一种基于蚁群优化算法的网络编码环境下资源优化方法
【专利摘要】本发明公开了一种基于蚁群优化算法的网络编码环境下资源优化的方法。采用本发明在网络拓扑图上通过蚁群优化算法，在保证传输速率不变的情况下，尽量优化网络编码资源。其主要特征包括信息素的分布式、多维的维护方式，针对问题提出的启发因子，以及局部的惩罚和奖励信息素更新方式等。通过研究与实验表明，本发明在所有的测试用例上都可以找到最优的解，同时，与其他目前较好的解决网络编码资源优化问题的算法相比，本发明在性能上和效率上都具有显著优势，证明了本发明的可行性和可用性。
【专利说明】一种基于蚁群优化算法的网络编码环境下资源优化方法
【技术领域】
[0001] 本发明涉及蚁群优化算法在网络编码环境下编码节点资源优化的方法，属于多媒 体通信与网络传输【技术领域】。
【背景技术】
[0002] 传统的网络传输中节点对接收到的数据流不会做任何操作，数据传输采用存储/ 转发的方式进行。然而，采用这种方式并不能保证多播速率能达到最大流最小割定理确定 的理论上界。2000年，Ahlswede等人首次提出了网络编码的概念，证明在多播网络中，利用 网络编码技术，多播速率总能够达到最大流最小割定理确定的上限。由于网络编码能够减 少数据传输次数，提高网络吞吐量和网络数据传输效率，近年来成为研究领域的一个热点。
[0003] 但在引入网络编码后，节点需要进行额外的编码操作（在有限域上复杂的数学 运算），会带来计算、存储等资源的开销。在最初的研究中，网络中的所有节点都被当作编 码节点进行编码操作。随后有研究指出，并不是所有编码节点都一定需要进行编码操作， 只需要其中一部分节点进行编码操作就可以保证最大传输速率。这样，如何在保证网络 传输速率的前提下，尽可能地减少编码操作，从而减少网络编码带来的开销，成为网络编 码研究领域中的一个重要的研究方向，即网络编码资源优化（Network Coding Resource Minimization, NCRM)问题的提出。
[0004] 现阶段，网络编码资源优化方法有如下两类型：
[0005] 1、基于贪心算法的方法
[0006] C. Fragouli et al.和M. Langberg et al.分别提出两种基于贪心算法的方法来 解决这个问题，但是贪心算法容易陷入局部最优，一次不当的选择就可能会导致非常不理 想的结果。整体来说，优化效果并不理想。
[0007] 2、基于进化算法的方法
[0008] Kim et al·证明了网络编码资源优化问题是一个NP-hard问题（也就意味着上述 基于贪心算法的方法很难很好地解决本问题），并提出了两种基于遗传算法来解决问题的 方法。随后，Xing et al.分别采用量子衍生算法、基于种群的增量学习算法、紧凑型遗传 算法和基于路径编码的进化算法解决网络编码资源优化问题。国内的学者邓亮等以及邵星 等也分别用遗传算法给出了自己的解决方案。这些方法都属于进化算法，众所周知，进化算 法是一类基于自然进化和选择的随机搜索算法，由于算法模式很少利用到或基本没有利用 到所解决问题本身的一些特性，所以进化算法有很强的鲁棒性和适应性，适用于各种优化 领域。然而，也正因如此，进化算法无法有效利用到局部信息或问题本身的信息，使搜索变 得盲目，导致结果或效率变差。
[0009] 总体而言，虽然对于网络编码资源优化已经出现了多种方法，但在优化效果和效 率上还不能完全令人满意，特别是在网络应用上，对于时间和资源的消耗尤为看重。蚁群优 化算法提出之时就是用来解决路径构造问题（货郎担问题），该算法可以很好地利用全局 信息和局部信息。而网络编码资源优化问题也可以理解为构造多个从起点到特定终点满足 数据速率的路径集合，且使编码节点尽可能少的问题。因而，本发明采用蚁群优化算法来解 决该问题，旨在从效果和效率上同时进行优化。
【发明内容】
[0010]为了克服现有技术的缺点，本发明采用蚁群优化算法来解决网络编码资源优化的 问题。
[0011] 1、首先说明使用蚁群优化算法解决本问题的两个基本元素，信息素 τ和启发因 素 Π 的构造和维护：
[0012] ⑴信息素用来提供对蚁群的全局性的指导，所以针对本问题，信息素的值同编码 节点的个数相关。另外，由于本问题的特殊性，网络中的一条边可能被蚁群中的蚂蚁选择一 次，多次或者不选，如果使用传统的单张信息素表，就会造成信息素的覆盖，从而无法明确 地对蚂蚁进行指导。本发明针对此特殊性，采用了一种分布的、多维的信息素维护方式，每 只蚂蚁对应一张信息素表，只有不同迭代次数，相同位置的蚂蚁才共享同一张信息素表。
[0013] (2)启发因子的作用是提供局部指导信息，本发明提出了一种启发因子供蚂蚁使 用，将当前情况下网络拓扑中的边被选择的次数作为启发因子。当之前的蚂蚁小组成功构 造路径集之后，对该路径集中的每条边被选次数属性加1，之后的蚂蚁小组中的蚂蚁构造路 径的时候就会参考这个属性，由于使用图分解之后，每个潜在编码节点只有一条出边，如果 这个潜在编码节点有大于1条的入边，则说明该节点需要编码，所以蚂蚁会参考这个属性 作为启发因子，选尽量大的启发因子,保证当前节点尽量只选择一条入边，即保证当前节点 尽量不做编码操作。
[0014] 本发明实现其发明目的的具体手段是：
[0015] 一种基于蚁群优化算法的网络编码环境下资源优化方法，构造多个从起点到特定 终点满足数据速率的路径集合，且使编码节点尽可能少，以在保证传输速率不变的情况下， 尽量优化网络编码资源，包括如下处理步骤：
[0016] 步骤1、输入初始拓扑结构G(V，E)，其中包含一个源节点S，d个接收节点，通过最 大流最小割定理计算该拓扑的最大速率R ;
[0017] 步骤 2、使用图分解（参考文献 1M. Kim, V. Aggarwal，U. 0 Reilly, M· M6dard，and W· Kim, "Genetic representations for evolutionary minimization of network coding resources, 〃: Springer, 2007, pp. 21-31.)的方法，将输入网络拓扑结构上潜在的编码节点 进行分解，使便于判断数据在潜在编码节点中的传输方式，从而判断该潜在编码节点是否 为实际意义上的编码节点；分解后新的拓扑结构作为输入，使蚁群在该拓扑结构之上寻找 路径；
[0018] 步骤3、初始化蚁群信息素矩阵，蚁群其他参数及迭代次数I ;
[0019] 步骤4、根据接收节点的个数d生成d个蚂蚁小组，为每个小组指定一个接收节点， 每个蚂蚁小组有R只蚂蚁。令蚂蚁小组序号为k，k: = 1 ;
[0020] 步骤5、第k个蚂蚁小组构建路径集，令蚂蚁的序号为n，n: = 1 ;
[0021] 步骤6、第η只蚂蚁构建路径，如果路径构建成功，跳转至步骤7,否则跳转至步骤 8 ;
[0022] 步骤7、将构建好的路径加入到禁忌表中，以防止同组的蚂蚁再选择该路径，η = n+1 ;如果n< = R，跳转至步骤6,否则跳转至步骤9 ;
[0023]步骤8、将禁忌表清空，执行信息素局部惩罚更新机制，对当前路径集中的路径执 行起惩罚作用的信息素局部更新策略，以防止不适合的路径重新被蚂蚁选择；?目息素更新 后跳转至步骤5,本组蚂蚁重新构建路径集；
[0024]步骤9、使用本组蚂蚁成功构建的路径集进行信息素局部更新奖励机制。使用本组 路径集对启发因子进行更新；k = k+i，如果k〈 = d，跳转至步骤5,否则，跳转至步骤10 ; [0025]步骤10、所有路径集合并为一个解决方案；计算该方案的编码节点个数，同全局 最优解比较，优于全局最优则用当前解更新全局最优解，并执行全局信息素更新操作。I = 1-1，如果1>0,跳转至步骤4,否则，算法结束，输出全局最优解。
[0026] 实际处理过程中：在步骤3、步骤6、步骤8、步骤9和步骤10的处理中，每只蚂蚁 对应一张信息素表，只有不同迭代次数，相同位置的蚂蚁才共享同一张信息素表。
[0027] 在步骤6和步骤9中，将当前情况下网络拓扑中的边被选择的次数作为启发因子； 当之前的蚂蚁小组成功构造路径集之后，对该路径集中的每条边被选次数属性加1 ;每个 潜在编码节点只有一条出边，如果这个潜在编码节点有大于1条的入边，代表该潜在编码 节点为实际编码节点。即采用该属性作为启发因子；选尽量大的启发因子。
[0028] 步骤6第η只蚂蚁构建路径时，如果蚂蚁在一个节点上只能转移到另外一个节点 上，则直接跳转；如果有多个节点可选择，则使用公式
【权利要求】
1. 一种基于蚁群优化算法的网络编码环境下资源优化方法，构造多个从起点到特定终 点满足数据速率的路径集合，且使编码节点尽可能少，以在保证传输速率不变的情况下，尽 量优化网络编码资源，包括如下处理步骤： 步骤1、输入初始拓扑结构G(V，E)，其中包含一个源节点S，d个接收节点，通过最大流 最小割定理计算该拓扑的最大速率R ; 步骤2、使用图分解的方法，将输入网络拓扑结构上潜在的编码节点进行分解，使便于 判断数据在潜在编码节点中的传输方式，从而判断该潜在编码节点是否为实际意义上的编 码节点；分解后新的拓扑结构作为输入，使蚁群在该拓扑结构之上寻找路径； 步骤3、初始化蚁群信息素矩阵，蚁群其他参数及迭代次数I ; 步骤4、根据接收节点的个数d生成d个蚂蚁小组，为每个小组指定一个接收节点，每个 蚂蚁小组有R只蚂蚁：令蚂蚁小组序号为k，k: = 1 ; 步骤5、第k个蚂蚁小组构建路径集，令蚂蚁的序号为η，η: = 1 ; 步骤6、第η只蚂蚁构建路径，如果路径构建成功，跳转至步骤7,否则跳转至步骤8 ; 步骤7、将构建好的路径加入到禁忌表中，以防止同组的蚂蚁再选择该路径，η = η+1 ; 如果η〈 = R，跳转至步骤6,否则跳转至步骤9 ; 步骤8、将禁忌表清空，执行信息素局部惩罚更新机制，对当前路径集中的路径执行起 惩罚作用的信息素局部更新策略，以防止不适合的路径重新被蚂蚁选择；信息素更新后跳 转至步骤5,本组蚂蚁重新构建路径集； 步骤9、使用本组蚂蚁成功构建的路径集进行信息素局部更新奖励机制；使用本组路 径集对启发因子进行更新；k二k+Ι，如果k< = d，跳转至步骤5,否则，跳转至步骤1〇 ; 步骤10、所有路径集合并为一个解决方案；计算该方案的编码节点个数，同全局最优 解比较，优于全局最优则用当前解更新全局最优解，并执行全局信息素更新操作；I = I-1， 如果1>〇,跳转至步骤4,否则，算法结束，输出全局最优解。
2·根据权利要求1所述的基于蚁群优化算法的解决网络编码资源优化的方法，其特征 在于，在步骤3、步骤6、步骤8、步骤9和步骤10的处理中，每只蚂蚁对应一张信息素表，只 有不同迭代次数，相同位置的蚂蚁才共享同一张信息素表。
3·根据权利要求1所述的基于蚁群优化算法的解决网络编码资源优化的方法，其特征 在于，在步骤6和步骤9中，将当前情况下网络拓扑中的边被选择的次数作为启发因子；当 之前的蚂蚁小组成功构造路径集之后，对该路径集中的每条边被选次数属性加1 ;每个潜 在编码节点只有一条出边，如果这个潜在编码节点有大于1条的入边，代表该潜在编码节 点为实际编码节点；即采用该属性作为启发因子；选尽量大的启发因子。
4.根据权利要求1所述的基于蚁群优化算法的解决网络编码资源优化的方法，其特征 在于，在步骤8与步骤9信息素的局部更新方式中： 信息素局部惩罚更新机制为防止不适合的路径重新被蚂蚁选择，更新方式见以下公 式： τ (tk,n, (i, j)) = τ (tk, n, (i, j))-A τχ 信息素局部奖励更新机制，该策略对于被成功构建的路径集（解空间包含中大量的不 可行路径集）起奖励作用；更新方式见以下公式： τ (tk,n, (i, j)) = τ (tk, n, (i, j)) + A τ. 其中Λ τι取值为1/1V' I，其中IV' I为图分解后的节点个数。
【文档编号】H04W40/24GK104219154SQ201410486183
【公开日】2014年12月17日 申请日期:2014年9月22日 优先权日:2014年9月22日
【发明者】邢焕来, 王诏远, 李天瑞, 叶佳, 李可 申请人:西南交通大学