12QoS路由问题的粒子群算法MATLAB源代码.docx

欢迎访问GreenSim团队主页/greensim 邮箱：QoS路由问题的粒子群算法MATLAB源代码粒子群算法在离散优化领域的应用比较少见，为了将粒子群算法应用在QoS路由领域，而又不偏离粒子群算法的基本思想，定义并设计了一种“算子”，并且设计了一种 “随机游动算子”，将基于路径的变异算子引入算法，增强算法的全局搜索能力。% 第一步：产生网络拓扑结构BorderLength=10; %正方形区域的边长，单位：kmNodeAmount=30; %网络节点的个数Alpha=10; %网络特征参数，Alpha越大，短边相对长边的比例越大Beta=5; %网络特征参数，Beta越大，边的密度越大PlotIf=1; %是否画网络拓扑图，如果为1则画图，否则不画FlagIf=0; %是否标注参数，如果为1则将标注边的参数，否则不标注Sxy,AM,Cost,Delay,DelayJitter,PacketLoss=NetCreate(BorderLength,NodeAmount,Alpha,Beta,PlotIf,FlagIf);% 第二步：使用粒子群算法搜索最优路径，存储数据，输出最优结果和收敛曲线% GreenSim团队专业级算法设计&代写程序% 欢迎访问GreenSim团队主页/greensimS=2,4; %源节点的集合，用向量存储T=25,27,29; %目的节点的几何，用向量存储Alpha=1; %适应值计算式中费用的系数Beta=5e5; %适应值计算式中延时的系数Gamma=3e6; %适应值计算式中延时抖动的系数Delta=1000; %适应值计算式中丢包率的系数QoSD=100e-6; %延时的QoS约束QoSDJ=100e-6; %延时抖动的QoS约束QoSPL=0.02; %丢包率的QoS约束r1=0.1; %单个粒子的历史最优个体对当前粒子的影响系数，0r1=1r2=0.3; %粒子群的全局最优个体对当前粒子的影响系数，0r2=1r3=0.2; %粒子随机游动的影响系数，0=r3=1，r3可以为0，这时将关闭随机游动功能P=10; %粒子的个数Q=20; %迭代次数%m=length(S);n=length(T);AllRoutes=cell(m,n);%各粒子经过的全部路径AllFitness=cell(m,n);HistoryBestRoutes=cell(m,n);%各粒子的历史最优路径HistoryBestFitness=cell(m,n);AllBestRoutes=cell(m,n);%全局最优路径AllBestFitness=cell(m,n);for i=1:m for j=1:n s=S(i); t=T(j); ROUTEst,FitFlag,HR,HFF,AR,AFF=PSOUC(s,t,r1,r2,r3,P,Q,AM,Cost,Delay,DelayJitter,PacketLoss,QoSD,QoSDJ,QoSPL,Alpha,Beta,Gamma,Delta); AllRoutesi,j=ROUTEst; AllFitnessi,j=FitFlag; HistoryBestRoutesi,j=HR; HistoryBestFitnessi,j=HFF; AllBestRoutesi,j=AR; AllBestFitnessi,j=AFF; endend%下面整理最优结果SYZ=Inf;FinalRoute=;%最终的最优路由FinalFitness=;%最终的最优路由对应的参数LearnCurve1=zeros(1,Q);%收敛曲线LearnCurve2=zeros(1,Q);%收敛曲线for q=1:Q TT=; for i=1:m for j=1:n ABR=HistoryBestRoutesi,j; ABF=HistoryBestFitnessi,j; for p=1:P ABRq=ABRp,q; ABFq=ABFp,q; TT=TT,ABFq(1,1); if ABFq(1,1)SYZ FinalRoute=ABRq; FinalFitness=ABFq; SYZ=ABFq(1,1); end end end end LearnCurve1(q)=mean(TT); LearnCurve2(q)=min(TT);endfigure(2)plot(LearnCurve1,bs-)xlabel(迭代次数)ylabel(平均适应值)figure(3)plot(LearnCurve2,bs-)xlabel(迭代次数)ylabel(最优粒子适应值) function ROUTEst,FitFlag,HR,HFF,AR,AFF=PSOUC(s,t,r1,r2,r3,P,Q,AM,Cost,Delay,DelayJitter,PacketLoss,QoSD,QoSDJ,QoSPL,Alpha,Beta,Gamma,Delta)% 使用粒子群算法求源节点s到目的节点t的满足QoS约束的最小费用路径，将这些路径及其参数记录下来% GreenSim团队专业级算法设计&代写程序% 欢迎访问GreenSim团队主页/greensim% 输入参数列表% s 单个的源节点% t 单个的目的节点% r1 单个粒子的历史最优个体对当前粒子的影响系数，0r1=1% r2 粒子群的全局最优个体对当前粒子的影响系数，0r2=1% r3 粒子随机游动的影响系数，0=r3=1，r3可以为0，这时将关闭随机游动功能% P 粒子的个数% Q 迭代次数% AM 01形式存储的邻接矩阵% Cost 边的费用邻接矩阵% Delay 边的时延邻接矩阵% DelayJitter 边的延时抖动邻接矩阵% PacketLoss 边的丢包率邻接矩阵% QoSD 延时的QoS约束% QoSDJ 延时抖动的QoS约束% QoSPL 丢包率的QoS约束% Alpha 适应值计算式中费用的系数% Beta 适应值计算式中延时的系数% Gamma 适应值计算式中延时抖动的系数% Delta 适应值计算式中丢包率的系数% 输出参数列表% ROUTEst PQ的细胞结构，存储所有粒子经历过的从s到t的路径% FitFlag PQ的细胞结构，存储与ROUTEst对应的Fitness和Flag数据% HR PQ的细胞结构，存储所有粒子的历史最优路径% HFF PQ的细胞结构，存储所有粒子的历史最优路径对应的参数% AR 1Q的细胞结构，存储全局最优路径% AR 1Q的细胞结构，存储全局最优路径对应的参数% 粒子群初始化ROUTEst=cell(P,Q);FitFlag=cell(P,Q);HR=cell(P,Q);%各粒子的历史最优路径HFF=cell(P,Q);%各粒子的历史最优路径对应的参数AR=cell(1,Q);%全局最优路径AFF=cell(1,Q);%全局最优路径对应的参数TRACK=Initialize(AM,s,P);for p=1:P Route=TRACKp; pos=find(Route=t); Route=Route(1:pos(1); Route=Fresh(Route); ROUTEstp,1=Route; HRp,1=Route; Fitness,Flag=Fit(Route,Cost,Delay,DelayJitter,PacketLoss,QoSD,QoSDJ,QoSPL,Alpha,Beta,Gamma,Delta); FitFlagp,1=Fitness;Flag; HFFp,1=Fitness;Flag;endSYZ=Inf;for p=1:P Route=HRp,1; FF=HFFp,1; if FF(1,1)SYZ AR1=Route; SYZ=FF(1,1); AFF1=FF; endend%for q=2:Q %按照粒子群迭代公式计算各个粒子的下一个位置 for p=1:P Route=ROUTEstp,q-1; OptRoute1=HRp,q-1; OptRoute2=AR1,q-1; Route=SpecialAdd(Route,OptRoute1,r1,Cost);%向自己的历史最优位置靠近 Route=SpecialAdd(Route,OptRoute2,r2,Cost);%向全局历史最优位置靠近 Route=RandMove(Route,r3,AM);%随机游动 Fitness,Flag=Fit(Route,Cost,Delay,DelayJitter,PacketLoss,QoSD,QoSDJ,QoSPL,Alpha,Beta,Gamma,Delta); ROUTEstp,q=Route; FitFlagp,q=Fitness;Flag; end %更新各粒子的历史最优位置 for p=1:P F1=HFFp,q-1; F2=FitFlagp,q; if F2(1,1)F1(1,1) HRp,q=ROUTEstp,q; HFFp,q=Fi