式中：N为当前所有业务需求总数；N为网络的节点总数。

　　以图1拓扑为例，假设某时刻网络有冲到凡的调度数据网业务需求。则染色体业务需求总数N为1，网络节点总数N为6，则染色体长度L为6。某个染色体个体的表示方法为：（2-5-1-6-3-4)。贝IJ节点1对应的优先权为2，节点2对应的优先权为5。

　　2.2染色体的解码

　　染色体解码的关键是根据具有优先编码的染色体求出业务需求的路径。对于某个染色体编码段，从起始节点开始进行循迹，当有多个可选通道时，选择优先权高的路径，直至到达终点。每个节点只允许在路径中存在1次。

　　以图1所示拓扑为例，假设某时刻网络有节点Nj到Ns的调度数据网业务需求。其对应染色体段的编码方式为(2-5-1-6-3-4)。则从冲出发，有通道Nj-N2和风我可选，由于节点2对应基因的优先权高于节点3对应基因的优先权，因此循迹过程为NrN2，依次循迹可得业务路径为N1-N2-N6-N4-N5。

　　由于基于优先权编码方式的特殊性，在反求路径过程中会出现死路的情况。同样以图1所示拓扑为例，假设某时刻网络有节点冲到N5的调度数据网业务需求。其对应的染色体段的编码方式为(2-5-4-6-1-3)。则路径依次为NrN2-N6-N4-N3，当循迹过程达到节点N3后，由于与之相连的节点(NuN4,N6)都已经存在路径中，则循迹过程出现死路。为此我们增加阻塞数组。当循迹过程到节点N3，发现无路可走后，则将节点N3放入前面一个节点(N4)的阻塞数组中，循迹过程返回到节点N4。在继续选路的过程中，选择排除阻塞节点(N3)和已存在路径中的节点风)后的剩余节点的)中优先权最大的节点。即路径依次为N7N2-N6-N4-N5，循迹结束。

　　当对基于优先权染色体解码求出各电网通信业务的路径后，利用第1节的计算方法进行网络评价指标的计算，求出各个染色体对应的业务平均风险度Ravg和业务风险均衡度。

　　2.3应用NSGAII的路由优化算法流程

　　1)随机产生初始种群P。。计算每个个体的业务平均风险度Ravg和业务风险均衡度Br；根据这1个目标函数的值，对种群进行非劣排序，计算拥挤距离。

　　2)根据非劣排序和拥挤距离计算结果，对P0进行选择、交叉、变异，得到新种群0。，令?=0。

　　3)形成新的种群R=P,U0,，计算每个个体的Ravg和Br；根据这2个目标函数的值，对新的种群进行非劣排序，计算拥挤距离。

　　4)根据非劣排序和拥挤距离计算的结果，选择新种群R中最好的N个体形成新的种群PM；对种群Pm进行选择、交叉、变异，得到新的种群。

　　5)若终止条件成立，则遗传过程结束；否则?=?+1，跳转到步骤3)继续进行循环。

　　遗传算法中选择过程采用二元锦标赛选择，交叉过程采用基于位置的杂交运算法，变异过程则随机的改变某个染色体中2个基因的位置。

　　3优化算例

　　3.1算例1

　　以文献所示拓扑为例，网络中节点个数为6，业务通道边的数目为8。设网络中有5个业务需求，分别为：节点冲到N5的调度数据网业务；节点冲到N6的调度数据网业务；节点风到N4的变电站综合监控业务；节点冲到N5的智能电网信息支撑(SG-ERP)业务；节点风到凡的会议电视系统业务。

　　利用遗传算法进行路由优化分配。网络中有5个业务需求，则每个染色体个体有5个染色体段；网络节点数为6，每个染色体段的长度为6；则染色体的总长度为30。算例中NSGAII参数设置如下：初始种群规模为100，迭代次数为200，变异率为0.1。

　　图2显示了Pareto最优解对应的个数在种群中所占的比例在迭代过程中的变化情况，本文设置的最大运行次数为200次，由图可知运行到30代左右时，Pareto最优解对应的个数在种群中所占的.比例已基本保持不变，为45%左右。

　　图3为NSGAII算法初始种群和运行200代后种群的分布空间。结果表明NSGAII算法用于电力

　　通信网路由优化的有效性。由于业务平均风险度Rmg和业务风险均衡度BR这2个目标函数的相互矛盾性，一般情况下不能同时使2个函数同时最小，因此通常根据实际情况从Pareto最优解集中进行选择。

　　表2所示为部分Pareto最优解，各种方案对应的业务路由见表3。若以降低电力通信网的业务风险均衡度BR为主要优化目标，则选择方案1；若以降低业务平均风险度Ravg为主要优化目标，则选择

　　方案5；若无特殊要求时，则可以选择方案3。