·502 智能系统学报 第5卷 分别为0.12、4、1.1、0.13、0.22，其参数取值范围如 群算法有更好的收敛性 表1所示.实验中，蚂蚁数M=30,最大迭代次数 90r ■费门▲延时◆延时抖动 K=20,最大混沌迭代次MaxC=10,81、82、83分别为 80 0.8、0.1、0.1. 70 6 表1蚊群算法参数取值范围 50 Table 1 Parameters range of ant colony algorithm 40 运行参数参数允许范围运行参数参数允许范围 30 20 分 (0,1) (1,3) 10 (3,7) Placal,global (0,1) 02468101214161820 迭代代数 为了更好地对比，本文同文献[3]一样，对于同一 图3B=70,D=46,DJ=8,PL=0.001时蚁群算法组播 网络模型，使用了2组约束条件B=70,D=46,DJ= 树代价、延时和延时抖动随迭代代数变化曲线 8,PL=0.001和B=70,D=50,DJ=6,PL=0.001分 Fig.3 Curves of cost,delay and delay jitter of multicast 别进行仿真，经过求解得到的最佳组播树如图2. tree of ACS when B=70.D=46.DJ =8,and PL= 0.001 ② ⑤ 0吖 ■费川▲延时·延时抖动 709 60 ⑥ 50 ⑧ 敏 40 ⑦ (a)约束条件1 30 ① io/ ●垂●●●海●●●●●●◆●●中◆◆ ② 0 ③ 2468101214161820 迭代代数 ⑥ ④ 图4B=70,D=46,DJ=8,PL=0.001时混沌蚁群算法组播树 代价、延时和延时抖动随迭代代数变化曲线 ① ⑧ Fig.4 Curves of cost,delay and delay jitter of multicast tree (b)约束条件2 of chaos ant colony optimization algorithm when B 图2最优组播树 70,D=46,DJ=8,and PL=0.001 Fig.2 Optimal multicast tree 从文献[3]采用的启发式遗传算法仿真结果图 80斯 ■费用▲延时·延时抖动 70 中，可以看出遗传算法经过12次迭代开始趋近于最 4 60 “台，g■ 优解.在相同网络条件下的蚁群算法如图3，图5经 50 L么么点AAA点4△人 过10次迭代开始收敛于最优解，且蚁群算法需要较 40 多的蚂蚁数，否则易陷入局部最优，这里蚁群算法中 30 的蚂蚁数取为50.图4、图6为所采用的混沌蚁群算 20A 法得到的仿真结果，与遗传算法和蚁群算法相比，基 10◆. 0 ●●◆●●◆◆●●●◆◆中 于混沌优化的蚁群算法有较强的自适应性，在适应 2468101214161820 值函数的指导下，加快了收敛速度，另一方面引入的 送代代数 1/(9o+&+B+p1oed+psbd)保证了算法的全局搜索 图5B=70,D=50,DJ=6,PL=0.001时蚁群算法组播 能力，算法的代价、延时、延时抖动曲线从第4代开 树代价、延时和延时抖动随迭代代数变化曲线 始收敛，且具有较好的稳定性，在算法运行的后期每 Fig.5 Curves of cost,delay and delay jitter of multicast tree 一代的操作都能得到最佳组播树，这说明了混沌蚁 of ACS when B=70,D=50,DJ=6,and PL=0.001