遗传算法在计算机通信网优化中的价值探究

□ 张晨光

随着现代科技的不断发展，计算机通信网络也在不断更新变化，网络的模块越来越多，这样就会使网络的规模不断扩大，根支众多，使计算机网络的结构也越来越复杂，造成了数据在传输的过程中转接点增多，传递的速度比较缓慢，同样使得在维护计算机网络方面的难度也在加大，这就会使现代通信网络的建设和管理的难度系数增大。对计算机网络通信的优化不但可以使信息的传递更加快速和可靠，还可以避免和最大限度地减少因为网络终端和时间延迟而带来的损失。

网络优化的传统方法大多是在经验的基础上，人们通过一些比较简单的计算方法来完成网络的优化，这种方法在简化网络的优化问题的同时，也存在着显而易见的缺点，那些容易被人们无视掉的网络因素将会使计算机网络的经济性牺牲掉。相对于传统的优化方法，采用遗传算法解决计算机通信网的优化问题有着传统方法不可比较的优点:当搜索比较大的区域时，遗传算法可以在该区域的范围内准确寻找到该问题解决方法，并且还有比较大的操作空间。

一、传统的算法与遗传算法的不同

对于计算机网络的优化问题而言，它的本质是寻找到解决复杂网络问题的最佳方法。到目前为止，我们已经找到了很多的方法去解决一些网络问题，但是问题的类型在不断增多，规模也在不断扩大，一般的传统方法已经不能很好地给出问题的次优解或者最优解。例如，在搜索复杂问题的最佳方法时，特别是有着很多的局部方法的网络问题，传统的优化算法给出的答案往往都不是很理想。虽然有很多的传统优化问题的方法，例如梯度法、爬山法等等，但是，它们一般都是需要人们具有操作经验，这样在造成它们具有很大的局限性的同时，算法的过程也比较繁琐，在一定的条件下不能很好地发挥出自身的作用。

而目前被广泛运用的遗传算法是从问题的解的串集来开始进行搜索的，不是从单个的解开始搜索的，覆盖的面积比较大，利于全局的择优规则。这一点就很好地体现了遗传算法与传统的优化算法的区别所在。遗传算法还可以对群体中的多个小个体在同一时间内进行处理，对多个解进行同时的评估。

二、遗传算法的介绍

(一)遗传算法的生物学基础。在自然界中，生物在长期的进化过程中，在同环境进行对抗的同时，还会有意识地改变自身的情况来适应自身所在的环境。在生物圈中存在着适应环境的生存，不能适应环境的消亡这种优胜劣汰的生存规则，有的生物对环境的适应能力强，在和环境抗争的同时改变自身的条件适应环境，得到生存的机会;有的生物适应的能力较弱，不能很好地适应环境，只能被环境灭亡。生物实现了漫长的由简单到复杂，由低级到高级的生存进化。简单来说，能适应环境的一些好的性状总是会通过个体以较大的机会保存下来，并且使这种良好的性状在长时间里得到积累。

(二)遗传算法的思想。对于计算机通信网优化中的遗传算法是人们根据生物圈中的生存法则受到的启发，模拟生物的基因进化工程，而开发出来的一种全局随机的搜索方法。相较于传统的优化方法，遗传算法在优化复杂问题的解答中占有了不可取代的超大优势。遗传算法的基本原理是群体延续的一种过程，当随机选取一个群体时，按照生物圈中优胜劣汰的生存竞争的规则，通过一次次的更替和竞争等一系列的活动，从中得到具有更强生存能力的新一代，如此循环下去，在最后得到可以适应当前环境的一个新的群体。遗传算法的基本思想是把已经进行优化的目标函数认为成是已经可以很好地适应环境的一个生物的种群，要实现的函数目标就是对个体的适应度的一个标准，如果个体想具有很强的适应能力，只有去努力达到这个标准，相反的话适应能力就会越小。而且，还可以把优化的标量和生物个体相对应，从当前的一个种群开始，通过利用生存法则来使一个新的群体出现，将不断进行循环操作，直到符合标准为止，在最后，整个过程循环下来，最接近标准的那个解就是整个问题的最佳答案。

三、遗传算法的过程

(一)代码。在计算机的编码中，遗传算法在大多数的情况下使用的是计算机的邻接矩阵的编码方法，在一般的情况下使用的是一维编码方式，它的长度为2N，特别的情况下有可能会采用两维的编码方式。在编码的本质上，这两种编码方式没有区别，但是，相对于一维的编码方式而言，两维的编码方式更为直观一些，还便于计算机网络中的计算。

(二)种群的初始化。在遗传算法中，通常会采用随机初始化的方式，也可能会采用启发式初始化的方式。虽然启发式的初始化的方式在提高搜索的效率上有着一定的优势，但是这一优势对于最终的算法结果是不产生直接影响的。

1．交叉。交叉分为两种主要的交叉方式，一种是点随机的交叉方式，即随机选择交叉的节点。第二种是窗口交叉的方式，即可以选择多个交叉的节点，每个节点交叉的是部分数据。

2．种群的变异。这种变异方式的本质是计算机网络通信的优化问题的一个整体规划，而一般的遗传算法的变异是一种随机选择的编码的方式。在保证计算机网络通信的全局性能时，为了避免局部的极值，一般变异的频率比较大。

3．操作。选择的操作与普通的遗传算法的操作基本相同。

四、遗传算法的价值

遗传算法和普通的算法相比具有一些优点。在进行问题优化的选择这个过程中，相较于普通的算法，遗传算法操作的对象是已经全部进行优化的编码，在优化的编码中搜索最优解。遗传算法在计算机通信网络中的应用是从一个群体到另外一个群体的方式来进行搜索的，这样的方式使搜索的范围更加广泛，搜索的效率也更高。遗传算法在整个寻找最优解的过程中，只会使用目标函数的值，除了它的值以外不会再利用一些其他的信息。遗传算法适应了函数的确定，在计算机网络优化的问题中，遗传算法适应了函数的确定影响计算机优化的进行目标和优化的方向，决定了进化的效率。简单的网络优化与网络连接的成本，适应函数可以简单地设为费用的倒数。

五、结语

在当代的社会中，科技在不断发展，计算机技术日新月异，人与人之间的通信也在不断扩大，需求在不断增多，传统的计算机算法已经不能很好地实现网络通信的优化，与传统的计算机通信网络优化相比，计算机网络通信的遗传算法是一种新的网络优化的方法，当搜索比较大的区域时，遗传算法可以在很短的时间内在该区域的范围内找到最有效的解决方法，为计算机网络通信的工作提供实际的需要，在计算机网络中应用遗传算法来对网络进行网络的优化布置，所需的数据量很少，操作也很简单，适应能力强，寻找最优解的效率高，稳定性较传统的算法而言也比较好。计算机遗传算法在计算机通信网络中的应用更好地体现出了遗传算法的优势和价值。

［1］柴项羽．计算机算法动态系统中关键技术的设计与实现［J］．计算机光盘软件与应用，2013，22

［2］李肯立，郭里，唐卓．一种求解Ramsey数的DNA计算机算法［J］．计算机研究与发展，2011，3

［3］李肯立，姚凤娟，李仁发．基于分治的背包问题DNA计算机算法［J］．计算机研究与发展，2007，6