件-QUEST |
| 3.2.1 QUEST仿真软件简介 |
| 3.2.2 QUEST模型基本构成 |
| 3.2.3 仿真控制语言(SCL) |
| 3.3 企业自动化立体仓库输送系统总体方案设计 |
| 3.3.1 企业自动化立体仓库概况 |
| 3.3.2 输送系统概况 |
| 3.3.3 企业输送设备选择设计原则 |
| 3.3.4 自动化立体仓库输送设备选型 |
| 3.3.5 工艺布局设计 |
| 3.4 企业自动化立体仓库输送系统仿真模型的建立 |
| 3.4.1 系统仿真的目标 |
| 3.4.2 定义模型单元与逻辑分析 |
| 3.4.3 输送系统货物出库流程仿真模型建立 |
| 3.4.4 输送系统货物入库流程仿真模型建立 |
| 3.5 仿真模型的运行及结果分析 |
| 3.5.1 空托盘出入库仿真模型的运行 |
| 3.5.2 空托盘出入库仿真模型的运行结果分析 |
| 3.5.3 输送机货物出入库仿真模型的运行 |
| 3.5.4 输送机货物出入库仿真模型的运行结果分析 |
| 3.6 本章小结 |
| 第四章 企业立体仓库堆垛机-输送系统的排序调度算法仿真研究 |
| 4.1 智能体 |
| 4.1.1 智能体的定义、分类和特性 |
| 4.1.2 交互智能体 |
| 4.1.3 智能体之间的通信 |
| 4.1.4 最简单的一类智能体的交互 |
| 4.2 蚁群算法 |
| 4.2.1 蚁群算法原理 |
| 4.2.2 蚂蚁系统算法模型 |
| 4.2.3 蚁群算法程序实现 |
| 4.2.4 蚁群算法的发展 |
| 4.3 堆垛机-输送系统的排序调度问题 |
| 4.3.1 问题的提出 |
| 4.3.2 优化调度规则及其优化算法 |
| 4.4 堆垛机-输送系统排序调度算法仿真模型的建立 |
| 4.4.1 仿真模型的系统描述 |
| 4.4.2 系统仿真的目标 |
| 4.4.3 系统抽象与简化 |
| 4.4.4 定义模型单元与逻辑分析 |
| 4.4.5 仿真模型的建立 |
| 4.5 堆垛机-输送系统排序调度算法仿真模型运行及结果分析 |
| 4.5.1 堆垛机-输送系统排序调度算法仿真模型运行 |
| 4.5.2 运行结果数据分析 |
| 4.6 本章小结 |
| 第五章 企业立体仓库输送系统路由优化调度算法仿真研究 |
| 5.1 输送网络的路由优化问题 |
| 5.1.1 智能蚂蚁算法应用到输送网络路由的基本原理 |
| 5.1.2 智能蚂蚁算法用于输送网路由的过程描述 |
| 5.2 智能蚂蚁算法用于输送网络路由优化调度的过程描述 |
| 5.3 输送网络路由优化调度仿真模型的建立 |
| 5.3.1 仿真模型的系统描述 |
| 5.3.2 系统仿真的目标 |
| 5.3.3 系统抽象与简化 |
| 5.3.4 定义模型单元与逻辑分析 |
| 5.3.5 仿真模型的建立 |
| 5.4 输送小车路由优化调度仿真模型运行及结果分析 |
| 5.4.1 输送小车路由优化调度仿真模型运行 |
| 5.4.2 运行结果数据分析 |
| 5.5 本章小结 |
| 第六章 全文总结及展望 |
| 6.1 论文的主要工作及结论 |
| 6.2 论文的缺陷和尚待研究的问题 |
| 6.3 论文展望 |
| 参考文献 |
| 附录1 QUEST仿真模型参数注释 |
| 附录2 智能蚂蚁算法程序实现 |
| 鸣谢 |
| 攻读学位期间发表的学术论文目录 |
（10）智能蚂蚁算法及其在电信网动态路由优化中的应用（论文提纲范文）
| 1引言 |
| 2智能蚂蚁算法的基本原理 |
| 3智能蚂蚁算法在路由优化中的应用 |
| 4结束语 |
四、智能蚂蚁算法及其在电信网动态路由优化中的应用（论文参考文献）
- [1]蚁群算法在AD HOC网络中的应用研究[D]. 张碧. 云南大学, 2012(10)
- [2]基于蚁群算法分布式网络可靠性的研究[J]. 周文,梁祥君. 计算机技术与发展, 2011(01)
- [3]基于代理的LEO卫星网动态路由技术研究[D]. 饶元. 南京邮电大学, 2011(05)
- [4]基于蚂蚁算法的动态分布式路由算法[J]. 于国庆,张亚军,田日才,马楠. 大连交通大学学报, 2009(06)
- [5]计算智能方法及在网络优化和预测中的研究[D]. 夏鸿斌. 江南大学, 2009(04)
- [6]移动传输资源电路调度关键技术研究[D]. 宋明钢. 北京邮电大学, 2009(03)
- [7]基于蚁群算法的拥塞规避与动态路由选择研究[D]. 邹立新. 中国民航大学, 2007(02)
- [8]企业自动化立体仓库输送系统构建及其优化调度算法仿真研究[D]. 钱铖. 北京邮电大学, 2006(11)
- [9]一类物流输送网络路由的优化调度研究[J]. 常发亮,王朋,乔谊正. 系统仿真学报, 2005(12)
- [10]智能蚂蚁算法及其在电信网动态路由优化中的应用[J]. 王庆文,杨锦云. 江西教育学院学报(综合), 2004(06)