群智能在网络路由中研究及存在问题.doc

群智能在网络路由中研究及存在问题 　　摘要：本文介绍了当前网络路由中常用的计算智能方法，针对当前研究的现状提出了在群智能算法融合中需要解决的实际问题。进一步给出了群智能算法路在路由应用研究的方向，有助于算法早日规范，形成实际的路由协议。 　　关键词：路由 群体智能 蚁群算法 粒子群算法 　　中图分类号：TP393 文献标识码：A 文章编号：1007-9416（2012）09-0074-01 　　网络规模的不断扩大和业务量的巨增，特别是网络多媒体业务种类扩展对网络性能提出了给高的要求。如：视频会议，视频点播和远程视频教学等系统以实时多媒体应用大量涌现。伴随着上述业务的应用，网络流量迅猛增加。这些业务具有下列的一些共性。需将信息从源节点安全且完整高效地传输到目的节点。部分业务同时需要数据按顺序到达。如在超文本传输协议（HTTP）在视频数据的传输、文件传输协议（FTP）等具体应用中，在此类信息传输的过程中队数据的完整性和高效性显得尤为重要。为满足诸如此类业务的要求，这类业务所传输的数据在传输过程中就必须满足一些特定的参数要求。这些参数关心信息传输的各种条件要求和数传输细节。此类约束条件即网络中的QoS（Quality of service）约束问题。群智能算法是目前解决上述问题的重要解决思路，因此群智能算法在网络路由中的应用成为当前的热点问题。 　　1、群智能算法目前的研究现状 　　随着技术的进步，工程实践问题变得越来越复杂，传统的计算方法面临着计算复杂度高、计算时间长等问题，特别是对一些NP难和NP完全问题，传统算法的时间无法让人忍受。由于面对的研究课题越来越复杂，传统方法解决问题的能力受到极大的限制，引导寻求新的方法和手段。计算机科学家们提出了形形色色具有启发式特征的计算方法。包括模仿“生物界的进化过程”、“生物生理结构”、“身体行为”，“动物群体行为”、“模仿人类思维、语言”等等，希望通过模拟自然和人类的智慧实现问题的优化求解。这些算法就是智能优化算法，也叫计算智能。群智能是计算智能的重要分支。目前常用群集智能算法有粒子群算法，蚁群算法，人工鱼群算法，人工蜂群算法等。他们中的他不分应用的领域都涵盖了网络路由问题。因此研究群智能算法在网络中的应用具有很高的现实意义。 　　2、路由中常用的生物启发式算法 　　2.1 遗传算法（GA） 　　1975 年美国Michigan大学的心理学教授、电子工程学和计算机科学教授J.Holland首先提出的随机自适应全局搜索算法即遗传算法（GA）。遗传算法吸收了生命科学与工程学科的重要理论成果，用于解决复杂问题的求解。其中达尔文的自然进化论和孟德尔的遗产学为基础的现代遗传算法的提出具有重要的影响。GA是一种随机优化算法，这种算法和之前的算法相比已经不再是简单的随机比较搜索。GA通过模拟自然界中生物遗传过程，对优化问题进行搜索。遗传算法在求解问题时，维护了一个代表问题潜在解得全体，对于群体的进化，算法引入了自然界进化中选择、交配及变异等算子。通过不断选择，交配（交叉），变异等操最终收敛到“最适应环境”的个体（全局最优解），从而找到问题的最优解或者满意解。 　　2.2 神经网络 　　人们受生物神经系统的启发。提出了一种新型的非算法信息处理方法。神经网络（Neural Network ，NN）一般也称为人工神经网络（Artificial Neural Network，ANN）。生物学对神经系统的研究成果是人工神经网络的基础。NN是科学家对生物神经元、神经系统等生理学研究和人脑结构、组成和基本工作单元的认识基础上，借助数学和物理方法从信息处理的角度对人脑神经网络进行抽象后建立的简化模型。作为计算机智能算法的一个重要分支，已经成为目前十分热门的交叉学科，涉及了生物、电子、数学、计算机和物理等学科，它的应用前景非常广泛。 　　2.3 免疫算法 IA（ImmuneAlgorithm） 　　免疫系统（Immune System，IS）是脊椎动物和人类的防御系统，是机体执行免疫功能——识别非自体物质，从而将其消灭、排除的器官、组织、细胞和分子的总称。把免疫系统的生物学原来应用于计算机科学中就有了免疫算法（IA）。IA利用求解问题中的一些特征信息或知识来抑制其优化过程中出现的退化现象。在标准遗传算法的基础上引入“免疫算子”展开构造这是免疫算法的核心。 　　3、路由中常用的群智能算法 　　3.1 粒子群算法 　　粒子群算法是Eberhart（电气工程师）和 Kennedy（社会心理学家）在借鉴前人科学家对自然界生物群体活动的认识以及这些活动行为计算机可视化仿真的基础上，并与各自专业背景知识结合的产物。粒子群优化算法是仿生算法的一个著名代表也称粒子群算法（Particle Swarm Optimization），缩写