[论文解读] Enhanced Genetic Algorithm approach for Solving Dynamic Shortest Path Routing Problems using Immigrants and Memory Schemes

T. R. Gopalakrishnan Nair, Kavitha Sooda+1 more|arXiv (Cornell University)|Jul 11, 2011

Mobile Ad Hoc Networks参考文献 10被引用 6

一句话总结

本文提出了一种引入移民和记忆机制的增强型遗传算法（GA），以解决移动自组织网络（MANETs）中的动态最短路径路由问题（DSPRP）。通过注入新的移民个体并利用存储的历史解决方案，该GA能够快速适应拓扑变化，在第7届国际计算机科学前沿会议的仿真中，其收敛性能优于仅使用记忆机制的方案。

ABSTRACT

In Internet Routing, the static shortest path (SP) problem has been addressed using well known intelligent optimization techniques like artificial neural networks, genetic algorithms (GAs) and particle swarm optimization. Advancement in wireless communication lead more and more mobile wireless networks, such as mobile networks [mobile ad hoc networks (MANETs)] and wireless sensor networks. Dynamic nature of the network is the main characteristic of MANET. Therefore, the SP routing problem in MANET turns into dynamic optimization problem (DOP). Here the nodes ae made aware of the environmental condition, thereby making it intelligent, which goes as the input for GA. The implementation then uses GAs with immigrants and memory schemes to solve the dynamic SP routing problem (DSPRP) in MANETS. In our paper, once the network topology changes, the optimal solutions in the new environment can be searched using the new immigrants or the useful information stored in the memory. Results shows GA with new immigrants shows better convergence result than GA with memory scheme.

研究动机与目标

• 解决由于频繁拓扑变化导致的移动自组织网络（MANETs）中动态最短路径路由的挑战。
• 开发一种自适应优化方法，以响应网络动态快速重新配置路由路径。
• 将智能机制——移民与记忆机制——整合到遗传算法中，以提升解的质量与收敛速度。
• 在动态网络环境中评估所提出的GA变体与传统基于记忆的GA的性能。

提出的方法

• 采用遗传算法（GA）在动态网络拓扑中演化候选最短路径解。
• 在每代中引入新的“移民”个体，以维持种群多样性并加速收敛。
• 将先前网络状态中的有用解存储于记忆结构中，以指导未来的搜索过程。
• 当拓扑发生变化时，使用记忆中存储的解与新移民的混合体重新初始化GA种群。
• 基于路径代价（如跳数或延迟）进行适应度评估，以指导选择、交叉与变异操作。
• 根据实时网络变化动态更新种群与记忆结构，实现持续适应。

实验结果

研究问题

• RQ1 移民与记忆机制的整合如何提升遗传算法在动态最短路径路由中的性能？
• RQ2 基于移民的重新初始化与基于记忆的解重用，在适应拓扑变化方面相对有效性如何？
• RQ3 所提出的GA方法能否在动态MANET环境中维持比标准GA更快的收敛速度与更优的解质量？
• RQ4 移民与记忆的结合如何影响路由解在动态网络环境下的鲁棒性与适应性？

主要发现

• 所提出的带移民的GA在收敛速度与解质量方面均优于仅使用记忆机制的GA。
• 引入新移民显著提升了种群多样性，并在拓扑变化后加速了最优路径的发现。
• 仅使用记忆机制在适应新网络条件方面效果较差，表明重用过时解存在局限性。
• 移民与记忆的混合方法在动态环境中实现了探索与开发之间的平衡。
• 在第7届国际计算机科学前沿会议上的仿真结果证实了移民增强型GA在动态最短路径路由中的优越性。