宋杨

摘  要： 网络发展的时代，对于计算机网络的稳定性和可靠性研究是发展的必然趋势，在网络资源固定的情况下，在单位链路中增加网络资源的使用是整个网络系统优化的核心。在通过对遗传算法的改进，在满意度和适应度指标函数的判断下，改变网络的性能，经过数据迭代的次数来控制网络的约束条件，根据函数的验证进行优化设计。在本文中通过研究网络改进成本和迭代次数的关系，来验证遗传算法优化的成果，为计算机网络可靠性优化设计提供了实际的数据依据。

关键词： 改进遗传算法;计算机网络可靠性优化设计;拓扑结构;满意度

中图分类号： TP3    文献标识码： A    DOI：10.3969/j.issn.1003-6970.2020.09.055

【Abstract】： In era of network development， it is an inevitable trend to research stability and reliability of computer network. Under condition of fixed network resources， increasing application of network resources in unit link is the core of optimization of whole network system. Through modified genetic algorithm， under judgment of satisfaction and fitness index function， we can change performance of network， control constraints of network through iterations， and optimize design according to function verification. The paper studies relationship between cost of network improvement and iterations to verify results of genetic algorithm optimization， provides practical data basis for computer network reliability optimization design.

【Key words】： Modified genetic algorithm; Computer network reliability optimization design; Topology; Satisfaction

0  引言

计算机网络可靠性的研究是计算机发展的必然趋势，在计算机区域连接和网络连接相互拓展的过程中，信息网络技术的发展成为结构化发展的先决条件，人们越来越多的依赖于信息技术，同时计算机网络在一些重要的领域用途也很关，对经济、社会和国防等方面都有很长远的影响。信息网络的可靠性是提高网络质量的重要评判标准，在拓扑结构中利用程序上的改变和优化，能够强化网络的能力，降低网络的造价，对稳定性有很好的帮助作用。在本文中就是以改进遗传算法的方式强化计算机网络可靠性。

目前在我国计算机网络稳定性的研究基于电信信号网络的交换研究[1]，在网络信号故障的基础上，利用电信信号的传输实现容量的改变，在信号交换的情况下实现传输。但是这种方式的可靠性还是对线路的要求较高，难以在长期的技术发展中得到运用。后期网络故障率提高，通过对网络安全认证进行指标的界定，在评价体系中实现网络的优化设计。运用拓扑规划的形式解决网络障碍的问题[2]。随着智能优化方案的数量增多，可行性和可靠性的网络技术方案在不断的更新，利用优化的手段，在粒度方面对遗传算法进行优化的形式有了很好的使用[3]，通过多目标的方式，实现网络的整体优化。

1  计算机网络可靠性原理分析

1.1  网络数据传送的稳定性

计算机网络可靠性是在独立的计算机运行下，不同的网络协议之间的交互，在特定的网络中实现功能化的使用[4]，单独的计算机不受到其他设备的控制，在任意网络条件下形成信息资源的使用，在路径方面，根据独立性的特点，在网络信息的终端实现信息的交换，在子网络和资源网络中实现共享，利用子网络对计算机网络进行数据的处理，保证了数据使用的稳定性。通常情况下，计算机网络在地理上，由于其跨度较大，保证网络的完整性的前提下就需要通信的稳定，在用户端和服务器之间必须利用算法进行资源的优先合并。在可靠性的概率图显示中，在源点和交汇点之间必选有一条运行正常的数据链，在两点之间的流动形成的数据集合中，保证数据链概率提高。

1.2  遗传算法的分析结论

计算机个体之间独立，在借鉴生物领域的思维方式，在全系统中实现算法的自动检测[5]，把原有单一的个体进行群组的画风，个体在数据的串联性形成数据矩阵，在空间当中进行排布，利用不同的评估方式，在交叉和变异的条件下，形成遗传算子，根据遗传计算的方式，进行问题的求解，在矩阵计算中，对遗传方程进行最优求解，实现编码和遗传操作。在不同算法中，利用交叉的方式，在数据中进行筛选，通过在父代的数據，在个体上进行函数计算，根据不同的淘汰规则，进行遗传优化演变方向，形成最优的搜索内容。在交叉方面，根据全系统的计算能力，在单个辅助计算的方式，在局部中形成搜索能力的强化。在遗传算法的优化中，能够将参数编码的对象进行重新编辑，在参数方面，避免了数据的局限性，在搜索的范围上有了很大的提高。

2  计算机网络可靠性优化内容

对于计算机网络可靠性优化，主要是在不同的目标中进行分析计算。在特定的区域当中，根据网络的性能特点，综合考虑网络的稳定性和可维修方面的因素，对多目标问题进行优化。利用较少的投入，有更多的优化方式。在向量函数中，根据不同的变量，对函数进行极小化，利用遗传算法的方式对阐述进行无约束的条件优化，在自动搜索的前提下，实现鲁棒性的加强。在计算机网络可靠性优化中，通过制定编码数据方案，在染色体序列中，对基因进行排列，形成初期的个体，将批量的个体进行分类，形成组运算，通过计算得到染色体单一的适应度分析，确定不同染色体能够遗传下一点的概率，在交叉运算中，导出染色体配对的记录，最终得到最优的配对方式。在配优的过程中，利用满意度函数作为衡量指标[6]：

其中，costmin 为网络优化最小费用，costopt最小值略大，在可靠性的约束条件下，根据初始化的计算，求得可靠权值，对于不符合约束条件的数据进行处理，保证在可靠性上能够满足满意度指标。在结合遗传算法中，根据流程算法的计算，不断对父代数据进行迭代，并进行仿真模拟，在经历多代遗传后，形成较为稳定的数据稳定曲线。

对于W的变化，优化的结构存在很大的不同。在中心点中，每个数字变量上有三个分支，形成不同的结构树，利用结构变化进行数据的迭代，在权值的计算中，根据可靠性分析得到满意度较高的遗传数据，同时解决了优化成本提高的现实问题，在拓扑结构中完成了计算机网络通信的优化。

3  计算机网络可靠性优化流程

3.1  计算机网络可靠性优化准则及模型

在进行计算机网络可靠性设计时应充分考虑：

（1）选择合理有针对性的网络拓扑结构;（2）网络应具有较强的容错能力和冗余性;（3）为了应对系统的升级和 扩容，应采用开放互联的网络体系结构;（4）在选用高性能计算机硬件、网络链路介质的同时，搭配先进的网络管理软件;（5）对计算机网络系统进行优化配置，充分利用所有资源，最大限度发挥系统性能。在使计算机网络总成本不大于网络链路成本的同时，求可靠性优化模型最大值，进而确定网络链路的最优解。

3.2  基于改进遗传算法的网络优化设计

遗传算法的网络优化设计关键因素有对模型构建的遗传算法以及可行解的编码方法。 基于改进遗传算法的网络优化设计算法流程为：（1）使用二进制对初始群体进行编码，进而对遗传 基因进行表达。（2）计算种群个体的成本值并进行排序，选取适当的适值函数f（x）=（x1）/（Ps1），其中Ps为种群大小。（3）通过适值函数对种群规模进行选择，淘汰概率小的种群基因，提高算法的流畅性。（4）在确保网络连通性的前提下，对网络节点应用改进的遗传算法进行优化，确定基因交叉位置，求解系统最优解。（5）在满足终止条件，即设定的最大迭代次数之前不断迭代计算，直到得到计算机网络可靠性的全局最优解。

3.3  实验与仿真

计算机网络包含若干个节点，如何利用遗传基因 对复杂的网络节点进行描述，继而对网络进行优化设 计并提高网络可靠性是解决问题的关键。二进制编码可以将网络节点和遗传基因很好地对应起来，且编码规则简单、易于操作，因此本文采用二进制编码进行网络节点的基因描述。为了验证本文算法对计算机网络可靠度优化设计的效果及算法的先进性、实用性，下面在相同的计算机网络可靠度模型和计算机网络链路成本模型中，将本文基于改进遗传算法与容斥原理算法、模糊神经网络算法和神经网络算法作一对比。实验条件选取如下网络节点数为8，用N表示;最大迭代次数为100;可靠度约束常数和均为2;计算机内存为32 GB，采用Intel i7处理器和Win7操作系统。

通过图4中的仿真结果可知：随着遗传操作迭代次数的增加，网络系统的可靠度不断提高，但当遗传操作 迭代次数增加到一定程度时，网络的可靠度提高受制于 硬件或其他因素而逐渐趋于平缓， 最终在迭代次数为100 时达到最大值0.894。在随着迭代次数不断的变化，成本也随着介质的成本发生变化，总体是呈现反相关的情况，当迭代次数增加，成本不断的降低，在迭代次数保持在10以内，成本下降的速率最快，当迭代次数再次增加时，成本降低速率明显的降低，并相对出现趋于稳定的情况，当最终迭代数量控制在65左右，成本变化值基本保持不变，这就意味著迭代的次数已经对成本造成的影响忽略不计，再次改变迭代的次数也不会出现成本的变化[7]。在这个阶段就要通过其他的手段对网络进行优化，不断的降低网络链条测整体成本。根据实验的结果能够看出，在遗传改进算法中，采用的适应度和满意度的函数，在结果的分析中存在反比例的情况[8]，通过强化适宜性函数的优点，在收敛的条件下，保证成本回归的多样性，根据收敛和回归得到函数的最优解，同时利用容斥原理计算的网络可以很好的提高网络的稳定性，将神经算法和网络相互结合能够很好的控制网络运行优化的成本，充分发挥网络优化的优势，在交叉和复制操作中寻找最优解，在不断的迭代中寻求最为合理的优化成本[9-10]，并根据遗传淘汰机制，对算法进行更新，保证数据链的完整性，也能够通过遗传算法对整体的满意度进行修正，不断对计算机的结果进行验算和校核。

4  结语

在通信技术不断强化的情况下，网络因网络的使用变得更为稀疏，可靠性的研究显得尤为的重要，利用网络系统的拓扑结构，在可靠性和满意度的函数分析条件下，对算法进行智能的调整，根据遗传算法的特性，在多目标框架下实现网络的优化，在本文中，根据多目标函数的特征，在利用遗传算法的基础上优化网络优化成本，对满意度函数的表达基础上，实现计算书网络算法的最优解，并在满意优化的前提下，对不同的应用环境进行相应的适应性调整。

参考文献

[1]刘后铭. 计算机通信网， （修订版）[M]. 西安电子科技大学出版社， 1996.

[2]郑龙， 罗鹏程， 周经伦. 网络可靠性研究综述[J]. 中国科技信息， 2006（1 A）： 9， 11.

[3]郭彤城， 慕春棣. 并行遗传算法在一类计算机通信网络可靠性优化问题中的应用. 系统工程理论与实践. 2003， 23 （1）： 31-36.

[4]潘新民. 计算机通信技术[M]. 北京： 电子工业出版社， 2002.

[5]王凌. 智能优化算法及其应用[M]. 北京： 清华大学出版社， 2001.

[6]Behr A， Camarinopoulos， L.&Pampoukis， Cx， Domination of K-out-of-n systems[J]. IEEE Transactions on Reliability， 1995， 44（4）： 705-707.

[7]刘丽芳， 孟志刚， 张常利. 基于种群熵的改进型遗传算法[J]. 软件， 2012， 33（2）： 114-116.

[8]罗景峰， 刘艳秋. 智能算法在全终端网络可靠性优化设计中的应用[J]. 计算机测量与控制， 2007， 15（6）： 782-785.

[9]罗景峰， 刘艳秋一种全终端网络可靠性多目标优化模型及求解[J]. 计算机技术与发展， 2007， 17（8）： 23-25， 28.

[10]王卫荣， 金鹏， 黄康. 免疫遗传算法在多目标优化设计中的应用[J]. 起重运输机械， 2007（2）： 25-28.