[论文解读] Comparison of Genetic Algorithm and Simulated Annealing Technique for Optimal Path Selection In Network Routing

T. R. Gopalakrishnan Nair, Kavitha Sooda|arXiv (Cornell University)|Jan 22, 2010

Network Traffic and Congestion Control参考文献 17被引用 8

一句话总结

本文提出了一项关于遗传算法（GA）与模拟退火算法（SA）在使用带宽、延迟、抖动和丢包率四个QoS参数进行网络路由最优路径选择中的比较研究。GA方法采用多点交叉和变异，相较于依赖随机选择且在迭代次数增加时无一致改进的SA，能更快、更可靠地收敛至最短路径。

ABSTRACT

This paper addresses the path selection problem from a known sender to the receiver. The proposed work shows path selection using genetic algorithm(GA)and simulated annealing (SA) approaches. In genetic algorithm approach, the multi point crossover and mutation helps in determining the optimal path and also alternate path if required. The input to both the algorithms is a learnt module which is a part of the cognitive router that takes care of four QoS parameters.The aim of the approach is to maximize the bandwidth along the forward channels and minimize the route length. The population size is considered as the N nodes participating in the network scenario, which will be limited to a known size of topology. The simulated results show that, by using genetic algorithm approach, the probability of shortest path convergence is higher as the number of iteration goes up whereas in simulated annealing the number of iterations had no influence to attain better results as it acts on random principle of selection.

研究动机与目标

• 解决在动态QoS约束下网络路由中的最优路径选择挑战。
• 评估并比较遗传算法（GA）与模拟退火算法（SA）在多QoS参数下寻找最短路径的性能。
• 通过优先考虑带宽可用性并最小化路径长度，提升网络性能。
• 展示基于启发式优化技术的认知路由机制的有效性。

提出的方法

• 基于带宽最大化和路径长度最小化的适应度函数，用于评估路径质量。
• 在GA中使用多点交叉和插入变异，跨代生成并优化候选路径。
• 在GA中应用精英策略，以保留每代中最适应的染色体。
• 在SA中采用冷却计划，初始温度T=1000，停止温度Tstop=50，冷却因子α=1/5。
• 在GA中使用轮盘赌选择，根据适应度概率性选择父代染色体。
• 在GA与SA中使用相同的客观函数，以确保比较的一致性。

实验结果

研究问题

• RQ1 在多QoS约束下，哪种算法——GA还是SA——能更可靠地收敛至最短路径？
• RQ2 增加迭代次数对GA与SA收敛性能的影响如何？
• RQ3 与SA中的随机搜索相比，GA中的多点交叉和变异在路径选择方面有多大提升？
• RQ4 带宽可用性能否作为认知网络中动态路径优化的主要指标？
• RQ5 GA中的选择与变异机制如何影响收敛至最优路径的稳定性和速度？

主要发现

• GA比SA更快且更一致地收敛至最短路径（长度为3），而SA在增加迭代次数后未见改善。
• 路径V3-V7-Vd（长度为3）被GA与SA均识别为最优路径，且C3在两种情况下均为最佳染色体。
• 在GA中，最优路径（C1）在第一代中的选择概率达到1.0，表明选择压力较强。
• 在SA中，仅当初始随机路径较短时，才能快速找到最短路径；否则收敛不稳定。
• GA中的适应度函数有效优先选择跳数较少且带宽较高的路径，从而实现稳定收敛。
• GA中的变异以0.01%的频率应用，且仅在交叉未能生成有效路径时触发，确保对搜索过程的干扰最小。