一种基于多目标优化的QoS路由交互式算法

合集下载

一种多约束QoS多播路由快速优化算法

一种多约束QoS多播路由快速优化算法
王旅;胡劲松;彭宏;李君
【期刊名称】《计算机工程与应用》
【年(卷),期】2006(042)019
【摘要】多路广播技术可以使多种网络资源得到接近最佳的使用率,提供满足QoS 需求的多播服务的关键是如何建立满足多个QoS约束的最小代价树,多约束QoS 多播路由选择问题是NP完全问题.论文提出的极值元素算法(EEA)能够快速解决全局优化问题,极值元素算法选择亲本的原则是:该亲本为极值点,与极值点的适应度无关.描述了多约束QoS多播路由问题的网络模型,给出了极值元素算法的原理,并将该算法应用于求解多约束QoS的多播路由选择问题.
【总页数】4页(P123-125,188)
【作者】王旅;胡劲松;彭宏;李君
【作者单位】湛江市电视大学计算机教研室,广东,湛江,524003;华南理工大学计算机科学与工程学院,广州,510640;华南理工大学计算机科学与工程学院,广
州,510640;湛江师范学院数学与计算科学学院,广东,湛江,524048
【正文语种】中文
【中图分类】TP31
【相关文献】
1.一种多约束QoS多播路由算法 [J], 孔令山;丁炜
2.一种基于遗传算法的多约束QoS多播路由优化算法 [J], 孙宝林;李腊元
3.多约束QoS多播路由选择优化算法研究 [J], 李元臣;刘维群;薛雷
4.基于Tabu搜索的QoS多播路由快速优化算法 [J], 高茜;罗军舟
5.基于遗传算法的多约束QoS多播路由优化算法 [J], 孙宝林;李腊元
因版权原因，仅展示原文概要，查看原文内容请购买。

开题报告1

[15]Neumann D,Christ of Weinhardt J S.Bridging the Adoption Gap Developing a Roadmap for Trading inGrids[J].Electronic Markets,2008,18(1):65-74.
[16]Nimis J,Anandasivam A,Borissov N,et al.SORMA-Business Cases for an Open Grid Market:Conceptand Implementation[C]//Proceeding of the 5th international workshop on Grid Economics andBussiness Models(GECON’08).2008:173-184.
提到了关于多QoS任务调度算法的研究包括了文献[13]中作者先将资源分成不同的层次，然后运用多种使资源利用率提高的策略，将这些不同层次的资源混合在一起进行任务分配；系统的整体运行效率在经过此算法后能够被大幅度提升。文献[14]中作者在QoS参数被满足的情景下，依照任务在资源上最早完成执行的方法，把各个相应的资源进行任务调度。在文献[15]中作者将SLA-aware的思想加入到AssessGrid和HPC4U中，通过对容错技术的支持和对运行时间管理资源的估计来使QoS的目的被达到。而在文献[16]中作者合理使用了拍卖机制，在用户出价更高的情况下给用户提供更多的资源来使用户对所需的服务更满意。在文献[17]中作者以成本花费为基础提出了一种算法。此算法对用户和服务提供商的一些需求做了充分的思考，不仅使资源在云计算系统中变得更容易管理，而且也使系统的整体运行效率得到了提高。但是此算法的缺陷在于没有解决减少成本这一问题，同时价钱和资源的调节也没有灵活性。在文献[18]中作者不仅分类了QoS的层次结构，而且还在调度资源的过程中使用了映射和变换参数的方法。

无线Mesh网络中的多约束QoS路由算法

ＡｂｔａｔＷｉｌｓＭｅｈＮｅｗ￣ｓＷＭＮ）ｒｃｅｓｇｙｕｅｏａｔａｓｏｔｆｌｍｅｉｄｔ．Ｒａ－ｉｐｌａｉｎａｅｓｒｃ：ｒｅｓｓｔｏ（ｅａｅｎｒａｉｌｓｄｆｒｒｌｉｔｎｐｒｏｔｄａａｉｎｅｍｅｒｍｕｉａｅｌｔａｐｉｔｓｖｍｅｃｏｈｈｇｑｉｍｅｔｏａｄｄｈｅａ，ｉｅｔ，ｈｃｅｕｒｓＭＮｕｐｒＱＳｉｈｒｕｒｎｓｎｂｗｉｔ，ｄｌｙｊｔｒｃｗｉｈｒｑｉｅｅｎｔｅｅＷｔｓｐｏｏ．ＱｏｕｉｇｉｃｉｒｖｄｎｏｕｒＯｔＳｒｔｓｍｃａｉｐｏｉｇＱＳｇａ－ｏｎｌｎｉ
丁璐，刘峰，琼洁林
（南京邮电大学图像处理与图像通信江苏省重点实验室，江苏南京２００）１０３
摘要：线Ｍｓ无ｅｈ网络中多媒体数据的实时传输应用日益广泛，些应用对网络的带宽、这时延和抖动有着较高要求，要需
（ｍａｅＰｏｅｓｇａｄＩｇｏＩｇｒｃｓｉｎｎｍａｅＣｍｍｕｉｔｎＬｂｒｔｒｆｉｇｕＰｏｉｃ，ｎｃｉａｏａｙｏａｓｒｖｅａｏｏＪｎｎ
ＮｎｉｎｖｆｏｔａｄＴｌｃｍｍｎａｉｓＮｎｉ１０３ＣｉａａｊｇＵｉ．ｏｓｎｅｏｕｉｔｎ，ａｊｇ２００，ｈｎ）ｎＰｓｅｃｏｎ
无线Ｍｓｅｈ网络提供一定的ＱＳ障机制。ＱＳ由是实现ＱＳｏ保ｏ路ｏ保障的关键环节。在路由协议ＡＤＯＶ的基础上，出了一提种具有多个ＱＳ数约束的路由算法（－ＯＶ，过改进路由选择函数及扩展路由维护机制，多媒体传输应用业务ｏ参ＭＱＡＤ）通为提供ＱＳ保障。在路由发现的过程中，ＱＡＤｏＭ－ＯＶ引入了一个归一化的路由选择函数，化了多约束路由算法中的Ｎ — 简Ｐｃｍｌｅｏｐｔ问题。在路由维护方面，出了一种路由预先修复机制，数据流传输过程中保障路径质量。仿真结果表明，ｅ提在ＭＱ

一种交互式的Ad Hoc网络Qos路由算法

摘
要：针对分簇结构的ＡｏｄＨｃ阿络以及一些特定业务对于多个目标同时性能的要求．本文选取带宽作为
约束条件，把时延和丢失率作为Ｑｓ优化目标．ｏ建立丁ＱｏＳ路由选择的多目标整数优化模型．并蛤出了求解模型的交互式算法．该算法能够根据决策者的偏好以及网络的实际情况压缩目标空间，快速地找到满意路由．实例计算
由选择将是Ｎ一Ｐ完全问题．
ＨＯＣ网Ｑ０ｓ路由算法．次交互时，策者根据偏每决好对当前的有效解提出修正意向，法则根据这些算意向确定下次计算的目标空间．中给出了ＡｄＨｃ文ｏ网的抽象网络模型日，并选取带宽作为约束条件．把
结果表明了算法的可行性．
关
键
词：ＡｄＨｃｏ阿络；ｓ路由算法；目标整数优化；Ｑ０多交互式算法
文献标识码：Ａ
中图分类号ＴＮ９０１５
本文提出了一种基于多目标优化的交互式Ａｄ
Ｏ引言
将Ａｃ网络抽象成一个加权无向图ｄＨｏ
基于多个约束的多目标最优化模型可以更准确地反映军事系统中的Ｑ。ｓ路由选择问题，在多目但标优化问题中，多数情况下是难以找到同时使得多个目标达到最优值的解．策者有时也很难事先给决出合乎实际的Ｑｏｓ要求＋因此Ａｃ网的路由算ｄＨｏ法应能够根据决策者的偏好以及当前网络的实际情况来求得满意的路径．

基于QoS多目标优化的组合服务执行路径的选择

基于QoS多目标优化的组合服务执行路径的选择李滢;童维勤;亢朝峰;支小莉【摘要】In this paper,after discussing the limitations of heuristic algorithm using for composite service execution path optimization,an optimization algorithm of Ant Colony System based on Ant Colony Algorithm is proposed.The algorithm regards the optimization problem as the shortest path solving problem of ant foraging from nest to food.In order to overcome the lack of Ant Colony System only using to solved sequential organization path,a concept of virtual abstract service was put forward innovatively to shield the different path structures,then local and global updating rules had been redesigned and the constrained QoS parameters were also into the definition of parameter.Finally,through simulation and comparing with basic Ant Colony Algorithm experimental verified the usability and superiority of the algorithm.%针对目前启发式算法求解组合服务执行路径中存在的不足,将组合服务执行路径上节点服务的QoS多目标优化问题转化为蚂蚁从巢穴到食物之间的最短路径选择问题,提出基于改进的蚁群算法——蚁群系统作为优化工具,并提出了用于屏蔽执行路径结构的虚拟抽象服务的概念,设计了算法中的局部与全局更新规则,将多目标优化的QoS约束参数融入dij参数的定义中,最后通过仿真实验验证了算法的可行性与优越性.【期刊名称】《南京师大学报（自然科学版）》【年(卷),期】2012(035)003【总页数】9页(P125-133)【关键词】QoS;多目标优化;Pareto解集;蚁群系统;虚拟抽象服务【作者】李滢;童维勤;亢朝峰;支小莉【作者单位】上海大学计算机科学与技术学院,上海200072;南京晓庄学院数学与信息技术学院,江苏南京211171;上海大学计算机科学与技术学院,上海200072;中兴通讯,江苏南京200012;上海大学计算机科学与技术学院,上海200072【正文语种】中文【中图分类】TP311组合服务执行路径是由可执行具体服务按照一定的功能次序以及满足约定的服务QoS约束链接起来的，因此组合服务的执行路径直接决定了服务组合的可用性，对于服务组合的整体评价的意义重大.已有报道，服务模板的构建已经完成了组合服务执行路径的功能次序的组织［1］，因此本文重点考虑组合服务执行路径中涉及到的具体服务在满足约定的QoS基础上的优化问题.Web服务的多个QoS优化目标之间通常是相互制约、相互矛盾的，是一个典型的多目标优化问题.基于服务QoS的组合服务执行路径的多目标优化，实际上就是基于某个服务模板在众多功能相同、服务质量不同的具体服务中选出满足服务QoS约束的最优组合.当前较流行的组合服务执行路径的多目标优化算法主要是采用启发式算法［2-5，8］，如遗传算法、粒子群优化算法、蚁群算法等.遗传算法存在收敛较慢且最优解质量不高的问题;粒子群优化算法在实际应用中的可靠性还有待提高;蚁群算法的产生背景决定了它适合于求解离散空间中的组合优化问题［13］.最近，基于蚁群算法对服务组合进行的研究是一个研究热点，我们以前的研究采用了改进后的蚁群系统算法，但在路径dij的设计上显示并没有实现多目标优化.Peng等［5］采用了蚁周系统模型，它是基本蚁群算法的3种常用模型中的1种，因此决定了该算法不可避免地存在不易收敛的缺点、找寻最优解成功率低的问题.此外，一些研究和本文的研究目标一致，但仅仅重点考虑了服务的选择优化问题，而没有兼顾到服务的执行路径［10，11，13］.因此本文采用改进的基本蚁群算法，即蚁群系统(Ant Colony System)，来实现组合服务执行路径的多目标优化，即MOACS算法. MOACS算法基本思路是:首先构建组合服务路径选择问题的数学模型;其次提出了虚拟抽象服务的概念，淡化了路径结构带来的影响，满足了蚁群系统算法自身的应用特点;接着定义了算法实现的相关规则与关键参数;最后根据设计的实验数据表执行算法并获取Pareto最优解集，即组合服务的执行路径的Pareto解.如图1所示，在Web服务组合中，一个完整的Web组合服务是由多个Web抽象服务(WSi)组成，每个Web抽象服务又对应多个具体服务(wsij)．这些具体服务来自于不同的提供者，它们具有相同的调用接口和功能，但具有不同QoS值.因此基于QoS角度，每个组合服务模板(WT)又包含多个执行路径，如何找到具有最佳QoS组合的执行路径WEi是本文研究的重点．首先，作如下定义:定义1抽象服务(WS)，是对一组功能相同、接口相似的具体服务的抽象，可以用一个三元组WSi=(Name，Input，Output)表示，其中Name是服务功能描述的描述，Input是抽象服务的输入参数集合，Output是抽象服务的输出参数集合．定义2具体服务(ws)，是指可以通过UDDI发现、并获得的可执行服务．具体服务可以用一个四元组wsi=(Name，Input，Output，QoS)来表示，其中Name 是具体服务功能描述的描述，Input是具体服务的输入参数集合，Output是具体服务的输出参数集合，QoS是具体服务的服务质量.服务的QoS属性包括服务执行时间和成本、精度、安全、授权、认证、(事务的)完整性、可靠性、可伸缩性和可用性等.本文选取服务执行时间、执行费用、信誉等级和可靠性4个指标作为QoS选择的依据，用四元组QoS=(T，C，RP，RL)来表示，其中T是服务执行时间(Time)，C是服务执行费用(Cost)，RP是服务的信誉等级(Reputation)，RL是服务的可靠性(Reliability)．定义3组合服务模板(WP)，是为了满足用户的某个功能需求，按照顺序选取的一组抽象服务组合，表示为WP={WS1，WS2，…，WSm}，其中m为服务模板中包含的抽象服务数目．执行路径是针对服务模板中的每个抽象服务分别选择出对应的具体服务，这些具体服务组成一条执行路径，表示为WC={ws1，ws2，…，wsm}，其中m为执行路径中具体服务的数目．对于WC中的服务wsi归属于WP中的抽象服务WSi，即wsi∈WSi，则称WC是WT的一条执行路径，表示为WC∈WP．定义4组合服务的QoS是指完成某个服务模板的服务质量［7］，它跟该组合方案中执行路径上的具体服务的QoS有着密切的关系，表示为组合服务执行路径的结构指的就是节点服务之间的结构关系，主要有4种结构:顺序结构、并行结构、选择结构、循环结构．对应这4种不同的结构，组合服务的QoS计算方法如表1 所示．定义5前向关系，指某个组合模板WP={WS1，WS2，…，WSm}中抽象服务WSi将要调用的抽象服务为WSj，则称抽象服务WSj为抽象服务WSi的前向服务，表示为WSi→WSj．组合模板中的抽象服务的前向关系集合组成组合方案的前向关系矩阵，表示为:R(WP)={rij}，其中:定义6虚拟抽象服务是指由几个有前向关系的抽象服务组合成一个新的抽象服务，记为WS=(Name，Input，Output)，其中Name是可以取服务名称的并集，Input、Output是跟虚抽象服务中的抽象服务相关．提出虚抽象服务的概念，主要将不同控制结构的服务组合问题转化为基于递归的顺序结构服务组合问题，使优化问题更加适用于MOACS算法求解．如图2所示，经过转换后，变为顺序结构的组合模型，在转换后的模型中，WSI和WS具有相同的属性，因此可以将虚抽象服务直接看作抽象服务．如果没有特别指明，本文后续部分的抽象服务包括虚抽象服务．在定义4中，某一执行路径中多个节组成服务的QoS优化目标之间通常是相互制约的，它的最优解不是一个确定的解，而是一组均衡解，这组解被称为Pareto最优解集.如何在最优解集中求出一组Pareto最优解供决策者选择是本文的研究目标．定义7根据多目标问题定义，基于QoS的多目标Web服务组合问题的数学模型可以定义为:where WE=(WE1，WE2，…，WEnm)∈D．其中WE组成m*n维决策(解)空间，f(WE)为目标函数，y组成2维目标空间，式(3)、(4)为约束条件，D为解空间名称．定义8 Pareto支配关系，对于决策变量u、v满足:则称f(u)支配f(v)，记为f(u)≻f(v)．定义9 Pareto最优解，对于决策变量x∈D，若不存在x*∈D，使得x*≺x，则称x是D上的Pareto最优解．定义10 Pareto最优解集(非劣解集)，非劣解集P是由解空间D中没有被其他解支配的解构成的集合，即P={x∈D|¬∃x*∈D，x*≺x}．基于QoS的多目标服务组合问题，就是针对服务组合模板WP={WS1，WS2，…，WSm}，如何在服务执行路径WC={ws1，ws2，…，wsm}中找出满足定义9的Pareto最优解集.求解Pareto最优解集的算法有很多，本文采用精英保留机制中的外部存储器思想．设置一个外部存储器保存每一代群体中的优良个体，即非支配解，并在算法运行结束后，将外部存储器中的解作为对问题最优解集的近似．蚁群算法本身所具有的特性，使得该算法具有很强的发现较好解的能力．但是基本蚁群算法也存在容易出现停滞现象、收敛缓慢等不足．为了克服这些缺陷、提高算法性能，本文采用蚁群系统作为求解工具．蚁群系统(Ant Colony System，ACS)是由Dorigo和Gambardella在1996年提出的［9］，它在蚂蚁系统的基础上主要做了3个方面的改进［6］:1)合理利用关于问题的先验知识．其状态转移规则为更合理地利用新路径和利用关于问题的先验知识提供了方法．与蚂蚁系统不同，蚁群系统没有采用仅仅依赖于概率进行路径选取的随机比例规则，而是使用了基于不同决策规则的伪随机比例规则，因此可以同时实现合理利用问题的先验知识以及有倾向性的路径探索．2)提高了算法的搜索效率．改变全局更新规则对系统中所有蚂蚁都更新的方法，每次循环后只对最优蚂蚁所走的路径进行信息素的增强，其他路径由于挥发机制信息素逐渐减少，这就增大了最优路径和最差路径在信息素上的差异，从而使得搜索行为能够很快地集中到最优路径附近，从而提高了算法的搜索效率．3)求解过程中应用局部信息素更新规则．蚁群系统的信息素更新规则与以往只在每次循环后对所有路径进行一次全局更新不同，它是在蚂蚁构造路径的同时就进行局部信息素的更新，然后在每次循环后再对路径进行一次全局更新．根据前面服务组合问题的定义，我们可以把起点抽象服务WS1看作是人工蚁群的巢穴，把终点抽象服务WSm看作为要寻找的食物，将具体服务wsij看作路径上的节点，则此服务组合问题就可以转化为人工蚁群从巢穴到食物间路径的寻优问题．定义一个类R_WS，用来表示服务前进表中的某个节点.iRelation表示前向关系，指针pR不为NULL表示，该节点的抽象服务为虚抽象服务，该指针指向虚服务包含的抽象服务.struct{int iRelation;R_WS*pR;}R_WS按照R(WP)={rij}生成的前向关系矩阵来生成服务前进表数组allowed.在该数组中，每个元素均用类R_WS表示.只有存在前向关系的抽象服务，路径才可达，iRelation记为1，否则记为0.通过递归完成allowed的构建.初始化禁忌表tabu ［］［］=allowed［］［］.在MOACS算法中，蚂蚁采用伪随机比例规则选择下一个节点，即t时刻位于具体服务wsi的第k只蚂蚁将以概率q0转移到具体服务wsj，其中服务wsj使(τij(t)α*ηβij)最大，这是根据先验知识选择最好的．否则蚂蚁将以概率(1-q0)、按照式(9)选择下一个具体服务．这意味着转移概率按照概率选择移动的目标节点服务，增强了搜索的多样性，以避免算法过早陷入搜索停滞．其中τij(t)表示t时刻具体服务wsi和具体服务wsj间的信息素，ηij(t)表示具体服务wsi和具体服务wsj间的能见度，α是信息素因子，β是启发式因子，q是在［0，1］均匀分布的随机数，q0是一个参数(0≤q0≤1)，它的大小决定了利用先验知识与探索新路径之间的相对重要性．信息素的局部更新规则是指在寻找一个最优组合服务路径过程中，在所有的蚂蚁都完成一次转移后进行，使用下式对信息素更新:其中，ρ为信息挥发系数，0＜ρ＜1．局部更新规则的应用使得相应的信息素轨迹量逐渐减少，可以有效地避免算法过早地收敛于同一路径．上式中信息素初始值定义为:上式中n是具体服务的个数，Lnn是由最近的邻域启发产生的一个路径长度，dij 的计算方法可由下式获得:上式中，i、j代表2 个抽象服务中的具体服务编号，RP表示信誉等级的最小值，RL表示可靠性等级的最小值．在MOACS中，全局更新不再用于所有的蚂蚁，而只是对每次循环中最优的蚂蚁使用．信息素更新规则可以用下式来表示:其中Δ(t)=，Lgb是从寻找活动开始到当前为止全局最优路径长度．在上式中规定只有那些属于全局最优路径边上的信息素才会得到增强．式中Lgb可用以下公式求得:建立外部存储器P，用来存储最优解，设置解集大小为M．被初始化为空集，当一只蚂蚁找到一条执行路径wpi后，将wpi放入外部存储器P中．如果P中最优解数目小于M，直接将wpi最为Pareto最优解放入P;如果P中最优解数目大于、等于M，如果存在wpj∈P，使得wpi≺wpj，则将P中wpj删除，将wpi加入Pareto最优解P中，否则丢弃wpi．算法实现的具体步骤:Begin初始化外部存储器P←Ø;设置ACS相关参数:α、β、q0、ρ、Na(蚂蚁数目)、NSmax(最大循环次数)，NS←0;生成算法关键数据:allowed、τij(t)、ηij(t);while(NS＜NSmax)do将Na只蚂蚁随机地放置于起始服务上;初始化信息素初值τij(0)、Δτij(t);for k=1 to m do//蚂蚁k←k+1开始寻找路径获取禁忌表;while(一条服务路径未寻找完成)do根据状态转移规则选定下一个具体服务;移动到下一个服务节点;信息素局部更新;End whileCall calculate Sum Of Distance()计算本次服务执行的QoS，并保存到Lk，k={1，2，3，…，m};清空禁忌表;End for获取最佳路径wpi:Lgb=min Lk;信息素全局更新;If(P＜P_MAX)do将本次最优执行路径wpi放入外部存储器P中;ElseWhile(wpj∈P)doIf(wpi≺wpj)do将P中wpj删除;将wpi加入Pareto最优解P中;End ifEnd whileEnd ifEnd whileEnd.为了验证算法的有效性，我们进行了仿真实验．实验环境为:主机配置Pentium(R)*************************.59GHz，2 G内存，操作系统为Windows XP，算法采用VC++语言，使用MicrosoftVisual C++2008 Express Edition开发.鉴于目前没有相关的标准平台和标准测试数据集，实验数据(服务组合的任务数、Web服务及其QoS属性)均采用模拟的方式生成．1)服务组合的仿真模型构造图3中每个方框表示1个抽象服务，每个抽象服务包含10个具体服务，方框中的数字即为具体服务的ID．该模型由10个抽象服务{SW1，SW2，…，SW10}组成，服务模型中包含顺序结构:SW2→SW3、S W4→SW5、SW6→SW8;选择结构:SW1→SW2、SW4、SW6;并行结构:SW7、SW9．循环结构在实际的服务组合中应用比较少，本模型没有包含．在该模型中起始服务为SW1，包含10个具体服务，服务ID为0～9．结束服务为SW10，也包含10个具体服务．通过MOACS算法，要找到从SW1到SW10中的以具体服务为节点的执行路径的Pareto最优解集．2)生成仿真数据采用下面算法随机生成100个具体服务的QoS参数:for(int i=0;i＜100;i++){wsQos［i］［0］=random(1000);wsQos［i］［1］=random(200);wsQos［i］［2］=random(10);wsQos［i］［3］=random(50);}其中wsQos［100］［4］为存储具体服务QoS的数组，执行时间是0～1 000的一个随机整数，执行费用是0～200的一个随机整数，信誉等级是0～10的一个随机整数，可靠性是0～50的一个随机整数.表2 列出了随机算法生成的前2个抽象服务(ID为0～19)的具体服务的QoS.3)MOACS算法主要参数设置参见表3.4)仿真结果通过采用前面的服务组合模型及相关参数设置，运行MOACS算法，结果如图4所示.通过实验仿真，最终找到了Pareto最优解集，从单个目标准则来看，这些QoS 解有可能不是最优的，但同时从服务执行时间、执行费用、信誉等级、可靠性4个维度来看，这些解是非劣的，而且解的分布是均匀的，算法是有效可行的.用户可以根据实际的需要选择最合适的Pareto解，其他没有被选用的Pareto解可以作为备选路径，在组合服务流程执行过程发生意外时启用.MOACA是以基本蚁群算法为工具的多目标优化算法，本文用MOACA作为比较对象，得出如图6的仿真结果.由算法所得的Pareto分布图可以看出，和MOACA算法相比，本文算法所得结果能够很好地逼近Pareto前沿，而且得到的解分布更加均匀.并且和MOACA算法来求解多目标QoS服务组合问题所得的结果相比，在分布区间上可以获得相对较多的解.在求解过程中，由于使用外部存储器存储Pareto最优解和全局更新规则对系统中所有蚂蚁都更新的方法，在迭代较少次数的情况下就能够得到理想解，搜索盲目性减少，效率明显提高.同时克服了MOACA基本蚁群算法存在的容易出现停滞现象、收敛缓慢的不足.本文设计并实现了用于组合服务执行路径多目标优化的MOACS算法，克服了基本蚁群算法搜索效率低的不足，通过改进设定局部与全局更新规则，提高了Patreto解的质量.该算法有以下特点:1)提出了一种新的生成Pareto非支配集的方法，该方法由于采用了相对较优的解组成，提高了算法的收敛速度.2)相比传统的MOACA算法，采用了多目标蚁群系统算法(MOACS)来求解多目标的有效解，与蚂蚁系统相比，蚁群系统在处理优化问题上有了很大的改进，它能更好地避免优化算法出现过早停滞的现象.3)在MOACS算法中，提出了前向关系矩阵来表示服务间的选择方向:优化了转移概率、局部更新规则、全局更新规则的算法.4)针对服务组合中，存在的不同控制结构的问题，本文提出了虚抽象服务的概念，将不同控制结构的服务组合转化为基于递归的顺序结构服务组合问题.在MOACS 算法中，采用二维链来表示这种关系.本文下一步的研究工作主要基于2个方面:1)在参数选择对优化结果的影响及结果是否分配均匀、逼近Pareto前沿方面进行进一步的论证;2)将服务QoS的动态性参数融入到算法中来，实现实时优化.【相关文献】［1］Li Y，Hu Y，TongW Q，et al.The service template composition method based on separation of concerns［C］//Proc of the 2010 IEEE International Conference on Progress in Informatics and Computing.Shanghai，2010:1 057-1 059.［2］Zitzler E，Laumanns M，Thiele L.SPEA2:Improving the strength Pareto evolutionary algorithm［C］//Giannakoglou K，Tsahalis D T，Périaux J，et al.Evolutionary Methods for Design，Optimization and Control with Applications to IndustrialProblems.Berlin:Springer-Verlag，2002:95-100.［3］Coello C A，Pulido G T，Lechuga M S.Handingmultiple objectiveswith particle swarm optimization［J］.IEEE Transaction on Evolutionary Computations，2004，8(3):256-279.［4］Wang Y，Dai G P，Hou Y R.Dynamicmethods of Trust-Aware composite service selection［J］.Chinese Journal of Computers，2009，32(8):1 668-1 675.［5］Peng X M，He Y X，Zhu B J.Application of Ant Colony Algorithm in Web services composition［J］.Computing Engineering，2009，35(10):182-188.［6］Li SY.Ant Colony AlgorithmsWith Applications［M］.Harbin:Harbin Institute of Technology Press，2004.［7］Nahrstedt K，Wichadakul D，Xu D.Distributed QoS compilation and runtime instantiation［C］//Proceedings of the 8th IEEE/IFIP InternationalWorkshop on Quality of Service.Pittsburgh，2000:198-207.［8］Martin M，Chopard B，Albuquerque P.Formation of an ant cemetery:Swarm intelligence of statistical accident［J］.Future Generation Computer Systems，2002，18:893-901.［9］Duan H B.Ant Colony Algorithms:Theory and Applications［M］.Beijing:Science Press，2005.［10］Zeng L Z，Benatallah B.QoS-awaremiddleware forWeb services composition ［J］.IEEE Transactions on Software Engineering，2004，30(5):311-327.［11］Liu S L，Liu Y X，Zhang F，et al.A dynamic Web services selection algorithm with QoS global optimal in Web services composition［J］.Journal of Software，2007，18(3):646-656.［12］刘波，杨路明，雷刚跃.融合粒子群与蚁群算法优化XML群体智能搜索［J］.计算机研究与发展，2008，45(8):1 371-1 378.［13］Dai Y，Yang L，Zhang B，etal.QoS for compositeWeb services and optimizing ［J］.Chinese Journal of Computers，2006，29(7):1 167-1 178.。

基于多约束QoS路由算法综述

源的有效利用，成为当前互联网的一个重要任务。对该问题的解决方法称为多约束最优路径（ＣＰ问题。Ｏ便ＭＯ）ＭＣＰ问题
是一个ＮＣ问题，Ｐ求解ＭＯＣＰ问题的算法可分为精确、近似和启发式等算法。文章通过对目前所出现的算法按照精确算
法和近似算法两大类进行分析，析目前出现的算法的一些优缺点，根据网路技术的发展趋势，现行多约束路由算法分并对在以后如何实现更加快速精确的路径计算提出几点展望。
关键词：束路由；ｏ由；算法；算法多约ＱＳ路精确近似
ＨＡ，ＹｎＮＨｅＱｏｇ
（．ｅｔｆｏｐｔｒｎｏｎｉｅｉｇＢｎｓｎｖｒｔｏＳｉｎｅ＆ＴｃｎｌｙＺｅｊｎ１０３Ｃｉａ１Ｄｐ．ｏＣｍｕｅ＆Ｉｆ．Ｅｇｎｒ，ａｇｕＵｉｅｓｙｆｃｃｅｎｉｅｅｈｏｏ，ｈｎｉｇ２２０，ｈｎ；ｇａ２ＣｎｅｆＩｆｒｔｎ＆Ｎｔｏｋ，ｕｎｄｎｎｖｒｉｆｅｏｈｍｉａＴｃｎｌｇ，ｏｎ２００Ｃｉａ．ｅｔｏｏｍａｏｒｎｉｅｗｒｓＧａｇｏｇＵｉｅｔｏｔｃｅｃｌｅｈｏｏｙＭａｍｉ５５０，ｈｎ）ｓｙＰｒｇ
搜索时间也是一个可以接受的方法。文中对精确算法
和近似算法的研究现状做一下总结，并提出几点展望。
１问题定义
将网络描述成一个图Ｇ，这个图Ｇ中，在网络节点或路由就是图上点。网络节点或路由间的连接就是图

基于遗传算法的多目标QoS多播路由算法

０引言
随着计算机网络的高速发展，通信网更多地应用在视频会议、频点播、型网络游戏和分布视大式计算等领域，这些通信模式具有点到多点的特点，为多播通信。称多播通信是计算机网络中多主
机之间一种有效的通信方式，它将信息由一个源
Ａｓｒｃ：ｈｓｐｐｒｒｇｒａｄａｎｗａｇｒｈｈｃｐｏｅｒｈｏ－ａｅｌｃｓｂｔａｔＴｉａｅｉｓｆｗｒｅｌｉｍｗｉｉｒｖｄｆｅＱＳｂｓｄＭｕｔａｔｂｎｏｏｔｈｍｏｔｉ
ＲｏｉｇＭｏｅ．Ｔｈｅａｇｒｔｍｄｐｔｔｅｉｔｇａｅａｎｃｄｎｎｅｏｉｇｏｈｅｐｔｕｔｄ１ｎｌｏｈａｏｓｈｎｅｒｌｓｒｌｉｏｉｇａｄｄｃｄｎｆｔａｈ．Ｉｉｉｔｕｅｅｔｉｄｖｄｕｌｒｓｒｉｇａｄｆｔｓｏｏｏｌｍｅｈｄｏｓｅｄｏｖｒｅｃｎｄｂｉｄｓｓｂｓｎｉｉａｅｅｖｎｎｎｅｓｐｒｐ￣ｉｎａｔｏｓｔｐｅｃｎｅｇｎｅａｕｌｓｉｔｅｆｔｓｕｃｉｎｏｈｄａｏｎｏｇｔｔｅＰａｅｏｓｌｉｎｔａｏｓｄａａｅｒｓｏｅｎｄｈｎｅｓｆｎｔｎｔｅｉｅｌｐｉｔｔｅｈｒｔｏｕｔ．Ｉｄｐｔｕｌｌｙｒｃｏｓｖｒａｉｏｏｍｕａｉｎｏｅａｏｏｍａｅｐｏｕａｉｎｖｒｅｔｔｏｐｒｔｒｔｋｐｌｔｏａｄ．Ｔｈｉａｉｎｒｓｌｓｓｏｔｅａｇｒｔｍｓｈｉｈｉｅｓｍｕｌｔｏｅｕｔｈｗｈｌｏｈｉｇｉｒｌａｌｔ．Ｉａｓｄｔｎｈｏｕｉｎｆｒａｌｒｅｓａｅｎｅｗｏｋｅｉｂｉｉｙｔｃｎｂｅｕｅｏｆｄｔｅｓｌｔｏｏａｇｃｌｔｒ．ｉ

基于QoS的多目标服务组合算法

ａｌｏｉｇｒｔｓｐｏｄｘｐｒｍｅｓｍｈｉｒｖｅｂｙｅｅｉｎｔ．

Ｋｅｏｄ：ｓｒｉｏｏｉｏ；ｍｌ—ｂｅｔｅｐｉｚｔｎｓａｌｔｌｅｃ；ｐｒｔｔｌｒｎｒｎｙｗｒｓｅｖｃｃｍｐｓｉｎｕｔｏｊｃｖｔａｏ；ｗｒｌｎｅｉｎｅａｅｏｉ；ａｋｓｔｇｅｔｉｉｏｍｉｉＴｉｌｇｏｐｍａｏｉ
摘要：务组合优化问题是当前服务计算领域的研究热点之一。针对现有优化技术将多个约束条件转化为单一优化目标服
难以处理多目标问题的不足，出了一种基于多目标优化的粒子群算法，将多约束服务组合选取问题转化成为一种带约束提的多目标优化问题，利用粒子群算法的智能优化原理，通过同时优化多个服务质量参数，生一组最优非劣解集。实验结果产表明了算法在处理多目标优化问题的有效性。
模型，然后从备选的服务中选择符合功能需求的服务并形成
关键词：务组合；多目标优化；群体智能；非劣最优解；等级排序服中图法分类号：Ｐ１Ｔ３１文献标识码：Ａ文章编号：００７２２１）４１２ —４１０ —０４（０１０３２０
Ｍｕｔｏｊｃｉｅｓｒｉｅｃｍｐｓｉｎａｇｒｈｂｓｄｏｕｌｙｏｒｉｅｌ—ｂｔｖｃｏｏｉｏｌｏｉｍａｅｎｑａｉｆｅｖｃｉｅｖｅｔｔｔｓ

利用非精确参数的移动互联网业务感知多目标优化QoS路由算法

中图分类号：ＴＮ９１５文献标志码：Ａ文章编号：０２５３－９８７Ｘ（２０１４）０２ — ００８６ — ０７
ＡＭｕｌｔｉｐｌｅ－ＯｂｊｅｃｔｉｖｅＯｐｔｉｍｉｚａｔｉｏｎＡｌｇｏｒｉｔｈｍｆｏｒＱｏＳＲ网ＱｏＳ优化中存在的测量不精确的问题，提出了异构融合移动互联网面向多
种业务非精确参数的Ｑｏｓ路由算法。多目标优化模型是本文算法的基本模型，在业务感知的条件
下实现约束的输入，在多量纲的基础上尽可能实现多目标的优化并利用覆盖网路由来保障ＱｏＳ。为解决数据不精确的问题，结合概率方法和隶属度对多次采样ＱｏＳ数据进行模糊处理，并构建方
Ｍｏｂｉｌｅ－ＩｎｔｅｒｎｅｔＵｓｉｎｇＳｅｒｖｉｃｅ — ＡｗａｒｅＭｏｄｅｌｗｉｔｈＩｎａｃｃｕｒａｔｅＰａｒａｍｅｔｅｒｓ
ＤＡＩＨｕｉｊｕｎ，ＱｕＨｕａ，ＺＨＡＯＪｉｈｏｎｇ＇
利用非精确参数的移动互联网业务感知多目标优化ＱｏＳ路由算法
戴慧瑁，曲桦，赵季红
（１．西安交通大学电子与信息工程学院，７１００４９，西安；２．西安邮电大学通信工程系，７１００６１，西安）

一种多目标优化的对等网络流媒体系统数据调度算法[发明专利]

专利名称：一种多目标优化的对等网络流媒体系统数据调度算法
专利类型：发明专利
发明人：刘平山,范雅晴,熊肖一,黄桂敏
申请号：CN201811137665.1
申请日：20180928
公开号：CN109408211A
公开日：
20190301
专利内容由知识产权出版社提供
摘要：本发明公开了一种多目标优化的对等网络流媒体系统数据调度算法，该算法包括：一个多目标优化数学模型和多目标粒子群数据调度算法两部分；首先，本发明构造一个包括优化视频播放质量和网络吞吐量两个优化目标的数学模型；然后，根据该多目标优化数学模型的优化目标，设计一个多目标粒子群数据调度算法，确定接收节点滑动窗口内每个视频片段应选择的最佳发送节点，据此完成流媒体播放系统中的数据调度。

通过本发明，能同时有效地提高对等网络流媒体播放系统中的视频播放质量和网络吞吐量，并且更好地实现了发送节点的负载均衡。

申请人：桂林电子科技大学
地址：541004 广西壮族自治区桂林市七星区金鸡路1号
国籍：CN
代理机构：桂林市华杰专利商标事务所有限责任公司
代理人：杨雪梅
更多信息请下载全文后查看。

基于QoS驱动的多目标优化用户动态关联研究

㊀第54卷第2期郑州大学学报(理学版)Vol.54No.2㊀2022年3月J.Zhengzhou Univ.(Nat.Sci.Ed.)Mar.2022收稿日期:2021-05-14基金项目:国家自然科学青年基金项目(61702307,61902222);山东省泰山学者基金项目(tsqn201909109)㊂第一作者:牟洁茹(1997 ),女,硕士研究生,主要从事系统优化㊁大数据分析与处理研究,E-mail:857414518@㊂通信作者:何华(1982 ),女,副教授,主要从事Petri 网理论㊁大数据处理㊁云计算研究,E-mail:huahe@㊂基于QoS 驱动的多目标优化用户动态关联研究牟洁茹1,㊀何㊀华1,2,㊀刘㊀聪3,㊀李㊀琳1(1.山东理工大学数学与统计学院㊀山东淄博255000;2.中国石油大学(华东)计算机科学与技术学院㊀山东青岛266000;3.山东理工大学计算机科学与技术学院㊀山东淄博255000)摘要:为实现5G 通信网络自组织㊁自优化发展,提出一种混合控制多目标优化用户动态关联算法㊂在满足用户服务质量和基站成本效益的需求下,同时考虑吞吐量㊁能耗㊁基站效用等因素,基于QoS 需求实现用户和基站的动态关联,从而解决因用户动态变化带来的网络拥塞㊁资源浪费㊁负载增加等问题㊂并引入随机梯度下降算法优化传输功率,提高网络吞吐量与基站利用率㊂仿真结果表明,该算法在提高网络吞吐量和基站利用率的基础上能有效缓解基站负载不均衡现象㊂关键词:异构网络;动态关联;多目标优化;QoS中图分类号:TN929㊀㊀㊀㊀㊀文献标志码:A㊀㊀㊀㊀㊀文章编号:1671-6841(2022)02-0056-05DOI :10.13705/j.issn.1671-6841.2021177Research on Dynamic Association of Multi-objective OptimizationUsers Driven by QoSMU Jieru 1,HE Hua 1,2,LIU Cong 3,LI Lin 1(1.School of Mathematics and Statistics ,Shandong University of Technology ,Zibo 255000,China ;2.School of Computer Science and Technology ,China University of Petroleum ,Qingdao 266000,China ;3.School of Computer Science and Technology ,Shandong University of Technology ,Zibo 255000,China )Abstract :To realize the self-organization development of 5G cellular network,a user dynamic associationalgorithm of multi-objective optimization was proposed.Based on the QoS demand,it could achieve the dynamic association between the user and the base station,which considered factors such as throughput,energy consumption and base station utility.Stochastic gradient descent algorithm was introduced to opti-mize transmission power,and improve throughput and base station utilization.The simulation results showed that the algorithm could effectively alleviate the load imbalance of the base station on the basis of improving base station utilization and reducing energy consumption.Key words :heterogeneous network;dynamic association;multiple objective optimization;QoS0㊀引言用户关联算法是解决移动通信网络高能耗与用户服务质量不均衡的核心算法之一㊂传统的max-RSS 用户关联规则算法已不再适用于异构网络,且宏基站与微基站之间传输功率的差异性使得大多数用户更倾向与宏基站关联,从而导致微基站利用率较低[1-2]㊂因此,在解决基站能耗过高的同时,也要考虑基站间的负载均衡,并保证用户服务质量㊂文献[3]指出,基站负载和用户吞吐量之间的权衡严格依赖所选偏差值的大小㊂因此,为了使网络效用㊀第2期牟洁茹,等:基于QoS驱动的多目标优化用户动态关联研究最大化,必须对基站各因素权值仔细优化㊂文献[4]综合考虑了吞吐量㊁基站利用率等因素,对大规模MIMO蜂窝网络中用户关联的负载均衡问题进行了研究㊂文献[5]综合考虑了吞吐量㊁信道利用率等因素,对毫米微波无线网络中用户关联的负载均衡问题进行了研究㊂文献[6]考虑能耗㊁吞吐量等因素时,引入可再生能源后研究了大规模MIMO和毫米微波异构网络中的用户关联问题㊂另一方面,用户关联算法中的动态迁移是解决宏基站与微基站之间负载不均衡的有效方法之一㊂在实际应用过程中,需要着重考虑关联㊁重新关联以及何时重新关联等问题[7-8]㊂然而,在考虑用户关联问题时,需要同时考虑资源分配㊁计算开销㊁干扰控制等,这明显增加了用户关联的复杂性㊂文献[9]提出了通过预测终端位置实现用户切换的算法㊂文献[10]考虑候选小区的负载量和用户的移动速度,提出了一种切换自优化算法㊂文献[11-12]分别对异构网络的下行链路和上行链路进行了联合用户关联和功率控制研究㊂此外,文献[13]提出一种基于决策变量分组的多目标优化算法,用于解决含有大规模决策变量的多目标优化问题㊂基于上述研究,本文将讨论5G异构网络下一种基于QoS驱动的多目标优化用户动态关联算法,该算法同时考虑了用户吞吐量㊁基站效用㊁能耗等因素㊂同时,为了降低能耗,引入了随机梯度下降算法优化基站下行发射功率㊂1㊀基于QoS驱动的多目标优化用户动态关联算法基本原理1.1㊀系统模型本文重点研究一个两层混合异构网络,其中第一层由大规模多输入㊁多输出的宏基站组成,第二层由毫米波通信微基站组成,如图1所示[6]㊂其中: m0表示小区中的宏基站;mi(iʂ0)表示小区中的第i个微基站;n i代表小区中的第i个用户;P(k)0,1是用户n1在时隙k时从宏基站m0分配到的传输功率;r(k-1)0,1代表宏基站m0在时隙k时从n1用户反馈信道获得的上一时刻的信噪比㊂根据上述系统模型有以下假设:1)假设每个基站m i在每个时隙都有一个固定的功率预算W i,每个基站的发射功率P i满足P iɤWi㊂2)假设每个用户在同一时隙只能与一个基站图1㊀混合异构网络模型Figure1㊀Hybrid heterogeneous network model相关联㊂记时隙k时的用户关联指标为x(k)ij,则x(k)ij=1,用户n j与基站m i关联,0,用户n j不与基站m i关联㊂{(1)3)假设所有的用户不具有高移动性㊂1.2㊀基本概念假设在k时隙时目标小区中基站m i的关联移动用户数量总和为N(k)i㊂从基站m i到用户n的大规模衰落增益表示为G k i,n,正交信道带宽记为B ki,n㊂在时隙k时,每个基站分别从用户反馈信道获得的上一时刻的信噪比SINR记为r k-1i,n㊂目标用户n到关联基站m i的距离记为d k i,n㊂1.2.1㊀下行链路吞吐量㊀本文考虑动态条件下的下行链路吞吐量㊂假设宏基站m0有Nᶄ条天线㊂根据文献[14],最优的资源均等分配㊂将大规模多输入㊁多输出宏基站与毫米微波基站的下行链路吞吐量分别表示为R(k)0,n=R kN(k)0=SB k0,nN(k)0ðN(k)0n=1log2(1+r k0,n)=SB k0,nN(k)0ðN(k)0n=1log2(1+(Nᶄ-S+1)P k0,n G k0,nσ+ðmʂn P k0,m G k0,m),(2)R(k)i,n=R kN(k)i=B ki,nN(k)iðN(k)in=1log2(1+r k i,n)=B ki,nN(k)iðN(k)in=1log2(1+P k i,n N mmW L i,n(d k i,n)σ+ðmʂn P k i,m G m L i,m(d k i,m)),iʂ0,(3)其中:σ是热噪声;P k i,n是目标基站m i为用户n在时隙k时选择的传输功率;P k i,n G k i,n为接收功率;(Nᶄ-S+1)为利用迫零波束成型实现的大规模多输入㊁多输出阵列增益[15];L i,n(d k i,n)是用户n在k时隙与微基站m i(iʂ0)关联时的路径损失;G i为毫米微波基站的天线增益㊂75郑州大学学报(理学版)第54卷1.2.2㊀传输功率㊀根据系统当前状态,目标基站从用户N (k )i 在时隙k 的发射功率集合P ={P M /L ,2P M /L , ,P M }中选择下行发射功率P (k )i ,n ,PM 为最大下行发射功率,L 为划分发射功率的等级数㊂1.2.3㊀效用㊀目标小区内的基站根据当前时隙k 的系统状态,为每个用户选择发射功率,并评估当前时隙的基站效用u (k ),u(k )=ðN (k )in =1rki ,n-C s ðN (k )in =1P(k )i ,n -θi N (k )i,(4)式中:ðN (k )in =1r k i ,n 是在时隙k 时连接到目标基站m i 的移动用户反馈给基站的信噪比;C s ðN (k )in =1P (k )i ,n 是在时隙k时目标基站m i 的能耗,C s 是单元运输成本;θi N (k )i是基站负载,θi 是常数系数㊂本文应用随机梯度法在满足用户QoS 需求下优化当前时刻用户的传输功率,使基站效用最大化㊂目标基站应用贪婪策略来确定最优发射功率㊂其迭代过程及策略选择如式(5),其中γ为步长因子㊂Pi +1ѳP i+γ∂u (k )∂P i,P (P (k )=ζ)=0.9,ζ=arg max P ⊆Ωu (k )(P ),0.1,随机选择ζ㊂{(5)1.3㊀基本原理当用户连接到基站后,每间隔时隙k 基站会重新监控用户信息㊂在考虑基站负载的情况下,当目标用户在时隙k 内的QoS 需求降低幅度大于阈值η时,用户选择一个信号质量最佳的基站与之关联㊂为了寻找最优关联和资源配置,采用比例公平的网络效用组合优化方法[16],从效用函数的角度考虑资源约束下的效用最大化问题㊂活动模式下的基站除了传输功率外,还需要更多的功率用于计算㊁冷却等㊂对基站而言,由于冷却而消耗的能量是恒定的,因此我们只考虑能量消耗的计算因素,即运行功率㊂从用户的角度出发,本文建立了基于信号强度㊁运行功率和传输功率的目标函数,即g 1=ðn j ɪN ðm i ɪMxij[β1r (k )i ,n d (k )i ,n-β2ξ-(1-β1-β2)C (k )],(6)式中:β为权重,βɪ(0,1);ξ为干扰系数;C (k )是传输功率和运行功率之和;r (k )i ,n >0;ξ,C (k ),d (k )i ,n>0,目标函数随时间变化㊂有4个约束条件:条件ðm i ɪMx ij =1,∀n j ɪN 与条件x ij ={0,1},∀n j ɪN ,∀m i ɪM 约束了每个用户在同一时刻只能与一个基站关联;条件ðn j ɪNx ij P k i ,n ɤW i ,∀m i ɪM 防止了基站的超负荷运行;条件ðn j ɪNx ij =N (k )i,∀m i ɪM 表明了在时隙k 时基站的用户负载数量㊂不难看出,由于ðm i ɪMxij的存在,使得目标函数离散化㊂C (k )=C (k )i +C s =h i ㊃N (k )i+C s ,(7)其中:C s 为单元传输成本;h i 是常数㊂在时隙k 时基站m i 的运行功率C (k )i 与基站负载N (k )i线性相关㊂我们考虑能耗因素得到目标函数g 2,g 2=ðn j ɪNx ij P k i ,n ,m i ɪM ㊂(8)㊀㊀以最小化能耗g 2和最大化信号质量g 1为目标为用户选择最优基站序列Mᵡ={mᵡ1,mᵡ2, ,mᵡM }㊂因此,可以抽象出多目标优化问题:min Mᵡ(m i )=[-g 1(m i ),g 2(m i )]㊂(9)㊀㊀由于两个目标函数相互制约,很难同时达到最优解,因此使用线性加权求和法将多目标优化问题转化为单目标优化问题,其中λ2是权值系数,取值范围为(0,1),min F (m i )=-λ2g 1(m i )+(1-λ2)g 2(m i )㊂(10)2㊀基于Pareto 最优解的多目标优化用户动态关联算法描述㊀㊀本文基于Pareto 最优解的多目标优化用户动态关联算法伪代码如下㊂输入:初始时刻的活动用户数量N 0,N 0个用户的初始位置(X 0,Y 0),信噪比r 0i ,n ,传输功率P (0)i,宏基站与微基站各自的单元传输成本C s ,时刻k ㊂输出:第k 时刻的活动用户数量N k 及各自选择关联的基站,以及当前时刻下各基站的信息(用户数量㊁坐标㊁吞吐量㊁优化后传输功率等)㊂1)初始化用户信息㊂随机生成初始时刻的用户数量㊁用户坐标以及传输功率等㊂2)更新下一时刻系统用户数量信息㊂删除离开的用户信息,添加新用户的信息㊂3)根据用户QoS 服务需求变化重新关联基站㊂if㊀用户n i 的服务需求增加幅度>η:㊀㊀将用户n i 关联到宏基站;85㊀第2期牟洁茹,等:基于QoS 驱动的多目标优化用户动态关联研究㊀㊀更新系统信息;elif㊀用户n i 的服务需求减少幅度>η:㊀㊀通过吞吐量公式(2)㊁(3)分别估计宏基站与微基站的R k i ,n ;㊀㊀通过公式(6)~(8)计算目标用户连接到每个基站的g 1和g 2值;㊀㊀求解公式(9)的Pareto 最优解集,根据公式(10)选取使集合中目标函数值最大的基站,作为目标用户当前时刻新关联的基站对象;㊀㊀更新系统信息;else㊀当前时刻目标用户关联基站不变㊂4)优化传输功率㊂for㊀i =1to step ;㊀㊀接收活动用户当前时刻信噪比r k i ;㊀㊀评估目标小区的总传输成本,通过公式(4)估计当前时刻目标基站的效用u (k );㊀㊀根据公式(5)利用随机梯度下降法更新传输功率;5)更新各个目标基站的用户信息,作为下一时刻的输入,重复2)~4)㊂3㊀仿真结果与分析本文考虑一个1000m ˑ1000m 的区域,包含1个宏基站和4个毫米微波基站㊂宏基站位于区域中心,4个毫米微波基站对称分布在其周围㊂同时,假设用户随机分布在区域内,用户在一个时隙内的位移不大于32m,用户的到达和离开服从参数λ=0.1的泊松分布,系统检测时间间隔kᶄ=10㊂考虑用户持续到达且没有用户离开的状态下,动态关联前后的基站负载对比如图2所示㊂可以看出,基于QoS 驱动实现用户动态关联后,部分QoS 需求降低的用户被切换到信号质量相对较好的微基站上,使得宏基站负载数量降低,微基站负载数量上升㊂同时,基站负载比由原来的0.30上升为0.89,有效缓解了基站负载不均衡现象㊂截取某一时刻的用户信息,通过随机梯度下降法迭代1000次,选取基站最大效用时的系统信息为当前时刻活动用户分配传输功率㊂其中,宏基站与微基站的平均吞吐量与效用如图3㊁4所示㊂可以发现,引入随机梯度下降法能有效提升基站效用与吞吐量㊂图2㊀不同环境下基站负载对比Figure 2㊀Comparison of basestation loads图3㊀优化前后系统平均吞吐量对比Figure 3㊀Comparison of averagesystem throughput图4㊀优化前后系统平均效用对比Figure 4㊀Comparison of system average utility4㊀结束语针对5G 异构网络中资源分配不均㊁计算开销过大㊁负载不均衡等问题,本文综合考虑了吞吐量㊁基站效用以及能耗等因素,提出了一种基于QoS 驱动的多目标优化用户动态关联方案㊂仿真结果证实该算法能有效缓解宏基站负载过重现象㊂同时,该方案显著提高了用户吞吐量和基站利用率,减少了由于大量用户关联宏基站造成的宏基站负载过多而微基站利用率较低现象的发生㊂此外,该方法在实际应用中还有若干问题有待解决,如高速移动用户㊁区间干扰等㊂95郑州大学学报(理学版)第54卷参考文献:[1]㊀HE A,WANG L,CHEN Y,et al.Massive MIMO inK-tier heterogeneous cellular networks:coverage and rate[C]ʊ2015IEEE Global Communications Conference.Piscataway:IEEE Press,2015:1-6.[2]㊀LIU D T,WANG L F,CHEN Y,et er associationin5G networks:a survey and an outlook[J].IEEE com-munications surveys&tutorials,2016,18(2):1018-1044.[3]㊀HOSSAIN E,RASTI M,TABASSUM H,et al.Evolutiontoward5G multi-tier cellular wireless networks:an inter-ference management perspective[J].IEEE wireless com-munications,2014,21(3):118-127.[4]㊀BETHANABHOTLA D,BURSALIOGLU O Y,PAP-ADOPOULOS H C,et er association and load bal-ancing for cellular massive MIMO[C]ʊ2014InformationTheory and Applications Workshop.Piscataway:IEEEPress,2014:1-10.[5]㊀ATHANASIOU G,WEERADDANA P C,FISCHIONEC,et al.Optimizing client association for load balancingand fairness in millimeter-wave wireless networks[J].IEEE/ACM transactions on networking,2015,23(3):836-850.[6]㊀XU B Y,CHEN Y,ELKASHLAN M,et er associ-ation in massive MIMO and mmwave enabled HetNetspowered by renewable energy[C]ʊIEEE Wireless Com-munications and Networking Conference.Piscataway:IEEE Press,2016:1-6.[7]㊀SONG H,FANG X M,YAN L.Handover scheme for5GC/U plane split heterogeneous network in high-speed rail-way[J].IEEE transactions on vehicular technology,2014,63(9):4633-4646.[8]㊀ZHANG H J,JIANG C X,CHENG J L,et al.Coopera-tive interference mitigation and handover management forheterogeneous cloud small cell networks[J].IEEE wire-less communications,2015,22(3):92-99. [9]㊀马彬,王梦雪,谢显中.超密集异构无线网络中基于位置预测的切换算法[J].电子与信息学报,2020,42(12):2899-2907.MA B,WANG M X,XIE X Z.Handoff algorithm basedon location prediction in ultra-dense heterogeneous wire-less network[J].Journal of electronics&informationtechnology,2020,42(12):2899-2907. [10]李昊,邓春红.面向5G异构网络的切换自优化算法研究[J].重庆科技学院学报(自然科学版),2020,22(3):59-64.LI H,DENG C H.Research on SON efficient handoveralgorithm for5G HetNets[J].Journal of Chongqing uni-versity of science and technology(natural sciences edi-tion),2020,22(3):59-64.[11]SHEN K M,YU W.Distributed pricing-based user asso-ciation for downlink heterogeneous cellular networks[J].IEEE journal on selected areas in communications,2014,32(6):1100-1113.[12]HA V N,LE L B.Distributed base station associationand power control for heterogeneous cellular networks[J].IEEE transactions on vehicular technology,2014,63(1):282-296.[13]林涛,霍丽娜.基于变量分组的大规模多目标优化算法[J].郑州大学学报(理学版),2018,50(4):8-13.LIN T,HUO L N.Based on variable grouping for large-scale many-objective optimization algorithm[J].Journalof Zhengzhou university(natural science edition),2018,50(4):8-13.[14]YE Q Y,RONG B Y,CHEN Y D,et er associa-tion for load balancing in heterogeneous cellular networks[J].IEEE transactions on wireless communications,2013,12(6):2706-2716.[15]BETHANABHOTLA D,BURSALIOGLU O Y,PAPADO-POULOS H C,et er association and load balancingfor cellular massive MIMO[C]ʊInformation Theory andApplications Workshop.Piscataway:IEEE Press,2014:1-10.[16]GARCIA-SAAVEDRA A,SERRANO P,BANCHS A,et al.Energy-efficient fair channel access for IEEE802.11WLANs[C]ʊIEEE International Symposium on a Worldof Wireless,Mobile and Multimedia Networks.Piscat-away:IEEE Press,2011:1-9.06。

多QoS约束条件下的多目标网络优化

多QoS约束条件下的多目标网络优化明丽洪;吕光宏;向虹佼【摘要】多约束、多业务、多目标的网络优化是一个复杂且涉及范围广泛的课题.文中在对该课题进行分析的基础上,提出了一种基于遗传算法的多目标网络优化算法(MOPGA).该算法使用了多约束条件下的路径集预处理,使得每项业务能够获得所需的QoS服务质量,通过对所有业务的路由号进行编码,将问题的解空间转换到遗传算法的搜索空间,达到对全网业务的综合考虑.改进后的适应度函数刻划了网络的费用、链路利用率方差和最大链路利用率、爆破处理以及个体淘汰机制增加了种群多样性,挣脱了未成熟收敛.以求解精度作为算法终止条件,使得算法运行时间减少.仿真实验表明,所提出的算法能高效、快速解决实际多目标网络优化问题,同时在满足多QoS约束条件下可均衡各子目标函数.【期刊名称】《电子科技》【年(卷),期】2014(027)003【总页数】4页(P18-21)【关键词】多业务;多目标;QoS;遗传算法;网络优化【作者】明丽洪;吕光宏;向虹佼【作者单位】四川大学计算机学院,四川成都610065;四川大学计算机学院,四川成都610065;四川大学计算机学院,四川成都610065【正文语种】中文【中图分类】TP393.027网络规模的增大使得网络结构变得复杂，网络的承载业务已从单一数据业务转向语音、视频、图像等多种综合业务，数据流量的指数增长使得网络发生拥塞的概率增大，Internet尽力发送的服务机制已无法满足多媒体应用和各用户对网络传输质量的不同需要。

这必然会对网络服务质量(Quality of Service，QoS)、全网资源调节、负载均衡及网络利用率提出更高的要求。

遗传算法(Genetic Algorithm，GA)作为一种全局优化搜索算法，由于其具有自学习、并行性等特点，能较快的求解NP完全问题，最终得到较好的近似最优解而在网络规划和优化中得到广泛应用。

在文献［2］中，运用遗传算法在OSPF路由中优化最短路径权值，以使网络拥塞最小。

基于模糊QoS满意度的启发式多约束路由算法

基于模糊QoS满意度的启发式多约束路由算法刘源旭;郦江源【摘要】QoS routing is an important means to achieve quality of service in IP network. As the general QoS routing algorithms are either high in time-complexity or limited to specific constraints,present a heuristic multi-path routing algorithm based on fuzzy QoS satisfaction. First,give the problem model and mathematical description of multiple constraints routing. By using fuzzy method to handle every QoS parameter, the link's QoS satisfaction is constructed. On this basis,combine QoS satisfaction with the traditional concept of shortest path first and find a route satisfying all constraints quickly and effectively through heuristic searching. The result of simulation shows that the proposed routing algorithm has good performance.%QoS路由是实现IP网络服务质量的重要手段.针对一般的QoS路由算法时间复杂度高或者只局限于特定约束的缺点,提出了一种基于模糊QoS满意度的启发式多约束路由算法.首先给出了多约束路由的问题模型和数学描述,然后通过模糊处理各QoS参数的方法构造链路的QoS满意度,在此基础上将QoS满意度与传统最短路径优先相结合,通过启发式搜索快速有效地寻找满足所有约束的路由.仿真结果表明,所提出的路由算法拥有较好的性能.【期刊名称】《计算机技术与发展》【年(卷),期】2011(021)012【总页数】4页(P52-54,58)【关键词】启发式搜索;多约束路由;QoS;模糊【作者】刘源旭;郦江源【作者单位】南京邮电大学计算机学院,江苏南京210003;南京邮电大学计算机学院,江苏南京210003【正文语种】中文【中图分类】TP301.60 引言随着大量多媒体业务和实时业务的兴起，基于约束的路由(即QoS路由)得到了越来越广泛的研究。

一种QoS路由多目标遗传算法

一种QoS路由多目标遗传算法
杨云;徐永红;李千目;刘凤玉
【期刊名称】《通信学报》
【年(卷),期】2004(025)001
【摘要】对网络拓扑结构和QoS路由指标进行了形式化分析,基于多目标规划问题,给出了QoS路由数学模型.针对这个模型,提出了一种QoS路由多目标遗传算法.通过仿真实验证明该算法是可行、有效率的.
【总页数】9页(P43-51)
【作者】杨云;徐永红;李千目;刘凤玉
【作者单位】南京理工大学计算机科学与技术系,江苏,南京,210094;扬州大学计算机系,江苏,扬州,225009;南京理工大学计算机科学与技术系,江苏,南京,210094;南京理工大学计算机科学与技术系,江苏,南京,210094;南京理工大学计算机科学与技术系,江苏,南京,210094
【正文语种】中文
【中图分类】TP393
【相关文献】
1.一种基于多目标优化的QoS路由交互式算法 [J], 汪泽焱
2.一种基于多目标优化的Ad Hoc网络QoS路由算法 [J], 赵宁;顾宏斌;米志超
3.基于遗传算法的QoS路由多目标规划模型 [J], 林仰峰;方晓彤
4.多目标进化遗传算法在QoS路由中的研究 [J], 杨丹丹;张岳;庄雷
5.一种基于多目标优化的交互式多跳分组无线网QoS路由算法 [J], 米志超;郑少仁;倪明放
因版权原因，仅展示原文概要，查看原文内容请购买。

基于QPSO的QoS多播路由优化算法的开题报告

基于QPSO的QoS多播路由优化算法的开题报告一、选题背景一概述随着通信技术的发展和广泛应用，多媒体数据、图像数据、语音数据的交换和分发已成为网络的重要应用之一，其中多媒体数据传输中的QoS保障是一项必不可少的关键技术。

多播技术是通过一种组播服务，将单一的源数据同时传递给多个目的地，这种数据广播是在 IP 网络上使用多播传输协议（如 IGMP）实现的。

多播传输可以显著地减少网络中终端设备对源站的请求，大大减少了网络流量和网络延迟。

多播流量的传送需要选择一个成功的路由方案，以达到提供 QoS 保证的目的。

所谓QoS，即服务质量（Quality of Service），是网络、互联网中的一种机制，使得一定数量的网络带宽、网络资源、网络能力对网络服务的质量得到了保证。

为了保证多播流量的传送，需要选择一个合适的多播路由方案，以保证网络吞吐量、时延、丢包率等关键性能指标能够满足业务需求。

多播路由问题属于多目标优化问题，是一个 NP-Hard 问题。

传统的多播路由算法主要包括基于优先级的算法和基于组合的算法，这些算法的局限性在于多播路径限制、QoS难以同时满足，并且计算复杂度大，不能够实时求解实际应用中的大规模路由问题。

因此在此背景下，如何进行高效的 QoS 多播路由优化成为了当前学术界和工业界重点关注的方向。

二目标及意义在QoS保证网络中的多播传输中，多播路由优化是一个关键问题，其目的是选择一个合适的多播路由方案，以实现网络吞吐量、时延、丢包率等关键性能指标的优化。

本文的目标在于提出一种基于量子粒子群优化算法的QoS多播路由优化算法，探索将量子粒子群算法应用于QoS多播路由问题并评估算法性能。

二、文献综述QoS多播路由问题是一个 NP-Hard 问题，目前已经有很多学者提出多种算法来解决这个问题。

本节将分为经典算法和近年来常见的QoS多播优化算法两部分介绍。

一、经典算法1. Floyd算法：Floyd算法是一种动态规划算法，用于计算有向图或无向图中的所有最短路径。

基于QoS的多目标服务组合算法

基于QoS的多目标服务组合算法杨晨【期刊名称】《计算机工程与设计》【年(卷),期】2011(32)4【摘要】Service composition optimal has became a hot point at prerented.A multi-objective optimal algorithm based on particle swarm optimization (PSO) is presented to resolve services selection with multi-constralned, which will be converted into a multi-objective optimization problem with constrains.This algorithm is utilized particle swarm optimization (PSO) intelligent optimization principle to produce a Pareto optimal set with constraint principle by optimizing multi-parameters of QoS simultaneously.The effectiveness of the algorithm is proved by experiments.%服务组合优化问题是当前服务计算领域的研究热点之一.针对现有优化技术将多个约束条件转化为单一优化目标难以处理多目标问题的不足,提出了一种基于多目标优化的粒子群算法,将多约束服务组合选取问题转化成为一种带约束的多目标优化问题,利用粒子群算法的智能优化原理,通过同时优化多个服务质量参数,产生一组最优非劣解集.实验结果表明了算法在处理多目标优化问题的有效性.【总页数】4页(P1322-1325)【作者】杨晨【作者单位】华北计算技术研究所,软件平台研发部,北京,100083【正文语种】中文【中图分类】TP311【相关文献】1.基于QoS多目标优化的云服务组合方法 [J], 苗冬云2.基于多目标多属性决策的大规模Web服务组合QoS优化 [J], 鲁城华;寇纪淞3.基于QoS多目标优化的Web服务组合方法 [J], 刘彬;张仁津4.基于QoS多目标优化的组合服务执行路径的选择 [J], 李滢;童维勤;亢朝峰;支小莉5.粒子群算法求解Web服务组合中基于QoS的服务选择 [J], 夏虹;李增智因版权原因，仅展示原文概要，查看原文内容请购买。

无线Mesh网络的多目标QoS路由算法研究的开题报告

无线Mesh网络的多目标QoS路由算法研究的开题报告一、研究背景及意义随着无线Mesh网络的广泛应用，网络中的节点数量和复杂度不断增加，对网络性能和服务质量的要求也越来越高，其中QoS（Quality of Service）是网络性能的重要指标之一。

为了提高无线Mesh网络的服务质量，需要研究优化路由算法来满足网络中多个目标的QoS要求，如时延、丢包率和带宽等。

二、研究内容本文将研究无线Mesh网络的多目标QoS路由算法，并探究如何在保证网络传输性能的同时应对多个QoS要求的挑战。

具体来说，研究内容包括：1. 分析无线Mesh网络QoS路由算法的现状和不足，提出改进方案。

2. 提出一种基于多目标优化算法的无线Mesh网络QoS路由算法，考虑时延、丢包率和带宽等多种QoS指标，建立优化模型，利用多目标遗传算法等优化方法求解最优路由。

3. 实现所提出的QoS路由算法，并进行实验验证。

在真实无线Mesh网络环境下，对所提出算法的性能进行测试，同时与传统的单目标路由算法进行比较，评估所提出算法的优越性。

三、研究意义本文将提出一种多目标QoS路由算法，该算法可以为无线Mesh网络提供更好的性能和服务质量。

该研究将对移动互联网领域的无线Mesh网络技术的发展，改进现有的路由算法，提高网络的性能和服务质量，具有重要的应用价值和科研价值。

四、研究方法本文将采用文献综述法、实验法、数学建模和数据分析等方法进行研究。

具体步骤如下：1. 收集相关文献，介绍无线Mesh网络的基本概念、现有的QoS路由算法的优缺点和不足，并提出改进方案。

2. 建立多目标QoS路由优化模型，考虑不同的QoS指标和约束条件。

3. 采用多目标遗传算法或其他优化算法，求解最优的QoS路由方案。

4. 针对所提出的算法，进行性能测试，并与传统的单目标路由算法进行比较，评估所提出算法的优劣性。

五、预期成果1. 提出一种基于多目标优化算法的无线Mesh网络QoS路由算法，具有较好的性能和服务质量。

一种交互式多目标优化方法

一种交互式多目标优化方法
夏晓戎;龚才豪
【期刊名称】《成都科技大学学报》
【年(卷),期】1991(000)003
【摘要】本文从实用的角度提出一种新的交互式多目标优化方法——轮流打击目标法。

该法要求决策者在每步迭代中指出在各现行目标值中他认为哪个目标值相对最大.此外,该法每步迭代所要求解的单目标优化问题只包括两个目标函数。

所以,该法的计算是很简单的,而且谈法还具有决策容易,综合面广,折中性强,对目标个数不敏感的优点。

它是一种有效的、实用的多目标优化方法。

【总页数】8页(P67-74)
【作者】夏晓戎;龚才豪
【作者单位】不详;不详
【正文语种】中文
【中图分类】O224
【相关文献】
1.一种求解环境经济发电调度的交互式多目标优化方法 [J], 龙军;郑斌;郭小璇;李赢
2.一种交互式图像分割的修正优化方法 [J], 汪一休
3.一种新的交互式多目标优化方法 [J], 吴文悌
4.交互式满意协调法：一种多目标优化方法 [J], 高济众;吕新生
5.多人两层多目标决策问题的交互式优化方法 [J], 仲伟俊;盛昭瀚;徐南荣
因版权原因，仅展示原文概要，查看原文内容请购买。

基于多目标遗传算法的多播服务质量路由优化

基于多目标遗传算法的多播服务质量路由优化
崔逊学;林闯
【期刊名称】《计算机研究与发展》
【年(卷),期】2004(41)7
【摘要】互联网不断增长的多媒体应用引发人们研究如何满足这些应用的服务质量(QoS)约束,并导致提出了一些基于服务质量的体系结构.目前网络中多主机之间的多播通信一般需要严格的多个QoS保证.首先将满足不同约束的多播路由选择过程转化为一个多目标优化问题,然后使用一种基于多目标遗传算法的新型多播树计算方法,同时优化时延、丢包率和带宽利用率等不同的参数.实验结果表明,该方法能在有限进化代数内产生一组有效的非劣多播路由解,结合多目标优化的遗传算法克服了单目标路由优化的缺陷.
【总页数】7页(P1144-1150)
【作者】崔逊学;林闯
【作者单位】南京大学计算机软件新技术国家重点实验室,南京,210093;清华大学计算机科学与技术系,北京,100084;清华大学计算机科学与技术系,北京,100084【正文语种】中文
【中图分类】TP393
【相关文献】
1.基于遗传算法的QoS多播路由优化算法 [J], 孙宝林;李腊元
2.基于遗传算法的带宽-时延约束多播路由优化算法 [J], 孙宝林;李腊元
3.基于遗传算法的实时QoS多播路由优化算法 [J], 孙宝林;李腊元;陈华
4.基于遗传算法的多约束QoS多播路由优化算法 [J], 孙宝林;李腊元
5.基于遗传算法与模糊选择的多播路由优化 [J], 李昌兵;曹长修;余义斌
因版权原因，仅展示原文概要，查看原文内容请购买。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

ｏｅｂｅｔｅｕｃｉｎｏｓｅｅｒｍｄｆｃｅａｉｎｓｐｔａａｔｏｔｅｅｉｏ— ａｅ’ ｉｆｒｔｎａｄｎｔｏｋｆｈｊｉｎｔｓｎｉｒａｅｏｉｅｉｅｈｉｒｔｔｄｐｓｎｍｋｒＳｎｏｍａｏｎｅｗｒｔｏｃｖｆｏｃｄｄｉｎａｄｔｏｅｏｔｈｄｉｃｉ
Ａｓａｔｏｐｃｌｔｋｅｎｏｅｔａｎｂｅｔｔｂｐｉｚｄａｔｅｓｍｉｅｉｔｅｃｍｍｕｉｔｎｎｔｂｔｃ：Ｓｍｅｓｅｉｓｓｄｍａｄｍｒｎｏｅｏｊｏｅｏｔｅｔｈａｅｔｈｏｒａａｈｃｍｉｍｎｎａｉｅ・ｃｏ
ＡｎＩｔｒｃｉｅＭｕｔｂｅｔｔｚｔｎＱｏｕｉｇＡｌｏｉｍｎｅａｔｌｏｊｃｉａｉＳＲｏｔｇｒｔｖｉＯｐｍｉｏｎｈ
ＷＡＮＧｅｙｎＺ＝ａ
（ｎｔｕｅｏｃｅｃ，ＳｉｎｅａｄＴｃｎｌｇｎｖｆＬＩｓｔｔｆｉｅｃｃｎｅｈｏｏｙＵｉ．ｏＡ，ｈａｊｇ２０１，ＣｉａｉＳｎｅＰｎｉ１０６ｈｎ）ｎ
ｗｒ．ＴａｉｙｔｅｄｍａｄａｔｒｔｅＱＳｒｕｉｇｒｈａｅｎｍｕｔｏｊｔｅｉｏ・ｋｎｔｄｄＡｍｕｔｏｋｏｓｔｆｈｅｎ，ｎｉｅａｉｏｏｔｇａｏｔｍｂｓｄｏｌ・ｂｅｃｓｎｍａｉｉｓｉｌ・ｓｎｃｖｎｌｉｉｃｄｉｇｓｕｅｉ
Ｋｙｗｒｓｅｏｄ：Ｑｏｏｔｇｍｌ・ｂｔｏｌｅｒｎｅｅｐｏｒｍｍｉｇｎｅａｔｅａｏｔｍＳｒｕｉ；ｕｔｏｊｎｎｔｇｒｒｇａｎｉｅｎｉａｉｃｎ；ｉｔｒｉｇｒｈｃｖｌｉ
近几年来，人们对ＱｏＳ路由问题进行了广泛的研究，普遍认为ＱｏＳ路由的基本问题是在满足多
ｗｉｔｄｈ．Ａｃｏｄｎｏｔｅｃａａｔｒｏｈｄｅ，ａｎｅａｔｅａｇｒｔｍｏｏｖｎｈｄｌｓｐｅｅｔｄ．Ｔｈｐｅｏｎｓｃｒｉｇｔｈｈｒｃｅｆｔｅｍｏｌｎｉｔｒｃｉｏｉｈｆｒｓｌｉｇｔｅｍｏｅｒｓｎｅｖｌｉｅｕｐｒｂｕｄ
ｎｅｓｃｒｅｔ，ｗｈｃｏｒｓｔｅｓｌｔｎｓａｅｅｄｕｒｎｌｙｉｈｃｍｐｅｈｏｕｉｐｃ．Ａｎｅａｌｄｍｏｓｒｔｈｎｅａｔｅａｇｒｔｍｓｆａｉｌ．ｓｏｘｍｐｅｅｎｔａｅｔｅｉｔｒｃｉｏｉｈｉｅｓｂｅｓｖｌ
小耗费路由算法。文献［］较为全面地描述了与网络Ｑｏ关的参数，并为计算不同Ｑｏ３Ｓ有Ｓ需求的路由提供了参考模型。文献［］中建立了一个带有多约束条件最小时延的ＱＳ路由选择的非线性整数７ｏ
一
种基于多目标优化的ＱＳ路由交互式算法ｏ
汪泽焱
（放军理工大学理学院，江苏南京解２０１）１０６
摘
要：为了满足通信网络中一些特定业务对于多个网络指标性能的同时要求，研究了一类基于多目标决策的
Ｑｏ路由算法。通过选取带宽作为约束条件，把时延和丢失率作为优化目标，建立了ＱＳ路由选择的多目标非线性整Ｓｏ数规划模型，并给出了一种求解模型的交互式算法。该算法通过逐步调整目标函数的上界，压缩目标函数的搜索空间来满足决策者的要求和网络条件。实例计算结果表明了算法的可行性。关键词：Ｓ路由；多目标非线性整数规划；交互式算法Ｑｏ中图分类号：ＴＮ１．９５０文献标识码：Ａ
个约束条件的基础上对某个参数或多个参数进行优化一，８。目前提出的Ｑｏ４，７ＪＳ路由算法仅仅考虑了单目标优化的情况。比如ＣｅＩ提出了在满足时延条件下最小耗费路由算法以及满足带宽条件下最ｈｎ２］
维普资讯
国
防
科
技
大
学
学
报
第２４卷第４期
ＪＵＮＬＯＡＯＲＡＦＮＴＱ
７
堕！Ｑ！旦
！垦Ｑ
文章编号：１０ —２８（０２９０３０１４６２０）４— ０７—０５
ｏｊｔｏｌｅｒｎｅｅｒｇａｂｃｎｎｎａｔｒｐｏｒｍｍｉｇｍｏｅｉｅｔｌｈｈｃｎｍｚｈｅｙａｄｌｓｒｔｃｎｔｉｅｙｔｅｂｎ・ｅｉｉｇｎｄｌｓｓａｉｅｗｉｍｉｉｔｅｄｌｎｓａｅｏｓａｎｂｈａｄｂｓｄｈｉｓｅａｏｒｄ