基于蚁群算法网络多节点路由优化.doc

1 绪论 通信网络的迅速发展，新业务的不断出现，使多点通信成为网络必须支持的功能。传统网络中使用一对一的通信协议支持多点协议，数据需要做多个拷贝，分别传送，极大的浪费了网络资源。未来的多媒体通信，将带来大量的多点通信，使用点对点协议将造成网络效率的低下；另外，多媒体通信的业务通常需要达成一定的同步关系，使用点对点协议完成多点通信不再有效；而复用技术的发展使组播在共同的链路上共享带宽成为可能。由于上述原因必须考虑多点路由问题。 由于网络是动态变化的，网络拓扑结构的变化的不可预测性和变化的频繁性和不确定性是网络多点路由问题与其他常见的组合优化问题的根本不同之处，网络流量的随机性和偶然性也是网络动态变化的主要因素。有效快捷的网络路由算法是网路发展的重要问题。 而蚁群算法的出现和广泛应用，提供了多点路由优化设计的新的思想。蚁群算法是一种模拟进化算法，它是在对自然界中真实蚁群的集体行为研究的基础上，由意大利学者M.Dorigo等人首先提出的。M.Dorigo等人充分利用了蚁群搜索食物的过程与著名的旅行商问题（TSP）之间的相似性，通过人工模拟蚂蚁搜索食物的过程（即通过个体之间的信息交流与相互协作最终找到从蚁穴到食物源的最短路径）来求解TSP问题。仿生学家通过大量细致观察研究发现，蚂蚁个体之间是通过一种被称为外激素的物质进行信息传送，从而能相互协作，完成复杂的任务。蚂蚁在运动过程中，能在它所经过的路径上留下该物质，而且蚂蚁在运动过程中能够感知这种物质的存在及其强度，并以此指导自己的运动方向，蚂蚁倾向于朝着这种物质强度高的方向移动。因此，由大量蚂蚁组成的蚁群的集体行为便表现出一种信息正反馈现象：某一路径上走过的蚂蚁越多，则后来者选择该路径的概率就越大。蚂蚁个体之间就是通过这种信息的交流达到搜索食物的目的。蚁群算法是一种随机搜索算法，与其它模拟进化算法一样，通过候选解组成的群体的进化过程来寻求最优解，该过程包含两个基本阶段：适应阶段和协作阶段。在适应阶段，各候选解根据所积累的信息不断调整自身结构；在协作阶段，候选解间通过信息交流，以期产生性能更好的解。 蚁群算法之所以能引起相关领域研究者的注意，是因为这种求解模式能将问题求解的快速性、全局优化特征以及有限时间内答案的合理性结合起来。其中，寻优的快速性是通过正反馈式的信息传递和积累来保证的。而算法的早熟性收敛又可以通过其分布式计算特征加以避免，同时，具有贪婪启发式搜索特征的蚁群系统又能在搜索过程的早期找到可以接受的问题解答。这种优越的问题分布式求解模式经过相关领域研究者的关注和努力，已经在最初的算法模型基础上得到了很大的改进和拓展这种求解模式能将问题求解的快速性、全局优化特征以及有限时间内答案的合理性结合起来蚁群算法诞生于1991年，是一类新颖而前沿的问题求解算法。在算法改进与理论问题的应用领域，这种算法很快就得到了国内外学者们的关注。在国外，学者们提出了不同版本的蚁群算法，进一步地提高算法的性能；同时，他们也把蚁群算法应用到众多复杂的经典理论问题中，包括旅行商、车辆路由、二次指派、工序调度、背包问题、群组规划等等。在某些具体问题中，蚁群算法的性能更是达到乃至超越了用于该问题的其它经典的求解算法。　　国内在最近几年也掀起了一股研究蚁群算法的热潮，与蚁群算法相关的学术著作层出不穷，算法的应用领域得到了不断的拓广，算法的性能也得到了不断的提在工业社会的实际应用领域，蚁群算法的成功正引起了国际上众多企业的关注。EuroBios公司首先把蚁群算法应用于求解现实世界中不同类型的调度问题。同时，AntOptima公司以蚁群算法为工具，成功地开发出多种工业优化的软件工具，例如DYVOIL产品成功地解决了瑞士某企业的车辆燃油分配管理问题；ANTROUTE产品则解决了一些大型连锁超市集团企业的运输车辆调度与路由问题。此外，国外的企业还把蚁群算法应用于大型制造商生产线的设计、平衡的规划、水利设施的建设、数据挖掘、金融现金流的分析与预测等广泛的实际应用领域。 蚁群算法在通信网络领域（特别是解决网络领域问题）的应用受到越来越多的学者的关注。网络信息的分布式性、动态性、随机性和异步性与蚁群算法非常相似，如利用局部信息发现解，间接地通讯方式和随机状态的转换。在网络多点路由优化方面，已经取得了不错的进展。Di Caro和Dorigo已经在相关文献中将蚁群算法应用于网络路由问题，并称这种算法为AntNet。根据网络的不同特点以及路由算法的不同，研究人员提出了各种改进的蚁群算法，提高了算法的性能和在实际中的应用价值。例如，在传感器网络中，充分考虑了网络能量有限的特点，提出了ACRA算法，提高了网络的寿命；高程ACS算法提高了算法的质量和收敛速度，引入蚂蚁回退机制则使得所有蚂蚁都能到达目的节点；最大-最小蚂蚁系