1.一种基于黏菌觅食行为的交通网络脆弱性问题仿生优化方法，其特征在于，所述方法采用黏菌觅食行为对交通网络脆弱性问题进行仿生优化，使用单只黏菌的多条黏变形体并行求解不同方向上的交通网络路线，将交通网络节点模拟成外部食物源，将交通网络中两个节点之间的线路模仿成黏变形体，将交通网络模拟成覆盖所有外部食物源的黏菌原质团，将交通运输模拟成体内营养物质的运输，将交通网络脆弱性优化问题模拟成黏菌觅食网络优化问题，具体优化方法包括以下步骤：步骤一为觅食阶段，交通网络能够模仿黏菌觅食阶段的原质团扩张操作，使用单只黏菌的多条黏变形体在不同方向上进行分布式搜索，黏变形体的搜索是概率性的，不同的黏变形体能够共享找到的外部食物源信息和传输线路信息，以多地寻找外部食物源，即交通网络覆盖解空间上所有网络节点，实现网络节点数量最大化；

具体为，将单只黏菌的细胞核置于交通网络核心节点上，模仿黏菌的觅食不能脱离细胞核而存在，交通网络的优化也不能脱离中心城市而四处扩张；单只黏菌的多条黏变形体随机向四周扩张进行觅食，在交通网络的扩张觅食阶段，黏菌原质团只能以细胞核为中心四处活动；黏菌通过多条黏变形体与交通网络节点的接触来确定外界食物，一条黏变形体能够连接两个和两个以上交通网络节点，通过黏变形体中营养物质运输量来传递交通线路的重要性信息；单条黏变形体不需要遍历所有节点或边，只需要遍历离本黏变形体最近的节点或边，不同黏变形体可以共享某一节点或某条边；多条黏变形体在交通网络的所有外部食物源节点间不断移动，以期找到更多交通网络节点；单只黏菌的多条黏变形体共同协作完成所有交通网络节点的分布式搜索，并增加较脆弱的交通网络线路的连接方式；被多条黏变形体共享的某条线路具有较高的脆弱性，多条黏变形体通过不同方式连接某个节点能够降低线路的脆弱性，即对该线路的脆弱性评估计算可根据该线路失效时，受影响的黏变形体长度或网络线路长度来衡量；

该长度越大，表明该线路越脆弱，受到影响的黏变形体越长，即该线路的失效容易造成整个交通网络的较大延迟；反之，该长度越小，表明该线路的强度和鲁棒性越好，受到影响的黏变形体越短，即该线路因脆弱而失效时，对整个交通网络的延迟影响较小；

觅食阶段包括三个子步骤：

子步骤1‑1：初始化，设置仿生算法的迭代计数器，初始化待求解交通网络优化问题的有向图G＝(N,V)，其中，N表示交通网络图G中节点座标矩阵，包括交通网络中心节点和非中心节点在内共有n个节点的座标矩阵N＝[(xi,yi)]n，n表示交通网络图G中的节点总数，(xi,yi)表示交通网络图G中的第i个节点的横座标和纵座标；V表示交通网络图G中边矩阵，所有节点之间的联系构成边矩阵V＝{vij|i,j∈N}，vij表示交通网络图G中的第i个节点和第j个节点之间的边；节点之间的距离矩阵表示为dij表示交通网络图G中的第i个节点和第j个节点之间边vij的长度|vij|；

本方法使用概率搜索方法，在步骤一觅食阶段将黏菌初始化为以细胞核为中心，随机产生多条(m≥n)黏变形体，m表示黏变形体总数；在觅食阶段，黏菌原质团扩张和收缩的速+ ‑ + ‑ + ‑

度参数分别表示为e ，e ，且原质团扩张时有e≥e ，原质团收缩时有e ＜e ；假设时间参数为t，觅食开始的时间t＝0，m条黏变形体走过的节点集合初始化为空集L＝[Lk]m＝[{}]m，Lk表示第k(1≤k≤m)条黏变形体经过的节点序列，Dk表示第k(1≤k≤m)条黏变形体经过的边的总长度，各黏变形体的长度初始化为Dk(0)＝0；设置体内营养物质在边V＝{vij|i,j∈N}上运输的浓度矩阵为τ＝[τij]n×n，τij表示第i个节点和第j个节点之间边上营养物质的浓度；其中，设置初始值为τij(0)＝0，即所有路线尚未开始运输营养物质；

初始化交通网络节点的亲和性矩阵：ξ＝[ξi]n；其中，ξi表示与交通网络节点亲和性有关的参数，ξi≥0，即营养越丰富的交通网络节点，ξi越大；反之，则ξi越小；对于非食物源交通网络节点，ξi＝0；

并初始化原质团对营养物质的消耗速度矩阵：ζ＝[ζij]n×n；其中，ζij表示与原质团消耗能力有关的参数，ζij≥0，即原质团运动量越大的边vij上消耗营养物质越快，ζij越大；反之，则ζij越小；

初始化运输路线的解表示为w＝(1,2,…,n)，并初始化网络脆弱性矩阵表示为+ ‑

子步骤1‑2：原质团扩张，设置原质团扩张速度大于收缩速度，即e≥e ，原质团以细胞核为中心由近及远不断进行扩张操作，多条(m≥n)黏变形体能够以概率搜索方式进行分布式搜索，由近及远遍历所有交通网络节点或边，寻找周边的所有交通网络节点；原质团的扩张操作必须在自身的细胞核周围进行，并且在自身的体内营养物质和能量的限制下进行，而不能无限扩张；

假设i＝1～n‑1为交通网络节点，i＝n为细胞核节点，第k(1≤k≤m)条黏变形体走过的节点共有ck个，ck表示第k(1≤k≤m)条黏变形体经过的节点总数，则Lk路线上的边集合为：表示第k(1≤k≤m)条黏变形体经过第l‑1个节点和第l个节点之间的边；其中，Lk为边V＝{vij|i,j∈N}的子集的一个排列，最后一个节点ck为细胞核节点i＝n；可知第k(1≤k≤m)条黏变形体路线总长度为:表示第k(1≤k≤m)条黏变形体经

过交通网络图G中的第l‑1个节点和第l个节点之间的边 的长度 则黏菌觅食的路线总和，为所有m条黏变形体路线总长度，并减去黏变形体重叠的路线长度：其中，DΣm表示黏菌觅食的所有路线长度总和，Dk表示第k(1≤k≤m)条黏变形体路线总长度，dij|重叠路线表示重叠的黏变形体长度；

在时间t时， 表示时间t时边vij∈V是否被选入排列Lk；当选择一个节点加入候选路线 时， 表示时间t时边vij∈V被选入排列Lk；否则， 表示时间时边vij∈V未被选入排列Lk；则Lk的边选择矩阵为： 给候选路线中新加入的一条边vij∈V赋体内营养物质的值，即开始有营养物质在边vij上流动，其中，t表示当前时间，τij表示第i个节点和第j个节点之间边上营养物质的浓度，dij表示交通网络图G中的第i个节点和第j个节点之间边vij的长度|vij|， 表示时间t时边vij∈V是否被选入第k(1≤k≤m)条黏变形体的线路Lk，表示第k(1≤k≤m)条黏变形体上的第i个交通网络节点的亲和性参数，Dk表示k(1≤k≤m)条黏变形体路线总长度， 表示第k(1≤k≤m)条黏变形体上第i个节点和第j个节点之间的边的营养物质消耗能力参数；其中，m条黏变形体都将营养物质从其所连接的外部食物源节点运输往黏菌内部细胞核，被多条黏变形体共享的运输路线会重复增强体内营养物质浓度+τij(t)，从而增强两个节点vij间的连接概率；营养物质值增加的程度取决于食物源节点的亲和性 和传输距离长度倒数1/dij，即食物源越丰富的路线和距离较短的交通网络路线其营养物质浓度越大，可能形成更多的连接方式增强网络结构；黏变形体在运输营养物质过程中也需要消耗营养物质值‑τij(t)，从而减少两个节点vij间的连接概率；营养物质值消耗程度取决于黏菌形体的消耗能力 和传输距离占比dij/Dk，消耗能力越大的路线和节点间距离占比dij/Dk较大的路线其营养物质消耗越大；

子步骤1‑3：食物确认，原质团在由内向外扩张过程中，可能找到了可行的交通网络节点，对其位置做出标定，并为下一步的进食阶段作好准备；原质团在扩张过程中，也可能没有找到可行的交通网络节点，或遇到了不可行的交通网络节点，则原质团需要离开该节点所在区域，并标记位置不再进入该区域；

待求解的目标函数为运输所有交通网络节点的最短路线集合，即用最短黏变形体找到最多交通网络节点，为： 其中，DΣm表示黏菌觅食的所有路线长度总和，Dk表示第k(1≤k≤m)条黏变形体路线总长度，dij|重叠路线表示重叠的黏变形体长度；黏菌使用多条黏变形体并行搜索能遍历所有网络节点的最短路线，即为交通网络脆弱性优化问题的目标函数；由于本算法求解过程与初始条件无关，觅食阶段结束后，可得到m条黏变形体遍历所有节点的一个最短路线排列表示为：如果在黏菌自身体内营养物质和能量的限制下，所有外部食物源均已确认，表示满足觅食阶段的停止规则，则停止觅食阶段计算并输出计算得到的全部外部食物源信息；可得到外部食物源及细胞核的各节点的度数ri，ri表示与节点i相连接的邻居节点数量，则所有节点所连接的边数：R＝[ri]n；进一步地，该觅食网络的平均度数： 通过觅食网络的平均度数，可以直观地评估整个觅食网络的连接强度或脆弱性，即节点平均通过多少条边与其他节点相连，从而为交通网络脆弱性优化提供候选节点；平均度数越高的交通网络，其鲁棒性越好，抗失效的能力越强，当然路线总长度也可能相应增加；反之，平均度数越低的交通网络，其拓扑结构越脆弱，在某条重要的线路或边失效时表现出明显的脆弱性，具有较短的路线总长度；

待求解的目标函数之一为遍历所有网络节点的交通网络线路集合，为：其中， 表示第il‑1个节点和第il个节点之间的边长度；待求解的目标函数之二为脆弱性指数，即某条线路V＝{vij|i,j∈N}失效后，遍历所有网络节点的交通网络线路的长度为：其中，vij表示交通网络图G中的第i个节点和第j个节点之间的边， 表示第il‑1个节点和第il个节点之间的边长度；通常觅食阶段所求的交通网络为遍历所有节点的最短线路，由于本算法求解过程与初始条件无关，可初始化w＝(i1,i2,…,in)为节点{1,2,...,n}的一个最短连接方式排列，其中，i1,i2,…,in分别表示排列w中的节点编号，in+1＝i1；

步骤二为进食阶段，交通网络能够模仿黏菌进食阶段的原质团收缩操作，每条黏变形体在交通网络上连接了不同的外部食物源节点，并向交通网络中心的细胞核运输营养物质，黏变形体选择和搜索运输路线是概率性的；在交通网络运输过程中，在较短的线路上容易聚集浓度较高的体内营养物质，在较长的线路上体内营养物质浓度也较低，从而黏变形体逐渐收缩到体内营养物质浓度较高的交通网络线路上；整只黏菌根据交通网络上营养物质运输的浓度分布而不断优化黏变形体连接方式，体内营养物质在重要的运输线路上因为正反馈而越聚越多，导致黏变形体不断加强重要路线的网络连接强度，即交通网络以最优的拓扑结构连接交通网络节点，减少线路的脆弱性。

2.根据权利要求1所述的一种基于黏菌觅食行为的交通网络脆弱性问题仿生优化方法，其特征在于：其中外部食物源对应于交通网络节点；非食物源对应于交通网络中不可行的节点或区域；黏菌原质团对应于交通网络；黏变形体对应于交通网络中各节点之间的线路；黏变形体的运动对应于分布式地概率搜索可行解；黏菌的细胞核对应于交通网络核心节点；黏菌自身营养物质约束对应于解的搜索范围；体内营养物质对应于运输对象；体内营养物质的运输对应于交通网络运输；体内营养物质的浓度对应于交通网络运输量；黏菌觅食对应于模仿黏菌原质团扩张操作，寻找交通网络节点；黏菌进食对应于模仿黏菌原质团收缩操作，优化交通网络拓扑结构；体内营养物质减弱操作，模拟体内营养物质被黏菌吸收的过程，即模拟对不重要的交通网络线路减弱其连接方式；体内营养物质增强操作，模拟体内营养物质在体内运输的过程，即模拟对重要的交通网络线路增强其连接方式。

3.根据权利要求1所述的基于黏菌觅食行为的交通网络脆弱性问题仿生优化方法，其特征在于，步骤二为进食阶段，为交通网络收缩阶段，模仿黏菌进食阶段通过原质团与外部食物源进行的生化反应，将外部食物源转化为黏菌能够消化和利用的体内营养物质，并将营养物质通过黏变形体运送回中心节点；黏变形体首先将交通网络节点消化吸收的运输对象运回体内，并记录黏变形体所走的节点和路线；其次，评估交通网络的脆弱性，即找到一个运输线路解后，需要评估该解的优化程度或解的一部分的脆弱性矩阵，并将脆弱性评价结果保存于相关的原质团中；再次，黏变形体不断收缩和优化，黏变形体收缩也具有随机性，需要学习当前黏变形体的路线信息和经验，以及学习邻居黏变形体的路线信息和经验，计算下一步可达网络节点的概率，并按概率实现一步收缩，依此往复；最后，整个交通网络形成一个脆弱性得到优化，且鲁棒较好的拓扑结构。

4.根据权利要求3所述的基于黏菌觅食行为的交通网络脆弱性问题仿生优化方法，其特征在于，进食阶段包括三个子步骤；

子步骤2‑1：食物消化，在这个子步骤，整个进食的次数t可以设置成一个外层循环，每一次进食则作为一个迭代次数，或给进食过程设置一个计算误差作为循环结束条件；步骤二求解未结束，则黏变形体k(1≤k≤m)从交通网络节点i1出发，开始消化食物并将消化后的营养物质运输到中心节点，时间为t时，其运输营养物质到中心节点时所走过的所有交通网络节点集合为L(t)＝[Lk(t)]m；模仿原质团包围找到的外界食物源，以加快进食速度，且原质团与外界食物源进行生化反应，将外界食物源转化为黏菌体内营养物质，供生命活动所需；每次在开始进食阶段时，初始L(0)＝[Lk(0)]m＝[w]m为节点{1,2,...,n}的一个最短连接方式排列；

子步骤2‑2：营养运输，在这个子步骤，黏变形体的总数m构成一个中层循环，按黏变形体1≤k≤m的编号顺序依次计算，每次进行一个黏变形体的求解；m条黏变形体将从交通网络节点吸收的体内营养物质运输到体内，尤其是中心节点附近，这是一个与子步骤1‑2原质团扩张觅食方向相反的过程；

第k(1≤k≤m)条黏变形体下一步转移概率表示为 包括两部份：一部分是学习自己的经验，第k(1≤k≤m)条黏变形体自我学习概率表示为 即按本黏变形体的搜索概率 搜索下一步路线或体内营养物质信息；另一部分是以一定概率学习邻居黏变形体的路线经验，即第k(1≤k≤m)条黏变形体学习其他邻居黏变形体的概率表示为 由图G中的每条边上的体内营养物质浓度决定，使用邻居黏变形体的最优路线或体内营养物质信息 其中， 表示第k(1≤k≤m)条黏变形体走过的最好路线， 表示第k(1≤k≤m)条黏变形体经过节点l‑1和节点l组成的边，ck表示第k(1≤k≤m)条黏变形体经过的节点总数；则有：其中，t表示当前时间，τij表示第i个节点和第j个节点之间边上营养物质的浓度， 表示所有边上营养物质的浓度总和； 与营养物质浓度τij(t)有关，即营养物质浓度越大的路线越容易被选中；但是， 能够避免算法过早陷于营养物质浓度较大的路线，提高算法的全局搜索能力；

一方面，黏变形体寻找外部食物源或运输体内营养物质需要消耗营养物质和能量，黏变形体的各种觅食和进食运动也需要消耗营养物质和能量，从而造成远离细胞核和外界食物源和营养运输路线的原质团具有较低的体内营养物质；另一方面，当黏变形体吸收外部食物源往体内运输营养物质，在靠近外界食物源附近的黏变形体中体内营养物质也较高，在食物源往细胞核运输路线上的黏变形体也具有较高的体内营养物质；计算交通线路的脆弱性矩阵值 其中，vij表示交通网络图G中的第i个节点和第j个节点之间的边， 表示第il‑1个节点和第il个节点之间的边长度；

子步骤2‑3：运输网络收缩，在这个子步骤，网络节点的总数n构成一个内层循环，按节点1≤i≤n的编号顺序依次计算，每次进行一个节点的求解；多条黏变形体能够以概率搜索方式分布式进行收缩，一方面，由于远离中心节点和交通网络节点和营养运输路线的原质团具有较低的体内营养物质，随着原质团在运动中逐渐消耗营养物质和能量，该部分原质团的营养物质将越来越少，原质团因缺乏体内营养物质和能量只能不断收缩；另一方面，在交通网络节点和中心节点附近具有较多的体内营养物质，在营养物质运输路线上也有较多的体内营养物质，而且随着多条黏变形体共享使用某条体内营养物质运输路线会持续增强该路线上体内营养物质的浓度；

所形成的进食网络为： 其中，t表示当

前时间，Lk(t)表示第k(1≤k≤m)条黏变形体走过的路线， 表示第k(1≤k≤m)条黏变形体经过节点l‑1和节点l，ck表示第k(1≤k≤m)条黏变形体经过的节点总数；可以建立路线选择矩阵： 其中，t表示当前时间， 表示时间t时边vij∈V是否被选入第k(1≤k≤m)条黏变形体的线路Lk；并计算营养物质浓度矩阵：其中，t表示当前时间，τij表示第

i个节点和第j个节点之间边上营养物质的浓度，dij表示交通网络图G中的第i个节点和第j个节点之间边vij的长度|vij|， 表示时间t时边vij∈V是否被选入第k(1≤k≤m)条黏变形体的线路Lk， 表示第k(1≤k≤m)条黏变形体上的第i个交通网络节点的亲和性参数，Dk表示第k(1≤k≤m)条黏变形体路线总长度， 表示第k(1≤k≤m)条黏变形体上第i个节点和第j个节点之间的边的营养物质消耗能力参数；

对1≤k≤m，若L(k)＝N，或 则按L(k)中交通网络节点的顺序计算交通线路的脆弱性矩阵值 其中，vij表示交通网络图G中的第i个节点和第j个节点之间的边， 表示第il‑1个节点和第il个节点之间的边长度；若L(k)≠N，且则将该线路长度设置为一个很大的值表示不可达；

*

根据新得到的τ(t)计算所有黏变形体连接所有节点的最优路线L以及对应的最短距离min{DΣm}；判断是否符合循环次数结束条件或最优路线距离误差结束条件，如不符合，则返回重复子步骤2‑2及子步骤2‑1；

经过t次迭代次数后，原质团对体内营养物质的不断吸收，非最优路线上的体内营养物质将逐渐减少直至消失；最后，整个进食网络只剩下连接交通网络节点和中心节点的最优运输网络。

5.根据权利要求1所述的基于黏菌觅食行为的交通网络脆弱性问题仿生优化方法，包括外部食物源，黏菌原质团，黏变形体，黏菌细胞核，体内营养物质；其特征在于，黏菌体内营养物质的操作有两种方式：一种是减弱操作，也就是所有黏变形体上的体内营养物质以一定的比率减少，模拟自然界真实黏菌中体内营养物质被原质团吸收消耗的过程；另一种是增强操作，即体内营养物质的浓度在交通网络节点附近因消化吸收而增强，在往体内中心节点的黏变形体上也会增强，多条黏变形体可能会共享某段运输线路而进一步加强；因此，可以根据黏变形体的连接数量对交通网络线路的脆弱性进行评分，并通过增加脆弱性较低的线路的连接方式来提高网络的鲁棒性。

6.根据权利要求1‑5任意一项所述基于黏菌觅食行为的交通网络脆弱性问题仿生优化方法，其特征在于，所述方法可应用于求解多目标优化或计算机网络优化或云计算优化或国计民生的重大决策优化或社会群体网络优化或网络舆情或群体性应急事件管理或火灾逃生或水灾逃生或地震逃生或智慧交通或复杂系统的自组织行为的研究。