算法通常用于求解無約束問題，因此需要將業(yè)務路徑優(yōu)化選擇問題進行轉化，轉化 成標準的數學形式。
[0131] 免疫算法中業(yè)務路徑的優(yōu)化模型為：
[0133] 其中，n為免疫算法的當前迭代次數。
[0134] 具體轉化方式為將電力通信網中的拓撲結構抽象成鄰接矩陣。設X= [XU]表示電 力通信網中節(jié)點Vi和節(jié)點Vj的鄰接關系矩陣，XU可取值Oa和2,分別表示節(jié)點Vi和節(jié)點Vj不 連接、單鏈路連接和雙鏈路連接。對于電力通信網中的任意節(jié)點組合Pij = (Vi，Vi+l，…，Vj )， 認為Vi為起始節(jié)點，Vj為終止節(jié)點，如果滿足Vv,,,, V,, Gpy，有Vm辛Vn,則表示業(yè)務路徑上不 存在環(huán)；同時滿足y V,"，V,,, + l Ep,,，均有x"+l〉0，則表示節(jié)點Vm和Vm+1之間存在鏈路，如圖2所 示，那么稱P(Vi，Vj)為起始節(jié)點Vi和終止節(jié)點Vj之間的一條業(yè)務路徑，起始節(jié)點Vi和終止節(jié) 點Vj之間的路徑構成的集合為P(Vi，Vj)。對于業(yè)務Sk,設其路徑集合為P(vf，、f)，對于電力 通信網的業(yè)務集合S，其對應有效路徑集合可表示為Q={q}，其中q為業(yè)務單路徑集合，其表 達式為：
[0135] q - {Up{vt, vl) I p{v^, V；) € p{v^, v'l)},
[0136] 即對于電力通信網的業(yè)務集合S中的每一個業(yè)務，在業(yè)務的起始節(jié)點vf和終止節(jié) 點咬之間的路徑集合中任意選取一條路徑如1，^、《），組成一個并集中的每一 條路徑都可W解決一個業(yè)務，q中的所有路徑可W解決業(yè)務集合S。
[0137] 在免疫算法中，將集合Q作為業(yè)務集合S的業(yè)務路徑解空間，將q作為一個抗體，設 迭代次數為n，則對于時間點t，轉化后的適合免疫算法的模型為：
[0139] 經過轉化后，（W(q;t)-WT)2為網絡風險度Wq(t)的懲罰因子和（Q(q;t)-〇T) 2為 網絡負載度Qq的懲罰因子出現。起初設置迭代次數較小，懲罰因子較小，目的是擴展捜索 空間，避免出現局部業(yè)務路徑最優(yōu)。隨著迭代次數的增加，懲罰因子也越來越大，保證結果 向最優(yōu)解傾斜，W遽選出業(yè)務集合的最優(yōu)路徑，實現電力通信網的風險均衡。
[0140] 實施例二
[0141] 本實施例在實施例一的基礎上實施，相同內容此處不再寶述，不同之處具體為免 疫算法的求解流程，如下所述：
[0142] SI:導入電力通信網的拓撲信息、業(yè)務信息、業(yè)務單路徑集合中每個節(jié)點的風險 度、每個鏈路的風險度、業(yè)務單路徑集合的網絡風險度、網絡負載度和網絡均衡度，設置算 法參數:克隆父代種群數、變異概率、種群規(guī)模數和最大迭代數nmax，生成no個抗體作為初始 種群0(n)，注射全局疫苗，設置迭代次數n = 0。
[0143] S2:計算每個抗體q的親和度，并按親和度對0(n)中的抗體進行降序排序，并提取 局部疫苗。選擇〇(n)中前mi個抗體構成克隆父代種群U(n)。
[0144] S3:對U(n)進行克隆操作生成種群W(n)。
[0145] S4:對種群W(n)中的每個抗體進行變異操作，變異后的抗體按比例接種局部疫苗， 生成種群W'（n)。
[0146] S5:計算種群0(n) UW'（n)中每個抗體的親和度和濃度。
[0147] S6:計算種群0(n)UW'（n)中每個抗體的選擇概率Pc(q)，并按此概率進行選擇，生 成種群〇(n+l)。
[014引 S7:判斷是否n〉nmax，若n〉nmax，則輸出0(n);否則，貝令n的值加1，轉至步驟S2繼續(xù) 執(zhí)行算法。
[0149] 具體地，在免疫算法中各算子的設計規(guī)則如下：
[0150] 1、抗體親和度函數
[0151] 抗體q的親和度函數f(q)如下：
[0153] 2、抗體濃度
[0154] 設f(qi)和f (Qm)分別為抗體qi和抗體Qm的親和度，則代表抗體qi和抗體Qm的相似度 指標Y(qi，qm)的表達式如下：
[0156]如果存在任意整數e，有1-e八(qi，qmH 1+e，則稱抗體qi和抗體qm相似，記為：
[015引抗體qi的濃度是指種群中與qi相似的抗體的數目與種群規(guī)模的比值，記為：
[0160] 其中，IqI表示集合Q中元素的個數。qi和qm為集合Q中的任意兩個元素。
[0161] 3、克隆算子
[0162] 克隆算子用于對抗體q進行克隆，生成Z個副本，構成q的子代集合q(z)，根據克隆過 程，對父代種群U進行等比例克隆，即每個抗體生成Z個副本，形成新的種群W，種群W的規(guī)模 與初始種群規(guī)模相同。
[0163] 4、選擇概率
[0164] 選擇概率用于在選擇抗體時，既要保證優(yōu)秀抗體能W較大的概率被選中，又要保 證子代種群的多樣性，因此本發(fā)明采用正比抗體親和度、反比抗體濃度的選擇概率Pc(qi):
[0166] 實施例S
[0167] 本實施例在實施例一和實施例二的基礎上實施，具體W圖2所示的網絡拓撲結構 為實驗對象，由圖中可知，網絡中共有11個節(jié)點和15個鏈路。設置免疫算法中的參數克隆父 代種群為30,變異概率為0.1，種群規(guī)模為100,最大進化代數nmax為500。設置節(jié)點的失效概 率/;'''*^的和鏈路的失效概率吃^'的分別為： I'i if
[0170] 網絡中能夠提供的業(yè)務共有5種，設及的業(yè)務信息包括傳輸時延、誤碼率、可靠性、 帶寬，對應的要求如表1所示：
[0171] 表1業(yè)務名稱和性能指標取值
[0173] 根據表1中的數據，可計算出各業(yè)務的業(yè)務重要度。為驗證方法的普適性，設業(yè)務 的起始節(jié)點是隨機生成的，業(yè)務類型也是隨機生成的，網絡拓撲中共生成了20條業(yè)務，設置 網絡風險度Wq(t)和網絡負載度Qq的口限分別為450和100,迭代次數為n = 80。
[0174] 圖3示出了免疫算法過程中抗體親和度函數f(q)和網絡均衡度〇q(q;t)隨迭代次 數n的變化關系曲線。由圖3可知，由于非負懲罰因子的存在，親和度函數始終大于網絡均衡 度的值。但是總體來看，兩者的變化規(guī)律相近，都隨著迭代次數n的增加而逐漸收斂。在迭代 次數n = 80時，兩者達到最小值，分別為0.2312和0.2311。
[0175] 圖4示出了算法迭代過程中網絡風險度Wq(t)和網絡負載度Qq隨迭代次數n的變 化關系曲線。由圖4可知，網絡風險度y%(t)和網絡負載度Qq均隨迭代次數n的增加而增加， 均與網絡均衡度〇q(q;t)呈逆向關系。網絡風險度Wq(t)和網絡負載度Qq在迭代次數n = 80時取得最大值，分別為387.2和88.7,均低于各自對應的約束口限值，證明通過免疫算法 選擇的優(yōu)化路徑可降低網絡風險度Wq(t)和網絡負載度Qq,實現網絡的風險均衡。
[0176] 圖5示出了本發(fā)明的基于免疫算法的風險均衡方法（Risk Balancing Optimization Mechanism based on Immune Algorithm,RBOMIA)和現有的負載均衡(Xoad Balancing,LB)方法W及面向業(yè)務的風險均衡機制（Service-oriented Risk Balancing MechaniSm，SRBM)計算得到的網絡均衡度O q(q; t)、網絡風險度Wq(t)和網絡負載度Q q的 結果對比圖。其中，LB方法考慮了業(yè)務帶寬的均衡分布，W風險均方差作為其選路的約束條 件，選擇網絡整體風險均方差最小的業(yè)務路徑作為最優(yōu)路徑。SRBM綜合業(yè)務重要度和通道 可用性等因素，是基于改進的最短路徑算法提出了一種風險均衡方法。
[0177] 由圖5可知，=種方法的各種指標均滿足約束，說明=種方法均為有效地實現網絡 風險均衡的方法。但本發(fā)明提供的方法具有最低的網絡均衡度、網絡風險度和網絡負載度， 充分證明本發(fā)明提供的方法相對現有的其它方法能夠有效降低網絡風險值，并保證有效的 風險均衡和負載均衡。
[017引實施例四
[0179] 圖6示出了本發(fā)明的一種電力通信網的風險均衡系統(tǒng)的結構示意圖。如圖6所示， 本實施例中的風險均衡系統(tǒng)包括:信息獲取單元60、第一確定單元61、第二確定單元62、第 =確定單元63