摘要：相较于因特网，电力通信网络承载着电网协调控制、负荷切换控制、连锁故障预警、系统解列等实时控制业务，这类型业务对带宽、时延等都具有明确要求，因此需要提升电力通信网络的业务数据质量，保证网络运行稳定有效。而电力通信网络的路由规划是保证网络性能的主要方向，目前大部分通信网络路由采用的是最短路由算法。网络链路是根据链路传输容量、链路状态、队列延时进行加权的，最短路由算法就是寻找到包括指定源和目标节点的最小成本路径。
关键词：改进遗传算法;通信路由;负载均衡;编码
引言
针对电力通信网络的可靠性需求，结合相关的通信基础知识，提出一种基于遗传算法的路由均衡策略。对此，文章首先对传统的电力通信网络优化策略进行了分析，然后针对其参数求解的问题，提出采用遗传算法对其进行优化，并分别对遗传算法的选择算子、交叉算子、变异算子和编码方式等进行改进，进而提出求解的具体步骤。对电力通信业务的路由分配问题与现有的相关研究成果进行深入研究，提出合理的路由配置策略。最后以安徽淮北供电公司为背景，通过构建电网通信网络结构拓扑图，然后设定相关的参数，就上述的算法进行验证，结果表明在实际业务矩阵模式下，本文提出的改进遗传算法方差较小，与优化前相比效果明显，说明本方案的可行性与准确性。
1概述
根据电力通信网络树状拓扑结构提出一种基于蚁群遗传的混合动态路由算法。采用最小传输时延和丢包率作为优化目标，基于多路径路由方式，保留蚁群算法的备选路径，避免通信网络时变性造成路径失效，并根据信息素含量确定不同优先级。仿真分析混合路由算法、遗传算法和分簇路由算法性能，比较算法的传输时延率、丢包率和吞吐量。结果表明，本文提出的混合路由算法具有较低的丢包率和较高的吞吐量，在传输时延方面，由于采用了备选路径，传输时延存在一定幅度上升，因而混合路由算法的高精确度更能满足电力通信网络需求。
2改良的蚁群遗传动态算法
2.1最短路径的遗传算法
遗传算法（ＧＡ）是一类模拟生物进化的随机搜索算法，能够实现全局解空间搜索，并不受限制条件约束，操作简单。算法采用二进制的编码方式将编码后的字符串作为种群个体，获得初始个体，并根据确定的适应度函数评价个体性能优劣，将适应度高的个体复制遗传到下一代，对获得的新一代个体进行染色体交叉换位，产生新的群体，实现群体的多样性，并根据生物学基因突变原理寻找到算法的最优解。采用遗传算法能够较好地解决电力通信网络路由的非线性问题，通过交叉变异使算法具备了良好的可扩展性，但算法存在易出现早熟、稳定性较差问题，同时对系统反馈信息利用不足。
2.2优化的蚁群遗传算法
上述分析可以看出遗传算法具有一定的缺陷性，考虑到电力通信网络输出的时延、宽带、可靠性要求，引入蚁群算法来对遗传算法进行改良。蚁群算法作为一种正反馈机制算法，通过信息素不断更新达到最优路径收敛的目的，避免了遗传算法易于陷入局部最优解的问题；同时，算法采用的正反馈机制有效加快了遗传算法进化流程，通过设置优良的参数组合（α、β、ρ、ｑ０）有效应对电力线通信逻辑拓扑通道变化，提高算法的快速性、收敛性和抗毁性。遗传算法作为一种新的全局搜索优化的算法，获得了广泛的应用，成为了现代科学发展的关键只能算法之一，它具有较强的全局搜索能力遗传算法是根据“优胜劣汰”的自然法则，并结合遗传学的相关原理的一种算法。
现在，很多的专家和学者研究了遗传算法在电力系统负荷优化分配方面的应用，为了解决电力通信网双路由分配问题，该算法的核心是从问题潜在集中挑出任意的一个群体作为其初始的群体，然后将这部分群体看成是一个个的染色体，并且在每个染色体上，携带某种特征符号。然后将问题转换到染色体的基因上，并通过选择、交叉和变异，从而得到一代优于一代的近似解，最终得到全局最优解。对电力通信网络由问题进行求解时，染色体的比特数由电力通信网节点数和节点中最大邻接点数共同确定，但传统的遗传算法中，需优化选择的参数很多，同时很容易陷入早熟收敛的问题。对此，通常需要对遗传算法进行改进。遗传算法改进根据蚁群遗传混合路由算法框架，首先通过蚁群算法进行初步搜索，得到有效路径，形成更优解集合，再将算法引入遗传迭代计算，当算法达到最大迭代次数或算法收敛后，遗传算法结束，继续通过多次迭代获得最优解。遗传算法基本步骤遗传算法作为一种新的全局搜索优化的算法，获得了广泛的应用，成为了现代科学发展的关键只能算法之一，它具有较强的全局搜索能力遗传算法是根据“优胜劣汰”的自然法则，并结合遗传学的相关原理的一种算法。现在，很多的专家和学者研究了遗传算法在电力系统负荷优化分配方面的应用，为了解决电力通信网双路由分配问题，该算法的核心是从问题潜在集中挑出任意的一个群体作为其初始的群体，然后将这部分群体看成是一个个的染色体，并且在每个染色体上，携带某种特征符号。然后将问题转换到染色体的基因上，并通过选择、交叉和变异，从而得到一代优于一代的近似解，最终得到全局最优解。对电力通信网络由问题进行求解时，染色体的比特数由电力通信网节点数和节点中最大邻接点数共同确定。
2.3编码
对染色体进行编码的目的，是为了将具体的变量和相关参数转换到染色体中，进而将问题的解空间直接转换为遗传算法的搜索空间。因为一般电厂有多台机组，每台机组的负荷变化是连续的，而对于VEC-MP模型来讲，其主要是通过控制网络链路的权重，继而更加合理的设定最佳路径分布，以此促进链路负载的均衡。换句话说，就是让链路中最大链路利用率最小化，这样就可以减少负载的分布。因此，结合遗传算法，本文则将链路权重配置矩阵作为染色体，将最大链路利用率为适应度函数，通过遗传算法在解空间内的搜索，找出使适应度函数值最小的染色体。
结语
本研究提出一种改进遗传算法的电力通信网络由优化，通过以上的研究看出，一方面考虑到传统技术中的通信指标对路由链路的影响，另外根据电力业务对通信指标要求程度构建目标函数。综合考虑用最短路径和针对电力业务特点的QoS路由约束条件，利用遗传算法寻出满足业务特性的最优的路径，如此可得出，按照通信指标的不同需求，对电力业务特性的最佳路径，并且遗传算法的收敛性能比较理想，能够使在最短的时间内收敛到最优解。电力通信网络中的负载均衡也是一个重要的问题。保障负载的均衡，对提高整个电力通信网络的质量具有重要价值。本文通过将电力通信网看成是一个抽象的网络拓扑结构，给出该结构的目标函数和约束条件，然后结合遗传算法，对该目标函数进行最优解的求解，从而得到其最短和最优链路传送路径。结果表明，这种方法对提高电力通信的均衡性具有一定的价值和作用。
参考文献
［1］胡正伟，谢志远，谢荣圆．基于遗传算法的多ＱｏＳ参数约束条件下的ＰＬＣ路由搜索方法［J］．电力自动化设备，２０１７，３７（５）：１６２－１６９
［2］梁肖，周湘贞．基于遗传算法的小麦收割机路径智能优化控制研究［J］．农机化研究，2018，40(02):56－60．
［3］吴立华，白洁，左亚军，等．基于Matlab的遗传算法在结构优化设计中的应用［J］．机电工程技术，2017，46(10):44－47．