CN114244774B - 一种基于群体智能的leo卫星网络拥塞规避组播路由方法 - Google Patents
一种基于群体智能的leo卫星网络拥塞规避组播路由方法 Download PDFInfo
- Publication number
- CN114244774B CN114244774B CN202210165978.8A CN202210165978A CN114244774B CN 114244774 B CN114244774 B CN 114244774B CN 202210165978 A CN202210165978 A CN 202210165978A CN 114244774 B CN114244774 B CN 114244774B
- Authority
- CN
- China
- Prior art keywords
- tree
- algorithm
- path
- congestion
- congestion avoidance
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims description 78
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 143
- 238000005457 optimization Methods 0.000 claims abstract description 40
- 230000002068 genetic effect Effects 0.000 claims abstract description 33
- 239000003016 pheromone Substances 0.000 claims abstract description 24
- 241000257303 Hymenoptera Species 0.000 claims description 56
- 230000008569 process Effects 0.000 claims description 45
- 210000000349 chromosome Anatomy 0.000 claims description 21
- 238000009826 distribution Methods 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 9
- 108090000623 proteins and genes Proteins 0.000 claims description 6
- 230000007547 defect Effects 0.000 abstract description 7
- 230000008901 benefit Effects 0.000 abstract description 6
- 238000004364 calculation method Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 22
- 230000006870 function Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 101000768061 Escherichia phage P1 Antirepressor protein 1 Proteins 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 101500000138 Escherichia phage P1 Antirepressor protein 2 Proteins 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000010353 genetic engineering Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/10—Flow control; Congestion control
- H04L47/12—Avoiding congestion; Recovering from congestion
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/14—Relay systems
- H04B7/15—Active relay systems
- H04B7/185—Space-based or airborne stations; Stations for satellite systems
- H04B7/18578—Satellite systems for providing broadband data service to individual earth stations
- H04B7/18584—Arrangements for data networking, i.e. for data packet routing, for congestion control
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/48—Routing tree calculation
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computing Systems (AREA)
- Physics & Mathematics (AREA)
- Astronomy & Astrophysics (AREA)
- Aviation & Aerospace Engineering (AREA)
- General Physics & Mathematics (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明涉及一种基于群体智能的LEO卫星网络拥塞规避组播路由算法，本发明提供的一种基于群体智能的LEO卫星网络拥塞规避组播路由算法，通过删除最小生成树与拥塞相交的边，将最小生成树转化为一组子树，将LEO卫星网络建模为直角网格拓扑的多跳网络，将拥塞规避的节省带宽最优的组播路由问题转化为拥塞规避的直角斯坦纳最小树问题；针对蚁群算法前期初始信息素的匮乏导致求解问题较慢的不足，考虑到遗传算法具有快速全局搜索能力的优势，本发明利用基于蚁群与遗传联合优化算法的拥塞规避直角斯坦纳最小树算法算法实现子树合并，可达到降低算法计算复杂度的同时降低拥塞规避直角斯坦纳最小树的树长，以实现拥塞规避和节省带宽最优的目标。
Description
技术领域
本发明涉及组播路由算法领域，尤其涉及一种基于群体智能的LEO卫星网络拥塞规避组播路由算法。
背景技术
LEO（Low Earth Orbit，低地球轨道）卫星网络能够以多个LEO卫星构建低轨卫星通信系统的方式来实现真正的全球无缝覆盖，兼具传输损耗小、通信时延短、抗毁能力强、终端小型化等突出特点，其具备的高带宽特性，使之成为组播业务的理想载体。研究卫星组播通信的关键技术之一是建立性能良好的组播树。为了传送多个组播，应该尽量减少对于网络带宽的消耗。然而LEO卫星网络中存在着网络拥塞等情况，网络拥塞将导致整个网络的性能下降。
现有的LEO组播路由算法往往将目标集中在最小化组播树的整体开销或传输时延方面。然而，全球范围内的网络流量并未均衡分布，发达国家相比发展中国家产生更高的网络流量，因此，LEO卫星网络中用户分布不均以及太空环境中不确定的空间干扰因素会使得卫星之间的通信链路出现部分链路不稳定的状况，导致网络拥塞的问题在卫星通信网络中难以避免。网络拥塞会对整个网络造成极大的危害，严重时将导致整个系统发生拥塞崩溃。但现有LEO组播路由算法通常忽略了网络拥塞的问题。如何实现网络拥塞规避来找到一条网络资源占用少的路径，从而满足视频聊天、应急通信等各种应用需求，是为全球提供可靠网络服务的关键。
发明内容
本发明针对现有技术中存在的技术问题，提供一种基于群体智能的LEO卫星网络拥塞规避组播路由算法，将LEO卫星网络建模为直角网格拓扑的多跳网络，将拥塞规避的节省带宽最优的组播路由问题转化为拥塞规避的直角斯坦纳最小树问题；针对蚁群算法前期初始信息素的匮乏导致求解问题较慢的不足，考虑到遗传算法具有快速全局搜索能力的优势，本发明提出了基于蚁群与遗传联合优化算法的拥塞规避直角斯坦纳最小树算法，以实现拥塞规避和节省带宽最优的目标。
根据本发明的第一方面，提供了一种基于群体智能的LEO卫星网络拥塞规避组播路由算法，包括：步骤1，将LEO卫星网络建模为直角网格拓扑的多跳网络，构建由所有组播组节点组成的最小生成树，删除所述最小生成树中与拥塞相交的边后生成各个子树；
步骤2，定义拥塞为平面上的矩形，组播组节点为平面上的点，基于所述组播组节点与所述拥塞的接触限制规则构建拥塞规避生成图；
步骤3，通过GA-ACO-SM算法将各个所述子树转化为拥塞规避斯坦纳最小树，包括：利用遗传算法搜索得到全局优化路径，将得到的所述全局优化路径传递给蚁群算法，确定所述蚁群算法初期的信息素浓度分布，在所述拥塞规避生成图上利用所述蚁群算法进行寻路和优化，找到连接各个所述子树的最优路径后进行各个所述子树的合并，生成所述拥塞规避斯坦纳最小树。
在上述技术方案的基础上，本发明还可以作出如下改进。
可选的，所述步骤1中构建所述最小生成树的过程包括：构建由所有所述组播组节点组成的完整加权图，基于Prim算法生成所述最小生成树。
可选的，所述组播组节点与拥塞的接触限制规则包括：
任意两个拥塞不能相互重叠；
所述组播组节点不能位于任意所述拥塞的边界线的内部；
所述拥塞规避直角斯坦纳最小树中的任何一条边均不能与任意所述拥塞相交。
可选的，所述遗传算法的编码方式为基于路径表示的编码方式，用基因表示一棵子树到其他子树的一条路径；生成备选路径集合的过程包括：用任意一棵子树到其他子树的各条路径生成所述备选路径集。
可选的，所述遗传算法的适应度函数定义为路径长度的倒数；在计算路径T长度时，将环路中的最长路径去除后，将剩余连通路径设为T'，将T'总长度作为该染色体方案的代价。
可选的，所述遗传算法的遗传操作包括：
选取适应度最高的上一代父代染色体，按照适应度从高到低依次和另一条父代染色体匹配，直到存在相同起始子树和目的子树且包含交叉点的基因；父代染色体出现多个重合节点时，使用父代染色体的第一个重合的节点进行操作；在每一次的交叉过程中，检测子代的路径中是否存在环路的情况，并且进行解环。
可选的，利用所述蚁群算法进行寻路和优化的过程包括：
步骤311，在每棵子树上分别放置一只蚂蚁，使用PlaceAnt算法计算每只蚂蚁的初始位置和初始禁忌表所包含的顶点；
步骤312，进行m群蚂蚁寻路；蚂蚁寻路过程中，通过AntMove算法解决蚂蚁进入死路，通过DetermineAntPath算法确定所有蚂蚁走过的路径；记录并更新每群蚂蚁寻路的最优路径；随机选一只蚂蚁选择下一节点并修改禁忌表；判断是否与其他蚂蚁或其他蚂蚁所在子树相遇，是则执行步骤313；否则重新执行步骤312；
步骤313，判定当前蚂蚁死亡，并将该当前蚂蚁的禁忌表添加至另一只蚂蚁的禁忌表中，判断是否存在存活蚂蚁，是则重新执行步骤312；否则执行步骤314；
步骤314，判断m群蚂蚁是否均完成寻路，是则执行步骤315；否则重新执行步骤311；
步骤315，更新m群蚂蚁所走过路径的信息素浓度后，判断迭代是否结束，是则将历次迭代过程中的最短路径作为子树合并的所述最优路径，将子树与所述最优路径中的每条边相连实现子树合并；否则重新执行步骤311。
可选的，所述步骤3之后还包括：
步骤4，对所述拥塞规避斯坦纳最小树中的斜线边进行直线化得到初始拥塞规避直角斯坦纳最小树，对所述初始拥塞规避直角斯坦纳最小树进行去除冗余段的局部优化后，得到拥塞规避直角斯坦纳最小树。
可选的，对所述拥塞规避斯坦纳最小树中的斜线边进行直线化的过程包括：
选择度数为1的顶点
作为起点，使用广度优先搜索遍历整个所述拥塞规避斯坦
纳最小树；遍历搜索到所述拥塞规避斯坦纳最小树的斜线边时，使用垂直-水平的L形段或
水平-垂直的L形段来替换该斜线边，得到所述初始拥塞规避直角斯坦纳最小树；
使用L形段替换斜线边的过程中：
对于遍历搜索的第一条边
，所述边
既不是水平边也不是垂直边时，第一条遍历的边
任意选择垂直-水平L形段或水平-垂直L形段进行直线化；
对于后续遍历搜索的任意一条边
，
为
的各个相邻顶点，如果从顶点
连接到顶点
的L形段是水平-垂直的，使用垂直-水平L形段来直线化所述边
，否则使用水平-垂直L形段来直线化所述边
；如果所选的L形段与所述拥塞相交，选择另一条L形段。
可选的，对所述初始拥塞规避直角斯坦纳最小树进行去除冗余段的局部优化的过程包括：所述初始拥塞规避直角斯坦纳最小树中的一个顶点度数为2且不是组播组节点时，去除该顶点的U形连接冗余段。
本发明提供的一种基于群体智能的LEO卫星网络拥塞规避组播路由算法，通过删除最小生成树与拥塞相交的边，将最小生成树转化为一组子树，将LEO卫星网络建模为直角网格拓扑的多跳网络，将拥塞规避的节省带宽最优的组播路由问题转化为拥塞规避的直角斯坦纳最小树问题；针对蚁群算法前期初始信息素的匮乏导致求解问题较慢的不足，考虑到遗传算法具有快速全局搜索能力的优势，本发明利用基于蚁群与遗传联合优化算法的拥塞规避直角斯坦纳最小树算法算法实现子树合并，可达到降低算法计算复杂度的同时降低拥塞规避直角斯坦纳最小树的树长，以实现拥塞规避和节省带宽最优的目标；基于组播组节点与拥塞的接触限制规则构建拥塞规避生成图，通过将拥塞规避生成图中的一些边转化为直线（垂直和水平）边，可以得到任意两个顶点的一条直线最短路径，这个属性可以保证本发明在许多情况下都能构造最优解；遗传算法中设计了任意一棵子树到其他子树的备选路径集的生成算法，降低备选路径集生成方法的算法的复杂度；在随机的交叉策略的基础上，引入了最优适应度交叉的概念，同时也考虑将适应度最优的一对染色体作为父代来进行交叉，这样的方式可以加快种群的进化速度，更快得到最优的结果，该交叉操作考虑了个体的适应度问题，增加了算法在全局的优化搜索能力；蚁群算法过程中，提出了PlaceAnt确定每只蚂蚁的初始位置和初始禁忌表中包括哪些顶点，算法提出了AntMove算法和DetermineAntPath算法分别解决蚂蚁移动过程中进入“死路”以及如何确定所有蚂蚁走过的路径的问题；提出了一种贪婪算法来对拥塞规避斯坦纳最小树中的斜线边进行直线化，算法的核心思想在于在生成直线边时共享尽可能多的边，以使总树长更小；提出了一种局部优化算法，消除最小树中的U形连接，以进一步降低总树长。
附图说明
图1为本发明提供的一种基于群体智能的LEO卫星网络拥塞规避组播路由算法的流程图；
图2（a）为本发明实施例提供的两个节点构成的边的上L形段和下L形段的示意图；
图2（b）为本发明提供的障碍物相交的两个节点之间去除重叠后的路径的示意图；
图3为本发明实施例提供的一组子树的示意图;
图4（a）为本发明实施例提供的蚂蚁的初始位置的示意图;
图4（b）为本发明实施例提供的是蚂蚁走过的路径的示意图;
图5为本发明提供的一种GA-ACO-SM算法的实施例的流程图；
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
图1为本发明提供的一种基于群体智能的LEO卫星网络拥塞规避组播路由算法的流程图，如图1所示，该路由算法包括：
步骤1，将LEO卫星网络建模为直角网格拓扑的多跳网络，构建由所有组播组节点组成的最小生成树，删除最小生成树中与拥塞相交的边后生成各个子树。
如果一条边的上L形段和下L形段均与拥塞相交，则定义这条边为与拥塞相交的边。如图2（a）所示为本发明实施例提供的两个节点构成的边的上L形段和下L形段的示意图。图2（b）所示为本发明提供的障碍物相交的两个节点之间去除重叠后的路径的示意图。
图2（a）中两个网络节点构成的边
的上L形段和下L形段分别为
和
，可见
和
均与障碍物相交，因此我们需要移除边
，并选择一条路径长度较小的边互连
和
，如图2（b）所示。
步骤2，定义拥塞为xy平面上的矩形，组播组节点为xy平面上的点，基于组播组节点与拥塞的接触限制规则构建拥塞规避生成图。
步骤3，通过GA-ACO-SM（遗传与蚁群联合优化）算法将各个子树转化为拥塞规避斯坦纳最小树，包括：利用遗传算法搜索得到全局优化路径，将得到的全局优化路径传递给蚁群算法，确定蚁群算法初期的信息素浓度分布，在拥塞规避生成图上利用蚁群算法进行寻路和优化，找到连接各个子树的最优路径后进行各个子树的合并，生成拥塞规避斯坦纳最小树。
在星间直角网格网络中，树长最小（节省带宽最优）的组播路由树即为直角斯坦纳最小树。考虑到组播路由中存在网络拥塞的问题，本发明基于避障直角斯坦纳最小树算法的思想构造拥塞规避直角斯坦纳最小树。现有的避障直角斯坦纳最小树启发式算法可以分为三类：基于迷宫路由的方法、基于连接图的方法和顺序方法。基于迷宫路由的方法在运行时间和内存方面效率低下。基于连接图的方法不仅在有效性和效率之间存在一种折衷，而且算法设计复杂，当应用到卫星网络时，需要的算法改进较大。顺序方法简单、高效，在工业上得到广泛应用。该方法通常由两个步骤组成，步骤1为构建一棵树，它通常是最小生成树或不考虑障碍的斯坦纳最小树。步骤2则是将树与障碍相交的边替换为障碍周围的边，将树转换为避障直角斯坦纳最小树。
斯坦纳最小树问题是NP难度问题，即不能在多项式时间内求得问题的精确解。因而，对斯坦纳最小树问题的求解就显得愈加重要。一般而言，对于典型NP难度问题，使用穷举法、分支定界或动态规划等一些确定性的算法是无法确保在多项式时间内获得问题的精确解，即在最坏的情况下解决NP难度问题所需要的时间随问题规模的增大而呈指数级增长，而近似算法以相对较低的计算成本可获得问题近似解。
蚁群算法是模拟蚂蚁的觅食行为而引入的一种群体智能算法，在NP难度问题的求解中被广泛应用。蚁群算法通过单个蚁群组成的生物种群之间的合作来完成信息的传递，蚂蚁在寻路过程中会留下信息素，为后续的蚂蚁寻路提供指引，蚂蚁利用正反馈的原理实现从蚁穴到食物源的寻路过程。相比其他算法，蚁群算法相对比较成熟，但也存在收敛速度较慢、搜索过程中进入“死路”的缺陷，为了解决上述缺陷，本发明提出了全局信息素更新机制和应对蚂蚁陷入“死路”的优化策略。
考虑到蚁群算法的信息素浓度的设计和反馈，在算法的初期，由于缺乏合理的信息素浓度全局分布，导致蚁群算法前期的搜索速度很慢。而遗传算法与蚁群算法具有不同的收敛趋势，遗传算法具有很强的全局搜索能力，能够快速地找到较优的路径，在算法初期有较高的收敛速度，但没有利用反馈信息，当求解到一定程度时，算法具有大量的数据冗余，导致较低的后期搜索效率。而蚁群算法的收敛趋势则不同，由于初期信息素浓度的不合理分布，在初始阶段的搜索效率较低，当信息素增加到一定的值时，收敛速度明显增快。因此，本发明结合两者优点，在前期利用遗传算法搜索得到全局较优的路线，以确定蚁群算法初期的信息素浓度分布，在后期利用蚁群算法进行寻路和优化，利用蚁群算法并行性和正反馈性的特点快速得到整个问题的近似最优解，提高算法的总体优化性能和时间性能。
本发明提供的一种基于群体智能的LEO卫星网络拥塞规避组播路由算法，通过删除最小生成树与拥塞相交的边，将最小生成树转化为一组子树，将LEO卫星网络建模为直角网格拓扑的多跳网络，将拥塞规避的节省带宽最优的组播路由问题转化为拥塞规避的直角斯坦纳最小树问题；针对蚁群算法前期初始信息素的匮乏导致求解问题较慢的不足，考虑到遗传算法具有快速全局搜索能力的优势，本发明利用基于蚁群与遗传联合优化算法的拥塞规避直角斯坦纳最小树算法算法实现子树合并，可达到降低算法计算复杂度的同时降低拥塞规避直角斯坦纳最小树的树长，以实现拥塞规避和节省带宽最优的目标。
实施例1
本发明提供的实施例1为本发明提供的一种基于群体智能的LEO卫星网络拥塞规避组播路由算法的实施例，结合图1可知，该实施例包括：
步骤1，将LEO卫星网络建模为直角网格拓扑的多跳网络，构建由所有组播组节点组成的最小生成树，删除最小生成树中与拥塞相交的边后生成各个子树。
在一种可能的实施例方式中，构建最小生成树的过程包括：构建由所有组播组节点组成的完整加权图，基于Prim算法生成最小生成树。
步骤2，定义拥塞为平面上的矩形，组播组节点为平面上的点，基于组播组节点与拥塞的接触限制规则构建拥塞规避生成图。
在一种可能的实施例方式中，组播组节点与拥塞的接触限制规则包括：
任意两个拥塞不能相互重叠，但两个拥塞可以在拥塞顶点处点触或在拥塞边界处线触。
组播组节点不能位于任意拥塞的边界线的内部，但可以位于拥塞的顶点或边界上。
拥塞规避直角斯坦纳最小树中的任何一条边均不能与任意拥塞相交，但树中的边可以与拥塞顶点点触或与拥塞边界线触。
生成图是指一定包含最小生成树的图，拥塞规避生成图是以避障生成图算法的思想进行构建的：定义m个拥塞形成的拥塞顶点坐标集合为C，定义起点和终点坐标集合为P，将起点和终点以及拥塞顶点相互连接，去除直接从拥塞内部穿过的连线，形成P∪C无向连通图。拥塞规避生成图可确保组播组节点集与障碍顶点集中任意两个顶点的直线最短路径，即通过将拥塞规避生成图中的一些边转化为直线（垂直和水平）边，可以得到任意两个顶点的一条直线最短路径。因此通过将拥塞规避生成图中的一些边转化为直线（垂直和水平）边，可以得到任意两个顶点的一条直线最短路径，这个属性可以保证本发明在许多情况下都能构造最优解。
步骤3，通过GA-ACO-SM算法将各个子树转化为拥塞规避斯坦纳最小树，包括：利用遗传算法搜索得到全局优化路径，将得到的全局优化路径传递给蚁群算法，确定蚁群算法初期的信息素浓度分布，在拥塞规避生成图上利用蚁群算法进行寻路和优化，找到连接各个子树的最优路径后进行各个子树的合并，生成拥塞规避斯坦纳最小树。
GA-ACO-SM算法的实施例的流程图如图5所示，结合图5可知，该GA-ACO-SM算法主要分为遗传算法与蚁群算法两部分。在一种可能的实施例方式中，遗传算法的编码方式为基于路径表示的编码方式，用基因表示一棵子树到其他子树的一条路径；这种编码使得每条染色体代表连接所有子树的路径。
在一种可能的实施例方式中，步骤3中利用遗传算法搜索得到全局较优的路线，以确定蚁群算法初期的信息素浓度分布的过程包括：
步骤301，在种群初始化之前，首先需要生成备选路径集。
遗传算法中，生成备选路径集合的过程包括：用任意一棵子树到其他子树的各条路径生成备选路径集。
备选路径集生成的目的是产生多条将所有子树进行相连的最短路径，典型的备选路径集生成方法为利用Dijkstra算法或Floyd算法求解，但这两种算法的复杂度较高。借鉴蚁群算法的思想，本发明设计了任意一棵子树到其他子树的备选路径集的生成算法。
步骤302，生成初始种群。
步骤303，计算适应度值。适应度函数的值可以用来评价解的质量的好坏，反映某一条染色体的性能。
本发明提供的一种实施例中，将适应度函数定义为路径长度的倒数；在计算路径T长度时，先将环路中的最长路径去除，剩余连通路径设为T'，将T'总长度作为该染色体方案的代价。
步骤304，进行遗传操作，该遗传操作包括：选择操作、交叉操作和变异操作。
遗传操作包括：选取适应度最高的上一代父代染色体，按照适应度从高到低依次和另一条父代染色体匹配，直到能够满足交叉的条件，即存在相同起始子树和目的子树且包含交叉点的基因；在上述的交叉过程中，对于父代可能出现的多个重合节点的情况，直接使用父代染色体的第一个重合的节点进行操作；同时，产生的子代染色体，其包含的所有路径中，也可能形成环路，因此在每一次的交叉过程中，检测子代的路径中是否存在环路的情况，并且进行解环。
传统遗传算法中仅采用了随机的交叉策略，该策略的缺陷在于没有考虑父代染色体的适应度表现，可能无法同时选择到表现较优的两个父代染色体进行交叉，这将导致种群整体进化速度较慢。因此，本发明在随机的交叉策略的基础上，引入了最优适应度交叉的概念。其含义是，不是完全通过随机选择来产生双亲的方式，同时也考虑将适应度最优的一对染色体作为父代来进行交叉，这样的方式可以加快种群的进化速度，更快得到最优的结果。本发明设计的交叉操作考虑了个体的适应度问题，增加了算法在全局的优化搜索能力。
步骤305，判断是否达到设定的最大遗传代数后，是则将若干适合度较优的种群用于子树合并路径，否则重新执行步骤303。
通过遗传算法数次迭代达到群体适应度要求后，将得到的优化路径传递给蚁群算法，以此来合理初始化信息素浓度。
在一种可能的实施例方式中，步骤3中利用蚁群算法进行寻路和优化的过程包括：
步骤311，在每棵子树上分别放置一只蚂蚁，使用PlaceAnt算法计算每只蚂蚁的初始位置和初始禁忌表所包含的顶点。
为了实现子树合并，本发明为每棵子树放置一只蚂蚁，放置的蚂蚁数与子树数一致。在应用蚁群优化算法之前，本发明需要解决两个问题。第一个问题是确定每只蚂蚁的初始位置，第二个问题是确定每只蚂蚁的初始禁忌表中应该包括哪些顶点，对应这两个问题，本发明提出了放置蚂蚁的过程的PlaceAnt算法。PlaceAnt算法中删除了MST中与拥塞相交的边，从而将MST划分为一组子树，因此我们利用这些删除的边来确定蚂蚁的位置。变量disconnectedNodes存储删除的边，变量node1和node2存储删除的边的两个端点，变量subtreeWithNode1存储node1所在子树上的所有的点，变量antPosition存储已放置蚂蚁的所有节点。如果node1所在子树上已经放置过蚂蚁，则不在该子树上放置蚂蚁，反之，则在该子树上放置蚂蚁。另一个端点node2也是同样的做法。在放置蚂蚁的同时，每只蚂蚁会将其初始位置存于其禁忌表中。
图3为本发明实施例提供的一组子树的示意图，图4（a）为本发明实施例提供的蚂蚁的初始位置的示意图,图4（a）为在图3提供的一组子树中放置蚂蚁的示意图。图3是从MST中删除与拥塞相交的边后的子树，
、
和
为3条删除边，图4（a）显示了应用PlaceAnt算法后蚂蚁的位置。初始时，每棵子树上都未放置蚂蚁。首先确定第一只蚂蚁ant1的位置，假设程序先遍历得到删除边
，其对应两个端点
和
，由于
所在子树上不存在蚂蚁，因此可以将第一只蚂蚁ant1放置在
处，而且
所在子树上也不存在蚂蚁，因此可以将第二只蚂蚁ant2放置在
处。此时程序继续遍历，如得到删除边
，其对应两个端点
和
，由于
所在子树上存在蚂蚁，因此不能在该子树上放置蚂蚁，而
所在子树上不存在蚂蚁，可以将第三只蚂蚁ant3放置在
处。第四只蚂蚁ant4执行相同的过程后将放置在
处。在放置蚂蚁的同时，每只蚂蚁会将其初始位置存于其禁忌表中,如ant1、ant2、ant3、ant4的禁忌表中分别存储点
、
、
和
。
步骤312，进行m群蚂蚁寻路；蚂蚁寻路过程中，通过AntMove算法解决蚂蚁进入死路，通过DetermineAntPath算法确定所有蚂蚁走过的路径；随机选一只蚂蚁根据公式（2.1）选择下一节点并修改禁忌表；判断是否与其他蚂蚁或其他蚂蚁所在子树相遇，是则执行步骤313；否则重新执行步骤312。
蚂蚁移动的过程的AntMove算法包括：如果蚂蚁当前无路可走，即与蚂蚁所在节点相邻的所有节点均在蚂蚁的禁忌表中，那么该蚂蚁进入了“死路”，将会停留在当前位置，不能对路径进行有效搜索。由于蚁群行为具有分布式的特点，当蚁群在完成搜索路径这一工作时，许多蚂蚁都在进行着同样的工作，其搜索最优路径的实现，并不会由于在这过程中舍弃了某些缺陷蚂蚁而受到影响。因此我们将直接舍弃进入“死路”的蚂蚁，具体做法是将当前这群蚂蚁的数量清零，从而可以结束当前这群蚂蚁的寻路，开始下一群蚂蚁的寻路。如果蚂蚁有路可走，即存在相邻节点不在蚂蚁的禁忌表中，那么蚂蚁根据各条路径上的信息素浓度以及路径的启发信息来移动到下一个节点，同时将这个节点加入至蚂蚁的禁忌表中。
确定蚂蚁路径的过程的DetermineAntPath算法包括：首先，通过所有蚂蚁的禁忌表得到所有蚂蚁相遇的位置，同时变量alivePath存储当前最后一只存活蚂蚁的禁忌表。然后，从后往前遍历删除alivePath中的点，直到与前面死去的某只蚂蚁的终点相遇。最后，返回alivePath，即为当前这群蚂蚁所走的路径。
图4（a）为本发明实施例提供的蚂蚁的初始位置的示意图，图4（b）为本发明实施例
提供的是蚂蚁走过的路径的示意图。图4（a）显示了ant1、ant2、ant3、ant4所在的子树，图4
（b）为ant1、ant2、ant3、ant4完成寻路后所走的路径。假设ant4是最后一只存活的蚂蚁，其
与ant3在
相遇，此时4棵子树已经全部连接，但相遇后ant4走过了一段无效的路径如图4
（b）红线所示。因此，需要找到ant4与其他蚂蚁相遇的点，并将ant4在这点后走过的路径删
除。去除无效路径后才是所有蚂蚁走过的有效路径，该路径可用于子树合并。
蚂蚁在寻路搜索过程中，根据每条路径上信息素浓度与启发信息来计算状态转移概率。在t时刻，位于节点i的蚂蚁k选择节点j的概率
为：
其中，
代表t时刻路径(i，j)上的信息素浓度，
代表路径(i，j)上的启发函数，
代表节点i与节点j之间的距离。
为信息启发因子，体现信息素在蚁群寻路过程中的相对重要程度。
为期望启发因子，体现启发信息在蚁群寻路过程中的相对重要程度。
代表蚂蚁k下一步可选择的节点位置，
代表节点i的相邻节点集合，当前蚂蚁所走过的节点将记录在禁忌表
中。
步骤313，判定当前蚂蚁死亡，并将该当前蚂蚁的禁忌表添加至另一只蚂蚁的禁忌表中，判断是否存在存活蚂蚁，是则重新执行步骤312；否则执行步骤314。
步骤314，记录并更新每群蚂蚁寻路的最优路径（bestPath）；判断m群蚂蚁是否均完成寻路，是则执行步骤315；否则重新执行步骤311。
在确定了每只蚂蚁的初始位置、初始禁忌表后，应用基于蚁群优化的算法来寻找拥塞规避斯坦纳最小树。在此过程中本发明需要解决两个问题，第一个问题是蚂蚁移动过程中进入“死路”如何解决，第二个问题是确定所有蚂蚁走过的路径。对应这两个问题，本发明分别提出了AntMove算法和DetermineAntPath算法。
步骤315，更新m群蚂蚁所走过路径的信息素浓度后，判断迭代是否结束，是则将历次迭代过程中的最短路径作为子树合并的最优路径，将子树与最优路径中的每条边相连实现子树合并，从而将子树转化为拥塞规避斯坦纳最小树；否则重新执行步骤311。
在一种可能的实施例方式中，步骤3之后还包括：
步骤4，对拥塞规避斯坦纳最小树中的斜线边进行直线化得到初始拥塞规避直角斯坦纳最小树，对初始拥塞规避直角斯坦纳最小树进行去除冗余段的局部优化后，得到拥塞规避直角斯坦纳最小树。
直线化可将拥塞规避斯坦纳最小树转化为初始拥塞规避直角斯坦纳最小树，的局部优化通过去除冗余段来进一步降低初始拥塞规避直角斯坦纳最小树的树长度，可得到最终的拥塞规避直角斯坦纳最小树。
在一种可能的实施例方式中，对拥塞规避斯坦纳最小树中的斜线边进行直线化的过程包括：
选择度数为1的顶点
作为起点，使用广度优先搜索遍历整个拥塞规避斯坦纳最
小树；遍历搜索到拥塞规避斯坦纳最小树的斜线边时，使用垂直-水平的L形段或水平-垂直
的L形段来替换该斜线边，得到初始拥塞规避直角斯坦纳最小树。
使用L形段替换斜线边的过程中：
对于遍历搜索的第一条边
，边
既不是水平边也不是垂直边时，第一条遍历的边
任意选择垂直-水平L形段或水平-垂直L形段进行直线化。
对于后续遍历搜索的任意一条边
，
为
的各个相邻顶点，如果从顶点
连接到顶点
的L形段是水平-垂直的，使用垂直-水平L形段来直线化边
，否则使用水平-垂直L形段来直线化边
；如果所选的L形段与拥塞相交，选择另一条L形段。
本发明提出了一种贪婪算法来对拥塞规避斯坦纳最小树中的斜线边进行直线化，
算法的核心思想在于在生成直线边时共享尽可能多的边，以使总树长更小。选择度数为1的
顶点
作为起点，并使用广度优先搜索（BFS）遍历整个拥塞规避斯坦纳最小树。一旦遍历
了树的斜线边，本发明将使用垂直-水平的L形段或水平-垂直的L形段来替换该边。对于两
个顶点
和
，从
到
的垂直-水平L形段由垂直线段和水平线段组成，水平-垂直L
形段由水平线段和垂直线段组成。如果考虑所有树边的L形段的所有可能组合，那将非常耗
时。因此，本发明尝试使用贪婪算法对每条斜线边进行直线化，以确定在替换每条边时更倾
向于使用哪一种L形段。在BFS开始时，当第一条遍历的边
既不是水平边也不是垂直
边时，第一条遍历的边
可以任意选择垂直-水平L形段或水平-垂直L形段进行直线
化。对于
的每个相邻顶点
，如果从
连接到
的L形段是水平-垂直的，那么本发明
尝试使用垂直-水平L形段来直线化边
，否则，将使用水平-垂直L形段。但是，如果所
选的L形段会与拥塞相交，那么本发明将选择另一条L形段。
在一种可能的实施例方式中，对初始拥塞规避直角斯坦纳最小树进行去除冗余段的局部优化的过程包括：初始拥塞规避直角斯坦纳最小树中的一个顶点度数为2且不是组播组节点时，去除该顶点的U形连接冗余段。
由于本发明在直线化过程使用了贪婪算法，可能存在一些“冗余段”，因此，本文提出了一种局部优化算法，消除初始拥塞规避直角斯坦纳最小树中的U形连接，以进一步降低总树长。如果初始拥塞规避直角斯坦纳最小树中的一个顶点度数为2且不是组播组节点，则称这个顶点满足优化规则，即可进行U形连接优化。
本发明实施例提出了一种基于群体智能的LEO卫星网络拥塞规避组播路由算法，
需要说明的是，在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其它实施例的相关描述。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和/或方框图来描述。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式计算机或者其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。
Claims (9)
1.一种基于群体智能的LEO卫星网络拥塞规避组播路由方法，其特征在于，所述路由方法包括：
步骤1，将LEO卫星网络建模为直角网格拓扑的多跳网络，构建由所有组播组节点组成的最小生成树，删除所述最小生成树中与拥塞相交的边后生成各个子树；
步骤2，定义拥塞为平面上的矩形，组播组节点为平面上的点，基于所述组播组节点与所述拥塞的接触限制规则构建拥塞规避生成图；
步骤3，通过遗传与蚁群联合优化算法将各个所述子树转化为拥塞规避斯坦纳最小树，包括：利用遗传算法搜索得到全局优化路径，将得到的所述全局优化路径传递给蚁群算法，确定所述蚁群算法初期的信息素浓度分布，在所述拥塞规避生成图上利用所述蚁群算法进行寻路和优化，找到连接各个所述子树的最优路径后进行各个所述子树的合并，生成所述拥塞规避斯坦纳最小树；
步骤4，对所述拥塞规避斯坦纳最小树中的斜线边进行直线化得到初始拥塞规避直角斯坦纳最小树，对所述初始拥塞规避直角斯坦纳最小树进行去除冗余段的局部优化后，得到拥塞规避直角斯坦纳最小树。
2.根据权利要求1所述的路由方法，其特征在于，所述步骤1中构建所述最小生成树的过程包括：构建由所有所述组播组节点组成的完整加权图，基于Prim算法生成所述最小生成树。
3.根据权利要求1所述的路由方法，其特征在于，所述组播组节点与拥塞的接触限制规则包括：
任意两个拥塞不能相互重叠；
所述组播组节点不能位于任意所述拥塞的边界线的内部；
所述拥塞规避直角斯坦纳最小树中的任何一条边均不能与任意所述拥塞相交。
4.根据权利要求1所述的路由方法，其特征在于，所述遗传算法的编码方式为基于路径表示的编码方式，用基因表示一棵子树到其他子树的一条路径；生成备选路径集合的过程包括：用任意一棵子树到其他子树的各条路径生成所述备选路径集。
5.根据权利要求1所述的路由方法，其特征在于，所述遗传算法的适应度函数定义为路径长度的倒数；在计算路径T长度时，将环路中的最长路径去除后，将剩余连通路径设为T'，将T'总长度作为染色体方案的代价。
6.根据权利要求1所述的路由方法，其特征在于，所述遗传算法的遗传操作包括：
选取适应度最高的上一代父代染色体，按照适应度从高到低依次和另一条父代染色体匹配，直到存在相同起始子树和目的子树且包含交叉点的基因；父代染色体出现多个重合节点时，使用父代染色体的第一个重合的节点进行操作；在每一次的交叉过程中，检测子代的路径中是否存在环路的情况，并且进行解环。
7.根据权利要求1所述的路由方法，其特征在于，利用所述蚁群算法进行寻路和优化的过程包括：
步骤311，在每棵子树上分别放置一只蚂蚁，使用PlaceAnt算法计算每只蚂蚁的初始位置和初始禁忌表所包含的顶点；
步骤312，进行m群蚂蚁寻路；蚂蚁寻路过程中，通过AntMove算法解决蚂蚁进入死路，通过DetermineAntPath算法确定所有蚂蚁走过的路径；记录并更新每群蚂蚁寻路的最优路径；随机选一只蚂蚁选择下一节点并修改禁忌表；判断是否与其他蚂蚁或其他蚂蚁所在子树相遇，是则执行步骤313；否则重新执行步骤312；
步骤313，判定当前蚂蚁死亡，并将该当前蚂蚁的禁忌表添加至另一只蚂蚁的禁忌表中，判断是否存在存活蚂蚁，是则重新执行步骤312；否则执行步骤314；
步骤314，判断m群蚂蚁是否均完成寻路，是则执行步骤315；否则重新执行步骤311；
步骤315，更新m群蚂蚁所走过路径的信息素浓度后，判断迭代是否结束，是则将历次迭代过程中的最短路径作为子树合并的所述最优路径，将子树与所述最优路径中的每条边相连实现子树合并；否则重新执行步骤311。
8.根据权利要求1所述的路由方法，其特征在于，对所述拥塞规避斯坦纳最小树中的斜线边进行直线化的过程包括：
选择度数为1的顶点
作为起点，使用广度优先搜索遍历整个所述拥塞规避斯坦纳最小树；遍历搜索到所述拥塞规避斯坦纳最小树的斜线边时，使用垂直-水平的L形段或水平-垂直的L形段来替换该斜线边，得到所述初始拥塞规避直角斯坦纳最小树；
使用L形段替换斜线边的过程中：
对于遍历搜索的第一条边
，所述边
既不是水平边也不是垂直边时，第一条遍历的边
任意选择垂直-水平L形段或水平-垂直L形段进行直线化；
对于后续遍历搜索的任意一条边
，
为
的各个相邻顶点，如果从顶点
连接到顶点
的L形段是水平-垂直的，使用垂直-水平L形段来直线化所述边
，否则使用水平-垂直L形段来直线化所述边
；如果所选的L形段与所述拥塞相交，选择另一条L形段。
9.根据权利要求1所述的路由方法，其特征在于，对所述初始拥塞规避直角斯坦纳最小树进行去除冗余段的局部优化的过程包括：所述初始拥塞规避直角斯坦纳最小树中的一个顶点度数为2且不是组播组节点时，去除该顶点的U形连接冗余段。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210165978.8A CN114244774B (zh) | 2022-02-23 | 2022-02-23 | 一种基于群体智能的leo卫星网络拥塞规避组播路由方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210165978.8A CN114244774B (zh) | 2022-02-23 | 2022-02-23 | 一种基于群体智能的leo卫星网络拥塞规避组播路由方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114244774A CN114244774A (zh) | 2022-03-25 |
| CN114244774B true CN114244774B (zh) | 2022-05-06 |
Family
ID=80748006
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210165978.8A Active CN114244774B (zh) | 2022-02-23 | 2022-02-23 | 一种基于群体智能的leo卫星网络拥塞规避组播路由方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114244774B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114900853B (zh) * | 2022-07-13 | 2022-11-04 | 武汉烽火凯卓科技有限公司 | 一种卫星网络组播重传方法及系统 |
| CN117915348A (zh) * | 2024-03-19 | 2024-04-19 | 成都流体动力创新中心 | 一种飞行器集群通信网络生成方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103930891A (zh) * | 2011-09-30 | 2014-07-16 | 甲骨文国际公司 | 利用已有预布线算法，使用直线斯坦纳最小树（rsmt）确定节点之间的线路长度的方法 |
| CN104185237A (zh) * | 2014-08-04 | 2014-12-03 | 西安电子科技大学 | 一种基于蚁群算法的鲁棒优化算法 |
| CN109945881A (zh) * | 2019-03-01 | 2019-06-28 | 北京航空航天大学 | 一种蚁群算法的移动机器人路径规划方法 |
| CN112042227A (zh) * | 2019-03-27 | 2020-12-04 | 联发科技（新加坡）私人有限公司 | 基于nr的leo-ntn中的基于广播和组的切换 |
| CN112333109A (zh) * | 2020-11-17 | 2021-02-05 | 重庆邮电大学 | 一种低轨卫星网络中基于蚁群优化的负载均衡路由方法 |
| CN113067625A (zh) * | 2021-03-17 | 2021-07-02 | 西安电子科技大学 | 基于区域划分的卫星网络多业务QoS选路方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110034817B (zh) * | 2019-04-29 | 2020-06-19 | 北京邮电大学 | 基于软件定义网络的低轨道卫星网络路由方法及装置 |
-
2022
- 2022-02-23 CN CN202210165978.8A patent/CN114244774B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103930891A (zh) * | 2011-09-30 | 2014-07-16 | 甲骨文国际公司 | 利用已有预布线算法，使用直线斯坦纳最小树（rsmt）确定节点之间的线路长度的方法 |
| CN104185237A (zh) * | 2014-08-04 | 2014-12-03 | 西安电子科技大学 | 一种基于蚁群算法的鲁棒优化算法 |
| CN109945881A (zh) * | 2019-03-01 | 2019-06-28 | 北京航空航天大学 | 一种蚁群算法的移动机器人路径规划方法 |
| CN112042227A (zh) * | 2019-03-27 | 2020-12-04 | 联发科技（新加坡）私人有限公司 | 基于nr的leo-ntn中的基于广播和组的切换 |
| CN112333109A (zh) * | 2020-11-17 | 2021-02-05 | 重庆邮电大学 | 一种低轨卫星网络中基于蚁群优化的负载均衡路由方法 |
| CN113067625A (zh) * | 2021-03-17 | 2021-07-02 | 西安电子科技大学 | 基于区域划分的卫星网络多业务QoS选路方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114244774A (zh) | 2022-03-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114244774B (zh) | 一种基于群体智能的leo卫星网络拥塞规避组播路由方法 | |
| Shah et al. | CAMONET: Moth-flame optimization (MFO) based clustering algorithm for VANETs | |
| Lin et al. | Multicast communication in multicomputer networks | |
| Botea et al. | Near optimal hierarchical path-finding. | |
| US11558259B2 (en) | System and method for generating and using physical roadmaps in network synthesis | |
| Wang et al. | A tree-based particle swarm optimization for multicast routing | |
| Dib et al. | Combining VNS with genetic algorithm to solve the one-to-one routing issue in road networks | |
| CN105430706A (zh) | 一种基于改进粒子群算法的无线传感网络路由优化方法 | |
| Du et al. | GAQ-EBkSP: a DRL-based urban traffic dynamic rerouting framework using fog-cloud architecture | |
| Collins et al. | Tell Me Where I Am So I Can Meet You Sooner: (Asynchronous Rendezvous with Location Information) | |
| Maniscalco et al. | Binary and m-ary encoding in applications of tree-based genetic algorithms for QoS routing | |
| Kottinger et al. | Introducing Delays in Multi Agent Path Finding | |
| EP3961472A2 (en) | System and method for generating connectivity models in network synthesis | |
| Dereniowski et al. | Rendezvous of heterogeneous mobile agents in edge-weighted networks | |
| Constantinescu et al. | Route encoding in evolutionary control systems for emergency vehicles | |
| Beccuti et al. | A new symbolic approach for network reliability analysis | |
| Sheu et al. | Multicast algorithms for hypercube multiprocessors | |
| Chunxin et al. | A hybrid scatter search algorithm for QoS multicast routing problem | |
| Sun et al. | Wireless sensor network path optimization based on hybrid algorithm | |
| Ornia et al. | Convergence of ant colony multi-agent swarms | |
| Charabaruk et al. | Dynamic robot path planning using improved max-min ant colony optimization | |
| Işık et al. | Field teams coordination for earthquake-damaged distribution system energization | |
| Harutyunyan et al. | Efficient multicast algorithms for mesh-connected multicomputers | |
| Kureichik et al. | Channel routing based on ant colony adaptive behavior model | |
| Ma et al. | Substation priority maintenance planning based on genetic ant colony algorithm |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |