張志生

（云南電網(wǎng)有限責(zé)任公司信息中心，云南 昆明 650200）

0 前言

現(xiàn)行的電力信息系統(tǒng)更多將關(guān)注點集中于系統(tǒng)整體可用性、設(shè)備運行狀況和整體性能等方面，系統(tǒng)無法實現(xiàn)主動測量，無法主動發(fā)現(xiàn)運行過程中可能出現(xiàn)的各類狀態(tài)問題。這種情況的存在導(dǎo)致電力系統(tǒng)的整體運行并不穩(wěn)定，系統(tǒng)在運行過程中經(jīng)常會出現(xiàn)系統(tǒng)延時以及其他故障問題，此類問題出現(xiàn)的主要原因是系統(tǒng)運行中缺少必要的主動探測技術(shù)，另一方面，從業(yè)務(wù)系統(tǒng)的使用角度看，監(jiān)控對象和監(jiān)控內(nèi)容不足，不能有效的評判電力信息系統(tǒng)的實際使用情況。在電力系統(tǒng)中部署探針后，系統(tǒng)探針可以主動獲取運行狀態(tài)信息，實現(xiàn)系統(tǒng)各項業(yè)務(wù)的快速監(jiān)控和有效故障定位，通過采集系統(tǒng)應(yīng)用數(shù)據(jù)，實現(xiàn)有效定位，對電力信息系統(tǒng)的穩(wěn)定運行及實用化應(yīng)用意義重大。

在互聯(lián)網(wǎng)信息技術(shù)的發(fā)展下，我國電力系統(tǒng)實現(xiàn)了自動化與信息化發(fā)展。我國電力數(shù)據(jù)網(wǎng)在規(guī)劃上有著較高的一致性，系統(tǒng)在建設(shè)及后期應(yīng)用過程中始終堅持保障性、安全性、先進(jìn)性、經(jīng)濟(jì)性的基本原則內(nèi)容[1]。電力數(shù)據(jù)網(wǎng)中常見的結(jié)構(gòu)形式有星型、環(huán)形以及雙星型結(jié)構(gòu)[2]。電力數(shù)據(jù)網(wǎng)為了處理電力系統(tǒng)中龐大的業(yè)務(wù)工作具備了網(wǎng)絡(luò)范圍大、網(wǎng)絡(luò)覆蓋廣、業(yè)務(wù)多樣化的基本特性。其在一些特殊性的業(yè)務(wù)工作中有著更高的要求標(biāo)準(zhǔn)，此類工作主要為電力系統(tǒng)中的網(wǎng)絡(luò)性能測量工作、拓?fù)浣Y(jié)構(gòu)測量工作、服務(wù)質(zhì)量測量工作、多協(xié)議標(biāo)簽交換工作（QoS）及VPN通道測量工作等[3]。

電力數(shù)據(jù)網(wǎng)探針部署問題主要集中在多目標(biāo)多約束優(yōu)化上，技術(shù)的應(yīng)用需要全面分析技術(shù)的實際價值、部署成本以及系統(tǒng)后期可靠性等[4]。針對此類問題我國學(xué)者進(jìn)行了綜合性的研究。文獻(xiàn)[5]為了解決系統(tǒng)的不確定與不穩(wěn)定問題，應(yīng)用貪心策略，經(jīng)過仿真驗證發(fā)現(xiàn)系統(tǒng)的穩(wěn)定性有所提高并得到了一定優(yōu)化，但在運行中仍然會出現(xiàn)冗余解的情況。文獻(xiàn)[6-7]在研究過程中運用遺傳算法有效消除了無效解問題，但由于研究中忽略了可靠性及探針部署成本等主要因素，導(dǎo)致結(jié)果中出現(xiàn)了冗余解情況，探針數(shù)目仍無法實現(xiàn)最小化處理。本次研究中基于上述研究內(nèi)容，運用貪心策略和遺傳算法思想改進(jìn)探針部署算法。

1 探針部署優(yōu)化問題建模分析

隨著電網(wǎng)智能化與自動化水平的提高，憑借工作經(jīng)驗以及部分內(nèi)容進(jìn)行推斷部署的方式已儼然無法適應(yīng)當(dāng)前探針部署工作基本要求。本次研究中將電力數(shù)據(jù)網(wǎng)線路與業(yè)務(wù)進(jìn)行有機(jī)結(jié)合，以此轉(zhuǎn)變?yōu)閿?shù)學(xué)模型，實現(xiàn)電力業(yè)務(wù)的抽象化與簡便化。無向圖的最小頂點覆蓋問題為探針部署中的核心問題，研究中設(shè)定無向圖G=(V,E)，其中頂點的集合表示為V，邊集合表示為E。如果頂點覆蓋中存在集合S使得G中的各個邊與之關(guān)聯(lián)，即在所有G中的E都至少有一個在頂點S中。此時則成S集合為圖G的一個頂點覆蓋。如果存在某一個S為G的一個頂點覆蓋并且不存在其他包含更少頂點的集合可以覆蓋全圖，則稱S為圖G的一個最小頂點覆蓋[8]。

圖1所示的無向圖中包含8個頂點與10條邊。圖中的頂點集合為S=(2,4,6,8)，從圖中可以明顯看出每條邊都至少有一個頂點處于S中，因為其中并未存在其他集合可以包含更少的頂點覆蓋全圖，由此確定S為是其頂點覆蓋，并且S是其最小頂點覆蓋。

2 電力數(shù)據(jù)網(wǎng)探針部署優(yōu)化

2.1 改進(jìn)貪心算法的基本原理

本次研究中從無向圖最小頂點覆蓋角度出發(fā)，研究電力數(shù)據(jù)網(wǎng)中探針部署優(yōu)化問題。由于傳統(tǒng)貪心算法策略中存在著節(jié)點隨機(jī)選取的情況，因此無法有效解決最小頂點覆蓋的問題，并且電力數(shù)據(jù)網(wǎng)中存在著多種拓?fù)浣Y(jié)構(gòu)類型，應(yīng)用傳統(tǒng)貪心算法策略很可能會出現(xiàn)覆蓋頂點過多和冗余節(jié)點的問題?；谏鲜鰡栴}，結(jié)合電力數(shù)據(jù)網(wǎng)拓?fù)浣Y(jié)構(gòu)類型，在無靠性約束條件下提出一種改進(jìn)貪心算法策略，以實現(xiàn)無向圖中限定覆蓋頂點方向選取，消除矩陣中的冗余節(jié)點[9]。

根據(jù)上文所述，可以將電力數(shù)據(jù)網(wǎng)中的探針部署問題轉(zhuǎn)化為無向圖最小頂點覆蓋問題，本次研究中提出無可靠性條件下的電力數(shù)據(jù)網(wǎng)探針部署的數(shù)據(jù)模型：

求得：

滿足：

式中，S表示頂點覆蓋集合，D表示探針部署的開銷，其中xi∈S,x=[x1,x2,x3,...,xn]為v=|V|的向量，A=(aij)n×n是圖的鄰接矩陣。

其中：

電力數(shù)據(jù)網(wǎng)的網(wǎng)絡(luò)結(jié)構(gòu)包含核心層、匯聚層、接入層。在電力數(shù)據(jù)網(wǎng)拓?fù)浣Y(jié)構(gòu)抽象化分析中，各個層級節(jié)點都是相互獨立的，三層結(jié)構(gòu)中形成了獨立的節(jié)點集合[10]。電力數(shù)據(jù)網(wǎng)中核心層的分布結(jié)構(gòu)為網(wǎng)狀結(jié)構(gòu)，如圖2所示。而匯聚層與接入層中的節(jié)點呈現(xiàn)出二分圖分布特征，如圖3所示。

圖2 網(wǎng)狀圖結(jié)構(gòu)形態(tài)

圖3 二分圖結(jié)構(gòu)形態(tài)

在傳統(tǒng)貪心策略中通常選取度數(shù)最大的節(jié)點來解決最小頂點覆蓋的問題。此方法下可以實現(xiàn)最佳覆蓋定選取工作，但同樣會造成全局性問題。

上圖中所應(yīng)用的貪心策略可以實現(xiàn)每次最大度數(shù)節(jié)點的多種選擇。由于選擇是隨機(jī)進(jìn)行的，因此選擇結(jié)果存在最壞情形，如果在隨機(jī)選擇中所選取節(jié)點為{11,12,13,14,15,16,17,18,31,32,33,34,35,36}時，圖中的覆蓋頂點共計有14個。如果隨機(jī)選取節(jié)點為{21,22,23,24,25,26}，則說明覆蓋頂點結(jié)果最佳，此時覆蓋頂點數(shù)量為6個。此時所出現(xiàn)的情況為隨機(jī)選取性所帶來的頂點過多問題。而在核心層的網(wǎng)狀結(jié)構(gòu)中，可實現(xiàn)選取度數(shù)最大節(jié)點，首次選擇必然會選取節(jié)點1，而在第二次選擇中便增加了一定的隨機(jī)性[11]。如果在網(wǎng)狀圖中首次與后續(xù)隨機(jī)選取的節(jié)點為{1,2,3,4,5}時，可以得到網(wǎng)狀圖的頂點覆蓋集合。在該類型選取中，若將首次選取結(jié)果的頂點1去除，剩余頂點仍然可以覆蓋全圖，則網(wǎng)狀圖中的頂點1可以被看作一個冗余節(jié)點。這種情況的出現(xiàn)就是覆蓋頂點選取中的冗余節(jié)點問題。

通過分析了解到，在電力數(shù)據(jù)網(wǎng)探針部署問題中借助傳統(tǒng)貪心算法策略，仍然會存在探針部署數(shù)量確定困難、數(shù)量開銷成本增加的問題。此問題主要是由于網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)特征所造成的。

根據(jù)電力數(shù)據(jù)網(wǎng)中現(xiàn)存問題，本次研究選擇網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)特征為入手點分析，根據(jù)二分圖和網(wǎng)狀圖的特征弊端進(jìn)行改進(jìn)說明。

為了解決二分圖節(jié)點選取中所出現(xiàn)的最壞情況，確定了如下改進(jìn)方法：每次刪除最大度數(shù)頂點的相關(guān)邊時，應(yīng)同時去除度數(shù)為1節(jié)點的影響。在算法運行中對選取最大度數(shù)頂點進(jìn)行了改進(jìn)變化，其中規(guī)定在選取中如果出現(xiàn)相同情況則需優(yōu)先選取存在度為1鄰接點的節(jié)點，以此最大限度上減少度為1節(jié)點所產(chǎn)生的影響。

網(wǎng)狀圖在節(jié)點選擇過程中存在冗余節(jié)點問題，在解決此問題上選擇采用標(biāo)記矩陣形式，迅速確定冗余節(jié)點[12]。在改進(jìn)算法通過生成標(biāo)記矩陣分析記錄頂點覆蓋集是否存在均被重復(fù)覆蓋的頂點，以此最終確定冗余節(jié)點。

2.2 改進(jìn)貪心算法策略流程內(nèi)容

電力數(shù)據(jù)網(wǎng)探針部署應(yīng)用改進(jìn)貪心算法策略方法步驟如下所示：

第一步：初始化階段。確定無向圖的鄰接矩陣A與完全相同標(biāo)記矩陣B，確定其頂點覆蓋集為S。

第二步：如果鄰接矩陣A為0，直接執(zhí)行第三步，否則執(zhí)行第三步。

第三步：選擇矩陣中度數(shù)最大的節(jié)點，如果最大節(jié)點唯一存在，直接將其歸屬于頂點覆蓋集合S中，記錄頂點標(biāo)號i，并執(zhí)行第五步，否則執(zhí)行第四步。

第四步：確定度數(shù)最大的節(jié)點組中是否存在度為1的鄰接點，如果存在將其加入到覆蓋頂點集S中，記錄頂點標(biāo)號為i，并繼續(xù)執(zhí)行第五步，否則隨機(jī)選擇其中一個節(jié)點加入到集S中，記錄頂點標(biāo)號為i，并繼續(xù)執(zhí)行第五步。

第五步：去除節(jié)點i的相關(guān)邊，將鄰接矩陣中第i行與第i列全部重置為0，并執(zhí)行第六步。

第六步：標(biāo)記矩陣B中的第i行與第i列中每個元素減去原來鄰接矩陣相同位置所對應(yīng)的元素，并執(zhí)行第二步。

第七步：無向圖的原鄰接矩陣與標(biāo)記矩陣相加，確定行（列）情況，如果結(jié)果不存在行（列）全部為0，則算法結(jié)束，此S即為結(jié)果。否則將全為0的行（列）號進(jìn)行記錄，此為冗余節(jié)點標(biāo)號，將其從S中刪除，算法結(jié)束，刪除冗余節(jié)點后的集S即為結(jié)果。

圖4 改進(jìn)貪心算法策略流程內(nèi)容

2.3 仿真實驗

基于改進(jìn)貪心算法策略的探針部署效果需要通過仿真實驗進(jìn)行驗證分析。驗證中使用GT-ITM拓?fù)渖善鳎善骺梢愿鶕?jù)兩點間存在的概率來隨機(jī)生成平面拓?fù)鋱D，平面拓?fù)鋱D的機(jī)電數(shù)量不同，其復(fù)雜程度也存在差異[13]。本次仿真實驗中生成Waxman2模型，仿真實驗?zāi)Ｐ椭械捻旤c間存在邊的概率為：

上式中a,b∈(0,1)，且圖中的邊數(shù)會隨著a的變化而改變，二者存在顯著的正比例關(guān)系，而圖中的長短邊比值會也與b之間存在著正比例關(guān)系。

本次仿真實驗中分別選取a=0.3，b=0.4和a=0.4，b=0.3進(jìn)行分析，在不同復(fù)雜程度下的拓?fù)鋱D中分別應(yīng)用傳統(tǒng)貪心算法策略（TGS）與改進(jìn)貪心算法策略（IGA）分析無向圖的最小頂點覆蓋問題，其結(jié)果如圖5、圖6所示。由圖可知，在不同復(fù)雜程度、規(guī)模下改進(jìn)貪心算法與傳統(tǒng)貪心算法相較仍具有明顯的優(yōu)勢，在拓?fù)鋱D上解決最小頂點覆蓋問題上效果比較明顯。

圖5 a=0.3，b=0.4

圖6 a=0.4，b=0.3

3 混合遺傳算法的探針部署

3.1 混合遺傳算法的基本原理

基于抽象條件與可靠性因素建立數(shù)學(xué)模型，本次研究中所提到的可靠性體現(xiàn)于主動探測的可靠性與重合率上[14]。

電力數(shù)據(jù)網(wǎng)中的主動探測可靠性即為探針可靠性，其主要為系統(tǒng)探針工作時間與系統(tǒng)站點應(yīng)用時間比值。探針可靠性通常情況下維持在80%～90%。

可靠性由以此對系統(tǒng)網(wǎng)絡(luò)探測所包含探針可靠性乘積表示為：

上式中，r為以此對系統(tǒng)網(wǎng)絡(luò)探測中所包含的探針集，φ為閾值。

在頂點覆蓋問題中，重合覆蓋率是探測可靠性的重要保證，覆蓋的重合率為探針探測中被多次探測的節(jié)點數(shù)據(jù)與被探測總數(shù)目之間的比值[15]。通過計算重合率情況可以判斷探針部署是否緊密。若重合率越高表明探針部署越緊密。此情況下如果探針出現(xiàn)問題無法使用，系統(tǒng)網(wǎng)絡(luò)仍然可以實現(xiàn)完全探測，并同時兼具一定的探測效率。重合率雖然對探測效率意義重大，但與探針部署開銷之間卻存在著顯著負(fù)相關(guān)關(guān)系，此項關(guān)系也是日后改進(jìn)的一個重要方向。

重合覆蓋率公式為：

上式中，N為被探測節(jié)點的總數(shù)，C為能夠被多次探測的節(jié)點數(shù)目。由此可以得到可靠性與重合覆蓋率相結(jié)合的綜合可靠性計算方法：

公式為：

上式中的λ1，λ2分別表示探測可靠性與重合覆蓋率所占權(quán)重，二者的和為1。

研究中同樣給出了探針開銷函數(shù)。電力數(shù)據(jù)網(wǎng)的探針部署工作并不是一項簡單的一次性工作，此項工作完成后需要完成后期的運營管理與長期維護(hù)工作。這兩部分也是電力數(shù)據(jù)網(wǎng)探針開銷的主要構(gòu)成，本次研究的開銷函數(shù)為：

上式中，xi為遺傳算法中染色體的位數(shù)，其中i只能為1或0，代表節(jié)中是否部署了探針，v代表染色體基因位數(shù)，是無向圖節(jié)點數(shù)目。由此確定電力數(shù)據(jù)網(wǎng)探針部署數(shù)學(xué)模型如下：

電力數(shù)據(jù)網(wǎng)探針部署數(shù)學(xué)模型滿足：

由上述部署數(shù)學(xué)模型可知，探針部署模型可以覆蓋全圖，且確定的模型具有較高的可靠性。此條件下需要實現(xiàn)無向圖的有效聯(lián)通，實現(xiàn)部署開銷函數(shù)的最小化，完成函數(shù)最小求解。

本次研究中在傳統(tǒng)混合遺傳算法探針部署數(shù)學(xué)模型基礎(chǔ)上，進(jìn)行了優(yōu)化改進(jìn)。研究中在傳統(tǒng)算法的選擇算子中加入了可靠性約束參數(shù)條件，完成輪賭選擇的重新設(shè)計，其選擇部署個體的概率函數(shù)如下：

通過上式可以實現(xiàn)個體可靠性與個體適應(yīng)性的有效結(jié)合，整體中可靠性越高的個體被選擇的幾率會明顯提高，則更有利于部署整體朝著高度可靠性方向發(fā)展。

在遺傳算法改進(jìn)中，根據(jù)部署情況重新設(shè)置了變異概率。通過優(yōu)化變異概率可以有效減低模擬自然環(huán)境下受偶然原因出現(xiàn)的基因突變問題，并且算法的整體性也會有所提升。在遺傳算法模型中，變異算子主要承擔(dān)了算法全局搜索功能的作用，算法可以在變異算子的引導(dǎo)下搜索到模型中的每個個體單位[16]。在模型應(yīng)用中，變異算子會將個體中某一基因位xi以概率p(xi)取反。模型應(yīng)用中每個基因被取反的概率是完全相同的。在電力數(shù)據(jù)網(wǎng)部署探針過程中，外層的作用會低于內(nèi)層的作用，因此便更利于確定無向圖的最小頂點覆蓋。改進(jìn)遺傳算法中設(shè)定了不同的取反率：

上式中，下標(biāo)表示基因位數(shù)，上標(biāo)表示節(jié)點類型。

其中的個體變異表示為：

完成算法修正后，需要借助標(biāo)記矩陣輔助消除冗余節(jié)點，提高改進(jìn)遺傳算法的收斂速度。

3.2 混合遺傳算法的算法流程

本次應(yīng)用改進(jìn)遺傳算法解決最小頂點覆蓋問題時，充分考慮到了傳統(tǒng)遺傳算法的弊端，在初始種群中，以及正常的選擇、交叉、變異操作過程中都會出現(xiàn)不可行解的問題，此時應(yīng)用傳統(tǒng)遺傳算法則無法實現(xiàn)全圖解的有效覆蓋，所確定的解也將直接影響遺傳算法的收斂速度和結(jié)果準(zhǔn)確性。

基于傳統(tǒng)遺傳算法的應(yīng)用情況，本次研究對此問題進(jìn)行優(yōu)化處理，提出修正算法，其算法流程步驟如下：

第一步：如果所求解合法，停止。

第二步：依據(jù)鄰接矩陣A與染色體x，對染色體中的基因進(jìn)行掃描，設(shè)定鄰接矩陣A中與x為1位相關(guān)的邊為0。

第三步：將A中存在為1的邊相關(guān)頂點直接加入到染色體x中，并設(shè)置為1，完成修正。

第四步：完成初始群體中染色體處理后，停止，否則返回第二步。

上述修正算法，促進(jìn)了傳統(tǒng)遺傳算法的應(yīng)用進(jìn)度，但在應(yīng)用中仍存在一定不足，修正算法在應(yīng)用中僅將其中的個體進(jìn)行合法化，而忽略了冗余節(jié)點的問題。在此條件下，本次研究中提出了基于混合遺傳算法的探針部署方法，其算法流程如下所示：

第一步：依據(jù)電力數(shù)據(jù)網(wǎng)探針部署的基本情況，確定探針部署中探測可靠性、部署和成本參數(shù)。選用初始解集完成網(wǎng)絡(luò)部署工作，并將其作為遺傳算法的種群P(t)，確定為第一代解，規(guī)模為S。

第二步：以是否部署探針為判斷依據(jù)，確定編碼1,0，保證其中每個解都是一組二進(jìn)制數(shù)。

第三步：運用適應(yīng)度函數(shù)評價解集，在合法性與可靠性條件滿足下，確定目標(biāo)函數(shù)所對應(yīng)的適應(yīng)度函數(shù)值。

第四步：如果滿足條件，輸出最優(yōu)解，終止算法。

第五步：集合選擇算子、交叉算子和變異算子，進(jìn)化得出下一代解集P(t+1)。

第六步：運用修正算法修正不合法解，提升算法加速進(jìn)程。

第七步：運用消除算法消除局部不足，實現(xiàn)局部最優(yōu)與全局最優(yōu)。

第八步：從第三步開始評價局部改進(jìn)解集。

圖7 混合遺傳算法流程圖

3.3 仿真實驗

本次研究中通過數(shù)據(jù)網(wǎng)絡(luò)拓?fù)淠Ｐ蜋z驗改進(jìn)后的混合遺傳算法在電力數(shù)據(jù)網(wǎng)探針部署中的實際效果。檢驗中所應(yīng)用的數(shù)據(jù)拓?fù)渚W(wǎng)中由160個節(jié)點和190條鏈路組成。

仿真實驗中電力數(shù)據(jù)網(wǎng)中所使用的探針品牌及各項成本具有較高一致性，因此可以通過探針部署的實際數(shù)目確定部署的實際開銷成本。本次所選用數(shù)據(jù)網(wǎng)拓?fù)浣Y(jié)構(gòu)中的鄰接矩陣長寬相等均為160，其中所共計包含160位基因數(shù)。仿真實驗中設(shè)置初代種群規(guī)模為64，接入層、匯聚層與核心層的基因異變率分別為：1%、2%和3%。其中的最大進(jìn)化代數(shù)為100。仿真實驗中探測可靠性、重合覆蓋率可靠性的比重分別為：,λ1=0.4，λ2=0.6，二者的閾分別為：φ=0.8，θ=0.9。實驗中可靠性指標(biāo)隨進(jìn)化代數(shù)變化情況如圖8所示。

圖8 可靠性隨進(jìn)化代數(shù)變化情況

實驗中探針部署開銷成本歲進(jìn)化代數(shù)變化情況如圖9所示。

圖9 探針部署隨開銷成本進(jìn)化代數(shù)變化情況

由上圖可知，在可靠性條件下，應(yīng)用混合型遺傳算法求解可以實現(xiàn)最低開銷，探針部署中數(shù)目越多可靠性越高，但部署的開銷成本會明顯增加。仿真實驗中，在假定探測可靠性與重合覆蓋可靠性指標(biāo)保持不變情況下，將探測可靠性提升到0.85、整體可靠性閾值提升到0.95。不同閾值 下的適應(yīng)度對比情況如圖10所示。

圖10 不同閾值條件下適應(yīng)度變化情況

從上圖變化情況可以看出，在可靠性水平提升下，目標(biāo)函數(shù)隨之變大，此時的適應(yīng)度逐漸下降。為了提高電力數(shù)據(jù)網(wǎng)的可靠性水平需要提高探針部署數(shù)量，與此同時，也需要注意到隨數(shù)量增加而出現(xiàn)的開銷成本增加問題。

應(yīng)用傳統(tǒng)遺傳算法和改進(jìn)混合遺傳算法對閾值在0.8～0.9范圍內(nèi)的拓?fù)溥M(jìn)行求解分析，其結(jié)果如表1所示。

表1 傳統(tǒng)遺傳算法與混合遺傳算法對比

由表1可知，在可靠性條件下，混合型遺傳算法在探針部署中效果更佳，與傳統(tǒng)遺傳算法相比有著更快的收斂速度。

4 結(jié)束語

信息業(yè)務(wù)系統(tǒng)在智能電網(wǎng)建設(shè)中發(fā)揮了關(guān)鍵性作用，本文從系統(tǒng)探針部署問題入手，以提高探測覆蓋率及可靠性研究的主要方向。研究中通過算法改進(jìn)實現(xiàn)了系統(tǒng)探針部署的優(yōu)化。文中通過抽象化思維通過研究最小頂點覆蓋問題分析探針部署優(yōu)化問題[17]。此問題解決中以電力信息系統(tǒng)實際情況為依據(jù)建立探針部署數(shù)學(xué)模型，結(jié)合貪心算法提出了改進(jìn)貪心算法策略，以遺傳算法為基礎(chǔ)提出了混合遺傳算法，并通過仿真實驗驗證確定了兩種算法模型均具有較好的可行性及收斂性。算法改進(jìn)工作對系統(tǒng)探針部署優(yōu)化子系統(tǒng)的建設(shè)意義重大。