CN105704025A - 基于混沌搜索和人工免疫算法的路由优化方法 - Google Patents

Abstract

本发明公开了通信网络技术领域中一种基于混沌搜索和人工免疫算法的路由优化方法，用于解决传统智能优化算法求解多目标路由优化问题中，路径生成效率低、单次优化结果不确定的问题。该方法包括：利用混沌搜索和动态邻接矩阵生成多条路径作为人工免疫算法的初始抗体种群；利用人工免疫算法求解最优路由，其中主要步骤包括：对优秀抗体进行克隆并对克隆抗体接种动态疫苗；对接种疫苗后的克隆抗体进行变异操作；对次优秀抗体进行自由变异操作；将优秀抗体、接种疫苗并变异后的克隆抗体和自由变异后的次优秀抗体组成新一代抗体种群。该方法路径生成效率高，利用混沌搜索值替代了随机概率值，具有寻优速度快、单次输出结果稳定的优点。

Description

基于混沌搜索和人工免疫算法的路由优化方法

技术领域

本发明属于通信网络技术领域，尤其涉及一种基于混沌搜索和人工免疫算法的路由优化方法。

背景技术

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。MehdiGhatee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、邹恩等人利用混沌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；ZhuLi，LiZhishu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。

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，这样会严重影响优化算法的效率，因此部分研究人员只能以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搜索方法和混沌搜索方法来生成路径，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。

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，这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，但这种不确定性在某些实际应用中是不允许的。

发明内容

本发明的目的在于，提供一种基于混沌搜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。

为了实现上述目的，本发明的技术方案是，基于混沌搜索和人工免疫算法的路由优化方法，其特征是该方法包括：

步骤1：利用基于混沌搜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；

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；

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M<N；

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；

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；

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；

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。

所述步骤1中，基于混沌搜索和动态邻接矩阵的路径生成算法的具体步骤为：

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A⁰为：

其中 $a_{ij}=a_{ji}=\left\{\begin{array}{cc}1,& link(v_i,v_j)\&Element;E\\ 0,& others\end{array}\right.,$ n是网络的节点数量。设当前邻接矩阵为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}，路径搜索过程中的当前节点为v_i，其上游节点为v_x，下游节点为v_z，令A＝A⁰，v_i＝s，表示节点v_k在当前邻接矩阵中的邻居节点集；

步骤1.2：令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’；

步骤1.3：若A中即第i行元素全部为0，转步骤1.5，否则，转步骤1.4；

步骤1.4：利用混沌搜索确定v_i的下游节点v_z，将节点v_z加入路径节点集p(s,d)中，令i＝z，若v_i＝d，寻路成功，算法结束，否则，转步骤1.2；

步骤1.5：若v_i＝s，寻路失败，算法结束，否则，在p(s,d)中删除节点v_i，并令i＝x，转步骤1.3。

所述步骤1.4中的混沌搜索的具体方法为：利用混沌方程产生的一个区间(0,1)上的伪随机数δ，搜索结果的计算公式是：

m＝ceil(δ·h)，(1)

其中，函数ceil(.)表示向上取整，h是与搜索对象有关的参数，在步骤1.4中，h的值为A中v_i的邻居节点个数，A中v_i的第m个邻居节点即为v_i的下游节点v_z。

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：

步骤5.1：设抗体p(v₁,v_L)＝{v₁,v₂,v₃,...,v_L-1,v_L}，其中L为抗体中节点的个数即抗体的长度，令h＝L，利用公式(1)计算m的值；

步骤5.2：抗体中参与变异的基因位数为l，接种疫苗的位数为L-l，l为设定值，且l<L，抗体中作为疫苗被保留的基因段为{v₁,v₂,...,v_y}∪{v_y+l+1,...,v_L}，需要进行变异的基因段为{v_y+1,v_y+2,...,v_y+l}，y的计算公式是：

$y=\left\{\begin{array}{cc}L-l-1,& \mathrm{mod}(m,L-l-1)=0\\ \mathrm{mod}(m,L-l-1),& \mathrm{mod}(m,L-l-1)\&NotEqual;0\end{array}\right.,$

其中mod(.)为求余函数；

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(v_y,v_y+l+1)，设p(v_y,v_y+l+1)＝{v_y,v₁',v'₂,...,v_l',v_y+l+1}，则动态疫苗接种并变异后的抗体为p'(v₁,v_L)＝{v₁,v₂,...,v_y,v₁',v'₂,...,v_l',v_y+l+1,...,v_L}。

所述步骤6中，对抗体进行自由变异操作的具体方法为：

步骤6.1：设抗体p(v₁,v_L)＝{v₁,v₂,v₃,...,v_L-1,v_L}，其中L为抗体中节点的个数即抗体的长度，令h＝L，利用公式(1)计算m的值；

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(v_m,v_L)，设p(v_m,v_L)＝{v_m,v₁',v'₂,...,v'_L-m-1,v_L}，则自由变异后的抗体为p'(v₁,v_L)＝{v₁,v₂,...,v_m,v₁',v'₂,...,v'_L-m-1,v_L}。

下面证明本发明步骤1中所述路径生成算法的有效性：

命题1：算法在连通图G中必然能够找到路径p(s,d)。

证明：由于G是连通图，所以路径p(s,d)一定存在，不妨设其路径节点集为p(s,d)＝{v₁,v₂,v₃,...,v_L-1,v_L}，其中v₁＝s，v_L＝d，则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表示A⁰中v₁的邻居节点集，则否则算法将在中搜索路径，不会结束，同理，与矛盾，因此假设不成立，命题1得证。

命题2：算法所得路径必然是无环的。

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,...,v_L'-1,v_L',...,d}，其中v_L'＝v₃，出现了环路，根据步骤1.4和步骤1.2可知，当v₃作为v₂的下游节点加入p(s,d)后，算法继续执行至v_i＝v_L'-1时，与矛盾，因此假设不成立，命题2得证。

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以快速、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沌搜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

图1为本发明所述方法的流程图；

图2为本发明实施例所使用的网络拓扑结构图；

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；

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

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。

图1为本发明的流程图，图2为本发明实施例所使用的网络拓扑结构图，该网络为意大利国家网络，链路上的数字表示节点间的单位化长度。下面结合图1和图2说明本发明的具体实施方式。

步骤1(种群初始化)：

本实施例中多约束路由优化的目标函数为f＝αf₁+βf₂+γf₃，其中f₁为路径长度，f₂为业务沿该路径传输时的网络业务层负载的方差，f₃为业务沿该路径传输时的网络传输层负载的方差；α,β,γ为权重系数，本实施例中均取1/3；目标函数值越小，说明路径越优秀，抗体的亲和度越高，因此抗体的亲和度取1/f；种群规模即种群中的路径个数N＝30，进化最大代数G＝50，当前进化代数g＝1；待优化路由的源节点是图2中的v₁，目的节点是v₂₉；利用Logistic混沌方程生成区间(0,1)上的混沌序列{δ_i}用于混沌搜索；利用发明内容中所述基于混沌搜索和动态邻接矩阵的路径生成算法随机产生v₁到v₂₉的30条路径构成人工免疫算法的初始抗体种群 $P^0\left(g\right)=\{p_1^0\left(g\right),p_2^0\left(g\right),...,p_{30}^0\left(g\right)\}.$

步骤2(抗体亲和度计算并排序)：

将抗体种群中的抗体代入目标函数，并按目标函数值升序排列(或按照亲和度值降序排列)，排列后的抗体种群为如果g＝G，则选择第一个抗体进行输出，否则进入步骤3。

步骤3(选取优秀抗体构成记忆种群)：

选择P¹(g)中前M＝6个抗体构成记忆种群

步骤4(优秀抗体克隆)：

为了使优秀抗体的基因尽可能多的保留下来，本实施例第q个抗体的克隆数量为其中，f(q)为第q个抗体的目标函数值，函数round(·)表示四舍五入取整，本实施例中C的取值为12，是克隆抗体的总数量，若最终的克隆抗体总数不等于C，则可通过对记忆种群中最后一个抗体的克隆数量的增减使总数量为C；设克隆抗体组成的克隆种群为 $P^2\left(g\right)=\{p_1^2\left(g\right),p_2^2\left(g\right),...,p_{12}^2\left(g\right)\}.$

步骤5(克隆抗体接种动态疫苗并变异)：

根据发明内容部分所述步骤5中的动态疫苗接种及变异方法对克隆种群中的抗体进行操作，其中参数l＝3，生成的带疫苗的克隆变异种群为 $P^3\left(g\right)=\{p_1^3\left(g\right),p_2^3\left(g\right),...,p_{12}^3\left(g\right)\}.$

步骤6(次优秀抗体自由变异)：

根据发明内容部分所述步骤6中的自由变异方法对次优秀抗体进行操作，本实施例中的次优秀抗体种群为 $P^4\left(g\right)=\{p_1^4\left(g\right),p_2^4\left(g\right),...,p_{12}^4\left(g\right)\}=\{p_7^1\left(g\right),p_8^1\left(g\right),...,p_{18}^1\left(g\right)\},$ 自由变异后的种群为 $P^5\left(g\right)=\{p_1^5\left(g\right),p_2^5\left(g\right),...,p_{12}^5\left(g\right)\}.$

步骤7(种群更新)：

将记忆种群、克隆种群和变异种群组成新一代抗体种群，即P⁰(g+1)＝J(g)∪P³(g)∪P⁵(g)；令g＝g+1，返回步骤2。

为了说明本发明所述方法的优越性，本实施例中对本发明所述方法与方仕勇、邹恩等人提出的QoS混沌遗传算法(QCGA)及ZhuLi、LiZhishu等人提出的免疫遗传路由算法(IGRA)进行了比较。图3是在图2所示网络上三种方法随机运行两次的结果。从图3中可以看出，QCGA和IGRA两次运行的结果都具有不确定性，而本发明所述方法两次运行结果无论是寻优过程还是最终结果都是确定的。图4是三种方法运行50次后取平均值的结果，可以看出，由于本发明所述方法的确定性输出，使其平均结果与图3中的单次运行结果完全相同，而且其性能也明显优于QCGA和IGRA，因此本发明所述方法无论在性能上还是稳定性上都优于其它两种算法。

综上，本发明所述方法充分利用混沌搜索的伪随机性和确定性特点，利用混沌搜索值替代了人工免疫算法中的随机变异概率值，克服了传统算法单次运行结果不确定的问题；利用动态疫苗接种与自由变异相结合的变异策略，使本发明所述方法具有寻优速度快、寻优结果好的特点；利用混沌搜索与动态邻接矩阵高效生成人工免疫算法的可行路径解，提高了本发明所述方法的执行效率。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (5)

1.基于混沌搜索和人工免疫算法的路由优化方法，其特征是该方法包括：

步骤1：利用基于混沌搜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；

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；

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M<N；

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；

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；

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；

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。

2.根据权利要求1所述方法，其特征是所述步骤1中，基于混沌搜索和动态邻接矩阵的路径生成算法的具体步骤为：

步骤1.1：设网络的初始邻接矩阵为A⁰，当前邻接矩阵为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}，路径搜索过程中的当前节点为v_i，其上游节点为v_x，下游节点为v_z，令A＝A⁰，v_i＝s；

步骤1.2：将A中第i列元素全部置0，得到新的邻接矩阵A’，令A＝A’；

步骤1.3：若A中第i行元素全部为0，转步骤1.5，否则，转步骤1.4；

步骤1.4：利用混沌搜索确定v_i的下游节点v_z，将节点v_z加入路径节点集p(s,d)中，令i＝z，若v_i＝d，寻路成功，算法结束，否则，转步骤1.2；

步骤1.5：若v_i＝s，寻路失败，算法结束，否则，在p(s,d)中删除节点v_i，并令i＝x，转步骤1.3。

3.根据权利要求2所述方法，其特征是所述步骤1.4中的混沌搜索的具体方法为：利用混沌方程产生的一个区间(0,1)上的伪随机数δ，搜索结果的计算公式是m＝ceil(δ·h)，其中，h是与搜索对象有关的参数，此处h的值为A中v_i的邻居节点个数，函数ceil(.)表示向上取整，则A中v_i的第m个邻居节点即为v_i的下游节点v_z。

4.根据权利要求1所述方法，其特征是所述步骤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：

步骤5.1：设抗体p(v₁,v_L)＝{v₁,v₂,v₃,…,v_L-1,v_L}，其中L为抗体中节点的个数即抗体的长度，令h＝L，利用权利要求3中所述混沌搜索的计算公式计算m的值；

步骤5.2：抗体中参与变异的基因位数为l，接种疫苗的位数为L-l，l为设定值，且l<L，抗体中作为疫苗被保留的基因段为{v₁,v₂,…,v_y}∪{v_y+l+1,…,v_L}，需要进行变异的基因段为{v_y+1,v_y+2,…,v_y+l}，y的计算公式是：

其中mod(.)为求余函数；

步骤5.3：利用权利要求2所述路径生成算法，重新生成路径p(v_y,v_y+l+1)，设p(v_y,v_y+l+1)＝{v_y,v′₁,v'₂,…,v′_l,v_y+l+1}，则动态疫苗接种并变异后的抗体为p'(v₁,v_L)＝{v₁,v₂,…,v_y,v′₁,v′₂,…,v′_l,v_y+l+1,…,v_L}。

5.根据权利要求1所述方法，其特征是所述步骤6中，对抗体进行自由变异操作的具体方法为：

步骤6.1：设抗体p(v₁,v_L)＝{v₁,v₂,v₃,…,v_L-1,v_L}，其中L为抗体中节点的个数即抗体的长度，令h＝L，利用权利要求3中所述混沌搜索的计算公式计算m的值；

步骤6.2：若m＝L，返回步骤6.1，否则，利用权利要求2所述路径生成算法，重新生成路径p(v_m,v_L)，设p(v_m,v_L)＝{v_m,v′₁,v′₂,…,v'_L-m-1,v_L}，则自由变异后的抗体为p'(v₁,v_L)＝{v₁,v₂,…,v_m,v′₁,v'₂,…,v'_L-m-1,v_L}。