一种基于遗传框架的组播树优化方法技术

一种基于遗传框架的组播树优化方法，用以解决如何从根本提高GA的局部搜索能力，并且保持算法的搜索范围的问题。包括：S1、将染色体放入染色体池；S2、选择父代染色体；S3、对每一对所述的父代染色体判断是否执行交叉算子，若是，则转入步骤S4，否则，转入步骤S5；S4、保留父代相同链路的组播树，并基于保留链路计算出子代组播树；S5、判断是否执行变异算子，若是，则转入步骤S6，否则，转入步骤S7；S6、执行变异算子；S7、判断演化是否达到最大繁殖代数，若是，则转入步骤S8，否则，转入步骤S1；S8、输出优化后的组播树。

【技术实现步骤摘要】

本专利技术涉及软件算法领域，尤其是基于遗传框架的组播树优化方法。
技术介绍
随着通信技术的发展，组播业务的应用范围越来越广泛，如何提高组播网络的服务质量(Quality of Service，QoS)，均衡网络负载，优化网络资源，成为当前通信网络研究的重点问题。组播树问题(Multicast Tree Problem，MTP)可形式化为斯坦利树问题(Steiner Tree Problem，STP)是一个典型的NP完全问题。综上所述，求解MTP问题有很强的现实意义。MTP的求解算法可分为两大类：精确解法和近似解法。常见的精确解法有分支界定算法和动态规划算法等。但由于算法时间复杂度太高，随着问题规模的增大，计算时间成几何级增加，算法失去可行性。所以，目前更多的是使用人工智能优化算法及其改进算法进行求解，如遗传算法，神经网络算法，粒子群算法，蚁群优化算法等。遗传算法(Genetic Algorithm，GA)是由Michigan大学的John Holand教授等模拟生物进化机制提出的优化算法，已经成功应用于求解MTP。虽然具有较好的搜索能力和较高的求解质量，但鲁棒性差、局部搜索能力弱等缺点仍然限制遗传算法的效率。为了提高GA的效率，研究者们提出了多种改进算法。目前的改进多从以下三个方面入手：一、改进编码策略，如设计基因编码表，使得编码表中的基因都代表服务质量较好的链路，从而使得组成的染色体拥有更好的性质；二、优化GA中交叉算子，如保留父代染色体中相同的链路，并以随机路径连通保留链路；三、优化GA中变异算子，使得变异算子具有一定的局部搜索能力。虽然优化编码表和交叉、变异算子能够一定程度上提高算法的局部搜索能力，但同时降低了算法搜索范围，使得算法容易陷入局部最优解，优化能力有限。因此，如何从根本提高GA的局部搜索能力，并且保持算法的搜索范围，是当前亟待解决的问题之一。
技术实现思路
本专利技术提供了一种基于遗传框架的组播树优化方法，用以解决如何从根本提高GA的局部搜索能力，并且保持算法的搜索范围的问题。本专利技术的一种基于遗传框架的组播树优化方法，包括下列步骤：S1、将染色体放入染色体池；S2、选择父代染色体；S3、对每一对所述的父代染色体判断是否执行交叉算子，若是，则转入步骤S4，否则，转入步骤S5；S4、基于父代组播树中相同链路，计算出子代组播树；S5、判断是否执行变异算子，若是，则转入步骤S6，否则，转入步骤S7；S6、执行变异算子；S7、判断演化是否达到最大繁殖代数，若是，则转入步骤S8，否则，转入步骤S1；S8、输出优化后的组播树。其中，在所述的步骤S1之前，还包括步骤：S01、初始化参数；S02、过滤链路；S03、初始化种群。其中，步骤S01中所述初始化的参数包括：种群数量N，交叉概率Pc，变异概率Pm，每一代产生的子代染色体数量Pn，最大繁殖代数MG；多头绒泡菌网络中初始信息素量I0，多头绒泡菌网络中每条管道初始传导性的值D0，PM收敛的传导性变化阈值β，反馈方程系数k和保留阈值η，以及保留链路权值ε。并设置源节点s和目标节点集合D E；其中，步骤S03所述初始化种群中，每个初始个体形成的具体过程如下：设置源节点s为当前结点c，即c＝s；从c的邻边中随机选择一条边，记为ec，b，若b不是目的节点，则更新当前结点为b，重复操作直到访问到目的节点，此时将访问过的点和边组成的子图记为T；从还未访问过的目的节点中随机选择一个节点作为当前结点c，从c的邻边中随机选择一条边，记为ec，b，若b不是T中节点，则更新当前结点为b，重复操作直到访问到T中的节点；以及将访问过的边和点并入T；此时若还有目的节点未在T中，则重新随机选择未在T中的目的节点为当前结点c，直到所有目的节点均在T中；最后基于从源节点起的深度优先遍历，将多余的边删除，得到初始的组播树，并将初始组播树编码，形成初始的染色体。其中，步骤S1具体是将新产生染色体放入染色体池，并将当前染色体池中的染色体按照适应度排序，并保留适应度较高的N个染色体。其中，步骤S2中采用轮盘选择法，在当前染色体池中选择出Pn对父代染色体。其中，步骤S4中所述产生保留父代相同链路的组播树，具体是产生一个与当前拓扑结构相同的网络NG，并按照如下公式设置NG中边的权值：其中Lij代表NG中边ei，j的权值，cij、分别代表连接路由i和j链路的代价和服务质量属性，wtt代表对应服务质量在当前问题中的重要程度；之后对比父代染色体中的链路，将父代染色体相同链路在NG中的权值设置为ε。其中，步骤S4中所述计算出子代组播树，具体是将与当前拓扑结构相同的网络NG，节点s，点集DE输入多头绒泡菌数学模型，得到子代组播树，步骤如下：在多头绒泡菌模型中，设置节点s为入口，点集DE中所有点都为出口；用代表节点i在t时刻的压力值，则根据基尔霍夫定律可得到如下方程组： Σ i D t i j L i j ( p i t - p j t ) = - I 0 , f o r j = = s I 0 M 本文档来自技高网...

【技术保护点】
一种基于遗传框架的组播树优化方法，其特征在于，包括下列步骤：S1、将染色体放入染色体池；S2、选择父代染色体；S3、对每一对所述的父代染色体判断是否执行交叉算子，若是，则转入步骤S4，否则，转入步骤S5；S4、基于父代组播树中相同链路，产生子代组播树；S5、判断是否执行变异算子，若是，则转入步骤S6，否则，转入步骤S7；S6、执行变异算子；S7、判断演化是否达到最大繁殖代数，若是，则转入步骤S8，否则，转入步骤S1；S8、输出优化后的组播树。

【技术特征摘要】
1.一种基于遗传框架的组播树优化方法，其特征在于，包括下列步骤：S1、将染色体放入染色体池；S2、选择父代染色体；S3、对每一对所述的父代染色体判断是否执行交叉算子，若是，则转入步骤S4，否则，转入步骤S5；S4、基于父代组播树中相同链路，产生子代组播树；S5、判断是否执行变异算子，若是，则转入步骤S6，否则，转入步骤S7；S6、执行变异算子；S7、判断演化是否达到最大繁殖代数，若是，则转入步骤S8，否则，转入步骤S1；S8、输出优化后的组播树。2.如权利要求1所述的基于遗传框架的组播树优化方法，其特征在于，在所述的步骤S1之前，还包括步骤：S01、初始化参数；S02、过滤链路；S03、初始化种群。3.如权利要求2所述的基于遗传框架的组播树优化方法，其特征在于，步骤S01中所述初始化的参数包括：种群数量N，交叉概率Pc，变异概率Pm，每一代产生的子代染色体数量Pn，最大繁殖代数MG；多头绒泡菌网络中初始信息素量I0，多头绒泡菌网络中每条管道初始传导性的值D0，PM收敛的传导性变化阈值β，反馈方程系数k和保留阈值η，以及保留链路权值ε。并设置源节点s和目标节点集合DE。4.如权利要求2所述的基于遗传框架的组播树优化方法，其特征在于，步骤S03所述初始化种群中，每个初始个体形成的具体过程如下：设置源节点s为当前结点c，即c＝s；从c的邻边中随机选择一条边，记为ec，b，若b不是目的节点，则更新当前结点为b，重复操作直到访问到目的节点，此时将访问过的点和边组成的子图记为T；从还未访问过的目的节点中随机选择一个节点作为当前结点c，从c的邻边中随机选择一条边，记为ec，b，若b不是T中节点，则更新当前结点为b，重复操作直到访问到T中的节点；以及将访问过的边和点并入T；此时若还有目的节点未在T中，则重新随机选择未在T中的目的节点为当前结点c，重复上述步骤，直到所有目的节点均在T中；最后基于从源节点起的深度优先遍历，将多余的边删除，得到初始的组播树，并将初始组播树编码，形成初始的染色体。5.如权利要求1所述的基于遗传框架的组播树优化方法，其特征在于，步骤S1具体是将新产生染色体放入染色体池，并将当前染色体池中的染色体按照适应度排序，并保留适应度较高的N个染色体。6.如权利要求1所述的基于遗传框架的组播树优化方法，其特征在于，步骤S2中采用轮盘选择法，在当前染色体池中选择出Pn对父...

【专利技术属性】
技术研发人员：高超，梁鸣心，张自力，
申请(专利权)人：西南大学，
类型：发明
国别省市：重庆;50