浅析多QoS约束组播路由优化算法.docVIP

浅析多QoS约束组播路由优化算法 　　摘 要：计算机网络技术的不断发展，离不开网络通信技术的发展。现在成出不穷的网络应用给如今有限的网络通信资源带来了极大的压力，急需一种更为先进更为有限的通信手段来解决这种发展与资源之间的矛盾。组播通信技术是近些年的一个研究热点，它能够在一定程度上缓解当前计算机网络通信领域所存在的矛盾和问题。基于此，本文结合了遗传算法和蚁群算法理论，对多QoS组播路由算法进行深入的研究。 　　关键词：QoS；组播路由；遗传算法；蚁群算法 　　中图分类号：TP393 　　1 路由的工作原理 　　单播、组播、广播是现在计算机网络通信所使用的3大通信方式，这三种类型分别适用于不同的网络通信环境。单播通信，简单的说就是数据的发送与接收是经过专门的传输通道来进行的，传输过程专道专用。也就是说，采用单播通信方式传输数据，发送和接收是一一对应的关系，这种方式对于少量数据接收而言问题不大，但如果有很多接收方需要统一数据时，发送者就需要重复多次的发送数据包，给整个计算机网络带来很大的通信负担，只能够通过提高硬件水平来解决问题；组播通信方式，顾名思义，就是小组式的数据通信方式。 　　2 QoS概述 　　Quality of Service服务质量是由CCITT所提出的，它是衡量服务满意度的一个标准。随着计算机的不断普及，网络传输数据量呈现指数倍增长，QoS就是用来解决网络延迟和阻塞等问题的一种网络安全机制，利用QoS技术实现端对端高效、可靠、优质的服务质量。一旦客户对于网络系统的服务质量要求过高，计算机网络系统已经不可能实现客户的这种需求时，该计算机网络将会自动评估用户服务质量需求，以判断是否需要要求客户降低客户质量要求。计算机网络系统还要对系统内其他客户的服务质量进行检测，以查看此用户的操作是否影响到了系统内其他用户的服务质量。 　　3 QoS路由 　　所谓QoS路由，实质上就是一种基于数据流的QoS请求，对网路可用资源进行路由的机制。QoS路由属于动态路由协议，它会对计算机网络数据传输过程中的传输路径、路径带宽、路径使用效率等参数进行实时测量，以保证为数据的传输选择最佳的链路，同时尽可能的节省数据传输对计算机网络性能所造成的影响，最大限度的节约有限的网络资源。 　　4 基于遗传算法与蚁群算法融合的QoS组播路由算法 　　本文所提到的遗传算法和蚁群算法是当前在最优解计算中使用最广泛也最有效的两种算法。遗传算法在实际使用过程中最大的弊端就在于它的全局搜索算法，这种方式无疑会在计算的过程中产生大量沉余数据，这些沉余数据一旦不能够及时清理，肯定会对计算过程的继续推进造成很大的阻碍；初始信息的获得对于蚁群算法的使用造成了一定的影响。想要利用这两种算法求出系统的最优解，就必须对两种算法进行融合。这里提出一种混合优化算法，我们利用遗传算法的优势，计算出系统若干个组优化解，并将这些计算结果转换成蚁群算法所需要的初始信息，从而求得满足QoS约束条件的最优解。 　　4.1 遗传算法计算 　　这里我们使用多值编码方式来进行遗传计算。这里不再对所需要编码的数值进行分类，二进制、实值均直接进行编码，并将染色体分成WNN参数段以及WNN结构段，以方便进行下一部的分析计算。一个染色体如图1所示编码QoS组播路由参数和结构，其中wi为两层之间的权值，q=m n+s m，n为输入节点个数，αi为伸缩系数，bi为伸缩系数，0和1总共有m个。 　　遗传算法运用过程中还有一个非常关键的影响因素就是适应度函数，这个函数将直接给出最终的优化解形式。实际上，样本中不同的个体所对应的优化解不同，从而所对应的函数值F也不同。经计算研究可知，最终所得到的函数值F越大，所对应的优化解就越好，适应度越高。我们定义适应度函数的表达式为： 　　接下来进行交叉运算。首先需要做的工作就是判别交叉因子的编码方式，根据所对应的交叉算子进行交叉运算。针对于WNN参数染色体段，我们可以利用实数对染色体编码，这里给出交叉运算方式： 　　染色体在通过上述的运算之后，必须把WNN的参数染色体段的基因分为m段，作为中间的连接权值，这是因为WNN的结构染色体段的编码是m个。然后对WNN的结构染色体段的编码进行判断，看是否为0，若为0，就可以将其相应的权值置为0，如果为l，则不做任何改变。判断出遗传算法与蚁群算法融合的最佳时机后，也就得到了遗传算法的终止时间。 　　4.2 遗传算法与蚁群算法融合计算 　　我们这里首先假设遗传算法的迭代次数达到了NG，它的取值范围是 [NGmin，NGmax]，也就是说迭代次数NG存在最大、最小值。同时在进行迭代计算的过程中，要记录函数F值的变化情况，从而根据动态变化结果来选取遗传算法与蚁群算法的最佳结合点。这里我们规定，在设定的迭代次数范围内，如果满足连续3次的Fi+1=