基于混沌搜索和人工免疫算法的路由优化方法
【技术领域】
[0001] 本发明属于通信网络技术领域，尤其设及一种基于混浊捜索和人工免疫算法的路 由优化方法。
【背景技术】
[0002] 随着网络功能的不断增加，单约束条件下的路由优化已不能满足用户对网络服务 质量的要求。多约束路由优化问题属于NP完全问题，无法在多项式时间内准确求解，因此 许多研究人员采用智能进化算法来解决多约束路由优化问题。Mehdi化atee利用混合遗传 算法来解决多商品流路由问题，提高了通道利用率并减小了时延和阻塞率；刘欣、李飞等人 利用量子遗传算法来解决选播QoS路由问题，使网络资源利用的更加合理并降低了网络拥 塞概率；方仕勇、邹恩等人利用混浊遗传算法来求解多约束QoS路由问题，改善了经典遗传 算法的收敛性能；Zhu Li, Li Zhishu等人利用免疫遗传算法来求解Mesh网络中的QoS约 束路由问题，实现了网络负载均衡并提高传统遗传算法的全局寻优效率。
[0003] 智能进化算法求解多约束路由的问题之一就是可行解的生成问题。实际网络的可 行解集即路径集是非完备集，传统采用定长二进制或十进制编码方式随机生成的路径大多 数是非可行解，必须重复执行生成过程，直到获得一定数量的可行解，运样会严重影响优化 算法的效率，因此部分研究人员只能W完全图为基础开展路由算法的研究。有一些研究人 员提出了利用禁忌捜索方法和混浊捜索方法来生成路径，虽然两种方法都能生成可行解， 但必须在路径生成之后检查是否存在环路，若存在，还必须执行去环路的算法，一定程度上 也降低了可行路径解的生成效率。
[0004] 智能进化算法求解多约束路由的另一个问题是单次运行结果的不确定性问题。智 能进化算法为了保证种群的多样性，都存在交叉或变异操作，传统的交叉或变异操作都是 基于随机概率的，运就会导致进化过程的随机性，进而使单次算法执行的结果存在不确定 性，可能最优，也可能次优，甚至较差。虽然许多研究人员采用多次算法执行结果的平均值 来说明算法的优越性，但运种不确定性在某些实际应用中是不允许的。
【发明内容】
[0005] 本发明的目的在于，提供一种基于混浊捜索和人工免疫算法的路由优化方法，用 于解决现有技术中可行路径解生成效率低，单次优化结果不确定等缺陷。
[0006] 为了实现上述目的，本发明的技术方案是，基于混浊捜索和人工免疫算法的路由 优化方法，其特征是该方法包括：
[0007] 步骤1 :利用基于混浊捜索和动态邻接矩阵的路径生成算法产生N条路径作为人 工免疫算法的初始抗体种群，N为设定值；
[0008] 步骤2 :对抗体种群进行亲和度计算，并按照亲和度大小进行降序排列，如果当前 进化代数已经达到最大值，则选择亲和度最大的抗体作为路由优化的结构进行输出，否则， 进入步骤3 ;
[0009] 步骤3 :在排列后的抗体种群中选择前M个抗体组成记忆种群，M为设定值，且满足 KN ；
[0010] 步骤4:对记忆种群中的抗体进行克隆操作，生成含有C个抗体的克隆种群，C为设 定值，且满足C+M<N;
[0011] 步骤5 :对克隆种群中的抗体进行动态疫苗接种并进行变异操作；
[0012] 步骤6 :对抗体种群中第M+1个抗体至第N-C个抗体进行自由变异操作，生成含有 N-C-M个抗体的变异种群；
[001引步骤7 :将记忆种群、克隆种群和变异种群组成新一代抗体种群，返回步骤2。
[0014] 所述步骤1中，基于混浊捜索和动态邻接矩阵的路径生成算法的具体步骤为：
[0015] 步骤1.1 :设网络G= (V，E)，是简单、连通、无向图，V是网络的节点集合，E是网 络的链路集合，网络的初始邻接矩阵A°为：
[0016]
L iink(\\,v.) G E
[0017] 其中谷巧二。 ，'J ，n是网络的节点数量。设当前邻接矩阵 留. 0， (n'hers 为A，所要生成的路径的源节点为S，目的节点为d，路径经过的节点集合为P (S，d)，其初始 状态为P(s，d) = {s}，路径捜索过程中的当前节点为Vi,其上游节点为Vy,下游节点为V,， 令A = A°，Vi= S，A二I 二表示节点Vk在当前邻接矩阵中的邻居节点集；
[001引步骤1. 2 :令A =巧-，k = 1，2,. . .，n，即将A中第i列元素全部置0,得 到新的邻接矩阵A'，令A = A';
[001引步骤1. 3 :若A中片二<^，即第i行元素全部为0,转步骤1. 5,否则，转步骤1. 4 ;
[0020] 步骤1. 4 :利用混浊捜索确定Vi的下游节点V ,，将节点V加入路径节点集P (S, d) 中，令i = Z，若Vi= d，寻路成功，算法结束，否则，转步骤1. 2 ;
[0021] 步骤1. 5 :若Vi= S，寻路失败，算法结束，否则，在P (S，d)中删除节点V 1，并令i =X，转步骤1. 3。
[0022] 所述步骤1. 4中的混浊捜索的具体方法为：利用混浊方程产生的一个区间（0, 1) 上的伪随机数S，捜索结果的计算公式是：
[0023] m = ceil (5 ^h), (1)
[0024] 其中，函数ceil (.)表示向上取整，h是与捜索对象有关的参数，在步骤1.4中，h 的值为A中Vi的邻居节点个数，A中V 1的第m个邻居节点即为V 1的下游节点V Z。
[0025] 所述步骤5中，对抗体进行动态疫苗接种并进行变异操作的具体方法为：
[002引步骤5. 1 :设抗体P (Vi, vj = {vi, V2, V3, . . .，Vu, vj，其中L为抗体中节点的个数 即抗体的长度，令h =以利用公式（I)计算m的值；
[0027] 步骤5. 2 :抗体中参与变异的基因位数为1，接种疫苗的位数为kl，l为设定值，且 KL抗体中作为疫苗被保留的基因段为{vi，V2, . . .，Vy} U {vy+w，. . .，V,}，需要进行变异的 基因段为{Vv4, Vv+2, . . .，VyJ，y的计算公式是：
[0029] 其中mod (.)为求余函数；
[0030] 步骤5. 3 :利用步骤1中所述路径生成算法，重新生成路径P (Vy，Vy+W)，设 P (Vy, Vw) = {Vy, Vi'，V' 2,. . .，V，ViJ，则动态疫苗接种并变异后的抗体为P'（Vi, vj = {Vl, V2, . . . , Vy, Vi，, V，2, . . . , v/ , Vy+w, . . . , vj。
[0031] 所述步骤6中，对抗体进行自由变异操作的具体方法为：
[003引步骤6. 1 :设抗体P (Vi, vj = {vi, V2, V3, . . .，Vu, vj，其中L为抗体中节点的个数 即抗体的长度，令h =以利用公式（1)计算m的值；
[0033] 步骤6.2 :若m = L返回步骤6. 1，否则，利用步骤1中所述路径生成算法，重 新生成路径P Om, Vj，设P Om, Vj) = (Vm, Vi'，V' 2, . . .，V\ m 1，Vj，则自由变异后的抗体为 P'（Vi, Vl) = {Vi, V2, . . .，Vm, v/，V' 2, . . .，V' L m 1，vj。
[0034] 下面证明本发明步骤I中所述路径生成算法的有效性：
[0035] 命题1 :算法在连通图G中必然能够找到路径P (S，d)。
[0036] 证明：由于G是连通图，所W路径p(s，d) -定存在，不妨设其路径节点集为 p(s, d) = {Vi, V2, V3, . . .，Vl 1，vj，其中 Vi= S，V L=山则店:巨的―,=>? A__,卓參；假设 算法结束且寻路失败，根据步骤1. 5中算法结束条件可知餐1二咬，令表示A°中V 1 的邻居节点集，则^2 =<^，否则算法将在谷3中捜索路径，不会结束，同理， = 0与A二苗今...与件-I二4 ;抑―1二苗与辟-1右^矛盾，因此假设不成立， 命题1得证。
[0037] 命题2 :算法所得路径必然是无环的。
[0038] 证明：假设命题2不成立，即算法得到有环路径，不妨设其为p(s，d)= (s, V2, V3, . . .，Vi; 1，Vi;,...，山，其中Vi; = V 3,出现了环路，根据步骤1. 4和步骤1. 2可知， 当乂3作为乂2的下游节点加入口(3，(1)后，杉3若9^心-=1，2，,,.，巧）^和3若辟,_1;;算法继 续执行至Vi= V L' 1时，Vz二V以二Vg诗1，3 E片S 1，3 E知一1与V; ^知--1矛盾，因此 假设不成立，命题2得证。
[0039] 本发明的有益效果在于：本发明所述方法中的路径生成算法可W快速、直接生成 智能进化算法所需的有效路径解，提高了智能进化算法求解多约束路由问题的效率；本发 明在所述方法中的人工免疫算法中利用混浊捜索替代了传统的变异概率，保证了优化结果 的确定性；本发明在所述方法中的人工免疫算法中利用动态疫苗接种保留优秀抗体的优秀 基因，保证了算法的高速收敛性，同时利用自由变异，保证了算法的全局寻优能力，使算法 迅速收敛于全局最优解。
【附图说明】
[0040] 图1为本发明所述方法的流程图；
[0041] 图2为本发明实施例所使用的网络拓扑结构图；
[004引图3为本发明所述方法与QCGA方法、IGRA方法的两个单次运行结果；
[0043] 图4为本发明所述方法与QCGA方法、IGRA方法运行50次的平均值结果。
【具体实施方式】
[0044] 下面结合附图，对优选实施例作详细说明。应该强调的是，下述说明仅仅是示例性 的，而不是为了限制本发明的范围及其应用。