群集智能算法在网络策略中的研究及其应用

论文摘要

在Internet中,由于多媒体通信和网络视频的增长,网络资源和网络需求之间的矛盾越来越突出,网络路由和网络流量的平衡成为制约网络发展的瓶颈。抑制网络拥塞,提高网络的质量,使网络达到动态均衡,已成为Internet相关技术的研究热点。网络单播、组播路由是检验网络性能的重要指标,在网络研究中的作用越来越重要。特别是在多约束网络中,采用QoS指标讨论网络的质量性能,使网络达到动态均衡;并对网络的延时、延时抖动、带宽、丢包率、业务代价等多个参数同时提出性能要求,这些参数相互独立时,选择满足多个参数限制的路由就成为NP完全问题。在研究网络单播、组播路由的同时,国内外许多学者对网络流量展开研究,主要集中在流量工程（Traffic Engineering,即TE）,而流量工程的热点问题又集中在多约束路由。在网络满足多约束的条件下,根据网络流量与资源的状态,通过实施合理的控制,使流量均衡地分布在现有的网络中,从而优化网络的运行性能。本文主要包含网络单播路由、组播路由、网络流量均衡等几个方面的内容,利用群集智能算法的特点,对单播路由优化、组播路由优化、网络流量控制等方面进行系统的研究,同时对算法的收敛性和网络安全等方面进行较为系统分析。本文的主要研究成果包括:1.对QoS网络的路由优化改进技术的深入研究,第一,提出了基于粒子融合的QoS蚁群优化路由算法,使用粒子群算法生成初始解,避免了蚁群算法在局部最优化,拓展了蚁群算法的求解范围,提高了算法的自适应能力和优化精度。第二,提出了基于混沌算子的蚁群优化改进多约束QoS路由算法,利用混沌“随机性”、“遍历性”及“规律性”,能够快速获得全局最优解的优点,采用混沌因子改进蚁群算法,提高了搜索性能,算法搜索到的结果总体要明显好于基本ACO算法。仿真结果表明,两种改进算法具有较高的优化性能。2.结合组播路由网络的特点,对多约束条件在组播网络展开分析,在此基础上提出了基于克隆粒子群融合的约束QoS组播树算法。在提出新的播路由算法中,通过粒子的速度和位置变化查找组播树,并且利用免疫克隆算法混合搜索,从而减少了局部搜索和全局搜索的时间。通过克隆算子的引入,增加了克隆复制、克隆变异、克隆选择等3个环节,在克隆变异阶段,利用变化后的个体以一定的概率具有更高的适应性能,然后利用克隆选择环节,避免了种群易经常出现的退化,而且提高了算法收敛速度和全局搜索能力。仿真结果表明,该算法具有更好的优化性能。3.通过对网络流量和网络路由之间的关系进行了深入分析,提出了基于带宽受限模糊权重的蚁群优化控制算法（Fuzzy-ACO）。在基于带宽受限的蚁群优化控制算法中,利用模糊控制网络流量权重,建立网络流量的数学模型,降低了大量的探测分组带来了网络开销;并通过采用时间顺序输入不同流量,可以动态及时的反映网络性能,对网络性能进行实时监控,从而使网络流量和网络路径达到动态平衡。同时将系统流量权重融入信息素中,利用信息素动态地控制在多条路径中选择最佳路径,提高了蚁群算法全局搜索能力。仿真结果表明,算法优化效果明显,运行速度快,并显著加快了传统算法网络流量的探索收敛速度。4.对于多约束条件的蚁群优化算法,往往约束条件的取舍及函数的设计尤为重要,针对QoS条件下蚁群算法的收敛性展开讨论,重新定义其信息素的选取,从理论上证明该算法的收敛性;并且还论证在带QoS约束条件的蚁群算法中,信息素发生变化的时间点,以及信息素的取值范围,从而证明该类蚁群优化算法收敛的可控制性,通过实验仿真说明该算法的实用性。对该算法局部和全局收敛性展开研究,提出了普遍意义下的收敛条件,为这一类约束条件下的蚁群算法进一步研究奠定了良好的基础。5.通过对网络安全的分析,借助生物聚类的机理,防范网络入侵的危害,提出了一种基于交叉融合粒子群优化算法的聚类分析,由粒子群算法形成初步的聚类中心,再由蚁群算法进行二次优化,仿真实验表明,该算法与基本聚类算法相比较,聚类组合方法能够明显改善聚类质量。论文对网络单播路由、组播路由、网络流量均衡做了较为全面深入的分析和讨论,提出了多种有效的改进措施,并证明了算法的收敛性,提出了网络安全聚类分析的方法,实现了群集智能算法在网络分析上的应用。最后对所做工作进行了总结,并提出了进一步研究的方向。

论文目录

• 摘要
• Abstract
• 插图索引
• 附表索引
• 第1章 绪论
• 1.1 引言
• 1.2 课题研究的背景
• 1.2.1 群集智能研究的进展
• 1.2.2 网络单播路由的研究现状
• 1.2.3 网络组播路由的研究现状
• 1.2.4 多约束QoS 网络组播路由算法的研究现状
• 1.2.4.1 传统的QoS 组播路由算法
• 1.2.4.2 基于智能算法的多约束QoS 网络路由算法
• 1.2.5 多约束网络流量的研究现状
• 1.2.5.1 传统网络流量算法的研究现状
• 1.2.5.2 智能算法在多约束网络流量的研究现状
• 1.3 本文的研究目的、意义和主要工作
• 第2章 QoS 网络路由最佳优化
• 2.1 引言
• 2.2 QoS 网络路由多约束条件
• QoS）'>2.3 基于粒子融合的QoS 蚁群优化路由算法（PSACO_QoS）
• 2.3.1 粒子群算法
• 2.3.2 蚁群算法
• 2.3.3 QoS 适应度函数
• 2.3.4 基本粒子群算法融合流程
• 2.3.5 粒子群算法与蚁群算法最佳融合时机
• 2.3.6 基于粒子融合的QoS 蚁群优化路由算法
• 2.3.7 程序编程流程图
• 2.3.8 实验仿真
• 2.3.9 结论
• 2.4 基于混沌算子的蚁群优化改进QoS 路由算法
• 2.4.1 引言
• 2.4.2 QoS 适应度函数
• 2.4.3 混沌优化算子
• 2.4.4 基于混沌算子的蚁群优化改进QoS 路由算法基本原理
• 2.4.5 基于混沌算子的蚁群优化改进QoS 路由算法流程
• 2.4.6 实验仿真
• 2.4.7 结论
• 2.5 结论
• 第3章 QoS 网络组播路由寻优
• 3.1 引言
• 3.2 多约束网络适应度函数
• 3.3 基于克隆粒子群融合的约束QoS 组播树算法基本原理
• 3.3.1 基本粒子群算法
• 3.3.2 亲和力算子
• 3.3.3 克隆算子
• 3.3.4 克隆变异算子
• 3.3.5 克隆选择算子
• 3.4 基于克隆粒子群融合的约束QoS 组播树算法流程
• 3.5 实验仿真
• 3.5.1 网络拓扑图
• 3.5.2 实验结果
• 3.5.3 算法对比实验
• 3.6 结论
• 第4章 带宽约束网络的流量智能控制
• 4.1 引言
• 4.2 模糊控制流量算法的模型
• 4.3 基于带宽限制模糊控制蚁群流量优化算法基本原理
• 4.3.1 蚁群优化算法
• 4.3.2 蚁群流量优化算法计分规则
• 4.3.3 信息素更新规则
• 4.4 实验仿真
• 4.4.1 系统网络拓扑图
• 4.4.2 基于带宽限制模糊控制蚁群流量优化算法流程
• 4.4.3 基于带宽限制模糊控制蚁群流量优化算法参数设置
• 4.4.4 实验结果
• 4.4.5 算法对比实验
• 4.5 结论
• 第5章 基于QoS 网络路由收敛性分析
• 5.1 引言
• 5.2 蚁群优化算法基本原理
• 5.2.1 QoS 约束及适应度函数
• 5.2.2 蚁群优化算法流程
• 5.3 蚁群优化算法收敛性分析
• 5.4 实验仿真
• 5.4.1 网络拓扑图
• 5.4.2 实验算法参数设定
• 5.4.3 实验结果
• 5.5 结论
• 第6章 网络安全聚类分析
• 6.1 引言
• 6.2 聚类分析
• 6.3 聚类分析的编码
• 6.3.1 聚类编码的原则
• 6.3.2 聚类问题的编码划为方式
• 6.3.3 聚类编码方法
• 6.4 基于粒子交叉融合蚁群优化聚类算法基本原理
• 6.4.1 K-聚类算法的数学描述
• 6.4.2 基于粒子交叉融合蚁群优化聚类算法
• 6.5 基于粒子交叉融合蚁群优化聚类算法流程
• 6.5.1 基本的粒子交叉融合蚁群优化聚类算法流程
• 6.5.2 改进的粒子交叉融合蚁群优化聚类算法
• 6.6 实验仿真
• 6.6.1 性能评价
• 6.6.2 实验结果
• 6.7 结论
• 第7章 总结与展望
• 7.1 总结
• 7.2 展望
• 参考文献
• 致谢
• 附录A 攻读学位期间所发表的学术论文目录