計(jì)算智能方法及在網(wǎng)絡(luò)優(yōu)化和預(yù)測(cè)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(lái)高度復(fù)雜的優(yōu)化問(wèn)題得到了完美的解決。科學(xué)家通過(guò)對(duì)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(jiǎn)稱ACO)最初用于解決旅行商問(wèn)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(diǎn)，廣泛適用于各種靜態(tài)和動(dòng)態(tài)的組合優(yōu)

2、化問(wèn)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(jiǎn)稱ANN)是近年來(lái)迅速發(fā)展起來(lái)的又一種新型信息處理手段，是在對(duì)人腦組織結(jié)構(gòu)和運(yùn)行機(jī)制的認(rèn)識(shí)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(jì)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(wú)線網(wǎng)絡(luò)，正逐漸呈多樣和異構(gòu)特性。無(wú)數(shù)混雜的網(wǎng)絡(luò)構(gòu)件準(zhǔn)確無(wú)誤的交互需

3、要，形成了巨大的挑戰(zhàn)，尤其對(duì)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(wèn)題是一類特殊的組合優(yōu)化問(wèn)題，屬于NP困難問(wèn)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(jì)算機(jī)網(wǎng)絡(luò)是復(fù)雜的動(dòng)態(tài)分布式非線性系統(tǒng)，網(wǎng)絡(luò)流量分析及預(yù)測(cè)同樣是一個(gè)復(fù)雜的問(wèn)題。對(duì)復(fù)雜系統(tǒng)建模目前仍是一個(gè)開(kāi)放性問(wèn)題。對(duì)模型的描述和預(yù)測(cè)尚未有一套廣泛適用的方法，如何使用智能計(jì)算技術(shù)對(duì)

4、網(wǎng)絡(luò)流量預(yù)測(cè)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(wèn)題；另一方面將群體智能及計(jì)算智能方法應(yīng)用到分布式動(dòng)態(tài)網(wǎng)絡(luò)路由及負(fù)載平衡管理和網(wǎng)絡(luò)流量測(cè)量領(lǐng)域，使計(jì)算智能方法能夠解決更多的工程實(shí)踐問(wèn)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(guò)將蟻群分為若干個(gè)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(duì)本種群的螞蟻有吸引力，對(duì)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(dòng)態(tài)轉(zhuǎn)移選擇概率。仿真實(shí)驗(yàn)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(wèn)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(píng)價(jià)結(jié)果為基礎(chǔ)的信息素更新策略，對(duì)螞蟻發(fā)現(xiàn)的路徑進(jìn)行染色體編碼，通過(guò)適應(yīng)度函數(shù)對(duì)螞蟻的路徑進(jìn)行適應(yīng)度評(píng)價(jià)，進(jìn)行交叉和變異運(yùn)算，經(jīng)過(guò)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(duì)稱TSP問(wèn)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(guò)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(yùn)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(shí)驗(yàn)。多蟻群選擇策略和并行策略在定性分析和實(shí)驗(yàn)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(wèn)題。
　　 (4)研究并實(shí)現(xiàn)了用于群體智能路由算法研究的動(dòng)態(tài)網(wǎng)絡(luò)仿真系統(tǒng)，給出了仿真系統(tǒng)的設(shè)計(jì)過(guò)程和系統(tǒng)模型，該模型能對(duì)網(wǎng)絡(luò)動(dòng)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(gè)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(shí)通過(guò)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(guò)引入遺傳運(yùn)算策略，對(duì)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(píng)價(jià)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(shí)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(wèn)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(dòng)態(tài)分布式網(wǎng)絡(luò)中負(fù)載平衡路由問(wèn)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(gè)子群，不同子群的螞蟻釋放不同類型的信息素。通過(guò)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(cè)量，提出了三種策略以實(shí)現(xiàn)負(fù)載平衡路由。在當(dāng)前最優(yōu)路徑出現(xiàn)阻塞時(shí)，算法可以很快找到一條替代的最優(yōu)路徑。實(shí)驗(yàn)結(jié)果表明，整個(gè)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(wèn)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(cè)模型，并應(yīng)用到網(wǎng)絡(luò)流量預(yù)測(cè)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(lái)，針對(duì)較高精度的短期網(wǎng)絡(luò)流量預(yù)測(cè)進(jìn)行了預(yù)測(cè)模型建立的相關(guān)理論及應(yīng)用的系統(tǒng)研究。