網(wǎng)絡(luò)可靠性優(yōu)化方法總結(jié)概述：目前較流行的智能優(yōu)化方法包括遺傳算法以及群智能算法。這兩種優(yōu)化算法的共同特點(diǎn)就是模擬生物行為方式，進(jìn)行全局隨機(jī)搜索，在單目標(biāo)或多目標(biāo)問題中找到最優(yōu)解。應(yīng)用到網(wǎng)絡(luò)中比如用于網(wǎng)絡(luò)路由的自適應(yīng)調(diào)整，解決QoS組播路由問題，在費(fèi)用最低情況下求解使整個(gè)網(wǎng)絡(luò)可靠性最有拓?fù)涞鹊冗z傳算法（GA）遺傳算法(GA)是一種借鑒生物界自然選擇思想和遺傳機(jī)制的全局隨機(jī)搜索算法。它把問題的可能解組成種群，把每一個(gè)可能解看作種群的個(gè)體，運(yùn)行時(shí)，算法在整個(gè)種群空間內(nèi)隨機(jī)搜索，按一定的評估策略對每一個(gè)體進(jìn)行評價(jià)，不斷使用選擇、交叉、變異這3種遺傳算子，使問題的解不斷進(jìn)化，直至產(chǎn)生最優(yōu)解。GA基本內(nèi)容包括編碼結(jié)構(gòu)、種群初始化、選擇操作、遺傳操作(交叉和變異)、目標(biāo)函數(shù)以及適應(yīng)度函數(shù)設(shè)計(jì)、終止條件選擇等。其中，選擇、交叉和變異三種操作是遺傳算法的核心，選擇操作是根據(jù)父代中個(gè)體適應(yīng)度函數(shù)值大小進(jìn)行選擇或淘汰，保證了算法的最優(yōu)搜索方向；交叉操作是產(chǎn)生新個(gè)體的主要方法，它決定GA的全局搜索能力；變異操作是產(chǎn)生新個(gè)體的輔助方法，它決定GA的局部搜索能力。GA控制參數(shù)主要包括：種群規(guī)模、交叉率、變異率以及其它一些GA參數(shù)(如最大迭代次數(shù)等)。GA參數(shù)的選擇對于算法的最終優(yōu)化效果至關(guān)重要，目前，多以大量試驗(yàn)測試的方法來確定這些參數(shù)。(1)編碼。遺傳算法不能直接處理解空間的數(shù)據(jù)，因此需要通過編碼把問題的解表示成遺傳空間里的染色體。(2)群體初始化。需要考慮兩個(gè)問題：1、群體的規(guī)模2、群體個(gè)體產(chǎn)生方法：(a)在遺傳空間中直接產(chǎn)生，即在遺傳空間中隨機(jī)地產(chǎn)生染色體。(b)編碼產(chǎn)生。（3）適應(yīng)度評估選擇操作是以染色體的適應(yīng)度為依據(jù)進(jìn)行的，適應(yīng)度通過適應(yīng)度函數(shù)計(jì)算得到。染色體的適應(yīng)度應(yīng)該要能準(zhǔn)確地描述染色體所對應(yīng)的解的性能好壞：染色體的適應(yīng)度越大，表明解的質(zhì)量越高，該個(gè)體被選擇成為父代進(jìn)而產(chǎn)生后代的的概率越大。通常，在設(shè)計(jì)適應(yīng)度函數(shù)時(shí)，要遵循以下原則：(1)單值性。(2)非負(fù)性。(3)計(jì)算量小。適應(yīng)度函數(shù)對遺傳算法的影響主要體現(xiàn)在三個(gè)方面：(1)適應(yīng)度函數(shù)和選擇算子共同決定了群體中各個(gè)染色體產(chǎn)生后代的概率。適應(yīng)度越大的個(gè)體產(chǎn)生后代的概率越大。(2)遺傳算法的終止條件受到適應(yīng)度函數(shù)的影響。(3)問題的約束條件在適應(yīng)度函數(shù)中考慮。（4）選擇算子從當(dāng)前群體中挑選出優(yōu)良的個(gè)體直接遺傳到下一代或通過交叉操作產(chǎn)生新個(gè)體，從而將解的優(yōu)良性狀遺傳給子代。越優(yōu)良的個(gè)體，被選成父代進(jìn)行遺傳操作的機(jī)會越大。保證了方法的最有搜索方向。幾種常見的選擇算子:1、輪盤賭選擇法2、錦標(biāo)賽選擇法為了能夠清楚的理解螞蟻系統(tǒng)的數(shù)學(xué)模型，仍以求解平面上n個(gè)城市的旅行商問題（TravelingSalesmanProblem，TSP）為例說明在網(wǎng)絡(luò)方面的主要應(yīng)用網(wǎng)絡(luò)路由問題：蟻群算法在動態(tài)組合優(yōu)化問題研究中的應(yīng)用主要集中在通訊網(wǎng)絡(luò)方面.隨著Internet上廣泛的分布式多媒體應(yīng)用對服務(wù)質(zhì)量（QualityofService，QoS）需求的增長，各種服務(wù)應(yīng)用對網(wǎng)絡(luò)所能提供的QoS提出了不同的要求，而路由是實(shí)現(xiàn)QoS的關(guān)鍵之一．將蟻群算法用于解決受限路由問題，目前可以解決包括帶寬、延時(shí)、包丟失率和最小花費(fèi)等約束條件在內(nèi)的QoS組播路由問題，比現(xiàn)有的鏈路狀態(tài)路由算法具有明顯的優(yōu)越性，應(yīng)用蟻群算法求解更復(fù)雜的QoS問題還需要深入討論．無線傳感器網(wǎng)絡(luò)路由協(xié)議問題：作為一種新的信息獲取方式和處理模式，無線傳感器網(wǎng)絡(luò)(Wirelesssensornetwork，WSN)目前已經(jīng)成為國內(nèi)外備受關(guān)注的研究熱點(diǎn)．WSN是由眾多具有通信和計(jì)算能力的傳感器節(jié)點(diǎn)，以多跳通信、自組織方式形成的網(wǎng)絡(luò)．節(jié)點(diǎn)傳感器電池供電，電源能量、通信能力計(jì)算能力都是有限的．WSN路由協(xié)議研究中的一個(gè)重要問題是路由的選擇要結(jié)合節(jié)點(diǎn)的能量信息，使得節(jié)點(diǎn)的能量消耗能夠均衡，延長網(wǎng)絡(luò)生命周期．蟻群優(yōu)化算法求解模式將問題求解的快速性、全局優(yōu)化特征以及高度的自組織性等特點(diǎn)合理結(jié)合，與無線傳感網(wǎng)低能耗、自組織的大規(guī)模網(wǎng)絡(luò)路由快速建立要求極其相似，有助于建立面向數(shù)據(jù)為中心的路由協(xié)議．目前，已有許多學(xué)者研究蟻群優(yōu)化算法在WSN路由協(xié)議中的應(yīng)用．粒子群算法(PSO)粒子群優(yōu)化(ParticleSwarmOptimization，PSO)算法是另一種群智能算法。在粒子群算法中引用了鳥群的概念。PSO也是一種基于群體的優(yōu)化工具，同時(shí)也是一種基于迭代的優(yōu)化工具。PSO算法原理PSO首先生成初始種群，即在可行解空間中隨機(jī)初始化一群粒子，每個(gè)粒子都是優(yōu)化問題的一個(gè)可行解，并根據(jù)目標(biāo)函數(shù)構(gòu)造一個(gè)適應(yīng)度函數(shù)（fitnessfunction）。以該適應(yīng)度函數(shù)作為評價(jià)標(biāo)準(zhǔn)。每個(gè)粒子在解空間中運(yùn)動，該粒子運(yùn)動的速度由個(gè)體的飛行經(jīng)驗(yàn)和群體的飛行經(jīng)驗(yàn)進(jìn)行動態(tài)的調(diào)整，并經(jīng)逐代搜索最后得到最優(yōu)解。在每一代中，粒子將跟蹤兩個(gè)極值，一個(gè)是粒子本身迄今找到的最優(yōu)解,另一個(gè)是整個(gè)種群中迄今找到的最優(yōu)解.PSO算法流程PSO的算法流程如下：（1）初始化一群隨機(jī)粒子，包括粒子的隨機(jī)位置和速度；（2）計(jì)算每個(gè)粒子的適應(yīng)度值；（3）對于每個(gè)粒子，將其適應(yīng)度值與其經(jīng)歷過的最優(yōu)位置Pbest進(jìn)行比較，如較好，則將其作為當(dāng)前的最優(yōu)位置Pbest；（4）對于每個(gè)粒子，將其適應(yīng)度值與全局所經(jīng)歷過的最優(yōu)位置gbest進(jìn)行比較，如較好，則重新設(shè)置gbest的索引號；（5）根據(jù)PSO算法的兩個(gè)計(jì)算公式變化粒子的速度和位置；（6）如果得到的適應(yīng)度值足夠好或達(dá)到預(yù)設(shè)的最大迭代次數(shù)GAP，則返回第2步。網(wǎng)絡(luò)方面的主要應(yīng)用：無線傳感器網(wǎng)路，近年來，將群智能算法應(yīng)用于無線傳感器網(wǎng)絡(luò)問題引起了眾多研究者的關(guān)注．網(wǎng)絡(luò)節(jié)點(diǎn)位置優(yōu)化是無線傳感網(wǎng)絡(luò)研究的核心問題之一．由于無線傳感網(wǎng)絡(luò)中移動節(jié)點(diǎn)的位置優(yōu)化可以抽象為以移動節(jié)點(diǎn)位置構(gòu)成的非整數(shù)向量為輸入?yún)?shù)，網(wǎng)絡(luò)有效覆蓋區(qū)域面積大小為優(yōu)化目標(biāo)的優(yōu)化問題．對于此類問題，微粒群優(yōu)化算法相比其它算法具有更高的收斂速度、更強(qiáng)的全局搜索能力此外，微粒群算法在無線傳感器網(wǎng)絡(luò)路由協(xié)議中的應(yīng)用也表現(xiàn)出了良好的優(yōu)化性能。人工魚群算法人工魚群算法是李小磊等在對動物群體智能行為研究的基礎(chǔ)上提出的一種新型仿生優(yōu)化算法。與傳統(tǒng)人工智能系統(tǒng)的自上而下的設(shè)計(jì)思路相比,該算法采用了自下而上的設(shè)計(jì)方法。所以,首先應(yīng)著重構(gòu)造魚群自治體的模型,具體模型描述如下:(1)覓食行為:平時(shí)我們會看到魚在水中游來游去,這一般可視為一種隨機(jī)移動。當(dāng)魚群發(fā)現(xiàn)食物時(shí),會向著食物逐漸增多的方向快速游去。(2)聚群行為:魚在游動過程中為了保證群體的生存和躲避危害而形成了一種生活習(xí)性——會自然地聚集成群。在這個(gè)群體中,每條魚都需要遵循一些局部相互作用的規(guī)則:①分隔規(guī)則:盡量避免與臨近伙伴過于擁擠;②內(nèi)聚規(guī)則:盡量朝臨近伙伴的中心移動;③對準(zhǔn)規(guī)則:盡量與臨近伙伴的平均方向一致。(3)追尾行為:在魚群的游動過程中,當(dāng)其中一條或幾條食物時(shí),其臨近的伙伴會尾隨其后快速到達(dá)食物點(diǎn)。(4)約束行為:在尋優(yōu)過程中,由于群聚行為、隨機(jī)行為等操作的作用,容易使人工魚的狀態(tài)變得不可行,此時(shí)就需要加入相應(yīng)的約束對其進(jìn)行歸整化,使它們由無效狀態(tài)或不可行狀態(tài)轉(zhuǎn)變?yōu)榭尚械摹?5)公告板:公告板用來記錄最優(yōu)人工魚的狀態(tài)。各人工魚在尋優(yōu)過程中,每次行動完畢就比較自身狀態(tài)與公告板的狀態(tài),若自身狀態(tài)優(yōu)于公告板狀態(tài),就將公告板狀態(tài)改寫為自身狀態(tài),這樣公告板記錄下的