1.基于改进粒子群和河马算法的天地一体化负载均衡方法，其特征在于，针对天地一体化智能网络，执行如下步骤S1‑步骤S3，完成天地一体化智能网络结构的优化：步骤S1：根据天地一体化网络结构，建立网络拓扑，基于网络流量的多商品流特性、链路带宽约束以及流量分配的优化需求，建立目标优化模型，并针对目标优化模型定义相应的约束条件；

通过建立有向图  ，其中V是节点集合，E是边集合，对于网络中从节点i到节点j的链路，用边 来表示， 表示边 的可靠性权重；假设在网络G中有K条数据流同时传输，数据流k 的流量用 来表示，数据流k的路径 的长度为 ，为 的利用率，建立目标优化模型 ：， 、为常量；

步骤S2：以粒子代表天地一体化网络结构的改进方案，针对天地一体化网络结构的特点，对粒子的位置及速度进行编码，以粒子作为个体，所有粒子的集合构成种群，每个粒子由全局优化部分和局部优化部分组合而成，目标优化模型为反映粒子性能的适应度函数；

在种群初始化阶段，引入自适应元启发式映射，包括全局优化和局部优化，全局优化为每条数据流在所有可能的链路上分配初始流量值，局部优化根据链路的共享程度进行动态的流量分配，以增加种群的多样性；

步骤S3：求解目标优化模型，引入选择性重置机制重置粒子的位置，采用河马优化算法，模拟粒子的防御行为和逃离行为，比较防御行为和逃离行为后粒子的新位置及适应度值，选择更优的粒子作为最优天地一体化网络结构输出，完成天地一体化网络结构的优化。

2.根据权利要求1所述的基于改进粒子群和河马算法的天地一体化负载均衡方法，其特征在于，步骤S1中建立目标优化模型具体步骤如下：步骤S1.1：网络拓扑为有向图  ，其中V是节点集合，E是边集合，对于网络中从节点i到节点j的链路，用边 来表示，并且用 表示边 所能提供的带宽， 表示边 的可靠性权重；假设在网络G中有K条数据流同时传输，对于数据流k ，用 表示它所需的带宽；在边 上，数据流k的流量用 来表示，整个数据流k的流量用向量 来表示；数据流k中单位流量的传输代价用向量 来表示，对传输代价 作如下定义：；

其中，，为常量， 为 的长度， 为 的利用率；

数据流k的路径 的长度为 ；

步骤S1.2：在给定的网络 中，建立目标优化模型如下式：；

式中， 表示目标优化模型， 、为常量， 为数据流k的路径 的长度， 为的利用率；

步骤S1.3：针对目标优化模型，定义链路带宽约束、流量请求带宽约束、非负性约束、流量的守恒约束如下：链路带宽约束：

；

式中， 表示网络中从节点i到节点j所有链路的流量；

流量请求带宽约束：

；

非负性约束：

；

流量的守恒约束：

；

其中， 和 分别表示数据流k的源节点和目的节点。

3.根据权利要求1所述的基于改进粒子群和河马算法的天地一体化负载均衡方法，其特征在于，步骤S2的具体步骤如下：步骤S2.1：定义粒子的速度和位置的更新规则如下：；

；

式中，代表迭代的轮数， 、 表示粒子第 轮迭代的速度和位置，和 是学习因子，取值范围在0到2之间，为惯性权重，介于0.1到0.9之间， 是一个在0和1之间的随机数， 表示粒子的个体最佳位置， 表示粒子的全局最佳位置；

步骤S2.2：在种群初始化阶段，引入自适应元启发式映射，包括全局优化和局部优化；

全局优化为每条数据流在所有可能的链路上分配初始流量值，局部优化根据链路的共享程度 进行动态的流量分配；

步骤S2.3：进行粒子的构造，方法如下：每个粒子由全局优化部分和局部优化部分组合而成：；

式中， 表示粒子， 表示全局优化的向量， 表示局部优化的向量， 表示向量拼接操作；所有粒子的集合构成种群：；

式中，表示种群， 表示种群中的粒子， 表示所有粒子的总数。

4.根据权利要求3所述的基于改进粒子群和河马算法的天地一体化负载均衡方法，其特征在于，步骤S2.2中所述的全局优化的具体方法如下：对于每个数据流k和每条链路 ，为链路总数，全局优化的值 初始化为：

；

其中， 为均匀分布采样， 为正态分布采样，表示将x的值限制在[0,1]范围内：；

全局优化的向量 由所有 构成：；

其中， 长度为 ，为链路总数，为数据流的总数。

5.根据权利要求3所述的基于改进粒子群和河马算法的天地一体化负载均衡方法，其特征在于，步骤S2.2中所述的局部优化的方法如下：表示局部优化的值，对于每条数据流k和其路径 中的每条链路，根据路径长度 选择不同的采样策略：当 时,采用均匀分布采样：

；

表示从均匀分布 中采样得到的随机数；

当 时,采用正态分布采样：

；

表示从正态分布 中采样得到的随机数；

当 时,采用均匀分布和正态分布的混合方法：；

假设链路 被多条数据流共享，则调整后的流量为：；

其中， 表示链路 的共享程度；

最终局部优化的向量 由所有 构成，其长度为所有路径长度之和：；

其中， 长度为 ，为链路的总数，为数据流的总数。

6.根据权利要求1所述的基于改进粒子群和河马算法的天地一体化负载均衡方法，其特征在于，步骤S3的具体步骤如下：步骤S3.1：开始迭代，引入选择性重置机制，计算种群中每个粒子的适应度值，当粒子的收敛速度超过设定的阈值，则重置该粒子的位置；

步骤S3.2：迭代过程中，针对位置重置的粒子，模拟河马优化算法的防御行为和逃离行为，计算防御行为和逃离行为后粒子的新位置，根据防御行为和逃离行为后粒子的新位置的适应度值，选择更优的粒子位置作为最终结果；

步骤S3.3：判断是否满足最大迭代次数，若是，则以迭代后的种群中的个体所对应的天地一体化网络结构作为最优天地一体化网络结构输出，否则执行步骤S3.1。

7.根据权利要求6所述的基于改进粒子群和河马算法的天地一体化负载均衡方法，其特征在于，步骤S3.1中对于种群中每个粒子，如果粒子满足下式，则将该粒子位置重置为随机位置：；

式中， 为粒子的个体最佳适应度， 为粒子的当前适应度；

若粒子的当前适应度大于个体最佳适应度，则更新个体最佳适应度，若粒子的当前适应度大于全局最佳适应度，则更新全局最佳适应度，并更新粒子的速度和位置，作为目标优化模型的最优解输出。

8.根据权利要求6所述的基于改进粒子群和河马算法的天地一体化负载均衡方法，其特征在于，步骤S3.2的具体步骤如下：步骤S3.2.1：针对步骤S3.1中位置重置后的粒子，若其随机搜索概率小于0.5，则对粒子模拟河马优化算法的防御行为和逃离行为；

执行步骤S3.2.2‑步骤S3.2.4，模拟河马防御捕食者的行为：步骤S3.2.2：生成捕食者位置 如下式：；

其中， 为全局搜索空间的下界， 为全局搜索空间的上界， 为均匀分布的随机数，范围在 ；

步骤S3.2.3：计算当前解与捕食者之间的距离 如下式：；

其中， 为当前粒子的位置；

步骤S3.2.4：生成防御策略，计算防御行为后粒子的新位置：如果捕食者的位置比当前解适应度更低，则根据防御策略调整当前解的位置：；

否则，使用更保守的防御策略：

；

其中， 为防御行为后粒子的新位置， ； ； ；

为均匀分布中采样的角度参数， ， 是均匀分布的随机数，范围在， 为 的随机数；

执行步骤S3.2.5‑步骤S3.2.8，模拟河马逃离捕食者的行为：步骤S3.2.5：定义局部搜索范围：根据当前迭代次数 和最大迭代次数T，动态调整局部搜索的上下界：；

；

其中， 为局部搜索的上界， 为局部搜索的下界；

步骤S3.2.6：随机选择逃离策略：随机选择一种逃离策略 ，逃离策略为以下三种之一：；

式中， 为均匀分布的随机数，范围在[‑1,1）；

；

式中， 为均匀分布的随机数，范围在[0,1）；

；

式中， 表示正态分布的随机数；

步骤S3.2.7：根据选择的逃离策略，计算逃离行为后粒子的新位置：；

其中， 为逃离行为后粒子的新位置， 为 范围内的随机数；

步骤S3.2.8：比较防御行为和逃离行为后粒子的新位置的适应度，选择更优的粒子位置作为最终结果：；

式中， 为逃离行为后粒子的新位置的适应度， 为防御行为后粒子的新位置的适应度；

将生成的新位置限制在搜索空间的范围内：；

其中， 表示裁剪操作。