人工蜂群算法是一种稳定、高效的群体智能优化算法,它受到蜜蜂集体觅食行为的启发,在解决大多数问题时均表现出良好的性能。相较其它优化算法,它在寻优等方面有着收敛速度快、鲁棒性好、全局收敛、适用范围宽等优势,适用于多种类的优化,对有约束和无约束条件下的优化问题均有很强的应用价值。本论文对基本人工蜂群算法的相关知识进行了阐述。该算法需要设置的参数少、鲁棒性强、复杂度低,而且算法执行时能兼顾全局搜索和局部搜索,增加了获取最优极值的概率。本章也讨论了该算法存在的弊端,如:收敛易早熟、搜索精度较低、难以跳出局部极值等。本文首次引入“拥挤度”这一概念来改进基本人工蜂群算法。我们将通过定义一个拥挤度公式来调配人工蜂,限制采蜜峰的数量,并借此参数合理调控邻域搜索。当拥挤度低值时蜂群不需要进行任何调整,而当拥挤度高时将调用改进的观察蜂跟随公式,适当减少本区域采蜜蜂的数量;随后会增加侦查蜂的数量以扩大对解空间的全局搜索,这样就能在某种程度上帮助算法避免早熟现象,同时在后期提高算法的收敛速度。本文另一个改进思路是设定蜂群中侦查蜂始终存在,一般使其比例保持在蜂群总数的5%-10%左右,以此维持蜂群的多样性,以便继续保持对解空间的不断搜索。此方案的实施有助于人工蜂全局检索能力的提升,进一步加速算法执行后期的收敛。文章中讨论了网络服务质量(QoS)的由来,以及QoS度量、QoS服务体系模型、QoS路由分类等。QoS路由即端到端传输时选择传输链路,此链路要求符合QoS度量中的各条件限制。这些概念和相关的研究背景将为下一章打下基础。本文把改进的人工蜂群算法用于解决实际网络的QoS路由问题。该算法将通过人工蜂检索全部符合丢包率、带宽、延迟抖动、时延、等限定情况下的可行链路,以此确定组播路由的最优链路。我们通过仿真实验观察两种算法在实际应用中的表现,先通过Dijkstra前N条路径算法构建非劣解集,人工蜂在非劣解集中执行邻域搜索行为以获取适应度更高的优质解。最后对比这两种算法求解最优链路时所花费的代价、平均迭代次数等指标,以此证明引入拥挤度参数后的改进算法实用性良好。