基于遗传算法的QoS选播流路由优化算法

选播是一种网络通信服务,在视频流点播等领域发挥重要作用。该文提出QoS选播流路由优化的问题模型,给出选播流路由端到端时延、服务器负载、网络流量等优化目标和QoS约束的遗传算法表达式,说明了算法求解的关键步骤和实现过程。实验结果表明,该算法在满足QoS约束的前提下可以实现选播路由的多目标组合优化。

几种基于多目标遗传算法的QoS组播路由优化算法

提出基于多目标遗传算法的QoS组播路由优化算法,在遗传进化过程中分别使用三种方法:随机权重方法随机生成权重,使算法具有可变搜索方向,沿Pareto前沿面均匀采样,增加算法成功率;Pareto排序方法合理分配适应值,使Pa-reto解具有相同的适应值,并能调整选择压力;Pareto竞争方法通过适应值共享维持种群多样性,提高遗传算法的性能。实验仿真在不同网络规模下研究算法的遗传进化过程、成功率、收敛速度和可扩展性,并与相关算法进行比较与分析,证明本文提出的算法是可行的、有效的。

一种基于机器学习的卫星网络QoS路由机制

针对目前卫星网络的特点,提出一种基于机器学习的QoS路由机制。卫星网络节点路由的过程被看成是一个分类器分类的过程,其输入是一个包括路由的起始节点、目标节点、各QoS度量等参数的离散值向量,输出为1条最优路径的标志符。该机制利用本地流量的历史数据在实时网络拓扑下动态构造的训练集来训练分类器。为动态构造训练集,调用粒度受限算法在多项式时间内解决多约束QoS路由问题,而多约束QoS问题是一个NP完全问题。训练完成后,当收到实时QoS路由请求时,卫星节点根据分类器分类的结果进行路由。仿真结果表明:本文所提出方法在实际网络吞吐率高的背景下性能更加优越。

基于遗传算法的多限制路由解决方案

随着互联网用户和流量的迅速增长,网络资源不足及网络拥塞问题日益严重。而各种新的多媒体业务的出现又对网络的服务质量提出了新的要求。为此文中以在满足带宽、时延的基础上,将资源消耗和负载均衡分布作为优化目标,希望在消耗较少网络资源的同时,使负载尽量分布在有宽裕空闲资源的链路上,从而利用遗传算法的原理提出一种优化网络的方法并通过仿真证实了其有效性。