CN101895422B - 三层网络中静动态混合业务资源优化方法 - Google Patents

Abstract

本发明公开了一种三层网络中静动态混合业务的资源优化方法，主要解决三层网络中静动态混合业务的传送问题。包含1)输入三层网络拓扑信息和静态业务矩阵；2)采用请求带宽总量最大者优先路由算法为静态业务选路；3)采用基于蚁群优化的综合路由算法为动态业务选路；4)根据动态业务的等级参数和联合选路结果决定是否需要调用层间或层内资源优化方法；5)网络周期性触发基于负荷强度的自适应周期的全局资源调度优化方法。6)执行算法运行结果。本发明通过引入传送网分层、基于蚁群优化的动态业务联合选路算法、层间资源协调机制和基于禁忌搜索的静态业务重新疏导方法，提高了全网资源优化利用和降低用户连接请求拒绝率，并保证了端到端的QoS的要求。

Description

三层网络中静动态混合业务资源优化方法

技术领域

本发明属于通信技术领域，主要涉及三层网络通信中针对静动态混合业务的资源优化方法。

背景技术

三层网络一般是指光传送网IP/SDH/WDM的三层结构，其作用是融合三种不同体质的网络和实现不同带宽颗粒度的业务在光传送网中传输。由于业务带宽颗粒度相对于光传送网波长颗粒度小得多，因此，在三层网络中对各种资源的优化就显得十分重要。目前，所见到的三层网络资源优化方法主要有“传送网的资源优化利用方法”和“分配网络资源的方法和装置”两种。

中国国家知识产权局公告的“传送网的资源优化利用方法”(ZL2005100419425)专利技术，公开了一种传送网分层、联合路由选择和三层资源联合优化方法。该方法包括以下步骤：1)对网络进行分层表示；2)根据用户业务连接请求带宽及等级、链路带宽利用率、邻接的层间链路传输速率、跳数等参数联合选择路由；3)根据联合选择路由的结果调用三层资源联合调度算法MRJS；4)定期调用三层资源联合调度算法MRJS以优化资源配置；5)执行算法运行结果。由于该方法主要针对网络中动态业务的处理，动态业务的路由算法采用的是区分权重Dijkstra算法。由于该方法随着使用网络规模的增大，基于Dijkstra的路由算法的运行时间急剧增长，将使该方法无法保证动态业务建立连接的实时性，阻碍了该方法在大规模的网络通讯中的应用。

“分配网络资源的方法和装置”是2009年6月17日中国国家知识产权局公开的CN 101459589A专利申请。该方法包括：根据网络的初始拓扑结构获取资源分配的当前解；获取当前解的邻域空间，从邻域空间中选择未被禁忌的最优解；判断未被禁忌的最优解是否优于当前解，如果未被禁忌的最优解优于当前解，以未被禁忌的最优解作为新的当前解；然后判断是否满足预设循环结束条件，如果是，按照新的当前解分配网络资源，否则，更新禁忌表，继续获取下一个解。该装置包括未被禁忌最优解获取模块、判断与处理模块和资源分配与执行模块。由于该方法仅仅是针对网络中静态业务资源消耗的优化方法，使其不能适用于动态业务的资源消耗的优化。而在实际的三层网路体制中，静态业务和动态业务往往会同时存在于网络，所以，以上两个技术无法实现网络中静动态混合业务的联合选路与资源优化。

发明内容

本发明的目的在于克服现有技术的不足，提出一种适用于三层网络中静动态混合业务的资源优化方法，该方法实现了静态业务与动态业务在同一网络中进行选路、全局资源优化利用并保证混合业务的QoS性能。

本发明方法的具体实现步骤是：

步骤1，输入网络拓扑信息和静态业务；

步骤2，采用请求带宽总量最大者优先路由算法为静态业务选路；

步骤3，判断触发事件的类型：

3a)当触发事件的类型为全局资源优化事件时，调用全局资源优化方法；

3b)当触发事件的类型为离开事件时，进行离开事件处理的操作；

3c)当触发事件的类型为到达事件时，采用基于蚁群优化的选路算法为动态业务选路：计算网络拓扑中关键链路的相对重要程度及初始化蚁群参数，蚂蚁个体依据状态转移概率公式选择下一跳节点并进行局部信息素更新，依据路径质量评价公式对蚂蚁个体选择的路径质量进行评价，在一次迭代完成后进行全局信息素更新；

步骤4，判断动态业务选路是否成功：

4a)若动态业务选路成功，则更新拓扑信息；

4b)若动态业务选路不成功，则进入步骤5；

步骤5，判断是否为低等级业务：

5a)若是低等级业务，则拒绝该业务；

5b)若不是低等级业务，则进入步骤6；

步骤6，层间资源优化；

步骤7，判断动态业务选路是否成功：

7a)若动态业务选路成功，则更新拓扑信息；

7b)若动态业务选路不成功，则进入步骤8；

步骤8，采用基于禁忌搜索的层内资源优化方法对静态业务进行重新疏导：对禁忌搜索算法中参数进行初始化，依据邻域生成规则获得当前解的邻域空间，并依据链路拥塞指标评价邻域空间解的质量，选择当前迭代最优解并更新禁忌表；

步骤9，判断动态业务选路是否成功：

9a)若动态业务选路成功，则更新拓扑信息；

9b)若动态业务选路不成功，则拒绝该业务；

步骤10，判断事件列表是否为空：

10a)若不为空，则转步骤3；

10b)若为空，则仿真结束。

本发明与现有技术比较具有以下优点：

第一，本发明由于采用请求带宽总量最大者优先的静态业务路由算法，对业务矩阵中请求带宽总量最大的结点对优先选路，保证最小化网络资源消耗和拥塞的性能，有利于为动态业务形成较优的初始拓扑。

第二，本发明由于采用基于蚁群优化的动态业务联合选路算法，综合考虑了网络关键链路的相对重要程度、链路利用率和路径的跳数，避免关键链路的频繁使用，减少对其它节点对间最大流量的影响，降低了动态业务的阻塞率。

第三，本发明由于采用基于禁忌搜索的层内资源优化方法，以最小化链路拥塞为准则对静态业务进行重新疏导，增加高等级和常规等级动态业务选路成功的机会，从而保证了端到端的QoS的要求。

第四，本发明由于采用静动态混合业务联合路由选择和三层资源联合优化技术，克服了现有技术中分别为静、动态业务选路存在的缺点，实现了不同层次网络间的资源相互协调，使得网络资源的分配与所承载混合业务的分布相匹配，提高了全网的资源利用率，从而降低网络投资成本和提高运营商投资收益。

附图说明：

图1为本发明的流程图。

图2为本发明动态业务选路流程图。

图3为本发明层内资源优化流程图。

图4为本发明仿真网络拓扑图。

图5为本发明的动态业务阻塞率性能曲线图。

具体实施方式：

以下结合附图对本发明进行进一步的详细描述。

参照图1，本发明的具体实施方法如下：

步骤1，输入网络拓扑信息和静态业务，根据图4的六个仿真条件来设定各层的结点数、邻接链路、层间链路。

步骤2，为静态业务选路，更新网络资源。

静态业务选路采用请求带宽总量最大者优先路由算法来实现的。该算法优先选择业务矩阵中请求带宽总量最大的结点对，然后为结点对之间的业务请求逐个按照Dijkstra方法选路。这种请求带宽总量最大者优先路由算法，可以避免请求带宽总量较大的结点对间的业务路由跳数过多，同时减小网络拥塞，为动态业务路由提供了较优的初始拓扑。

步骤3，判断触发事件的类型，触发事件是仿真系统根据时间轴上各个事件触发点进行触发，具体来说触发点就是动态业务的全局资源优化时刻、离开时刻及到达时刻。

3a)当仿真系统判断触发事件的类型为全局资源优化事件时，调用全局资源优化方法。全局资源优化方法是仿真系统周期主动触发的，该方法定期搜索每层网络中的瓶颈链路并进行邻接下层的资源调度以缓和拥塞状态，同时搜索每层网络中的轻负荷链路进行归还邻接下层的资源。当负荷强度增大时，资源分配不合理程度加大，需要频繁调用全局资源优化，导致网络系统的处理时间增长，因而仿真系统触发周期需要在负荷强度和网络系统时间复杂度上进行折中选取。

3b)当仿真系统判断触发事件的类型为离开事件时，对离开事件链表进行处理，归还当前离开业务所占的资源，更新链路承载的业务信息链表等。

3c)当仿真系统判断触发事件的类型为到达事件时，采用图2所述的基于蚁群优化路由算法为动态业务选路。

步骤4，判断动态业务选路是否成功：

4a)若动态业务选路成功，则更新相应的网络拓扑信息，需要更新的网络拓扑信息包括链路的剩余带宽，链路上承载的动态业务信息链表；

4b)若动态业务选路不成功，则进入步骤5。

步骤5，判断是否为低等级业务：

5a)若是低等级业务，则拒绝该业务；

5b)若是高等级或常规等级业务，则进入步骤6。

步骤6，调用层间资源优化方法后再次为当前动态业务选路。该方法搜索业务源到宿间的瓶颈链路，layer(layer＞1)层的瓶颈链路资源通过调用它在邻接下层layer-1层内的资源而得到追加，通过层间资源协调分配增加高等级或常规等级业务选路成功的机会，减小高等级或常规等级业务的阻塞率。

步骤7，判断动态业务选路是否成功：

7a)若动态业务选路成功，则更新相应的网络拓扑信息，需要更新的网络拓扑信息包括链路的剩余带宽，链路上承载的动态业务信息链表；

7b)若动态业务选路不成功，则进入步骤8；

步骤8，层内资源优化，调用图3所述的禁忌搜索算法，对静态业务重新疏导后，再次为当前业务选路。该算法通过调整静态业务的分布，优化当前网络资源分配，从而降低高等级或常规等级动态业务的阻塞率。

步骤9，判断动态业务选路是否成功：

9a)若动态业务选路成功，则更新相应的网络拓扑信息，需要更新的网络拓扑信息包括链路的剩余带宽，链路上承载的动态业务信息链表；

9b)若动态业务选路不成功，则拒绝该业务；

步骤10，判断事件列表是否为空：

10a)若事件列表不为空，则转步骤3；

10b)若事件列表为空，则仿真结束。

图2为本发明图1中步骤3c)中所述的基于蚁群优化的综合路由算法，其实施步骤如下：

第一，预处理阶段：计算链路l对节点对(s，d)最大流量的关键性的重要程度w_l(s，d)。其中

代表结点对(s，d)的最小割集中的关键链路。

代表(s，d)的最大流量通过链路l的子流。F_s，d代表(s，d)的最大流量。

$w_l(s,d)=\left\{\begin{array}{cc}\frac{f_{s,d}^l}{F_{s,d}}& l\∈L_{(s,d)}^{\mathrm{critical}}\\ 0& l\∉L_{(s,d)}^{\mathrm{critical}}\end{array}\right.$

第二，初始化蚁群参数：最大迭代次数，发射蚂蚁数m，信息素初始值τ₀，全局最优解S_gb，全局最优解的路径质量θ_gb＝0，根据公式初始化浓度信息η_ij，循环次数变量为0。

第三，初始化m只蚂蚁的禁忌表为空，并将m只蚂蚁的禁忌表中源节点进行禁忌，禁忌表存放着蚂蚁寻求路径中所遍历的结点。初始化蚂蚁索引号k＝0。

第四，蚂蚁个体k根据状态转移概率公式计算的概率选择下一跳节点j。

$p_{\mathrm{ij}}^k=\left\{\begin{array}{cc}\frac{{\mathrm{\τ}}_{\mathrm{ij}}^{\mathrm{\α}}{\mathrm{\η}}_{\mathrm{ij}}^{\mathrm{\β}}}{\underset{q\⋐{\mathrm{nei}}_i^k}{\mathrm{\Σ}}{\mathrm{\τ}}_{\mathrm{iq}}^{\mathrm{\α}}{\mathrm{\η}}_{\mathrm{iq}}^{\mathrm{\β}}}& j\∈{\mathrm{nei}}_i^k\\ 0& j\∉{\mathrm{nei}}_i^k\end{array}\right.$

其中，

表示第k只蚂蚁从当前结点i选择下一跳结点j的概率；

L为全网中所有可能产生业务的结点对，(s′，d′)∈L/(s，d)是全网中除去当前业务源宿结点对的其它所有产生业务结点对，w_l(s′，d′)表示链路l对节点对(s′，d′)最大流量的关键性的重要程度，R(l)为结点对(i，j)间链路l的剩余带宽利用率，N为网络节点的数目。

表示蚂蚁k下一步允许选择的城市，q表示当前结点i的邻接结点集合

中的结点。η_ij是链路(i，j)的能见度信息，是链路剩余带宽利用率和关键链路相对重要程度的综合体现。τ_ij是链路(i，j)的信息素水平，α为信息启发式因子，β为期望启发式因子，表示能见度的重要性。

第五，根据公式对节点对(i，j)间的链路上信息素进行局部更新。

其中，α₀为信息启发式因子初始值，τ₀为信息素初始值。

第六，更新禁忌表，将蚂蚁k移到新的节点j，并把节点j移动到蚂蚁k的禁忌表中。

第七，判断蚂蚁所处的当前节点是否为宿结点：如果蚂蚁所处的当前节点不是宿结点，则转第四；如果蚂蚁所处的当前节点是宿结点，则转第八。

第八，根据公式对蚂蚁k探索的路径进行质量评价θ_k，然后更新全局最优解S_gb和全局最优路径质量θ_gb。评价路径质量的参数考虑路径的拥塞信息、路径所经链路的关键程度和路径的跳数三种因素。

$\mathrm{\θ}={\mathrm{\λ}}_0{e}^{R^{\min }-1}+{\mathrm{\λ}}_1{e}^{-\mathrm{\δ}*\underset{l\∈p}{\mathrm{\Σ}}g\left(l\right)}+{\mathrm{\λ}}_2{e}^{-\mathrm{\σ}(\mathrm{hop}-{\mathrm{hop}}_{\min })}$

其中，θ表示路径质量评价参数，λ₀+λ₁+λ₂＝1，三者均为比例因子，

体现路径的拥塞程度，R^min为待评估路径上所经链路剩余带宽利用率最小者，R^min越小，路径越拥塞，路径质量θ越不好；

为路径所经链路的关键性重要程度，

δ为控制参数，用来平衡蚂蚁所经过单独每条链路产生的影响在整条路径中所占的比重，p为选路所得路径；路径所经链路越关键，路径质量θ越不好，g(l)为链路l对其余所有产生业务的节点对间最大流量影响的重要程度，其表达式为

是路径跳数对路径质量的贡献因子，σ为控制参数，用来控制蚂蚁所经链路跳数对θ的影响，hop_min为源到宿的最短路径上的跳数，hop为蚂蚁搜寻所得路径的跳数，在这里取得是路径的相对跳数差值，这是由于网络拓扑各个源宿节点对间的跳数差距很大，若是采用绝对跳数，控制参数σ很难控制。

第九，判断蚂蚁索引号k是否小于m：如果蚂蚁索引号k小于m，则k＝k+1，转第四；如果蚂蚁索引号k等于m，则转第十。

第十，根据以下公式，对全局最优解S_gb所映射的链路上信息素进行全局更新：

τ_ij＝(1-ρ)τ_ij+ρΔτ_ij

其中，Δτ_ij的表达式为

${\mathrm{\Δ\τ}}_{\mathrm{ij}}=\left\{\begin{array}{cc}{\mathrm{\θ}}_{\mathrm{gb}}& (i,j)\∈P_{\mathrm{gb}}\\ 0& \mathrm{else}\end{array}\right.$

0＜ρ＜1，ρ表示信息素挥发程度。P_gb为当前所找到的最优路径。

第十一，判断当前循环次数是否小于最大迭代次数：如果当前循环次数小于最大迭代次数，则循环次数加1，并转第三；如果当前循环次数等于最大迭代次数，则结束蚁群算法。

图3为本发明图1中步骤8所述的层内资源优化方法的流程图，该方法采用禁忌搜索算法对静态业务重新疏导，其实施步骤如下：

8a)对禁忌搜索算法中的参数进行初始化，参数包括最大迭代次数、全局最优解和迭代最优解。令仿真系统触发禁忌搜索算法时的网络拓扑状态为初始解x₀，并设定当前解x^now＝x₀，置禁忌表为空。

8b)按照邻域生成规则获取x^now的邻域空间N(x^now)，从N(x^now)中选择未被禁忌的最优解就是本次迭代最优解。

邻域生成规则是：将当前解x^now拓扑上的某一节点对(u，v)间链路上的所有静态业务按照区分能力的Dijkstra方法重新疏导，并更新拓扑形成邻域的一个解。依次疏导其它链路上的静态业务就会构造出x^now的邻域空间N(x^now)。为了减小禁忌搜索算法的时间复杂度，只疏导当前网络拓扑状态上较为拥塞的n条链路上的静态业务，即限制邻域空间N(x^now)的大小为n。

区分能力的Dijkstra方法是链路的权值设置依据链路上的带宽利用率。.如果带宽利用率越大，链路的权值设置越大，从而保证疏导静态业务后形成的拓扑上的链路拥塞程度会较原拓扑降低。

8c)根据网络链路拥塞作为指标判断迭代最优解是否优于x^now：如果迭代最优解是优于x^now，将引起从当前解到迭代最优解变化的被疏导业务链路加入禁忌表中，设其禁忌次数等于h，并将禁忌表中其它链路的禁忌次数减1，同时使用迭代最优解更新全局最优解；如果迭代最优解不优于x^now，将禁忌表中所有链路的禁忌次数减1。

8d)以迭代最优解作为新的x^now。

8e)将禁忌表中禁忌次数等于0的链路解禁，并将迭代次数加1。

8f)判断当前迭代次数是否等于最大迭代次数：如果当前迭代次数等于最大迭代次数，则转步骤8g)；如果当前迭代次数小于最大迭代次数，则转步骤8b)。

8g)全局最优解为最终形成的网络拓扑状态，是触发禁忌算法的动态业务再次重新选路的初始拓扑状态。

为检验本发明提出的三层网络中静动态混合业务资源优化方法，我们采用计算机仿真验证，如图4和图5。

参照图4本发明计算机仿真所设定的条件如下：

1)图4中的第3层链路的最大配置带宽为622Mbit/s，第2层或电路层链路的最大配置带宽为2.5Gbit/s，第1层或光物理层链路的最大配置带宽为10Gbit/s；

2)图4中的第3层网络结点R_i(i＝1，2，...，19)与第2层网络结点A_j(j＝1，2，...，19)相同编号的结点相连接，第2层网络结点A_j(j＝1，2，...，21)与第1层网络结点O_k(k＝1，2，...，21)相同编号的结点相连接，结点A₂₂与结点O₂₄相连接；

3)静态业务连接请求用集合D′＝(s′，d′，b′)表示，其中第三层网络的源、宿结点对(s′，d′)在规定的边缘结点集合中以等概率随机产生，其它各层网络的源、宿结点对在本层节点中等概率随机产生；b′为请求带宽，根据该请求的所在层，在相应的带宽范围内按均匀分布随机产生，单位为Mbit/s。

4)动态业务连接请求用D＝(s，d，b，t，c)表示，其中第三层网络的源、宿结点对(s，d)在规定的边缘结点集合中以等概率随机产生，其它各层网络的源、宿结点对在本层节点中等概率随机产生；b为请求带宽，根据该请求的所在层，在相应的带宽范围内按均匀分布随机产生，单位为Mbit/s；t为业务请求到达时间，业务连接的到达为泊松过程，到达速率服从均值为λ的泊松分布，业务连接的持续时间按照均值为1/μ的指数分布随机产生，单位为秒；c为业务等级，业务等级按预先规定的业务等级比例随机产生，即高等级∶常规等级∶低等级＝0.3∶0.3∶0.4；

5)系统无等待队列，一旦连接请求被拒绝，则立即丢弃；

6)根据网络配置，每次仿真产生100个静态业务和10000个动态业务连接请求，结果数据为仿真运行10次的统计平均值。

图5是本发明的三层网络联合选路与资源优化方法的仿真图。图中所得到的实验数据是在图4所示的网络拓扑下所得。Mode1表示为动态业务选路时仅采用了传统约束最短路径优先算法CSPF；Mode2表示为动态业务选路时仅采用基于蚁群优化的综合路由算法；Mode3表示为动态业务选路时采用蚁群优化的综合路由算法，同时调用层间资源优化方法。Mode4表示为动态业务选路时采用蚁群优化的综合路由算法，同时调用层间资源优化方法和层内资源优化方法。

如图5所示，随着业务强度的增加，Mode2比Mode1有更低的动态业务阻塞率，这是由于本发明的基于蚁群优化的综合路由算法在评价路径质量的好坏时，综合考虑了结点对间关键链路的重要程度、链路带宽利用率和路径的跳数这三者因素，保证了动态业务在网络中的均匀分布，从而降低了动态业务的阻塞率性能。Mode3比Mode2有更低的动态业务阻塞率，这主要是因为本发明采用了层间资源优化方法，增加了三层网络资源分配的灵活性，提高了网络整体性能。Mode4比Mode3有更低的阻塞率，这是因为本发明采用了层内资源优化方法，利用禁忌搜索算法重新疏导静态业务，降低了网络链路的拥塞，使当前混合业务的分布更适合于网络，进一步降低了动态业务的阻塞率。

Claims (4)

1.三层网络中静动态混合业务资源优化方法，包括：

步骤1，输入网络拓扑信息和静态业务；

步骤2，采用请求带宽总量最大者优先路由算法为静态业务选路；

步骤3，判断触发事件的类型：

3a)当触发事件的类型为全局资源优化事件时，调用全局资源优化方法；

3b)当触发事件的类型为离开事件时，进行离开事件处理的操作；

3c)当触发事件的类型为到达事件时，采用基于蚁群优化的选路算法为动态业务选路：计算网络拓扑中关键链路的相对重要程度及初始化蚁群参数，蚂蚁个体依据状态转移概率公式选择下一跳节点并进行局部信息素更新，依据路径质量评价公式对蚂蚁个体选择的路径质量进行评价，在一次迭代完成后进行全局信息素更新；

步骤4，判断动态业务选路是否成功：

4a)若动态业务选路成功，则更新拓扑信息，并转步骤10；

4b)若动态业务选路不成功，则进入步骤5；

步骤5，判断是否为低等级业务：

5a)若是低等级业务，则拒绝该业务；

5b)若不是低等级业务，则进入步骤6；

步骤6，层间资源优化；

步骤7，判断动态业务选路是否成功：

7a)若动态业务选路成功，则更新拓扑信息，并转步骤10；

7b)若动态业务选路不成功，则进入步骤8；

步骤8，采用基于禁忌搜索的层内资源优化方法对静态业务进行重新疏导：对禁忌搜索算法中参数进行初始化，依据邻域生成规则获得当前解的邻域空间，并依据链路拥塞指标评价邻域空间解的质量，选择当前迭代最优解并更新禁忌表；

步骤9，判断动态业务选路是否成功：

9a)若动态业务选路成功，则更新拓扑信息，并转步骤10；

9b)若动态业务选路不成功，则拒绝该业务；

步骤10，判断事件列表是否为空：

10a)若不为空，则转步骤3；

10b)若为空，则仿真结束。

2.根据权利要求1所述的三层网络中静动态混合业务资源优化方法，其特征在于，所述的蚁群优化选路算法中状态转移概率公式为：

$p_{\mathrm{ij}}^k=\left\{\begin{array}{cc}\frac{{\mathrm{\τ}}_{\mathrm{ij}}^{\mathrm{\α}}{\mathrm{\η}}_{\mathrm{ij}}^{\mathrm{\β}}}{\underset{q\⋐{\mathrm{nei}}_i^k}{\mathrm{\Σ}}{\mathrm{\τ}}_{\mathrm{iq}}^{\mathrm{\α}}{\mathrm{\η}}_{\mathrm{iq}}^{\mathrm{\β}}}& j\∈{\mathrm{nei}}_i^k\\ 0& j\∉{\mathrm{nei}}_i^k\end{array}\right.$

其中，

表示第k只蚂蚁从当前结点i选择下一跳结点j的概率；

L为全网中所有可能产生业务的结点对，(s′，d′)∈L\(s，d)是全网中除去当前业务源宿结点对的其它所有产生业务结点对，w_l(s′，d′)表示链路l对节点对(s′，d′)最大流量的关键性的重要程度，R(l)为剩余带宽利用率，N为网络节点的数目；

表示蚂蚁k下一步允许选择的城市，q表示当前结点i的邻接结点集合

中的结点；η_ij是链路(i，j)的能见度信息；τ_ij是链路(i，j)的信息素水平，α为信息启发式因子，β为期望启发式因子。

3.根据权利要求1所述的三层网络中静动态混合业务资源优化方法，其特征在于，所述的蚁群优化选路算法中路径质量评价公式为：

$\mathrm{\θ}={\mathrm{\λ}}_0{e}^{R^{\min }-1}+{\mathrm{\λ}}_1{e}^{-\mathrm{\δ}*\underset{l\∈p}{\mathrm{\Σ}}g\left(l\right)}+{\mathrm{\λ}}_2{e}^{-\mathrm{\σ}(\mathrm{hop}-{\mathrm{hop}}_{\min })}$

其中，θ表示路径质量评价参数，λ₀+λ₁+λ₂＝1，三者均为比例因子，体现路径的拥塞程度，R^min为待评价路径上所经链路剩余带宽利用率最小者；

为路径所经链路关键性的重要程度，p为选路所得路径，δ为控制参数，用来平衡蚂蚁所经过单独每条链路产生的影响在整条路径中所占的比重；g(l)为链路l对其余所有产生业务的节点对间最大流量影响的重要程度，其表达式为

w_l(s′，d′)表示链路l对节点对(s′，d′)最大流量的关键性的重要程度，(s′，d′)∈L\(s，d)是全网中除去当前业务源宿结点对的其它所有产生业务结点对；

是路径跳数对路径质量的贡献因子，σ为控制参数，用来控制蚂蚁所经链路跳数对θ的影响，hop_min为源到宿的最短路径上的跳数，hop为蚂蚁搜寻所得路径的跳数。

4.根据权利要求1所述的三层网络中静动态混合业务资源优化方法，其特征在于，所述的邻域生成规则是：将当前解对应的拓扑上某一节点对间链路上的所有静态业务，按照区分能力的Dijkstra方法重新疏导，并更新拓扑形成邻域的一个解；依次疏导其它链路上的静态业务就会构造出当前解的邻域空间；疏导当前网络拓扑状态上较为拥塞的n条链路上的静态业务。

Images