结合SCE法的粒子群优化QoS路由算法.pdfVIP

结合 SCE 法的粒子群优化 QoS 路由算法 摘 要 QoS (Quality of Service) 路由 问题 是一个非线性的组合优化问题， 理论 上已证明 了该问题是 NP 完全问题。粒子群优化算法是一种基于群智能演化 计算 技术,PSO 在求解 连续性优化问题上得到了较好的 应用 ，而把PSO 算法用于求解路由算法等离散性问题还 比较少见，同时，PSO 算法在收敛过程中还存在随机性，某些情况下会出现停滞现象。为 此本文提出了一种结合 SCE （shuffled complex evolution ）法的粒子群优化 方法 用于求 解 QoS 路由问题。该算法通过引入插入算子，删除算子，算子系列和基本算子序列等概 念，对基本的粒子群优化算法进行改进；通过采用 SCE 法，使算法跳出局部最优解的限 制。仿真结果显示，该算法取得了满意的效果，在寻优速度上优于遗传算法，也提高了算 法收敛到最优解的能力。关键词 粒子群优化算法；服务质量；组播路由；遗传算法；洗 牌复形进化算法 1 引言 当前随着 网络 向着数字化，高速化，宽带化的 发展 ，出现 了许多新型的多媒体实时应用。如电视会议、视频点播、远程医疗及远程教学等等。这些 应用涉及到多个用户并要求一定的服务质量保证，如何在提供业务的前提下保证网络的服 务质量成了这些应用能否最终实施的关键。因此，近年来，QoS 组播路由算法的 研究 已 成为网络领域中的一类重要研究课题。 多 QoS 参数约束的路由问题是一个非线性的 组合优化问题， 文献 【1】已证明了, 基于多个不相关可加度量的 QoS 路由问题是 NP 完 全问题。近年来，研究者对此类问题作了大量的研究工作，提出了多种解决方法，如模拟 退火，禁忌搜索，神经网络，遗传算法等[2-6]。 目前 ，一类新兴的模拟生物群体行为的 集群智能算法被引入到此类优化问题中，如：蚁群优化算法[8]和粒子群优化算法[7] （PSO ）等。 PSO 是一种基于群智能的演化计算技术。PSO 最早由 Kennedy 和 Eberhart 受 人工生命研究结果的启发在 1995 年提出的[10]。其基本概念源自鸟群捕食行为的研究。 PSO 算法在连续性问题上取得了较为满意的效果，但在离散问题，NP 完全问题方面研究 得较少[9] ，特别是用PSO 求解 QoS 路由问题是一个新的研究方向。另外，PSO 算法存在 着易于陷入“停滞”阶段的缺点，为此本文提出了一种结合 SCE （shuffled complex evolution ）算法的 PSO 求解 QoS 路由问题的算法，仿真结果显示了该算法的有效和可行 性。2 基本概念 2.1 基本 PSO 算法 基本 PSO 的原理是: 每个优化问题的解都是粒子在 搜索空间中的位置，粒子的速度值决定它们飞翔的方向和距离，粒子群追随当前的最优粒 子在解空间中搜索。 在 D 维的搜索空间中，有随机分布的 m 个粒子组成的一个初始 粒子群，每个粒子有各自的位置和速度。如第 i 个粒子的位置表示为一个 D 维的向量 ,速 度也是一个 D 维的向量，记为 。每个粒子记住自己在迭代过程中找到的最优位置，记为 ，整个粒子群迄今为止搜索到的最优位置为全局最优解，记为。在算法的初期，为了避 免搜索过早陷入局部最优解，把粒子群按空间划分为几个区域，而用局部区域的极值粒子 代替全局最优解。这样的寻优为局部 PSO 算法，经过一定的迭代后，改用全局最优解， 即全局 PSO 算法进行迭代以加快收敛。整个粒子群通过选定个体的 和 来更新自身的位置 和速度： (1) (2) 这里， 学习 因子 C1 ，C2 是非负常数，他们决 定, 的 影响 程度，r1 ， r2 是介于【0 ，l】之间的随机数。迭代中止条件根据具体问题一 般选为最大迭代次数或(和)粒子群迄今为止搜索到的最优位置满足预定最小适应阈值。2.2 SCE 算法简介 SCE （shuffled complex evolution ）是一种相对较新的连续性问题的元 启发搜索算法[11]。非常适合于求解具有多个局部最小的全局优化问题。它主要基于如下 概念： 结合了随机性和确定性算法；