CN101741749A - 基于免疫克隆的多目标组播路由优化方法 - Google Patents

Abstract

本发明公开了一种基于免疫克隆的多目标组播路由优化方法，主要解决组播路由优化问题。其实现步骤为：(1)给定运行参数，生成网络模型，产生初始抗体群；(2)计算个体目标值，找到非支配抗体群，利用自适应划分选择策略对其修剪，得到优势抗体群和活性抗体群；(3)判断结束条件，满足则输出优势抗体群，否则转(4)；(4)据活性抗体群个体目标值，对其克隆；(5)对克隆后抗体群交叉、变异；(6)将(5)中抗体群与(2)中优势抗体群组合；(7)据组合抗体群个体目标值，找到非支配抗体群，利用自适应划分选择策略对其修剪，得到优势抗体群和活性抗体群，返回步骤(3)。本方法能够给出组播路由多条路径，更加合理配置网络资源。

Description

基于免疫克隆的多目标组播路由优化方法

技术领域

本发明属于网络通信技术领域，涉及组播路由优化，特别是一种多目标组播路由优化方法。该方法可用于解决QoS(Quality ofService)组播路由问题，即通过优化路由技术，更加合理的配置网络资源。

背景技术

现代计算机网络包括Internet都是分组交换网。在进行分组交换网设计时，网络的路由选择是需要考虑的重要因素。一个好的路由选择可以使网络的平均时延较低，提高网络的吞吐量。同时，路由选择是一个非常复杂的问题，这是因为，路由选择是网络中的所有节点共同协调工作的结果；其次，路由选择的环境往往是在变化的，而这种变化有时无法事先知道。此外，当网络发生拥塞时，就特别需要有能缓解这种拥塞的路由选择策略，但恰好在这种条件下，很难从网络中的各节点获得所需的路由选择信息。可见路由选择在当前乃至于在可预见的未来，都是分组交换网的重要组成部分，其性能的好坏将直接影响到网络整体性能的好坏。

随着网络通讯技术的快速发展以及Internet的普及，出现了许多新的网络应用系统，如远程教学、视频会议、计算机协同计算、数据分发和网络游戏等综合性业务。这些新出现的通信业务要求将数据信息从一个节点同时发送到一组目的节点，因此，要求网络必须具有点到多点或多点到多点的通信能力。若采用传统的单播或广播通信方式，会浪费大量的带宽资源而无法满足当前网络信息传输的要求。组播是针对这种情况提出的一种根本的解决方案，它是一种从一个发送者同时向特定多个接收者传送数据的通信过程，由于组播通信是建立树状路由，数据只在树的分枝处复制，能够有效的节约带宽、降低服务器负载、降低网络负载和减少拥塞。

由于组播传输的多为多媒体数据，量大而且有着相对严格的带宽、时延、时延抖动、丢包率等要求，即带有QoS约束。对于实时交互性应用，要求更高。过去传统的那种只能使各种数据流在网络中平均地分享网络资源的传输方式，已经不能很好的满足有QoS要求的实时多媒体业务传送的需要，为了寻求数据的组播路径，需要针对组播的特点设计专门的组播路由算法，因此，对QoS约束的组播路由算法的研究就逐步开展起来。具有QoS约束的组播路由算法，就是按照某种路由策略，利用网络状态信息来构造一棵包含所有组播成员的组播路由，以确定数据的传送路径，同时尽可能满足各种QoS需求，即寻找一条端对端的同时满足各种条件的传输路径，以期达到网络资源的最大化利用。

当前研究较多的QoS约束组播路由问题有基于带宽约束的组播路由问题、基于时延约束的组播路由问题、基于时延抖动约束的组播路由问题和基于度约束的组播路由问题等等。相关研究已经证明，基于QoS约束的最小代价组播路由问题是NP-complete问题，传统的Bellman-Ford或Dijkstra路由算法很难解决。近年来，国内外学者提出了许多启发式算法，一般情况下，这些算法能在多项式时间内找到合适的解，但启发式算法只适合特定的网络，常陷于局部最优，很难找到全局最优解，而且这些方法很难并行实现。

进化算法(evolutionaryalgorithm，EA)代表了一类模拟自然进化过程的随机优化方法，它是一种新兴的搜索技术，广泛用于解决NP难问题，并且在其发展过程之中已被公认为是多目标优化最适合的方法之一。目前，对于具有NP难度网络QoS路由的研究已经非常活性，其中尤以用遗传算法求解的相关研究最为普遍，并已形成了一些成果和共识，但传统进化算法在解决多目标优化问题时常将多个目标聚合成单目标，给出唯一解，不能很好满足决策者合理配置网络资源的要求。

发明内容

本发明的目的在于克服已有技术的不足，提出一种基于免疫克隆的多目标组播路由优化方法，以实现给出组播路由的多条合理路径，使决策者能够根据自己的需求寻找最佳调和解。

本发明的技术方案是将组播路由优化归结为多目标优化问题，用人工免疫系统中的免疫克隆思想构造一棵包含所有组播成员的组播路由，以确定数据的传送路径，利用免疫克隆计算快速全局收敛的特点，搜索多目标优化问题的可行解，最终给出组播路由的多条合理路径。具体实现步骤包括如下：

(1)设定种群进化的终止代数，给定优化的运行参数，生成网络模型，利用随机深度优先搜索算法产生初始抗体群；

(2)计算抗体群中每个个体的目标函数值，找到其中的非支配抗体群，利用自适应划分选择策略对非支配抗体群进行修剪操作，再分别依据给定优化运行参数中设定的优势抗体群的规模和活性抗体群的规模，得到非支配抗体群中的优势抗体群和活性抗体群，并置当前进化代数为第一代；

(3)根据步骤(1)中设定的种群进化的终止代数，判断当前进化代数是否大于或等于终止代数，如果是则结束优化，输出此时的优势抗体群；否则，执行步骤(4)；

(4)计算步骤(2)中得到的活性抗体群中每个个体的目标函数值，利用比例克隆方法对活性抗体群中的个体执行克隆操作；

(5)对执行克隆操作后得到的抗体群中的每个个体依次执行交叉操作变异操作；

(6)将由交叉、变异操作后得到的抗体群与优势抗体群进行组合；

(7)计算组合抗体群中每个个体的目标函数值，找到其中所有的非支配抗体，再次利用自适应划分选择策略对非支配抗体群实施修剪操作，得到非支配抗体群中的优势抗体群和活性抗体群，返回步骤(3)。

本发明与现有技术相比具有如下优点：

1、收敛速度快

克隆选择的基因进化规律表明，作为遗传信息记忆单元的基因，进化中拥有自我复制能力；然而多变的环境促使基因自我复制出错，导致遗传微变；大部分突变基因由于突变容易直接导致死亡，只有很小一部分突变基因能够正常繁殖。小区域内基因的自我复制、遗传突变、变异死亡促使原始基因多向繁殖和广泛繁殖。本发明在每代进化中利用自适应划分选择策略选择非支配个体进行克隆操作，增强了当前折衷前沿稀疏区域的局部搜索，同时采用精英策略，将每次进化后得到的优势抗体保留下来，参与到下一代的进化中，从而大幅提高了寻找组播路由合理路径的速度。

2、搜索性能好

组播路由的优化是一个具有NP(Nondeterministic Polynomial)复杂度的组合优化问题，现有的技术通常是保留一个目标，而将其他目标作为约束，或是通过加权的方式将多个目标变成单个目标来处理。本发明使用多目标优化处理组播路由，克服已有技术的不足，在优化的过程中综合考虑多个目标，根据Pareto策略，采用个体间相互支配的关系来选择个体，为获得多个可行方案提供了理论依据；同时本发明不需要问题的先验知识，利用免疫克隆计算快速全局收敛的特点，搜索多目标优化问题的可行解，最终给出组播路由的多条合理路径，使决策者能够根据自己的需求寻找最佳调和解。

附图说明

图1是本发明实现流程框图；

图2是本发明仿真时生成的网络模型；

图3是在目的节点所占总结点数目比例变化时，本发明与现有技术的相互支配关系图；

图4是在总节点的平均度数变化时，本发明与现有技术的相互支配关系图。

具体实施方式

参照图1，针对组播路由路径选择的具体问题，对本发明设计的多目标优化技术具体的实现步骤如下：

步骤1，生成网络模型。

1a)生成随机节点

第一步：把网络平面分成4000*4000个小区域，随机在每个小区域上做上节点分布密集区、节点分布稀疏区或无节点分布区的标记；

第二步：根据给定的概率p来选择节点所处的小区类型，例如选择节点分布密集区的概率是p，则选择稀疏区的概率是1-p；选定小区类型后，再按类型随机选择一个具体的小区；在选定的小区内随机选择一个方格顶点来放置节点；

第三步：重复执行第二步，产生100个随机节点。

1b)对100个随机节点随机连接

参照图2，本发明所采用的网络模型，是利用Waxman算法将每一节点对(u，v)定义一个概率函数：P(u，v)＝(3.5e/|V|)exp(-l(u，v)/0.2L)，其中l(u，v)是节点对(u，v)间的距离；L是网络中节点对之间的最大距离，e是期望的节点平均度数，|V|是网络节点数，这里设B为100*100大小的单位矩阵，B中相应位置处的元素值表示对应的两个节点间的连接状态，0表示未连接，1表示存在连接。

根据所属网络模型对上述100个随机节点进行随机连接的方式如下：

首先，按Waxman算法给出的概率P(u，v)＝(3.5e/|V|)exp(-l(u，v)/0.2L)在未产生过连接的节点u，v间产生连接，要注意的是，未产生过连接并不是说2个节点间不存在连接，只要是2个节点间按概率产生连接后，不论2个节点间的连接是否真正存在，都称这2个节点之间产生了连接，同时置B中两个节点对应位置处的元素值为1；

接着，检查B中所有元素的值是否为1，如果是，则连接完成，否则对B中零值元素位置对应的两个节点按Waxman算法创建连接；

最后，采用深度优先搜索遍历检测该随机网络是否连通，如果是则产生随机网络成功；否则，清除所有连接，重新对上述100个随机节点进行随机连接。

1c)设定种群进化的终止代数，给定优化的运行参数，利用随机深度优先搜索算法产生初始抗体群；

首先，确定源节点s和目的节点Tar＝{tar₁，...，tar_{NUM_TRAGET}}，设定种群进化的终止代数为20，给定优化的运行参数为：交叉概率0.6、变异概率1、优势抗体群规模10、活性抗体群规模5、比例克隆规模30；

接着，以访问路径的节点序列为编码准则，对每条染色体设置一个节点访问状态向量，具体编码策略为：初始抗体群中的每个个体代表一棵组播树，该组播树由一系列从源节点到目的节点的路径表示为T＝{P₁，P₂，...，P_{|NUM_TARGET|}}，其中T代表组播路由树，P₁，P₂，...，P_{|NUM_TARGET|}分别表示从源节点到各目的节点的路径，并且每条路径上记录了从源节点到目的节点所经过的节点序列；

最后，利用随机深度优先搜索算法生成初始抗体群，具体做法是：从源节点开始，随机地选择一个与之相关联的节点，将两点相连；然后从选择的节点开始继续随机地选择与其关联的下一个节点，在连接时要判断是否有回路，如有回路则重新进行节点的选择，直至搜索到所有目的节点。

步骤2，计算抗体群中每个个体的目标函数值，找到其中的非支配抗体群，利用自适应划分选择策略对非支配抗体群进行修剪操作，再分别依据给定优化运行参数中设定的优势抗体群的规模和活性抗体群的规模，得到非支配抗体群中的优势抗体群和活性抗体群，并置当前进化代数为第一代；

2a)确定的组播路由的优化目标函数为F＝min(f₁，f₂，f₃)，其中，f₁＝min(∑cost(T))表示组播树的代价；f₂＝min(δ²)为负载均衡函数；f₃＝min(degree(T))为度约束函数；

2b)计算当前抗体群中每个个体的目标函数值，根据抗体群中个体的目标函数值，由Pareto非支配的定义，找到其中的非支配抗体群，利用自适应划分选择策略对非支配抗体群进行修剪操作，依据给定优化运行参数中设定的优势抗体群的规模，得到非支配抗体群中的优势抗体群，其步骤如下：

第一步，设优势抗体群的规模为k＝1，选出非支配抗体群中距离非支配抗体群的几何中心欧式距离最近的个体组成优势抗体群；

第二步，对优势抗体群的规模加1，即k′＝k+1，添加非支配抗体群剩余个体中的任一个体到该优势抗体群中，并利用K均值算法将非支配抗体群划分为k′个子区间，选择子区间中距离子区间几何中心欧式距离最近的个体组成当前优势抗体群；

第三步，根据给定的优化运行参数，判断当前优势抗体群规模是否等于设定的优势抗体群的规模，如果是则结束修剪操作，输出当前优势抗体群；否则，执行第二步。

2c)利用自适应划分选择策略对非支配抗体群进行修剪操作，依据给定优化运行参数中设定的活性抗体群的规模，得到非支配抗体群中的活性抗体群，其步骤如下：

第1步，设活性抗体群的规模为s＝1，选出非支配抗体群中距离非支配抗体群的几何中心欧式距离最近的个体组成活性抗体群；

第2步，将活性抗体群的规模加1，即s′＝s+1，添加非支配抗体群剩余个体中的任一个体到活性抗体群中，并利用K均值算法将非支配抗体群划分为s′个子区间，选择子区间中距离子区间几何中心欧式距离最近的个体组成当前活性抗体群；

第3步，根据给定的优化运行参数，判断当前活性抗体群规模是否等于设定的活性抗体群的规模，如果是则结束修剪操作，输出此时的活性抗体群；否则，执行第2步。

步骤3，根据步骤1中设定的种群进化的终止代数，判断当前进化代数是否大于或等于终止代数，如果是则结束优化，输出此时的优势抗体群；否则，执行步骤4；

步骤4，计算步骤2中得到的活性抗体群中每个个体的目标函数值，利用比例克隆方法对活性抗体群中的个体执行克隆操作。

4a)利用拥挤距离：

计算当前非支配个体种群中个体a的拥挤度距离，式中：

f_j ^max是第j个目标函数的最大值，

f_j ^min是第j个目标函数的最小值，

q为优化多目标个数，

ζ_a ^j为个体a的第j个目标函数的拥挤度距离，该ζ_a ^j的计算方式为：如果个体a第j个目标函数的数值f_j(a)等于f_j ^max或者等于f_j ^min，则ζ_a ^j的数值为无穷大；否则，在当前非支配个体种群中，找出第j个目标函数的数值大于f_j(a)的个体a′和第j个目标函数的数值小于f_j(a)的个体a″，则ζ_a ^j的数值为f_j(a′)-f_j(a″)，这里f_j(a′)为个体a′的第j个目标函数的数值，f_j(a″)为个体a″的第j个目标函数的数值；

4b)当前活性抗体群A中个体a的比例克隆规模q_a按照下式计算：

其中CS为克隆规模，ζ_a是个体a的拥挤度距离，∑ζ_a是当前活性抗体群中所有个体的拥挤度距离之和。

步骤5，对执行克隆操作后得到的抗体群中的每个个体执行交叉、变异操作。

5a)随机的从克隆增殖后的抗体群中选择两个个体进行交叉操作，交叉操作的具体过程是：

对于要进行交叉的两个个体，随机选择一个目的节点，如果两个个体中从源节点到该目的节点的路径不完全相同，但有相同的节点，则选择两条路径中的公共节点作为交叉点，当有两个以上的公共节点时，选择其中之一作为交叉点，通常选择第一个公共点；如果两个个体中从源节点到该目的节点的路径完全相同或没有公共点，则重新从克隆增殖后的抗体群中选择一个个体，重新进行判断交叉条件，如果满足，则交换两交叉个体公共节点之后的路径片段，将片段更新后的个体存入交叉抗体群；否则判断是否达到最大的寻找次数，这里如果是则终止对当前个体的交叉操作，否则继续从活性抗体群中选择个体。

5b)对于交叉后抗体群中的个体都进行变异操作，对某个个体的变异过程如下：

第A步：选定从源节点到第一个目的节点的路径，在源节点和目的节点之前的一个节点之间，随机选择一个节点，作为子路径的起点；随机选择一个优化目标作为当前考虑的耗费指标，应用Dijkstra算法产生从子路径起点到目的节点的最小耗费路径，更新原来的个体的对应路径；

第B步：判断是否对从源节点到所有目的节点的路径都进行了变异操作，如果是，则将当前的更新路径后的个体作为变异操作后的个体；否则，选择从源节点到下一个目的节点的路径；

第C步：选定从源节点到下一个目的节点的路径，在源节点和目的节点之前的一个节点之间，随机选择一个节点，作为子路径的起点；随机选择一个优化目标作为当前考虑的耗费指标，应用Dijkstra算法产生从子路径起点到目的节点的最小耗费路径，更新原来的个体的对应路径，返回第B步。

步骤6，将由交叉、变异操作后得到的抗体群与优势抗体群进行组合。

步骤7，计算组合抗体群中每个个体的目标函数值，找到其中所有的非支配抗体，再次利用自适应划分选择策略对非支配抗体群实施修剪操作，得到非支配抗体群中的优势抗体群和活性抗体群，返回步骤3。

本发明的效果可通过以下仿真进一步说明：

1.仿真条件及仿真内容：

本实例在Intel(R)Core(TM)2Duo CPU 2.33GHz Windows XP系统下，Matlab7.0运行平台上，完成本发明与现有GMR和AMR方法的仿真实验。

2.仿真实验内容

A.目的节点所占总结点数目比例变化时，本发明与现有GMR和AMR技术优化组播路由的相互支配关系

将本发明与现有技术应用在如图1所示总节点数目为100的网络模型上，利用网络状态信息构造一棵包含所有组播成员的组播路由，以确定数据的传送路径，同时尽可能满足各种QoS需求，即寻找一条端对端的同时满足各种条件的传输路径。图3是在目的节点所占总结点数目比例分别为0.05，0.1，0.15，0.2，0.3，0.5，0.7时，本发明与现有技术优化组播路由的相互支配关系图。

B.总节点的平均度数变化时，本发明与现有GMR和AMR技术优化组播路由的相互支配关系

将本发明与现有技术应用在如图1所示总节点数目为100的网络模型上，利用网络状态信息构造一棵包含所有组播成员的组播路由，以确定数据的传送路径，同时尽可能满足各种QoS需求，即寻找一条端对端的同时满足各种条件的传输路径。图4是在总结点的平均度数分别为5，10，15，20，25，30时，本发明与现有技术优化组播路由的相互支配关系图。

3.仿真实验结果

从图3可以看出，随着目的节点占总节点数目比例的增大，本发明相对现有GMR和AMR技术得到的方案，能提供更加合理的路径，使决策者能够根据自己的需求寻找最佳调和解。

从图4可以看出，本发明能够更好适应复杂度逐渐增大的网络，当网络中总节点的平均度数逐渐增大时，本技术相对现有GMR和AMR技术，能提供组播路由的多条合理路径，更大程度上符合现实生活中处理网络路由问题的需要。

由以上的仿真实验可以看出，针对组播路由的优化，本发明存在一定的优势，克服了现有技术应用在组播路由优化上的不足，最终给出的组播路由的多条合理路径均优于现有的GMR和AMR技术。

综上所述，本发明针对组播路由优化的效果明显优于现有的GMR和AMR技术对组播路由优化的效果。

Claims (5)

1.基于免疫克隆的多目标组播路由优化方法，包括如下步骤：

(1)设定种群进化的终止代数，给定优化的运行参数，生成网络模型，利用随机深度优先搜索算法产生初始抗体群；

(2)计算抗体群中每个个体的目标函数值，找到其中的非支配抗体群，利用自适应划分选择策略对非支配抗体群进行修剪操作，再分别依据给定优化运行参数中设定的优势抗体群的规模和活性抗体群的规模，得到非支配抗体群中的优势抗体群和活性抗体群，并置当前进化代数为第一代；

(3)根据步骤(1)中设定的种群进化的终止代数，判断当前进化代数是否大于或等于终止代数，如果是则结束优化，输出此时的优势抗体群；否则，执行步骤(4)；

(4)计算步骤(2)中得到的活性抗体群中每个个体的目标函数值，利用比例克隆方法对活性抗体群中的个体执行克隆操作；

(5)对执行克隆操作后得到的抗体群中的每个个体依次执行交叉操作和变异操作；                      

(6)将由交叉、变异操作后得到的抗体群与优势抗体群进行组合；

(7)计算组合抗体群中每个个体的目标函数值，找到其中所有的非支配抗体，再次利用自适应划分选择策略对非支配抗体群实施修剪操作，得到非支配抗体群中的优势抗体群和活性抗体群，返回步骤(3)。

2.根据权利要求1所述的基于免疫克隆的多目标组播路由优化方法，其中步骤

(2)所述的利用自适应划分选择策略对非支配抗体群进行修剪操作，并依据给定优化的运行参数中设定的优势抗体群的规模，得到非支配抗体群中的优势抗体群，按照以下步骤进行：

(2a)设优势抗体群的规模为k＝1，选出非支配抗体群中距离非支配抗体群的几何中心欧式距离最近的个体组成优势抗体群；

(2b)对优势抗体群的规模加1，即k′＝k+1，添加非支配抗体群剩余个体中的任一个体到该优势抗体群中，并利用K均值算法将非支配抗体群划分为k′个子区间，选择子区间中距离子区间几何中心欧式距离最近的个体组成当前优势抗体群；

(2c)根据给定的优化运行参数，判断当前优势抗体群规模是否等于设定的优势抗体群的规模，如果是则结束修剪操作，输出当前优势抗体群；否则，执行步骤(2b)。

3.根据权利要求1所述的基于免疫克隆的多目标组播路由优化方法，其中步骤

(2)所述的利用自适应划分选择策略对非支配抗体群进行修剪操作，并依据给定优化运行参数中设定的活性抗体群的规模，得到非支配抗体群中的活性抗体群，按以下步骤进行：

(3a)设活性抗体群的规模为s＝1，选出非支配抗体群中距离非支配抗体群的几何中心欧式距离最近的个体组成活性抗体群；

(3b)将活性抗体群的规模加1，即s′＝s+1，添加非支配抗体群剩余个体中的任一个体到活性抗体群中，并利用K均值算法将非支配抗体群划分为s′个子区间，选择子区间中距离子区间几何中心欧式距离最近的个体组成当前活性抗体群；

(3c)根据给定的优化运行参数，判断当前活性抗体群规模是否等于设定的活性抗体群的规模，如果是则结束修剪操作，输出此时的活性抗体群；否则，执行步骤(3b)。

4.根据权利要求1所述的基于免疫克隆的多目标组播路由优化方法，其中步骤(5)所述的交叉操作，按以下步骤进行：

(4a)从进行交叉的两个个体中，随机选择一个目的节点，置当前的交叉寻找次数为1；

(4b)如果两个个体中从源节点到该目的节点的路径不完全相同，且只有一个公共的节点，则选择这个公共的节点交叉点，当有两个或两个以上的公共节点时，选择第一个公共点作为交叉点，再对两个个体交叉点之后的序列进行交换，结束此次交叉操作；否则，判断当前的交叉寻找次数，如果交叉寻找次数已经超过五次，则退出交叉操作，否则执行步骤(4c)；

(4c)从活性抗体群中重新选择一个个体，递增当前的交叉寻找次数，执行步骤(4b)。

5.根据权利要求1所述的多目标免疫优化组播路由路径选择方法，其中步骤(5)所述的变异操作，按如下步骤进行：

(5a)在源节点与第一个目的节点之前的节点之间，随机选择一个节点，作为子路径的起点，再随机选择一个目标作为当前考虑的耗费指标，应用随机深度优先搜索算法产生从子路径起点到第一个目的节点的最小耗费路径，更新原来的个体的对应路径；

(5b)根据节点序号判断是否对从源节点到所有目的节点的路径都进行了变异操作，如果是，则将当前的更新路径后的个体作为变异操作后的个体；否则，执行步骤(5c)；

(5c)在源节点与下一个目的节点之前的节点之间，随机选择一个节点，作为子路径的起点，随机选择一个目标作为当前考虑的耗费指标，应用Dijkstra算法产生从子路径起点到目的节点的最小耗费路径，更新原来的个体的对应路径，返回步骤(5b)。

Images