路由优化策略在命名数据网中的研究

命名数据网络(named data network,NDN)是正在研究中的以数据为中心的下一代互联网络,而路由转发机制是NDN的核心问题。为了更好地提高网络的整体性能,提出了端口优先级路由策略,基于蚁群优化算法,根据每个路由接口的转发概率分别设置转发接口优先级,引入兴趣包的错误反馈信息包,降低用户的请求失效率。实验结果表明,端口优先级路由策略在网络平均延迟和数据包投递率方面优于邻居缓存路由(neighbor cache explore routing,NCE)策略,验证了端口优先级路由策略在NDN网络中的有效性。     

基于蚁群群体智能理论的创新政策扩散研究

创新型政策的采用和普及体现群体交流和互动。简单的个体行为经过一定过程可以使整体变得有序,而蚁群群体智能理论研究的是群居性生物通过协作表现出的宏观智能行为特征。因此,可从蚁群群体智能理论视角出发研究创新型政策。首先,在解释创新政策的扩散方式方面,有类似蚁群群体智能的行为特征和决策方式。其次,在政策普及过程中,如遇到类似蚁群群体迷失的情况,蚁群群体智能理论亦可提示采用何种方法解决这个政策扩散方面的问题。     

多种群遗传蚁群融合的多Qos约束组播路由算法

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。     

用蚁群算法解决0／1背包问题

为了使用蚁群算法来解决经典有0/1背包问题，本文根据TSP问题的蚁群系统模型及转移概率的公式，修改了蚁群算法模型，TSP问题和0/1背包问题的不同之处，在原有的蚁群优化模型的基础上扩展了它的应用范围，用来解决0/1背包问题，通过实验测试改进的算法，结果表明，改进算法的收敛速度得到提高.     

基于蚁群—粒子群优化算法的多约束QoS路由算法

结合蚁群算法和粒子群算法的不同特点,提出了一种基于蚁群、粒子群算法的组播路由算法,来解决多约束QoS组播路由问题.实验对比表明,该算法收敛速度快,寻优能力强,可以克服单一的蚁群算法和粒子群算法的不足.     

基于分治、剪枝和蚁群算法求解最大团问题

最大团问题是经典的NP-hard问题,对该问题求解方法的研究在理论上,实践上都具有一定的意义。蚁群算法已成功地求解许多组合优化难题。本文使用分治法,将图分解成子图,对各子图应用蚁群算法求解,并根据目前求得的最优解的值对各个子图进行剪枝,去除对求解没有意义的点,提出基于分治、剪枝和蚁群算法求解最大团问题的算法。它减小了问题的求解规模,使求解容易。实验取得了较好的结果。     

一类改进的自适应蚁群算法

从系统学的角度分析了蚁群算法的分布武计算、自组织和正反馈等的系统特征．给出了改进的蚁群算法详细分析和分类,通过TSP问题应用TSP-Ei151在MATLAB7．6中进行了仿真实验．实验结果证明改进的算法在迭代次数、牧敛性和全局性上优于基本蚁群算法．     

基于聚类算法的本体层次关系获取研究

提出利用蚁群聚类方法进行初始聚类,通过K-means聚类算法对初始聚类的结果进一步分层聚类,并结合术语综合相似度计算的方式提取每个类的标签,从而完成术语层次关系的构建。最后抽取部分实验结果,由领域专家对其进行评价,并对结果进行分析。     

数字图书馆中的智能推荐技术研究

为构建一种精确性较高的智能信息技术模型,对蚁群算法、SOM网络进行分析与研究,并基于两者构建智能推荐技术,运用该技术完成模型的建立与更新。最后利用已建模型对目前较通用的读者原始流通信息记录进行测试,验证结果表明该技术的个性化信息服务的准确率较高,且具有较高理论意义与应用价值。     

基于蚁群优化神经网络的图书馆读者服务评价研究

在提出采用全局搜索策略——蚁群优化算法作为图书馆读者服务评价的神经网络模型的学习算法的基础上,阐述了蚁群优化神经网络模型的设计思想和实现过程,并结合实例分析验证了所提方法的可行性和有效性。