CN109669957A - 一种基于多蚁群遗传算法的分布式数据库查询优化方法 - Google Patents

一种基于多蚁群遗传算法的分布式数据库查询优化方法 Download PDF

Info

Publication number
CN109669957A
CN109669957A CN201811426336.9A CN201811426336A CN109669957A CN 109669957 A CN109669957 A CN 109669957A CN 201811426336 A CN201811426336 A CN 201811426336A CN 109669957 A CN109669957 A CN 109669957A
Authority
CN
China
Prior art keywords
pheromone
ant colony
query
algorithm
path
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201811426336.9A
Other languages
English (en)
Inventor
马锐
王鑫
苏静
濮斌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changzhou Wujin Semiconductor Lighting Application Technology Institute
Original Assignee
Changzhou Wujin Semiconductor Lighting Application Technology Institute
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Changzhou Wujin Semiconductor Lighting Application Technology Institute filed Critical Changzhou Wujin Semiconductor Lighting Application Technology Institute
Priority to CN201811426336.9A priority Critical patent/CN109669957A/zh
Publication of CN109669957A publication Critical patent/CN109669957A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于多蚁群遗传算法的分布式数据库查询优化方法，属于互联网数据库技术领域，包括建立分布式数据库构架，对分布式数据库查询代价进行分析后，将蚁群算法升级为多蚁群算法，利用了平滑机制及多蚁群间互相学习机制来避免陷入局部最优和早熟现象,从而提高了整个算法的全局搜索能力，解决了采用多蚁群算法提高分布式数据库查询效率技术问题，本发明引入多蚁群算法，并在算法中提出了“学习算子”，让子蚁群相互学习，防止陷入局部最优，提高算法性能，让算法能够获得更好的全局最优解。

Description

一种基于多蚁群遗传算法的分布式数据库查询优化方法
技术领域
本发明属于互联网数据库技术领域，尤其涉及一种基于多蚁群遗传算法的分布式数据库查询优化方法。
背景技术
分布式数据库的一个重要特点是其所处理的内容大多都不是来自一个地方的，而它的查询操作则又有以下特点：数据在网络间传递，传递完成之后在局部进行处理。但当一个查询关系随着连接的关系数的增加，执行该查询操作的代价就会呈现指数级的增加，这就造成了分布式数据库查询技术的复杂性。
目前能有助于优化查询的算法分为以下两类：确定性算法和随机算法。
确定性算法的每一步都像为了寻找根源而进行的，直到一步一步连接起来形成完整的查询树，那么这个算法才算完成。常用的确定性算法有贪心算法(GP)和动态规则算法(DP)两种。
随机搜索算法是基于特定的点，随机搜索最优化的查询计划。相对于确定性算法而言，随机搜索算法不能保证得到最优解，但是可以提高查询优化的效率并得到一个近似最优解。随机搜索算法首先建立一个起始计划，然后通过随机的方法，转到另一个查询计划。随机搜索算法有遗传算法(GA)、模拟退火算法(SA)、蚁群算法等。
目前采用的遗传算法和蚁群算法为单个算法，其查询效率过低，查询速度慢。
发明内容
本发明的目的是提供一种基于多蚁群遗传算法的分布式数据库查询优化方法，解决了采用多蚁群算法提高分布式数据库查询效率技术问题。
为实现上述目的，本发明采用如下技术方案：
一种基于多蚁群遗传算法的分布式数据库查询优化方法，包括如下步骤：
步骤1:建立分布式数据库构架，设定在分布式数据库构架中的每一个数据库均为一个点，发起数据查询的点为初始点；
步骤2：从初始点开始，随机向任意一个点A发起查询，点A向另外一个任意点B发起查询；
步骤3：重复执行步骤2，最终产生染色体种群；
步骤4：对染色体种群进行迭代：对染色体按概率进行变异和交叉操作，在产生数个新染色体；
步骤5：解码所有新染色体，将所有新染色体转换成查询路径，计算查询路径的目标函数值，以此来标定新染色体的适应度值；
步骤6：根据轮盘赌法和各个新染色体的适应度值进行选择操作，生产迭代后查询路径；
步骤7：重复执行步骤4到步骤6，直到结束条件得到满足，将最后产生的迭代后查询路径作为最优查询路径输出；
步骤8：用最优查询路径对信息素矩阵进行初始化处理，利用遗传算法来对初始信息素分布进行有效确定；
步骤9：根据多蚁群算法进行查询路径优化，其包括如下步骤：
步骤S1：设置开始的点,开始的点相当于发出查询请求的点；
步骤S2：按照转移概率的公式进行点的转移,同时更新路径；
步骤S3：判断蚂蚁是否已完成所有目的点的搜索：如果完成搜索，则执行步骤S4；否，则继续让蚂蚁进行搜索并执行步骤S3；
步骤S4：判断是否蚁群内所有的蚂蚁都已经完成：若没有，则返回步骤S1；如果蚁群内所有蚂蚁都进行了搜索，则计算得到每条路径的具体目标函数值；
步骤S5：判断当前迭代数是否大于蚁群开始信息素平滑机制的迭代数：若是，则按照信息素平滑机制操作；
步骤S6：判断当前迭代数是否大于蚁群间开始学习信息素的迭代数：若是，则按照学习算子规则进行操作；
步骤S7：判断当前迭代数是不是符合了结束条件：如果没有符合，返回步骤S1；符合，则输出结果。
优选的，所述目标函数值为通信费用。
优选的，所述信息素平滑机制包括当各个子蚁群迭代了一定次数后,相比其他的路径,某一条路径上的信息素浓度会比较大,信息素浓度通过正反馈传递给蚂蚁,蚂蚁感知到这个情况,会大概率地选择这条路径来觅食,对于这种情况可以使用信息素平滑机制来改变,计算公式为以下公式:
τij＝τij-δ；τij-τmin＜，；
其中,在边ij上当前的信息素浓度值用τij进行表示；δ是平滑系数，控制着信息素平滑机制的影响程度，τmin表示预设的信息素浓度最小值。
优选的，所述学习算子规则包括当迭代一定次数后，根据学习算子，更新各个子蚁群的全局信息素，学习算子为以下公式：
其中,代表着当前子蚁群m在边ij上的信息素值，为当前子蚁群n在边ij上的信息素值；γ是学习算子，用来控制蚁群之间信息素交流作用的大小。
本发明所述的一种基于多蚁群遗传算法的分布式数据库查询优化方法，解决了采用多蚁群算法提高分布式数据库查询效率技术问题，本发明引入多蚁群算法，并在算法中提出了“学习算子”，让子蚁群相互学习，防止陷入局部最优，提高算法性能，让算法能够获得更好的全局最优解，本发明在多蚁群算法里加上遗传算法，逐步优化查询效率。
附图说明
图1为本发明的30个点的多蚁群遗传算法最优解爬行路径；
图2为本发明的30个点的传统蚁群算法最优解爬行路径。
具体实施方式
将蚁群算法应用于解决优化问题的基本思路为：用蚂蚁的行走路径表示待优化问题的可行解，整个蚂蚁群体的所有路径构成待优化问题的解空间。路径较短的蚂蚁释放的信息素量较多，随着时间的推进，较短的路径上累积的信息素浓度逐渐增高，选择该路径的蚂蚁个数也愈来愈多。最终，整个蚂蚁会在正反馈的作用下集中到最佳的路径上，此时对应的便是待优化问题的最优解。蚂蚁找到最短路径要归功于信息素和环境，假设有两条路可从蚁窝通向食物，开始时两条路上的蚂蚁数量差不多：当蚂蚁到达终点之后会立即返回，距离短的路上的蚂蚁往返一次时间短，重复频率快，在单位时间里往返蚂蚁的数目就多，留下的信息素也多，会吸引更多蚂蚁过来，会留下更多信息素。而距离长的路正相反，因此越来越多的蚂蚁聚集到最短路径上来。
蚂蚁具有的智能行为得益于其简单行为规则，该规则让其具有多样性和正反馈。在觅食时，多样性使蚂蚁不会走进死胡同而无限循环，是一种创新能力；正反馈使优良信息保存下来，是一种学习强化能力。两者的巧妙结合使智能行为涌现，如果多样性过剩，系统过于活跃，会导致过多的随机运动，陷入混沌状态；如果多样性不够，正反馈过强，会导致僵化，当环境变化时蚁群不能相应调整
由图1所示的一种基于多蚁群遗传算法的分布式数据库查询优化方法，包括如下步骤：
步骤1：建立分布式数据库构架，设定在分布式数据库构架中的每一个数据库均为一个点，发起数据查询的点为初始点；
分布式数据库是分散的，不同的计算机网络节点可以在不同的地方和不同的站点，在分散的表相里内部却有着严格的统一。例如一个大公司在全世界有很多个分公司，每个分公司都存有一定的数据，各个公司通过网络连接起来，这样每个分公司都有自己运营所需的数据，它们在理论上有着相同的数据系统，可以用自己的数据系统对公司进行管理操作，当然也可以通过总公司的大型数据管理中心对这些小公司进行监控和管理指导等一系列操作。这样，各个分公司之间的信息既能灵活交流和分享，又能进行统一管理和使用。
步骤2：从初始点开始，随机向任意一个点A发起查询，点A向另外一个任意点B发起查询；
步骤3：重复执行步骤2，最终产生染色体种群；
步骤4：对染色体种群进行迭代：对染色体按概率进行变异和交叉操作，在产生数个新染色体；
步骤5：解码所有新染色体，将所有新染色体转换成查询路径，计算查询路径的目标函数值，以此来标定新染色体的适应度值；
步骤6：根据轮盘赌法和各个新染色体的适应度值进行选择操作，生产迭代后查询路径；
步骤7：重复执行步骤4到步骤6，直到结束条件得到满足，将最后产生的迭代后查询路径作为最优查询路径输出；
步骤8：用最优查询路径对信息素矩阵进行初始化处理，利用遗传算法来对初始信息素分布进行有效确定；
步骤9：根据多蚁群算法进行查询路径优化，其包括如下步骤：
步骤S1：设置开始的点,开始的点相当于发出查询请求的点；
步骤S2：按照转移概率的公式进行点的转移,同时更新路径；
所述转移概率包括搜索时,蚂蚁对于下一个要访问节点的选择是非常随机的。蚂蚁在两个节点之间选择概率
其中,在概率计算的过程中信息素τij；t＜所具有的权重用α来进行表示，α值越大，信息素所占据的作用就会越明显；ηij为启发信息，β代表ηij在转移概率计算的过程中所占的权重，β值越大，蚂蚁选择点时其所起到的作用就会越明显；k表示蚂蚁下一步允许走的点；
步骤S3：判断蚂蚁是否已完成所有目的点的搜索：如果完成搜索，则执行步骤S4；否，则继续让蚂蚁进行搜索并执行步骤S3；
步骤S4：判断是否蚁群内所有的蚂蚁都已经完成：若没有，则返回步骤S1；如果蚁群内所有蚂蚁都进行了搜索，则计算得到每条路径的具体目标函数值；
目标函数用来衡量蚁群找到的路径是否优秀，在本发明的分布式数据库构架中的设置与上述遗传算法一样，总通信费用多少就是衡量路径好坏的标准。
步骤S5：判断当前迭代数是否大于蚁群开始信息素平滑机制的迭代数：若是，则按照信息素平滑机制操作；
步骤S6：判断当前迭代数是否大于蚁群间开始学习信息素的迭代数：若是，则按照学习算子规则进行操作；
步骤S7：判断当前迭代数是不是符合了结束条件：如果没有符合，返回步骤S1；符合，则输出结果。
优选的，所述目标函数值为通信费用。
优选的，所述信息素平滑机制包括当各个子蚁群迭代了一定次数后,相比其他的路径,某一条路径上的信息素浓度会比较大,信息素浓度通过正反馈传递给蚂蚁,蚂蚁感知到这个情况,会大概率地选择这条路径来觅食,对于这种情况可以使用信息素平滑机制来改变,计算公式为以下公式:
τij＝τij-δ；τij-τmin＜，；
其中,在边ij上当前的信息素浓度值用τij进行表示；δ是平滑系数，控制着信息素平滑机制的影响程度，τmin表示预设的信息素浓度最小值。
本发明的信息素的更新机制采用传统的信息素更新机制，如果在循环的过程中每一个蚂蚁都搜寻到了路径,而且路径是合法的，那么就可以开始进行信息素的全局更新，其计算公式为以下两个公式：
τij；t+1＜＝ρτij；t＜+Δτij；t，t+1＜；
其中在t次循环时,边ij上的信息素浓度用τij；t+1＜表示；信息素维持因子用ρ表示，相应的信息素挥发因子用(1-ρ)表示；对于在边ij上所有蚂蚁所释放的信息素用Δτij；t，t+1＜表示，k为在时刻t的第k只蚂蚁，m为爬过边ij上蚂蚁的总个数。
优选的，所述学习算子规则包括当迭代一定次数后，根据学习算子，更新各个子蚁群的全局信息素，学习算子为以下公式：
其中,代表着当前子蚁群m在边ij上的信息素值，τ″ijj为当前子蚁群n在边ij上的信息素值；γ是学习算子，用来控制蚁群之间信息素交流作用的大小。
如图1和图2所示，图1和图2中标号1到标号30表示分布式数据库构架中的数据库，即点；图1和图2对比可以看出，图1为本发明的蚁群算法最优解爬行路径，其产生的最优路径为标号A1的路径；图2为传统的蚁群算法最优解爬行路径，其产生的最优路径为标号 A2的路径，其路径没有本发明的路径短，其查询效率没有本发明的效率高。
本发明所述的一种基于多蚁群遗传算法的分布式数据库查询优化方法，解决了采用多蚁群算法提高分布式数据库查询效率技术问题，本发明引入多蚁群算法，并在算法中提出了“学习算子”，让子蚁群相互学习，防止陷入局部最优，提高算法性能，让算法能够获得更好的全局最优解，本发明在多蚁群算法里加上遗传算法，逐步优化查询效率。
本发明利用遗传算法求解速度快的特点，先生成初始的信息素分布作为蚁群算法前期搜索的指导，使蚂蚁从无头绪到有头绪，缩短前期探索时间；后期，蚂蚁通过自己有组织性、并行性及正反馈性的搜索，经过一定时间的迭代，就能够获得更高效率的最优解。还有一点，这里的蚁群算法并不是普通的蚁群，而是多蚁群，利用蚁群之间相互学习的特点，提高全局搜索的能力。

Claims (4)

1.一种基于多蚁群遗传算法的分布式数据库查询优化方法，其特征在于：包括如下步骤：
步骤1:建立分布式数据库构架，设定在分布式数据库构架中的每一个数据库均为一个点，发起数据查询的点为初始点；
步骤2：从初始点开始，随机向任意一个点A发起查询，点A向另外一个任意点B发起查询；
步骤3：重复执行步骤2，最终产生染色体种群；
步骤4：对染色体种群进行迭代：对染色体按概率进行变异和交叉操作，在产生数个新染色体；
步骤5：解码所有新染色体，将所有新染色体转换成查询路径，计算查询路径的目标函数值，以此来标定新染色体的适应度值；
步骤6：根据轮盘赌法和各个新染色体的适应度值进行选择操作，生产迭代后查询路径；
步骤7：重复执行步骤4到步骤6，直到结束条件得到满足，将最后产生的迭代后查询路径作为最优查询路径输出；
步骤8：用最优查询路径对信息素矩阵进行初始化处理，利用遗传算法来对初始信息素分布进行有效确定；
步骤9：根据多蚁群算法进行查询路径优化，其包括如下步骤：
步骤S1：设置开始的点,开始的点相当于发出查询请求的点；
步骤S2：按照转移概率的公式进行点的转移,同时更新路径；
步骤S3：判断蚂蚁是否已完成所有目的点的搜索：如果完成搜索，则执行步骤S4；否，则继续让蚂蚁进行搜索并执行步骤S3；
步骤S4：判断是否蚁群内所有的蚂蚁都已经完成：若没有，则返回步骤S1；如果蚁群内所有蚂蚁都进行了搜索，则计算得到每条路径的具体目标函数值；
步骤S5：判断当前迭代数是否大于蚁群开始信息素平滑机制的迭代数：若是，则按照信息素平滑机制操作；
步骤S6：判断当前迭代数是否大于蚁群间开始学习信息素的迭代数：若是，则按照学习算子规则进行操作；
步骤S7：判断当前迭代数是不是符合了结束条件：如果没有符合，返回步骤S1；符合，则输出结果。
2.如权利要求1所述的一种基于多蚁群遗传算法的分布式数据库查询优化方法，其特征在于：所述目标函数值为通信费用。
3.如权利要求1所述的一种基于多蚁群遗传算法的分布式数据库查询优化方法，其特征在于：所述信息素平滑机制包括当各个子蚁群迭代了一定次数后,相比其他的路径,某一条路径上的信息素浓度会比较大,信息素浓度通过正反馈传递给蚂蚁,蚂蚁感知到这个情况,会大概率地选择这条路径来觅食,对于这种情况可以使用信息素平滑机制来改变,计算公式为以下公式:
τij＝τij-δ；τij-τmin＜，；
其中,在边ij上当前的信息素浓度值用τij进行表示；δ是平滑系数，控制着信息素平滑机制的影响程度，τmin表示预设的信息素浓度最小值。
4.如权利要求1所述的一种基于多蚁群遗传算法的分布式数据库查询优化方法，其特征在于：所述学习算子规则包括当迭代一定次数后，根据学习算子，更新各个子蚁群的全局信息素，学习算子为以下公式：
其中,代表着当前子蚁群m在边ij上的信息素值，j为当前子蚁群n在边ij上的信息素值；γ是学习算子，用来控制蚁群之间信息素交流作用的大小。
CN201811426336.9A 2018-11-27 2018-11-27 一种基于多蚁群遗传算法的分布式数据库查询优化方法 Pending CN109669957A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811426336.9A CN109669957A (zh) 2018-11-27 2018-11-27 一种基于多蚁群遗传算法的分布式数据库查询优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811426336.9A CN109669957A (zh) 2018-11-27 2018-11-27 一种基于多蚁群遗传算法的分布式数据库查询优化方法

Publications (1)

Publication Number Publication Date
CN109669957A true CN109669957A (zh) 2019-04-23

Family

ID=66143259

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811426336.9A Pending CN109669957A (zh) 2018-11-27 2018-11-27 一种基于多蚁群遗传算法的分布式数据库查询优化方法

Country Status (1)

Country Link
CN (1) CN109669957A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110058613A (zh) * 2019-05-13 2019-07-26 大连海事大学 一种多无人机多蚁群协同搜索目标方法
CN111048192A (zh) * 2019-12-10 2020-04-21 上海明品医学数据科技有限公司 一种基于移动终端的用于医联体内的产学研管理方法
CN115391385A (zh) * 2022-09-13 2022-11-25 南京开特信息科技有限公司 一种基于蚁群遗传动态融合算法的数据库查询优化方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107463702A (zh) * 2017-08-16 2017-12-12 中科院成都信息技术股份有限公司 一种基于进化算法的数据库多连接查询优化方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107463702A (zh) * 2017-08-16 2017-12-12 中科院成都信息技术股份有限公司 一种基于进化算法的数据库多连接查询优化方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
周莹: "基于多蚁群遗传算法的分布式数据库查询优化研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110058613A (zh) * 2019-05-13 2019-07-26 大连海事大学 一种多无人机多蚁群协同搜索目标方法
CN110058613B (zh) * 2019-05-13 2022-05-13 大连海事大学 一种多无人机多蚁群协同搜索目标方法
CN111048192A (zh) * 2019-12-10 2020-04-21 上海明品医学数据科技有限公司 一种基于移动终端的用于医联体内的产学研管理方法
CN111048192B (zh) * 2019-12-10 2023-11-07 上海明品医学数据科技有限公司 一种基于移动终端的用于医联体内的产学研管理方法
CN115391385A (zh) * 2022-09-13 2022-11-25 南京开特信息科技有限公司 一种基于蚁群遗传动态融合算法的数据库查询优化方法

Similar Documents

Publication Publication Date Title
Lambora et al. Genetic algorithm-A literature review
Guo et al. A survey on intelligent routing protocols in wireless sensor networks
Kassahun et al. Efficient reinforcement learning through Evolutionary Acquisition of Neural Topologies.
CN109669957A (zh) 一种基于多蚁群遗传算法的分布式数据库查询优化方法
CN110989612A (zh) 一种基于蚁群算法的机器人路径规划方法及装置
Myers et al. Learning Bayesian networks from incomplete data using evolutionary algorithms
CN107483079B (zh) 低压电力载波通信的双种群遗传蚁群路由方法
CN113988464B (zh) 基于图神经网络的网络链路属性关系预测方法及设备
CN102521391B (zh) 交通路径搜索系统及方法
Upendran et al. Feature Selection based on Multicriteria Decision Making for Intrusion Detection System
CN109186619A (zh) 一种基于实时路况的智能导航算法
CN114167865B (zh) 一种基于对抗生成网络与蚁群算法的机器人路径规划方法
CN115391385A (zh) 一种基于蚁群遗传动态融合算法的数据库查询优化方法
Zangeneh et al. An energy-based clustering method for WSNs using artificial bee colony and genetic algorithm
CN111935010A (zh) 基于蚁群算法的网络路径优化探索方法
Agrawal et al. Ant colony optimization for group technology applications
Sathish et al. An artificial bee colony algorithm for efficient optimized data aggregation to agricultural IoT devices application
CN113778090A (zh) 基于蚁群优化和prm算法的移动机器人路径规划方法
CN112511445B (zh) 一种基于负载加权的最短路径路由生成方法
Shankar et al. Integrated cuckoo and monkey search algorithm for energy efficient clustering in wireless sensor networks
CN114743374A (zh) 基于图网络的多元交通流预测方法
Mahseur et al. Using bio-inspired approaches to improve the quality of service in a multicast routing
CN109451554B (zh) 一种无线网络路径优化方法及系统
Arun et al. A survey on network path identification using bio inspired algorithms
CN112148030A (zh) 一种基于启发式算法的水下滑翔机路径规划方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20190423

RJ01 Rejection of invention patent application after publication