组播路由问题论文-权文明

组播路由问题论文-权文明

导读:本文包含了组播路由问题论文开题报告文献综述及选题提纲参考文献,主要关键词:组播路由问题,组合优化,多目标优化,进化算法

组播路由问题论文文献综述

权文明[1](2018)在《基于多目标优化的组播路由问题研究》一文中研究指出互联网从诞生发展至现在,其用户规模及市场需求正在飞速增长,全球正处于一个信息爆炸的新时代。人们的日常生活中,各类多媒体应用随处可见,大流量、高带宽要求的多媒体业务丰富着人们生活的同时也对网络造成了巨大冲击,组播技术的出现正好满足了这类网络业务的需求。组播路由是实现组播的关键性科学问题,也是目前IP网络及未来网络体系结构中的重要研究课题。组播路由问题中的服务质量参数之间的矛盾性和关联性满足多目标优化问题的特性,本文对基于多目标优化的组播路由问题展开研究,提出了两种改进算法,解决了以平均端到端时延和平均包丢失率作为优化目标的组播路由问题,主要内容如下:1)基于支配关系的多目标进化算法框架,提出了一种基于信息素构图的多目标进化算法。该算法结合了蚁群优化和Jaya两种进化算法的优点,采用了以信息素为指导的构造图策略,加快了算法的收敛;通过以逼近最优解而远离最差解的方式,提出了一种基于Jaya算法的多目标学习策略,引入了Lévy随机扰动算子来增加解的多样性。通过实验仿真对比,该算法有效解决了带宽约束下最小平均时延和丢包率的多目标组播路由问题,且在该问题上表现明显优于NSGA-II算法和ENS-NDT算法。2)基于分解模型的多目标进化算法框架,提出了一种增强邻域搜索与精英反向学习的MOEA/D算法。该算法摒弃了原始MOEA/D算法中的子问题产生新解的策略,采用了一种增强邻域搜索策略,提高了算法的收敛性;将反向学习的思想引入到多目标进化算法中,利用精英个体的反向学习能力提高了解的多样性。通过实验仿真对比,可以看出本文提出的两种算法在解决带宽约束下最小平均时延和丢包率的多目标组播路由问题上较现有的4种多目标进化算法更为优秀,能够为决策者提供更加丰富且质量更优的备选解决方案。3)基于本文提出的两种多目标组播路由算法,设计了一种软件定义多目标组播路由方案,设计并实现了用于实时视频直播的软件定义网络组播服务系统。通过实验仿真可以看出,本文提出的软件定义多目标组播路由策略可以有效解决软件定义网络中的组播路由问题,并提供更加高效的组播服务。(本文来源于《西南交通大学》期刊2018-04-01)

宋富洪[2](2018)在《面向网络编码的组播路由优化问题研究》一文中研究指出随着云计算、大数据等信息技术的迅猛发展,以软件定义网络、移动互联等为代表的互联网技术的演进日新月异,人们对多媒体应用的需求急剧增加。组播技术正好能较好地支撑具有实时的、高带宽的多媒体业务。而传统路由采用“存储-转发”模式传输数据,不能保证达到组播的最大吞吐量。与传统模式传输数据不同,网络编码采用“编码-转发”模式来传输数据,不仅能保证组播获得理论最大吞吐量,而且在节约能耗、提高数据安全性等方面优势显着,具有重要的理论价值和巨大的应用潜力。然而,编码操作涉及复杂的数学运算,过多编码操作无疑会消耗大量的计算和存储资源,从而导致网络成本的增加。因此在保证组播数据速率的前提下,如何减少网络编码的操作次数来降低网络开销是一个极为重要的学术研究问题,该问题被称为网络编码资源优化问题(Network Coding Resource Minimization,NCRM)。另一方面,网络服务供应商希望最大化网络资源的利用率来节省成本,而负载均衡是衡量网络资源利用率的重要指标之一。在基于网络编码的组播通信过程中,在充分发挥网络编码优势的同时尽可能均衡网络负载,已成为网络领域的重要研究方向。该问题被称为网络编码组播负载均衡问题(Load Balancing in Network Coding Based Multicast,LBNCM)。与传统优化算法相比,进化算法全局搜索能力强、实现简单、鲁棒性高,被广泛应用于工程实践中,尤其在解决组合优化问题和NP-Hard问题上优势明显,因此本文采用进化算法来解决NCRM和LBNCM问题。具体实施为以下叁个方面:1)针对静态网络环境下的NCRM问题,本文提出一种改进型粒子群优化算法来解决。提出的贪婪初始化策略引导算法快速定位至可行解区域,采用路径重连局部搜索策略来进一步增强粒子群优化算法的局部搜索能力。实验表明,针对静态NCRM问题,本文提出的算法稳定性高、计算时间少以及能获得具有较少编码次数的组播子图。2)研究了动态网络环境下的NCRM问题,并采用一种多智能体进化算法来解决。MAEA中智能体之间信息的传递速度较快,当网络环境发生变化时,各个智能体间会迅速适应环境的变化。实验表明,与遗传算法、量子衍生进化算法、种群增量学习等算法相比,MAEA在网络环境变化之前能优化出较少的编码次数。3)针对LBNCM问题,本文提出了一种改进的人工蜂群算法来解决。该算法整合了叁种全新策略。引导型食物源初始化策略提供初始蜂群高蜜源量的食物源,基于蜜源库的侦查蜂选择策略用于进一步搜索高质量的解,概率分布模型搜索策略来增强种群多样性和避免早熟收敛。在12固定拓扑和12个随机生成的拓扑下的仿真实验表明,本文提出的算法能获得更小的适应度值,从而较好地均衡网络负载。(本文来源于《西南交通大学》期刊2018-04-01)

高永顺[3](2017)在《面向SDN网络的组播路由问题研究》一文中研究指出软件定义网络(Software Defined Networking,简称SDN)作为一种新型网络架构,弥补了传统网络的诸多缺陷,为网络创新提供了更多的机会。由于组播业务在传统网络里已比较成熟,SDN在革新传统网络过程中也有必要实现组播业务,以完善自身所能提供的网络服务。所以,如何设计和实现SDN架构下的组播服务成为了 SDN领域内亟待解决的主要问题之一。组播路由问题是提供组播服务所要解决的关键问题。在网络业务中,服务质量(Quality of Service,简称QoS)体现了网络服务所能满足用户需求的程度,通常网络业务的QoS要求会通过若干网络性质(如带宽、时延等)的阈值约束来体现,如何求解满足服务质量要求的QoS组播路由问题已成为当今学术界研究的前沿课题之一。目前人们多采用进化算法来求解QoS组播路由问题,包括蚁群优化(Ant Colony Optimization,简称ACO)算法。然而现有ACO算法存在着耗时过长、全局搜索能力不强等缺陷,为此本文提出了一种新型ACO算法来求解带宽、时延约束组播路由问题,该算法采用新型蚂蚁寻路规则和信息素更新策略,弥补了已有ACO算法耗时过长的缺点,使其局部搜索能力和全局搜索能力有了较大提升。本文自主生成了若干组播请求场景,用于模拟带宽、时延约束组播路由问题。组播请求场景的仿真实验表明,本文提出的新型ACO算法相较于已有ACO算法在算法运行时间性能上优势明显,求得问题解的质量更佳。但是,新型ACO算法耗时仍然较长,而果蝇优化(Fruit Fly Optimization,简称FFO)算法这种新兴进化算法具有参数少、实现简单、运行速度快等优点,正弥补了新型ACO算法的不足。本文首次将FFO算法应用于求解带宽、时延约束组播路由问题,采用了一种新型果蝇位置表述方式,以使算法能用于求解组播路由问题。算法采用了果蝇嗅觉随机搜索和视觉定位的新策略,以提升算法求解能力。通过仿真实验表明,本文采用的FFO算法相较于多种目前主流进化算法在算法运行时间、收敛速度和求解质量等性能指标上均有较大优势,证明了本文FFO算法性能的优越性。本文设计并实现了一套SDN网络QoS组播服务系统。该系统应用Mininet仿真工具、Ryu控制器和OpenFlow协议及技术标准,构建了组播组管理、拓扑管理、环路控制、QoS组播路由、请求调度等5大系统模块。系统实现了本文提出ACO算法和FFO算法,用于组播路由计算环节。仿真实验表明,本系统能在SDN网络中提供较完整的组播服务,对如何在SDN架构下提供组播服务提供了一定的参考价值。(本文来源于《西南交通大学》期刊2017-05-27)

曾宇恒,宋留静,白嘉豪[4](2015)在《蚁群算法行为属性的改进解决QoS组播路由优化问题》一文中研究指出利用蚁群算法解决约束Qo S组播路由方面存在一定局限。本文阐述了蚁群算法的不足,考虑Qo S实用性的基础上,浅析增加蚁群属性并结合QPSO思想的多行为蚁群算法,探讨信息素适量更新与变异蚁群算法的可行性。仿真结果显示出,改进算法在Qo S的多种路由中的有效性。(本文来源于《数字技术与应用》期刊2015年07期)

郭安东[5](2015)在《一种改进的并行蚁群算法及其在QoS组播路由优化问题中的应用》一文中研究指出随着如今网络的快速发展,互联网展现出越来越多的多媒体应用,因此对网络性能的要求越来越高。传统网络的那种“尽力而为”的传输方式已经逐渐无法满足如此高的对数据传输性能的需求。在这种条件下,服务质量(QoS)路由被业界提出并逐渐演化为互联网发展的核心技术之一。而互联网应用非常复杂,存在多种约束,在这样的前提下QOS路由问题成为了一种NP-Complete问题,这很难使用传统方法进行求解。蚁群算法又称作蚂蚁算法,是一种来源于自然生物界的群体智能的仿生优化算法,拥有自组织性、并行性和灵活性等特点。虽然相比其他智能算法出现较晚,但在求解复杂优化问题,特别是离散和多维动态优化问题显示了该算法的优势。本文首先介绍了QoS问题的基本概念,对其建立了数学模型,并给出了本文的求解策略。然后具体讲解了蚁群算法的基本原理和特点、流程、在参数设置方面的研究等。通过对国内外学者对蚁群算法进行改进的想法和操作的总结,提出了本文的全新的改进策略,以求更好地求解此类较为复杂的QoS路由优化问题。主要有以下几个方面:1.对蚁群算法采用了并行的思想,将蚁群分成两组独立子群分别进行寻优。2.对两组蚁群分别采用不同的信息素更新方式,保证在加快收敛速度以及防止陷入局部最优之间取得一个较好的平衡状态。3.使用了精英策略,间隔一段周期将最好蚂蚁的作为精英留下并给予奖励,以达到更好的优化效果。文中给出了改进后并行蚁群算法的算法流程和实现步骤,并首先将其用于TSP问题以验证其有效性,继而用于QoS问题中,通过随机生成Waxman-Salama模型网络拓扑实验并进一步验证了本文所改进的算法在QoS组播路由优化之中的性能和作用。结果表明,提出的算法能够有效的找出最优组播树,相比基本蚁群算法,各项指标达到的效果令人满意。通过本文的相关工作表明,本文所提算法应用于QoS组播路由优化问题是有效的,获得了较好的求解效果。同时本文所提算法也是一个通用的算法,可为其他的工程领域提供借鉴,具有一定的理论意义和应用价值。(本文来源于《大连海事大学》期刊2015-06-01)

王强[6](2014)在《组播路由算法中现存的问题》一文中研究指出提高网络传输效率,减少网络拥堵是Internet不变的追求。尽管组播技术已经提出多年,实际应用效果不能令人满意,不少的技术问题尚未解决。为此人们做了很多的努力,但情况依旧。(本文来源于《电脑知识与技术》期刊2014年20期)

孙奇伟[7](2013)在《数据中心网络中组播路由优化和可靠性问题的研究》一文中研究指出数据中心作为云计算的核心支撑部分,数据中心的性能直接决定了云计算服务的质量。数据中心网络作为数据中心中的通信桥梁,其负载正变得越来越重,并开始影响数据中心的性能。组播在数据中心中的扩展受到了越来越多人的关注。组播可以有效的降低数据中心中的网络负载,提高网络的性能。本文主要研究了数据中心网络中的组播路由优化问题和可靠性组播中的恢复节点和路径选取的问题。数据中心网络的架构方式主要有两种,一种是以交换机为核心,另一种以服务器为核心。其中以服务器为核心的架构中服务器也参与数据包的转发,如果服务器的负载压力很大,这时对数据包的接受和转发都会造成影响,比如增大数据包的发送时延,增大丢包率等。所以在生成组播树的时候,如果考虑到服务器的负载压力的状况,不仅可以使组播树更加健壮,同时也起到了调节数据中心服务器之间负载均衡的作用。本文提出了一种基于服务器节点负载和距离作为优化目标的新的组播树生成算法。该算法使用蚁群算法和遗传算法相结合的算法,将服务器负载和距离当做衡量适应值的参数,找出最符合条件的解作为有效结果。该算法尽量避免组播树的边经过负载过大的服务器节点,有效地降低了组播的时延并减小丢包的概率。传统可靠性组播的数据包恢复方法是通过组播树的原有路径来恢复。但针对数据中心网络中拥有丰富冗余链路的特点,现在提出的数据包恢复的方法都是一对一单播的方法。这样可以有效的避免通过组播树中原路径来进行数据包的恢复,不仅减小了原路径的负担,还增大了数据包恢复的成功率。本文提出了一种基于丢包节点和恢复节点位置优先级的一种恢复节点的选取算法。通过节点本身的位置确定该节点容易丢包的程度,让丢包概率越大的节点优先选择最佳的恢复节点,建立节点之间的一对一恢复关系。该算法增加了易丢包节点的数据包恢复能力,使各节点间的恢复压力平均,并且占用更少的链路资源。最后通过进行仿真实验,验证了两个算法的正确性和有效性。(本文来源于《哈尔滨工业大学》期刊2013-12-01)

赵雄蛟[8](2013)在《智能算法在多约束QoS组播路由问题中的应用研究》一文中研究指出多约束QoS组播路由问题是下一代网络发展亟须解决的一个关键问题。对其展开研究具有重要的应用价值和学术价值。多约束QoS组播路由问题被证明是一个NP难问题,所以传统的图论方法对其无能为力,研究启发式算法是一个较好的选择。近十几年来流行的智能算法由于其优秀的优化性能得到了广泛的应用。迄今为止,几乎所有的智能算法都已被应用于解决多约束QoS组播路由问题。尽管如此,现有的智能路由选择算法仍然有不足之处,如未成熟收敛,容易出现停滞现象,时间耗费过大,过于复杂等。本文针对现有智能算法在解决该问题上的不足展开研究,取得了一些成果,主要包括:①针对现有遗传算法应用于多约束QoS组播路由问题时存在收敛速度慢、容易陷入局部最优等不足,从种群初始化、交叉、变异操作叁个方面对遗传算法进行改进,提出一种改进的遗传算法求解多约束QoS组播路由问题,并采用8个节点的网络实例实验仿真,通过实验表明改进遗传算法的有效性。②为了克服现有萤火虫群算法应用于多约束QoS组播路由问题时存在时间耗费多、自适应性和鲁棒性不强等不足,从荧光素更新方式、动态决策域更新方式和邻居集合更新方式叁个方面改进,提出一种改进的萤火虫群优化算法求解该问题,并在8个节点的网络实例中进行测试,通过实验表明改进的萤火虫群算法的有效性。③采用一种改进的Salama算法生成规模较大的模拟测试网络,对本文提出的两种改进算法进行仿真测试,并与其它的智能算法进行比较,通过实验仿真表明本文提出的两种改进算法的优越性。(本文来源于《重庆大学》期刊2013-05-01)

马炫,刘庆[9](2013)在《多组播路由问题的粒子群优化算法》一文中研究指出具有带宽和时延约束的多组播路由优化问题比组播路由问题更加复杂.为了快速求得多组播路由问题的最优解,提出一种基于树结构演化的粒子群优化算法.粒子由以组播树为分量的向量构成,表示问题的一个可行解,粒子飞行通过树的演化实现.通过在粒子群的环状社会结构中引入粒子视觉半径提高粒子的邻域学习能力;采用树结构变异方法对粒子进行变异提高算法跳出局部解的可能性;根据不满足约束条件的状况对非可行解采取分别惩罚粒子和粒子分量的策略.在随机产生的具有26,50和100个节点的网络拓扑上进行了仿真实验,实验结果表明,提出的算法具有更好的求解质量和较快的收敛速度.(本文来源于《计算机研究与发展》期刊2013年02期)

杨晓敏,王春红,李萍[10](2012)在《基于蚁群算法的QoS组播路由问题研究》一文中研究指出提出一种基于蚁群算法的服务质量(QoS)多约束的组播路由算法,算法通过引入模拟退火思想和多行为蚂蚁,解决了常规蚁群算法搜索能力差,容易陷入局部最优的缺点。给出一个网络路由模型,给定相关参数进行仿真实验,实验结果表明,基于模拟退火思想的逆向蚂蚁算法性能优于常规蚁群算法,能更好地搜寻到全局最优解。(本文来源于《系统仿真技术》期刊2012年02期)

组播路由问题论文开题报告

(1)论文研究背景及目的

此处内容要求:

首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。

写法范例:

随着云计算、大数据等信息技术的迅猛发展,以软件定义网络、移动互联等为代表的互联网技术的演进日新月异,人们对多媒体应用的需求急剧增加。组播技术正好能较好地支撑具有实时的、高带宽的多媒体业务。而传统路由采用“存储-转发”模式传输数据,不能保证达到组播的最大吞吐量。与传统模式传输数据不同,网络编码采用“编码-转发”模式来传输数据,不仅能保证组播获得理论最大吞吐量,而且在节约能耗、提高数据安全性等方面优势显着,具有重要的理论价值和巨大的应用潜力。然而,编码操作涉及复杂的数学运算,过多编码操作无疑会消耗大量的计算和存储资源,从而导致网络成本的增加。因此在保证组播数据速率的前提下,如何减少网络编码的操作次数来降低网络开销是一个极为重要的学术研究问题,该问题被称为网络编码资源优化问题(Network Coding Resource Minimization,NCRM)。另一方面,网络服务供应商希望最大化网络资源的利用率来节省成本,而负载均衡是衡量网络资源利用率的重要指标之一。在基于网络编码的组播通信过程中,在充分发挥网络编码优势的同时尽可能均衡网络负载,已成为网络领域的重要研究方向。该问题被称为网络编码组播负载均衡问题(Load Balancing in Network Coding Based Multicast,LBNCM)。与传统优化算法相比,进化算法全局搜索能力强、实现简单、鲁棒性高,被广泛应用于工程实践中,尤其在解决组合优化问题和NP-Hard问题上优势明显,因此本文采用进化算法来解决NCRM和LBNCM问题。具体实施为以下叁个方面:1)针对静态网络环境下的NCRM问题,本文提出一种改进型粒子群优化算法来解决。提出的贪婪初始化策略引导算法快速定位至可行解区域,采用路径重连局部搜索策略来进一步增强粒子群优化算法的局部搜索能力。实验表明,针对静态NCRM问题,本文提出的算法稳定性高、计算时间少以及能获得具有较少编码次数的组播子图。2)研究了动态网络环境下的NCRM问题,并采用一种多智能体进化算法来解决。MAEA中智能体之间信息的传递速度较快,当网络环境发生变化时,各个智能体间会迅速适应环境的变化。实验表明,与遗传算法、量子衍生进化算法、种群增量学习等算法相比,MAEA在网络环境变化之前能优化出较少的编码次数。3)针对LBNCM问题,本文提出了一种改进的人工蜂群算法来解决。该算法整合了叁种全新策略。引导型食物源初始化策略提供初始蜂群高蜜源量的食物源,基于蜜源库的侦查蜂选择策略用于进一步搜索高质量的解,概率分布模型搜索策略来增强种群多样性和避免早熟收敛。在12固定拓扑和12个随机生成的拓扑下的仿真实验表明,本文提出的算法能获得更小的适应度值,从而较好地均衡网络负载。

(2)本文研究方法

调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。

观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。

实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。

文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。

实证研究法:依据现有的科学理论和实践的需要提出设计。

定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。

定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。

跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。

功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。

模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。

组播路由问题论文参考文献

[1].权文明.基于多目标优化的组播路由问题研究[D].西南交通大学.2018

[2].宋富洪.面向网络编码的组播路由优化问题研究[D].西南交通大学.2018

[3].高永顺.面向SDN网络的组播路由问题研究[D].西南交通大学.2017

[4].曾宇恒,宋留静,白嘉豪.蚁群算法行为属性的改进解决QoS组播路由优化问题[J].数字技术与应用.2015

[5].郭安东.一种改进的并行蚁群算法及其在QoS组播路由优化问题中的应用[D].大连海事大学.2015

[6].王强.组播路由算法中现存的问题[J].电脑知识与技术.2014

[7].孙奇伟.数据中心网络中组播路由优化和可靠性问题的研究[D].哈尔滨工业大学.2013

[8].赵雄蛟.智能算法在多约束QoS组播路由问题中的应用研究[D].重庆大学.2013

[9].马炫,刘庆.多组播路由问题的粒子群优化算法[J].计算机研究与发展.2013

[10].杨晓敏,王春红,李萍.基于蚁群算法的QoS组播路由问题研究[J].系统仿真技术.2012

标签:;  ;  ;  ;  

组播路由问题论文-权文明
下载Doc文档

猜你喜欢