CN101777990B - 多目标免疫优化组播路由路径选择方法 - Google Patents

Abstract

本发明公开一种多目标免疫优化组播路由路径选择方法，主要解决组播路由优化问题。其实现步骤为：(1)确定优化目标，生成网络模型，给定运行参数，生成初始种群；(2)消除个体路径环路；(3)计算个体目标值，生成当前非支配种群；(4)判断结束条件，满足则输出当前非支配种群；否则转(5)；(5)计算当前非支配种群个体拥挤度距离，生成活跃种群；(6)对活跃种群进行克隆和局部搜索操作；(7)对克隆后种群进行重组、变异和局部搜索操作；(8)将当前非支配种群与(6)、(7)所得种群合并，消除个体路径环路；(9)计算个体目标值，更新当前非支配种群，转(4)。本发明具有提供灵活质优的方案的优点，适用于组播路由路径选择。

Description

多目标免疫优化组播路由路径选择方法

技术领域

本发明属于网络通信技术领域，涉及组播路由路径的选择，特别是一种多目标免疫优化组播路由路径选择方法。该方法可用于在满足多个服务要求下的组播路由路径选择。

背景技术

随着Internet下的商业应用的成熟及高速宽带网络的快速发展，包交换计算机网络的通信容量从几Mbps增长到几百甚至几千Mbps，网络功能日益强大，网络业务也从简单的信息传送如E-mall和FTP发展到远程教学、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或多个源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，都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，它可以从本质上减少整个网络的运营代价和带宽需求，降低服务器和网络的负载，提高网络的服务质量。

通过网络传递信息的关键环节就是路由，即寻找从源节点到目的节点的有效路径。组播路由的目标就是寻找一系列从源节点出发并最终到达所有目的节点的路径，目前实现组播通信最有效的方法是构造组播树。组播树是由源节点和所有目的节点以及可使它们有效连通的链路构成的集合。而作为组播通信的重要组成部分和关键问题，寻找简单、高效、健壮的组播路由算法一直是网络界致力研究但未完全解决的问题。

网络应用的扩展，要求网络既能传送“尽力而为(best-effort)”的服务，也能传送有一定服务质量(QoS，Quality of service)要求的实时多媒体业务。而传统的尽力而为的传输方式只能使各种数据流在网络中平均地分享网络资源且能沿多条路径传输，而不能满足有QoS要求的实时多媒体业务传送的需要。因此，对QoS约束的组播路由算法的研究就逐步开展起来。

组播路由是要从源节点将同一份信息传送到多个目的节点，具有QoS约束的组播路由方法，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树，以确定数据包的传送路径，将同一份信息从源节点传送到多个目的节点，满足各种QoS需求，实现网络资源的优化。从网络用户的角度来看，基于QoS的组播路由算法首先应满足用户的QoS需求，即寻找一条端到端的、满足各种条件的传输路径。从服务提供商的角度来看，基于QoS的组播路由算法应能最优化地使用网络资源。

目前，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。在通常的通信网络中，我们不可能用多项式时间找到这些问题的答案，因此，研究较多的是采用启发式算法和智能优化算法解决这类问题。

目前，在利用智能优化算法解决基于QoS的组播路由问题方面，已经取得了较好的结果。这些智能优化算法主要包括遗传算法、模拟退火算法、禁忌搜索算法、蚁群算法和人工神经网络等。这些方法在处理多个目标的时候，通常在建模的时候把所有的QoS参数建模为带约束的单目标优化问题，或者采用加权的方式将多目标转化成单目标来优化，虽然通过这些方法有时也能够得到很好的解，即找到较优的路径方案，但是它所提供的选择方案是唯一的，并且在处理多个目标的时候不能稳定的找到较好的路径。随着网络的发展，用户的需求千差万别，运营商也要考虑网络的方方面面，迫切需要有种方法能给出满足约束要求的多种可选方案，使得决策者可以根据自身的实际情况和客户的具体要求，灵活的选择数据传输路径，在这种情况下使用多目标算法解决组播路由问题变的有效和可行。

发明内容

本发明的目的在于克服已有方法的不足，提出一种多目标免疫优化组播路由路径选择方法，以在增加可选择的方案数目的同时，提高处理多个目标问题中寻找高质量路径的稳定性。

本发明的技术方案是将基于QoS的组播路由问题看作是多目标优化问题。用人工免疫系统中的比例克隆技术增加当前解空间中稀疏个体的搜索机会，利用重组和变异技术在整个空间中大步长的搜索，同时使用局部搜索技术实现小步长的逼近，使得在搜索的过程中兼顾寻找局部最优，给出可选择的路径方案。具体步骤如下：

(1)确定优化多目标和约束条件，生成网络模型，设定种群进化终止代数，给定运行参数，根据网络模型使用随机Dijkstra算法生成初始种群；

(2)对初始种群中的每个个体，消除从源节点到目的节点路径中的环路；

(3)计算每个消除环路后的初始种群个体的目标函数值，去除不满足约束条件的个体，保留种群剩余个体中的非支配个体，作为当前非支配个体种群，并置当前进化代数为第一代；

(4)判断当前进化代数是否满足(1)中设定的种群进化终止代数，如果满足，输出当前的非支配个体种群；否则，执行第(5)步；

(5)计算当前非支配个体种群中个体的拥挤度距离，将拥挤度距离从大到小的顺序排列，根据设定的运行参数，优先选择拥挤度距离大的个体组成当前活跃种群；

(6)对当前活跃种群中的个体进行比例克隆操作，并对比例克隆种群中个体进行局部搜索操作，保留局部搜索所得种群；

(7)对比例克隆后的种群个体进行重组操作和变异操作，并对变异操作后的种群进行局部搜索操作，得到变异局部搜索种群；

(8)将保留的局部搜索种群和得到的变异局部搜索种群以及当前非支配个体种群组成合并种群，并对合并种群中的每个个体，消除从源节点到目的节点路径中的环路；

(9)计算消除环路后的合并种群中个体的目标函数值，去除不满足约束条件的个体，将种群剩余个体中的非支配个体作为当前非支配个体种群，递增当前进化代数，返回(4)，重新判断结束条件。

本发明与现有技术相比具有如下优点：

1、从多目标优化的角度处理组播路由问题，提高方案选择的灵活性

基于QoS约束的组播路由问题是一个多目标问题，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。约束方式处理需要对问题有一定的先验知识，先验知识的优劣程度直接决定着约束条件的设置，从而影响搜索性能；同时现实问题中通常很难提前获得问题的先验知识，这就限制了约束处理方式的应用，鲁棒性不强。对于加权的处理方式，权参数的设置至关重要，权值的比重大小一定程度上决定着对应目标在优化过程中的作用程度，如果单纯的侧重于某个目标，在优化的过程中会使其他目标的性能指标降低；而为平衡目标设置权值又需要掌握一定的先验知识，这样又带有了约束处理方式的缺陷。不管是约束处理还是加权处理，最终得到的只有一个针对单目标的方案，可供选择的方案非常单一。本发明使用多目标优化处理组播路由问题，在优化的过程中能综合的考虑各个目标，同时不需要问题的先验知识，鲁棒性强；多目标优化依据Pareto策略，采用支配非支配的关系来选择个体，为得到多个方案提供了理论依据。

2、全局搜索和局部搜索的结合，增强了构建优良路径方案的稳定性

全局搜索可以拓宽搜索空间，但是可能会丢掉一些优良方案；而局部搜索善于找到当前局部最优方案，但是会产生早熟现象，无法提供高质量的路径方案。现有的处理组播路由问题的智能优化方法，只采用全局搜索，没有很好的结合局部搜索。在本发明所采用比例克隆操作、重组操作和变异操作的组合应用，增强了对解空间稀疏区域的全局搜索能力，对比例克隆种群的局部搜索操作很好的弥补了稀疏区域搜索方式的不足；局部搜索种群和全局搜索种群的最终合并较好的利用了两种搜索的优势，增强了构建优良路径方案的稳定性。

附图说明

图1是本发明实现步骤的流程框图；

图2是本发明仿真时生成的网络模型样图；

具体实施方式

参照图1，本发明的具体实现步骤如下：

步骤1，确定优化多目标和约束条件，生成网络模型，设定种群进化终止代数，给定运行参数，根据网络模型使用随机Dijkstra算法生成初始种群。

1.1)确定优化多目标和约束条件的过程如下：

首先，确定优化多目标。在本发明的实验仿真中，选取三个目标，分别为链路代价、时延和带宽占用率，对QoS组播路由而言，网络通常表示成一个带权图G(N，E)，其中N表示网络节点集合，E表示连接节点的链路集合，|N|和|E|分别表示网络中的节点个数和链路条数；

假设组播业务的源节点是s∈N，

是组播通信中的组播组，也就是目的节点集合，M中的每个节点m∈M称为组成员，|M|表示目的节点的个数，组播树T是G的子图，是以s为根，M为目的节点集，并包含连接它们的链路的一棵树，用T＝(N_T，E_T)表示，其中

用p(s，m)表示组播树T中由源节点s到某个目的节点m的一条路径，对于链路e∈E，e为连接源节点s到目的节点m的子路径，链路p(s，m)的链路代价表示为

链路p(s，m)的时延表示为链路p(s，m)的带宽占用率表示为

则确定的优化多目标为：组播树T的链路代价、组播树T的时延和组播树T的带宽占用率。其中组播树T的链路代价为组播树中从源节点到每一个目的节点路径的代价之和；组播树T的时延为组播树中从源节点到每一个目的节点路径的时延之和；组播树T的带宽占用率为组播树中从源节点到每一个目的节点路径带宽占用率的最小值。

其次，确定约束条件，即将组播树的最高时延上限5秒作为约束条件。

1.2)产生网络模型

参照图2，本步骤的具体实现如下：

第一步：将横坐标范围为0-4000和纵坐标范围为0-4000的网络平面平均分成64个方形小区域，在每个方形小区域上以等概率随机标记区域类型，该区域类型包括：节点分布密集区、节点分布稀疏区和无节点分布区；

第二步：在网络平面上放置一个节点，首先以等概率选择节点所处的小区域类型，然后按照区域类型，在网络平面上随机选择一个具体的小区域；最后在该小区域内随机选择一个坐标点来放置一个节点；

第三步：如果网络平面已经放置的节点数目小于100个，则执行第二步；否则，完成生成节点的操作，执行第四步；

第四步：从网络平面已经放置的所有节点中任选一个节点u作为初始节点；

第五步：任选另外一个不同于初始节点u的节点v(v≠u)，计算出初始节点u，v间的链接概率P(u，v)＝(3.5e/|V|)exp(-l(u，v)/0.2L)，e是期望的网络节点平均度数，|V |是网络节点总数，l(u，v)是初始节点u与任意节点v之间的欧氏距离，L是网络平面中节点之间的最大欧氏距离；

第六步：在0到1之间产生一个均匀分布的随机数Zi，如果初始节点u与任意节点v间的连接概率P(u，v)大于Zi，则产生一条链路连接所述的节点u和v；

第七步：如果初始节点u的度数小于2，则跳至第五步；否则，执行第八步；

第八步：从网络平面已经放置的所有节点中再任选一个评估节点u′，如果评估节点u′的度数低于规定的下限值1，则连接评估节点u′和任意节点v；否则，网络生成完成。

1.3)设定种群进化终止代数为30，初始种群的规模为50，活跃种群规模为10，方案数目上限为10，变异概率为0.9，比例克隆规模为10。

1.4)生成初始种群

首先，假设对于网络中的每一个节点t都有三个参量D[t]，pre[t]，sign[t]，该D[t]表示从源节点s到t的路径的耗费度量，该pre[t]表示路径中节点t的前一个节点序号值，该sign[t]表示节点t是否被访问过的标记位；再应用随机Dijkstra方法按如下步骤生成一个个体：

第1步：从优化多目标中随机选择一个优化目标，作为当前个体路径产生过程中所依据的耗费度量值；

第2步：首先，设置源节点s的参量值，令D[s]的值为0，pre[s]的值为-1，sign[s]的值为1；其次，设置网络中所有与源节点s直接相连的节点t的参量值，令D[t]的值为从源节点s到该节点t的耗费度量值，pre[t]的值为源节点s的序号值，sign[t]的值为0；再次，设置网络中所有与源节点s不直接相连的节点n的参量值，令D[n]的值为∞，per[n]的值为-1，sign[n]的值0；最后，设置当前节点k的参量值，将D[s]的值赋给D[k]，将pre[s]的值赋给pre[k]，将sign[s]的值赋给sign[k]；

第3步：对于从当前节点k到与当前节点k直接连接但标记位的值不为1的节点m，设置D[m]的值为min{D[m]，D[m]+w_km}，w_km是从当前节点k到标记位的值不为1的节点m的耗费度量值；

第4步：从与标记位的值不为1的节点m有连接关系的节点集中随机选取一个节点i；

第5步：令sign[i]的值为1，pre[i]的值为标记位的值不为1的节点m的序号值；

第6步：如果所有节点的标记位的值都为1，则个体生成结束；否则，对于当前节点k的三个参量，将D[i]的值赋给D[k]，将pre[i]的值赋给pre[k]，将sign[i]的值赋给sign[k]，并执行第3步。

重复上述步骤50次，完成初始种群的生成。

步骤2，对初始种群中的每个个体，消除从源节点到目的节点路径中的环路。

2a)令源节点s为当前选定节点，将路径中的其他节点序号分别减去第一个节点的序号，置当前路径为空路径，将当前选定节点添加到该当前路径；

2b)根据节点序号判断当前选定节点是不是目的节点，如果是，则消除从源节点到目的节点路径中环路的操作，输出当前路径；否则，执行步骤2c)；

2c)从当前选定节点开始，依次寻找路径中的其他节点序号与当前选定节点的序号相减后为0的节点，如果存在序号为0节点，将序号为0节点之后的节点作为当前选定节点；如果不存在序号为0的节点，将当前选定节点之后的节点作为新的当前选定节点；将当前选定节点添加到当前路径，并将当前选定节点之后的节点序号分别减去当前选定节点序号，返回步骤2b)。

步骤3，获取当前非支配个体种群，置当前进化代数为第一代。

首先，根据确定的优化多目标，由组播树链路代价、组播树链路时延和组播树链路带宽占用率的定义计算每个消除环路后的初始种群个体对应的组播树链路代价数值、组播树链路时延数值和组播树链路带宽占用率数值；

其次，根据计算的组播树链路时延数值，保留满足约束条件的个体；

再次，根据每个消除环路后的初始种群个体对应的组播树链路代价数值、组播树链路时延数值和组播树链路带宽占用率数值，将消除环路后的初始种群中的非支配个体加入非支配个体种群；

最后，置记录当前进化代数的变量g的数值为1，即将当前非支配个体种群作为通过进化得到的第一代种群。

步骤4，判断记录当前进化代数的变量g的数值是否大于种群进化终止代数30，如果是，输出当前的非支配个体种群；否则，执行步骤5。

步骤5，计算当前非支配个体种群中个体的拥挤度距离，优先选择拥挤度距离大的个体组成当前活跃种群。

5.1)利用拥挤距离：

计算当前非支配个体种群中个体b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_b ^j为个体b的第j个目标函数的拥挤度距离，该ζ_b ^j的计算方式为：如果个体b第j个目标函数的数值f_j(b)等于f_j ^max或者等于f_j ^min，则ζ_b ^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(b)的个体b′和第j个目标函数的数值小于f_j(b)的个体b″，则ζ_a ^j的数值为f_j(b′)-f_j(b″)，这里f_j(b′)为个体b′的第j个目标函数的数值，f_j(b″)为个体b″的第j个目标函数的数值。

5.2)产生当前活跃种群

将计算出的拥挤度距离从大到小排序，若当前非支配个体种群的个体数目高于10，则按照拥挤度从大到小的顺序选择出10个体作为活跃种群，否则将当前非支配个体种群中的所有个体作为活跃种群。

步骤6，对当前活跃种群中的个体进行比例克隆操作，并对比例克隆种群中个体进行局部搜索操作，保留局部搜索所得种群。

6.1)比例克隆操作

对当前活跃种群中的个体a∈A复制q_a次，产生q_a个与个体a完全相同的个体，这里

为个体a的比例克隆规模，A为当前活跃种群，CS为克隆规模，ζ_a是个体a的拥挤度距离，∑ζ_a是当前活跃种群中个体的拥挤度距离总和。

6.2)对比例克隆种群中个体进行局部搜索操作

第a步，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Dijkstra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，作为当前个体的第一个局部搜索解；

第b步，根据节点序号判断是否完成对当前个体从源节点到所有目的节点的局部搜索，如果是，完成对当前个体的局部搜索，否则执行第c步；

第c步，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，随机选择一个优化目标作为当前考虑的耗费指标，应用随机Dijkstra算法产生从子路径起点到当前目的节点的最小耗费路径，更新原来的个体，作为当前个体对应于当前目的节点的局部搜索解，返回执行第b步。

步骤7，对比例克隆后的种群个体进行重组操作和变异操作，并对变异操作后的种群进行局部搜索操作，得到变异局部搜索种群。

7.1)重组操作。

第A步：从进行重组的两个个体中，随机选择一个目的节点，置当前的重组寻找次数为1；

第B步：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，但有且只有一个公共的节点，则选择这个公共的节点作为交叉点，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，此次重组操作结束；否则，判断当前的重组寻找次数，如果重组寻找次数已经超过五次，则退出重组操作，否则执行步骤第C步；

第C步：从活跃种群中重新选择一个个体，递增当前的重组寻找次数，执行步骤第B步。

7.2)变异操作：

第D步：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Dijkstra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；

第E步：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，执行步骤第F步；

第F步：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，返回步骤第E步。

步骤8，将保留的局部搜索种群和得到的变异局部搜索种群以及当前非支配个体种群合并成一个种群，并对合并种群中的每个个体，消除从源节点到目的节点路径中的环路。

步骤9，计算消除环路后的合并种群中个体的目标函数值，保留满足约束条件的个体，将种群剩余个体中的非支配个体作为当前非支配个体种群，递增当前进化代数，返回步骤4。

首先，根据确定的优化多目标，由组播树链路代价、组播树链路时延和组播树链路带宽占用率的定义计算每个消除环路后的合并种群中个体对应的组播树链路代价数值、组播树链路时延数值和组播树链路带宽占用率数值；

其次，根据计算的组播树链路时延数值，保留满足约束条件的个体；

再次，根据消除环路后的合并种群中个体对应的组播树链路代价数值、组播树链路时延数值和组播树链路带宽占用率数值，将消除环路后的消除环路后的合并种群中个体加入当前非支配个体种群。

最后，递增当前进化代数的变量g的数值，返回步骤4。

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，完成本发明以及遗传组播路由路径选择方法GMR和蚁群组播路由路径选择方法AMR的组播路由路径选择的仿真实验。

2.仿真实验内容及结果

实验A.在网络目的节点数目变化时，本发明与现有GMR和AMR方法的仿真；

将本发明、GMR和AMR应用在网络节点总数为100，目的节点总数分别为5，10，15，20的网络模型上，三种方法各独立运行10次，作出三种方法提供的方案平均数目如表1，作出本发明相对于GMR提供的方案的优劣比例如表2，作出本发明相对于AMR提供的方案的优劣比例如表3。

表1实验A中三种方法提供的方案平均数目

目的节点个数	本发明提供的方案平均个数	GMR提供的方案平均个数	AMR提供的方案平均个数
				5	7.4	1.0	1.0
10	8.0	1.0	1.0
				15	8.0	1.0	1.0
20	8.3	1.0	1.0

从表1中可以看出，本发明提供的方案平均数目均高于GMR和AMR提供的方案平均数目，本发明提供的方案较多，方案选择的灵活性较大，而GMR和AMR提供的方案平均个数为1，方案选择的灵活性较低。

表2实验A中本发明相对于GMR提供的方案的优劣比例

目的节点个数	优势方案比例	等价方案比例	劣势方案比例
				5	43.321％	56.679％	0.000％
10	92.500％	7.500％	0.000％
				15	98.000％	2.000％	0.000％
20	100.000％	0.000％	0.000％

从表2中可以看出，本发明提供的方案质量在不低于GMR提供的方案前提下，还能提供一部分更加优良的方案，并且随着目的节点数目的增多，优势方案的比例逐步增大。

表3实验A中本发明相对于AMR提供的方案的优劣比例

目的节点个数	优势方案比例	等价方案比例	劣势方案比例
				5	34.107％	65.893％	0.000％
10	74.750％	25.250％	0.000％
				15	85.667％	14.333％	0.000％
20	87.667％	12.333％	0.000％

从表3中可以看出，本发明提供的方案质量在不低于AMR提供的方案前提下，还能提供一部分更加优良的方案，并且随着目的节点数目的增多，优势方案的比例逐步增大。

实验B.在网络节点总数变化时，本发明与现有GMR和AMR方法的仿真；

将本发明、GMR和AMR应用在目的节点数目为10，网络节点总数分别为50，100，150，200的网络模型上，三种方法各独立运行10次，作出三种方法提供的方案平均数目如表4，作出本发明相对于GMR提供的方案的优劣比例如表5，作出本发明相对于AMR提供的方案的优劣比例如表6。

表4实验B中三种方法提供的方案平均数目

网络节点个数	本发明提供的方案平均个数	GMR提供的方案平均个数	AMR提供的方案平均个数
				50	9.1	1.0	1.0
100	8.0	1.0	1.0
				150	9.1	1.0	1.0
200	5.1	1.0	1.0

从表4中可以看出，本发明提供的方案平均数目均高于GMR和AMR提供的方案平均数目，本发明提供的方案较多，方案选择的灵活性较大，而GMR和AMR提供的方案平均个数为1，方案选择的灵活性较低。

表5实验B中本发明相对于GMR提供的方案的优劣比例

网络节点个数	优势方案比例	等价方案比例	劣势方案比例
				50	90.143％	9.857％	0.000％
100	92.500％	7.500％	0.000％
				150	95.667％	4.333％	0.000％
200	97.778％	2.222％	0.000％

从表5中可以看出，本发明提供的方案质量在不低于GMR提供的方案前提下，还能提供一部分更加优良的方案，并且随着网络节点数目的增多，优势方案的比例逐步增大。

表6实验B中本发明相对于AMR提供的方案的优劣比例

网络节点个数	优势方案比例	等价方案比例	劣势方案比例
				50	75.571％	24.429％	0.000％
100	74.750％	25.250％	0.000％
				150	79.500％	25.500％	0.000％
200	86.444％	13.556％	0.000％

从表6中可以看出，本发明提供的方案质量在不低于AMR提供的方案前提下，还能提供一部分更加优良的方案，并且随着网络节点数目的增多，优势方案的比例整体上呈增大趋势。

由以上的仿真实验可以看出，本发明克服了现有GMR和AMR方法应用在组播路由路径选择问题上的不足，不论是提供方案的灵活性还是提供优良方案的稳定性，本发明均优于现有的GMR和AMR方法。

综上所述，本发明在处理组播路由路径选择问题的效果明显优于现有的GMR和AMR方法处理组播路由路径选择问题的效果。

Claims (1)

1.一种多目标免疫优化组播路由路径选择方法，包括如下步骤：

(1)确定优化多目标和约束条件，其中确定的优化多目标为：组播树T的链路代价、组播树T的时延和组播树T的带宽占用率；其中组播树T的链路代价为组播树中从源节点到每一个目的节点路径的代价之和；组播树T的时延为组播树中从源节点到每一个目的节点路径的时延之和；组播树T的带宽占用率为组播树中从源节点到每一个目的节点路径带宽占用率的最小值；确定约束条件为：组播树的最高时延上限5秒；生成网络模型，设定种群进化终止代数，给定运行参数，根据网络模型，先假设对于网络中的每一个节点t都有三个参量D[t]，pre[t]，sign[t]，该D[t]表示从源节点s到t的路径的耗费度量，该pre[t]表示路径中节点t的前一个节点序号值，该sign[t]表示节点t是否被访问过的标记位；再使用随机Dijkstra算法生成初始种群，生成种群中每一个个体的具体操作为：

(1a)从优化多目标中随机选择一个优化目标，作为当前个体路径产生过程中所依据的耗费度量值；

(1b)首先，设置源节点s的参量值，令D[s]的值为0，pre[s]的值为-1，sign[s]的值为1；其次，设置网络中所有与源节点s直接相连的节点t的参量值，令D[t]的值为从源节点s到该节点t的耗费度量值，pre[t]的值为源节点s的序号值，sign[t]的值为0；再次，设置网络中所有与源节点s不直接相连的节点n的参量值，令D[n]的值为∞，pre[n]的值为-1，sign[n]的值0；最后，设置当前节点k的参量值，将D[s]的值赋给D[k]，将pre[s]的值赋给pre[k]，将sign[s]的值赋给sign[k]；

(1c)：对于从当前节点k到与当前节点k直接连接但标记位的值不为1的节点m，设置D[m]的值为min{D[m]，D[m]+w_km}，w_km是从当前节点k到标记位的值不为1的节点m的耗费度量值；

(1d)从与标记位的值不为1的节点m有连接关系的节点集中随机选取一个节点i；

(1e)令sign[i]的值为1，pre[i]的值为标记位的值不为1的节点m的序号值；

(1f)如果所有节点的标记位的值都为1，则个体生成结束；否则，对于当前节点k的三个参量，将D[i]的值赋给D[k]，将pre[i]的值赋给pre[k]，将sign[i]的值赋给sign[k]，并执行(1c)；

(2)对初始种群中的每个个体，消除从源节点到目的节点路径中的环路，具体操作为：

(2a)令源节点s为当前选定节点，将路径中的其他节点序号分别减去第一个节点的序号，置当前路径为空路径，将当前选定节点添加到该当前路径；

(2b)根据节点序号判断当前选定节点是不是目的节点，如果是，则消除从源节点到目的节点路径中环路的操作，输出当前路径；否则，执行步骤(2c)；

(2c)从当前选定节点开始，依次寻找路径中的其他节点序号与当前选定节点的序号相减后为0的节点，如果存在序号为0节点，将序号为0节点之后的节点作为当前选定节点；如果不存在序号为0的节点，将当前选定节点之后的节点作为新的当前选定节点；将当前选定节点添加到当前路径，并将当前选定节点之后的节点序号分别减去当前选定节点序号，返回步骤(2b)；

(3)计算每个消除环路后的初始种群个体的目标函数值，去除不满足约束条件的个体，保留种群剩余个体中的非支配个体，作为当前非支配个体种群，并置当前进化代数为第一代；

(4)判断当前进化代数是否满足(1)中设定的种群进化终止代数，如果满足，输出当前的非支配个体种群；否则，执行第(5)步；

(5)计算当前非支配个体种群中个体的拥挤度距离，将拥挤度距离从大到小的顺序排列，根据设定的运行参数，优先选择拥挤度距离大的个体组成当前活跃种群，其中拥挤度距离为：

${\mathrm{\ζ}}_b\stackrel{\mathrm{\Δ}}{=}\underset{j=1}{\overset{q}{\mathrm{\Σ}}}\frac{{\mathrm{\ζ}}_b^j}{f_j^{\max }-f_j^{\min }}$

是第j个目标函数的最大值，

是第j个目标函数的最小值，q为优化多目标个数，

为个体b的第j个目标函数的拥挤度距离，该

的计算方式为：如果个体b第j个目标函数的数值f_j(b)等于

或者等于

则

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(b)的个体b′和第j个目标函数的数值小于f_j(b)的个体b″，则

的数值为f_j(b′)-f_j(b″)，这里f_j(b′)为个体b′的第j个目标函数的数值，f_j(b″)为个体b″的第j个目标函数的数值；

(6)对当前活跃种群中的个体进行比例克隆操作，并对比例克隆种群中个体进行局部搜索操作，保留局部搜索所得种群，其中局部搜索的具体操作为：

(6a)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，作为子路径起点，再随机选择一个优化目标作为当前考虑的耗费指标，应用随机Dijkstra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，作为当前个体的第一个局部搜索解；

(6b)根据节点序号判断是否完成对当前个体从源节点到所有目的节点的局部搜索，如果是，完成对当前个体的局部搜索，否则执行步骤(6c)；

(6c)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，随机选择一个优化目标作为当前考虑的耗费指标，应用随机Dijkstra算法产生从子路径起点到当前目的节点的最小耗费路径，更新原来的个体，作为当前个体对应于当前目的节点的局部搜索解，返回步骤(6b)；

(7)对比例克隆后的种群个体进行重组操作和变异操作，并对变异操作后的种群进行局部搜索操作，得到变异局部搜索种群，其中重组的具体操作为：

(7a)从进行重组的两个个体中，随机选择一个目的节点，置当前的重组寻找次数为1；

(7b)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，但有且只有一个公共的节点，则选择这个公共的节点作为交叉点，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，此次重组操作结束；否则，判断当前的重组寻找次数，如果重组寻找次数已经超过五次，则退出重组操作，否则执行步骤(7c)；

(7c)从活跃种群中重新选择一个个体，递增当前的重组寻找次数，执行步骤(7b)；

其中变异的具体操作为：

(7d)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，再随机选择一个优化目标作为当前考虑的耗费指标，应用随机Dijkstra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；

(7e)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(7f)；

(7f)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，随机选择一个优化目标作为当前考虑的耗费指标，应用随机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(7e)；

(8)将保留的局部搜索种群和得到的变异局部搜索种群以及当前非支配个体种群组成合并种群，并对合并种群中的每个个体，消除从源节点到目的节点路径中的环路；

(9)计算消除环路后的合并种群中个体的目标函数值，去除不满足约束条件的个体，将种群剩余个体中的非支配个体作为当前非支配个体种群，递增当前进化代数，返回(4)，重新判断结束条件。

Images