计算机网络可靠性优化问题中并行遗传算法的应用分析

1、 计算机网络可靠性优化问题中并行遗传算法的应用分析 刘朋Summary本文分析了计算机网络运行中存在的问题，阐述了当前形势下，优化其可靠性的重要程度，针对现今网络运行存在的问题进行分析研究。笔者通过研究，结合总结和归纳自身多年工作经验，提出利用粗粒度并行遗传算法对其可靠性进行优化。希望通过本文的分析研究，希望能够在计算机网络在预算成本允许的情况下，实现可靠性的优化工作，使其运行质量与水平得到保障。【Keys】计算机网络 可靠性 优化 并行 遗传算法 应用网络相互连接系统和终端没有处理能力系统相比，不仅成本较低，还可有效提高网络的可靠性，但是网络受到地域或是历史因素的限制，已知拓扑范围，无法将网

2、络进行优化设计。因此，本文利用并行遗传的粗粒度算法，在不超过预算成本的基础上，优化网络可靠性。1 网络数据传输中问题描述1.1 假设问题假若计算机网络只有一条通道对节点上的多数信息进行传输，这时可利用G=（N，L）这一数学模型来描述被传输的信息；该通道的通信传输有较强的稳定性，可对各节点间的数据进行有效传输；传输通道的网络可靠性和介质长度之间无需对数据进行直接交换。1.2 问题模型其中，C为载体总有成本，N为总有交叉点数，Diaij是从i和j两个交叉点间逻辑连线最的载体数量，和为网络交叉点常数。gij=1，说明i与j两个节点间存在直接的通讯连线；如gij=0，说明i与j两个节点间没有直接的通讯

3、连线。在数学模型中，L集中可能仅有L 这一个子集状态处于正常值，L L，网络中所有交叉点的状态全部处于正常值的可靠度可用，ni表示，其中ni为点i个交叉点。在R最大化，且CC0时，计算机网络的整体可靠度模型如下所示：其中，P（li）表示第i条节点线路载体的可靠程度，是网络中正常状态的总合，li表示第i条节点线路的载体。2 并行遗传算法优化计算机网络可靠性过程并行遗传算法可分为粗粒度、细粒度和主从式度三类模型。粗粒度模型十七中为有效的一种，其有较强的适应能力，被广泛应用于并行遗传算法模型中。其主要是将随机形成的初始群体利用处理器将其分割成为无数个子群体，子群体在各个处理器上互相独立的进行并行操作

4、，只有经过指定的进化代，子群体将会对无数个个体进行交换，引进新型的优异基因，是子群体更加多样化，可有效避免基因在还未到达成熟期时开始收敛。该算法模型由于通信成本较小，因此，较适于实施在集群系统没有较高的通信网络时。经研究表明，以pop=m*pops群体规模保持不变为基础，对子群体的数量进行适当增加，可有效提升网络优化质量。利用同方这一探索技术，其计算机网络有108个集群，处理器为16个，因此，将m设置为16，而pops设置为10.8。2.1 初始化子群体将所有独立的节点随机组合成为新的初始群体，因其算法为并行法，因此，其本文来自于Www.zZ-new.Com比原有的算法要简单很多，原来是将一个

5、网络核心节点上构建形成一个较大的群体后，将其随机分布于各个节点上。2.2 连接拓扑网络连接拓扑包含各个子群体的单、双向环、无迁移状态的完全隔离以及网格等。据研究证明，单相环连接拓扑可有效保障基因在优异状态下在群体范围内进行扩散，同时，又能够将群体进行隔离，使群体多样性得到保障，虽说其收敛速度过于缓慢，但其解的质量非常高。2.3 迁移计划可利用粗粒度模型对子群体内的优异基因进行对外分离，所选基因是随机产生的，部分算法是利用迁入者对群体里差异较大个体进行替换；最为常用的是将优异个体进行迁移或进行取代。本文可是利用此法，因此，nnew迁移的数量设为1。根据研究可知，如epoch迁移的间隔归于小，将会

6、使群体间的多样形态遭到破损，影响解的质量，针对这一问题，本文利用仿真实验，在保证其可靠性有效前提下，使收敛速度到达最快。3 仿真实验为了检测网络拓扑并行遗传算法的性能，节点以及载体皆选用3种，数学模板为G=（N，L），其中N为60，L为61，解群体空间区域为3121=5.39*1057，其中，di为61条弧长。成本公式如下所示：第一类在并行情况下可靠性为0.84、预算成本为21.3、接质量值为37426.2；串行情况下可靠性为0.83、预算成本为124、接质量值为48642.7；第二类在并行情况下可靠性为0.823、预算成本为31.9、接质量值为28268.7；串行情况下可靠性为0.826、预

7、算成本为59.4、接质量值为35963.3；第三类在并行情况下可靠性为0.836、预算成本为54.8、接质量值为21231.5；串行情况下可靠性为0.816、预算成本为65、接质量值为29971.4；以上案例说明，这三个方案，不管是并行好事串行，皆有较高的适应度，虽三个方案所用成本不一，并行的可靠性以及收敛度等皆优于串联算法，因此，并行遗传算法能优化计算机网络可靠性。4 结束语综上所述，普通串联遗传的算法，只是将计算机网络的节点存储以及通信等存在的问题进行简化，使运行效率得到提高，并不能达到最高效率，但是并行遗传法不仅有效提高了计算机网络的速度与质量，耗能保障可靠性较高。Reference1周

8、环.计算机网络可靠度优化计算中遗传算法的应用分析J.中国电子商务，2013（05）.2周政.并行遗传算法在软件可靠性优化中的应用J.华章，2013（19）.3袁黎.计算机网络可靠度优化计算中应用遗传算法的研究J.商，2014（07）.作者单位伊通满族自治县卫生局卫生监督所 吉林省四平市 130700 Summary本文分析了计算机网络运行中存在的问题，阐述了当前形势下，优化其可靠性的重要程度，针对现今网络运行存在的问题进行分析研究。笔者通过研究，结合总结和归纳自身多年工作经验，提出利用粗粒度并行遗传算法对其可靠性进行优化。希望通过本文的分析研究，希望能够在计算机网络在预算成本允许的情况下，实现

9、可靠性的优化工作，使其运行质量与水平得到保障。【Keys】计算机网络 可靠性 优化 并行 遗传算法 应用网络相互连接系统和终端没有处理能力系统相比，不仅成本较低，还可有效提高网络的可靠性，但是网络受到地域或是历史因素的限制，已知拓扑范围，无法将网络进行优化设计。因此，本文利用并行遗传的粗粒度算法，在不超过预算成本的基础上，优化网络可靠性。1 网络数据传输中问题描述1.1 假设问题假若计算机网络只有一条通道对节点上的多数信息进行传输，这时可利用G=（N，L）这一数学模型来描述被传输的信息；该通道的通信传输有较强的稳定性，可对各节点间的数据进行有效传输；传输通道的网络可靠性和介质长度之间无需对数据

10、进行直接交换。1.2 问题模型其中，C为载体总有成本，N为总有交叉点数，Diaij是从i和j两个交叉点间逻辑连线最的载体数量，和为网络交叉点常数。gij=1，说明i与j两个节点间存在直接的通讯连线；如gij=0，说明i与j两个节点间没有直接的通讯连线。在数学模型中，L集中可能仅有L 这一个子集状态处于正常值，L L，网络中所有交叉点的状态全部处于正常值的可靠度可用，ni表示，其中ni为点i个交叉点。在R最大化，且CC0时，计算机网络的整体可靠度模型如下所示：其中，P（li）表示第i条节点线路载体的可靠程度，是网络中正常状态的总合，li表示第i条节点线路的载体。2 并行遗传算法优化计算机网络可靠

11、性过程并行遗传算法可分为粗粒度、细粒度和主从式度三类模型。粗粒度模型十七中为有效的一种，其有较强的适应能力，被广泛应用于并行遗传算法模型中。其主要是将随机形成的初始群体利用处理器将其分割成为无数个子群体，子群体在各个处理器上互相独立的进行并行操作，只有经过指定的进化代，子群体将会对无数个个体进行交换，引进新型的优异基因，是子群体更加多样化，可有效避免基因在还未到达成熟期时开始收敛。该算法模型由于通信成本较小，因此，较适于实施在集群系统没有较高的通信网络时。经研究表明，以pop=m*pops群体规模保持不变为基础，对子群体的数量进行适当增加，可有效提升网络优化质量。利用同方这一探索技术，其计算机

12、网络有108个集群，处理器为16个，因此，将m设置为16，而pops设置为10.8。2.1 初始化子群体将所有独立的节点随机组合成为新的初始群体，因其算法为并行法，因此，其比原有的算法要简单很多，原来是将一个网络核心节点上构建形成一个较大的群体后，将其随机分布于各个节点上。2.2 连接拓扑网络连接拓扑包含各个子群体的单、双向环、无迁移状态的完全隔离以及网格等。据研究证明，单相环连接拓扑可有效保障基因在优异状态下在群体范围内进行扩散，同时，又能够将群体进行隔离，使群体多样性得到保障，虽说其收敛速度过于缓慢，但其解的质量非常高。2.3 迁移计划可利用粗粒度模型对子群体内的优异基因进行对外分离，所选

13、基因是随机产生的，部分算法是利用迁入者对群体里差异较大个体进行替换；最为常用的是将优异个体进行迁移或进行取代。本文可是利用此法，因此，nnew迁移的数量设为1。根据研究可知，如epoch迁移的间隔归于小，将会使群体间的多样形态遭到破损，影响解的质量，针对这一问题，本文利用仿真实验，在保证其可靠性有效前提下，使收敛速度到达最快。3 仿真实验为了检测网络拓扑并行遗传算法的性能，节点以及载体皆选用3种，数学模板为G=（N，L），其中N为60，L为61，解群体空间区域为3121=5.39*1057，其中，di为61条弧长。成本公式如下所示：第一类在并行情况下可靠性为0.84、预算成本为21.3、接质量

14、值为37426.2；串行情况下可靠性为0.83、预算成本为124、接质量值为48642.7；第二类在并行情况下可靠性为0.823、预算成本为31.9、接质量值为28268.7；串行情况下可靠性为0.826、预算成本为59.4、接质量值为35963.3；第三类在并行情况下可靠性为0.836、预算成本为54.8、接质量值为21231.5；串行情况下可靠性为0.816、预算成本为65、接质量值为29971.4；以上案例说明，这三个方案，不管是并行好事串行，皆有较高的适应度，虽三个方案所用成本不一，并行的可靠性以及收敛度等皆优于串联算法，因此，并行遗传算法能优化计算机网络可靠性。4 结束语综上所述，普

15、通串联遗传的算法，只是将计算机网络的节点存储以及通信等存在的问题进行简化，使运行效率得到提高，并不能达到最高效率，但是并行遗传法不仅有效提高了计算机网络的速度与质量，耗能保障可靠性较高。Reference1周环.计算机网络可靠度优化计算中遗传算法的应用分析J.中国电子商务，2013（05）.2周政.并行遗传算法在软件可靠性优化中的应用J.华章，2013（19）.3袁黎.计算机网络可靠度优化计算中应用遗传算法的研究J.商，2014（07）.作者单位伊通满族自治县卫生局卫生监督所 吉林省四平市 130700 Summary本文分析了计算机网络运行中存在的问题，阐述了当前形势下，优化其可靠性的重要程

16、度，针对现今网络运行存在的问题进行分析研究。笔者通过研究，结合总结和归纳自身多年工作经验，提出利用粗粒度并行遗传算法对其可靠性进行优化。希望通过本文的分析研究，希望能够在计算机网络在预算成本允许的情况下，实现可靠性的优化工作，使其运行质量与水平得到保障。【Keys】计算机网络 可靠性 优化 并行 遗传算法 应用网络相互连接系统和终端没有处理能力系统相比，不仅成本较低，还可有效提高网络的可靠性，但是网络受到地域或是历史因素的限制，已知拓扑范围，无法将网络进行优化设计。因此，本文利用并行遗传的粗粒度算法，在不超过预算成本的基础上，优化网络可靠性。1 网络数据传输中问题描述1.1 假设问题假若计算机

17、网络只有一条通道对节点上的多数信息进行传输，这时可利用G=（N，L）这一数学模型来描述被传输的信息；该通道的通信传输有较强的稳定性，可对各节点间的数据进行有效传输；传输通道的网络可靠性和介质长度之间无需对数据进行直接交换。1.2 问题模型其中，C为载体总有成本，N为总有交叉点数，Diaij是从i和j两个交叉点间逻辑连线最的载体数量，和为网络交叉点常数。gij=1，说明i与j两个节点间存在直接的通讯连线；如gij=0，说明i与j两个节点间没有直接的通讯连线。在数学模型中，L集中可能仅有L 这一个子集状态处于正常值，L L，网络中所有交叉点的状态全部处于正常值的可靠度可用，ni表示，其中ni为点i

18、个交叉点。在R最大化，且CC0时，计算机网络的整体可靠度模型如下所示：其中，P（li）表示第i条节点线路载体的可靠程度，是网络中正常状态的总合，li表示第i条节点线路的载体。2 并行遗传算法优化计算机网络可靠性过程并行遗传算法可分为粗粒度、细粒度和主从式度三类模型。粗粒度模型十七中为有效的一种，其有较强的适应能力，被广泛应用于并行遗传算法模型中。其主要是将随机形成的初始群体利用处理器将其分割成为无数个子群体，子群体在各个处理器上互相独立的进行并行操作，只有经过指定的进化代，子群体将会对无数个个体进行交换，引进新型的优异基因，是子群体更加多样化，可有效避免基因在还未到达成熟期时开始收敛。该算法模

19、型由于通信成本较小，因此，较适于实施在集群系统没有较高的通信网络时。经研究表明，以pop=m*pops群体规模保持不变为本文来自于wwW.zz-news.cOM基础，对子群体的数量进行适当增加，可有效提升网络优化质量。利用同方这一探索技术，其计算机网络有108个集群，处理器为16个，因此，将m设置为16，而pops设置为10.8。2.1 初始化子群体将所有独立的节点随机组合成为新的初始群体，因其算法为并行法，因此，其比原有的算法要简单很多，原来是将一个网络核心节点上构建形成一个较大的群体后，将其随机分布于各个节点上。2.2 连接拓扑网络连接拓扑包含各个子群体的单、双向环、无迁移状态的完全隔离以

20、及网格等。据研究证明，单相环连接拓扑可有效保障基因在优异状态下在群体范围内进行扩散，同时，又能够将群体进行隔离，使群体多样性得到保障，虽说其收敛速度过于缓慢，但其解的质量非常高。2.3 迁移计划可利用粗粒度模型对子群体内的优异基因进行对外分离，所选基因是随机产生的，部分算法是利用迁入者对群体里差异较大个体进行替换；最为常用的是将优异个体进行迁移或进行取代。本文可是利用此法，因此，nnew迁移的数量设为1。根据研究可知，如epoch迁移的间隔归于小，将会使群体间的多样形态遭到破损，影响解的质量，针对这一问题，本文利用仿真实验，在保证其可靠性有效前提下，使收敛速度到达最快。3 仿真实验为了检测网络拓扑并行遗传算法的性能，节点以及