没有合适的资源?快使用搜索试试~ 我知道了~
制作和主办:ElsevierEgyptian Informatics Journal(2012)13,111开罗大学埃及信息学杂志www.elsevier.com/locate/eijwww.sciencedirect.com原创文章基于阈值的路网动态交通路由蚁艾曼·M放大图片作者:Hesham A.赫夫尼*开罗大学统计研究所计算机和信息科学系,埃及收稿日期:2011年11月2日;修订日期:2012年5月6日;接受日期:2012年2012年6月12日在线提供摘要动态路径选择算法在道路交通路径选择中起着重要的作用,它可以避免交通拥挤,并引导车辆选择更好的路径。AntNet路由算法在数据通信网络中得到了广泛而成功的应用。然而,它的应用在道路网络的动态路由仍然是相当有限的。本文提出了一个修改版本的AntNet路由算法,称为“基于阈值的AntNet”,能够有效地利用动态交通路由的先验信息,特别是对于道路网络。该修改利用了大多数道路交通网络的实际和预先已知的信息,即来源和目的地之间的良好旅行时间。这些良好的行进时间的值被操纵为阈值。这种方法已被证明可以节省对良好路线的跟踪。根据问题的动态性质,该方法保证了Redis覆盖好路径的灵活性。达到给定源到目的地路线的阈值(良好报告的行进时间)允许更好地利用计算资源,这导致更好地适应网络变化。该算法引入了一种新型的蚂蚁,称为它有助于保护好的路线,更好的是,暴露和丢弃*对应 作者所有 联系地址: 部 的 计算机和信息科学。开罗大学统计研究所,5 Tharwat St. ORMAN GIZA,P.O. 12613,埃及。联系电话:+20 2 3351499/2 3351223;传真:+20 2 7482533。电 子 邮 件 地 址 : aymghazy@yahoo.com ( A.M. Ghazy ) ,Why2fatma@yahoo.com ( F.EL-Licy ),hehefny@ieee.org ( H.A.Hefny)。1110-8665© 2012计算机和信息学院,开罗大学。制作和主办Elsevier B.V.保留所有权利。开罗大学计算机和信息系负责同行审查。http://dx.doi.org/10.1016/j.eij.2012.05.002关键词群体智能;动态交通路由;蚂蚁网;前进蚁;后退蚁;检查蚁112 A.M. Ghazy等人退化的。阈值蚁网算法提出了一种新的路由信息更新策略,支持向后蚂蚁。©2012计算机和信息学院,开罗大学。由爱思唯尔公司制作和主持All rights reserved.1. 介绍基于动态数据寻找最佳路径的研究已经在文献中得到了广泛的研究。以往的方法都采用传统的技术,如Dijkstra算法,计算复杂度高在过去的十年中,基于种群的搜索方法,如遗传算法(GA)和人工免疫系统(AIS),被提出作为有效的并行搜索算法,可以成功地用于在动态网络上找到最短路径[1基于群体智能(SI)的技术也被研究作为在动态变化的网络中找到良好路由蚂蚁路由算法是一种最有前途的SI技术,以较低的计算成本找到接近最优的解决方案。AntNet是一种基于分布式代理的路由算法,灵感来自自然蚂蚁的行为[4]。已经表明,在不同的流量负载下,AntNet算法能够适应相关的变化。它比最短路径路由算法有更好的性能[5]。对AntNet算法进行了若干改进。Baran和Sosa[6]提出在网络中的每个节点初始化路由表。建议的初始化反映了关于网络拓扑的先前知识,而不是假设的均匀分布概率(如标准AntNet算法)[6]。Kassabalanet等人[7]已经表明,通过网络聚类自治系统和蚁群算法的结合使用,可以获得良好的路由解决方案。在[8]中引入了一种新型的帮助蚂蚁,以增加相邻节点之间的合作,从而减少AntNet算法Tekiner等人[9]提出了一种改进吞吐量和平均延迟的AntNet算法。此外,他们的算法利用蚂蚁/数据包比率来限制使用的蚂蚁数量[9]。Radwan等人[10]提出了一种适用于MANET(移动自组织网络)路由的具有阻塞扩展环搜索和本地重传技术的自适应AntNet协议蚂蚁路由算法的大部分研究工作和应用都是针对在数据通信网络中寻找最佳路由。然而,它的应用在道路网络的动态路由仍然是相当有限的。动态路由算法在道路交通路由中发挥着重要作用,以避免拥堵并将汽车引导到更好的路线。在[11]中应用了一种基于蚂蚁的控制(ABC)算法,用于通过一个城市在[12]中,已经提出了使用基于蚂蚁的路由的基于城市的停车路由系统(CBPRS)。在[13]中,提出了对基于蚂蚁的控制(ABC)和AntNet的修改,用于使用基于历史的交通信息来路由车辆驾驶员。在[14]中,一种版本的蚁网算法已被应用于改善道路交通网络上的旅行时间,具有将交通从拥堵路线转移的能力。在本文中,一个新的修改版本的AntNet算法提出了道路交通网络的动态路由。一个预先知道的信息良好的旅行时间在不同节点之间的利用,以通过减少大量的计算来提高算法的性能。这增强了在给定网络中探索更多路线的灵活性,因此,快速覆盖道路状态的变化。该算法不仅加快了好路由的发现速度,而且还保存了好路由,利用一个软件代理(称为检查蚂蚁)来监视保存的好路由,从而发现和拒绝劣化路由。建议修订的主要益处为:减少了计算时间,提高了探索新路径的灵活性。保存发现的好路线,缩小搜索问题的大小,(在预定的时间内)并加速更多路线的探索。这将允许覆盖动态道路网络中的变化的快速循环。发现受损的好路线会强制快速恢复以获得更好的路线。采用传统AntNet评估所提出的改进算法的性能指标为:每个节点每个模拟周期的平均行驶时间所有节点在每个模拟分钟的平均行驶时间。为了本文的目的,在第2节中介绍了标准的Antnet算法。同时,第3节中给出了该算法的拟议修改版本。第四部分是仿真实验。第五部分是全文的结论。2. AntNet算法AntNet路由算法[4]利用两种类型的软件代理,即前向和后向蚂蚁。前向蚂蚁负责在从源节点移动到目的节点时收集关于网络状态的然而,一个向后的蚂蚁,是负责manip- ulating这些信息,以更新每个节点的路由表,同时从目的地节点向后移动到源节点。2.1. 数据结构蚂蚁通过它们同时在存储在每个网络节点的数据结构中读取和写入的信息进行通信。在N个节点的网络上,给定节点k的数据结构是两个表Tk和Mk,分别表示路由表和本地流量表[4],如图1所示。T k中的每一行对应于网络中的一个目的地,而每一列对应于节点k的一个邻居。 对于每个目的地d和每个相邻节点n,●●●●●当地交通统计zX邻居节点网络节点(k)网络节点y=路由表DD2Dd ddd dD基于阈值的AntNet算法用于道路网络的动态交通路由11312N图1网络节点k及其路由表(Tk)和本地流量表(Mk)。当目的地是d时,选择n作为下一个节点的概率pnd存储在Tk中,使得:在来自节点j的节点k处,所访问的节点k的标识符和到达k所需的行进时间为:XPnd 1/4;n2Nkð1Þ来自j的元素被推入存储器堆栈Ssd。3. 在每个被访问节点k处,下一个节点从其中d2[1,N]和Nk={neighbors(k)}。本地交通表Mk存储关于节点k对应的道路网络的统计信息。表的第J列保存关于从节点k出发到达目的地节点j的所有 向 前 蚂 蚁 所 消 耗 的 行 进 时 间 的 统 计 信 息 。 它 以Mk<$ld;r2;Wd<$的形式表示,其中:ld是平均行驶时间,计算公式为:ld←ldgtkd-ld2r2是行程时间的方差,计算公式为:r2←r2gtkd-l2-r23其中,Tkd是当前前向蚂蚁观察到的行程时间(从节点k到目的地d的启动)。g(0,1],加权将影响Ld和R2的最近样本的数量。Wd大小为Wmax的移动观察窗口,用于节省从节点k发射到节点d的最后Wmax蚂蚁的行程时间。Wd用于找到最佳行程时间tbestd。g与Wmax的关系如下:W max¼ 5 c=g;其中c14<2.2. AntNet算法AntNet算法可以描述如下[4]:1. 以规则的间隔,选择随机目的地d,并且发射前向蚂蚁Fsd。2. 当Fsd向目的地d行进时,它保持关于其路径的记忆当一只蚂蚁到来时根据概率Pnd,未被访问的邻居。如果所有相邻节点之前都已被访问过,则在所有邻居中选择下一个节点。4. 如果检测到循环,即如果蚂蚁被迫返回到已经访问过的节点,则从蚂蚁的堆栈中弹出循环5. 当到达目的地节点d时,生成后向蚂蚁Bds,并且前向蚂蚁在将其包含在堆栈Ssd中的存储器转移到后向蚂蚁之后死亡。6. 向后的蚂蚁与相应的向前的蚂蚁在同一条路径上走相反的方向。在每个节点k处,反向蚂蚁弹出堆栈Ssd以知道下一个节点。7. 当到达来自邻居节点h的节点k时,后向蚂蚁更新路由表Tk和本地流量表Mk两者,以用于对应于目的地节点d的所有条目。还对与每个节点对应的条目k02Ssd,k0nd,在Fsd之后的超级路径上,当经过的跳闸时间小于l+I(l,r),其中I(l,r)是l的置信区间的估计。8. 使用公式(2)和(3)更新模型Mk的均值ld和方差r2。路由表Tk更新如下:概率Phd0随加强值的增加而增加r为:Phd0←Phd0r1-Phd05网络节点2表2发射的蚂蚁数量和平均旅行时间。算法平均值蚂蚁数量蚂蚁网络Modified AntNet改善百分比(%)平均值±标准差。1667± 691865± 16311.88平均旅行时间34.50± 1.8233.42± 1.873.13114上午Ghazy等人而其他邻居Pnd0 被负强化降低为:Pnd0←Pnd0-rPnd0;n其中h是前向蚂蚁选择的路径中k的下一个节点,d0是目的地或子路径目的地,N k是节点k的邻居集合。向前蚂蚁生成的每条路径都得到一个正强化,r2(0,1)r¼c1最佳d=tkd最 佳c2最佳d=最佳d最佳dkd-tbestd其中t kd是所观察到的前向蚂蚁从节点k到目的地d的行程时间。t bestd是在观察窗口W d上向目的地d行进的前向蚂蚁所经历的最佳行程时间。系数C1和C2对等式中每个项的重要性进行(七)、C2是一个校正系数,Caro和Dorigo [4]观察到C2的典型上限,不超过0。35.tsup的值计算为:Tsuppldrd=p1-cjwmax8其中c是选定的置信水平。据观察,对于c[0.75,0.8]获得最佳结果。在(7)中计算的r的值最终通过挤压函数s(x)进行变换,该函数定义为:sx1=1expa=x;x2=0;1];a2R9r←sr = s110squash函数s(x)在更新路由表时稀释r3. 基于阈值的蚂蚁网络标准AntNet算法[4]的主要策略是通过启动蚂蚁在网络节点之间获取路由来搜索更好的路由。然而,即使在发现好的路线之后,算法也不会考虑它,而是寻找更好的路线。这不仅是合理的,而且对于高速数据通信网络也是必要的,在高速数据通信网络中,不同主机之间的最佳路由可能在几毫秒内改变。然而,道路交通状况的变化速度要慢得多。无论多么动态,它都能在相当长的一段时间内维持其湍流或拥塞状态。这一特性使得基于阈值的蚁网算法的思想更加成熟.这个想法是由规则构成的在时间t发现的好路由被假定为好的,直到被证明不是这样。可以估计或获得给定道路网络的节点之间的行驶时间的阈值这些阈值是网络节点之间的典型良好旅行时间因此,规则:在时间t + Dt,假设在时间t发现的好路线是好的,如果其行进时间由给定阈值限定。由于道路交通网络状态的动态变化,需要定期检查路线假设图图2 16个节点的路网拓扑图在时间t+Dt,对在时间t发现的每个良好路由进行检查。未通过的检查会减损路线。Dt的值从几分钟到几小时不等,取决于网络的地理位置(受天气和道路类型影响)、一天中的时间(高峰交通时间,常规或夜间)、日历时间(假期、国家、宗教和社会事件)、管理和道路维护因素。在AntNet算法中利用这组规则减少了路由发现中涉及的大部分计算,从而更好地利用了计算能力。因此,允许在网络中发现和监控更多的路线,更好地与动态道路状态相平衡。这是激发基于身份的AntNet算法增强的策略。3.1. 阈值增强理论给定一个有n个节点的网络,p1,p2,. ,p n,源节点sp1和目的地节点sp d之间的良好路由Rsd被定义为路由{sp1,sp2,.. ,sp d}之间的行进时间,使得每个连续节点sp i和spi+1(i = 1,. 、 d-1),由相应的阈值限定●●表1改良的路由AntNet。表(Tk)利用 实施的PX1PY1PZ1T_良好1G1P. X2P. Y2P. Z2T. _Good2G. 2.....PXNPYNPZNT_良好NGN●······基于阈值的路网动态交通路由蚁网算法115价值观增强规则集成到原始AntNet如下:当发现好的路由Rsd时,算法执行以下操作:1. 为节点sp i(i= 1,. ,d)在路由表中,而不是计算普通的更新Eq. (五)、2. 停止搜索从sp i到sp d的另一条好路线。3. 事件后检查假定的良好路由的完整性预定时间段(Dt)为了应用这种增强,引入了一种新类型的蚂蚁,称为检查蚂蚁是软件代理,负责定期检查所发现的良好路线的行驶时间与相应的阈值。3.2. 拟议的数据结构所提出的用于实现阈值AntNet算法的数据结构是对标准AntNet的扩展,如图1所示。在给定的N个节点的网络中,为每个节点k保留两个表Tk和Mk。更重要的是,通过添加两列来扩大路由表Tk,如表1所示。第一列(T_Goodi)包含源节点之间的已利用良好旅行时间k和道路网络中的每个目的地节点i。因此,T_Good i(i=1 N)是用于行进时间的阈值。第二列(G)用作标记,以标记已发现良好路线的目的地。Gi的值间接区分要发射的蚂蚁的类型,如下所示:● (Gi=● (Gi=3.3. 阈值旅行时间在道路网络中,可以通过各种方式获得不同节点之间的良好行程时间,例如:1- 咨询交通道路专家。2- 利用道路网络中每个路段的最大可用速度信息,可以计算每个源和目的地之间的最短行程时间的路线。3- 运行经典的AntNet路由系统,无需预先假设任何源和任何目的地之间的良好旅行时间。换句话说,良好的旅行时间被认为是零值。在运行路由系统一段预定的时间后,由启动的蚂蚁找到的最佳路线与它们的良好旅行时间一起保存在每个考虑的节点处的各种路由表中。[1]这个过程也可以在一天中的几个时间间隔内进行。此外,它还可用于在关键和高峰交通日/季节提供真正准确的数据。1该方法用于第4节中的测试实验模拟。图3蚂蚁网和改进后的蚂蚁网的蚂蚁平均旅行时间的箱形图比较利用预先已知的良好行驶时间作为阈值,并结合定期检查所发现路线的策略,可实现以下益处:● 降低计算成本。● 保护发现的好路线。● 加速收敛的好路由发现。● 加速从受损路线的恢复3.4. 阈值蚁网算法用于动态道路交通网络的阈值AntNet算法的伪代码如下所示。2以粗体显示的代码行表示与标准AntNet算法相比的新修改。值得一提的是,标准的AntNet作为一种基于分布式代理的算法,可以在一个并行处理系统上实现在这种情况下,每个处理单元可以负责查找从一个或多个预先指定的节点到网络中所有其他节点的路由这是真的,当然,计算复杂性可以大大减少,在这种情况下,从O(n2)的顺序下降到O(n)。然而,这里的论点是,即使在并行处理环境中,新提出的算法仍然优于标准AntNet这是由于它能够快速收敛到好的路由解决方案,并保留好的发现。关于我们修改后的AntNet算法的更多讨论在[15]中给出。4. 实验设计并实现了一个仿真程序(可视化基础)来测试新的基于hold的AntNet算法,并将其性能与标准AntNet进行比较。所研究的网络有16个节点,具有图2所示的格型拓扑结构。该算法的目标是在一定的时间段内得到源节点1和网络节点之间的最佳路由R1j,j=216。2修改后的AntNet算法通过将所有路由表T k中的列T_Good中的值设置为零并将G列的所有值设置为“No”来恢复到标准AntNet。这样的设置不允许检查蚁下水。116上午Ghazy等人4.1. 仿真数据仿真数据是通过初始化一个From-To时间表。此时间表包含有关网络中每个节点与其邻居之间的传输时间(以分钟为单位)。实验模拟20 min,间隔5 min。每个相邻节点之间的行进时间(即, 对于图 中 所 示 的48个 链接中 的 每 一个, 2是,-基于阈值的AntNet算法用于道路网络的动态交通路由117图4蚂蚁每分钟的平均表3每分钟平均行驶时间。基于蚁网阈值的微小140.37± 5.5538.99± 6.08234.39± 3.9732.44± 5.07334.34± 4.6831.97± 5.98433.92± 3.9232.02± 5.65534.13± 4.0831.8±5.7636.02± 4.6033.86± 4.99733.56± 4.6332.87± 5.72833.46± 4.2832± 5.53934.31± 4.4932.22± 6.141033.15± 5.1032.32± 6.141135.67± 4.1635.31± 4.851234.27± 3.7233.76± 5.21333.57± 4.0533.28± 5.461435.11± 4.0933.64± 5.741535.24± 4.3633.38± 5.691635.39± 3.8332.35± 3.661734.24± 3.5031.11± 4.161833.03± 2.9830.29± 4.041932.95± 3.4430.1± 4.542032.78± 3.4329.93± 4.19平均值±标准差。在3到15分钟的范围内随机生成。这些随机生成的值在假定的5分钟间隔内不变。然而,在每个时间间隔结束时,随机生成不同的旅行时间集,并将其重新分配给From-To时间表中的相应条目。因此,随机生成总共240个行程时间值,以模拟在实验的总时间内行程时间值的四次突然变化。节点k路由表Tk(表1中所示)的条目被初始化为从该节点到每个目的地节点的最小行进时间的值对于Tk中的每一行,这些最小值中的最小值被分配给T_Good条目。Tk的最后一列预设为值得回顾的是,如第3.3节所述,最小行程时间值是从使用标准AntNet算法的先前实验中获得的。4.2. 仿真过程对标准蚁群算法和基于蚁群的蚁群算法进行了仿真实验,以评估和比较两种算法的性能。欣赏他们的表演。向前或检查蚂蚁,连续地,从源节点1发射到网络中的某个任意节点。对于每一个被发射的蚂蚁,算法计算到达某个目的地节点的旅行时间。不久之后,另一个蚂蚁从源节点1发射到另一个任意节点(其可以是先前访问过的节点)。计算发射的蚂蚁之间经过的时间(以模拟秒为单位)。在一个60秒的运行模拟过程中,蚂蚁的旅行时间(从节点1)到每个目的地节点的平均值,以及蚂蚁的旅行时间到所有网络节点的计算。在20分钟的模拟之后,计算发射的蚂蚁的总数和到达每个目的地节点的总平均行进时间用40组不同的随机数据重复该实验,每组数据用于执行两种算法。实验在同一平台上进行,采用2.2GHz IntelCore2duo处理器和2GB RAM内存。4.3. 实验结果对实验结果的分析表明以下观察结果:1- 如表2所示,修改后的AntNet算法允许发射的蚂蚁数量增加11.88%,平均旅行时间减少3.13%。图3显示了每种算法的蚂蚁整体平均旅行时间的箱形图比较2- 在每个模拟分钟,修改后的AntNet到所有网络节点的平均旅行时间小于标准AntNet的情况,如图4和表3所示。使用箱形图进行的详细统计比较如图5(前10 min)和图6(后10 min)所示。3- 在整个模拟期间,修改后的AntNet到每个网络节点的平均旅行时间图 图8和图9示出了到每个节点的行进时间的箱形图统计比较。4.4. 统计分析利用相关t检验来确保AntNet算法所实现的增强的显著性。设计了正向的单侧t检验,并将其应用于标准AntNet与改进算法之间的关联。使用正向的单侧t检验。在我们的实验中,自由度(df)等于39,那么在临界水平(a)为0.05时,表中的t值为tcrit= +1.68。因此,当计算的t值大于或等于1.68时,可以拒绝假设,这意味着所提出的算法比标准AntNet算法有了对表2-4中所示的数据应用声明的t其结果表明,基于身份的AntNet算法提供:1- 与标准相比,模拟期间的平均旅行时间显著缩短118A.M. Ghazy等人图图5 AntNet和修改后的AntNet在1分钟到10分钟内的旅行时间的箱形图比较图图6 AntNet和修改后的AntNet在11分钟到20分钟之间的旅行时间的箱形图比较蚂蚁网。发现计算的t值为12.62,比+1.68高得多,确实表明一个显著的性能提升。2- 如表5所示,在60%的模拟时间内,每分钟的平均行驶时间显著增加。它显示了20分钟模拟中12分钟(以红色显示)的平均旅行时间显著减少3- 80%的网络节点的性能显著增强,如表6所示。它显示了15个访问节点中的12个节点(以红色显示5. 结论在本文中,一个基于身份证的版本的AntNet算法被提出作为一个有前途的方法,应用于道路网络的动态交通路由。该算法充分利用了道路网络中各点间利用预先已知的良好的旅行时间作为阈值,结合定期检查发现的路线的策略,不仅加速了良好的路线发现的收敛,而且还加速了从减损路线的恢复。基于阈值的AntNet算法用于道路网络的动态交通路由119表4 每个节点的平均旅行时间基于节点阈值的蚁网2 12.39± 2.46 11.76± 2.643 28.56± 3.67 25.36± 4.034 42.97± 5.07 39.88± 4.245 12± 2.44 11.81± 2.596 19.6± 2.48 19.05± 2.247 32.31± 3.78 30.12± 2.968 44.72± 3.66 42.31± 3.749 23.82± 3.66 22.73± 3.7210 29.21± 2.57 27.77± 2.5911 41.53± 2.57 38.94± 2.5912 50.33± 3.09 48.9± 3.7813 37.84± 4.03 35.43± 4.3314 40.47± 3.36 37.61± 3.8415 46.18± 3.09 44.78± 3.261655.85± 3.0353.55± 3.00平均值±标准差。图7在模拟期间从节点1到所有其他节点的平均行驶时间。在理论上,阈值算法的性能为一个给定的网络的n个节点计算在最坏的情况下O(n2)。然而,发现路由的处理时间显著减少,变成一个常数,仅取决于给定路由中的节点数量(因为它仅由检查蚂蚁监控)。这种行为一直持续到路线被减损。该算法的这种行为允许快速覆盖网络变化(更多的前向蚂蚁将遍历并发现剩余目的地的良好路线),因此,更好地与动态道路状态相平衡。标准AntNet算法适用于流量负载的相关变化。Dhillon和Mieghem[5]提出的最短路径路由算法表明,该算法具有比最短路径路由算法更好的性能。在此情况下,修改的有效性通过比较修改后的算法性能与标准Antnet的性能来衡量。通过设计的模拟实验进行了验证。实验结果表明,蚁群 的 平 均 行 进 时 间 减 少 了 3.13% , 蚂 蚁 数 量 增 加 了11.88%。甚至通过应用单侧t检验进一步验证这些结果。总的来说,它证明了基于身份证的AntNet算法所提供的增强的重要性。特别是,它在60%的模拟时间内验证了蚂蚁旅行时间的显著性能此外,t检验证实了80%的网络节点的增强性能的重要性,如表6所示。实验结果表明,该蚁网算法的效率优于标准蚁网算法.性能的改善突出体现在时间效率上,减少了计算时间。然而,平均旅行时间的减少,使得启动的蚂蚁数量显著增加,从而加速了对新的良好路线的搜索。所呈现的图图8 AntNet和修改后的AntNet的箱形图比较节点2-8的旅行时间上午120时Ghazy等人图图9节点9-16的AntNet和修改后的AntNet的旅行时间的箱形图比较-0.85表6各节点的相关t节点2345678910111213141516计算的t值2.398.683.711.581.632.421.622.662.753.361.743.633.812.731.77修改,允许算法保留发现的好路由,并迅速收敛到好路由。受启发的代理,引用[1] 作者:Kozuka H.基于元胞自动机的汽车导航遗传算法动态路径诱导评价。In:IEEE intelligent vehicle symposium,17-21June 2002,vol. 1.第178- 183页。[2] 杨丽,林军,王丹,贾丽.基于人工免疫系统的动态路径诱导。控制理论应用杂志2007;5(4):385-90.[3] 哈米德一种遗传算法,用于寻找网络中的k条最短埃及通报J 2010;11:75[4] Di Caro G,Dorigo M. AntNet:通信网络的分布式统计控制。J Artificial Intell Res(JAIR)1998;9:317-65.[5] Dhillon SS,Van Mieghem P. AntNet算法的性能分析。计算机网络2007;51:2104[6] 巴兰B,索萨河基于移动代理的数据网络AntNet路由算法。Inteligencia Arti ficial,Revista Ibero-americana de InteligenciaArti ficial 2001;12:75[7] Kassabaldani I,El-Sharkawi MA,Marks RJ,Arabshahi P,Gray AA. Adaptive-SDR:基于自适应群的分布式路由。在:神经网络国际联合会议,檀香山(HI),卷。1; 2002,p.351-4[8] 放 大图 片 作者 :J. 帮 助蚂 蚁 实现 自 适应 网 络路 由 。 JFranklin Inst 2006;343:389[9] Tekiner F,Ghassemlooy FZ,Al-khayatt S. AntNet路由算法改进 版 。 In : Proceedings of the international symposium oncommunication systems networks and digital signal processing(CSNDSP),Newcastle(UK),July 2004. p. 22比6表5每分钟相关t分钟t值分钟t值分钟t值分钟t值12.363.83110.94163.34233.52.0478-0.291.5612130.8017185.303.8241.8992.16141.60194.7752.86100.48150.73203.04基于阈值的AntNet算法用于道路网络的动态交通路由121[10] 放大图片作者:Radwan A,Mahmoud T,Houssein E. AntNet-RSLR:一种用于移动自组网的蚂蚁路由协议。在:第一届沙特国际电子,通信和电子会议(SIECPC'11)的会议记录,2011年4月23日至26日。第1-6页。[11] Kroon R,Rothkrantz LJM.使用ABC算法的动态车辆路径。In : Transportationandtelecommunicationinthe3rdmillennium,Prague,2003. pp. 26比7[12] 放大图片作者:JohnM. CBP RS:基于城市的停车和路线系统。技术报告ERS-2008-029-LIS,Erasmus管理研究所,ERIM,鹿特丹大学; 2008年。[13] 苏生使用基于蚂蚁的控制的动态路由。硕士论文,电气工程,数学和计算机科学学院,代尔夫特理工大学; 2010。[14] Tatomir B,Rothkrantz LJM.使用基于Ant的控制的动态流量路由。于:2004年10月,IEEE系统、人与控制论国际会议(SMC 2004),讨论新兴控制论和人机系统的影响。p. 3970-3975.[15] 加齐河基于蚂蚁控制算法的动态路由增强。开罗大学统计研究所硕士论文,2011年。
下载后可阅读完整内容,剩余1页未读,立即下载
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://profile-avatar.csdnimg.cn/default.jpg!1)
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
我的内容管理 收起
我的资源 快来上传第一个资源
我的收益
登录查看自己的收益我的积分 登录查看自己的积分
我的C币 登录后查看C币余额
我的收藏
我的下载
下载帮助
![](https://csdnimg.cn/release/wenkucmsfe/public/img/voice.245cc511.png)
会员权益专享
最新资源
- BSC绩效考核指标汇总 (2).docx
- BSC资料.pdf
- BSC绩效考核指标汇总 (3).pdf
- C5000W常见问题解决方案.docx
- BSC概念 (2).pdf
- ESP8266智能家居.docx
- ESP8266智能家居.pdf
- BSC概念 HR猫猫.docx
- C5000W常见问题解决方案.pdf
- BSC模板:关键绩效指标示例(财务、客户、内部运营、学习成长四个方面).docx
- BSC概念.docx
- BSC模板:关键绩效指标示例(财务、客户、内部运营、学习成长四个方面).pdf
- BSC概念.pdf
- 各种智能算法的总结汇总.docx
- BSC概念 HR猫猫.pdf
- bsc概念hr猫猫.pdf
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035111.png)
安全验证
文档复制为VIP权益,开通VIP直接复制
![](https://csdnimg.cn/release/wenkucmsfe/public/img/green-success.6a4acb44.png)