混合智能算法在多约束优化问题中应用.docVIP

混合智能算法在多约束优化问题中应用 　　摘要：提出了一种将蚁群算法、遗传算法和粒子种群优化融合的混合智能算法来解决多约束最优路径和QoS路由问题。采用蚁群算法进行寻径生成初始群体，利用遗传算法对路径进行优化，利用PSO算法来优化蚁群算法中的信息素，优势互补。仿真结果表明该算法是可行、有效的。 　　关键词：多约束最优路径； QoS路由; 蚁群算法； 遗传算法； 粒子种群优化 　　中图分类号：TP301文献标志码：A 　　文章编号：1001－3695(2008)04－1039－04 　　 　　近年来，通过模拟生物群体的行为来解决计算问题已经成为新的研究热点。通过对生物群体的研究发现，生物群体内个体间的合作和竞争等复杂行为产生的群体智能往往能对某些特定的问题提供高效的解决方法。例如，受自然界中真实蚁群行为的启发，在20世纪90年代，意大利学者 M.Dorigo等人通过模拟自然界蚂蚁寻径的行为，提出了一种全新的模拟进化算法――蚁群算法[1~3]。蚁群算法主要是通过蚂蚁群体之间的信息交流与相互协作最终找到最优解。?? 　　遗传算法[4]是由美国Michigan大学的John Holland教授等人于1975 年首先提出的模拟自然界中生物遗传机制的随机搜索算法,通过选择、交叉、变异等优化过程设计人工寻优方法。遗传算法易于与其他的技术算法相结合，形成性能更好的问题求解方法。美国的Eberhart和Kennedy[5~7]为了模拟鸟群、鱼群、蜂群等生物群体的社会性行为，引入了一种新的基于种群的优化算法，即粒子种群优化(PSO)算法。?? 　　近年来，Internet的QoS实现问题已成为下一代Internet相关技术研究的热点。QoS路由是网络多媒体信息传输的关键之一，在这方面已有不少的研究成果。一般来说,网络中的链路都会与多个QoS约束关联，多约束路径(multi－constrained path,MCP)选择问题,即寻找同时满足多个独立的QoS约束的路径问题,是NP完全问题[8]。国内外许多研究人员曾用遗传算法[9]、蚂蚁算法[10]、点火耦合神经网络方法[11]等求解多约束QoS路由选择问题，取得了很好的效果。?? 　　 　　遗传算法具有大范围全局搜索能力，但对反馈信息利用不够，当解到一定范围时往往做大量无为的冗余迭代；蚁群算法具有反馈机制但收敛速度慢；PSO算法收敛速度较快，但不能保证得到最优解。本文对各算法取长补短，尝试将融合蚁群算法、遗传算法和粒子种群优化的混合智能算法来解决多约束最优路径和QoS路由问题。?? 　　 　　1多约束路由问题?? 　　 　　假定以带权有向图??G=(N,E)表示一个网络。其中：N、E分别是网络节点和链路的集合；为了便于表达,同时也用N和E 表示节点数目和链路数目。??QoS??度量指标的数目为m,则每条链路具有一个m??维的链路权重向量。路径度量可能是加性的(如时延、抖动和分组丢失率的对数),则总权重为该路径上所有链路的权重之和;也可取路径上的最小(或最大)的QoS权重(如可利用带宽)。本文只考虑相加性的约束,如带宽等约束可以通过对路径进行过滤，修剪除去不符合要求的链路。多约束QoS路由问题的基本概念如下:?? 　　定义1多约束路径。对于网络??G(N,E),每一条链路(u,v)∈E具有m个加性权重wi(u,v)≥0 (i=1,…,m)组成的链路权重向量。假设存在m个约束Li( i=1,…,m),该问题在于发现一条从源点s到目的点d的路径P,使得 　　 　　2．3遗传算法的定义和设置?? 　　1）编码与适应度函数?? 　　根据网络拓扑图，节点上的节点序列即为染色体编码，一个节点序列就是一条染色体。因为各节点是由改进后的蚁群算法路由得到的，因此序列中不可能有相同的节点，避免了路由环路。本算法的适应度函数利用式（3）进行计算。?? 　　2）初始群体?? 　　采用按改进后的蚁群算法搜索到??y条路径,以此作为初始群体,y??为群体规模。适应度函数是评价个体优越性的标准。?? 　　3）选择方法?? 　　采用最佳个体保留策略和赌轮法相结合的选择方法，即在群体交叉之前选出最佳个体,直接遗传到子代群体中,其余个体采用赌轮法。?? 　　4）交叉和变异算子?? 　　由于本算法的编码是不定长的，采用以设定的交叉概率??pc?? 。具体操作如下：a)从群体（路径集）中随机选择两个个体（路径）??p1、p2,??将两条路径中所有的路由交叉点（若无交叉点，则不进行交叉操作）与源节点和目的节点形成一节点集。b)从上述节点集中随机地选取两个节点??m、n,交换路径p1、p2中m、n??之间的路径段（交换的两个路径段路由方向必须相同）。交叉操作后的每个新路径中如果出现相同的节点,则