结合SCE法的粒子群优化QoS路由算法_计算机论文.docVIP

结合SCE法的粒子群优化QoS路由算法_计算机论文 结合SCE法的粒子群优化QoS路由算法_计算机论文 摘 要 QoS (Quality of Service) 路由问题是一个非线性的组合优化问题，理论上已证明了该问题是NP完全问题。粒子群优化算法是一种基于群智能演化计算技术,PSO在求解连续性优化问题上得到了较好的应用，而把PSO算法用于求解路由算法等离散性问题还比较少见，同时，PSO算法在收敛过程中还存在随机性，某些情况下会出现停滞现象。为此本文提出了一种结合SCE（shuffled complex evolution）法的粒子群优化方法用于求解QoS路由问题。该算法通过引入插入算子，删除算子，算子系列和基本算子序列等概念，对基本的粒子群优化算法进行改进；通过采用SCE法，使算法跳出局部最优解的限制。仿真结果显示，该算法取得了满意的效果，在寻优速度上优于遗传算法，也提高了算法收敛到最优解的能力。 关键词 粒子群优化算法；服务质量；组播路由；遗传算法；洗牌复形进化算法 1 引言 当前随着网络向着数字化，高速化，宽带化的发展，出现了许多新型的多媒体实时应用。如电视会议、视频点播、远程医疗及远程教学等等。这些应用涉及到多个用户并要求一定的服务质量保证，如何在提供业务的前提下保证网络的服务质量成了这些应用能否最终实施的关键。因此，近年来，QoS组播路由算法的研究已成为网络领域中的一类重要研究课题。 多QoS参数约束的路由问题是一个非线性的组合优化问题，文献【1】已证明了, 基于多个不相关可加度量的QoS路由问题是NP完全问题。近年来，研究者对此类问题作了大量的研究工作，提出了多种解决方法，如模拟退火，禁忌搜索，神经网络，遗传算法等[2-6]。目前，一类新兴的模拟生物群体行为的集群智能算法被引入到此类优化问题中，如：蚁群优化算法[8]和粒子群优化算法[7]（PSO）等。 PSO是一种基于群智能的演化计算技术。PSO最早由Kennedy 和 Eberhart受人工生命研究结果的启发在1995年提出的[10]。其基本概念源自鸟群捕食行为的研究。PSO算法在连续性问题上取得了较为满意的效果，但在离散问题，NP完全问题方面研究得较少[9]，特别是用PSO求解QoS路由问题是一个新的研究方向。另外，PSO算法存在着易于陷入“停滞”阶段的缺点，为此本文提出了一种结合SCE（shuffled complex evolution）算法的PSO求解QoS路由问题的算法，仿真结果显示了该算法的有效和可行性。 2 基本概念 2.1 基本PSO算法 基本PSO的原理是: 每个优化问题的解都是粒子在搜索空间中的位置，粒子的速度值决定它们飞翔的方向和距离，粒子群追随当前的最优粒子在解空间中搜索。 在D维的搜索空间中，有随机分布的m个粒子组成的一个初始粒子群，每个粒子有各自的位置和速度。如第i个粒子的位置表示为一个D维的向量 ,速度也是一个D维的向量，记为 。每个粒子记住自己在迭代过程中找到的最优位置，记为 ，整个粒子群迄今为止搜索到的最优位置为全局最优解，记为 。在算法的初期，为了避免搜索过早陷入局部最优解，把粒子群按空间划分为几个区域，而用局部区域的极值粒子代替全局最优解。这样的寻优为局部PSO算法，经过一定的迭代后，改用全局最优解，即全局PSO算法进行迭代以加快收敛。整个粒子群通过选定个体的 和 来更新自身的位置和速度： (1) (2) 这里，学习因子C1，C2是非负常数，他们决定, 的影响程度，r1 ， r2是介于【0，l】之间的随机数。迭代中止条件根据具体问题一般选为最大迭代次数或(和)粒子群迄今为止搜索到的最优位置满足预定最小适应阈值。 2.2 SCE算法简介 SCE（shuffled complex evolution ）是一种相对较新的连续性问题的元启发搜索算法[11]。非常适合于求解具有多个局部最小的全局优化问题。它主要基于如下概念： 结合了随机性和确定性算法； 参数空间中的多点组成的复形进行系统进化； 复形中的竞争进化； 构成复形的点的重新洗牌。 SCE算法的处理过程如下：首先，随机地从问题空间中选定一系列点（或者称为个体），这里，n是问题空间的维数。这些个体分别构成p个复形，每个复形由m个点构成。P和m是用户定义的参数，他们决定了群体的大小s，即s=mp。每个复形独立地采用下山单纯形法（Nelder and Mead，1965）进行迭代进化。为了实现信息的共享，这些复形会定期进行洗牌（shuffled）处理，然后形成新的复形。如此，进化和洗牌重复进行直到满足预先指定的收敛准则。SCE算法的主要特征是通过竞争进化和定期洗牌来确保每个复形获得的信息能在整个问题空间获得共享。 2.3基本PSO的停滞现象与改进 研究发现