并行遗传算法提升计算机网络成本约束下的可靠性优化

本文档《论文研究-并行遗传算法在一类计算机网络可靠性优化问题中的应用》发表于2003年1月的《系统工程理论与实践》第1期，作者是郭彤城和慕春棣，来自清华大学自动化系。该研究针对计算机网络可靠性优化这一复杂的问题，特别是当面临成本约束时，提出了采用粗粒度并行遗传算法的解决方案。 在网络设计中，可靠性优化是一项关键任务，特别是在资源有限且需要确保高可用性的环境中。传统上，此类问题被认为是NP-hard（非确定性多项式时间复杂度），即解决起来非常困难。本文主要探讨的是如何在给定的网络拓扑结构下，通过选择k种不同类型的交换设备和m种传输介质，构建一个既满足成本预算又具有高可靠性的网络配置。这种优化过程涉及到复杂的决策问题，需要综合考虑设备的性能、价格和网络的整体稳定性。 作者提出的粗粒度并行遗传算法（Coarse-grained Parallel Genetic Algorithm，简称PGA）是一种生物启发式的搜索方法，它模拟了自然选择和基因突变的过程，通过群体迭代的方式寻找最优解。在这个算法中，问题被分解成多个子问题，然后在多处理器或分布式环境中同时进行处理，显著提高了算法的执行速度，即所谓的“加速比”。 通过在专用集群上的仿真实验，研究结果表明，与传统的串行遗传算法相比，粗粒度并行遗传算法不仅提高了计算效率，使得优化过程更快，而且在保持或甚至提升优化质量方面也表现得更为出色。这表明并行遗传算法在解决这类实际问题时，能够提供更好的性能和效果。 论文的关键词包括：可靠性优化、计算机网络、遗传算法和并行计算，这些词汇准确地概括了研究的核心内容和技术背景。这项工作为计算机网络设计者提供了一种有效的方法，帮助他们在成本和性能之间找到最佳平衡，从而提升整个系统的可靠性。