有时间窗的车辆路径问题的改进MAX-MIN蚁群算法

MAX—MIN蚁群算法是一种改进蚁群算法,文本构造了求解VRPTW的最大最小蚁群算法,将仿真结果与其他经典算法进行比较,结果证明该算法性能优良。

基于相对移动性预测的k跳AdHoc网络分簇算法

针对网络节点随机移动造成的AdHoc网络分簇结构变化和路由失效问题,该文提出一种基于相对移动性预测的k跳分簇算法,分析和预测网络节点运动状态,自适应地调整分簇结构,提高簇结构稳定性。首先,使用多普勒频移计算节点间相对移动速度,预测节点移动性,得到节点间链路保持时间。然后,在簇形成阶段,采用面向节点稳定性的MAX-MIN启发式算法,根据节点的平均链路保持时间对簇首进行选择。进而,在簇保持阶段,提出一种基于节点运动状态的网络自适应调整算法,一方面调整节点信息数据发送周期以平衡数据开销和精确度,另一方面通过预测节点间链路通断情况调整分簇结构,以减少链路失效时的链路重建时间,提高网络运行质量。仿真实验表明,所提算法可以有效延长簇首持续时间,提高簇结构在动态环境下的稳定性。

基于改进遗传算法的云计算任务调度算法

任务调度是云计算的核心问题。云计算中的任务调度算法要求在提高系统吞吐量和最大跨度的同时又要兼顾资源的安全与负载均衡问题。传统遗传算法因具有强大的并行空间搜索能力而在云计算中得到广泛应用,但其亦存在明显不足,即随着计算机规模的不断扩大,收敛性逐渐降低,存在易早熟等不足,限制了其调度性能。而Min-Min和Max-Min算法简单易行,且具有较好的时间跨度,可以较好地弥补传统算法的不足。在传统遗传算法的基础上,结合Min-Min和Max-Min算法,提出了一种新的云计算任务调度算法,在产生初始化种群时引入Min-Min和Max-Min算法,并选取任务完成时间和负载均衡作为双适应度函数,提高了初始化种群的质量、算法搜索能力以及收敛速度。仿真结果表明,该算法优于传统遗传算法,是一种有效的云计算任务调度算法。

改进的蚁群-遗传算法在优化航线中的应用

航线优化是一个重要问题。提出的改进算法是先通过限制、选择和更新信息素、控制周游次数,找出航线的满意解,大大缩短了搜索时间;再用所得较好的航线表示作为初始种群,指定为父体,直接进行分组定界操作,将已得航线进行优化改良,求得最佳航线。实验结果表明,该算法应用于求解航线优化问题行之有效。