QoS约束路由问题的求解算法的设论文

QoS约束路由问题的求解算法的设计与实现摘要随着网络的快速增长以及新型实时业务的不断涌出，用户需要更好水平的网络服务质量 (QoS，Quality Of Service)。

QoS路由作为解决网络服务质量问题的一项关键技术，决定着网络传输质量的好坏，并且具有重要的地位[1]。

蚁群算法，是一种在图中寻找优化路径的机率型算法。

它由Marco Dorigo于1992年提出，其灵感来源于蚂蚁在觅食过程中寻找觅食路径的行为。

在蚁群算法中，采用了分布式正反馈并行机制，通过候选解组成的群体进化来寻求最优解，其易于较好的结合性以及较强的鲁棒性，使其成为国内外学者研究的热点[2]。

本文主要研究了蚁群算法在Qos路由的应用，即求解多约束Qos路由问题的解决方案。

在本文中，通过结合禁忌搜索技术，给出了适合求解多约束单播QoS路由问题以及多约束多播QoS路由问题的蚁群算法。

此外，本文还给出了一个构造随机无向加权连通图的算法，用于模拟QoS路由问题。

在此基础上，本文还给出了该算法在matlab 平台上的实验结果。

通过实验结果，可以发现，应用蚁群算法求解QoS路由问题能后获得不错的解决方案。

最后，我们总结了该论文的主要成果以及优缺点，并给出了以后的研究方向。

关键词：Qos路由；蚁群算法；多约束；禁忌搜索QoS constrained routing problem in the design and implementationof the algorithmAbstractWith the rapid growth of the Internet and emerging businesses with real-time requirements ( such as V oIP, video conferencing , multimedia, distance learning, video on demand , etc. ) ,network quality of service (QoS, Quality Of Service) have become more and more important . Routing problemsare the main problems to the network, and determine the quality of network transmission.Ant colony optimization, as aprobability-based algorithm, is a good way to findThe optimal path in the graph. It was proposed in 1992 by the Marco Dorigo, as he inspired by the behavior of the ants when they found the path for food. Ant colony optimizationfinds the optimal solution through the groups of candidate solutions，and adopts a distributed parallel positive feedback mechanism。

And more, the ant colony optimization can be Easily combined with other methods, has strong robustness, so it is a favorite of scholars at home and abroad.In this paper is about of studying how to use the ant colony optimization to solve QoS routing application problems, and give a suitable realization withTabu SearchMethodfor solving multi-constrained QoS unicast routing and multi-constrained QoS multicast routing problem. Moreover, the paper also gives a good algorithm to build a random undirected weighted connected graph, for simulating the QoS routing problems. Furthermore, the paper also gives the experimental results about these two algorithms, based on the matlab platform. Experimental results indicate that the ant colony optimization can give a good solution about the QoS routing issues. Finally, we summarize the main results of the paper,both advantages and disadvantages, and give some future research directions.Keywords: Quality Of Service,Ant colony optimization, Multiple-constraints, TabuSearchQoS约束路由问题的求解算法的设计与实现1蚁群算法蚁群算法，其是由意大利科学家Marco Dorigo博士受蚂蚁觅食行为的启发，在于1992年在他的博士论文中首次提出的。

故而，其又称为蚂蚁算法。

蚁群算法是于在大自然中的蚂蚁蚁群觅食的行为如出一辙。

像蚂蚁、蜜蜂这种自然界中的群居昆虫，虽然其单个个体的行为及其简单，但是单个个体所组成的群体却拥有者非常复杂而有序的集体行为。

通过大量的实验，仿生学家发现，这些昆虫个体会释放一种信息素，并通过其来传递信息。

蚂蚁在觅食过程中会释放信息素，并且以此来指导其他蚂蚁的行为，其他蚂蚁会倾向于选择信息素信息更加浓烈的路径。

故而，由大量蚂蚁所组成的蚁群的觅食行为体现出了信息正反馈的现象，也就是说，对于某一个觅食路径，选择的蚂蚁越多，其积累的信息素信息也会越多，则其被后续蚂蚁选择的概率也会越大[4]。

蚁群算法，便是受此行为的启发而提出的来的。

在蚁群算法中，每一只蚂蚁根据后续链路上的信息素信息，通过一定的概率来选择节点，并且通过以一定的规则更新链路上的信息，循环进行该过程，便可以得到“觅食”的最优路径。

2 QoS路由QoS是Quality of Service的简称，即服务质量。

作为一种网络的安全机制，QoS 往往用来解决网络阻塞以及网络延迟的问题。

也就是说，当网络出现拥堵或者过载的情况时，QoS能保证网络中重要的业务不受延迟的影响，并且确保重要业务不会丢及，同时其还保证网络的高效运行。

Qos路由中算法的复杂度关系到Qos路由算法的可实现性，度量参数选择直接关系到算法复杂度问题。

合理的解决多参数问题，在设计低复杂度的Qos路由算法中占有者重要地位。

另外，网络支持的陆良参数反映并影响着路由选择算法的性能。

支持的度量参数越多，越能有效保证提供给接入业务的服务质量，但是路由选择算法复杂度大，存在完全满足参数设置的路由的概率小，业务接入率低。

对于目前的Qos路由算法涉及的度量参数包括：带宽、延时、延时抖动、丢失率和跳数。

根据运算规则，这些度量参数可以分为加性度量参数，乘性度量参数以及凹性度量参数[8]：1.加性参数，其典型的代表为延迟。

要是表示了信息传输所需要的时间。

对于路径p，其总延迟为路径各个链路延迟之和。

对于加性参数，端到端QoS约束条件规定了其上限。

2.凹性参数，其典型的代表是带宽。

链路带宽表示链路能够为所要求建立的连接能够提供的最大带宽。

对于路径p，其带宽为其包含链路的带宽的最小值。

对于凹性参数如带宽,端到端Qos约束条件规定了其下限。

3.乘性参数，其典型的代表是损失率。

损失率表示数据经过链路时的损失程度。

例如对于护网络，链路的损失率表示数据包的丢失率。

对于路径p，其损失率为各个链路损失率的乘积。

对于乘性性参数，端到端QoS约束条件规定了其上限。

3 Qos路由的数学模型3.1单播Qos路由单播QoS路由问题是最基本的QoS问题，其主要目的是建立一条连接源节点和目标节点的路径，并且使其在满足QoS约束条件的同时最优化网络资源。

对于单播Qos路由问题，其可以描述为：3.2多播Qos路由多播Qos路由问题是单播QoS路由问题的一个扩展，其要求在图中寻找一个可以连接源节点和目标节点的支撑树，并且要求该支撑树的各项指标满足QoS的约束条件的同时最优化网络资源[16]。

定义：（支撑树）称图的一个连通无圈子图为图的一个支撑树，其中，。

对于多播Qos路由问题，其可以描述为：QoS约束路由问题的求解算法的设计与实现其中，，，分别是支撑树上的各项指标值。

类似于路径，下面给出计算支撑树各项指标的数学公式，如下所示：a)路径时延：其中，分别表示链路、节点的时延指标值，，；b)抖动时延：其中，分别表示链路、节点的时延抖动指标值，，；c)丢包率：其中表示节点的丢包率指标值，；d)带宽：其中表示链路的带宽指标值，；4蚁群算法4.1信息素的初始化在蚁群算法中，信息素的初始化起着至关重要的地位。

若设置的信息素初始值过小，则产生的候选解将会局限于最初的几条路径，使得搜索受到严重的限制，无法得到全局最优解。

然而，当信息素的初始值设置的太大时，由于信息素的影响太大，使得蚂蚁释放的信息素信息被掩盖，在信息素挥发到足够小之前的计算成为无用的计算，浪费了计算[17]。

在前面的论述中，我们已经通过模糊评判以及对指标赋权重的方法将各项指标均衡化，故而在本片论文中，可以将信息素的初始值设置为1是一个很好的选择。

4.2结点的概率选择在蚁群算法的计算中，位于节点的第只蚂蚁根据链路上的信息素浓度，按照一定的概率来选择下后继的节点。

在本论文中，选择后继节点的规则如下所示：式中：是链路上的信息素浓度。

4.3信息更新策略a) 信息素的局部更新规则所谓的局部更新，是指每一只蚂蚁选择一条链路之后，立即对该链路上的信息素进行更新。

即，对于第i 只蚂蚁，在从节点r 转移到节点s 的同时，立即按照下面的式子更新链路（r ，s ）上的信息素。