求解QoS组播路由的生长竞争蚁群算法
基于蚁群算法的QOS组播路由问题研究
叼（ ， ＝ １ ｃ ｓ（ ，） ｉ） ／ ｏｔｉ Ｊ
（） １
（）： ｅ Ｅ∈Ｒ 费 用 函 数 ｃｓ（ ） Ｅ∈Ｒ ， ｏｔｅ ： 。那 么 存
在 如下 关 系 ：
式 中 ： （ Ｊ 为 信 息 素 浓 度 ； 为 信 息启 发 式 因 子 ， ｒｉ ）
表 示 轨迹 的 相 对 重 要 性 ； 为期 望启 发 式 因子 ， 表
法 ， 一 种 启 发 式 算 法 ， 于解 决 Ｎ 是 对 Ｐ—Ｃ 问题 具
有很强 优 势。本 文将 蚁 群算 法 用 于 多 约束 Ｑ Ｓ ｏ
随 着 网络 流 媒 体 技 术 的发 展 ，ｎｅｎｔ 经 从 Ｉｔ ｅ 已 ｒ 单 一 的数据 传 送 向 图像 、 音 、 频 等 多 媒 体 信 息 语 视
（ １一
ｓＥ ｌ ｗ（ ］［（川 ｒ ， 叼 ， ）
０， 否则
（ ２）
３ 基 于 蚁 群 优 化 的 Ｑ０ 组 播 路 由 Ｓ
（ ｎ—ｃ ｎ一１ 若 ∈ ａｌｗ ）， ｌ ｏ
算 法
３ １ 算 法 描 述 ．
传 统 蚁 群 算 法 利 用 蚂 蚁 留 下 的 信 息 素 搜 索 可行 解 。这 样 的 蚁 群 算 法 具 有 分 布 式 计 算 的 特 点 ， 以 避免 算 法 过 早 收 敛 。但 是 传 统 蚁 群 算 法 可 的缺点 是 ， 由于 利 用 的 是 局 部 最 优 解 ， 样 算 法 这 很 容 易 陷入 局 部 最 优 ， 系 统 出现停 滞 现 象 。 使 模 拟 退 火 算 法 的 特 点 是 在 搜 素 最 优 解 的 过
ｉ ｔ ｏ ａ ｏ ｔｍ ｕ ． Ｇｉ ｅ ａ ｅｗ ｏ ｋ ｏ ｔｎ ｍ ｏ ｅ ，ｇｉｅ ｔ ｅ ｅ ｅ ａ ｔ ａ ａ ｅｅ ｓ ｈ ｓｍ ｕ ａｉ ｎ ｎｏ ｌｃ ｌ ｐｉ ｍ ｖ ｎ ｎ ｔ ｒ ｒ ｕ ｉ ｇ ｄｌ ｖ ｎ ｈ ｒ ｌｖ ｎ ｐ ｒ ｍ ｔｒ ｔ ｅ ｉ ｌ ｔ ｏ
蚁群算法在QoS组播路由问题中的应用
蚁群算法在QoS组播路由问题中的应用
尹莹莹;孙亮
【期刊名称】《控制工程》
【年(卷),期】2006(0)S1
【摘要】研究了该算法在QoS组播路由问题中的应用,描述了QoS路由优化问题。
基于多个不相关可加度量的QoS路由问题是NP完全问题,目前采用的方法多为启发式算法。
由于蚁群算法是一种基于蚁群系统原理的、具有自组织能力的、新型的启发式优化算法,利用其能够寻找最短路径这一特性,提出了一种基于蚁群系统原理,用于解决时延和时延抖动约束问题的组播路由问题的QoS组播路由算法。
该算法改进了路径选择策略,优化了信息素更新公式。
仿真结果表明,该算法能够迅速、准
确地找到最优解。
【总页数】4页(P170-172)
【关键词】QoS组播路由;蚁群算法;时延;时延抖动
【作者】尹莹莹;孙亮
【作者单位】北京工业大学电控学院
【正文语种】中文
【中图分类】TP393.02
【相关文献】
1.改进的蚁群算法与网络QoS组播路由研究 [J], 王文国;樊丽娟;刘洋
2.一种新的混沌蚁群算法及其在QoS组播路由优化问题中的应用 [J], 孔笋;陈增
强
3.改进蚁群算法在QoS组播路由中的应用 [J], 孙倩;王新华;许经彩
4.改进人工鱼群算法及其在QoS组播路由问题中的应用 [J], 余高;何登旭;刘桂青
5.改进蚁群算法在QoS组播路由中的应用研究 [J], 魏勇;赵开新;张松青;王东署;孙新领
因版权原因，仅展示原文概要，查看原文内容请购买。
改进蚁群算法在QoS组播路由中的应用
Ｏ Ｓ网络 的拓扑 结构 由加权 图 Ｇ（ Ｅ 来表示 ， 中 ｏ Ｖ， ） 其
萎
Ｖ＝｛ Ｖ ， Ｖ ｝ 网络 节 点集 ， Ｅ ｅ，。… ， 是节 Ｖ ，。 …， 是 ＝｛ ｅ， ｅ ｝
点的双向链路集。 Ｅ【 为网络中边的数 目。设 Ｐ（ ， ） Ｓ ｉ 表 ｎ
示从 源节点 ｓ 目的节点 ｍ 的路 径 ，Ｔ（ ， 表示组 播树 。 至 Ｓ Ｍ）
（（Ｊ Ｉ ）＝ ＞ （（ ） ，∈Ｊ ’ ｛ Ｉ） ， １ Ｐ、 ， 』 ，
一
，
Ｐ（ ｓ
，、 （） ２
链 路带 宽 崩 ： 只，用来表 示链路 ｅ 的剩 余带宽 。 Ｅ 上
对 于任 意路 Ｐｓ１） （，Ｉ Ｔ ，定义 如下 ：
Ｂ（ Ｐ ．ｌ） ＝ ｍ ｉ Ｂ《 ７∈Ｊ， Ｉ１） ｎ ｃ）Ｖ７ ， ｒ 、
法 的缺 点 ，提 出 了一 种 双 向蚁 群算 法对 该 问题 进 行 求解 ，并 改 进 了蚁 群 算 法 的信 息素 更 新 策 略 。仿 真 实验 表 明 ，该 算 法 能快 速 搜 索并 收 敛 到 全局 （ 似 ） 最优 解 ，且 随 着 网络 规 模 的增 大 ，算 法保 持 了良好 的特 性 。 近 关 键 词 ：组播 路 由 ；双 向蚁 群 ；ＱＳ ｏ ；蚁 群 算 法
（ｏｇ ｆＩ ｏ ａ￣ ｃｎ＆ Ｅｇ ｅ ｉ ， Ｓ ｎｏ ｏ ａ ＵＮｒＺ， Ｊａ ． ａｄｎ ￣ ０ １ ．Ｃ：） Ｃ／ ｅｏ ｆ ｍ ｔｎＳ／ｃ ＠ｎｌｅｎ ｈ ｄｎ Ｎｒ ｌ ｎｅ ／ ／ ｅ ｎｒ ｌ ｅ ｈ ｒｇ ａ ｇ ｍ ｓｙ ｎｎ Ｓ ｎｏ ５ ０４ ／ａ ｈ ｇ ： ｈ
对于任 意路 径 Ｐｓｉ） （， ，定义 如下 ： ｎ
，（ （． ） ＞ Ｄ（ ＶＪ ， Ｐ ｓⅢ）＝ ． ，∈ ） Ｊ
改进的量子蚁群算法求解带约束QoS组播路由
Ｋｅ ｒ ｓ Ｑ Ａ； Ｑ Ｓｒｕ ｉｇ ｄ ｎ ｍｉ； ｓ ａｅ ｙ ｒｖ ｌｉｇｇ ｔ ｙｗｏ ｄ ： ＡＣ ｏ ｔ ； ｙ ａ ｃ ｔ ｔ ； ｅ ｏ ｎ ａｅ ｏ ｎ ｒ ｇ ｖ
０ 引 言
随 着 网络 规 模 的 不 断 扩 大 ， 业 务 也 在 快 速 增 长 ， 服 务 Ｉ Ｐ 且
ＺＵＯ ｉ ｇ ｌ ｎ ． ＹＵ ｉｌ ｎ Ｊ ｎ —ｏ ｇ Ｇｕ —ａ
（ ｏｌ ｅ ｆ ｏ ｐ ｔ ｄＥｅｔ ｎｃｅｈ ｏｏ ｙ Ｃ ｌ ｇ ｍ ｕｅ ａ ｌ ｒ ｉ Ｉｆｒ ｔ ｎ ｕｎ ｄ ｎ ｖ ｓｙ ｆ ｅ ｏ ｈｍｉ ｃｎ ｌｇ ， ｅ ｏＣ ｒｎ ｃｏ ｉ Ｕｎ ｅ ｉ Ｐ ｒ ａＴ Ｍａ ｍｉｇ ２ ０ ０ Ｃ ｉａ ｏ ｎ ５０ ， ｈｎ） ５
ｕ ｄ ｔ ｅ ｎ ｈｒｍｏ ｅ ｙ ｈ ｕ ｎ ｍ ｔ ｉｎｇｔ． Ｆ ｒ ｅ ｒ， ａ ｙ ａ ｃ ｄｕｔ ｎ ｔ ｉｎａｇｅ ｔ ｔｇ ｕ ｒ ｒ ｄ ｐ ａ ｓｈ ｔ ｅ ｅ ｔ ａ ｐ ｏ ｎ ｅ ａｔ ｒ ａ ｏ ａｅ ｕｔ ｒ ｅ ｎ ｍｉ ａｊｓ ｂ ｔ ｑ ｕ ｏｔ ｈ ｍｏ ｄ ｍｅｔｏａ ｏ ｎ ｌｓ ａｅｙｉｐ ｔｏｗａｄ ｒ ｔ ｒ ｓ ｆ ｎ ａ
摘 要 ： 了快速 求解在 带 宽、 为 延迟 等 约束下 的最 小代价 组播 路 由树 ， 避免 求解过 程 陷于局部 最优 ， 并 对量 子蚁群 算法 进行
了 改 进 。改 进 算 法 采 用 量 子 旋 转 门对 信 息 素 进 行 更 新 ， 出 了 一 种 动 态 调 整 旋 转 角 的 策 略 ， 从 理 论 上 对 其 进 行 了证 明 。 提 并 在
ｏ ｈ ｒ ｓ ｅ ｔ， ａ ｄｍｅ ｎ ｉ ｖ ｉ ｅ ｎ ａ ｐ ｄｉ ｃ ｌ ｐ ｉ ｍ， ａ ｒ ｖ ｄｔ ｅｑ ａ ｔ ｍ ｎ ｏ ｏ ｙａ ｇ ｒｔ ｍ ｒ ｐ ｓ ｄ ｗｈ ｃ ｔ ｅ ｐ ｃｓ ｎ ａ ｗｈ ｌ ａ ｏ ｄ ｂ ｉ ｇ ｔ ｐ ｅ ｌ ａ ｔ ａ ｅ ｒ ｎｏ ｏ ｍｕ ｎｉ ｍｐ ｏ ｅ ｕ ｕ ａ ｔ ｌ ｎ ｌ ｏ ｉ ｈ ｎ ｃ ｈ ｉ ｐｏ ｏ ｅ ， ｓ ｉｈ
蚁群算法在QoS单播路由中的应用研究
２ Ｉ ｓｔｔ ｆ ｏ ｐ ｔ ， ｏ ｔｗ ｓＰ ｔ ｌｕ Ｕ ｉｅｓ Ｃ ｅ ｇ ｕ ６ ０ ０ ） ．ｎｔ ｅ Ｃ ｍ ｕｅ Ｓ ｕｈ ｅｔ ｅ ｏ ｍ ｎｖ ｒｉ ｉ ｏ ｕ ｒ ｒｅ ｙ ｔ ｈ ｎ ｄ １ ５ ０
Ａｐ ｌ ａｉｎＲｅｅ ｒ ｈｏ ｎ ｌｎ ｇ ｒｔ ｍ ｏ ＳＵｎｃ ｓ ｏ ｔ ｇ ｐｉ ｔ ｓ ａ ｃ ｆ ｔ ｏ ｙＡｌｏ ｉ ｃ ｏ Ａ Ｃｏ ｈ ｆ ｒＱｏ ｉａ ｔ ｕ ｉ ｒ ｎ
Ｑ ｈ． ｎ Ｌ ａ ｕ ａ ｄＭＥ ．ｈ ｎ Ｉ ｉｅ ｇ， Ｉ ｎｈ ａ， ｎ Ｉ ｃ ｅｇ Ｓ ｆ Ｙ Ｄａ
ｐｈ ｒ ｍｏ ｎｄ ｔ ｕｌ ｔ ｍｐｈ ｓｓｏ ｈｅｍ ａ ｍ ａ ｅ ｗｏ ｋ ｔ ｒ ｕｇ ｐ ｄ ｔ ｅ ｌ ｗｅ ｔａ ｅ ａ ｅ ｅ ｌ ｄｅａ ｅ ｅ ｏ ｎｅ ａ ｈｅ ｒ ｅ ｗｉ ｅ ｈ ａ ｉ ｎ ｔ ｘｉ ｌｎ ｔ ｒ ｈ ｏ ｈ ｕｔａ ｈ ｏ ｓ ｖ ｒ ｇ ｅｌ ｌｙ ａ ｎ ｒ
第３ ９卷
第 ２期
电 子 科 技 大 学 学 报
Ｊ ｕ ｎ ｌ ｆ ｉ ｅ ｓｔ ｆ ｌ ｃｒ ｎ ｃＳ ｉ ｎ ｅａ ｄＴ ｃ ｎ ｌ ｇ ｆ ｉ ａ ｏ ｒ ａ Ｕｎ ｖ ｒ ｉ ｏ Ｅ ｅ ｔｏ ｉ ｃ ｅ ｃ ｎ ｅ ｈ ｏ ｏ ｙ ｏ Ｃｈ ｎ ｏ ｙ
Ｖｌ ＿９ Ｎ Ｏ． ０ ３ ｌ ２ Ｍ ａ． ｔ ２Ｏｌ ０
ｃ ｎ ｔａｎ ｈ ｕ ｅ ｏ ｎ ｏ ｏ ｙ ａｇ ｒ ｈ ｔ ａ ｈ ｎ ｓ ｆ ｄ ｔ ｅ ｓ ｏ ｔ ｓ ｐ ｔ ｈ ｏ ｇ ｈ ａ ｉ ｇ ｄ ｗｎ ｏ ｏ ｓ ｉ ．Ｔ ｅ ｒ ｌ ｆ ａ ｔ ｃ ｌ ｎ ｌ ｏ ｉ ｍ ｈ ｔｔ ｅ ａ ｔ ｉ ｈ ｈ ｒｅ ｔ ａｈ ｔ ｒ ｕ ｈ ｔ ｅ ｌｙ ｏ ｆ ｒ ｔ ｎ ｎ
19基于蚁群算法的QoS组播路由问题MATLAB源代码
基于蚁群算法的QoS组播路由问题MATLAB源代码QoS组播路由是网络路由优化和计算智能领域研究的热点，这里的QoS约束包含常见的时延、时延抖动、带宽、丢包率，优化目标是组播树的费用最小化，该问题已被证明是NP完全问题，常规算法通常难以达到理想效果。
蚁群算法凭借其独特的启发式规则和分布式特性，在QoS组播路由问题上取得成功应用。
%% ---------------------------------------------------------------clcclearclose all%% ---------------------产生网络拓扑结构----------------------------% GreenSim团队——专业级算法设计&代写程序% 欢迎访问GreenSim团队主页→/greensimBorderLength=1000; %正方形区域的边长，单位：kmNodeAmount=25; %网络节点的个数Alpha=100000000; %网络特征参数，Alpha越大，短边相对长边的比例越大Beta=200000000000; %网络特征参数，Beta越大，边的密度越大PlotIf=1; %是否画网络拓扑图，如果为1则画图，否则不画图EdgeCostDUB=[5,5]; %链路费用的下界和上界EdgeBandWideDUB=[30,1000]; %链路带宽的下界和上界VertexCostDUB=[3,3]; %节点费用的下界和上界VertexDelayDUB=1e-4*[5,20]; %节点时延的下界和上界VertexDelayJitterDUB=1e-4*[3,8]; %节点时延抖动的下界和上界VertexPacketLossDUB=1e-4*[0,500]; %节点丢包率的下界和上界figure[Sxy,AM,EdgeCost,EdgeDelay,EdgeBandWide,VertexCost,VertexDelay,VertexDelayJitter,VertexP acketLoss]=...NetCreate(BorderLength,NodeAmount,Alpha,Beta,PlotIf,EdgeCostDUB,EdgeBandWideDUB,Ver texCostDUB,VertexDelayDUB,VertexDelayJitterDUB,V ertexPacketLossDUB);BFEdgeCost=EdgeCost;title('随机生成的网络拓扑');EBW=min(min(EdgeBandWide));[x,y]=find(EdgeBandWide<EBW);Lxy=length(x);for i=1:LxyEdgeCost(x(i),y(i))=inf;EdgeDelay(x(i),y(i))=inf;EdgeBandWide(x(i),y(i))=inf;endS=13; %起始节点的编号E=[1,3,5,7,9,17,19,21,23,25]; %终止节点的编号K=100; %迭代次数（指蚂蚁出动多少波）M=200; %蚂蚁个数（每一波蚂蚁有多少个）Tau=ones(NodeAmount,NodeAmount); %初始信息素矩阵，N×NAlpha=2; %表征信息素重要程度的参数Rho=0.05; %信息素蒸发系数Q=5; %信息素增加强度系数EC=EdgeCost; %链路费用矩阵，N×NED=EdgeDelay; %链路时延矩阵，N×NVC=VertexCost; %节点费用向量，1×NVD=VertexDelay; %节点时延向量，1×NVDJ=VertexDelayJitter; %节点时延抖动向量，1×NVPL=VertexPacketLoss; %节点丢包率向量，1×NCD=1e-3*20; %时延约束CDJ=1e-2*10; %时延抖动约束CPL=0.1; %丢包率约束KD=1000; %延时约束惩罚系数KDJ=10000; %时延抖动惩罚系数KPL=200; %丢包率约束惩罚系数N=length(E); %目的节点的个数ROUTES=cell(1,N); %备选路径集，细胞结构，1×Num个子单元，每个子单元对应一个目的节点Num=zeros(1,N); %每个目的节点的备选路径的个数for i=1:Ndisp(i);[AllRoutes,RC,RD,RDJ,RPL]=ACR(S,E(i),K,M,Tau,Alpha,Rho,Q,EC,ED,VC,VD,VDJ,VPL,CD, CDJ,CPL,KD,KDJ,KPL);ROUTES{i}=AllRoutes;Num(i)=length(AllRoutes);end[MBR,LC1,LC2]=MCRGSA(M,N,Pm,K,t0,alpha,ROUTES,Num,EdgeCost,VertexCost,E); ElapsedTime1=toc;figureNet_plot(BorderLength,NodeAmount,Sxy,BFEdgeCost,1);hold onTree=inf*ones(size(BFEdgeCost));Code=MBR(M,:);for i=1:length(Code)R=ROUTES{i}{Code(i)};J=length(R)-1;for j=1:Ja=R(j);b=R(j+1);Tree(a,b)=BFEdgeCost(a,b);Tree(b,a)=BFEdgeCost(b,a);endendNet_plot2(BorderLength,NodeAmount,Sxy,Tree,1); hold on。
基于蚁群算法的QoS多播路由优化算法
delay2jitter ·() ∈R- , cost ·() ∈R+ ,bandwidth ·() ∈R+ 和 packet2loss ·()
∈R- 。实际上 ,QoS 多 播 路 由 问 题 是 寻 找 一 棵 多 播 树 T ( s ,
M) ,有下列 QoS 约束条件 : ①delay( p ( s , t) ) ≤D ; ②bandwidth ( p
全局最优解 。因此 F 的定义[3]是 :
F = F2/ F1
vv
F1 = ∑ ∑Cij 3 Pidj i =1j =1 j ≠i
1 引言
蚁群算法 (Ant Colony Algorithm) 是最近几年由意大利学者 M. Dorigo 提出的一种新型的模拟进化算法 。该算法不依赖于 具体问题的数学描述 ,具有全局优化能力和本质上的并行性 , 同时比遗传算法 、模拟退火算法等早期进化算法具备更强的鲁 棒性 、求解时间短 、易于计算机实现等优点 ,已被应用于高度复 杂的组合优化问题 、通信网络的路由选择问题 。蚁群算法是一 种随机搜索算法 , 与其他模拟进化算法一样 , 通过由候选解 组成的群体的进化过程来寻求最优解 。 多播路由优化的目标是找到一种算法或策略 ,在给定的网 络和多播需求的情况下 ,寻求一种链路连接方式 ,使网络资源 能够得到有效利用 。近年来 ,各国学者经过探索提出了一些快 速有效的算法 ,如基于最短路径的 Dijkstra 算法 ,即计算源节点 到各目的节点的最短路径 ;求最小网络代价应用的斯坦利 (Steiner) 树路由算法 ,计算多播树 (Multicast Tree) 使其在任意一 对源和目的节点之间都存在通路 ,并使其代价 (Cost) 最小 。算 法都是以服务质量 (QoS) 指标中的带宽 、延时 、延时约束和包丢 失率等为优化选路准则 ,提出了各种多播路由算法 。 本文采用的蚂蚁算法是一种启发式算法 ,该算法在求解旅 行商问题 (TSP) 中取得了较好的实验结果 。TSP 问题就是在给 定的多个城市中寻找一条闭合的路径 ,此路径要历经每个城市
基于蚁群算法和遗传算法融合的QoS组播路由问题求解
基于蚁群算法和遗传算法融合的QoS组播路由问题求解孙力娟;王汝传
【期刊名称】《电子学报》
【年(卷),期】2006(34)8
【摘要】包含延迟、延迟抖动、带宽、丢包率和最小花费等约束条件在内的服务质量(QoS)组播路由问题,是一个NP完备问题,传统方法很难求得全局最优解.本文将遗传算法和蚁群算法融合,提出了用遗传蚁群算法(GAACS)求解QoS组播路由问题的解决方案.仿真实验表明,采用新算法比遗传算法具有更好的性能.
【总页数】5页(P1391-1395)
【作者】孙力娟;王汝传
【作者单位】南京邮电学院计算机科学与技术系,江苏,南京,210003;南京邮电学院计算机科学与技术系,江苏,南京,210003;南京大学计算机软件新技术国家重点实验室,江苏,南京,210093
【正文语种】中文
【中图分类】TP309
【相关文献】
1.基于蚂蚁算法的QoS组播路由问题求解 [J], 顾军华;侯向丹;宋洁;李琳
2.基于启发式遗传算法的QoS组播路由问题求解 [J], 王征应;石冰心
3.基于遗传算法和蚁群算法融合的QoS路由算法 [J], 刘萍;高飞;杨云
4.基于神经网络和蚁群算法融合的QoS组播路由求解 [J], 刘潇潇;常国锋
5.基于遗传模拟退火算法的QoS组播路由问题求解 [J], 刘金明;王娜;刘勇
因版权原因，仅展示原文概要，查看原文内容请购买。
求解QoS路由优化的蚁群算法研究的开题报告
求解QoS路由优化的蚁群算法研究的开题报告开题报告：基于蚁群算法的 QoS 路由优化研究一、研究背景在Internet中，QoS（Quality of Service）在网络传输过程中的重要性与日俱增。
QoS在不同的应用场景中具有不同的表现，如低延迟、高可靠性和高带宽等。
QoS是通过选择最优路径、优化网络拓扑结构等方法来提高网络质量的。
而QoS路由是保证网络性能的一种重要方法，尤其对于对服务质量和网络性能要求高的业务，QoS路由不仅能提高网络服务可靠性和质量，同时避免传输浪费和减少时延。
因此研究如何优化QoS路由算法，已经成为网络研究的热点之一。
二、研究内容本文研究基于蚁群算法的QoS路由优化算法，并将其应用于Internet网络中。
蚁群算法是一种基于群体智能思想的优化算法，它的优化策略是基于模拟真实的蚂蚁行为。
我们将基于蚁群算法的QoS路由优化算法设计为重要的优化方案，以优化QoS 路由算法的性能。
我们的研究主要包括以下几个方面：1. 首先，我们将研究和分析现有的QoS路由算法，确定优化方案的需求及具体优化目标，为后续的研究提供方向。
2. 然后，我们将基于蚁群算法的优化方案进行设计和实现，从而提高QoS路由算法的可靠性和性能。
我们将选择蚁群算法作为优化算法，通过仿真的运行结果来分析、测试、验证QoS路由算法。
3. 最后，我们将在真实网络环境下对我们的优化算法进行实际应用，对其性能进行测试，同时与现有的其他优化算法进行对比。
三、研究方法本文主要采用以下研究方法：1. 文献综述方法：通过收集网络研究领域内的相关文献和论文，研究分析已有的QoS路由算法及其研究结果，为我们的优化方案设计提供理论支持。
2. 算法设计方法：我们将基于蚁群算法的优化方案进行设计和实现，并结合多个实验来验证改进算法的有效性。
3. 实验仿真方法：我们将使用NS2仿真器来进行实验仿真，以验证我们的算法优化方案在QoS路由中的有效性。
蚁群算法详细讲解
21
1.2 蚁群优化算法概念
1.2.1 蚁群算法原理 1.2.2 简化的蚂蚁寻食过程 1.2.3 自然蚁群与人工蚁群算法 1.2.4 蚁群算法与TSP问题 1.2.5 初始的蚁群优化算法—基于图的 蚁群系统（GBAS） 1.2.6 一般蚁群算法的框架
22
1.2.1 蚁群算法原理
蚁群算法是对自然界蚂蚁的寻径方式进行模似而得出的一种仿 生算法。蚂蚁在运动过程中，能够在它所经过的路径上留下一种称 之为外激素(pheromone)的物质进行信息传递，而且蚂蚁在运动过 程中能够感知这种物质，并以此指导自己的运动方向，因此由大量 蚂蚁组成的蚁群集体行为便表现出一种信息正反馈现象：某一路径 上走过的蚂蚁越多，则后来者选择该路径的概率就越大。 为了说明蚁群算法的原理，先简要介绍一下蚂蚁搜寻食物的具 体过程。在蚁群寻找食物时，它们总能找到一条从食物到巢穴之间 的最优路径。这是因为蚂蚁在寻找路径时会在路径上释放出一种特 殊的信息素。当它们碰到一个还没有走过的路口时．就随机地挑选 一条路径前行。与此同时释放出与路径长度有关的信息素。路径越 长，释放的激索浓度越低.当后来的蚂蚁再次碰到这个路口的时 候．选择激素浓度较高路径概率就会相对较大。这样形成一个正反 馈。最优路径上的激索浓度越来越大．而其它的路径上激素浓度却 会随着时间的流逝而消减。最终整个蚁群会找出最优路径。
23
1.2.2 简化的蚂蚁寻食过程 1/3
蚂蚁从A点出发，速度相同，食物在D点，可能随机选择路线ABD 或ACD。假设初始时每条分配路线一只蚂蚁，每个时间单位行走 一步，本图为经过9个时间单位时的情形：走ABD的蚂蚁到达终点， 而走ACD的蚂蚁刚好走到C点，为一半路程。
17
1.1.5 蚁群优化算法应用现状 2/5
基于蚁群算法的QoS组播路由研究的开题报告
基于蚁群算法的QoS组播路由研究的开题报告一、选题背景和意义随着互联网的高速发展，网络应用的规模和复杂性也不断增加，需要提供稳定、高质量的服务，因此QoS（Quality of Service）作为网络应用的基础，逐渐受到人们的关注。
组播路由是在满足QoS的前提下，实现组播数据的广播。
QoS组播路由是指在组播播放的过程中，通过网络节点的数据缓冲、调度和队列管理技术，为组播数据流提供优质的服务质量，避免网络拥塞、流量控制过度等问题，提高网络的数据传输性能。
蚁群算法（Ant Colony Algorithm）是一种基于自然界中蚂蚁觅食行为的启发式优化算法，其优点在于简单、易于实现、鲁棒性强等。
利用蚁群算法来解决QoS组播路由问题，可以提高网络的性能和稳定性，降低网络成本，具有重要的研究和应用价值。
二、主要研究内容和目标本论文的研究内容和目标是基于蚁群算法的QoS组播路由。
具体来说，本研究将从以下几个方面进行探讨：1. 分析组播路由中涉及的QoS参数、组播树选取机制等关键问题，确定适合基于蚁群算法的QoS组播路由模型。
2. 通过实验模拟和理论分析，研究蚁群算法在QoS组播路由中的应用，并与其他优化算法进行比较。
3. 针对QoS组播路由中的时延、带宽、丢包等QoS参数，提出一种基于蚁群算法的优化策略，并进行实验验证和性能评估。
4. 分析蚁群算法在QoS组播路由中存在的问题和不足，并提出优化和改进方案，提高其应用效率和性能。
三、研究方法本文的研究方法主要包括以下几种：1. 文献综述：对QoS组播路由和蚁群算法进行系统性的研究和分析，收集和整理相关文献。
2. 算法设计：根据蚁群算法的特点和QoS组播路由的需求，设计适合的蚁群算法模型，并对其进行改进和优化。
3. 实验仿真：通过仿真实验和性能测试，验证蚁群算法在QoS组播路由中的优化效果和性能表现。
4. 总结分析：分析实验结果，总结改进方案，并提出未来研究的方向和建议。
蚁群算法
ij (t n) 1 ij (t ) ij (t , t n)
ij (t , t n) k ij (t , t n)
k 1
27
m
2.3 蚁周系统模型 上式中的 1与 不同，因为该方程 不再是每
走一步都对轨迹更新，而是在一只蚂蚁建立了 一个完整的路径（n步）后再更新轨迹量。 在一系列的标准测试问题上运行的实验表明， 蚁周算法优于其他两种算法。 蚂蚁系统在解决小规模的TSP问题时还可以， 但是随着问题规模的扩大蚂蚁系统很难再可接 受的循环次数内找出最优解来。
蚁群算法及其应用
1.
2.
3.
蚂蚁觅食行为 与觅食策略 蚂蚁系统—— 蚁群系统的原 型 改进的蚁群优 化算法
4.
蚁群优化算法研究 蚁群算法的应用— —对QoS组播路由 问题求解
5.
1
1.1 蚂蚁的觅食行为
现象： 在蚁群寻找食物时，它们总
能找到一条从食物到巢穴之间的最优路
径，并且能随着环境的变化而变化的搜 索新的最优路径。
5
简化的蚂蚁寻食过程
假设蚂蚁每经过一处所留下的信息素 为一个单位，则经过36个时间单位后所 有开始一起出发的蚂蚁都经过不同路径 从D点取得了食物，此时ABD的路线往返 了2趟，每一处的信息素为4个单位，而 ACD的路线往返了一趟，每一处的信息 素为2个单位，其比值为2：1。
6
若按以上规则继续，蚁群在ABD路线上 再增派一只蚂蚁（共3只），而ACD路线 上仍然为一只蚂蚁。再经过36个时间单 位后，两条线路上的信息素单位积累为 24和6，比值为4：1。 若继续进行，则按信息素的指导，最 终所有的蚂蚁会放弃ACD路线，而都选 择ABD路线。这也就是前面所提到的正 反馈效应。
蚁群算法行为属性的改进解决QoS组播路由优化问题
蚁群算法行为属性的改进解决QoS组播路由优化问题
蚁群算法是一种启发式最优化算法，它模拟了蚂蚁在寻找食物时在路上留下信息素的行为，以在搜索空间中找到最优解。
然而，蚁群算法在解决QoS组播路由优化问题时，存在一些问题，如易陷入局部最优解、时间复杂度高等。
为了解决这些问题，需对蚁群算法的行为属性进行改进。
改进的主要方法包括优化信息素更新策略、引入路由质量因素等。
首先，优化信息素更新策略。
在蚁群算法中，信息素是蚂蚁寻找路径时在路径上留下的痕迹，它用来指引其他蚂蚁在搜索空间中探索。
而信息素更新策略则决定了信息素的强度和更新速度，进而影响了蚂蚁探索解空间的速度和准确性。
为了避免陷入局部最优解，可以采用增强全局搜索策略的信息素更新方式，让信息素的强度更平滑、更均匀、更持久，从而保持探索的多样性。
其次，引入路由质量因素。
在QoS组播路由优化问题中，路
由质量是最为重要的问题之一。
因此，可以将路由质量作为一个重要的因素来指导蚂蚁寻找路径的选择。
通过综合考虑路由质量因素和信息素因素，设计新的蚁群算法的行为策略，以提高解决问题的准确性和效率。
例如，将路由质量因素作为信息素更新策略中的一个参数，让信息素更倾向于指向一个有更好路由质量的路径。
总之，通过对蚁群算法的行为属性进行改进，可以提高算法的
准确性和效率，为QoS组播路由优化问题的解决提供可靠的解决方案。
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。
无线网络中基于蚁群算法的QoS组播路由算法
的无 线 网络组播路 由算法。
关键词 ： 无线 网络 ； 群算 法 ； ｏ 蚁 Ｑ Ｓ组播 路 由；能量 ；环路 ； 息素 信
ｔ ｉ ａｇ ｒ ｍ ａ ｉ ｎｆ ａ ｔ ｍｐ ｏ ｅ ｔ ｅ ｃ ｎ ｅ ｇ ｎ ｅ ｓ ｅ ｄ ａ ｄ ｅ ｔｎ ｈ ｕ ｖｖ ｉ ｆ ｔｅ ｗ ｏｅ ｈｓ ｌ ｏ ｔ ｃ ｎ ｓ ｉ ｃ ｎ ｌ ｉ ｒ ｖ ｈ ｏ ｖ ｒｅ ｃ ｐ ｅ ｎ ｘ ｅ ｄ ｔｅ ｓ ｒ ｉａ ｔ ｉ ｈ ｇ ｉ ｙ ｌ ｍｅ ｏ ｈ ｌ ｈ
赵 太 飞 ， 熙政 ，吴 长 丽 ， 华 柯 何
（ 西安理工大学 自动化与信息工程学 院， 陕西 西安 ７０ ４ ） １０ ８
摘要： 为了将传统基于蚁群算法的 Ｑ Ｓ组播路 由算法应 用于无线 网络 ， ｏ 针对蚁群算法收敛速度慢 和无 线 网络 节点能量 有限的特 点 ， 出一种无 线 网络 中基 于蚁群 算法的 Ｑ Ｓ组播路 由算 法。在 选 提 ｏ
ｐ ｍ￣ ｓ ｎ ｔ ｉ ａ ｒ ｄ ｅ ｉ ｓ ｐ ｐｅ ．Ｔｈ ｏ ｖ ｒ ｅ ｃ ｐ ｅ ｓ ａ ｃ ｌｒ ｔｄ ｂ ｏ ｓｄ ｒｎ ｈ ｏ ａ ａ ｉ ｏ ｃ ｏ ｓ ｈ ｅ ｃ ｎ ｅｇ ｎ ｅ ｓ ｅ ｄ ｉ ｃ ｅｅ ａｅ ｙ ｃ ｎ ｉｅ ｇ ｔ ｅ ｎ ｄｅ ｃ ｐ ｃ ｔ ｔ ｈ ｏ ｅ ｉ ｙ ａ ｌｒ ｅ ｅ ｅ ｇ ｏ ｅ ａ ｄ ｒ ｔ ｉ ｎ ｈ ｒ ｍｏ ｅ ｆ ｒｔ ｅ ｆ ｌ ｗ— ｐ ｒ ｕ ｉ ｇ ａ ｇ ｎ ｒ ｙ ｎ ｄ ｎ ｅａｎｉｇ ｐ ｅ ｏ ｎ ｏ ｈ ｏｌ ｕ ｏ ｔｎ ．Ｔｈ ｉ ｌ ｔ ｎ ｒ ｓ ｔ ｈ ｗ ａ ｏ ｅ ｓｍｕａ ｉ ｅ ｕ ｓ ｓ ｏ ｔ ｔ ｏ ｌ ｈ
求解QoS最佳路由选择问题的量子蚁群算法
求解QoS最佳路由选择问题的量子蚁群算法
王宏霞;李亚龙
【期刊名称】《计算机仿真》
【年(卷),期】2014(031)003
【摘要】在网络通信性能优化问题,针对传统智能算法在求解QoS路由选择问题时存在易于陷入局部最优和搜索时间长的缺陷,提出了一种将量子计算和蚁群算法融合的最佳路由选择算法.以数据报的传输费用和时延等性能为最优的准则,来定义蚂蚁的转移概率、路由表更新方式,采用量子比特的概率幅对各链路上的信息素进行编码,动态调整旋转角对信息素进行更新,加快算法收敛速度,并避免陷入局部最优.仿真结果表明,提出的算法具有较强的全局搜索能力,较快的收敛速度,能有效地解决最佳路由选择问题.
【总页数】4页(P295-298)
【作者】王宏霞;李亚龙
【作者单位】安徽大学计算机科学与技术学院,安徽合肥230601;安徽大学计算机科学与技术学院,安徽合肥230601
【正文语种】中文
【中图分类】TP301.6
【相关文献】
1.基于量子蚁群算法的带约束QoS多播路由 [J], 左敬龙;余桂兰
2.改进的量子蚁群算法求解带约束QoS组播路由 [J], 左敬龙;余桂兰
3.改进型量子蚁群算法求解QoS单播路由 [J], 曹建国;陶亮
4.基于蚁群算法的QoS最佳路由选择问题的研究 [J], 谢铎;周井泉
5.基于信息素优化的蚁群算法求解QoS单播路由问题 [J], 杨剑勇
因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
数 ｌ （ ， ａ ）延迟抖动 函数 ｄ ｌ ｊｉｅ （ ）包丢失率函数ｐ ｃ— ｙ ｅ ｙ ｔｒｎ ， ａ ｔ ａｋ
ｅ ｌｓ（ ） 费用 函数 ｃ ｓ（ ） ｔ ｏｓｎ 和 ｏｔｎ 。
对于任 意链路 ｅ ∈Ｅ ， 义４ 种属性 ： 定 延时 函数 ｄ ｌ （ ） ｅａ ｅ ， ｙ
延 时抖动 函数 ｄｌ ｊ ｔｒｅ ， 宽 函数 ｂｎｗｄ （） ｅ ｙ ｉｅ（）带 ａ ｔ ａｄ ｉｈＰ 和费 用 ｔ
函数 ｃｓ（ ） ｏｔｅ 。
假设信 息 由源节点 Ｓ ∈Ｖ传 送到一组 目标节点 集 ＤＥ
＿ 一Βιβλιοθήκη ｛｝ （ Ｄ＝ ｄ， ２…， ｝１ ＝ ） ｛｝ ，没 ｛１ ， ， ， ｕＤ称为基本节点集 ； ｄ Ｄｌ
ｎｅ ｒｎ ｎ ｐ ｉａ ｉｎ ， ０ １，７（ ７ ： ２ —２ ． ｅ ｉｇ ａ ｄ Ａｐ ｌ ｔ ｓ ２ １ ４ ２ ） １ ６ １ ８ ｃ ｏ
Ａｂ ｔａ ｔ ｏ ｏｖｎ ｈ ｏ ｌｃ ｓ ｒ ｕｉ ｒ ｂｅ ， ｉ ｐ ｐ ｒ ｐｏ ｏ ｅ ｎ ａｇ ｒ ｈ ｆｒ ｍｕ ｉａｔ ｒ ｕｉ ａ ｅ Ｏ ｓｒ ｃ ：Ｆ ｒ ｓ ｌｉ ｔ ｅ Ｑ Ｓ ｍｕｔ ａｔ ｏ ｔ ｇ ｐ ｏ ｌ ｔ ｓ ａ ｅ ｒ ｐ ｓｓ ａ ｌｏ ｉ ｍ ｏ ｌ ｃ ｓ ｏ ｔ ｇ ｂ ｓｄ ｉ ｇ ｉ ｎ ｍ ｈ ｔ ｔ ｎ ｌ
丢包 率 、 等约束 条件 以保证 网络 的服 务质 量 。现 已经证 代价 明 了包含 ２ 个及 以上 的约束 条件的 Ｑ Ｓ网络路 由是一个 ＮＰ完 ｏ
１ 引
随 着网络 通信技术 的发 展 ， 具有 点对 多点通信 要求 的视 频 点播 、 频 会议 等业 务开 始 出现 ， 时对 网络 服 务 质 量 视 同 （ｏ ） Ｑ Ｓ提出了越来越高 的要求 ， Ｑ Ｓ 使得 ｏ 网络路由成为网络技 术领域 的研究热点之 一 。Ｑｏ 组 播路就是 要寻找连接 源节点 Ｓ 和 目的节点 的一棵 组播树 ， 息 以并行方式 沿这棵 树发送 到 信
ｇ ｏ ｎ ｃ ｍｐ ｔ ｉ ｅ ｎ ｌ ｏ ｉ ｍ ． ｈ ｓ ｌ ｏ ｉ ｍ ｕ ｅ ａ ｒ ｌ ｏ ｒ ｗｉ ｇ ｏ ｅｉ ｖ ｉ ｏ ｄ ｒ ｏ ｐ ｒ ａ ｈ ｔ ｏ ｔ ｌ ｏ ｕ ｒ ｗｉ ｇ ｏ ｅ ｉ ｖ ａ ｔ ａ ｇ ｒ ｈ Ｔ ｉ ｔ ｔ ａ ｇ ｒｔ ｈ ｓ ｓ ｕ ｅ ｆ ｇ ｏ ｎ ｃ ｍｐ ｔ ｉ ｅ ｎ ｒ ｅ ｔ ａ ｐ ｏ ｃ ｏ ｐ ｉ ｓ ｌ — ｔ ｍａ
ｔｏ Ｔｈ ｅ ｐｅ ｉ ｅ ａｌ ｅｓ ｌｓ ｌｕｓｒ ｔ ｔ ｔ ｔ ａ ｇ ｉｈ ｉｎ． ｅ ｘ ｒｍ ｎｔ ｒ ｕ ｔ ｉｌ ｔａｅ ｈａ ｈｅ ｌ ｏｒｔ ｍ ｉ ｆ ａ ｉ ｅ ｎｄ ｆｅ ｔｖ ｓ ｅ ｓｂｌ ａ ｅ ｆ ｃ ｉｅ．
Ｋｅ ｒ ｓ ｇ ｏ ｎ ｏ ｅ ｉ ｖ ａ ｔ ａｇ ｒｔ ｍ ； ｌ ｃ ｓ ｒ ｕ ｉ ｇ ｑ ａｉ ｆ ｓ ｒ ｉ ｅ ｙ ｗｏ ｄ ： ｒ ｗｉ ｇ ｃ ｍｐ ｔ ｉ ｅ ｎ ｌ ｏ ｉ ｔ ｈ ｍｕｔ ａ ｔ ｏ ｔ ； ｕ ｌ ｙ ｏ ｅｖ ｃ ｉ ｎ ｔ
Ｚ ｎ ， ｉｎ ， Ａ Ｐ ｎ ， ｔａ． ｏ ｉ ｇ ｃ ｍｐ ｔ ｉｅ ａ ｔ ａｇ ｒ ｈ ｆｒ Ｑｏ ｌｃ ｓ ｒ ｕ ｉｇＣ ｍｐ ｔ ｒ Ｅ ｇ－ ＨＵ Ｇａ ｇ ＭＡ Ｌ ａ ｇ ＧＵ Ｎ ｉ ｇ ｅ ｉ Ｇｒ ｗ ｎ ｏ ｅｉ ｖ ｎ ｌｏ ｉ ｍ ｏ Ｓ ｍｕｔ ａ ｔ ｏ ｔ ． ｏ ｕ ｅ ｎ ｉ ｔ ｔ ｉ ｎ
１ｈ海第 二工业大学 电子与 电气工程学院 ， ． 上海 ２ １０ ０２９ ２上海理工大学 管理学院 ， ． 上海 ２ ０ ９ ００３
１Ｃｏｌ ｇｅ ｆ Ｅｌ ｃｒ ｉ ａ Ｅｌ ｃｒｃ ． ｌ ｏ ｅ ｔｏｎ ｃ ｎｄ ｅ ｅ ｔｉ Ｅｎ ｎｅ ｒｎｇ， ａ ｈａ Ｓｅ ｏ Ｐｏ ｙ ｅ ｈ ｃ ｇｉ ｅ ｉ Ｓｈ ｎｇ ｉ ｃ ｎｄ ｌ ｔ ｃ ｎｉ Ｕｎｉ ｒｉｙ， ｈａ ｇｈ ｉ ｖｅ ｓｔ Ｓ ｎ ａ ２０１ ０９， ２ Ｃｈｉａ ｎ ２． ｌ ｇ ｏ ａ ａ ｍ ｅ ｔ Ｕ ｎ ｖ ｒ ｉｙ ｆ Ｓｈａ ｈａ ｆ ｒ Ｃｏｌｅ ｅ ｆ Ｍ ｎ ｇｅ ｎ ， ｉ ｅ ｓｔ ｏ ｎｇ ｉ ｏ Ｓｃｅ ｅ ｎｄ ｉｎｃ ａ Ｔｅ ｈ ｌ ｇｙ， ａ ｈａ ２ ０９ Ｃｈｉ ｃ ｎｏ ｏ Ｓｈ ｎｇ ｉ ００ ３， ｎａ
摘
要： 基于生长 竞争 蚁群 算法 ， 出一种 解决 Ｑ Ｓ 提 ｏ 组播路 由问题 的算 法。算法引入 生长竞争机制 ， 算法更好 更快向最优解逼 使
近 。实验 结果表 明， 算法是可行和有 效的。 该
关键 词 ： 生长竞争蚁群算法 ； 组播路 由； 服务质量
ＤＯ ：０３ ７ ／ｉ ｎ１０ —３ １ ０ １ ７ ３ 文章编号 ：０ ２８ ３ （０ １ ２ —１６０ 文献标 识码 ： Ｉ １．７ ８ ．ｓ． ２８ ３ ． １． ． ４ ｊｓ ０ ２ ２０ １０ —３ １２ １ ）７０ ２ —３ Ａ 中图 分类号： Ｐ ９ ０ ２ Ｔ ３ ； ２
Ｃ ｍ ｕ ｒ ｎ ｉｅｒ ｇａ ｄ ｐ ｌ ａｉｎ 计算机 工程 与应用 ｏ ｐ ｔ ｇｎ ｅｉ ｎ Ａ ｐ ｉ ｔ ｓ ｅＥ ｎ ｃ ｏ
求解 Ｑｏ 组播路 由的生长竞争蚁群 算法 Ｓ
朱 刚 马 良 ， ， 管 屏 邱 勇平 ，
Ｚ ａ ｇ ， ｉ ｇ， ＵＡ Ｐｎ ‘ Ｕ Ｙ ｎ ｐｎ ＨＵ Ｇ ｎ ＭＡ Ｌ ａ Ｇ Ｎ ｉｇ， ｏ ｇ ｉｇ ｎ ＱＩ