[发明专利]一种基于遗传蚁群融合算法改进负载均衡的方法

权利要求书

1.在一种基于遗传-蚁群融合算法改进负载均衡的方法，其特征在于，包括：源节点定位模块，算法模块，路径计算模块，其中，算法模块包括遗传算法及蚁群算法，源节点定位模块，算法模块，路径计算模块依次按顺序链接。

2.根据权利要求1所述的基于遗传-蚁群融合算法改进负载均衡的方法，其特征在于，包括以下步骤：

S1: 定位源节点与目的节点；

S2: 选择遗传算子，基于所述遗传算子求解获得适应度值高的优化解；

S3：选择蚁群算子，并将所述遗传算子和所述蚁群算子的过渡，将遗传算子求出的所述优化解转化成所述蚁群算子的初始信息素分布；

S4：将所述优化解进行链路权值计算（选择链路权值算法模型）；

S5：判断负载值是否大于等于预先设置的拥堵值；

S6：输出最优路径。

3.根据权利要求2所述的基于遗传-蚁群融合算法改进负载均衡的方法，其特征在于，步骤S2中所述的遗传算子的选择包括以下步骤：

S21.预处理：提出具体问题描述或模型，确定染色体编码方式，确定染色体优选评价方法及适应度函数；

S22.初始化：设置参数包括但不仅限于最大迭代次数、其它终止条件、种群规模、交叉概率、变异概率等参数；

S23.生成初始种群：将静态算法和随机算法结合，形成第一代种群，并且把迭代计数器归零；

S24.计算初始种群适应度：计算当代种群中出所有个体的适应度值，并找到值最优适应度值，将其作为当前当代最优解和当前全局最优解；

S25.判断是否终止：根据上一步得出的信息判断是否满足两个终止条件，若满足则输出全局最优个体为最优解，算法结束；否则进入下一步；

S26.选择操作：采取分级选择策略，避免优势个体在逐代进化的过程中流失；

S27.交叉操作：根据交叉概率选择当前种群的个体来执行改进后的交叉操作；

S28.变异操作：根据动态变异概率选择当前种群的个体执行改进后的变异操作；

S29.生成下一代种群：经过步骤S26，S27，S28，生成新一代的种群。

4.根据权利要求2所述的基于遗传-蚁群融合算法改进负载均衡的方法，其特征在于，步骤S3中所述的蚁群算子的选择包括以下步骤:

S31:在每一波蚁群算法迭代流程中，加上遗传算法的交叉变异因子来优化每次迭代的最优解，使得每波迭代都快速进入局部最优;

S32:其次，再每波迭代过后的一组解中，从中选取相对较优的几组解来作为遗传算法的父代输入，开始进入遗传算法;

S33:得到子代后，用同样的原理，产生一组子代较优解，将其返回作为蚁群算法各节点路径所需的信息素的输入，继续切换至蚁群算法;

S34:最后，在遗传算子作用下的蚁群算法得到的局部最优解中，进行再一步的优化，从而得到全局最优解。

5.根据权利要求1所述的基于遗传-蚁群融合算法改进负载均衡的方法，其特征在于：在步骤S1中，所述定位源节点、目的节点，这些信息通过网络流量估测的方式获取。

6.根据权利要求1所述的基于遗传-蚁群融合算法改进负载均衡的方法，其特征在于：当步骤S5的负载值小于预先设置的拥堵值，则返回S4重新计算直到负载值大于预先设置的拥堵值。

7.根据权利要求2所述的基于遗传-蚁群融合算法改进负载均衡的方法，其特征在于：步骤S4中所述的链路权值计算过程为对遗传算法所得到的优化解进行合理扰动，设置信息启发因子不太小的同时适当加大期望启发因子，加速优化解收敛过程。

8.根据权利要求2所述的基于遗传-蚁群融合算法改进负载均衡的方法，其特征在于：步骤S5中预先设置的拥堵值为通过预先网络流量估测的多点协同流量最大值的概率分布，来整体计算优化解路径的拥堵程度。