《生物啟發的智慧路由機制與協議》在歸納分析國內外關于智慧路由相關研究的基礎上，利用蟻群、蜂群、粒子群、絨泡菌等生物啟發方法研究智慧路由機制與協議，主要內容包括:在蟻群算法中引入感知技術，提出感知蟻群的智慧路由模型；基于絨泡菌形體自我調節的特性，提出絨泡菌啟發的智慧路由模型；利用蜂群的覓食行為，提出蜂群智慧路由模型；結合多種生物啟發方法，提出多生物啟發的智慧模型；結合網絡環境的多變性，提出協議與網絡適配的路由機制；討論生物啟發路由在未來網絡中的應用。
《生物啟發的智慧路由機制與協議》可以作為計算機科學與技術信息與通信工程專業碩士研究生博士研究生的專業課教材，也可作為從事計算機網絡、無線通信、物聯網等研究領域科技人員的參考書。
前言
第1章 緒論
1.1 生物信息學
1.2 系統生物學
1.3 生物啟發技術
1.4 自律計算理論
1.4.1 自律計算的起源及概念
1.4.2 自律計算概念模型
1.4.3 自律計算的現狀
1.5 路由器技術發展趨勢
1.5.1 路由器技術體系演進
1.5.2 路由器發展的二元推動
1.5.3 設計理念的革命
1.5.4 路由器的發展趨勢
1.5.5 核心路由器、高端路由器和中低端路由器的發展趨勢
1.6 路由技術研究現狀
1.6.1 路由體系的研究現狀
1.6.2 無線路由協議的研究現狀
1.7 本章小結
參考文獻
第2章 傳統生物啟發路由方法
2.1 蟻群算法路由方法
2.1.1 網絡模型及路由表結構
2.1.2 蟻群算法基本原理
2.1.3 基本蟻群算法分析
2.1.4 改進蟻群算法
2.2 蜂群算法路由方法
2.2.1 蜂群算法基本原理
2.2.2 蜂群算法描述
2.2.3 蜂群算法具體思想
2.2.4 改進后的蜂群算法
2.2.5 蜂群算法存在的問題及展望
2.3 粒子群算法路由方法
2.3.1 粒子群算法原理
2.3.2 基于粒子群算法的路由算法
2.3.3 粒子群算法的特點及其應用
2.3.4 粒子群算法的路由優化
2.4 遺傳算法路由方法
2.4.1 遺傳算法基本原理
2.4.2 遺傳算法基本步驟
2.4.3 改進的遺傳算法
2.4.4 遺傳算法的優缺點
2.5 其他生物方法路由
2.6 本章小結
參考文獻
第3章 感知蟻群智慧路由模型
3.1 引言
3.1.1 問題的提出
3.1.2 國內外研究現狀
3.2 基于感知螞蟻的路由發現算法
3.2.1 典型場景模型
3.2.2 基于感知螞蟻的全局路徑感知
3.2.3 基于感知螞蟻的路徑發現過程
3.3 Physarum啟發的路由決策模型
3.4 基于PACO和P―iRD的混合路由協議
3.4.1 B.iHRP的數據結構
3.4.2 域內路由發現
3.4.3 域外路由發現
3.4.4 路由維護
3.4.5 路由優化
3.5 B―iHRP的平均時延分析
3.6 仿真實驗
3.7 本章小結
參考文獻
第4章 絨泡菌智慧路由模型
4.1 引言
4.1.1 問題的提出
4.1.2 國內外研究現狀
4.2 PPFO模型
4.3 Phvsamm啟發的路由協議
4.3.1 典型場景模型
4.3.2 P.iNHS模型
4.3.3 P.iRP
4.3.4 P.iRP算法
4.3.5 P.iRP算法復雜度
4.4 P.iNHS模型分析
4.5 仿真實驗
4.5.1 拓撲環境和參數設置
4.5.2 性能分析
4.6 本章小結
參考文獻
第5章 蜂群智慧路由模型
5.1 引言
5.2 蜂群算法研究背景
5.3 無線傳感網QOS組播路由評價模型
5.3.1 相關概念
5.3.2 OOS路由評價模型及度量
5.4 多約束蜂群組播路由發現機制
5.4.1 QOS蜂群算法簡述
5.4.2 系統模型
5.4.3 算法描述
5.5 本章小結
參考文獻
第6章 多生物啟發的路由模型
6.1 引言
6.1.1 問題的提出
6.1.2 國內外研究現狀
6.1.3 典型場景模型
6.2 基于免疫原理的節點可信度評價算法
6.2.1 基本描述
6.2.2 抗原遞呈
6.2.3 抗體的生滅過程
6.2.4 抗體進化
6.2.5 可信度評價
6.3 路由發現與路由選擇
6.3.1 路徑感知
6.3.2 路由發現
6.3.3 路由選擇
6.4 B―iTRP
6.4.1 B.iTRP的數據結構
6.4.2 可信度評價
6.4.3 路由策略
6.4.4 B.iTRP討論
6.5 仿真實驗
6.6 本章小結
參考文獻
第7章 協議與網絡適配的智慧路由機制
7.1 引言
7.2 協議與網絡的智慧適配模型
7.2.1 面向協議與網絡適配的邏輯架構
7.2.2 網絡的分級決策與預測
7.2.3 協議與網絡的適配模型
7.3 閥絡特征的協同感知
7.3.1 網絡特征參數的選擇
7.3.2 感知特征信息的采集
7.3.3 感知特征參數的歸一化I
7.3.4 感知信息傳輸的同步
7.4 基于HMM的網絡預測
7.5 本章小結
參考文獻
第8章 生物啟發路由在傳統網絡中的應用
8.1 生物啟發路由與傳統網絡結合需要解決的問題
8.1.1 遺傳算法
8.1.2 蟻群算法
8.1.3 粒子群算法
8.1.4 蜂群算法
8.2 基于遺傳算法的Qos組播路由問題
8.2.1 編碼方法
8.2.2 生產初始種群
8.2.3 評價函數設計
8.2.4 交叉
8.2.5 選擇復制
8.2.6 變異
8.3 蟻群算法在QOS組播路由中的應用
8.4 粒子群算法在QOS組播路由中的應用
8.4.1 問題描述
8.4.2 算法實現
8.5 蜂群算法在QOS組播路由中的應用
8.5.1 算法思想
8.5.2 算法實現
8.6 本章小結
參考文獻
第9章 生物啟發路由在未來網絡中的應用
9.1 引言
9.1.1 問題的提出
9.1.2 國內外研究現狀
9.2 信息中心網絡
9.2.1 ICN的分類
9.2.2 ICN的特征
9.2.3 ICN關鍵技術
9.2.4 ICN發展趨勢
9.3 智慧協同網絡
9.4 支持資源動態適配的可重構路由算法
9.4.1 基于PPFO模型的自適配模型
9.4.2 智慧協同網絡的自適配與可重構路由算法
9.5 協議分析
9.6 原型驗證
9.6.1 原型系統介紹
9.6.2 采用自適配路由效果
9.6.3 采用OSPF路由效果
9.6.4 測試結果對比
9.7 本章小結
參考文獻
第10章 智慧路由的發展
第 1 章 緒 論
生物依賴環境的同時也改變著環境，人們很早就意識到了這種相互依賴、彼此依存的緊密關系。 伴隨著科學技術的發展，人們對于生物與環境之間復雜關系的研究逐步形成了生態學。 盡管關于什么是生態學，不同時期的學者給出的定義不盡相同，但已有的定義差別不大，通常可以概括為：生態學是研究生物與環境及其相互作用的科學[1]。 近幾十年來，生態學的研究得到快速發展，與生態學相聯系的一系列邊緣學科相繼產生，如生物化學、生物物理和生物經濟學等。基于生態學，文獻[2]提出了關于單調控制系統這一新興領域的機遇與挑戰，主要包括以下幾方面。
(1)生物測量與操縱控制和信號處理技術的核心內容主要集中在儀器設置方向。
(2)生物研究的啟發理論在控制工程領域的抽象與應用。 近年來在基因研究方面所取得的成果，不斷為系統提供更為詳細的啟發知識。 傳統的單調控制技術只能應用于自治動力系統，從某種意義上說，這種限制阻止了研究互聯結構的可能性，特別是當研究的角度從組織嚴密的描述方法轉換到相對分散的分析方法時，該局限性表現得更加明顯。 但同時，需要分解的高度復雜系統所擁有的細小分子是具有清晰特性的，這種轉換也是必然的。 粗略地說，系統流的初始條件或進入該系統的外來信號具有單調特性，那么該系統都將是單調的。 滿足該要求的模型經常應用于多種不同領域，如分子生物學、生態學、經濟學、化學等。
單調控制系統在生物中的應用尤為明顯。 近年來，生態學受到了越來越多的關注，而其中一個重點就是物種的共存問題。 即不同物種之間*基本的生存關系分為競爭關系、捕食－食餌關系、互惠關系等，但同時，許多物種之間的關系并不是單一不變的，而是相對更加復雜和動態。
在研究多數復雜系統時，一般都會作出假定，即大量的簡單元素通過大量匯聚與交互來表現系統的復雜行為。 因為在多數情況下，系統的元素是均一而簡單的。而生物系統由大量的細胞、蛋白質以及基因組成，這些元素或成分無法用均一的或簡單的概念予以描述和實現[3]。 由此，生物系統的主要特征可以歸納為以下四點。
(1)元素的獨特性。 從遺傳學的角度來看，生物系統由成千上萬個基因組成，每一個基因具有不同的調控關系，而每一個基因的表達產物具有不同的功能。 因此，生物系統不能看做由多個均一成分組成的系統，同時，系統行為也無法簡單地用均值行為來近似表達。
(2)元素的復雜性。 系統每一個元素均具有其本身的復雜性。 每一個基因都包含一個復雜的調控結構，而其轉錄產物主要包括自身的復雜結構和動力學行為。每一種蛋白質結構與功能各不相同，且蛋白質彼此之間存在多種相互關聯的關系。
(3)元素之間相互作用的選擇性。 系統元素之間的相互作用具有高度選擇性。 基因與基因之間的調控作用具有高度特異性，同時，蛋白質之間的相互作用也是高度特異的。
(4)元素之間相互作用的網絡化。 系統元素之間的相互作用形成了高度復雜的生物化學網絡。 代謝作為*基本的生化反應網絡，通過產生能量來驅動各種細胞的變化過程，從而降解并合成了許多不同的分子。 代謝網絡也被稱為酶分子(蛋白質分子)網絡。 同時，系統內部還存在蛋白質網絡和基因調控網絡。
通常情況下，生物系統的相互作用不僅表現在系統之間的相互作用上，其本身也要受到外界因素的影響，這種受到外界因素影響的表現稱為隨機力[4]。 而隨機力會破壞系統的有序性，因此系統的有序和無序的競爭會表現出復雜的行為。 值得注意的是，隨機力并非只能起到消極作用。 在生物非線性系統的分岔點附近，通過生物系統與隨機力的作用，無序的能量可能轉化為有序的動力，從而促進系統新秩序的建立。 近年來討論的噪聲誘導相變、隨機共振、相干共振、分子馬達運動、改變基因遺傳選擇平衡、選擇性控制細胞生長等一系列現象就屬于典型的噪聲對生物系統正面作用的例子。
生物系統本身就是一個自組織的進化系統，在生物與環境的交流和相互作用下，生物利用自身的冗余結構和冗余補充，使整個系統始終朝著有利于生物發展的方向進化。 文獻[5]采用 Type￣2 模糊系統建立了生物群落冗余結構的數學模型，提出了生物群落穩定性的度量方法，研究了生物群落冗余結構與生物進化可靠性和穩定性的關系。
當前網絡應用日益呈現出高性能大規模多樣性需求用戶對 提出了更高的分布式要求，需要以用戶為中心的網絡具有自擴充性、可移動性、可生存性、簡單易操作性以及隨著用戶和網絡環境的長期和短期變化而具備的自適應性等特點，因此，對于網絡應用的開發設計者和相關領域的研究人員來講，有必要進一步優化 Internet 體系結構，并開發設計其應用。 生物信息系統作為一個分布式自治系統，其運行機制能夠為多個科學和工程領域提供富有成效的技術和方法，如人類社會、蜂群、生物免疫系統等大規模系統已形成許多重要的原理和機理，可用以啟發人們采用科學方法和工程技術策略滿足未來 Internet 的發展需求。
探尋系統生物學和生物信息學的運作機制和工作原理，已成為研究生物啟發理論的基礎與首要任務。
1.1生物信息學
生物信息學是生物學與信息科學、數學、計算機科學等學科相互交叉而形成的一門新興學科。 生物信息學依據一些描述和模擬復雜生物系統的數據庫、計算機網絡及應用軟件，在各種技術平臺(如大規模 DNA 測序、RNA 和蛋白質組研究)產生海量數據的基礎上，整合運用數學、計算機科學和生物學的各種工具，通過對生物學實驗數據的獲取、處理、存儲、檢索與分析，來闡明和理解大量數據所包含的生物學意義。 目前生物信息學技術在人類疾病與功能基因的發現與識別、基因與蛋白質的表達與功能研究方面都發揮著關鍵作用，已成為系統生物學發展的一個強有力的工具[6]。
隨著各類生物數據的加速增長和積累，計算生物學應運而生。 計算生物學以現代分子生物學數據作為主要研究對象，運用理論模型和數值計算研究生命科學(基因序列信息分析、基因預測、分子進化及分子系統學等重要問題)，揭示以基因組信息結構為主的生物復雜性，以及生長、發育、遺傳、進化等生命現象的根本規律。 計算生物學的主要研究方法是用數學語言定量描述和預測生物學功能、生物體表型及行為，包括多元統計分析方法、隨機過程模型、機器學習等方法。 其主要作用包括：①通過對大量數據的處理來分析生物系統的特性和行為；②解析和定義生物系統的功能和結構層次。
計算系統生物學(computational system biology)突出生物信息學等學科“計算”的作用，強調“計算與實驗” 的交融，成為切入探索生命系統性、復雜性的重要途徑，并迅速成為系統生物學領域的新前沿，其主要研究目的是分析生物系統中實體的行為，并揭示實體間的相互關系。 系統生物學以整體性研究為特征，以生物信息學為研究生物系統組成成分的重要方法，并促使醫學、生命科學研究朝可預測、可預防、個體化的醫學目標發展。 目前該領域主要包含兩方面的工作：一方面是從海量實驗數據中建立模式，進行知識發現；另一方面是基于仿真的系統分析，它強調根據實驗獲取的數據對生物系統建立定量模型，并在時間軸對系統行為演化進行外推。 作為理論研究和實驗研究之外的第三種認識和改造世界的方法，建模與仿真是系統生物學中聯系計算與實驗這一理念的主要紐帶[7]，其主要作用包括：一方面，以行之有效的建模方法學對高通量測試結果數據進行描述，在不同層次、不同尺度上定義復雜生物系統的組成與功能；另一方面，通過仿真方法，在可接受的時間內對含有虛擬實驗假設的系統特征與行為進行分析。 我國學者也對系統生物學中的建模與仿真研究給予了極大的關注，大規模計算系統生物學仿真不斷增長的計算需求，使得基于高性能計算機的并行仿真成為這類仿真發展的重要趨勢。 目前，實現高性能的主要手段是并行，并行仿真方法的研究對高性能計算系統生物學的發展非常重要。
復雜生態系統中很多重要的生態學理論問題都是以生態位和生物群落概念為基礎的，生態位概念已遍及整個生態學科，成為生態系統理論研究和實際應用中的重要問題，其理論在種間關系、群落結構、物種多樣性及種群進化等方面獲得了廣泛應用。 生態位和生物群落及其相關概念的量化和模型化是生態系統的根本問題。 因此，生態系統建模對生態系統的非線性分析、仿真和量化工作具有重要意義。
生態學和種群動力學本質上是非線性的和整體的，在同一系統中，不同生物和不同種群之間彼此無法分開，它們之間存在復雜的非線性關系，并且與環境構成一個整體。 生物系統的進化與發展顯現出高度的非線性，它使生物體更容易適應環境的變化，而更強的適應性正是更高的進化程度的表現，而且越來越高的復雜性是生物演化的一個標志。 因此，對生態系統非線性、同步進化機制和生物進化的衡量尺度的研究，有助于進一步認識生物系統的發展。
混沌系統的同步可以看做一個大系統內部各個子系統之間的協同機制，正如生物系統中各個種群之間的競爭協同[8]。 從這個意義上講，生態系統的混沌現象是客觀存在的，同步是生物系統的內在機制。 因此，非線性動力學方法成為研究生態系統的重要工具。 生物進化在復雜的環境下進行，可以看出，生物始終朝著有利于自身發展的方向進化，并始終與環境交流，縮小與環境的差異，形成具有自適應性、穩定的生物種群。 在研究復雜工程系統的過程中，由于其所處的動力學環境、巨大的能量、機構的復雜性等各種因素，潛伏的故障將導致不可估計的經濟損失和人員傷亡。 因此，將生物系統的非線性進化特性、自適應性、容錯性和穩定性與控制方法和故障診斷結合，形成具有生物特性容錯控制方法和故障診斷方法，可以使系統故障*小化。 容錯控制(fault tolerant control，FTC)的思想起源于 1971 年，以Niederlinski 提出完整性控制的新概念為標志，是一門新興交叉學科，它與魯棒控制、故障檢測與診斷、自適應控制、智能控制等有著密切聯系，是伴隨解析冗余的故障診斷技術的發展而發展起來的。
復雜系統(complexity system) 是指由一些相對簡單的個體部件基于相互之間錯綜復雜的作用而形成的一個統一而復雜的整體。 復雜系統涵蓋內容極廣，幾乎無處不在，包括經濟系統、社會系統、工程系統和生物系統等。 研究復雜系統的學科稱為復雜性科學(complexity science)。 生物系統作為一個復雜系統，是自然界物理、化學和生物組分的有機組合系統。 生物系統除具有上述幾個關于復雜系統所共有的特點以外，還有一些其他系統所不具備的特點。 生物種類繁多，數量龐大，生命現象錯綜復雜，所以生物復雜系統(bio￣complexity system)足以被譽為“復雜巨系統”，是所有復雜系統中復雜性**的一類。 人們普遍認為，生物系統的復雜性和非生物系統的復雜性是兩類不同的復雜性，前者的復雜程度比后者要大得多，而且不同生物系統的復雜性具有三個特點：①在復制生物結構的過程中展現出生長性、自組織性和自適應性；②具有無雙性，這導致不同層次、不同類群甚至不同個體生物的復雜性，顯示出很強的獨特性，這是在生物領域應用數學方法的一個難點；③生物系統復雜程度的巨大性，這也使得生物系統的復雜性難以量化。 在生物系統中存在植物和動物的相互作用以及與環境的代謝作用，因此，對復雜生物系統可以從質和量、**性與相對性、存在和演化、空間和時間等多角度進行描述，重點從三方面進行把握[9]：①系統內部各要素之間的相互作用；②同等系統之間的相互作用；③低等級系統與高等級系統之間的跨層次相互作用。
1.2系統生物學
人們對生物體系統的研究多采用還原論法，完成對系統單個組成元素的獨立分析與研究。 到目前為止，還原論的研究已經取得了大量成就，其成果在細胞甚至分子層次都對生物體具有較深入的了解，但遺憾的是，相關成果對生物體的整體行為難以給出系統、全面的解釋[10]。 目前，生物科學還停留在科學實驗階段，尚未形成一套完善的理論來描述生物體如何在整體上實現其功能行為。 對子系統的研究成果互相割裂地羅列在一起，人們迫切需要將它們組合起來進行整體研究，從中
新書資訊