改进的粒子群优化算法在QoS选播路由中的应用.docx

改进的粒子群优化算法在QoS选播路由中的应用
摘要
随着网络技术的不断发展，QoS成为网络管理中最具挑战性的问题之一。选播路由是QoS中的一个重要领域，涉及到网络中数据的路由和传输。为了解决选播路由中的问题，一些优化算法被应用于网络管理中。本文提出了改进的粒子群优化算法来解决选播路由中的QoS问题。通过与传统算法的比较实验，结果表明本算法在减少延迟、提高吞吐量和保证可靠性上具有显著的改进和优势。
关键词:QoS，选播路由，粒子群优化算法
引言
随着互联网和复杂网络的不断发展，QoS已成为网络管理的一个关键问题。其中一个主要领域是选播路由，它是在网络中将数据从源主机路由到目的主机的过程中的一种广播技术。在选播路由中，关键问题是如何对网络进行有效的拓扑结构优化，降低网络的拥塞、延迟和时延抖动，同时确保数据传输的可靠性。在过去的几十年中，人们使用了许多方法来解决选播路由中的QoS问题，其中优化算法已成为热门研究领域。
粒子群优化算法(PSO)是一个可以模拟社会行为的一种优化算法。通过借鉴群体行为的思想，PSO算法可以通过迭代寻找最佳解。以往的研究已经对PSO算法进行了广泛的应用，但是在选播路由中，PSO算法的性能还需要进一步的优化。
为了提高粒子群优化算法在选播路由中的适应性，本文提出了一种改进的PSO算法。该算法通过引入三个因素来优化过程：(1)学习因子W，使得“探索-开发”权衡更加适应所需的选择响应;(2)种群更新速率C，以适应约束选择;(3)用改进的威瑟随机数替换传统的随机数生成器。通过在大量的仿真中比较改进后的PSO算法和传统的PSO算法，本文提供了关于QoS选播路由的可行性研究和PSO算法的性能测试。
方法
改进的PSO算法(IPSOP)的核心思想是通过调整权重因素来扩展传统PSO的搜索领域。首先我们需要定义IPSOP的概念：
X∈RN={x1,x2,...,xN}为搜索空间，R为实数集
f(X):RN→R有界凸函数,即最小值和最大值均存在
最大化f(X)的最优解为S。
将IPSOP算法分成两个部分：种群初始化和算法过程。
1.种群初始化
首先，定义粒子i的位置为xi=(xi,1,xi,2,...,xi,N)∈RN，径向飞越速度为di=(di,1,di,2,...,di,N)∈RN。将搜索空间（位置）初始化为均匀随机分布的位置，并确定该位置上的适应性指标：
vi=xi(1)
适应值：fi=f(xi)
此外，IPSOP算法需要引入三个权重因子，以优化探索和开发之间的平衡。学习因子W的引入，可以提高IPSOP的稳定性和搜索能力。C为粒子集合的中近似因素并允许约束为Qi，这对于控制搜索空间是很有帮助的。IPSOP需要选择一个随机数因子(随机数生成器)，以确保种群全局收敛。
W值定为大于0小于1。在算法进行的不同迭代中，W逐渐减小。其调节范围可能被选择在范围[0.4,0.9]之间。C是任意设置的常数，通常设置在1.5到2.0之间，以确保对所有约束选项都是适当的。威瑟随机数是一种被广泛用于组合设计的随机数，相对较好地保证了良好的分布。
IPSOP的核心算法过程可以总结为以下几步:
a)种群位置更新
(2)
(3)
其中xi(t)代表粒子i的位置，vi(t)代表粒子i的速度，rd1(0,1)和rd2(0,1)分别是生成的随机数。IPSOP算法中引入的W值使得探索和开发之间的权衡更具选择性响应。
b)最小速度限制与强制约束控制
在新的解集C和W的干预下，IPSOP对不同的约束条件进行了适当调整，以减少超出搜索范围的解决方案。为了防止粒子从优化问题的解空间溢出，使用速度限制方法来限制粒子的位置、速度的最大值和最小值。PSO中的标准约束方法为以下式子：
(4)
其中，σ表示限制因子；η1和η2是生成的两个随机数；μ表示全局最佳解。但这种紧缩约束方法可能会导致搜索效率低下，为此，IPSOP引入一种强约束控制方法，即：
(5)
其中，ε为约束因子。这种强约束控制方法可以维持种群在约束空间内的解决方案。
c)针对约束优化的更新速率
在IPSOP算法中，为Cu（t）引入静态系数bcu，其中cu是种群选择速率的动态属性。其定义为：
(6)
在运行过程中，cu的值需要调整，因此使用一个调整时序方法，使其可靠地集成到算法中。IPSOP根据更新速率C的调整保证了QoS约束空间的实现。
实验
为了评价IPSOP算法，通过仿真对比了IPSOP和PSO算法的性能。仿真的四个QoS指标是：吞吐量(Th),延迟(Delay),时延抖动(Jitter)和可靠性(Reliability)。仿真工具使用的是ns-2，仿真网络的拓扑基于StarTopology和BinomialTopologies。总共进行了50次实验，每次实验的数据是复制了20次收集的数据。每次实验的时间