CN104299053A - 基于遗传算法配用电通信网最优路径选择的方法 - Google Patents

Abstract

本发明公开了一种基于遗传算法的配用电电信网最优路径选择的方法，其特征是按如下步骤进行：1建立单向拓扑网络；2采用二进制编码初始化种群；3设定迭代次数；4选择运算；5交叉运算；6变异运算；7判断；8输出最优路径。本发明能在满足约束条件的基础上，高效地寻找出最优路径，从而能够提高搜索效率，降低搜索复杂度。

Description

基于遗传算法配用电通信网最优路径选择的方法

技术领域

本发明涉及一种配用电通讯网带节点约束条件的最优路径的寻找方法，具体地说是一种基于遗传算法配用电通信网最优路径选择的方法。

背景技术

配用电通信网目前的组网方式比较复杂，当遇到某一段线缆中断时，需要选择合适的路径进行主网连接，目前的方式是人工选择路径，中间经过的路径比较复杂，选择难度大，往往要经过很长时间的调试才能达到连通，而且选择的路径也不一定是最短的路径，也造成了资源的浪费，同时也达不到最少的衰减率，造成了光路中断时间较长，对配用电业务数据的采集产生了一定的影响。

目前求解最优路径问题的算法，如：Dijkstra算法、Johnson算法、传统遗传算法等，都不能直接解决带节点约束的最优路径问题。Dijkstra算法算法和Johnson算法通过改进也可以解决节点约束的最优路径问题，但在网络拓扑结点多时候，这类算法的搜索效率低在改进后效率变的更为低下。传统遗传算法在计算带节点约束的最优路径时候，因为种群个体的交叉变异，不能保证最后输出最优路径就是满足节点约束的最优路径。

发明内容

本发明是为了克服现有技术存在的不足之处，提出一种基于遗传算法配用电通信网最优路径选择的方法，能在满足约束条件的基础上，高效地寻找出最优路径，从而能够提高搜索效率，降低搜索复杂度。

为解决上述技术问题，本发明所采用的技术方案是：

本发明一种基于遗传算法的配用电通信网最优路径选择的方法，所述配用电电信网是以n个光纤交接箱作为网络节点并通过光纤连接而成的单向拓扑网络，其特点是按如下步骤进行：

步骤1、建立单向拓扑网络

设定所述单向拓扑网络中从第1个网络节点到第n个网络节点有M条路径，则所述单向拓扑网络的模型和最优路径函数分别如式(1)和式(2)所示：

L＝Min(A₁,A₂,…,A_k,…,A_M)   (2)

并有：

$A_k=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{l}_{\mathrm{ij}}\mathrm{sign}(i,j,k),(k=\mathrm{1,2},\·\·\·,M)---\left(3\right)$

式(3)中，l_ij表示网络节点i到网络节点j的光纤长度；若网络节点i与网络节点j之间没有光纤到达，则l_ij＝∞；设置网络节点i与自身的网络节点i的光纤长度l_ii＝0；

步骤2、采用二进制编码初始化种群：

设置种群大小为N＝2n、种群个体集合Y＝{Y₁,Y₂,…,Y_p,…,Y_N}1≤p≤N；Y_p表示任意一个种群个体，以任意一个种群个体代表从第1个网络节点到第n个网络节点的任意一条路径，N≤M；所述种群个体Y_p＝{X₁,X₂,…,X_q,…,X_n}，2≤q≤n-1；X_q表示任一个体染色体；以任一个体染色体代表所述单向拓扑网络中任意一个网络节点；

令X₁＝1和X_n＝1，表示任意一条路径必须经过第1个网络节点和第n个网络节点；X_q的值利用随机函数Rand()取[0,1]之间随机数，若随机数大于等于0.5，则X_q＝1，表示任意一条路径经过网络节点q；否则，X_q＝0，表示任意一条路径未经过网络节点q；

设定X_t＝1，表示任意一条路径中必须经过网络节点t；X_r＝0，表示任意一条路径中不能经过网络节点r；2≤t,r≤n-1；

步骤3、设定迭代次数I∈[30,200]；设定初始迭代I_init＝0；

步骤4、选择运算：

步骤4.1、利用式(4)获得任意一个种群个体的自适应度函数Fit(k)，从而获得所有种群个体的适应度函数：

$\mathrm{Fit}\left(k\right)=D_{\max }-\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{l}_{\mathrm{ij}}\mathrm{sign}(i,j,k),1\≤k\≤N---\left(4\right)$

式(4)中，D_max表示所述单向拓扑网络中从第1个网络节点到第n个网络节点的所经过的路径长度之和的最大值；

步骤4.2、采用精英选择方法从N个种群个体的适应度函数中选择一个最大的适应度函数值所对应的种群个体作为交叉运算的一个种群个体；

步骤4.3、采用如式(5)所示的轮盘赌选择方法计算任意一个种群个体的选择概率F_k，从而获得N-1个种群个体的选择概率：

$F_k=\frac{\mathrm{Fit}\left(k\right)}{\underset{k=1}{\overset{N-1}{\mathrm{\Σ}}}\mathrm{Fit}\left(k\right)}---\left(5\right)$

步骤4.4、将N-1个种群个体的选择概率所表示的概率区域组成一个轮盘，则N-1个种群个体的选择概率之和为1；在[0,1]之间产生N-1个随机数，以所述随机数在轮盘中所匹配的概率区域来选择与所述概率区域相对应的种群个体；以所述选中的种群个体作为交叉运算的N-1个种群个体；由所述交叉运算的一个种群个体和交叉运算的N-1个种群个体构成交叉种群个体；

步骤5、交叉运算：

步骤5.1、从所述交叉种群个体中任意取两个种群个体并按照步骤5.2进行匹配，直到完成N/2次配对，从而获得N个变异种群个体；

步骤5.2、对所任意两个种群个体中的每一个个体以交叉点位置进行交换，所述交叉点位置是在[2,n-1]中取随机整数α；若随机整数α＝t或α＝r，则不进行交换；

步骤6、变异运算：

步骤6.1、从N个变异种群个体中任意取一个种群个体，在[2,n-1]中取一个随机整数β；

以所述随机整数β作为基因变异位置对所述种群个体中相应的个体按照步骤6.2进行变异运算，直到N个变异种群个体完成变异运算，从而获得N个下一代种群个体；若随机整数β＝t或β＝r，则不进行变异运算；

步骤6.2、设定变异运算的概率为P_m，P_m∈[0.001,0.2]；

在[0,1]中取一个随机数Q，当P_m≤Q时，对所述种群个体中第β个基因变异位置的个体染色体进行取反；

步骤7、将I_init+1赋值给I_init；

步骤8、判断I_init≤I是否成立，若成立，则以所述N个下一代种群个体作为新的种群个体，并返回步骤4执行，否则执行步骤9；

步骤9、输出最优路径：

利用式(4)获得所述N个下一代种群个体中的每个个体的适应度函数；选择适应度函数值最大的个体为最优个体；以所述最优个体作为最优路径。

与已有技术相比，本发明的有益效果体现在：

1、本发明通过建立单向拓扑网络模型来解决配用电通讯网带节点约束的最优路径问题，在建立模型时，设定必须经过的光纤交接箱与不能经过的光缆交接箱作为必须经过的节点与不能经过的节点，利用遗传算法计算出任意两个光纤交接箱之间通信的最优路径，能在很大程度上减少光路的调试次数及时间，从而缩短光路的中断时间，提高光缆有限资源的利用率，从而使得网络模型能应用于复杂的配用电通信网及其他通信网。

2、本发明遗传算法的种群初始化时候，通过设立必须经过节点与不能经过节点的约束条件，这样既能保证路径最短，又提高了算法迭代的效率。

3、本发明对选择运算采用精英选择与轮盘赌选择方法相结合来选择算子，保留了最好的种群个体，可以更好的向最优路径迭代，轮盘赌选择方法又保证了种群的随机性，防止局部最优。

4、本发明在交叉运算与变异运算过程中都采用产生随机数的方式，可以有效保证种群的多样性，同时设置必须经过的节点与不能经过的节点所对应的种群个体不发生交叉与变异，这样能有效防止破坏约束条件，从而获得满足节点约束的最优路径。

附图说明

图1为本发明方法的流程图；

图2为本发明中改进遗传算法的流程图。

具体实施方式

本实施例中，配用电电信网是以n个光纤交接箱作为网络节点并通过光纤连接而成的单向拓扑网络，一种基于遗传算法的配用电通信网最优路径选择方法包括：配用电通信网的光纤交接箱分布情况转换成对应网络拓扑图,并根据需要有特定的预设条件，如：起点、终点、必须经过路径和不能经过路径等。根据改进的遗传算法，把预设条件在二进制编码的初始化中考虑进去，并自定义适应度函数，通过遗传算法的多种方法结合的选择运算、交叉运算和变异运算不断的迭代，优化算子，逐渐靠近最优值，直到满足最优条件，终止迭代，取得最优路径。

如图1所示，具体地说是按如下步骤进行：

步骤1、建立单向拓扑网络

设定单向拓扑网络中从第1个网络节点到第n个网络节点有M条路径，则单向拓扑网络的模型和最优路径函数分别如式(1)和式(2)所示：

L＝Min(A₁,A₂,…,A_k,…,A_M)   (2)

并有：

$A_k=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{l}_{\mathrm{ij}}\mathrm{sign}(i,j,k),(k=\mathrm{1,2},\·\·\·,M)---\left(3\right)$

式(3)中，l_ij表示网络节点i到网络节点j的光纤长度；若网络节点i与网络节点j之间没有光纤到达，则l_ij＝∞；设置网络节点i与自身的网络节点i的光纤长度l_ii＝0；

步骤2、采用二进制编码初始化种群：

设置种群大小为N＝2n、种群个体集合Y＝{Y₁,Y₂,…,Y_p,…,Y_N}1≤p≤N；Y_p表示任意一个种群个体，以任意一个种群个体代表从第1个网络节点到第n个网络节点的任意一条路径，M是n的几何倍速，N＝2n，因此N≤M；种群个体Y_p＝{X₁,X₂,…,X_q,…,X_n}，2≤q≤n-1；X_q表示任意一个个体染色体；以任意一个个体染色体代表单向拓扑网络中任意一个网络节点；

令X₁＝1和X_n＝1，表示任意一条路径必须经过第1个网络节点和第n个网络节点；X_q的值利用随机函数Rand()取[0,1]之间随机数，若随机数大于等于0.5，则X_q＝1，表示任意一条路径经过网络节点q；否则，X_q＝0，表示任意一条路径未经过网络节点q；

设定X_t＝1，表示任意一条路径中必须经过网络节点t；X_r＝0，表示任意一条路径中不能经过网络节点r；2≤t,r≤n-1；

步骤3、如图2所示，设定迭代次数I∈[30,200]；本实施例中，设定I＝50；设定初始迭代I_init＝0；

步骤4、选择运算：

步骤4.1、利用式(4)获得任意一个种群个体的自适应度函数Fit(k)，从而获得所有种群个体的适应度函数：

$\mathrm{Fit}\left(k\right)=D_{\max }-\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{l}_{\mathrm{ij}}\mathrm{sign}(i,j,k),1\≤k\≤N---\left(4\right)$

式(4)中，D_max表示单向拓扑网络中从第1个网络节点到第n个网络节点的所经过的路径长度之和的最大值；本实施例中，把第1个网络节点到第n个网络节点中所有相连节点光纤长度相加作为D_max；

步骤4.2、采用精英选择方法从N个种群个体的适应度函数中选择一个最大的适应度函数值所对应的种群个体作为交叉运算的一个种群个体；精英选择方法保证了最好的个体被选择，保证了向最优解方向迭代；

步骤4.3、采用如式(5)所示的轮盘赌选择方法计算任意一个种群个体的选择概率F_k，从而获得N-1个种群个体的选择概率：

$F_k=\frac{\mathrm{Fit}\left(k\right)}{\underset{k=1}{\overset{N-1}{\mathrm{\Σ}}}\mathrm{Fit}\left(k\right)}---\left(5\right)$

步骤4.4、将N-1个种群个体的选择概率所表示的概率区域组成一个轮盘，本实施例中，轮盘的概率区域则N-1个种群个体的选择概率之和为1；在[0,1]之间产生N-1个随机数，以随机数在轮盘中所匹配的概率区域σ_z来选择与概率区域相对应的种群个体；以选中的种群个体作为交叉运算的N-1个种群个体；由交叉运算的一个种群个体和交叉运算的N-1个种群个体构成交叉种群个体；轮盘赌注选择方法种群个体被选中的概率与适应度大小成正比，保证了随机性同时，又能使更优的算子被选择；

步骤5、交叉运算：进行遗传算法的交叉运算，交叉运算采取单点交叉随机对种群两两配对：

步骤5.1、从交叉种群个体中任意取两个种群个体并按照步骤5.2进行匹配，直到完成N/2次配对，从而获得N个变异种群个体；

步骤5.2、对所任意两个种群个体中的每一个个体以交叉点位置进行交换，交叉点位置是在[2,n-1]中取随机整数α；若随机整数α＝t或α＝r，则不进行交换；

步骤6、变异运算：进行遗传算法的变异运算，采取均匀变异，随机在个体中对单点进行变异运算：

步骤6.1、从N个变异种群个体中任意取一个种群个体，在[2,n-1]中取一个随机整数β；

以随机整数β作为基因变异位置对种群个体中相应的个体按照步骤6.2进行变异运算，直到N个变异种群个体完成变异运算，从而获得N个下一代种群个体；若随机整数β＝t或β＝r，如果变异就会破坏必经或不能经过路径的约束条件，则不进行变异运算；

步骤6.2、设定变异运算的概率为P_m，P_m∈[0.001,0.2]；P_m取值过大，增加变异的数量，能保证随机性与种群多样性，但会影响种群向最优解收敛效率；本实施例中，取P_m＝0.1

在[0,1]中取一个随机数Q，当P_m≤Q时，对种群个体中第β个基因变异位置的个体染色体进行取反；既X_m若为1，则取反为0，X_m若为0，则取反为1；

步骤7、将I_init+1赋值给I_init；

步骤8、判断I_init≤I是否成立，若成立，则以N个下一代种群个体作为新的种群个体，并返回步骤4执行，否则执行步骤9；

步骤9、输出最优路径：

利用式(4)获得N个下一代种群个体中的每个个体的适应度函数；选择适应度函数值最大的个体为最优个体；以最优个体作为最优路径；最优个体中染色体若为1，则经过拓扑网络中对应的网络节点；最优个体中染色体若为0，则不经过拓扑网络中对应的网络节点。

Claims (1)

1.一种基于遗传算法的配用电通信网最优路径选择的方法，所述配用电电信网是以n个光纤交接箱作为网络节点并通过光纤连接而成的单向拓扑网络，其特征是按如下步骤进行：

步骤1、建立单向拓扑网络

设定所述单向拓扑网络中从第1个网络节点到第n个网络节点有M条路径，则所述单向拓扑网络的模型和最优路径函数分别如式(1)和式(2)所示：

L＝Min(A₁,A₂,…,A_k,…,A_M)   (2)

并有：

$A_k=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{l}_{\mathrm{ij}}\mathrm{sign}(i,j,k),(k=\mathrm{1,2},...,M)---\left(3\right)$

式(3)中，l_ij表示网络节点i到网络节点j的光纤长度；若网络节点i与网络节点j之间没有光纤到达，则l_ij＝∞；设置网络节点i与自身的网络节点i的光纤长度l_ii＝0；

步骤2、采用二进制编码初始化种群：

设置种群大小为N＝2n、种群个体集合Y＝{Y₁,Y₂,…,Y_p,…,Y_N}1≤p≤N；Y_p表示任意一个种群个体，以任意一个种群个体代表从第1个网络节点到第n个网络节点的任意一条路径，N≤M；所述种群个体Y_p＝{X₁,X₂,…,X_q,…,X_n}，2≤q≤n-1；X_q表示任一个体染色体；以任一个体染色体代表所述单向拓扑网络中任意一个网络节点；

令X₁＝1和X_n＝1，表示任意一条路径必须经过第1个网络节点和第n个网络节点；X_q的值利用随机函数Rand()取[0,1]之间随机数，若随机数大于等于0.5，则X_q＝1，表示任意一条路径经过网络节点q；否则，X_q＝0，表示任意一条路径未经过网络节点q；

设定X_t＝1，表示任意一条路径中必须经过网络节点t；X_r＝0，表示任意一条路径中不能经过网络节点r；2≤t,r≤n-1；

步骤3、设定迭代次数I∈[30,200]；设定初始迭代I_init＝0；

步骤4、选择运算：

步骤4.1、利用式(4)获得任意一个种群个体的自适应度函数Fit(k)，从而获得所有种群个体的适应度函数：

$\mathrm{Fit}\left(k\right)=D_{\max }-\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{l}_{\mathrm{ij}}\mathrm{sign}(i,j,k),1\≤k\≤N---\left(4\right)$

式(4)中，D_max表示所述单向拓扑网络中从第1个网络节点到第n个网络节点的所经过的路径长度之和的最大值；

步骤4.2、采用精英选择方法从N个种群个体的适应度函数中选择一个最大的适应度函数值所对应的种群个体作为交叉运算的一个种群个体；

步骤4.3、采用如式(5)所示的轮盘赌选择方法计算任意一个种群个体的选择概率F_k，从而获得N-1个种群个体的选择概率：

$F_k=\frac{\mathrm{Fit}\left(k\right)}{\underset{k=1}{\overset{N-1}{\mathrm{\Σ}}}\mathrm{Fit}\left(k\right)}---\left(5\right)$

步骤4.4、将N-1个种群个体的选择概率所表示的概率区域组成一个轮盘，则N-1个种群个体的选择概率之和为1；在[0,1]之间产生N-1个随机数，以所述随机数在轮盘中所匹配的概率区域来选择与所述概率区域相对应的种群个体；以所述选中的种群个体作为交叉运算的N-1个种群个体；由所述交叉运算的一个种群个体和交叉运算的N-1个种群个体构成交叉种群个体；

步骤5、交叉运算：

步骤5.1、从所述交叉种群个体中任意取两个种群个体并按照步骤5.2进行匹配，直到完成N/2次配对，从而获得N个变异种群个体；

步骤5.2、对所任意两个种群个体中的每一个个体以交叉点位置进行交换，所述交叉点位置是在[2,n-1]中取随机整数α；若随机整数α＝t或α＝r，则不进行交换；

步骤6、变异运算：

步骤6.1、从N个变异种群个体中任意取一个种群个体，在[2,n-1]中取一个随机整数β；

以所述随机整数β作为基因变异位置对所述种群个体中相应的个体按照步骤6.2进行变异运算，直到N个变异种群个体完成变异运算，从而获得N个下一代种群个体；若随机整数β＝t或β＝r，则不进行变异运算；

步骤6.2、设定变异运算的概率为P_m，P_m∈[0.001,0.2]；

在[0,1]中取一个随机数Q，当P_m≤Q时，对所述种群个体中第β个基因变异位置的个体染色体进行取反；

步骤7、将I_init+1赋值给I_init；

步骤8、判断I_init≤I是否成立，若成立，则以所述N个下一代种群个体作为新的种群个体，并返回步骤4执行，否则执行步骤9；

步骤9、输出最优路径：

利用式(4)获得所述N个下一代种群个体中的每个个体的适应度函数；选择适应度函数值最大的个体为最优个体；以所述最优个体作为最优路径。