網络可靠性优化.docVIP

网络可靠性优化方法总结 概述：目前较流行的智能优化方法包括遗传算法以及群智能算法。这两种优化算法的共同特点就是模拟生物行为方式，进行全局随机搜索，在单目标或多目标问题中找到最优解。应用到网络中比如用于网络路由的自适应调整，解决 QoS 组播路由问题，在费用最低情况下求解使整个网络可靠性最有拓扑等等 遗传算法（GA） 遗传算法 (GA)是一种借鉴生物界自然选择思想和遗传机制的全局随机搜索算法。它把问题的可能解组成种群，把每一个可能解看作种群的个体，运行时，算法在整个种群空间内随机搜索，按一定的评估策略对每一个体进行评价，不断使用选择、交叉、变异这3种遗传算子，使问题的解不断进化，直至产生最优解。 GA基本内容包括编码结构、种群初始化、选择操作、遗传操作(交叉和变异)、目标函数以及适应度函数设计、终止条件选择等。其中，选择、交叉和变异三种操作是遗传算法的核心，选择操作是根据父代中个体适应度函数值大小进行选择或淘汰，保证了算法的最优搜索方向；交叉操作是产生新个体的主要方法，它决定GA的全局搜索能力；变异操作是产生新个体的辅助方法，它决定GA的局部搜索能力。 GA控制参数主要包括：种群规模、交叉率、变异率以及其它一些GA参数(如最大迭代次数等)。GA参数的选择对于算法的最终优化效果至关重要，目前，多以大量试验测试的方法来确定这些参数。 (1) 编码。 遗传算法不能直接处理解空间的数据，因此需要通过编码把问题的解表示成遗传空间里的染色体。 (2) 群体初始化。 需要考虑两个问题： 1、群体的规模 2、群体个体产生方法 ： (a) 在遗传空间中直接产生，即在遗传空间中随机地产生染色体。 (b)编码产生。 （3）适应度评估 选择操作是以染色体的适应度为依据进行的，适应度通过适应度函数计算得到。染色体的适应度应该要能准确地描述染色体所对应的解的性能好坏：染色体的适应度越大，表明解的质量越高，该个体被选择成为父代进而产生后代的的概率越大。 通常，在设计适应度函数时，要遵循以下原则： (1) 单值性。 (2) 非负性。 (3) 计算量小。 适应度函数对遗传算法的影响主要体现在三个方面： (1) 适应度函数和选择算子共同决定了群体中各个染色体产生后代的概率。适应度越大的个体产生后代的概率越大。 (2) 遗传算法的终止条件受到适应度函数的影响。 (3) 问题的约束条件在适应度函数中考虑。 （4）选择算子 从当前群体中挑选出优良的个体直接遗传到下一代或通过交叉操作产生新个体，从而将解的优良性状遗传给子代。越优良的个体，被选成父代进行遗传操作的机会越大。保证了方法的最有搜索方向。 几种常见的选择算子: 1、轮盘赌选择法 2、锦标赛选择法 3、排序选择法 4、最佳个体保存法 （5）交叉算子 交叉算子模拟自然界生物进化过程中的基因重组，把两个父个体的部分结构进行重组替换从而产生适应度更高的个体。交叉操作保证了算法的全局搜索能力。 交叉操作一般需要以下两个步骤来完成： (1) 选择一对个体作为父个体。 (2) 根据某个概率，即交叉概率，实施交叉操作，从而产生一个新个体。 （6）变异算子 变异算子模拟自然界生物进化过程中的基因突变，变化个体中的某些结构从而引入初始群体中不包含的基因模式。 变异算子的作用： 1、变异算子使得遗传算法具有局部最优搜索能力。当遗传算法通过交叉算子接近问题解空间的最优领域时，变异算子可以加速遗传算法收敛于最优解。 2、变异算子随机地引入初始群体中不含的个体模式，保持群体的多样性，防止遗传算法由于过早收敛从而陷入局部最优。 变异算子的步骤一般是： (1) 选择变异个体。 (2) 在变异个体中选择基因座（发生变异的位置）。 (3) 按照变异概率对个体进行变异操作。 优点 1)一般而言，遗传算法的操作对象是参数的编码，而非参数本身，从而避免了约束条件限制(如可导性、连续性、单峰性等)，拓宽了算法的应用范围 2)遗传算法的搜索方式是多点并行搜索，而非单点搜索。从而可以有效地防止搜索过程收敛于局部最优。 3)遗传算法的评估策略依赖于目标函数和适应度函数的值，而与辅助信息和辅助知识无关，从而减小了对问题的依赖程度。 4)遗传算法的寻优规则是不确定性概率变迁规则，而非确定性规则，从而引导搜索向全局最优解方向前进 缺点 1)遗传算法容易出现过早收敛现象。 2)遗传算法的局部搜索能力较差，主要原因是遗传算法的交叉操作容易破坏当前模式，使得小范围的精确搜寻很困难。 3)遗传算法在进化后期搜索效率较低，这使得最终搜索得到的结果往往不是全局最优解，而是局部最优解。 群智能算法(OPA)：包括蚁群优化算法，粒子群算法，人工鱼群算法等。 蚁群算法（ACO） 蚁群优化算法（Ant colony op