CN102158413B - 基于邻域免疫克隆选择的多智能体组播路由方法 - Google Patents

Abstract

本发明公开了一种基于邻域免疫克隆选择的多智能体组播路由方法，主要解决现有方法在求解组播路由问题时收敛速度慢及搜索性差的缺点，其实现步骤为：1、生成网络模型；2、初始化抗体种群、记忆单元种群以及优化的运行参数；3、计算所有抗体的亲合度，找出最优抗体并提取疫苗；4、判断是否满足终止条件，如果满足结束条件则输出最优个体，否则转第5步；5、对当前种群中所有个体执行免疫克隆操作：6、对第5步得到的种群执行智能体邻域竞争操作，并更新当前种群；7、从第6步中得到的抗体种群中提取较优的抗体更新记忆单元，并找出最优个体，返回第4步。本发明具有的收敛速度快以及搜索能力强的优点，可用来求解时延受限的组播路由问题。

Description

基于邻域免疫克隆选择的多智能体组播路由方法

技术领域

本发明属于网络通信技术领域，涉及多智能体技术在组播路由问题中的应用，用于求解服务质量（QoS）组播路由问题，通过该方法获得的较优组播树，更加合理的配置网络资源。

背景技术

随着计算机网络飞速发展，网络功能日益强大。网络的作用从简单信息传送发展到远程教学、视频会议、数据分发和网络游戏等，用户的数据要从一个终端发送到另一个终端，首先要确定传输路由，不同的通信方式，其确定路由的方式也不同。如今网络的通信方式主要有以下几种：1）点到点的单播通信方式；2）由一个源节点向多个目标节点发送信息的组播通信方式；3）由多点到一点发送信息的汇播通信方式；4）由多点到多点发送信息的群播通信方式；5）由源节点到所有节点发送信息的广播通信方式。

实时多媒体通信需求的增长，使得满足服务质量Qos约束的组播路由方法成为当前研究的热点，QoS约束主要包括时延、费用、带宽、跳数等。组播问题的关键在于建立以根为源节点，覆盖所有目的节点，且满足约束要求的多播树，使信息以并行方式沿着树枝发送到不同的组播成员，降低信息传递的时延，节省网络带宽资源，减少拥塞。由于QoS组播路由问题的复杂性，引入人工智能方法是很合理的。

多智能体系统是近二十年来蓬勃兴起的崭新计算机学科，尽管这是个相对年轻的领域，但凭借其强劲的发展势头，已经成为了目前计算机科学发展最快的领域之一。多智能体系统是一种分布式自主系统，其研究的目标是将大的、复杂的系统改造成小的、协调的、易于管理的且能够彼此相互通讯的系统。

免疫系统的克隆选择学说是免疫学中占主导地位的学说，克隆选择学说的提出不仅是免疫学发展的里程碑，而且给人工免疫系统领域的研究者以很大的启发，从而使人工智能领域出现了基于抗体种群进化的克隆选择算法。

相关研究已经表明，基于QoS约束的最小代价组播路由问题是NP-complete问题，将免疫克隆策略和多智能体系统思想相结合以解决QoS组播路由问题，国内外学者提出了很多不同的方法，但均存在不同的问题。钟伟才在《组合优化多智能体进化算法》中提出了搜索空间动态扩展的多智能体进化方法，该方法通过设计智能体的邻域竞争行为和自组织临界行为以实现全局优化的目的，该方法只适合特定的网络，常限于局部最优，很难得到代价最小的组播树，而且该方法很难并行实现。刘渊等人在《基于免疫克隆计算的Multi_Agent组播路由算法》中提出MAICSA方法，该方法首先构建一网络模型以寻找一条满足各种QoS要求的最优传输路径，它将单个智能体作为网络模型的节点，而每代产生的智能体在网格中的位置不固定，需要很高的迭代次数才能获得代价最小的组播树，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上述已有技术的不足，提出一种基于邻域免疫克隆选择的多智能体组播路由方法，将智能体网格结构引入抗体种群之中，并赋予抗体感知和反作用于周围环境的智能特性，以更小迭代次数获得更优的组播树，满足决策者合理配置网络资源的要求。

本发明的技术方案是：将杜海峰等人提出的免疫克隆策略和多智能体系统思想相结合，在智能体邻域竞争前先对其邻域个体进行免疫克隆操作，并针对使用的编码方案，设计动态疫苗提取策略，具体实现步骤如下：

(1)在网络平面上产生给定规模的矩形网格，随机产生一些网络节点，并使网络节点分布在矩形网格上，对这些网络节按点链路概率公式：

进行连接，形成组播路由的网络模型，

式中d(u,v)表示节点u到节点v的欧式距离，L是任意两节点间的最大距离，α表示网络中最短边与最长边长度之比，β为控制网络所有节点平均度数的参数，它的值为网络所有节点平均度数的0.1倍,α取值为0.26，β取值为0.4；

(2)对已建立的智能网格，随机指定一点作为信源节点s,并随机产生目标节点，将对组播路由问题的求解转化为：求从信源节点出发，覆盖所有目标节点的最优组播树，并初始化抗体种群P以及记忆单元种群M，给定变异概率Pm=0.6，种群规模S=16,抗体种群克隆规模Nc=6,记忆单元规模m′=4，设定种群进化的终止条件为最优抗体种群连续20次不变或种群迭代次数达到上限100，令进化代数k=1，

（3）计算抗体种群P={p₁,p₂,...,p_i,...p_S}中第i个抗体p_i的亲合度：

并选择到达每个目标节点的最优路径作为疫苗，其中cost(p_i)为抗体p_i所代表组播树的代价；

（4）根据步骤(2)所设定的终止条件，判断种群迭代是否达到终止条件，若是则输出当前记忆单元中的最优组播树以及到达每个目标节点的最优路径；否则转步骤（5）；

（5）对当前种群P中所有个体执行免疫克隆操作：

(5a)对当前种群P中的个体Pi按其亲和度的大小进行克隆，产生克隆种群CP={CP₁,CP₂,…,CP_n}，对个体Pi克隆qi个个体，qi的计算公式如下：

其中Nc是整个抗体种群所克隆的个体数目总和，f(Pi)为抗体Pi的亲和度；

(5b)对克隆种群CP执行免疫基因操作，得到免疫基因后的种群CP′={CP₁′，CP₂′，…,CP_n′}；

（5c）对免疫基因后的种群CP′执行克隆选择操作，得到克隆选择后的种群P'；

（6）对克隆选择后的种群P'执行邻域竞争操作，得到邻域竞争后的种群P''；

（7）将邻域竞争后种群P''中的个体按组播树代价从小到大进行排序，选出前m′个个体更新记忆单元，并找出记忆单元中最优个体，即代价最小的组播树，用P''更新当前种群P，k=k+1，返回步骤（4）。

本发明与现有的技术相比具有以下优点：

1.效率高，能够快速找到代价最小的组播树，从而合理的配置网络资源。

本发明将免疫克隆选择方法的全局搜索能力与多智能体系统中智能体之间的竞争与协同能力相结合，有效克服了遗传方法收敛速度慢的缺陷，并通过预先求得从源节点到每个目标节点的最优路径作为先验知识指导搜索，提高了收敛速度以及所得组播树的质量。

2.搜索性能好，能找到全局最优的组播树。

本发明借鉴归约类方法的思想，设计了启发式变异算子，通过对组播树中含有启发信息的路径进行随机变异来提高该方法的局部搜索能力，不易陷入局部最优，从而得到整个网络中代价最小的组播树，以满足决策者合理配置网络资源的要求。

附图说明

图1是本发明实现步骤的流程图；

图2是本发明在做仿真实验A时，所生成的网络模型；

图3是本发明与现有方法MAICSA以及本发明与现有方法ICBMR所得组播树代价的比值分别随网络规模变化的趋势图；

图4是本发明与现有方法MAICSA以及本发明与现有方法ICBMR所得组播树代价的比值分别随目标节点个数变化趋势图。

具体实施方式

参照图1，本发明的具体实施过程如下：

步骤一，在网络平面上产生给定规模的矩形网格，随机产生一些网络节点，并使网络节点分布在矩形网格上，对这些网络节按点链路概率公式：

进行连接，形成组播路由的网络模型。

（1a）产生随机节点：

（1a1）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；

（1a2）以等概率来选择节点所处的小区类型，之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；

（1a3）重复执行1a2,产生100个随机节点；

（1b）对产生的100随机节点进行随机连接，即用Waxman随机网络模型连接节点的方式对100个节点连接，节点间的距离为欧氏距离，任意两个节点u，v间存在链路的概率由式1）决定：

$p(u,v)=\mathrm{\βexp}(-\frac{d(u,v)}{\mathrm{aL}})---1)$

式中d(u,v)表示节点u到结点v的欧式距离，L是任意两节点间的最大距离，α和β是控制产生网络的特征，取值在(0,1)之间，α用来调节网络中短边与长边之比，β用来调节网络节点的平均度数，α为0.26，β为0.4，节点的平均度数为4。

步骤二，对已建立的智能网格，随机指定一点作为信源节点s,并随机产生目标节点，将对组播路由问题的求解转化为：求从信源节点出发，覆盖所有目标节点的最优组播树，并对抗体进行编码和对抗体种群P初始化。

（2a）设由步骤一所产生的智能网格中信源节点为s，目标节点集合为Ds＝{d₁,d₂,...,d_k,...,d_m}，其中k=1，2，...,m,m为目标节点的个数，d_k表示第k个目标节点，从源节点s到第k个目标节点d_k的所有通路的集合记为

，

中有n_k条备选路径,对其进行顺序的正整数编码，即

的路径编码为{1,2,3,….,n_k}，共得到m个备选路径集集合

其中k=1，2...,m;

(2b)从步骤（2a）所产生的集合Ω中的每个备选路径集中随机选出一条路径，用所选出的m条路径组成一棵组播树，对集合Ω进行S次这样随机选择，共得到S棵组播树，把S棵组播树作为初始抗体种群P={p₁,p₂,...,p_i,...p_S}，其中i=1,2,...,S,S为抗体种群P的规模，p_i为抗体种群P的第i棵组播树;

(2c)将（2b）所产生种群P中的第i棵组播树p_i编码为{a₁,a₂,...,a_k,...,a_m}，组播树p_i的编码长度为m,其中每一位的取值为：

其中，k=1,2，…，m，x=1,2,...,n_k,n_k为智能网格中从源节点s到第k个目标节点d_k的所有通路的条数。

步骤三，从步骤二所得的抗体种群P中随机选择m′个抗体作为记忆单元种群M，给定变异概率Pm=0.6，种群规模S=16,抗体种群克隆规模Nc=6,记忆单元规模m′=4，设定种群进化的终止条件为最优抗体种群连续20次不变或种群迭代次数达到上限100，令进化代数k=1。

步骤四,计算抗体种群P={p₁,p₂,...,p_i,...p_S}中第i个抗体p_i的亲合度：

$f\left(P_i\right)=\frac{1}{\cos t\left(p_i\right)},$

其中cost(p_i)为抗体p_i所代表组播树MT的代价,MT=(V_MT,E_MT),V_MT为组播树MT中节点的集合,E_MT为组播树MT中边的集合,

其中u,v表示V_MT中的两个节点，（u,v）为E_MT中连接节点u和节点v的边，并选择

从源节点到达每个目标节点的最优路径作为疫苗。

步骤五,根据步骤三所设定的终止条件，判断种群迭代是否达到终止条件，若是则输出当前记忆单元中的最优组播树以及到达每个目标节点的最优路径；否则转步骤六。

步骤六,对当前种群P中所有个体执行免疫克隆操作，得到克隆选择后的种群P'。

(6a)对当前种群P中的个体Pi按其亲和度的大小进行克隆，产生克隆种群CP={CP₁,CP₂,…,CP_i,...,CP_n}，对个体Pi克隆qi个个体，qi的计算公式如下：

其中Nc是整个抗体种群所克隆的个体数目总和,f(Pi)为抗体Pi的亲和度；

(6b)对克隆种群CP={CP₁,CP₂,…,CP_i,...,CP_n}执行免疫基因操作，得到免疫基因后的种群CP'={CP'₁，CP'₂，…,CP'_i，...,CP'_n},其中i＝1,2,...,n，CP'_i表示对抗体种群CP_i中抗体执行免疫基因操作后的抗体种群：

(6b1)对克隆种群CP中的抗体进行疫苗接种，得到疫苗接种后的种群C'＝{C₁',C₂',...,C_i,'...,C_n'}，C_i'表示对种群CP_i中抗体进行疫苗接种后的抗体种群，其中i＝1,2,...n,；

(6b2)疫苗接种后的种群C'包含Nc棵组播树，每棵组播树包含m个目标节点，每个目标节点对应一条路径，对所述种群C'中的抗体执行如下启发式单点变异，得到变异后的种群CP'＝{CP₁',CP₂',...,CP_i',...,CP_n'}，CP_i'表示对C_i'中抗体执行启发式单点变异后的抗体种群，其中i＝1,2,...,n，

首先，求疫苗接种后的种群C'中Nc棵组播树的公共路径，得到k个目标节点对应的k条的路径集合RS=C₁'∩C'₂∩...∩C'_n；

接着，令余下不存在公共路径的s=m-k个目标节点所对应的的路径都为空；

最后，以概率Pm选择Nc棵组播树中的一棵，对选中的组播树，随机选择上步所述s条路径中的一条，假设该条路径所对应的目标节点为d,则从目标节点d的备选路径中随机选择一条替换该路径。

（6c）对免疫基因后的种群CP′执行克隆选择操作，得到克隆选择后的种群P'；

步骤七，对克隆选择后的种群P'执行邻域竞争操作，得到邻域竞争后的种群P''。

（7a）将种群P'中的抗体p_ij＝(a_d1,a_d2,...,a_dk,...,a_dm)放到智能矩形网格坐标值为（i,j）的格点上，p_ij表示一棵组播树，其中k＝1,2,...,m，m为组播树p_ij中目标节点的个数，a_dk为组播树p_ij中第k条路径的代价,k＝1,2,...,m；

(7b)求得矩形网格中组播树p_ij周围格点上代价最小的组播树：

min_ij＝(t_d1,t_d2,...,t_dk,...,t_dm)，

其中k＝1,2,...,m，m为组播树min_ij中目标节点的个数，t_dk为组播树min_ij中第k条路径的代价；

(7c)将组播树p_ij中m条路径的代价和作为组播树p_ij的代价，若组播树p_ij的代价小于组播树min_ij的代价，则p_ij为竞争的胜者，它将继续存活在其格点上，否则其空出的格点位置由组播树min_ij按照概率Ps生成一棵新的组播树：

w_ij=（g_d1,g_d2,...g_dk,...,g_dm）取代组播树p_ij，Ps的计算公式如下：

其中 $k=1,...,m,g_{\mathrm{dk}}=\left\{\begin{array}{c}{a}_{\mathrm{dk}},\cos t\left(a_{\mathrm{dk}}\right)\≤\cos t\left(t_{\mathrm{dk}}\right)\\ t_{\mathrm{dk}},\cos t\left(a_{\mathrm{dk}}\right)>\cos t\left(t_{\mathrm{dk}}\right)\end{array}\right.$ 为组播树w_ij中第k条路径的代价，cost(a_dk)表示组播树p_ij中第k条路径的代价，cost(m_dk)表示组播树min_ij中第k条路径的代价。

步骤八，将邻域竞争后种群P''中的个体按组播树代价从小到大进行排序，选出前m′个个体更新记忆单元，并找出记忆单元中最优个体，即代价最小的组播树，用P''更新当前种群P，k=k+1，返回步骤五。

本发明的效果可通过以下仿真实验进一步说明：

1、仿真条件

1）本实例在Intel(R)Core(TM)2Duo CPU1.86GHz Windows XP系统下,VC++6.0运行平台上,完成本发明与现有MAICSA和CSMR方法的仿真实验。

2）对于仿真实验A，首先产生如图2所示的网络模型，网络规模为18，并假设网络中源节点s=1,目的节点的取值D={17,11,14,16,18},终止条件设置为最优个体保持20次不变或达到迭代次数上限100，最大时延限制分别取为△=9和△=25，三种方法都独立运行100次。

3）对于仿真实验B和C，在本发明中，最大时延限制△＝110，种群规模为16，智能体网格规模为4*4，邻域克隆操作中克隆规模为6，变异概率为0.1，在MAICSA方法中，种群规模为10，克隆规模为16，智能网格规模为4*4，变异概率为0.5，在CSMR方法中，种群100，克隆规模为150，变异概率为0.5。

2、仿真实验内容及结果

A.本发明与现有方法CSMR和MAICSA在收敛速度上的对比仿真

本仿真的主要目的在于比较本发明与现有方法CSMR和MAICSA在收敛速度上的性能，本仿真是在图2所示的网络模型基础上，求从源节点到所有目的节点的最优组播树，表1为100次仿真实验中本发明与现有CSMR、MAICSA方法收敛于最优解和次优解时所需迭代次数的分布情况。

表1网络规模n=18时算法迭代次数分布情况

由表一可以看出：对小规模的网络，MNICMS方法与CSMR、MAICSA方法相比,能够快速收敛到全局最优解，找到最优组播树。

B.本发明与现有MAICSA和ICBMR方法所得最优组播树代价随网络规模变化时的对比仿真

本仿真的主要目的在于当网络规模变化时，比较本发明与现有MAICSA和ICBMR方法所得最优组播树代价的大小。在上述参数设置下，网络规模从100增大到900，仿真结果如图3，其中图3（a）表示当目的节点数占网络规模比例为15%时，本发明与现有方法所得组播树代价的比值随网络规模变化的情况，图3（b）表示当目的节点数占网络规模比例为15%时，本发明与现有方法所得组播树代价的比值随网络规模变化的情况。

从图3可以看出，在不同的网络规模下，本发明都能在有限的迭代次数内，获得比其它两种方法都要好的组播树。

C.本发明与现有MAICSA和ICBMR方法所得最优组播树代价随目标节点个数变化时的对比仿真

本仿真的主要目的在于当目标节点个数变化时，比较本发明与现有MAICSA和ICBMR方法所得最优组播树代价的大小。在上述参数设置下，仿真结果如图4，其中图4（a）表示当网络规模为300时，本发明与现有方法所得组播树代价的比值随目标节点个数变化的情况，图4（b）表示当网络规模为500时，本发明与现有方法所得组播树代价的比值随目标节点个数变化的情况，其中目的节点个数与网络规模的比值从10%增大到90%。

从图4可以看出，随着目标节点个数与网络规模比值的增大，本发明所得最优组播树的代价要远小于其他两种方法，说明本发明和MAICSA和ICBMR方法相比，更适合解决目标节点个数多的网络，本发明能用更少的迭代次数获得更优的组播树。

Claims (2)

1.一种基于邻域免疫克隆选择的多智能体组播路由方法，包括如下步骤： 

(1)在网络平面上产生给定规模的矩形网格，随机产生一些网络节点，并使网络节点分布在矩形网格上，对这些网络节点按链路概率公式：

进行连接，形成组播路由的网络模型， 

式中d(u,v)表示节点u到节点v的欧式距离，L是任意两节点间的最大距离，α表示网络中最短边与最长边长度之比，β为控制网络所有节点平均度数的参数，它的值为网络所有节点平均度数的0.1倍,α取值为0.26，β取值为0.4； 

(2)对已建立的智能网格，随机指定一点作为信源节点s,并随机产生目标节点，将对组播路由问题的求解转化为：求从信源节点出发，覆盖所有目标节点的最优组播树，并初始化抗体种群P以及记忆单元种群M，给定变异概率Pm=0.6，种群规模S=16,抗体种群克隆规模Nc=6,记忆单元规模m′=4，设定种群进化的终止条件为最优抗体种群连续20次不变或种群迭代次数达到上限100，令进化代数k=1； 

(3)计算抗体种群P={p₁,p₂,...,p_i,...p_S}中第i个抗体pi的亲合度：

并选择到达每个目标节点的最优路径作为疫苗，其中cost(p_i)为抗体p_i所代表组播树的代价； 

(4)根据步骤(2)所设定的终止条件，判断种群迭代是否达到终止条件，若是则输出当前记忆单元中的最优组播树以及到达每个目标节点的最优路径；否则转步骤(5)； 

(5)对当前种群P中所有个体执行免疫克隆操作： 

(5a)对当前种群P中的个体Pi按其亲和度的大小进行克隆，产生克隆种群CP={CP₁,CP₂,…,CP_n}，对个体Pi克隆qi个个体，qi的计算公式如下： 

其中Nc是整个抗体种群所克隆的个体数目总和，f(Pi)为抗体Pi的亲和度； 

(5b)对克隆种群CP执行免疫基因操作，得到免疫基因后的种群CP′={CP₁′，CP₂′，…,CP_n′}； 

(5c)对免疫基因后的种群CP′执行克隆选择操作，得到克隆选择后的种群P'； 

(6)对克隆选择后的种群P'执行邻域竞争操作，得到邻域竞争后的种群P''； 

(7)将邻域竞争后种群P''中的个体按组播树代价从小到大进行排序，选出前m′个个体更新记忆单元，并找出记忆单元中最优个体，即代价最小的组播树，用P''更新当前种群P，k=k+1，返回步骤(4)。 

2.根据权利要求1所述的基于邻域免疫克隆选择的多智能体组播路由方法，其中步骤(5b)所述的对克隆种群CP执行免疫基因操作，按以下步骤执行： 

(2a)对克隆种群CP中的所有抗体进行疫苗接种，得到疫苗接种后的种群C'＝{C'₁,C'₂,...C,'_i,...C,'_n}，C'_i表示对CP_i中抗体进行疫苗接种后的抗体种群，其中i＝1,2,...,n； 

(2b)疫苗接种后的种群C'中包含Nc棵组播树，每棵组播树包含m个目标节点，每个目标节点对应一条路径，对所述种群C'中的抗体执行如下启发式单点变异，得到变异后的种群CP'＝{CP′₁,CP′₂,...,CP′_i,...,CP′_n}，CP′_i表示对C′_i中抗体执行启发式单点变异后的抗体种群，其中i＝1,2,...,n； 

首先，求疫苗接种后的种群C'中Nc棵组播树的公共路径，得到k个目标节点对应的k条的路径集合RS=C′₁∩C′₂∩...∩C′_n； 

接着，令余下不存在公共路径的s=m-k个目标节点所对应的路径都为空； 

最后，以概率Pm选择Nc棵组播树中的一棵，对选中的组播树，随机选择上步所述s条路径中的一条，假设该条路径所对应的目标节点为d,则从目标节点d的备选路径中随机选择一条替换该路径。 

Images