全球研究计算机科学杂志》上
菜单石头:2229 - 371 x
石头:2229 - 371 x
S.Aravindh* 1和Mr.G.Michael2
|
| 通讯作者:S.Aravindh,电子邮件:aravindhgojan@gmail.com |
| 相关文章Pubmed,谷歌学者 |
访问更多的相关文章全球研究计算机科学杂志》上
路由在动态网络是一个具有挑战性的,因为网络的拓扑结构并不是固定的。这个问题是解决在本演示使用使用智能蚂蚁算法探索网络数据包。蚂蚁是生成的路径作为遗传算法的输入。遗传算法找到的最优路线。利用蚂蚁算法的重要性是减少路由表的大小。遗传算法是基于原则的意义的进化路线,而不是存储预先计算的路线。
关键字 |
| 路由、数据挖掘蚁群优化遗传算法(交叉,变异)。 |
介绍 |
| 数据挖掘(有时称为数据或知识发现)是一个过程,从不同的角度分析数据,总结成有用的信息。[1]数据挖掘软件分析数据的分析工具之一。数据挖掘的一些参数,协会,序列,分类、聚类、预测等数据分类的分类数据的最有效和高效利用。[2]为此分类工具主要应用。摘要元启发式优化,用于在无线网状网络找到最短路径。metaheuristics是高水平的策略指导其他启发式搜索最优解。它非常有效且灵活。[3] |
| 蚁群优化是流行的框架基于原始群体智慧(SI)的概念。[3]的SI的过程计算解决问题和基于自然集合获得准确的解决方案。例如考虑鸟类聚集像一个v型在天空中鸟儿聚集在天空是自然的,但如果是处理他们是如何聚集在某些形状(像v字形,曲线形状,行,等)和应用这种技术或概念问题的解决方案[6]。 |
| 蚁群优化也自然隐喻[4]。这是SI的主要技术之一。的SI算法可以通过ant链和解释蚂蚁墙。 |
 |
| (图1.1)显示蚂蚁,一只蚂蚁是作为引发剂和其他蚂蚁像追随者[3]。 |
| (图1.2)显示蚂蚁,蚂蚁没有给到其他昆虫或其他障碍[3]。 |
| 从这两个,蚂蚁链最好寻找最短路径。在本文中,我们使用ant链转移的消息后找到的路径。 |
| 遗传算法是基于变异和选择的优化技术。一旦你编码的解决方案的问题形式的染色体遗传算法就可以比较的相对性能解决方案[11]。 |
蚁群优化 |
| 蚁群优化是一种meta-heuristic技术,使用人工蚂蚁找到解决组合优化问题。算法是基于真实蚂蚁的行为和具有增强的能力,如记忆过去的行动和了解到其他地方的距离。在自然界中,单个蚂蚁无法沟通或有效地寻找食物,但是作为一个群体,蚂蚁具有解决复杂问题的能力和成功的发现和收集食物为他们的殖民地。蚂蚁用一种叫做信息素的化学物质交流。一只蚂蚁的旅行,存款一个常数其它蚂蚁的信息素量可以遵循。每只蚂蚁有些随机的方式移动,但是当一只蚂蚁遇到一个追踪信息素,它必须决定是否跟随它。如果它遵循了小道,蚂蚁的信息素增强现有的轨迹,和增加信息素的增加下一个蚂蚁选择路径的概率。因此,蚂蚁,旅行路径越多,后来的蚂蚁的路径变得更具吸引力。此外,一只蚂蚁,用短路线食物来源将回到巢早因此,标志其路径两次,其他蚂蚁之前回来。这直接影响概率选择下一个蚂蚁窝。 |
 |
| 这个图表显示了酶的总量水平(称为信息素)。信息素的大价值路径是最短路径。 |
| 在我们的工作中,算法用于寻找最短路径使用的距离值分配给每个节点[5]。蚂蚁的主人是考虑源节点和代表他们的食物作为目的地。当前节点是作为蚂蚁在路由过程中寻找下一个最短的节点在无线网状网络。 |
| 一般ACO分配两个蚂蚁向前和向后蚂蚁等。使用远期蚂蚁搜索食物和落后的蚂蚁时使用ant回到主机。 |
| 但是在传输信息,只有向前可以使用ant。没有使用逆向蚂蚁的转移过程,但它可以用于确认的目的。当前节点是分配作为前锋蚂蚁在转换的过程中;它也可以作为逆向蚂蚁在确认。 |
| 现在考虑的一般算法的伪代码。 |
 |
| 如果数据是发送从来源到目的地,然后跟着向前ant的伪代码。向前ant作为遵循的步骤: |
| 一。得到基于距离下一个节点的值。哪个节点的距离是考虑较少。 |
| b。一旦找到下一个节点,更新路由器的数据存储(简单的路由表)和将数据包发送到特定的节点。 |
| c。如果没有可用路径或链路或节点保持记录的数据包,并丢弃它。找到其他路径。 |
| 一般转发节点(来源到目的地)使用堆栈(LIFO)的顺序存储路由表中的数据。同样落后节点(目的地)使用队列(FIFO)来存储路由表中的数据[4]。 |
| 如果路径的距离是不同的,然后很容易找到最短的距离使用这个算法。如果节点有相同的距离那么ACO不能找到最优解,为了克服这个我们使用遗传算法寻找健身价值为每个节点基于节点的成本价值。尽管ACO可以找到最短的距离,但它不是最优解,因此只有我们使用算法和遗传算法产生最优解。 |
遗传算法 |
| 采用进化在计算机的一种方式。在遗传算法中,搜索和优化技术是基于变异和选择[7]。一旦你可以编码解决方案给染色体问题的遗传算法,它可以比较的相对性能(健身)解决方案。遗传算法的流程图所示: |
 |
遗传算法的流程图: |
| 所发现的最短路径算法,给出了遗传算法的输入。初始化种群(流程图[8]所示)包含的路径输入评估适合每个路径。遗传算法包括三个过程(选择、交叉、变异)。选择用于找到最佳的健身路径。交叉是用来获得一个新的路径。突变是用来修改或重组一个新的路径,给出了准确的最短路径。 |
遗传算法的伪代码: |
 |
| 一般遗传算法的伪代码[7]。它开始初始种群的过程,它是指一组路径(在我们的论文)。然后评估适合每个路径。评估成本的基础上每个节点随机选择的路径。 |
| 修剪人口不过是最差的最短路径根据健身价值。它计算中的所有路径的健身价值集。然后删除最糟糕,最后它的双路径最好的健身价值。 |
| 后选择双路径应用交叉算子。双路径是考虑作为一个父母,在跨越生产参考的孩子作为一个新的路径。 |
| 一旦他们获得了新的路径然后移动变异算子修改新路径,因此,它可以找到最优路径。之后可以简单解释了遗传算子。 |
选择的父母(路径): |
| 有许多不同的选择方法,比如精英选择、选择和轮盘赌选择排序。本文采用轮盘赌选择方法。 |
| 在轮盘赌选择中,个人选择的基础上,与竞争对手相对健康。这类似于车轮划分成很多片。多路径变大。选择新路径的路径。 |
交叉: |
| 交叉或重组算子结合子部分的两个父染色体和产生后代,包含一些父母遗传物质的一部分。交叉的主要是两种类型即单点交叉和多点交叉[9]。在单点交叉,有一个交叉站点和多点交叉有多个交叉站点。在单点交叉,一个孩子由交叉站点之前父母1部分和后部分交叉的父母2,另一个孩子由部分交叉站点之前父母2交叉站点后,部分家长1。下面显示了单点交叉的例子。父母是路径从源1到目的地6和交叉站点是4。 |
| 父母1:1 2 3 4 5 | 6 |
| 父2:1 5 4 2 | 3 6 |
| 后代1:1 2 3 4 3 6 |
| 后代2:1 5 4 2 5 6 |
| 这里的路径作为父1和2,获得的后代是一个新的路径。修改的后代有重复的节点,该节点我们使用突变。 |
基因突变: |
| 可以交叉操作可能会产生退化。为了解开这个,变异操作执行[9]。可以反转变异操作,插入、互惠的交换或其他人。反演的两个随机点选择以及它们之间的字符串是逆转。随机插入一个节点的插入位置的字符串。在互惠的交换,交换节点在两个随机位置。 |
| 考虑上述突变的后代1和2(插入方法)。 |
| 后代1(1)路径:1 2 3 4 3 6,在这个新的路径,节点数量重复两次,而不是任何一个3,使用插入突变方法我们可以插入一个节点5号(这是失踪的新路径中的节点) |
| 后代2(路径2):1 - 5 4 2 5 6,这也同样喜欢path1。她不是5我们可以插入3,这是失踪的节点。 |
| 在GA执行这个过程之后,获得的解决方案总是最佳[9]。 |
混合算法和遗传算法: |
| 在这个阶段,算法是用来帮助下找到最短路径的距离值,给出算法的输出作为输入。路径的集合了ACO过程中遗传算法的输入。遗传算法进行选择,交叉和变异过程,它给结果。结果只包含一个最短路径之间的最优路径。这个过程会继续在我们的纸上。 |
| 的伪代码混合与当前节点开始,当前节点是否目标节点,如果它是一个目的地然后保存路径,否则检查其他邻近节点的距离值,找到健身。 |
| 注意一件事,每个节点有一定的价值,这个价值是指作为配电网的距离在同一时间使用它作为一个成本。 |
| 寻找一条路我们使用一个算法,找到健身,这些可以通过GA发现之间的最优路径。那算法使用不仅找到路径,它还可以用于维护路由表非常简单,很容易理解。利用遗传算法的原因[11]: |
| 他们在本质上是平行的。他们在多个方向探索解空间。遗传算法非常适合解决问题的解空间是巨大的和时间搜索详尽是非常高的。 |
| 他们在复杂的健康问题表现良好。如果函数是不连续的,吵闹的,随时间变化或有许多当地的最适条件,然后GA给出更好的结果[10]。 |
| 遗传算法解决问题的能力没有先前的知识(盲)。 |
| 因为这个原因我们与GA混合ACO找到最短路径。 |
| 下面的伪代码可以很容易地解释剩余步骤混合算法和遗传算法。 |
 |
| 函数RandomSelectNode()是用于获取路径随机从保存的路径。 |
| RouletteWheelSelection()方法就像循环过程。这个选择过程有一个连接网络的所有节点,这种方法被广泛用于WMNs。 |
| RandomlyChooseMutationPoint()时使用的新路径。新路径有两个节点一样。使用这种方法节点丢失可以修改的节点。 |
| 使用这个伪代码我们可以很容易地混合并找到最短路径。 |
结论 |
| 摘要蚂蚁算法和遗传算法用于路由分组交换数据网络。发现蚂蚁算法,以减少路由表的大小。遗传算法不能使用的全球信息网络。因此,这两种算法的结合,使包独立探索无线网状网络,有助于寻找有效路径的一对节点之间。该算法产生初始种群,将当前节点转发,访问健身,生成新的人口使用遗传算子和更新路由表。 |
引用 |
|