[发明专利]一种基于遗传算法的网络同步性能优化方法

摘要

一种基于遗传算法的网络同步性能优化方法，首先利用模型规则生成小世界网络；其次，在小世界网络的基础上，利用kuramoto同步演化模型对网络的同步性能进行演化分析；最后，根据演化结果的优劣，利用遗传算法对网络结构进行优化，控制演化结果的走向，使网络的同步性能最优。本发明利用遗传算法对网络结构的优化，使得同步演化结果可控，将优化方法和演化方法相结合，得到最优的网络结构，并将其应用于网络群体同步行为的控制、广告投放和顾客购买的同步问题。

主权项

1.基于遗传算法的网络同步性能优化方法，包括以下步骤：1)首先利用参数可调的小世界网络模型生成初始网络结构；2)引入kuramoto模型，用以下微分方程表示网络的同步性能：其中，x_i(t)、x_j(t)分别表示个体i、j在t时刻对事件所持的态度值，表示t时刻个体i的态度变化值，n_i表示第i个个体的邻近个体数量；a_j表示个体j的影响能力，w_i描述个体的接受能力，c_i表示个体i的从众性；同时，引入同步判断依据：其中为的平均值，0≤r(t)≤1，而最终判断群体行为是否达到同步的依据为r(t)值是否接近于1；3)以式(2)作为适应度函数，网络同步性能越高，适应度函数值越大，其中r值为t次演化后的同步程度值；4)初始化参数：产生初始种群，即初始的网络结构，定义种群大小为m，交叉概率P_c，变异概率P_m，迭代终止代数T；5)编码，将每个种群按点与点之间的连接情况进行编码，如一条边的两个节点分别为2和3，则用(2,3)来表示，以此方法来对整个网络进行描述；6)计算每个个体的适应度函数：(S_g)_i＝r_i   (3)将(S_g)_i>0.9的个体选择进去下一代，否则淘汰；7)补充种群个体：统计被选入下一代的种群数量n，如果n<m，则对上一代的适应度函数依次由高到低排序，选择m‑n个；8)将适应度较高的个体进行复制，保留到下一代中，使得种群大小为n＝m；9)找到属性相同个体，将其归为一类，并定义该类为第i(i＝l，2，...，n)类，个体浓度为个体浓度概率为显然，然后定义个体选择概率为Q，选择概率Q由适应度概率Q_f和浓度概率Q_i共同决定：Q＝αQ_f+(1‑α)Q_i,其中0<α<1是常数；10)交叉：采用随机动态方法调整交叉操作的概率，使交叉概率Q_c能够随适应度自动发生改变，当种群中个体的适应度趋于一致时，调整Q_c增加，当群体适应度较为分散时，调整Q_c减小，其中交叉概率为：式中Q_c1＝0.9；0.6≤Q_c2<0.9；f’为交叉个体中较大的适应度值，f_max为最大适应度值，f_avg为平均适应度值；11)变异，同样采取随机动态方法调整变异概率，使得变异概率Q_m能够随适应度自动发生改变，其中变异概率为：式中Q_m1＝0.1；0.001≤Q_m2<0.1；f为变异个体的适应度值；12)判断终止条件，看是否满足终止条件，即最终的适应度函数值(S_g)_i是否稳定在0.97以上；满足则输出对应的编码，并解码为对应的网络结构。