CN106658639A - 一种基于量子遗传策略的qg‑olsr路由方法 - Google Patents

Abstract

一种基于量子遗传策略的QG‑OLSR路由方法。移动自组织网络其移动性，自组织性，多跳性，分布式控制等特点，使其路由算法必须较快的适应频繁的网络拓扑结构变化，必须持续为每个节点保持实时性强，准确率高，冗余信息少的路由信息，且能最大限度的节约网络资源。与现有的量子遗传算法相比，本方法对量子遗传算法进行改进，并结合OLSR路由协议的特点，首先对MPR节点的选取进行优化，克服了传统方法选取MPR集合的不足，并证明了该算法的收敛性和全局最优解的特性。本方法经检验证明，可有效减少网络中冗余信息，提高网络拓扑中数据传输效率。

Description

一种基于量子遗传策略的QG-OLSR路由方法

【技术领域】

本发明涉及通信技术，具体提供一种基于量子遗传策略的QG-OLSR路由方法。

【背景技术】

移动自组织网络是一种用于连接移动设备的无线网络，由一组逻辑上对等的带有无线收发装置的节点组成，它不依赖于任何基础设置。移动自组织网络具有系统简单，组网灵活，鲁棒性强，无中心，多跳性等特点，相比于传统的有中心网络结构来说，移动自组织网络可以用更低的成本建立更大的网络连通空间。图1为移动自组织网络中采用的OLSR路由协议的MPR集合示意图，MPR集合中的每个节点都是源节点的一条邻居节点，通过MPR集合，源节点可以将信息传播到它的所有两跳邻居节点。MPR节点集合周期性的向全网泛洪TC消息，且该信息包含与该节点的MS节点之间链路信息。并且，MPR节点接受并转发来自其他MPR节点的TC信息。

移动自组织网络凭借其灵活性，扩展性等特点，被广泛应用于不同领域，如环境监测，战场监控，灾后救援等。在灾后救援应用中，利用传统的有中心拓扑结构网络，如蜂窝移动系统等，容易遭到破坏，可以利用移动自组织网络建立临时应急系统。

目前已经提出了很多量子计算的方法，研究主要集中在两类模型上：一是基于量子多宇宙量子衍生遗传算法，另一类是基于量子比特和量子态叠加特性的遗传量子算法。但是之前提出的很多量子遗传算法不具有通用性，仅仅是对特定问题进行求解，不适用于移动自组织网络的OLSR路由中MPR集合的选取及整个网络性能的提升。

【发明内容】

本发明一种基于量子遗传策略的QG-OLSR路由方法，采用多状态因子比特编码方式对网络中节点进行编码，采用量子交叉操作和量子非门实现基因链的交叉变异，采用量子旋转门策略及动态调整转角机制，考虑节点能量信息，避免了早熟及局部收敛现象。针对MPR问题的NP完全性，使用改进的量子遗传算法能够得到全局收敛的较优解。

本发明的基于量子遗传策略的QG-OLSR路由方法，主要包括如下关键步骤：

第1、QGA基本原理模型结构：

第1.1、基本遗传算法采用比例选择策略。

第1.2、在基本遗传算法中，阶次低，定义长度短且适应度超过平均适应度值的模式的数据以指数级增长，适应度小于平均适应度值的模式的数据以指数级减小。

第1.3、量子遗传算法能收敛到全局最优解。

第2、改进QGA算法模型：

第2.1、初始化节点基因链。

第2.2、修复最优个体集合。

第3、编码及初始化：

第3.1、针对OLSR的量子遗传算法的基因链，采用0-1方式进行编码，考虑全局性及基因交叉变异问题，设定染色体长度等于网路拓扑中节点总个数。

第3.2、初始化群体中，将群体中所有个体的染色体基因位的概率振幅的“0”和“1”状态位初始化为

第4、初始群体的选择：

第4.1、启发式规则选择节点i的MPR集合。

第4.2、适应度函数选择节点i的MPR集合。

第5、基因链交叉和变异：

第5.1、基因链交叉操作，针对网络拓扑高度动态性等特点，选择量子交叉策略。

第5.2、基因链变异操作，先对个体层次发生变异的概率进行判断，再判断个体基因链的基因位发生变异的概率。

第6、基因链更新：

动态调整量子旋转门的旋转角度，即根据遗传代数的不同，将旋转角度的值的大小在0.1π和0.05π之间动态调整。

第7、修复策略：

对节点i的MPR集合中的节点进行维护，使用启发式规则。对于节点i的两跳邻居表中一个节点j，若该节点没有被新个体的任何一个节点覆盖，则在节点i的一跳邻居节点表中指定一个覆盖j的且覆盖能力最强的节点进入节点i的MPR集合中。

步骤第1.1中基本遗传算法采用比例选择策略，交叉概率和变异概率分别为P_c和P_m，且取值最小，模式H的定义长度为δ(H)，阶为ο(H)，第t+1代种群Q(t+1)含有H中的元素个数为m(H,t+1)，则以下不等式成立：

第1.2、在基本遗传算法中，阶次低，定义长度短且适应度超过平均适应度值的模式的数据以指数级增长，适应度小于平均适应度值的模式的数据以指数级减小；在选择算子的租用下，当模式H的平均适应度f大于群体Q的平均适应度时，模式H以指数级增长，同理可知，当模式H的平均适应度小于群体Q的平均适应度时，模式H以指数级减小。

步骤第2.1中，初始化节点基因链，QGA利用量子比特位保存种群中个体的染色体基因。在第t代时，种群可以表示为其中n是第t代时种群中个体总数，表示第i个个体，每个个体表示该节点的MPR集合，且个体的染色体基因链表示如下：

其中i＝1,2,...m，m是量子比特位的个数，即量子染色体基因链的长度。

步骤第3.2中，初始化群体中，将群体中所有个体的染色体基因位的概率振幅的“0”和“1”状态位初始化为即对于节点i来说，它的初始化染色体基因链表示为：

其中，i＝1,2,…m，m为该网络拓扑结构中节点总个数；即染色体基因链的一个量子位代表了对所有可能状态以相同概率的一个线性叠加，表示公式如下：

其中，S_k是第k个状态，由二进制串＜x₁,x₂,...x_n＞表示，x_i是0或1，m是染色体基因链长度，i＝1,2,…m。

步骤第4中，初始群体的选择：利用启发式规则计算得到的节点适应度函数，利用节点能量信息计算得到的节点适应度函数，得节点的综合适应度函数计算公式如下：

Fitness(i,j)＝w₁×Fitness_NB(i,j)+w₂×Fitness_ENE(i,j) (4)

其中w₁＝1/2,w₂＝1/2，即均衡启发式选取规则和节点能量适应度。在仿真实验中，针对不同的应用场景，不同的网络性能要求，可以设定不同的w₁和w₂参数；

依据节点综合适应度函数计算结果，进行个体选择，即是否选择节点j作为节点i的MPR集合中的节点，计算公式如下：

其中gen_size为种群中个体总数，在本算法中，gen_size等于网络中节点总个数；即节点j被选为节点i的MPR的选择概率为MPR(i,j)；

第4.1中，启发式规则选择节点i的MPR集合，启发式规则仅仅是依靠节点的覆盖范围来选取MPR集合的，没有考虑节点的能量信息，而MPR集合周期性的转发源节点的TC控制消息，需要消耗能量，所以后面需要进行筛选操作；

第4.2中，适应度函数选择节点i的MPR集合，根据节点的邻居节点个数求出节点距离适应度。再利用包含能量信息的节点能量适应度函数，求出节点的能量适应度。综合节点距离适应度和节点能量适应度，最终筛选出各个节点的最优MPR集合，即子代中的最优个体集合。

步骤5.1中，基因链交叉操作：针对网络拓扑高度动态性等特点，选择量子交叉策略，步骤如下：

1)将网络拓扑中的全部节点编号并排序；

2)取第一个个体的第一个基因作为新个体的第一个基因位，取相邻个体的第二个基因作为新个体的第二个基因位，循环往复，直到新个体具有相同的基因数；

3)以此类推，直到新的种群具有和父代相同的基因规模；

步骤5.2中，基因链变异操作：对于个体变异操作，先计算个体发生变异的概率，然后计算个体发生变异时，其基因链上基因位发生变异的概率，并结合量子非门进行基因变异操作；变异操作作用于个体的某基因位上，由于变异概率较小，在实际中一些个体可能根本就不发生变异，造成大量计算资源的浪费；因此，采取先对个体层次发生变异的概率进行判断，再判断个体基因链的基因位发生变异的概率；例如在网络中，节点j突然离开，则选择j为MPR的节点i的基因将发生变异，需要先判断i发生变异的概率，然后再判断在这个概率基础上，其变异对个体基因位有变异影响的概率；类似的在遗传生物技术方面的描述为，某个体感染某传染病的概率为多少，确定得病之后，其染色体发生变异的概率以及遗传给子代的概率为多少。

步骤第6中，基因链更新操作：在QGA算法的while循环中，通过观察Q(t-1)状态和之前的过程描述，得到一个解的集合P(t)，并且对每一个解用上述适应度函数进行评估；Update Q(t)中通过利用一些适当的量子门U(t)对Q(t)行更新，这些染色体是对P(t)进行更新得到的最优解；作为演化操作的执行机构，量子门U(t)可根据具体问题进行选择，目前已有的量子门有很多种，常用的量子比特门有量子旋转门，量子非门，量子控制非门，Hadamard门；根据量子遗传算法的计算特点，选择量子旋转门较为合适；量子旋转门的调整过程操作如下：

其中为基因链中第i个量子比特的概率振幅，θ_i为旋转角。

步骤第6中，动态调整量子旋转门的旋转角度，即根据遗传代数的不同，将旋转角度的值的大小在0.1π和0.05π之间动态调整。

本发明的优点和积极效果

本文主要设计了一种基于量子遗传策略的QG-OLSR路由方法，在该方法中，算法采用多状态因子比特编码方式对网络中节点进行编码，采用量子交叉操作和量子非门实现基因链的交叉变异，采用量子旋转门策略及动态调整转角机制，考虑节点能量信息，避免了早熟及局部收敛现象。针对MPR问题的NP完全性，使用改进的量子遗传算法能够得到全局收敛的较优解。由于计算MPR是每个节点独立进行的，只考虑两跳以内的LS信息，所以，即使在网络相当庞大，节点非常稠密的情况下，传输两跳以内的拓扑信息也不会消耗大量的节点能量，能达到较好的计算效率。由于对MPR集合的选取进行优化，并在选取的过程中考虑节点能量等信息，将会使得网络中拓扑控制信息等冗余信息相对减少，使得网络拓扑控制开销下降，有效数据包平均端到端时延变短。

【附图说明】

图1是节点的MPR集合示意图；

图2是网络仿真拓扑结构图；

图3是不同节点运动速度拓扑控制图；

图4是不同节点运动速度数据包递交率图；

图5是不同节点运动速度平均端到端时延图；

图6是不同数据包发送速率拓扑控制开销图；

图7是不同数据包发送速率数据包递交率图；

图8是不同数据包发送速率平均端到端时延图；

图9是不同节点密度，路由控制开销图；

图10是不同节点密度，数据包递交率图；

图11是不同节点密度，平均端到端时延图；

图12是本发明基于量子遗传策略的QG-OLSR路由方法的结构示意图。

【具体实施方式】

实施例1

本实施例设计的方法利用量子交叉和量子非门变异保证MPR集合的选的全局收敛性，利用量子旋转门进行更新，主要涉及的实施操作有编码及初始化、初始群体的选择、基因链交叉和变异、基因链更新和修复策略。

本实施例基于量子遗传策略的QG-OLSR路由方法，主要包括如下关键步骤：

第1、QGA基本原理模型结构：

第1.1、基本遗传算法采用比例选择策略。

第1.2、在基本遗传算法中，阶次低，定义长度短且适应度超过平均适应度值的模式的数据以指数级增长，适应度小于平均适应度值的模式的数据以指数级减小。

第1.3、量子遗传算法能收敛到全局最优解。

第2、改进QGA算法模型：

第2.1、初始化节点基因链。

第2.2、修复最优个体集合。

第3、编码及初始化：

第3.1、针对OLSR的量子遗传算法的基因链，采用0-1方式进行编码，考虑全局性及基因交叉变异问题，设定染色体长度等于网路拓扑中节点总个数。

第3.2、初始化群体中，将群体中所有个体的染色体基因位的概率振幅的“0”和“1”状态位初始化为

第4、初始群体的选择：

第4.1、启发式规则选择节点i的MPR集合。

第4.2、适应度函数选择节点i的MPR集合。

第5、基因链交叉和变异：

第5.1、基因链交叉操作，针对网络拓扑高度动态性等特点，选择量子交叉策略。

第5.2、基因链变异操作，先对个体层次发生变异的概率进行判断，再判断个体基因链的基因位发生变异的概率。

第6、基因链更新：

动态调整量子旋转门的旋转角度，即根据遗传代数的不同，将旋转角度的值的大小在0.1π和0.05π之间动态调整。

第7、修复策略：

对节点i的MPR集合中的节点进行维护，使用启发式规则。对于节点i的两跳邻居表中一个节点j，若该节点没有被新个体的任何一个节点覆盖，则在节点i的一跳邻居节点表中指定一个覆盖j的且覆盖能力最强的节点进入节点i的MPR集合中。

步骤第1.1中基本遗传算法采用比例选择策略，交叉概率和变异概率分别为P_c和P_m，且取值最小，模式H的定义长度为δ(H)，阶为ο(H)，第t+1代种群Q(t+1)含有H中的元素个数为m(H,t+1)，则以下不等式成立：

第1.2、在基本遗传算法中，阶次低，定义长度短且适应度超过平均适应度值的模式的数据以指数级增长，适应度小于平均适应度值的模式的数据以指数级减小；在选择算子的租用下，当模式H的平均适应度f大于群体Q的平均适应度时，模式H以指数级增长，同理可知，当模式H的平均适应度小于群体Q的平均适应度时，模式H以指数级减小。

步骤第2.1中，初始化节点基因链，QGA利用量子比特位保存种群中个体的染色体基因。在第t代时，种群可以表示为其中n是第t代时种群中个体总数，表示第i个个体，每个个体表示该节点的MPR集合，且个体的染色体基因链表示如下：

其中i＝1,2,...m，m是量子比特位的个数，即量子染色体基因链的长度。

步骤第3.2中，初始化群体中，将群体中所有个体的染色体基因位的概率振幅的“0”和“1”状态位初始化为即对于节点i来说，它的初始化染色体基因链表示为：

其中，i＝1,2,…m，m为该网络拓扑结构中节点总个数；即染色体基因链的一个量子位代表了对所有可能状态以相同概率的一个线性叠加，表示公式如下：

其中，S_k是第k个状态，由二进制串＜x₁,x₂,...x_n＞表示，x_i是0或1，m是染色体基因链长度，i＝1,2,…m。

步骤第4中，初始群体的选择：利用启发式规则计算得到的节点适应度函数，利用节点能量信息计算得到的节点适应度函数，得节点的综合适应度函数计算公式如下：

Fitness(i,j)＝w₁×Fitness_NB(i,j)+w₂×Fitness_ENE(i,j)(4)

其中w₁＝1/2,w₂＝1/2，即均衡启发式选取规则和节点能量适应度。在仿真实验中，针对不同的应用场景，不同的网络性能要求，可以设定不同的w₁和w₂参数；

依据节点综合适应度函数计算结果，进行个体选择，即是否选择节点j作为节点i的MPR集合中的节点，计算公式如下：

其中gen_size为种群中个体总数，在本算法中，gen_size等于网络中节点总个数；即节点j被选为节点i的MPR的选择概率为MPR(i,j)；

第4.1中，启发式规则选择节点i的MPR集合，启发式规则仅仅是依靠节点的覆盖范围来选取MPR集合的，没有考虑节点的能量信息，而MPR集合周期性的转发源节点的TC控制消息，需要消耗能量，所以后面需要进行筛选操作；

第4.2中，适应度函数选择节点i的MPR集合，根据节点的邻居节点个数求出节点距离适应度。再利用包含能量信息的节点能量适应度函数，求出节点的能量适应度。综合节点距离适应度和节点能量适应度，最终筛选出各个节点的最优MPR集合，即子代中的最优个体集合。

步骤5.1中，基因链交叉操作：针对网络拓扑高度动态性等特点，选择量子交叉策略，步骤如下：

1)将网络拓扑中的全部节点编号并排序；

2)取第一个个体的第一个基因作为新个体的第一个基因位，取相邻个体的第二个基因作为新个体的第二个基因位，循环往复，直到新个体具有相同的基因数；

3)以此类推，直到新的种群具有和父代相同的基因规模；

步骤5.2中，基因链变异操作：对于个体变异操作，先计算个体发生变异的概率，然后计算个体发生变异时，其基因链上基因位发生变异的概率，并结合量子非门进行基因变异操作；变异操作作用于个体的某基因位上，由于变异概率较小，在实际中一些个体可能根本就不发生变异，造成大量计算资源的浪费；因此，采取先对个体层次发生变异的概率进行判断，再判断个体基因链的基因位发生变异的概率；例如在网络中，节点j突然离开，则选择j为MPR的节点i的基因将发生变异，需要先判断i发生变异的概率，然后再判断在这个概率基础上，其变异对个体基因位有变异影响的概率；类似的在遗传生物技术方面的描述为，某个体感染某传染病的概率为多少，确定得病之后，其染色体发生变异的概率以及遗传给子代的概率为多少。

步骤第6中，基因链更新操作：在QGA算法的while循环中，通过观察Q(t-1)状态和之前的过程描述，得到一个解的集合P(t)，并且对每一个解用上述适应度函数进行评估；Update Q(t)中通过利用一些适当的量子门U(t)对Q(t)行更新，这些染色体是对P(t)进行更新得到的最优解；作为演化操作的执行机构，量子门U(t)可根据具体问题进行选择，目前已有的量子门有很多种，常用的量子比特门有量子旋转门，量子非门，量子控制非门，Hadamard门；根据量子遗传算法的计算特点，选择量子旋转门较为合适；量子旋转门的调整过程操作如下：

其中为基因链中第i个量子比特的概率振幅，θ_i为旋转角。

步骤第6中，动态调整量子旋转门的旋转角度，即根据遗传代数的不同，将旋转角度的值的大小在0.1π和0.05π之间动态调整。

Claims (8)

1.一种基于量子遗传策略的QG-OLSR路由方法，其特征在于该方法主要包括如下步骤：

第1、QGA基本原理模型结构：

第1.1、基本遗传算法采用比例选择策略；

第1.2、在基本遗传算法中，阶次低，定义长度短且适应度超过平均适应度值的模式的数据以指数级增长，适应度小于平均适应度值的模式的数据以指数级减小；

第1.3、量子遗传算法能收敛到全局最优解；

第2、改进QGA算法模型：

第2.1、初始化节点基因链；

第2.2、修复最优个体集合；

第3、编码及初始化：

第3.1、针对OLSR的量子遗传算法的基因链，采用0-1方式进行编码，考虑全局性及基因交叉变异问题，设定染色体长度等于网路拓扑中节点总个数；

第3.2、初始化群体中，将群体中所有个体的染色体基因位的概率振幅的“0”和“1”状态位初始化为

第4、初始群体的选择：

第4.1、启发式规则选择节点i的MPR集合；

第4.2、适应度函数选择节点i的MPR集合；

第5、基因链交叉和变异：

第5.1、基因链交叉操作，针对网络拓扑高度动态性等特点，选择量子交叉策略；

第5.2、基因链变异操作，先对个体层次发生变异的概率进行判断，再判断个体基因链的基因位发生变异的概率；

第6、基因链更新：

动态调整量子旋转门的旋转角度，即根据遗传代数的不同，将旋转角度的值的大小在0.1π和0.05π之间动态调整。

第7、修复策略：

对节点i的MPR集合中的节点进行维护，使用启发式规则；对于节点i的两跳邻居表中一个节点j，若该节点没有被新个体的任何一个节点覆盖，则在节点i的一跳邻居节点表中指定一个覆盖j的且覆盖能力最强的节点进入节点i的MPR集合中。

2.如权利要求1所述的基于量子遗传策略的QG-OLSR路由方法，其特征在于该方法中，步骤第1.1中基本遗传算法采用比例选择策略，交叉概率和变异概率分别为P_c和P_m，且取值最小，模式H的定义长度为δ(H)，阶为ο(H)，第t+1代种群Q(t+1)含有H中的元素个数为m(H,t+1)，则以下不等式成立：

$m(H,t+1)\≥m(H,t)\×\frac{f\left(H\right)}{\stackrel{\‾}{f}}\×(1-P_c\×\frac{\mathrm{\δ}\left(H\right)}{l-1}-P_m\×o(H\left)\right)---\left(1\right)$

第1.2、在基本遗传算法中，阶次低，定义长度短且适应度超过平均适应度值的模式的数据以指数级增长，适应度小于平均适应度值的模式的数据以指数级减小；在选择算子的租用下，当模式H的平均适应度f大于群体Q的平均适应度时，模式H以指数级增长，同理可知，当模式H的平均适应度小于群体Q的平均适应度时，模式H以指数级减小。

3.如权利要求1所述的基于量子遗传策略的QG-OLSR路由方法，其特征在于该方法中，步骤第2.1中，初始化节点基因链，QGA利用量子比特位保存种群中个体的染色体基因。在第t代时，种群可以表示为其中n是第t代时种群中个体总数，表示第i个个体，每个个体表示该节点的MPR集合，且个体的染色体基因链表示如下：

$q_i^t=\[\begin{array}{c}{\mathrm{\α}}_1^t\\ {\mathrm{\β}}_1^t\end{array}\left|\begin{array}{c}{\mathrm{\α}}_2^t\\ {\mathrm{\β}}_2^t\end{array}\right|\begin{array}{c}\mathrm{...}\\ \mathrm{...}\end{array}|\begin{array}{c}{\mathrm{\α}}_m^t\\ {\mathrm{\β}}_m^t\end{array}\]---\left(2\right)$

其中i＝1,2,...m，m是量子比特位的个数，即量子染色体基因链的长度。

4.如权利要求1所述的基于量子遗传策略的QG-OLSR路由方法，其特征在于该方法中，步骤第3.2中，初始化群体中，将群体中所有个体的染色体基因位的概率振幅的“0”和“1”状态位初始化为即对于节点i来说，它的初始化染色体基因链表示为：

$q_i^0=\[\begin{array}{c}{\left(\frac{1}{\sqrt{2}}\right)}_1^0\\ {\left(\frac{1}{\sqrt{2}}\right)}_1^0\end{array}\left|\begin{array}{c}{\left(\frac{1}{\sqrt{2}}\right)}_2^0\\ {\left(\frac{1}{\sqrt{2}}\right)}_2^0\end{array}\right|\begin{array}{c}\mathrm{...}\\ \mathrm{...}\\ \mathrm{...}\\ \mathrm{...}\end{array}|\begin{array}{c}{\left(\frac{1}{\sqrt{2}}\right)}_m^0\\ {\left(\frac{1}{\sqrt{2}}\right)}_m^0\end{array}\]$

其中，i＝1,2,…m，m为该网络拓扑结构中节点总个数；即染色体基因链的一个量子位代表了对所有可能状态以相同概率的一个线性叠加，表示公式如下：

$|{\mathrm{\ψq}}_j^0>=\underset{k=1}{\overset{2^m}{\Σ}}\frac{1}{\sqrt{2^m}}|S_k>---\left(3\right)$

其中，S_k是第k个状态，由二进制串＜x₁,x₂,...x_n＞表示，x_i是0或1，m是染色体基因链长度，i＝1,2,…m。

5.如权利要求1所述的基于量子遗传策略的QG-OLSR路由方法，其特征在于该方法中，步骤第4初始群体的选择：利用启发式规则计算得到的节点适应度函数，利用节点能量信息计算得到的节点适应度函数，得节点的综合适应度函数计算公式如下：

Fitness(i,j)＝w₁×Fitness_NB(i,j)+w₂×Fitness_ENE(i,j) (4)

其中w₁＝1/2,w₂＝1/2，即均衡启发式选取规则和节点能量适应度。在仿真实验中，针对不同的应用场景，不同的网络性能要求，可以设定不同的w₁和w₂参数；

依据节点综合适应度函数计算结果，进行个体选择，即是否选择节点j作为节点i的MPR集合中的节点，计算公式如下：

$MPR(i,j)=\frac{Fitness(i,j)}{\underset{j=1}{\overset{gen\_size}{\Σ}}Fitness(i,j)}---\left(5\right)$

其中gen_size为种群中个体总数，在本算法中，gen_size等于网络中节点总个数；即节点j被选为节点i的MPR的选择概率为MPR(i,j)；

第4.1中，启发式规则选择节点i的MPR集合，启发式规则仅仅是依靠节点的覆盖范围来选取MPR集合的，没有考虑节点的能量信息，而MPR集合周期性的转发源节点的TC控制消息，需要消耗能量，所以后面需要进行筛选操作；

第4.2中，适应度函数选择节点i的MPR集合，根据节点的邻居节点个数求出节点距离适应度。再利用包含能量信息的节点能量适应度函数，求出节点的能量适应度。综合节点距离适应度和节点能量适应度，最终筛选出各个节点的最优MPR集合，即子代中的最优个体集合。

6.如权利要求1所述的基于量子遗传策略的QG-OLSR路由方法，其特征在于该方法中，步骤5.1中，基因链交叉操作：针对网络拓扑高度动态性等特点，选择量子交叉策略，步骤如下：

1)将网络拓扑中的全部节点编号并排序；

2)取第一个个体的第一个基因作为新个体的第一个基因位，取相邻个体的第二个基因作为新个体的第二个基因位，循环往复，直到新个体具有相同的基因数；

3)以此类推，直到新的种群具有和父代相同的基因规模；

步骤5.2中，基因链变异操作：对于个体变异操作，先计算个体发生变异的概率，然后计算个体发生变异时，其基因链上基因位发生变异的概率，并结合量子非门进行基因变异操作；变异操作作用于个体的某基因位上，由于变异概率较小，在实际中一些个体可能根本就不发生变异，造成大量计算资源的浪费；因此，采取先对个体层次发生变异的概率进行判断，再判断个体基因链的基因位发生变异的概率；例如在网络中，节点j突然离开，则选择j为MPR的节点i的基因将发生变异，需要先判断i发生变异的概率，然后再判断在这个概率基础上，其变异对个体基因位有变异影响的概率；类似的在遗传生物技术方面的描述为，某个体感染某传染病的概率为多少，确定得病之后，其染色体发生变异的概率以及遗传给子代的概率为多少。

7.如权利要求1所述的基于量子遗传策略的QG-OLSR路由方法，其特征在于该方法中，步骤第6中，基因链更新操作：在QGA算法的while循环中，通过观察Q(t-1)状态和之前的过程描述，得到一个解的集合P(t)，并且对每一个解用上述适应度函数进行评估；Update Q(t)中通过利用一些适当的量子门U(t)对Q(t)行更新，这些染色体是对P(t)进行更新得到的最优解；作为演化操作的执行机构，量子门U(t)可根据具体问题进行选择，目前已有的量子门有很多种，常用的量子比特门有量子旋转门，量子非门，量子控制非门，Hadamard门；根据量子遗传算法的计算特点，选择量子旋转门较为合适；量子旋转门的调整过程操作如下：

$\left|\begin{array}{c}{\mathrm{\α}}_i^{\′}\\ {\mathrm{\β}}_i^{\′}\end{array}\right|=\left|\begin{array}{cc}\cos \left({\mathrm{\θ}}_i\right)& -\sin \left({\mathrm{\θ}}_i\right)\\ \sin \left({\mathrm{\θ}}_i\right)& \cos \left({\mathrm{\θ}}_i\right)\end{array}\right|\×\left|\begin{array}{c}{\mathrm{\α}}_i\\ {\mathrm{\β}}_i\end{array}\right|---\left(6\right)$

其中为基因链中第i个量子比特的概率振幅，θ_i为旋转角。

8.如权利要求7所述的基于量子遗传策略的QG-OLSR路由方法，其特征在于该方法中，步骤第6中，动态调整量子旋转门的旋转角度，即根据遗传代数的不同，将旋转角度的值的大小在0.1π和0.05π之间动态调整。