基于模糊控制理论主动队列管理算法的研究报告报告

1、 - .- -可修编- -. z. - .- -可修编- -摘 要Abstract - .-. z. - .- -可修编- -. z.第2章 背景知识2.1 主动队列管理的介绍自1988年以来，研究人员做了大量的关于网络性能的研究，而且得到了如下的结论：尽管TCP拥塞控制机制是必须的，但不是在所有的网络环境下都能够提供良好的服务质量。因此，在路由器中添加*些机制是必要的，这样才能较好地避免拥塞或者从严重的拥塞中恢复出来。主动队列管理(AQM)是由IETF 提出的，其目的就是为了弥补端到端拥塞控制机制存在的缺陷。AQM算法解决的问题主要包括以下几个方面34：(1) 在延迟和吞吐量之间保持简单的权

2、衡，保持队列处于未满的状态是十分必要的。(2) 可以吸收突发流，对于持续流和间隙流进行公平的处理。(3) 在队列满之前对新到达的数据包进行随机丢弃，或者在队列满的时候对缓存区的数据包随机丢弃，从而避免拥塞的发生。(4) 避免多个TCP连接由于队列溢出而造成的慢启动”状态。总之，主动队列管理算法机制对于响应流可以提供如下的优点35：(1) 减少路由器中丢弃数据包的数量。突发数据流是一个分组网络中不可避免的方面。当路由器中所有的队列空间处于稳态”或者路由器的空间不足时，路由器将没有缓存突发流的能力。通过保持小的平均队列长度，主动队列管理不需要丢弃数据包就具有很强的吸收突发流的能力。如果没有主动队列

3、管理，在队列溢出时很多数据包将会被丢弃。这一点是我们所不希望的，原因有几点：首先，伴随着共有队列和弃尾规则，不必要的全局同步现象可能导致低的平均链路利用率，从而降低网络吞吐量。其次，与单纯的丢弃数据包相比，TCP从丢弃突发数据包的状态恢复过来是很困难的。最后，不必要的丢包代表着带宽的浪费。(2) 提供低延迟的交互式服务。通过保持队列长度在一个较小值附近，队列管理将会减少数据流的延迟，这对于交互式应用(例如，短距离Web传输，Telnet流，交互式音频会议等)是极其重要的。(3) 避免死锁行为。通过保证将要到达的数据包总是有一个可利用的缓存区，主动队列管理可以防止死锁的发生。同样，它还可以阻止路

4、由器对于低带宽高突发数据流的偏袒。明显地，死锁是不希望出现的状况，因为这种情况对于多组数据流是不公平的。2.2 中间节点路由器中的AQM算法 RED算法随机早期检测(Random Early Detection，RED)12是路由器中的一种AQM算法，它提供了网络性能的很多优点。与传统的当路由缓存区满之后才丢包的队列算法相比，RED算法以一定的概率对将要到达的数据包进行丢弃。丢弃概率随着估算的平均队列大小的增长而增加。RED响应于平均队列长度，而不是瞬时队列长度。因此，如果队列几乎处于空闲状态，RED算法将不会丢包。另一方面，如果队列已经处于相当满的状态，并指示了拥塞，则将要到来的数据包将以更

5、大的概率被丢弃。RED算法自身包括两个主要的部分：估计平均队列长度的大小和决策将要到达的数据包是否被丢弃。(1) 估计平均队列的大小。RED在转发路径中使用了一种简单的指数加权滑动平均的方法来计算平均队列长度(2.1)其中，为目前队列长度的权值，q是当前队列长度。由于网络流量是突发的或者短时拥塞，实际队列大小可能会瞬时增加，如果太小，则对于实际队列长度大小变化的响应会太慢；如果太大，将不会滤除网关的暂态拥塞。(2) 计算丢弃概率。这是算法的第二部分，RED决定是否要丢弃将要到达的数据包，从而有效地控制平均队列队列长度。RED有两个参数(最小阈值)和(最大阈值)。当平均队列大小低于时，没有数据包

6、丢失；当平均队列长度高于时，丢弃所有的数据包；当平均队列大小介于两者之间时，数据包将以概率P进行丢弃，如下式所示。(2.2a)(2.2b)其中，为最大丢弃概率，count为从上次丢包开始进入队列的数据包个数。RED算法有效地控制了队列长度，同时吸收突发数据包而不是对数据包进行丢弃，而且RED算法的随机性打破了导致死锁的全局同步现象。 ARED算法ARED算法13是针对RED参数敏感的问题而设计的，一般ARED的设计可以总结为基于链路速率自动地设置的值并根据测量的队列长度自适应的调节，从而将平均队列长度维持在和之间。如果平均队列长度低于，则证明拥塞控制比较激进，需要计算一个保守的；如果平均队列长

7、度高于, 则说明拥塞控制的比较保守，需要计算一个较激进的。ARED是对RED稍做改动的一种算法，它的鲁棒性源于它慢且频繁地对进行调节，为了确保ARED的性能在过渡期不会急剧下降，严格的将限制在0.01，0.5之间。这确保了过渡期RED的整体性能被接受，即使平均队列长度可能不在一个目标围，平均延时和吞吐量也只会有轻微的波动。 SRED算法与RED不同的是，SRED算法14没有计算平均队列长度的机制。SRED可以分为Simple SRED 和Full SRED。Simple SRED丢弃概率仅仅依赖于瞬时缓存占有和活跃流的估计数量，Full SRED丢包率计算依赖于数据包是否引起一个hit”。其中

8、hit是用来估计活跃流数量的。在Simple SRED中，通过估计活跃流数量然后用于设置丢弃概率。基于非恶意流可以激发更多的hits的思想，也可以直接用hit”来设置丢弃概率。因为与其它流相比，非恶意流有较多的数据包到达，而且，它们更可能出现在僵尸列表中。在Full SRED中，可以增加恶意流的丢弃概率，从而减小了TCP对短RTT流的偏袒。RED的队列长度波动较大，而SRED克服了RED的这个缺点，减小了延迟时间。SRED能够提够估计活跃数据流的数量，从而辨别非恶意流。通过统计活跃流的数量来调节丢弃概率从而使缓存占有情况得到很好的控制。 BLUE算法RED、ARED等算法都是以队列长度作为严重

9、拥塞的指标，而BULE算法19是用丢包率和链路空闲事件来管理拥塞的。BLUE保持稳定的丢弃概率，当数据包入队时此概率被用来标记数据包。如果由于队列溢出而持续地丢包，BLUE将增大标记概率，这样将增大发回拥塞通知的速度。相反地，如果队列处于空闲状态，BLUE将减小标记概率。这有效地允许BLUE去学习”它需要发回拥塞通知的正确率。当队列长度超过*一特定值时，BLUE将更新丢弃概率。这将在队列中为暂态突发流保留空间，并且，当队列被使用的值较大时允许队列控制排队时延。除了标记概率之外，BLUE使用三个其他的参数来控制标记概率的改变速度。一个参数是freeze_time，该参数决定了标记概率连续更新的最

10、小时间间隔。freeze_time允许标记概率在再次更新前有效地发挥作用。其他两个参数和被用于决定队列溢出时标记概率的增加量和队列空闲时标记概率的减少量。通常要比大的多，因为当拥塞管理太激进或太保守时链路利用率会很低。通过权衡丢弃概率，BLUE可以快速地对网路负载的大量增加做出反应。BLUE最大的贡献在于用较小的缓存区完成了拥塞控制，从而减小了排队时延，提高了吞吐量。此外，较小的缓存区使得路由的其余空间用来执行其它的功能，如存强大的路由表，从而使路由器的整体性能得到提高。而RED则需要较大的缓存区才能达到同样的效果。 PI算法文献36中，V.Misra等人基于流体流建立了AQM作用下的动态模型

11、，得到的非线性化微分方程如下式所示(2.3)上式中各个参数的含义分别是W：TCP 窗口的大小(单位：包)；：W的一阶微分；Tp：链路的传输迟延(单位：秒)；C：链路容量(单位：包/秒)；：队列长度的期望值；N：TCP连接个数；q：瞬时队列长度；R：往返时间(RTT)，Tp是固定的广播时延；p：丢弃概率。通过线性化处理和拉普拉斯变换得到传输函数，图2.1所示为该模型基础上得到的AQM系统模型。图2.1 TCP/AQM控制系统(PI)基于该AQM/TCP非线性动态模型，C.Hollot经过线性化处理，提出了PI (Proportional Integral)算法，这是一个非常有价值的工作，因为它的

12、主要贡献是将AQM系统的算法转化成在控制理论中控制器的设计。从控制理论的角度来讲，AQM可以看作为一种经典的调节算法，该算法的目标是使队列长度始终保持在期望值附近，参考的队列长度是用户可设定的。与RED算法相比，PI控制器能够使队列长度更稳定，具有更小的队列抖动。然而，PI控制器有一个致命的缺点，即调节时间过长，而且过度的依赖于缓存队列大小。另外，调节控制器参数的方法也是不确定的，这对于控制器的设计是非常重要的。所以研究人员对PI控制器引入了微分环节提出了PID控制器，并且用理论方法对控制器的参数进行调节。 PID算法从经典的控制理论中可以知道：在设计控制器的时候，能快速地将动态系统调节到期望

13、的稳态是非常有帮助的。最简单的方法就是观察状态变量的变化，然后把它综合到控制器中，这也是PI和PID控制器最重要区别。微分环节可以大缩短暂态过程，因此，PID控制器可以克服PI控制器调节时间长的缺点37。图2.2描述的是PID控制系统的原理框图。图2.2 PID控制器系统原理框图其中，、分别是PID控制器的比例、积分、微分系数。实际应用中，采样队列系统需要控制器的离散形式，用一系列的采样时间kT代替连续时间t，用和与差分别代替积分与微分。则PID 控制器的离散表达式可以表示如下(2.4)其中，T为采样时间。写成增量的形式为(2.5)PID控制器即使在路由缓存较小的情况下也能加快AQM的响应速度

14、。与PI算法相比，它能在多变的网络环境下很好的控制数据包的延迟时间，这对于保证服务质量具有很大的益处。2.3 模糊控制理论处理模糊世界时，通常需要一种工具叫做模糊控制，其主要思想是在控制中引入模糊控制理论，从而作用于难以建立数学模型和缺乏精确模型的复杂系统。模糊控制不依赖于精确的数学模型，而是通过总结知识和积累经验对复杂的系统进行控制，因而对具有不确定性对象的系统具有很强的适应能力。简言之，模糊控制理论就是模仿人的思维方式和经验来实现自动控制的一种控制方法。2.3.1 模糊控制理论的产生及应用模糊集的概念是美国加州大学Zadeh教授通过隶属度函数于1965年在他的FuzzySets38等著名论

15、著中首先提出来的。1973年，他在文章中又引入了语言变量”的概念，相当于一个变量定义成为模糊集。1985年，Takagi和Sugeno提出了TakagiSugeno模糊模型39，此模型的主要特点是通过线性系统模型来表达每一个模糊规则的特性。1974年，Mamdani首次将模糊控制应用于锅炉蒸汽机的控制40，实验得到的效果比传统的控制算法要好得多。1985年Yasunobu和Miyamoto 提出了模糊系统，并做了仿真，证明了模糊控制系统在仙台铁路中的重要性。他们的想法于1987年铁路开通时被用于控制火车的加速、制动和停止。同年，在东京召开的关于模糊研究的国际会议上，Yamakawa在一个单摆实

16、验中，通过使用一系列简单而细致的模糊逻辑芯片证明了模糊控制的使用。观察者对他的证明留下了非常深刻的印象。在随后的实验中，他在单摆的顶部放一个装满水的杯子或一只老鼠，系统仍然保持稳定。最终，Yamakawa继续组织他的模糊系统研究并申请了他在这一领域的专利。随后，日本工程师将模糊系统应用在工业和商业中。1988年，日本建立了由48个公司组成的估计模糊工程实验室(LIFE)，他们继续对模糊控制进行研究。2.3.2 模糊集合模糊集合是指具有隶属度的元素的集合，它是一个普通集合的扩展41。在普通集合中，元素的隶属度以二进制形式表示，即一个元素要么属于要么不属于一个集合。相反，模糊集合理论允许评估一个元

17、素在集合中的函数隶属度，通过增加一个介于0，1之间的隶属度函数值来描述。普通集合是模糊集的特殊情况，因为当模糊集合的隶属度取0或1时就是普通集合。模糊集合理论可以用于信息不完整或者不精确的广泛领域。A是定义在集合*上的一个模糊子集，则用下面的映射表示集合*上的模糊子集其中，称为模糊子集A的隶属函数，为表示*属于模糊子集A的程度，即隶属度，其值介于0，l之间。当为0时，表示*不包含于A，当为1时，表示*包含于A，当介于0和1之间时，则表示*属于A的程度。一般来讲，模糊集合用向量法来表示。如果模糊集合A的论域由有限个元素组成，则可以用下面的形式来表示模糊集合A可以简化表示为2.3.3 模糊隶属度函

18、数模糊集合的隶属度函数是普通集合中指标函数的概括。在模糊逻辑中，它代表了在一个评估围的真实程度。尽管在概念上截然不同，但是人们通常将真实性与概率相混淆。模糊真实性代表了定义在模糊集中的隶属度，而不是*些事件或条件的可能性。正确的构造隶属度函数是控制效果好坏的关键，因为每个人对模糊概念的认识不同，所以确定隶属度函数存着主观性，确定隶属函数的方法有(1) 模糊统计法。是论域U上的确定元素，而论域U上的可变动的清晰集合，要判断是否完全属于集合，对于不同的实验者确定的的边界是不同的，但是他们都应用于同一个集合A。从而模糊统计法的执行步骤是：固定而可变，重复做n次实验，就可以得到隶属频率。随着n的增大，

19、隶属频率趋于稳定，则稳定时的隶属频率就是对A的隶属度。这种方法的缺点是计算量比较大。(2) 例证法。已知有限个隶属度的值，估计论域U上模糊子集A的隶属度函数。如果论域U代表温度，A是今天的平均温度高”，则A是U的一个模糊子集，为了确定的值，首先选取一个温度值w，然后选取几个语言真值中的一个来回答今天的平均气温是否是高。语言变量分别选取真”、似真似假”、假”三种情况，并且用数字1、0.5、0来表示以上三个语言真值。记录n天的平均气温，即可得到A的隶属度函数的离散表示方式。(3) 专家经验法。一般是通过实际经验来确定隶属度。通常情况下，这类隶属度函数都是比较粗略的，要经过不断地实验来完善和修改。常

20、用来表示隶属函数的方法有：抛物线形、直线型的三角形和梯形等，在实际应用中，一般三角形以其直观、方便被普遍采用。2.3.4 模糊控制规则(1) 模糊控制规则的表示模糊规则是由语言变量所表达的模糊条件语句所组成的42，可以表示成这样的术语：如果房间变热，将风扇叶片的旋转速度加快”，这里的房间温度和风扇叶片旋转速度都是不精确的数量。热”和快”都是模糊术语。模糊逻辑和模糊规则可以增加类似于人类的主观推理能力。如果一个被控对象的输入变量为A和B，输入为C，则模糊规则可以用以下形式的条件语句表示IF * is A AND y is B THEN z is C其中，*、y和z是语言变量。(2) 模糊控制规则

21、的制定模糊规则可以根据专家的知识和经验进行归纳总结而编写，它直接影响着控制系统的质量，因此，编写一套合理的模糊规则非常重要。经验总结就是经过加工、整理和提炼，去除粗略规则的同时保留精确规则，然后制定模糊规则的方法。此方法比较简单和直接，并且易于实现。QM算法的设计中。 - .-. z.- -可修编- -. z.第3章 基于自适应模糊PID主动队列管理算法的研究3.1 自适应模糊PID控制器的设计分析设计目标主动队列管理算法的直接目标是能够使路由器中的队列长度稳定在*一围，所以算法的稳定性直接影响到路由器中的队列长度，并且队列长度的变化直接关系到网络QoS。因此，本文从模糊控制理论出发设计一种自

22、适应模糊PID算法(AF-PID)，使其能够根据不同的网络状态动态地调节PID控制器的三个参数。最终能够将瞬时队列长度稳定在期望值附近，从而提高链路利用率高，减小丢弃概率。总结本算法的主要设计目标如下(1) 队列长度的稳定性。该算法能够根据用户的需求将队列长度稳定在介于零和缓存区长度之间任意一个期望值附近，并且能够保证队列较小的长度震荡。(2) 鲁棒性。当网络参数(例如源端个数(n)、延迟(d)、瓶颈链路带宽(C)、不同的数据流(TCP或UDP)变化时，该算法依然具有良好的稳定性。由于网络分布在不同的地理位置上而具有时滞性，而时滞性又是网络拥塞控制中不可忽略的因素，小的时滞会对网络质量引起较大

23、的影响。因此改善时滞对于提高网络QoS具有重要意义。传统控制理论的方法在很大程度上依赖于结构已知的系统数学模型，而网络系统的复杂性、时变性及大量的网络干扰却恰恰决定了建立一个较为精确的网络模型是很困难的。因此，网络环境快速变化时，PID控制器参数难于及时整定，影响PID算法对网络数据流的控制效果。而模糊控制器是一种模糊语言控制器，它采用模糊集合理论，不需要建立精确的模型即可实现良好的控制效果。自适应模糊PID算法用模糊控制来实现PID控制器参数在动态网络环境下的及时调整。设计方法1. 精确量的模糊化模糊化就是将输入量的实际值转换成模糊值的过程。模糊控制器的输入一般为精确量，而控制器处理的是模糊

24、量，因此对精确量的模糊化是不可或缺的。模糊化的过程包括两个部分：量程转换和模糊化方法的选择。在实际工作中，如果精确量*的变化围在a，b之间，则可以把*转换到-n，n 区间的变量y，如下式所示(3.1)模糊化的方法有以下两种方法将精确输入量模糊化为单点模糊集合。设该模糊集用F表示，则有(3.2)此方法从理论上看已经将精确输入量转化成了模糊量，但是其本质上并不具有模糊性，实际上其仍然是一个确定值。不过这种方法易于实现因此被广泛使用，当检测量为准确数据时，采用此方法是比较合理的。(2) 将精确输入量转化为论域上的*一元素，在该元素上具有最大隶属度的模糊子集，即一个精确量对应于论域上的一个模糊子集。采

25、用此方法的原因在于处理一个模糊数要比处理随机数效率高得多，模糊化函数通常选用等腰三角形函数函数、梯形函数等。2. 知识库知识库一般包括数据库和规则库两部分，对于模糊化、模糊推理以及反模糊化将起到举足轻重的作用。(1) 论域的选择模糊规则建立在模糊语言变量的基础上，所以选择正确的模糊语言变量对模糊控制至关重要。论域选取实际上是将一个论域离散成确定的几小段，每一段用一个语言变量来表示。由于模糊变量的语言集一般选为6个以上，所以一般取论域-N，N中的，这样就能满足模糊集论域中所含元素的个数多于模糊变量语言集总数的两倍，从而保证整个论域被模糊集合很好的覆盖，个别失控的现象也因此得到避免。(2) 输入和

26、输出模糊空间的划分制定模糊规则之前必须要确保每一个语言变量都有一个对应于确定论域的模糊输入空间。模糊规则结论中的语言变量则形成了模糊输出空间。模糊划分取决于语言变量的多少，也就是说，模糊空间的划分也就是确定语言变量的个数。模糊语言有自己的意义，例如,负大(NB)，负中(NM)，负小(NS)，零(Z)，正小(PS)，正中(PM)，正大(PB)。论域中元素的隶属函数一般选择三角形和梯形函数形式。(3) 模糊规则的选取模糊规则是模糊控制的核心部分。规则库中包含了用模糊变量表示的一系列模糊控制规则。模糊规则获取可以通过专家经验法、观察法、基于模糊模型的控制、自组织法等获取。它是由多个IF-THEN”型

27、语句构成的，每个条件语句的前部分为输入变量，后部分为输出变量。可以用下面的形式表示R1 : IF*=NB AND Y=NB THENU=PBR2 : IF *=NM ANDY=NM THENU=PBRn : IF*=PB ANDY=PB THENU=NB3. 模糊推理模糊推理就是从一个模糊的输入集合中得出可能的不精确的输出的推理过程，又称近似推理44。它是模糊控制的中心工作，以模糊概念为基础，通过模糊蕴含和模糊逻辑的推理规则来获取模糊控制信息，并可实现拟人的决策过程。根据模糊输入量和模糊控制规则，模糊推理求解模糊关系方程，获取模糊输出量，但模糊推理得到的仍然是一个模糊变量。模糊推理的复杂性依赖

28、于模糊规则语句中模糊集的隶属函数的确定，选择一些简单的又能反应模糊推理结果的隶属度函数可以大大简化模糊推理的计算过程。4. 解模糊化上述推理演算得到的模糊输出量必须转换为清晰量，这个过程就是解模糊化45。解模糊化的方法一般有以下两种(1) 最大隶属法。这种方法实现起来比较简单，若推理结论中的模糊集合C的隶属度仅有一个最大值，则选取隶属度最大的元素作为输出量，即如果，则精确输出值为。若输出量的隶属度有多个最大值，则有最大隶属度的元素取平均值作为精确输出值。(2) 加权平均法。该算法具有灵活性，选取的加权平均值作为输出精确值，可由下式表示 (3.3)3.2自适应模糊PID控制器的设计自适应模糊PI

29、D控制器的结构框图如图3.1所示，它包括PID控制器和模糊控制器两部分。本章采用的是二输入三输出的模糊控制器，它是以瞬时队列长度和期望队列长度的误差e和误差的变化率ec作为控制器的输入量，PID控制器三个参数的变化量作为输出量。本章是通过查找模糊规则表并进行模糊推理和反模糊化得到三个参数的精确变化量，然后对PID三个参数进行在线调整，并及时更新丢弃概率，使其作用于TCP/IP模型，最终能够使瞬时队列长度在网络动态变化的环境下仍然保持稳定，从而达到良好的控制效果。图3.1 自适应模糊PID控制器结构框图输入和输出变量的选择及量化模糊控制器有两个输入，分别为误差e以及误差变化率ec。e的计算方式如

30、下式所示 (3.4)其中，q(k)为瞬时队列长度，为队列长度期望值。ec的计算方法如下式所示(3.5)模糊控制器的输出为PID三个参数的增量、。首先选定输入输出变量的模糊状态，本章选取七个模糊状态，分别为PB、PM、PS、Z、NS、NM、NP。输入变量e的论域选取为-3，3，输入变量ec及输出变量的论域取为-0.3，0.3，如图3.2所示，选取三角形函数为隶属度函数。(a) e(b) ec及输出变量图3.2 输入和输出变量的隶属度函数 模糊规则结合专家知识和经验，所有的模糊规则如表3.1所示。共有49条模糊规则，第一条规则如下Rule 1: If e is NB andec is NB the

31、nis PB其它规则与Rule 1类似。表3.1 /的模糊规则表eceNBNMNSZPSPMPBNBPB/NB/PSPB/NB/NSPM/NM/NBPM/NM/NBPS/NS/NBZ/Z/NMZ/Z/PSNMPB/NB/PSPB/NB/PSPM/NM/NBPS/NS/NMPS/NS/NMZ/Z/NSZ/Z/ZNSPM/NB/ZPB/NB/NSPM/NS/NMPS/NS/NMZ/Z/NSNS/PS/NSNS/PS/ZZPM/NM/ZPM/NM/NSPS/NS/NSZ/Z/NSNS/PS/NSNM/PM/NSNM/PM/ZPSPM/NM/ZPS/NS/ZZ/Z/ZNS/PS/ZNS/PS/ZNM/

32、PM/ZNM/PB/ZPMPS/Z/PBZ/Z/NSNS/PS/PSNM/PS/PSNM/PM/PSNM/PB/PSNB/PB/PBPBZ/Z/PBZ/Z/PMZM/PS/PMNM/PM/PMNM/PM/PSNB/PB/PSNB/PB/PB 模糊推理及反模糊化本文采用了Mamdani推理法，对于下面的控制规则利用模糊蕴含最小值法可得(3.6)其中，表示min。模糊合成采用最大值法，则可由式表示:(3.7)其中，表示ma*。为了获得的准确值，本章采用比较简单的最大隶属度函数法进行去模糊化。类似地，也可以得到和的精确值。从而、和的值可以用下式计算 (3.8)其中，和为PID控制器三个参数的初始值，

33、在仿真中可以根据需要进行设定。以提供更好的服务质量。 - .- -可修编- -. z. - .- -可修编- -第4章 基于模糊增益神经元主动队列管理算法的研究4.1 算法描述从控制理论方面来讲，TCP/AQM控制系统可以转化为一个反馈控制系统模型。AQM作为系统的控制器，TCP作为系统的被控对象。AQM会根据丢弃概率p来调节路由器瞬时队列长度以到达期望队列长度，从而使路由器保持高链路利用率和低延迟的状态，最终达到提高QoS的目的。传统控制理论方法仅仅依赖于结构确定的数学模型，建立一个较为精确的网络模型是比较困难的，原因在于网络系统的复杂性、时变性及实际存在的网络干扰。而智能控制，如神经元控制

34、和模糊控制，具有结构简单，易于计算，自适应性强等优点49，已经应用于复杂的主动队列管理机制中。本文基于神经元控制和模糊控制，给出一种自适应模糊神经元主动队列管理算法。该算以瞬时队列长度有拥塞指标，能够更好的感知网络状况。采用有监督的Hebb算法自适应地调节神经元的加权系数，同时设计了模糊控制器，动态地调整神经元的增益K，以取得更好的控制性能及鲁棒性，其控制原理如图4.1所示。图4.1 模糊神经元控制原理图图4.1中q为瞬时队列长度，为队列长度目标值，p为丢弃概率，单神经元有3个输入分别为、。采用有监督的Hebb算法自适应地调节加权系数，模糊控制器动态地调整神经元增益K，计算得到的丢弃概率p作为

35、控制系统的输出。4.2神经元控制器的设计4.2.1 单神经元控制系统图4.1中自适应模糊神经元算法的输入量分别为 (4.1)其中，为瞬时队列长度与期望值的误差，为误差的一次差分，为误差的二次差分。神经元控制系统的输入输出关系为 (4.2)其中，K为单神经元的增益，并且保证K0，为单神经元的输入，为的加权系数，u(k)为单神经元的输出，其中，i=1，2，3。 单神经元控制学习方法学习规则是通过*种算法不断地修改神经元加权系数的过程，通过对周围环境进行学习从而适应环境。神经元学习过程中，加权系数与递进信号成正比，同时慢慢地衰减，其学习规则可由下式表示 (4.3)其中，是学习速率系数，并保证0，是递进信号，c为常数，实际应用中取为0。在神经元学习算法中，根据学习信号的不同将学习算法分为3种：无导的Hebb学习算法、有导的Delta学习算法和有导