基于环境感知的多路径路由算法

计算机应用 ›› 2013, Vol. 33 ›› Issue (10): 2750-2752.

基于环境感知的多路径路由算法

林沛,胡建军

甘肃联合大学电子信息工程学院，兰州 730000

收稿日期:2013-04-25 修回日期:2013-06-24 出版日期:2013-10-01 发布日期:2013-11-01
通讯作者: 林沛
作者简介:林沛(1983-)，男，甘肃武山人，讲师，硕士，CCF会员，主要研究方向：网络安全、网络规划与优化；胡建军（1971-），男，甘肃天水人，副教授，硕士，主要研究方向：计算机网络、信息处理。
基金资助:
甘肃省高等学校研究生导师科研项目;甘肃联合大学科研能力提升计划骨干项目

Environment-aware multiple-path routing algorithm

LIN Pei,HU Jianjun

School of Electronic and Information Engineering, University of Gansu Lianhe, Lanzhou Gansu 730000,China

Received:2013-04-25 Revised:2013-06-24 Online:2013-11-01 Published:2013-10-01
Contact: LIN Pei

摘要/Abstract

摘要： 认知网络能够提高网络端到端的性能，确保服务质量(QoS)要求。而目前普遍使用的路由算法不具备网络认知能力。针对这一问题，提出一种具有认知能力的负载均衡多路径路由算法，该算法结合了Q学习算法和蚁群算法各自的优点，通过蚁群算法完成路径的建立和维护，Q学习算法实现拥塞规避和负载均衡。使用OPNET仿真比较，表明该算法在时延、带宽利用方面均具有较好的性能。

关键词: 多路径路由, 认知网络, Q学习算法, 蚁群算法, 拥塞避免

Abstract: Cognitive network can improve the end-to-end performance of the network, and ensure QoS(Quality of Service) requirements. The existing routing algorithm does not have cognitive ability. To solve this problem, a multi-path routing algorithm of cognitiveload balancing was proposed, which combined the advantages of Q-learning algorithm and ant algorithm, to establish and maintain the route through ant algorithm, and to achieve congestion avoidance and load balancing by Q-learning algorithm. The simulation contrast with OPNET shows that the algorithm is valid and effective at controlling packet loss ratio, delay and bandwidth utilization.

Key words: multiple-path routing, cognitive networks, Q-learning algorithm, ant colony algorithm, congestion avoidance

中图分类号:

TP393

林沛胡建军. 基于环境感知的多路径路由算法[J]. 计算机应用, 2013, 33(10): 2750-2752.

LIN Pei HU Jianjun. Environment-aware multiple-path routing algorithm[J]. Journal of Computer Applications, 2013, 33(10): 2750-2752.

[1]	段宇君, 王耀力, 常青, 刘鑫. 改进型蚁群算法融合混沌优化的pSPIEL算法的无线传感器布局优化[J]. 计算机应用, 2020, 40(3): 793-798.
[2]	屈立成, 吕娇, 赵明, 王海飞, 屈艺华. 基于三维时空地图和运动分解的多机器人路径规划算法[J]. 计算机应用, 2020, 40(12): 3499-3507.
[3]	刘育良, 陈淮莉. 负载影响下纯电动汽车配送路径规划及充电策略[J]. 计算机应用, 2020, 40(10): 2831-2837.
[4]	李卓, 李引珍, 李文霞. 应急物资运输路径多目标优化模型及求解算法[J]. 计算机应用, 2019, 39(9): 2765-2771.
[5]	王东先, 孟学雷, 乔俊, 汤霖, 焦志臻. 基于改进蚁群算法的铁路乘务交路计划的编制[J]. 计算机应用, 2019, 39(9): 2749-2756.
[6]	郑延斌, 王林林, 席鹏雪, 樊文鑫, 韩梦云. 基于蚁群算法及博弈论的多Agent路径规划算法[J]. 计算机应用, 2019, 39(3): 681-687.
[7]	郭良敏, 朱莹, 孙丽萍. 障碍空间中基于并行蚁群算法的k近邻查询[J]. 计算机应用, 2019, 39(3): 790-795.
[8]	杨继东, 孙兆琦, 王飞龙. 基于视觉抓取的并联桁架机器人最优路径控制[J]. 计算机应用, 2019, 39(3): 913-917.
[9]	王东先, 孟学雷, 何国强, 孙慧萍, 王喜栋. 基于改进蚁群算法的铁路乘务排班计划编制[J]. 计算机应用, 2019, 39(12): 3678-3684.
[10]	魏亚茹, 朱瑾. 自动化码头双场桥调度与集装箱存储选位建模[J]. 计算机应用, 2018, 38(4): 1189-1194.
[11]	王超, 朱明, 王敏. 基于管制员认知负荷和改进蚁群算法的扇区动态通行能力评估[J]. 计算机应用, 2018, 38(1): 277-283.
[12]	马东亚, 李兆玉, 叶宗刚. 认知MIMO网络中增强型干扰对齐算法[J]. 计算机应用, 2017, 37(9): 2479-2483.
[13]	许凯波, 鲁海燕, 程毕芸, 黄洋. 求解TSP的改进信息素二次更新与局部优化蚁群算法[J]. 计算机应用, 2017, 37(6): 1686-1691.
[14]	鲍振华, 康宝生, 张雷, 张婧. 基于草图局部几何不变矩的图像检索方法[J]. 计算机应用, 2017, 37(6): 1753-1758.
[15]	梁本来, 杨忠明, 秦勇, 蔡昭权. 引入梯度下降的蚁群算法求解多约束服务质量路由[J]. 计算机应用, 2017, 37(3): 722-729.