計算智能方法及在網(wǎng)絡(luò)優(yōu)化和預(yù)測中的研究.pdf

1、許多群體生物的自適應(yīng)優(yōu)化現(xiàn)象不斷給人類以啟示，群居生物的群體行為使許多在人類看起來高度復(fù)雜的優(yōu)化問題得到了完美的解決?？茖W(xué)家通過對群體生物的觀察與研究產(chǎn)生了以模仿自然界群體生物行為特征的群體智能研究領(lǐng)域。例如，螞蟻具有找到蟻穴與食物源之間最短路徑的能力，受此啟發(fā)提出的蟻群優(yōu)化算法(Ant Conoly Algorithm，簡稱ACO)最初用于解決旅行商問題，具有自適應(yīng)性、魯棒性及本質(zhì)上的并行性等許多特點，廣泛適用于各種靜態(tài)和動態(tài)的組合優(yōu)

2、化問題中，具有潛在的應(yīng)用前景。而人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network，簡稱ANN)是近年來迅速發(fā)展起來的又一種新型信息處理手段，是在對人腦組織結(jié)構(gòu)和運行機(jī)制的認(rèn)識理解基礎(chǔ)之上模擬其結(jié)構(gòu)和智能行為的一種工程系統(tǒng)。
　　 已有許多學(xué)者進(jìn)行將一些計算智能方法應(yīng)用于網(wǎng)絡(luò)優(yōu)化和管理的研究中。由于設(shè)備和服務(wù)不斷增加的結(jié)果，現(xiàn)代數(shù)據(jù)網(wǎng)絡(luò)，包括有線和無線網(wǎng)絡(luò)，正逐漸呈多樣和異構(gòu)特性。無數(shù)混雜的網(wǎng)絡(luò)構(gòu)件準(zhǔn)確無誤的交互需

3、要，形成了巨大的挑戰(zhàn)，尤其對于傳統(tǒng)上使用集中方法進(jìn)行網(wǎng)絡(luò)控制的網(wǎng)絡(luò)，比如包交換和虛電路網(wǎng)絡(luò)，以及INTERNET這一逐漸變?yōu)槎鄻踊淖泳W(wǎng)模式集合。網(wǎng)絡(luò)優(yōu)化問題是一類特殊的組合優(yōu)化問題，屬于NP困難問題。尋找、研究、應(yīng)用啟發(fā)式智能化的優(yōu)化方法就顯得尤為重要。計算機(jī)網(wǎng)絡(luò)是復(fù)雜的動態(tài)分布式非線性系統(tǒng)，網(wǎng)絡(luò)流量分析及預(yù)測同樣是一個復(fù)雜的問題。對復(fù)雜系統(tǒng)建模目前仍是一個開放性問題。對模型的描述和預(yù)測尚未有一套廣泛適用的方法，如何使用智能計算技術(shù)對

4、網(wǎng)絡(luò)流量預(yù)測建模還有大量的工作要作。
　　 本文的研究目的：一方面是探索和完善群體智能模型，使之能更有效的解決傳統(tǒng)方法難以處理的大規(guī)模復(fù)雜性問題；另一方面將群體智能及計算智能方法應(yīng)用到分布式動態(tài)網(wǎng)絡(luò)路由及負(fù)載平衡管理和網(wǎng)絡(luò)流量測量領(lǐng)域，使計算智能方法能夠解決更多的工程實踐問題。本文的主要研究成果包括：
　　 (1)提出了一種基于多蟻群的蟻群優(yōu)化算法。該算法通過將蟻群分為若干個子群，采用多蟻群并行執(zhí)行搜索任務(wù)。不同種群的螞

5、蟻釋放不同類型的信息素；螞蟻釋放的信息素對本種群的螞蟻有吸引力，對其他種群的螞蟻具有排斥力。這種吸引與排斥的共同作用與啟發(fā)信息一起，決定了螞蟻的轉(zhuǎn)移選擇概率。提出了一種新的動態(tài)轉(zhuǎn)移選擇概率。仿真實驗結(jié)果表明，改進(jìn)后的算法能有效地提高算法的全局搜索能力，較明顯的克服了傳統(tǒng)蟻群算法停滯收斂等問題。
　　 (2)提出了一種融合遺傳算法(Genetic Algorithms)與蟻群算法的混合算法。該算法在蟻群優(yōu)化算法中引入了路徑遺傳算子

6、，并提出了以路徑染色體的適應(yīng)度函數(shù)評價結(jié)果為基礎(chǔ)的信息素更新策略，對螞蟻發(fā)現(xiàn)的路徑進(jìn)行染色體編碼，通過適應(yīng)度函數(shù)對螞蟻的路徑進(jìn)行適應(yīng)度評價，進(jìn)行交叉和變異運算，經(jīng)過不斷的迭代和種群的進(jìn)化，獲得更好的解。從仿真結(jié)果可以看出，本文的方法能更有效地解決對稱TSP問題，提高了算法收斂速度及解的質(zhì)量。
　　 (3)提出了一種多蟻群并行算法，進(jìn)行了并行蟻群算法的研究。通過改變ACO算法行為并結(jié)合有效的并行ACO策略，在單處理器上運行多蟻群系

7、統(tǒng)，并采用數(shù)據(jù)并行策略提出了多蟻群并行處理算法。在較小規(guī)模的并行處理器上進(jìn)行了實驗。多蟻群選擇策略和并行策略在定性分析和實驗中表現(xiàn)出了能夠改善搜索能力，具有較好的可擴(kuò)展性，并提高解的質(zhì)量，有利于算法解決更大規(guī)模的問題。
　　 (4)研究并實現(xiàn)了用于群體智能路由算法研究的動態(tài)網(wǎng)絡(luò)仿真系統(tǒng)，給出了仿真系統(tǒng)的設(shè)計過程和系統(tǒng)模型，該模型能對網(wǎng)絡(luò)動態(tài)和非精確狀態(tài)信息進(jìn)行有效模擬且支持群體智能路由的仿真研究。
　　 (5)在螞蟻算法

8、的基礎(chǔ)上，提出了兩個分布式群體智能路由算法。其一，是采用使用聚類的方法有效的減少了網(wǎng)絡(luò)螞蟻代理數(shù)量，同時通過路由表的構(gòu)造策略提高了螞蟻的搜索效率，從而有效地提高了算法的可擴(kuò)展性和魯棒性。其二，通過引入遺傳運算策略，對AntNet進(jìn)行了有效的改進(jìn)，提出了路徑遺傳操作和以路徑染色體的適應(yīng)度函數(shù)評價結(jié)果為基礎(chǔ)的信息素更新策略，應(yīng)用于分布式網(wǎng)絡(luò)路由管理中，降低了原算法的復(fù)雜性。仿真結(jié)果表明，該方法能有效地實現(xiàn)更具有靈活性的路由選擇策略，為當(dāng)前路

9、由選擇問題的解決提供了一種新的途徑。
　　 (6)將提出的多蟻群算法應(yīng)用于分布式網(wǎng)絡(luò)優(yōu)化管理中，解決動態(tài)分布式網(wǎng)絡(luò)中負(fù)載平衡路由問題。該算法具有本質(zhì)上的可擴(kuò)展性，采用的主要方法為：將蟻群劃分為若干個子群，不同子群的螞蟻釋放不同類型的信息素。通過不同類型信息素之間的相互制約作用，以及鏈路負(fù)載的測量，提出了三種策略以實現(xiàn)負(fù)載平衡路由。在當(dāng)前最優(yōu)路徑出現(xiàn)阻塞時，算法可以很快找到一條替代的最優(yōu)路徑。實驗結(jié)果表明，整個算法應(yīng)用概率選擇數(shù)據(jù)

10、包轉(zhuǎn)發(fā)的路徑，能夠充分利用多條可行路徑，從而提高網(wǎng)絡(luò)負(fù)載的均衡性、魯棒性、負(fù)載流量以及網(wǎng)絡(luò)的利用率。該算法能有效模擬解決大型通信網(wǎng)絡(luò)資源的分配問題。
　　 (7)將遞歸神經(jīng)網(wǎng)絡(luò)算法與灰色理論模型結(jié)合，提出了一種組合預(yù)測模型，并應(yīng)用到網(wǎng)絡(luò)流量預(yù)測模型的建立。利用遞歸神經(jīng)網(wǎng)絡(luò)很強(qiáng)的自組織、自適應(yīng)、自學(xué)習(xí)的概括和抽取信息的能力，將其與灰色系統(tǒng)理論有機(jī)結(jié)合起來，針對較高精度的短期網(wǎng)絡(luò)流量預(yù)測進(jìn)行了預(yù)測模型建立的相關(guān)理論及應(yīng)用的系統(tǒng)研究。