CN108965133A - 基于pso-fwa的多约束路由计算方法 - Google Patents

Abstract

本发明公开了一种基于PSO‑FWA的多约束路由计算方法，包括：初始化粒子群；确定N个粒子的有效Gbest值，将粒子的有效Gbest值对应的节点位置作为烟花的位置进行爆炸，将烟花爆炸的位置节点作为出发点，重新更新粒子的位置。计算更新后的粒子适应度值并重新确定更新后的粒子的有效Gbest值，根据结束条件终止算法。综上，本发明实施例提供的基于PSO‑FWA的多约束路由计算方法，通过计算并更新每个粒子的Pbest值，进一步确定所有粒子的Gbest值，将某个粒子的有效Gbest值对应的节点位置作为烟花的位置进行爆炸，进而将烟花爆炸的位置节点作为出发点，重新更新所有粒子的位置及速度，确定有效Gbest值，并最根据结束条件终止算法，完成最佳路由的确定，该方法稳定性好，计算效率高。

Description

基于PSO-FWA的多约束路由计算方法

技术领域

本发明涉及网络通信路由技术领域，尤其涉及一种基于PSO-FWA的多约束路由计算方法。

背景技术

随着网络技术的快速发展，用户对于网络的服务质量(QoS)要求越来越高，用户要求网络提供更高的可用性和更快速的支持。而网络分析中最基础和最关键的问题就是最短路径问题，最短路径不仅仅指一般地理意义上的距离最短，还可以引申到其他的度量，如时间、代价等。QoS路由是一种基于网络的可用资源和业务流的按照QoS要求来选择路径的路由机制或一种包含各种QoS参数的路由机制。QoS路由通常考虑的指标有带宽、时延、丢包率、抖动和成本等等。考虑上述的QoS指标，QoS路由问题是发现优化多个约束条件的解。但是，找到多个约束条件下最优解是一个很难解决的问题。目前，寻找多约束条件下最优解问题引入了许多的算法。

通常情况下使用数学规划的方法可以解决该问题，带约束的非线性规划的方法也可以解决这类问题，这些方法在数学上都有非常成熟的模型和应用。这些方法的主要步骤是从一个源点出发，通过一定的方法，获取下一个点的位置和步长，然后通过多次迭代搜索出最优解的方法。该类方法简单，但是受到初始点或者是目标函数的影响，容易陷入局部最优解，无法满足我们的需求；且稳定性较差，计算代价较高。

发明内容

本发明实施例提供了一种基于PSO-FWA的多约束路由计算方法，解决了现有技术中多约束路由算法稳定性低差的问题。

本发明实施例提供的基于PSO-FWA的多约束路由计算方法，包括：

S1，初始化包括N个粒子的粒子群，且初始化所述粒子群中的每个粒子的初始位置和初始速度；S2，根据f(x)＝α*p(x)+g(x)计算每个所述粒子的适应度值；且对每个所述粒子经过的节点进行编码，将每个所述粒子到目标节点的编码作为一条寻优路径；其中，f(x)表示个体的适应度函数值，α表示调整惩罚函数p(x)和目标函数g(x)权重系数的参数，p(x)为惩罚函数，g(x)为目标函数。S3，将每个所述粒子的当前适应度值与所述粒子的历史最好的适应度值比较：若所述粒子当前的适应度值比历史产生的所有适应度值小，则将所述粒子pbest值更新为当前计算出的所述适应度值；否则，所述粒子的pbest值不变；将每个所述粒子的当前适应度值pbest与所述粒子的对应的每一个粒子的历史最好的适应度值比较：若所述粒子当前的适应度值比该粒子历史产生的所有适应度值小，则将所述粒子pbest值更新为当前计算出的适应度值；否则，该粒子的pbest值不变；S4，将N个粒子当前最小的pbest值与所述N个粒子的历史最小的Gbest值进行比较：若当前最小的的pbest值比历史最小的Gbest值小，则将所述N个粒子的Gbest值更新为当前最小的pbest值，作为所述N个粒子的有效Gbest值，所述方法进入到S5；否则，所述N个粒子的Gbest值不变，所述方法进入到所述S2；S5，将所述粒子的有效Gbest值对应的节点位置作为烟花的位置进行爆炸；S6，将烟花爆炸的位置节点作为出发点，利用公式及重新更新粒子的位置：。S7，计算更新后的粒子适应度值，并比较更新后的所述粒子的适应度值，确定更新后的所述粒子的有效Gbest值：此时，若没有达到结束条件，则所述方法进入到所述S2；否则，所述方法结束；其中，所述结束条件为最大迭代次数或所述种群中的最优解。

综上，本发明实施例提供的基于PSO-FWA的多约束路由计算方法，通过计算更新每个粒子的Pbest值，并进一步确定所有粒子的Gbest值，将某个粒子的有效Gbest值对应的节点位置作为烟花的位置进行爆炸，进而将烟花爆炸的位置节点作为出发点，重新更新所有粒子的位置及速度，确定有效Gbest值，最根据结束条件终止算法，完成最佳路由的确定，该方法稳定性好，计算效率高。

附图说明

图1为本发明实施例提供的基于PSO-FWA的多约束路由计算方法的流程示意图。

图2为本发明实施例提供的不同网络规模下PSO、PSO_ACO及PSO_FWA算法的成功率变化示意图。

图3为本发明实施例提供的不同网络规模下PSO、PSO_ACO及PSO_FWA算法的性能变化示意图。

图4为本发明实施例提供的不同网络规模下PSO、PSO_ACO及PSO_FWA算法的性能变化示意图。

具体实施方式

下面结合本发明中的附图，对本发明实施例的技术方案进行清楚、完整的描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。

为了便于理解和说明，下面通过图1至图4详细说明本发明实施例提供的基于PSO-FWA的多约束路由计算方法。该方法可以包括：

S1，初始化包括N个粒子的粒子群，且初始化所述粒子群中的每个粒子的初始位置和初始速度。

S2，根据f(x)＝α*p(x)+g(x)计算每个所述粒子的适应度值；且对每个所述粒子经过的节点进行编码，将每个所述粒子到目标节点的编码作为一条寻优路径。

S3，将每个所述粒子的当前适应度值与所述粒子的历史最好的适应度值比较：

若所述粒子当前的适应度值比历史产生的所有适应度值小，则将所述粒子pbest值更新为当前计算出的所述适应度值；否则，所述粒子的pbest值不变；

S4，将每个粒子当前的pbest值与所述N个粒子的历史最小的Gbest值进行比较：

若当前的pbest值比历史最小的Gbest值小，则将所述N个粒子的Gbest值更新为当前的pbest值，作为所述N个粒子的有效Gbest值，所述方法进入到S5；

否则，所述N个粒子的Gbest值不变，所述方法进入到所述S2。

具体的，在PSO_FWA算法中，我们首先使用粒子群算法(PSO)进行搜索，在PSO中，开始时随机初始化N个粒子的粒子群，并同时初始化每一个粒子的初始位置和初始速度。然后根据公式f(x)＝α*p(x)+g(x)计算每一个粒子的适应度值，并进行评价和比较。即将每个计算出的适应度值与该粒子历史产生的最好适应度值进行比较。如果当前的适应度值比这个粒子历史产生的所以的适应度值pbest好，则更新pbest的值，此时pbest的值为计算出来的值；否则pbest的值不变。将整个种群中每一个粒子的pbest进行相互进行比较，选出适应度值最小的作为全局最优的适应度值gbest，将计算出来的值与种群历史记录的最优gbest进行比较；如果计算出的gbest更好，则更新gbest的值；否则gbest不变。在PSO搜索过程中，将每一个粒子搜索过程中经过的节点进行编码，使每一个粒子到目标节点时编码就代表一条寻优的路径。

其中，f(x)表示个体的适应度函数值，α表示调整惩罚函数p(x)和目标函数g(x)权重系数的参数，p(x)为惩罚函数，g(x)为目标函数。p(x)的作用是当粒子在寻找路径的过程中违反了给定的约束条件进行惩罚。

S5，将所述粒子的有效Gbest值对应的节点位置作为烟花的位置进行爆炸；

S6，将烟花爆炸的位置节点作为出发点，利用公式重新更新粒子的位置。

S7，计算更新后的粒子适应度值，并比较更新后的所述粒子的适应度值，确定更新后的所述粒子的有效Gbest值：

此时，若没有达到结束条件，则所述方法进入到所述S2；

否则，所述方法结束；

其中，所述结束条件为最大迭代次数或所述种群中的最优解。

具体的，在寻找下一个路由节点的过程中，FWA选择PSO中种群最优的Gbest作为FWA的烟花进行爆炸。如果下一次迭代Gbest不变，则不运行FWA进行优化寻找。如果PSO搜索到的全局最优解Gbest比上一次寻找到的全局最优解更优，则更新当前Gbest，并把这个粒子作为FWA的烟花，在这个节点产生爆炸，爆炸的火花数量根据烟花算法产生火花个数的准则公式：

及烟花数量限制公式确定：

并根据烟花爆炸范围调整烟花爆炸幅度：

然后以当前这个节点为出发点进行PSO搜索和FWA搜索，每搜索到一个新的节点计算出适应度值。这样FWA能够最大限度的在全局最优的位置搜索，同时保留PSO中每一个粒子的最好位置，粒子以这些位置进行全局搜索，并以公式：

其中，S_i为第i个烟花爆炸产生的火花个数，i∈[1,N]；m为常数，用来限制产生的火花总数，f(x_i)表示个体的适应度函数值，Y_max前种群中适应度值最差的个体的适应度值，Y_min当前种群中适应度最好的个体的适应度值，A_i第i个烟花的爆炸幅度范围，即爆炸的火花将在这个范围内随机产生位移，常数，表示最大爆炸幅度，ε极小的常数，限制出现分母为零的情况，x_iD第i个粒子的位置，v_iD粒子的速度，c₁c₂学习因子，根据自身数学模型学习获得，r₁r₂随机数，在该空间中均分布，w为惯性权重，调节对解空间的搜索能力，k表示第k+1次迭代依赖第k次迭代的位置和速度，p_gD表示粒子群最优的位置，即所有粒子最优的位置。

作为速度和位置更新的公式，这样既能保证全局搜索又能保证局部搜索，能够更快，更好的寻找到最优的结果。

下面通过详细的实施例分析比较不同算法进行路径计算的过程。

首先，分析了在不同规模的网络环境下，标准的PSO算法、引入了蚁群算法进行优化的PSO_ACO算法和PSO_FWA算法在不同规模的网络节点下，在每一个节点下迭代100次，然后求取其成功率，如图2所示。

由图2可知，随着网络节点的增加，标准PSO算法、引入蚁群算法优化的PSO_ACO算法和PSO_FWA算法在产生可行解的次数上都有所下降，其中标准的PSO算法下降最明显，PSO_FWA算法的性能最好。当网络节点数为50个节点时，标准的PSO算法、PSO_ACO算法和PSO_FWA算法的成功率都接近1；当网络节点个数增加到500个节点的时候，PSO_FWA算法的成功率能够达到0.88左右，而加上了蚁群算法优化的算法PSO_ACO成功率相比较标准的PSO算法要高，其成功率为0.85左右，低于PSO_FWA算法的成功率。因此，PSO_FWA算法在求取最小代价产生可行解时要优于标准的PSO算法和引入蚁群算法优化的PSO_ACO算法。

其次，分析了在200个节点下，给出网络的QoS约束参数，使其为QoS(30,20,15,0.1),分别代表带宽、抖动、时延和丢包率四个约束。该约束不高，在这样的网络中，运行标准PSO算法、引入蚁群算法优化的PSO_ACO算法和PSO_FWA三个算法，每个算法都运行100次，每一次迭代100次，最后将运行的100次求取平均值。图3显示了标准PSO算法、引入蚁群算法优化的PSO_ACO算法和PSO_FWA算法的性能。标准的PSO算法性能最差，因为没有加入任何的优化在粒子迭代的过程中；PSO_FWA算法的性能最好，因为在迭代的过程中，遇到好的粒子位置就以当前点为烟花进行爆炸产生火花，在最好的位置附件搜索能够更快的找到最优的解。当增大QoS的约束参数，使其为QoS(50,16,12,0.07),再次测试标准PSO，引入蚁群算法优化的PSO_ACO算法和PSO_FWA三个算法的性能。图4显示了在更高的约束条件下，标准PSO算法、引入蚁群算法优化的PSO_ACO算法和PSO_FWA三个算法的性能相比较于图3都有所下降，这是因为有更高的QoS约束要求。即使在这样的条件下，PSO_FWA算法的平均性能也比标准的PSO和PSO_ACO算法的平均性能好。这意味着PSO_FWA算法搜索路径的性能优于引入蚁群算法优化的PSO_ACO。

综上，本发明实施例提供的基于PSO-FWA的多约束路由计算方法，通过计算更新每个粒子的Pbest值，并进一步确定所有粒子的Gbest值，将某个粒子的有效Gbest值对应的节点位置作为烟花的位置进行爆炸，进而将烟花爆炸的位置节点作为出发点，重新更新所有粒子的位置及速度，确定有效Gbest值，最根据结束条件终止算法，完成最佳路由的确定，该方法稳定性好，计算效率高。

以上公开的仅为本发明的几个具体实施例，但是，本发明实施例并非局限于此，任何本领域的技术人员能思之的变化都应落入本发明的保护范围。

Claims (1)

1.一种基于PSO-FWA的多约束路由计算方法，其特征在于，包括以下步骤：

S1，初始化包括N个粒子的粒子群，且初始化所述粒子群中的每个粒子的初始位置和初始速度；

S2，根据f(x)＝α*p(x)+g(x)计算每个所述粒子的适应度值；且对每个所述粒子经过的节点进行编码，将每个所述粒子到目标节点的编码作为一条寻优路径，其中，f(x)表示个体的适应度函数值，α表示调整惩罚函数p(x)和目标函数g(x)权重系数的参数，p(x)为惩罚函数，g(x)为目标函数；

S3，将每个所述粒子的当前适应度值与所述粒子的历史最好的适应度值比较：

若所述粒子当前的适应度值比所述粒子的历史最好的适应度值小，则将所述粒子pbest值更新为当前计算出的所述适应度值；否则，所述粒子的pbest值不变；

S4，将N个粒子当前最小的pbest值与所述N个粒子的历史最小的Gbest值进行比较：

若当前最小的的pbest值比历史最小的Gbest值小，则将所述N个粒子的Gbest值更新为当前最小的pbest值，作为所述N个粒子的有效Gbest值，并进入到S5；

否则，所述N个粒子的Gbest值不变，返回S2；

S5，将所述粒子的有效Gbest值对应的节点位置作为烟花的位置进行爆炸；

S6，将烟花爆炸的位置节点作为出发点，利用公式

及

重新更新粒子的位置，其中，x_iD为第i个为粒子的位置，v_iD为粒子的速度，c₁、c₂为学习因子，r₁、r₂为随机数，ω为惯性权重，k为第k+1次迭代依赖第k次迭代的位置和速度，p_gD为粒子群最优的位置；

S7，计算更新后的粒子适应度值，并比较更新后的所述粒子的适应度值，确定更新后的所述粒子的有效Gbest值：

此时，若没有达到结束条件，则返回S2；

否则，所述方法结束；

其中，所述结束条件为最大迭代次数或所述粒子群中的最优解。