教育管理计算机网络划分优化遗传算法讲解.docxVIP

{教育管理}计算机网络划分优化遗传算法讲解

2.1网络k-划分的原则

a)子网间的通信流量应尽可能小，即将彼此之间通信量较少的网络节点分配到不同的

子网中，以减少通过网络互连设备的开销；

b)子网内的通信流量应尽可能大，即将彼此之间通信量较大或通信频繁的网络节点分

配到同一个子网中，以提高子网的资源利用率、增强子网内聚力；

c)各子网的流量应尽量趋于平衡，从而保证网络负载均衡，以防止因新增网络设备而

导致子网性能急剧下降。

2.2网络流量分布模型

网络划分的一个重要依据是网络中任意一对站点间的通信量，因此可采用如下网络流量分布矩阵来描述网络中的流量分布状况。假设网络中有n个节点，于是网

络流量分布矩阵的表达式可如下给出：()（1）

这里，元素wij代表第i站点与第j站点间链路的总流量，因此wij=wji成立。通过流量分布矩阵，可计算出网络的总流量和每个服务器的输入/输出总流量：

（2）（3）

通过对上述网络k-划分问题的划分原则和网络流量分布模型的分析可知，该问题的实质是研究无向图的多划分问题，即对于一无向图，将其顶点集划分为互不相交的k个子集，求使这些子集间联系最少的一种划分。故可应用无向图多划分优

化理论对此问题加以研究。

2无向图多划分优化理论无向图多划分优化理论可概述为：

定义对于一无向图，其中顶点集合，边的集合，用定义边的权值。现将图划分为个顶点子集，且，称为图的一个k-划分，要求划分以后

（4）

其中且。

因为图中所有边的权值是一个常量，求属于不同划分的顶点之间的边的权值之和的最小值问题，实际上也就是求同一划分内各顶点之间的边的权值之和的最大值问题。因此，（4）式和下式是等价的：

（5）

其中且。

4算法设计

4.1经典遗传算法的不足

⑴、图的k-划分问题划分后所得到的任一子集都不能为空，至少必须包含一个顶点。

经典遗传操作（尤其是交叉操作）不能保证满足这一约束条件，因此需要对其进行修正。

⑵、网络的k-划分问题属于约束优化问题，经典遗传算法在产生非法解时丢弃，当合

法解产生概率较低时，该方法将浪费大量CPU时间。因此需要针对问题的约束条件构造算子和编码，保证只产生合法解，同时收敛速度较快。

4.2对经典遗传算法改进

4.2.1编码表示

编码表示方案的选取很大程度上依赖于问题的性质及遗传算子的设计。本文采取可直接在解的表现型上进行遗传操作的自然数编码方式。设网络有n个节点，根据需要欲划分为k个子网，则染色体（即问题的一个解）可如下表示：

,其中，

染色体si：

染色体si：

1

1

0

2

0

2

…

1

0

网络：节点1节点2节点3节点4节点5节点6…节点29节点30

图1基因型编码示意图

4.2.2适应度函数定义

根据图的k-划分定义及划分原则，如下定义适应度函数f(x)：其中

其中o(x)就是式（5）中的目标函数，即上面第二个等号后面的第一项；r为惩罚系数，0r1，它根据个体x违反约束条件的程度而定，r越大，约束条件要求越严格，否则约束条件比较宽松。u为解x是否为合法解的判定系数，可定义为：

0,x为合法解时1，其他

4.2.3选择操作

为了保持适中的选择压力，本文采用转盘式选择策略，先计算出个体的相对适应

值，记为，。然后，基于进行选择操作。

4.2.4改进的杂交操作

为了避免过多地破坏有用的模式（Schema），本文采用两个交叉点位置相距较小的两点杂交算子，另外，为避免产生空划分解，在杂交操作之后还引入空划分检查校正操作，如图2所示：

父体A：2

父体B：3

两点交2

叉3

检查校2正3

图2改进的杂交操作示意图

4.2.5变异操作

变异操作可以使搜索遍及整个个体空间。从网络k-划分角度看，变异操作使网络节点在各划分中进行重新分配，以维持种群的多样性，防止出现早熟现象，本算法中的变异操作不是以经典的小概率发生，而是以大概率（1.00）发生，采取连续多次进行对等基因位对换操作来实现变异。同时鉴于变异幅度过大可能会破坏最优解，故对换次数较少。

4.3算法描述

上述求解网络k-划分优化问题的改进遗传算法描述如下：{

随机产生初始化种群X(0)={x1(0)，x2(0)，…，xn(0)}；//n：种群规模t=0;//t：演化代数，初值t=0

根据适应度函