基于人工免疫克隆选择算法的网络节点分组调度系统

资 源 简 介

本项目旨在利用人工免疫克隆选择算法（Artificial Immune Clonal Selection Algorithm）解决复杂的网络节点分组调度优化问题。该算法模仿生物免疫系统中的克隆选择原理，将网络节点的分组调度方案映射为抗体，将调度目标（如负载均衡、最小化时延或能耗）设定为抗原，通过模拟抗体与抗原的相互作用来寻找最优解。具体功能包括：1. 构建网络节点环境模型，初始化网络拓扑结构及节点属性；2. 设计抗体编码机制，用以表示节点的分组状态和调度顺序；3. 实现亲和度评价函数，用于量化评估调度方案的优劣；4. 核心算法流程实现，包括抗体群初始化、基于亲和度的克隆增殖（优秀个体产生更多副本）、高频变异操作（对克隆副本进行随机扰动以探索新解空间）以及克隆抑制与选择操作（维持种群多样性并保留全局最优解）；5. 提供可视化仿真界面，动态展示算法收敛过程及网络节点的调度结果。该系统利用克隆选择算法在保持种群多样性和避免局部最优方面的优势，能有效提高大规模网络环境下节点调度的效率和稳定性。

详 情 说 明

基于人工免疫克隆选择算法的网络节点分组调度系统

项目简介

本项目实现了一个基于人工免疫克隆选择算法（AICSA）的网络节点分组调度与负载均衡系统。该系统利用生物免疫系统中的克隆选择、亲和度成熟和高频变异机制，解决大规模无线网络环境下的节点分组优化问题。

系统将网络中的节点调度问题转化为多目标优化问题，旨在同时满足负载均衡（各组负载差异最小化）和网络拓扑紧凑度（节点距离组中心最近）两个核心指标。通过MATLAB进行仿真，系统能够动态展示算法的收敛过程、网络拓扑变化以及各组的负载分布情况。

主要功能特性

1. 网络环境建模

* 在二维平面区域内随机生成指定数量的网络节点。 * 为每个节点随机分配任务负载，模拟真实网络环境中的异构性。 * 支持自定义节点数量、区域大小、通信半径及负载范围。

1. 免疫克隆选择算法实现

* 抗体编码：采用整数编码机制，抗体的每一位对应一个网络节点，其数值代表该节点所属的分组ID。 * 亲和度评价：构建了综合评价函数，融合了“负载均衡度”（组间负载标准差）和“空间距离代价”（节点到组中心的距离之和），以此作为抗体与抗原的亲和度指标。 * 克隆增殖：基于亲和度排序，对优秀个体进行动态比例克隆，亲和度越高的个体产生的克隆副本越多。 * 高频变异：对克隆产生的副本进行随机扰动（随机改变部分节点的归属组），以扩展搜索空间并避免局部最优。 * 克隆抑制与选择：将变异后的子代与父代混合，择优保留，维持种群规模并确保全局最优解不丢失。

1. 智能调度策略生成

* 算法结束后，根据最优分组方案生成具体的调度表。 * 采用组内优先策略：在确定分组后，各组内部根据节点负载大小降序排列，优先调度高负载节点。

1. 动态可视化仿真

* 拓扑视图：实时绘制节点位置、分组归属（不同颜色）、组中心位置及连接关系，节点大小随负载量变化。 * 收敛曲线：动态更新亲和度进化曲线，监控算法收敛速度。 * 负载分析柱状图：实时显示各分组的总负载情况，直观反映负载均衡效果。

算法实现细节与逻辑分析

本项目核心逻辑完全在 main.m 中实现，具体流程分析如下：

1. 初始化阶段

程序首先通过 InitNetwork 函数构建网络环境，生成节点的坐标 (x, y) 和负载值。随后初始化抗体种群，每个抗体是一个长度为 NodeNum 的向量，向量中的每个元素随机取值为 1 到 GroupNum 之间，代表随机分组初始态。

2. 亲和度计算 (Evaluation)

核心评价机制由 EvaluateOne 函数实现。系统的优化目标为最大化亲和度，亲和度计算公式如下：

• 负载代价 (LoadCost)：计算所有分组总负载的标准差。标准差越小，说明各组负载越均衡。
• 距离代价 (DistCost)：计算每个组内节点到该组几何中心的欧几里得距离之和。由参数 Alpha 和节点数量进行加权归一化。
• 总亲和度 (Affinity)：$Affinity = 1 / (beta times LoadCost + alpha times (DistCost / NodeNum) + epsilon)$。

3. 免疫操作循环

主循环模拟了免疫系统的进化过程：

• 克隆 (Cloning)：对种群按亲和度降序排列，选取出前50%的优势个体。排名越靠前，克隆的副本数量越多（由 CloneRate 控制）。
• 变异 (Hypermutation)：遍历所有克隆副本，以 MutProbBase 的概率触发变异。变异操作是随机选取若干个节点，将其重新分配到随机的其他组中。这模拟了抗体的高频变异以寻找更优的抗原结合位点。
• 选择 (Selection)：将变异后的克隆子代与原始父代合并，重新计算亲和度并排序，仅保留前 PopSize 个最优个体进入下一代。

4. 结果输出与调度

迭代结束后，提取最优抗体。GenerateSchedule 函数负责将最终的分组方案转化为可执行的调度表。它遍历每个组，获取组内所有成员，并按照负载从大到小的顺序进行排序，生成包含 [节点ID, 组ID, 负载, 组内次序] 的表格数据。

使用方法

1. 环境要求：

* MATLAB R2016a 或更高版本。 * 无需额外工具箱，使用基础图形库和计算函数。

1. 运行步骤：

* 直接运行 main 函数。 * 程序将自动清除工作区，初始化参数，并弹出一个名为“基于人工免疫克隆选择算法的网络调度系统”的图形窗口。 * 仿真过程中，窗口会每隔5代刷新一次，展示当前的优化状态。 * 运行结束后，MATLAB 控制台将输出最终的统计指标（迭代次数、最优亲和度、负载均衡标准差等），并打印部分节点的调度次序表。

关键函数说明

• InitNetwork: 生成网络拓扑结构，包括节点坐标和随机负载。
• EvaluateAffinity / EvaluateOne: 计算种群或单体的亲和度，包含负载均衡和空间紧凑度两个维度的加权计算。如果产生空组（某个组没有节点），会给予额外的惩罚值以引导算法避免空组。
• GenerateSchedule: 负责后处理，将分组基因解码为具体的节点调度顺序列表。
• DrawStatus: 通用的绘图函数，负责将当前最优解的数据渲染到三个子图中（拓扑图、收敛图、负载柱状图）。
• GetGroupLoads: 辅助函数，用于快速提取当前分组方案中各组的累积负载值。