CN101677289A - 一种优化路由的方法和装置 - Google Patents

Abstract

本发明实施例公开了一种优化路由的方法和装置。所述方法包括：在第一网络源节点放置至少两个蚂蚁；记录每只蚂蚁到达第一网络边界网关的第一路径，以及记录该蚂蚁从所述第一网络边界网关到达第二网络目的节点的第二路径，得到每只蚂蚁经过的路径；比较每只蚂蚁经过的路径的目标值大小，保存最大目标值路径。本发明实施例提供的优化路由的方法和装置可以在异构的无线网状网上易于得到各服务质量指标均较优的路径，提高收敛速度。

Description

一种优化路由的方法和装置

技术领域

本发明涉及通信技术领域，特别涉及一种优化路由的方法和装置。

背景技术

无线网状网络(WMN，Wireless Mesh Network)作为一种解决无线接入“最后一公里”瓶颈问题的关键技术受到了越来越广泛的关注。无线Mesh网络是一种新型宽带接入网络，又被称为无线网格网。无线Mesh网络融合了无线局域网(WLAN，Wireless Local Area Network)和Ad hoc网络的优势，通过移动用户之间的自组织通信扩展了传统无线局域网的覆盖范围，同时，通过部署的Mesh骨干网改善了Ad hoc网络的服务质量。Ad hoc网络也被称为多跳无线网、自组织网络或无固定设施的网络。无线Mesh网络最初是作为移动Ad hoc网络(MANET)的一种商业形态出现，从本质上属于移动Ad hoc网络。与Ad hoc网络不同的是，无线Mesh网络具有一定的基础架构。这个基础架构即无线Mesh骨干网(MB，Mesh Backbone)由一些基本静止的无线Mesh路由器(MR，Mesh Router)组成，用来提供比Ad hoc网络更好的服务质量(QoS，Quality ofService)支持。无线Mesh网络具有可靠性高，多跳路由，自形成、自愈和自组织功能，支持与其它无线网络兼容和互操作等优点。

图1为异构的无线Mesh网络的组网示意图。如图1所示异构无线Mesh网络包括各种异构的无线/有线网络，如WLAN、无线蜂窝网、移动Ad hoc网络、无线传感器网络、因特网以及Mesh路由器MR构成的Mesh骨干网等等。因此，无线Mesh网络应分成三个域：最下层域是由移动Ad hoc网络、WLAN、无线传感器网络等子网组成的边缘层或边缘子网；中间层域由无线路由器组成的Mesh骨干网；最上层域是因特网。如图1所示，无线Mesh骨干网中的节点可以分为Mesh路由器、接入因特网的Mesh网关(GWI)以及和边缘子网相连接的Mesh网关(GWM)。

在无线Mesh网络中，利用传统蚁群优化算法寻找满足多个QoS指标的路由时，针对同构的网络架构，将网络提供的业务分为三类基本服务：异常事件告警服务、信息查询服务以及流媒体查询服务，分析了不同服务的QoS需求后，进而定义针对不同服务的路由优化目标。基本思路为：综合考虑各种QoS指标(如时延、能耗、丢包率、带宽等)，通过重要性加权求和的方式定义路由优化的QoS目标函数(不同的服务类型对应于一组不同的权重)。在路由优化的QoS目标函数的基础上，利用传统蚁群优化算法求解该QoS目标从而得到相应最优路由。其中蚂蚁选择下一跳节点的方法为依概率选择的传统方法，蚁群算法的信息素更新规则和启发因子的定义均由前面定义的QoS优化目标来确定。

现有的无线Mesh网络中对路由的优化并未考虑无线Mesh网络的异构特性，且传统蚁群优化算法中蚂蚁选择下一跳节点的方法存在收敛速度慢的弊端。

发明内容

本发明实施例提供一种优化路由的方法和装置，使得在异构的无线Mesh网络上易于得到各Qos指标均较优的路径，提高收敛速度。

根据上述目的，本发明实施例的技术方案是这样实现的：

本发明实施例提供了一种优化路由的方法，包括：

在第一网络源节点放置至少两个蚂蚁；

记录每只蚂蚁到达第一网络边界网关的第一路径，以及记录该蚂蚁从所述第一网络边界网关到达第二网络目的节点的第二路径，得到每只蚂蚁经过的路径；

比较每只蚂蚁经过的路径的目标值大小，保存最大目标值的路径。

本发明实施例提供了一种网络节点，包括：

随机数产生单元，用于对每只蚂蚁产生一个随机数，所述随机数服从0到1之间的均匀分布；

判断单元，用于判断产生的服从0到1之间的均匀分布的随机数小于等于预先设定的阈值，则指示选择单元选择下一跳节点；

选择单元，用于选择和本节点构成链路、并使所述链路的信息素和启发因子的联合值最大的节点作为下一跳节点。

与现有技术相比，本发明实施例提供的优化路由的方法和装置具有如下有益效果：

本发明实施例通过记录每只蚂蚁经过的路径以及比较每只蚂蚁经过的路径的目标值大小，获得目标值最大的最优路径。本发明实施例提供的方法和装置可以在异构的无线网状网上易于得到各服务质量指标均较优的路径，从而提高收敛最优路径的速度。

附图说明

图1为现有的异构无线Mesh网络的组网示意图；

图2为本发明实施例提供的优化路由方法的流程图；

图3为本发明实施例提供的网络节点的结构示意图。

具体实施方式

本发明实施例提供了一种优化路由的方法和装置，使得在异构的无线Mesh网络上易于获得各QoS指标均较优的路径，从而提高收敛最优路径的速度。

本发明实施例涉及如何在无线Mesh网络中支持具有多个QoS要求的端到端的多媒体业务，如Mesh用户到Internet的视频点播或在线游戏，不同子网Mesh用户之间的视频电话等。本发明实施例所涉及的多媒体业务流至少经过边缘子网和骨干网两个域，有的业务流还要经过Internet，其QoS自适应体系架构涉及跨域、跨层、跨节点(网络是多跳的)QoS路由选择，以支持实时媒体流的传输。

本发明实施例以上行路由选择方向为例介绍其数学模型，其它就不再赘述。异构无线Mesh网络可以抽象为图G(V，E)，记为G(V(G)，E(G))。其中V(G)为图G的节点集，由移动Ad hoc网络节点集(MU)和骨干网节点集(MR)两个子集组成；E(G)为图G的链路集，假定其任意元素(链路)均为双向对称链路。由于MANET子网和骨干网两个域网络特性差别很大，下面将MANET子网某一源节点到骨干网目的节点的路径集合以GWM网关为分界点分成两个子路径集合P_sub1和P_sub2。其中，P_sub1＝{P¹，…，Pⁱ，…P^M}表示在移动Ad hoc子网中从源节点到M个GWM网关节点的路径集合。

表示源节点到第i个GWM网关节点的路径集合。P_sub2＝{Q¹，…，Qⁱ，…Q^M}表示在骨干网中从M个GWM网关节点到骨干网的目的节点(可能为多个GWI网关)的路径集合。考虑节点Node∈V(G)或链路Link∈E(G)，它们的QoS参数具体可以定义如下：

(1)传输时延DL(link)：在链路link上传输数据包的期望时间(统计平均值)，可利用网络感知能力获得。

(2)可用信道容量C(link)：链路link在当前条件下可提供的最大信息传输速率(等同于流最大吞吐量)。C(Link)＝B(Link)log₂(1+SINR(Link))，其中B(link)、SINR(link)分别为链路link的可用带宽以及信噪比，并可利用网络感知能力获得。

(3)丢包率RPL(link)：在链路link上丢失的数据包占所有在其上发送的数据包的比率(统计平均值)，可利用网络感知能力获得。由丢包率可得链路link的成功发包率，即在链路link上成功发送的数据包占所有在其上发送的数据包的比率RPS(Link)＝1-RPL(Link)。

(4)稳定度PST(link)：链路link在下一时刻仍然稳定(组成该链路的两个节点仍在各自的通信范围之内)的概率。获取PST(link)的方法属于现有技术，是本领域技术人员熟悉的。这里，链路link特指至少有一个MANET子网节点作为组成节点的链路。

(5)剩余能耗率RE(Node)：节点Node剩余电池能量与初始能量之比，可利用网络感知能力获得。这里，节点Node特指移动Ad hoc子网节点，且假定MANET子网所有节点初始能量相同。

下面给出基于多媒体异构Mesh网络QoS体系架构的双层规划数学模型的完整表述(上行路由选择方向)。考虑移动Ad hoc子网某一源节点到骨干网目的节点的两个子路径集合P_sub1和P_sub2，在MANET子网内路由优化准则为：

$P^{*}\left(i\right)=\arg \underset{\∀P_j^i\∈P^i}{\max }\left[f_{\mathrm{AD}}\left(P_j^i\right)\right]$ 1≤i≤M    (1)

$s.t.P^i\⋐P\_\mathrm{sub}1$

其中，f_AD(·)为MANET子网路径的目标函数，arg max表示寻找使目标函数f_AD(·)最大的P_j ⁱ，P_j ⁱ是MANET子网路径集合的元素，即P_j ⁱ是最优路径。式子(1)表示在路径集合P_sub1中选择最优的路径。在骨干网内路由优化准则为：

$Q^{*}\left(i\right)=\arg \underset{\∀Q_j^i\∈Q^i}{\max }\left[f_{\mathrm{MB}}\left(Q_j^i\right)\right]$ 1≤i≤M    (2)

$s.t.Q^i\⋐P\_\mathrm{sub}2$

其中，f_MB(·)为骨干网路径的目标函数，arg max表示寻找使目标函数f_MB(·)最大的Q_j ⁱ，Q_j ⁱ是骨干网路径集合的元素，即Q_j ⁱ是最优路径。式子(2)表示在路径集合P_sub2中选择最优的路径。将MANET子网和骨干网的优化结果综合考虑可得，

$i^{*}=\arg \underset{1\≤i\≤M}{\max }[\mathrm{CF}\×f_{\mathrm{AD}}\left(P^{*}\left(i\right)\right)+f_{\mathrm{MB}}\left(Q^{*}\left(i\right)\right)]---\left(3\right)$

其中i^*表示第i^*个GWM网关节点对应的路径P^*(i^*)和Q^*(i^*)是所有GWM网关节点对应路径中最优的(全局最优)，CF≥1为补偿因子：MANET子网的优化目标值为5个小于1的数乘积，远小于骨干网的优化目标值，而MANET子网的优化目标又是制约瓶颈所在，因此引入CF用以提高MANET子网优化目标的重要程度。最后，可得最优的路径为：

PATH^*＝P^*(i^*)∪Q^*(i^*)    (4)

为了便于对本发明实施例的进一步理解，下面结合附图对本发明实施例提供的优化路由方法以及装置进行详细介绍。

请参阅图2，图2为本发明实施例提供的优化路由方法的流程图。如图2所示，本发明实施例提供的优化路由方法具体可以包括：

步骤201：在第一网络源节点放置至少两个蚂蚁。

步骤202：记录每只蚂蚁到达第一网络边界网关的第一路径，以及记录该蚂蚁从所述第一网络边界网关到达第二网络目的节点的第二路径，得到每只蚂蚁经过的路径。

其中，所述记录每只蚂蚁到达第一网络边界网关的第一路径可以是：

第一网络源节点对其上的每只蚂蚁产生一个随机数；所述随机数服从0到1之间的均匀分布；

若判断所述随机数小于等于预先设定的阈值，则选择和所述第一网络源节点构成链路，并使所述链路的信息素和启发因子的联合值最大的节点作为下一跳节点；

所述下一跳节点对其上的每只蚂蚁执行与第一网络源节点对其上的每只蚂蚁同样的步骤，直到所述下一跳节点为第一网络边界网关为止，记录蚂蚁经过的所有节点组成的第一路径。

其中，所述记录每只蚂蚁到达第一网络边界网关的第一路径可以是：

第一网络源节点对其上的每只蚂蚁产生一个随机数；所述随机数服从0到1之间的均匀分布；

若判断所述随机数大于预先设定的阈值，则第一网络源节点对该蚂蚁产生另一随机数，所述另一随机数满足0到1之间、均值为0.5、方差为1的高斯概率分布；

将下一跳节点集合中的各节点按概率大小由小到大进行排列；

将0到1区间按概率的排列顺序平均分配给下一跳节点集合中的各节点；

根据产生的高斯概率分布的另一随机数落入的区间选择对应的节点作为下一跳节点；

所述下一跳节点对其上的每只蚂蚁执行与本网络节点对其上的每只蚂蚁同样的步骤，直到所述下一跳节点为第一网络边界网关为止，记录蚂蚁经过的所有节点组成的第一路径。

其中，所述记录每只蚂蚁从所述第一网络边界网关到达第二网络目的节点的第二路径可以是：

第一网络边界网关对其上的每只蚂蚁产生一个随机数；所述随机数服从0到1之间的均匀分布；

若判断所述随机数小于等于预先设定的阈值，则选择和所述第一网络边界网关构成链路，并使所述链路的信息素和启发因子的联合值最大的节点作为下一跳节点；

所述下一跳节点对其上的每只蚂蚁执行与第一网络边界网关对其上的每只蚂蚁同样的步骤，直到所述下一跳节点为第二网络目的节点为止，记录蚂蚁经过的所有节点组成的第二路径。

其中，所述记录蚂蚁从所述第一网络边界网关到达第二网络目的节点的第二路径可以是：

第一网络边界网关对其上的每只蚂蚁产生一个随机数；所述随机数服从0到1之间的均匀分布；

若判断所述随机数大于预先设定的阈值，则第一网络边界网关对该蚂蚁产生另一随机数，所述另一随机数满足0到1之间、均值为0.5、方差为1的高斯概率分布；

将下一跳节点集合中的各节点按概率大小由小到大进行排列；

将0到1区间按概率的排列顺序平均分配给下一跳节点集合中的各节点；

根据产生的高斯概率分布的另一随机数落入的区间选择对应的节点作为下一跳节点；

所述下一跳节点对其上的每只蚂蚁执行与第一网络边界网关对其上的每只蚂蚁同样的步骤，直到所述下一跳节点为第二网络目的节点为止，记录蚂蚁经过的所有节点组成的第二路径。

步骤203：比较每只蚂蚁经过的路径的目标值大小，保存最大目标值的路径。

其中，计算每只蚂蚁经过的路径的目标值，比较该目标值是否得到改进，如果是，则更新该目标值为最大目标值；保存所述最大目标值对应的由第一路径和第二路径组成的路径；所述目标值最大的蚂蚁经过的路径即为最优路径。

其中，所述计算每只蚂蚁经过的路径的目标值具体可以是：

分别计算每只蚂蚁经过的第一路径和第二路径的目标值；

将所述第一路径的目标值乘以补偿因子后，与所述第二路径的目标值相加，得到每只蚂蚁经过的路径的目标值；

或，所述第二路径的目标值乘以补偿因子后，与所述第一路径的目标值相加，得到每只蚂蚁经过的路径的目标值；所有补偿因子用于提高优化目标的程度。

其中，所述分别计算每只蚂蚁经过的第一路径和第二路径的目标值具体可以是：

获取所述第一路径的服务质量参数，所述服务质量参数为该路径的传输时延、可用信道容量、丢包率、稳定度、剩余能耗率；

获取所述第二路径的服务质量参数，所述服务质量参数为该路径的传输时延、丢包率；

将所述第一路径的服务质量参数根据其不同特性得到路径的相应服务质量参数，然后将路径的服务质量参数归一化后相乘，获取第一路径的目标值；例如传输时延是加性参数即路径的传输时延等于各链路传输时延之和，而可用信道容量是最小化参数，丢包率和稳定度是连乘性参数，剩余能耗率则是最小化参数；

将所述第二路径的服务质量参数根据其不同特性得到路径的相应服务质量参数，然后将路径的服务质量参数归一化后相乘，获取第二路径的目标值。

其中，所述分别计算每只蚂蚁经过的第一路径和第二路径的目标值还可以是：

获取所述第一路径的每一条链路的服务质量参数，所述服务质量参数为该路径的的传输时延、丢包率；

获取所述第二路径的服务质量参数，所述服务质量参数为该路径的传输时延、可用信道容量、丢包率、稳定度、剩余能耗率；

将所述第一路径的服务质量参数根据其不同特性得到路径的相应服务质量参数，然后将路径的服务质量参数归一化后相乘，获取第一路径的目标值；

将所述第二路径的服务质量参数根据其不同特性得到路径的相应服务质量参数，然后将路径的服务质量参数归一化后相乘，获取第二路径的目标值。

进一步的，本发明实施例方法的步骤201之前还包括一下步骤：

将第一网络到第二网络的任意一条链路的信息素设置为相同的常数；

计算第一网络到第二网络的任意一条链路的启发因子。

其中，所述计算第一网络到第二网络的任意一条链路的启发因子具体可以是：

获取第一网络到第二网络的任意一条链路上的服务质量参数；所述服务质量参数为该链路上的传输时延、可用信道容量、丢包率、稳定度、剩余能耗率；或所述服务质量参数仅为该链路上的传输时延和丢包率；

将获取的第一网络到第二网络的任意一条链路上的服务质量参数进行归一化处理；

将该链路上的归一化的传输时延、可用信道容量、丢包率、稳定度和剩余能耗率作乘积；获得该链路上的启发因子；

或，将该链路上的归一化的传输时延和丢包率作乘积，获得该链路上的启发因子。

需要说明的是，获取到目标值最优的路径之后，需要更新最优路径的所有链路的信息素。

所述更新信息素具体可以是：获取所述最优路径的每一条链路的服务质量参数，所述第一路径每一条链路的服务质量参数为该链路上的传输时延、可用信道容量、丢包率、稳定度和剩余能耗率；

对第一路径，将每一条链路上的归一化的传输时延、可用信道容量、丢包率、稳定度和剩余能耗率作乘积；得到该链路的信息素增量；

或，将第二路径每一条链路上的归一化的传输时延和丢包率作乘积，得到该链路的信息素增量；

将该链路上一时刻的信息素减去上一时刻的信息素和信息素挥发因子的乘积，得到该链路上的剩余信息素；

将所述该链路上的剩余信息素加上该链路的信息素增量，得到该链路更新后的信息素。

上述对本发明实施例提供的方法进行了介绍，本发明实施例提供的方法可以适应网络的异构特性；而且可以在异构的无线网状网上易于得到各服务质量指标均较优的路径，提高收敛速度。

实施例一：

本发明实施例一的流程可以包括以下步骤：

步骤1：初始化。

对于

令链路E_ij(节点V_i到达下一跳移动节点V_j的路径)的信息素τ_ij＝τ(0)，τ(0)表示常数，通常设置为0.1。计算链路E_ij上的启发因子η_ij；清空记录表OPTTABLE中记录的蚂蚁所经过的最优路径，即是OPTTABLE＝φ。

所述启发因子η_ij定义为：

${\mathrm{\η}}_{\mathrm{ij}}=\left\{\begin{array}{cc}(1-\frac{\mathrm{DL}\left(E_{\mathrm{ij}}\right)}{{\mathrm{DL}}_{\mathrm{LOW}}})\×\frac{C\left(E_{\mathrm{ij}}\right)}{C_{\mathrm{HIGH}}}\×(1-\mathrm{RPL}\left(E_{\mathrm{ij}}\right))\×\mathrm{PST}\left(E_{\mathrm{ij}}\right)\×\mathrm{RE}\left(E_{\mathrm{ij}}\right)& \mathrm{if}{E}_{\mathrm{ij}}\∈P\_\mathrm{sub}1\\ (1-\frac{\mathrm{DL}\left(E_{\mathrm{ij}}\right)}{{\mathrm{DL}}_{\mathrm{LOW}}})\×(1-\mathrm{RPL}\left(E_{\mathrm{ij}}\right))& \mathrm{if}{E}_{\mathrm{ij}}\∈P\_\mathrm{sub}2\end{array}\right.---\left(5\right)$

其中，RE(E_ij)＝min[RE(V_i)，RE(V_j)]，DL_LOW表示Qos指标的最低时延，C_HIGH表示Qos指标的最高带宽。对于MANET子网的子路径，启发因子η_ij考虑了可用信道容量因素，而在骨干网中，没有考虑该因素。因为对于具有这类最小/最弱特性的QoS指标，边缘子网和骨干网组成的完整路径的可用信道容量取决于两个子路径中最小的一个。由于骨干网能够提供比MANET子网高得多的可用信道容量，在目标函数f_MB(·)优化该指标变得没有意义，这时只需将P^*(i)的可用信道容量作为骨干网优化准则的约束，这样既保证了可用信道容量指标的优化又有利于其它QoS指标的优化(扩大了它们的解空间)。因此，骨干网目标函数f_MB(·)中并没有考虑可用信道容量，而启发因子对应于目标函数，也就没有考虑可用信道容量。

步骤2：在源节点放置NUM只蚂蚁，对于蚂蚁n(1≤n≤NUM)，令

PARA_n每个元素为0，STATE_n每个元素为0。

其中，TP_n ^AD记录了蚂蚁n在MANET子网中当前经过的节点(链路)集合，即该蚂蚁从源节点到当前节点(到GWM网关为止)所经过的路径；TP_n ^MB记录了蚂蚁n在骨干网中当前经过的节点(链路)集合，即该蚂蚁从GWM网关节点到当前节点(到骨干网目的节点为止)所经过的路径。

其中，

记录了蚂蚁n在路径TP_n ^AD和TP_n ^MD上的相应QoS指标值，{OV_n ^AD，OV_n ^MD}分别为蚂蚁n在TP_n ^AD和TP_n ^MD上的目标值；STATE_n＝{DNS，SNS}记录了蚂蚁n当前所处的状态：DNS＝1标示了该蚂蚁处在“死点”状态，DNS＝0则反之；SNS＝1标示了该蚂蚁已成功到达骨干网目的节点(可能为某个GWI网关)，SNS＝0则反之。

步骤3：蚂蚁n选择下一跳移动的节点V_j，将V_j按顺序加入到TP_n ^AD或TP_n ^MD中，计算并更新PARA_n中相应的元素，更新相应链路的信息素，计算得到下一步可以移动的节点集合ANS_n(V_j)。

其中，蚂蚁n选择下一跳移动节点时所用公式如下：

$V_j=\left\{\begin{array}{cc}\underset{V_j\∈{\mathrm{ANS}}_n\left(V_i\right)}{\arg \max }\left[{\left({\mathrm{\τ}}_{\mathrm{ij}}\right)}^{\mathrm{\α}}{\left({\mathrm{\η}}_{\mathrm{ij}}\right)}^{\mathrm{\β}}\right]& \mathrm{ifrd}\≤{\mathrm{rd}}_{\mathrm{th}}\\ V_O& \mathrm{otherwise}\end{array}\right.---\left(6\right)$

其中，τ_ij为V_i与V_j组成链路E_ij上的信息素，η_ij为链路E_ij上的启发因子，α、β分别为τ_ij和η_ij的重要性度量，rd是蚂蚁n选择下一跳移动节点V_j时，节点V_i生成的服从[0，1]区间内均匀分布的随机数；0≤rd_th≤1为设定好的阈值。当rd≤rd_th时，蚂蚁n采用公式(6)选择下一跳节点，蚂蚁n根据信息素和启发因子的联合值(即(τ_ij)^α(η_ij)^β)的大小选择下一跳节点V_j，这样有利于选择联合值大的链路以及正反馈机制的实现。然而，信息素和启发因子联合值最大的链路未必就是最优的链路，这样会造成大量无效搜索，出现停滞现象，从而使得算法很难收敛于最优路径。当rd＞rd_th时，将区间[0，1]平均分配给ANS_n(V_i)中各个节点，根据公式(7)获得的概率Prob_n(V_i，V_o)由小到大的顺序对每个节点进行分配。然后，节点V_i产生在[0，1]区间服从均值为0.5，方差为σ²＝1的高斯概率分布的随机数，若该随机数落在节点V_O所分配的区间，则蚂蚁n选择节点V_O作为下一跳节点。其中，获取概率Prob_n(V_i，V_o)的所用公式如下：

${\mathrm{Prob}}_n(V_i,V_o)=\left\{\begin{array}{cc}\frac{{\left({\mathrm{\τ}}_{\mathrm{io}}\right)}^{\mathrm{\α}}{\left({\mathrm{\η}}_{\mathrm{io}}\right)}^{\mathrm{\β}}}{\underset{V_k\∈{\mathrm{ANS}}_n\left(V_i\right)}{\mathrm{\Σ}}{\left({\mathrm{\τ}}_{\mathrm{ik}}\right)}^{\mathrm{\α}}{\left({\mathrm{\η}}_{\mathrm{ik}}\right)}^{\mathrm{\β}}}& \mathrm{if}{V}_o\∈{\mathrm{ANS}}_n\left(V_i\right)\\ 0& \mathrm{otherwise}\end{array}\right.---\left(7\right)$

举个例子，假设ANS_n(V_i)中存在4个节点，分别是V₁、V₂、V₃、V₄，并且Prob_n(V_i，V₁)＜Prob_n(V_i，V₂)＜Prob_n(V_i，V₃)＜Prob_n(V_i，V₄)。因此，V₁、V₂、V₃、V₄分配到的区间分别为[0，0.25]，[0.25，0.5]，[0.5，0.75]，[0.75，1]。根据高斯概率分布的特性可知，节点V_i产生的高斯分布随机数落在节点V₁和V₄的可能性很小，而相应链路E_i1和E_i4的信息素和启发因子联合值分别为最小和最大(对应于Prob_n(V_i，V₁)最小，Prob_n(V_i，V₄)最大)。

可见，基于高斯分布的下一跳节点选择方法一方面避免了选择信息素和启发因子联合制过大的链路以及可能造成的无效搜索和停滞现象；另一方面避免了选择信息素和启发因子联合值过小的链路，因为联合值过小的链路是最优链路的可能性不大。实际上，该方法倾向于选择联合值处于中间位置的链路(如链路E_i2和E_i3)，这样就能合理的扩大可选链路的范围，有利于寻找潜在的最优路径，从而可以快速的收敛于最优路径。

需要说明的是，若步骤3所述的ANS_n(V_j)＝φ，即蚂蚁n已经到达死点，则令STATE_n中的DNS＝1；反之令DNS＝0。若V_j为骨干网目的节点，则令STATE_n中的SNS＝1，反之则令SNS＝0。所述每个蚂蚁n都携带有相同的目标节点地址，当所述蚂蚁n到达骨干网的目标节点时，令STATE_n中的SNS＝1，反之则令SNS＝0。

其中，所述信息素τ_ij更新策略为：

τ_ij←(1-VOF)τ_ij+Δτ_ij    (8)

其中，0≤VOF≤1为信息素挥发因子，当蚂蚁n从节点V_i移动到节点V_j时，Δτ_ij表示为：

${\mathrm{\Δ\τ}}_{\mathrm{ij}}=\left\{\begin{array}{cc}(1-\frac{\mathrm{DL}\left({\mathrm{TP}}_n^{\mathrm{AD}}\right)}{{\mathrm{DL}}_{\mathrm{LOW}}})\×\frac{C\left({\mathrm{TP}}_n^{\mathrm{AD}}\right)}{C_{\mathrm{HIGH}}}\×(1-\mathrm{RPL}\left({\mathrm{TP}}_n^{\mathrm{AD}}\right))\×\mathrm{PST}\left({\mathrm{TP}}_n^{\mathrm{AD}}\right)\×\mathrm{RE}\left({\mathrm{TP}}_n^{\mathrm{AD}}\right)& \mathrm{if}{E}_{\mathrm{ij}}\∈P\_\mathrm{sub}1\\ (1-\frac{\mathrm{DL}\left({\mathrm{TP}}_n^{\mathrm{MB}}\right)}{{\mathrm{DL}}_{\mathrm{LOW}}})\×(1-\mathrm{RPL}\left({\mathrm{TP}}_n^{\mathrm{MB}}\right))& \mathrm{if}{E}_{\mathrm{ij}}\∈P\_\mathrm{sub}2\end{array}\right.---\left(9\right)$

$\mathrm{\Δ}{\mathrm{\τ}}_{\mathrm{ij}}=\left\{\begin{array}{cc}\mathrm{CF}\×f_{\mathrm{AD}}\left({\mathrm{TP}}_n^{\mathrm{AD}}\right)=\mathrm{CF}\×{\mathrm{OV}}_n^{\mathrm{AD}}& \mathrm{if}{E}_{\mathrm{ij}}\∈{\mathrm{TP}}_n^{\mathrm{AD}}\\ f_{\mathrm{MB}}\left({\mathrm{TP}}_n^{\mathrm{MB}}\right)={\mathrm{OV}}_n^{\mathrm{MB}}& \mathrm{if}{E}_{\mathrm{ij}}\∈{\mathrm{TP}}_n^{\mathrm{MB}}\end{array}\right.---\left(10\right)$

需要说明的是，当一个异构的无线Mesh网络的拓扑结构形成时，无线Mesh网络中任意一条链路E_ij上的信息素增加量Δτ_ij都可以采用公式(9)进行计算，前提是无线Mesh网络通过感知能力获得所需的各Qos参数。

需要说明的是，当蚂蚁n在异构的无线Mesh网络的路径集合P_sub1和P_sub2中确定经过的节点(链路)时，链路E_ij上的信息素增加量Δτ_ij都可以采用公式(10)进行计算，前提是无线Mesh网络通过感知能力获得所需的各Qos参数。

步骤4：判断所有蚂蚁是否已到达骨干网目的节点或死点，如果否，则转到步骤3，重新执行后续步骤；如果是，则执行步骤5。

若ANS_n(V_j)＝φ，则蚂蚁n到达死点，反之蚂蚁n仍有下一跳移动节点可选，尚未到达死点。若STATE_n中SNS＝1，则蚂蚁到达目标节点，反之SNS＝0，则蚂蚁尚未到达目标节点。

步骤5：计算目标值(CF×OV_n ^AD+OV_n ^MB)，选取目标值最大的路径，若此目标值得到改进，则OPTTABLE更新为最优路径并对该最优路径的所有链路按公式(8)和公式(10)更新信息素。

步骤6：判断是否满足终止条件，如果是，则输出最优路径

及其Qos参数和目标值；否则，转到步骤2。

其中，所述终止条件可以是：利用本发明实施例一的方法连续OHNUM次获得的目标值未得到改进；或者实施本发明实施例一的方法已经达到预定的迭代次数ITNUM。所述次数OHNUM和ITNUM可以是运营商或用户根据实际情况设定的。

上述对本发明实施例提供的优化路由方法实施例一的进行了详细的介绍，使得在异构的无线Mesh网络中易于获得各QoS指标均较优的路径，提高收敛的速度；并且本发明实施例提供的方法可以避免部分选择信息素和启发因子联合制过大或过小的链路，合理的扩大可选链路的范围，有利于寻找潜在的最优路径。

下面给出本发明实施例与现有的穷尽搜索路由算法、最小跳数路由算法以及传统蚁群路由算法之间的仿真性能比较结果。穷尽搜索路由算法即前面的双层规划模型对源节点到目的节点所有路径进行搜索进而得到最优路径的路由算法。最小跳数路由算法即寻找源节点到目的节点之间满足多媒体业务QoS指标最低要求(即DL_LOW，C_LOW，RPL_LOW)且跳数最小的路径作为最优路径的路由算法。传统蚁群路由算法即采用传统蚁群算法寻找最优路径的路由算法，该路由算法不考虑WMN的异构特性，其相应的路由优化准则不再区分WMN骨干网和MANET子网，优化目标函数统一表示为：

${\mathrm{PATH}}_T^{*}=\arg \underset{\∀{\mathrm{PATH}}_T}{\max }[(1-\frac{\mathrm{DL}\left({\mathrm{PATH}}_T\right)}{{\mathrm{DL}}_{\mathrm{LOW}}})\×\frac{C\left({\mathrm{PATH}}_T\right)}{C_{\mathrm{HIGH}}}\×(1-\mathrm{RPL}\left({\mathrm{PATH}}_T\right))]---\left(11\right)$

s.t.DL(PATH_T)≤DL_LOW，

    C(PATH_T)≥C_LOW，

    RPL(PATH_T)≤RPL_LOW。

式子(11)表示的是根据传统蚁群路由算法寻找满足给定时延，带宽和丢包率下的最佳路径。其中PATH_T为源节点到目的节点间的任一路径，PATH_T ^*为该优化目标下的最优路径。

采用VC++作为仿真工具，无线Mesh网络区域内的节点总数设为MNN，所有仿真结果均为10次仿真数据的平均值。表1给出了节点总数MNN与各算法运行时间(计算机时间)的关系。从表1可以看出，各算法运行时间随着节点总数的增大而增加：在节点总数较小时(MNN＝10)，各算法的运行时间处在同一数量级上，相差不大；随着节点总数的增大，穷尽搜索路由算法和最小跳数路由算法的运行时间迅速增加，当MNN＝30时，它们的运行时间已经达到几十万毫秒，远远超出了本发明和传统蚁群路由算法的运行时间。而且，本发明的运行时间始终小于传统蚁群路由算法，这是由于本发明实施例采用了基于高斯分布的下一跳节点选择方法，能够快速地收敛于最优路径。

表1

表2给出了利用各路由算法寻找最优路径的结果。表2第2列对应于节点总数MNN＝20，源节点为0号节点，目的节点为19号节点的最优路径结果；表2第3列对应于节点总数MNN＝30，源节点为0号节点，目的节点为29号节点的最优路径结果。由表2可以看出，本发明与穷尽搜索路由算法寻找到的最优路径结果或者相同(MNN＝20)；或者仅有个别节点不同，相差很小(MNN＝30)。由于穷尽搜索路由算法寻找到的最优路径就是提出的双层规划模型的理论最优解(即全局最优解)，这说明本发明寻找到的最优路径或者就是双层规划模型的理论最优解，或者趋近于双层规划模型的理论最优解。

表2

表3给出了各算法在MNN＝20的情况下选择的相应最优路径的各种性能指标及目标值比较。从表3还可以看出：本发明与穷尽搜索路由算法选择的路径的传输时延、可用信道容量、丢包率、稳定度、剩余能耗率及目标值在节点总数变化的情况下优于最小跳数路由算法和传统蚁群路由算法的相应结果。这说明这两种算法对应的双层规划模型充分地考虑并优化了路径的各QoS指标，能够较好地适应WMN的异构特性从而得到各QoS指标均较优的路径，比最小跳数路由算法和传统蚁群路由算法对应的优化准则(分别为跳数和公式(11))更加有效。

表3

上述介绍了本发明实施例提供的优化路由的方法，以及通过仿真结果对本发明实施例与现有的穷尽搜索路由算法、最小跳数路由算法以及传统蚁群路由算法之间的仿真性能进行了比较。比较结果可知，本发明实施例可以适应异构网络特性，易于得到各QoS指标均较优的路径；本发明实施例寻找到的最优路径或者就是双层规划模型的理论最优解，或者趋近于双层规划模型的理论最优解；而且本发明可以提高收敛速度。

实施例二：

请参阅图3，图3为本发明提供的网络节点的逻辑结构示意图。如图3所示，所述本发明提供的网络节点可以包括：

随机数产生单元301，用于对每只蚂蚁产生一个随机数，所述随机数服从0到1之间的均匀分布；

判断单元302，用于判断产生的服从0到1之间的均匀分布的随机数小于等于预先设定的阈值，则指示选择单元选择下一跳节点；

选择单元303，用于选择和本节点构成链路，并使所述链路的信息素和启发因子的联合值最大的节点作为下一跳节点。

获取单元304，用于获取任意一条链路上的信息素和服务质量参数；所述服务质量参数为该链路上的传输时延、可用信道容量、丢包率、稳定度、剩余能耗率；或，所述服务质量参数为该链路上的传输时延和丢包率。

启发因子生成单元305，用于将链路上的传输时延、可用信道容量、丢包率、稳定度和剩余能耗率作乘积，获得该链路上的启发因子；

或，将该链路上的传输时延和丢包率作乘积，获得该链路上的启发因子。

其中，所述判断单元302用于判断产生的服从0到1之间的均匀分布的随机数大于预先设定的阈值，则指示随机数产生单元301对该蚂蚁产生服从0到1之间、均值为0.5、方差为1的高斯概率分布另一随机数；并指示选择单元303选择下一跳节点；

选择单元303，将下一跳节点集合中的各节点按概率大小由小到大进行排列；

将0到1区间按概率的排列顺序平均分配给下一跳节点集合中的各节点；

根据高斯概率分布的另一随机数落入的区间选择对应的节点作为下一跳节点。

上述对本发明实施例提供的网络节点进行了详细的介绍，本发明实施例提供的网络节点可以避免部分选择信息素和启发因子联合制过大或过小的链路，合理的扩大可选链路的范围，有利于寻找潜在的最优路径。

以上对本发明实施例提供的优化路由的方法和装置进行了详细介绍，通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (13)

1、一种优化路由的方法，其特征在于，包括：

在第一网络源节点放置至少两个蚂蚁；

记录每只蚂蚁到达第一网络边界网关的第一路径，以及记录该蚂蚁从所述第一网络边界网关到达第二网络目的节点的第二路径，得到每只蚂蚁经过的路径；

比较每只蚂蚁经过的路径的目标值大小，保存最大目标值的路径。

2、根据权利要求1所述的方法，其特征在于，所述方法之前还包括：

将第一网络到第二网络的任意一条链路的信息素设置为相同的常数；

计算第一网络到第二网络的任意一条链路的启发因子；

所述记录每只蚂蚁到达第一网络边界网关的第一路径具体为：

第一网络源节点对每只蚂蚁产生一个随机数，所述随机数服从0到1之间的均匀分布；

若判断所述随机数小于等于预先设定的阈值，则选择和所述第一网络源节点构成链路、并使所述链路的信息素和启发因子的联合值最大的节点作为下一跳节点；

所述下一跳节点对其上的每只蚂蚁执行上述步骤选择下一跳节点，直到所述下一跳节点为第一网络边界网关为止，记录蚂蚁经过的所有节点组成的第一路径。

3、根据权利要求1所述的方法，其特征在于，所述记录每只蚂蚁到达第一网络边界网关的第一路径包括：

第一网络源节点对其上的每只蚂蚁产生一个随机数，所述随机数服从0到1之间的均匀分布；

若判断所述随机数大于预先设定的阈值，则第一网络源节点对该蚂蚁产生另一随机数，所述另一随机数满足0到1之间、均值为0.5、方差为1的高斯概率分布；

将下一跳节点集合中的各节点按概率大小由小到大进行排列；

将0到1区间按概率的排列顺序平均分配给下一跳节点集合中的各节点；

根据产生的高斯概率分布的另一随机数落入的区间选择对应的节点作为下一跳节点；

所述下一跳节点对其上的每只蚂蚁执行上述步骤选择下一跳节点，直到所述下一跳节点为第一网络边界网关为止，记录蚂蚁经过的所有节点组成的第一路径。

4、根据权利要求1所述的方法，其特征在于，所述方法之前还包括：

将第一网络到第二网络的任意一条链路的信息素设置为相同的常数；

计算第一网络到第二网络的任意一条链路的启发因子；

所述记录蚂蚁从所述第一网络边界网关到达第二网络目的节点的第二路径具体为：

第一网络边界网关对其上的每只蚂蚁产生一个随机数，所述随机数服从0到1之间的均匀分布；

若判断所述随机数小于等于预先设定的阈值，则选择和所述第一网络边界网关构成链路、并使所述链路的信息素和启发因子的联合值最大的节点作为下一跳节点；

所述下一跳节点对其上的每只蚂蚁执行上述步骤选择下一跳节点，直到所述下一跳节点为第二网络的目的节点为止，记录蚂蚁经过的所有节点组成的第二路径。

5、根据权利要求2或4所述的方法，其特征在于，所述计算第一网络到第二网络的任意一条链路的启发因子包括：

获取第一网络到第二网络的任意一条链路上的服务质量参数，所述服务质量参数为该链路上的传输时延、可用信道容量、丢包率、稳定度、剩余能耗率；或所述服务质量参数为该链路上的传输时延和丢包率；

将获取的第一网络到第二网络的任意一条链路上的服务质量参数进行归一化处理；

将该链路上的归一化处理后的传输时延、可用信道容量、丢包率、稳定度和剩余能耗率作乘积，获得该链路上的启发因子；

或，将该链路上的归一化的传输时延和丢包率作乘积，获得该链路上的启发因子。

6、根据权利要求1所述的方法，其特征在于，所述记录蚂蚁从所述第一网络边界网关到达第二网络目的节点的第二路径包括：

第一网络边界网关对其上的每只蚂蚁产生一个随机数，所述随机数服从0到1之间的均匀分布；

若判断所述随机数大于预先设定的阈值，则第一网络边界网关对该蚂蚁产生另一随机数，所述另一随机数满足0到1之间、均值为0.5、方差为1的高斯概率分布；

将下一跳节点集合中的各节点按概率大小由小到大进行排列；

将0到1区间按概率的排列顺序平均分配给下一跳节点集合中的各节点；

根据产生的高斯概率分布的另一随机数落入的区间选择对应的节点作为下一跳节点；

所述下一跳节点对其上的每只蚂蚁执行上述步骤选择下一跳节点，直到所述下一跳节点为第二网络目的节点为止，记录蚂蚁经过的所有节点组成的第二路径。

7、根据权利要求1、2、3、4或6所述的方法，其特征在于，所述比较每只蚂蚁经过的路径的目标值大小，保存最大目标值的路径包括：

计算每只蚂蚁经过的路径的目标值，比较该目标值是否得到改进，如果是，则更新该目标值为最大目标值；

保存所述最大目标值对应的由第一路径和第二路径组成的路径；所述最大目标值的路径即为最优路径。

8、根据权利要求7所述的方法，其特征在于，所述计算每只蚂蚁经过的路径的目标值包括：

计算每只蚂蚁经过的第一路径和第二路径的目标值；

将所述第一路径的目标值乘以补偿因子后，与所述第二路径的目标值相加，得到每只蚂蚁经过的路径的目标值；

或，所述第二路径的目标值乘以补偿因子后，与所述第一路径的目标值相加，得到每只蚂蚁经过的路径的目标值；所述补偿因子用于提高优化目标的程度。

9、根据权利要求8所述的方法，其特征在于，所述计算每只蚂蚁经过的第一路径和第二路径的目标值包括：

获取所述第一路径的服务质量参数，所述服务质量参数为该路径的传输时延、可用信道容量、丢包率、稳定度、剩余能耗率；

获取所述第二路径的服务质量参数，所述服务质量参数为该路径的传输时延、丢包率；

将所述第一路径的服务质量参数归一化后相乘，获取第一路径的目标值；

将所述第二路径的服务质量参数归一化后相乘，获取第二路径的目标值。

10、根据权利要求8所述的方法，其特征在于，所述计算每只蚂蚁经过的第一路径和第二路径的目标值包括：

获取所述第一路径的服务质量参数，所述服务质量参数为该路径的传输时延、丢包率；

获取所述第二路径的服务质量参数，所述服务质量参数为该路径的传输时延、可用信道容量、丢包率、稳定度、剩余能耗率；

将所述第一路径的服务质量参数归一化后相乘，获取第一路径的目标值；

将所述第二路径的服务质量参数归一化后相乘，获取第二路径的目标值。

11、一种网络节点，其特征在于，包括：

随机数产生单元，用于对每只蚂蚁产生一个随机数，所述随机数服从0到1之间的均匀分布；

判断单元，用于判断产生的服从0到1之间的均匀分布的随机数小于等于预先设定的阈值，则指示选择单元选择下一跳节点；

选择单元，用于选择和本节点构成链路、并使所述链路的信息素和启发因子的联合值最大的节点作为下一跳节点。

12、根据权利要求11所述的网络节点，其特征在于，所述网络节点还包括：

获取单元，用于获取任意一条链路上的信息素和服务质量参数，所述服务质量参数为该链路上的传输时延、可用信道容量、丢包率、稳定度、剩余能耗率；或，所述服务质量参数为该链路上的传输时延和丢包率；

启发因子生成单元：用于将链路上的归一化的传输时延、可用信道容量、丢包率、稳定度和剩余能耗率作乘积，获得该链路上的启发因子；

或，将该链路上的归一化的传输时延和丢包率作乘积，获得该链路上的启发因子。

13、根据权利要求11或12所述的网络节点，其特征在于，所述判断单元用于判断产生的服从0到1之间的均匀分布的随机数大于预先设定的阈值，则指示随机数产生单元对该蚂蚁产生服从0到1之间、均值为0.5、方差为1的高斯概率分布另一随机数；并指示选择单元选择下一跳节点；

选择单元，将下一跳节点集合中的各节点按概率大小由小到大进行排列；

将0到1区间按概率的排列顺序平均分配给下一跳节点集合中的各节点；

根据高斯概率分布的另一随机数落入的区间选择对应的节点作为下一跳节点。

Images