CN102196325B - 基于蚁群系统的光网络动态路由波长分配方法 - Google Patents

Abstract

本发明公开了一种基于蚁群系统的光网络路由波长分配方法。本发明将蚁群系统引入光网络的动态路由波长分配中，并充分考虑波长分配和网络均衡问题，在蚁群算法的转移概率中引入链路的空闲率作为约束条件，避免过多业务选择同一链路，从而可有效降低整个光网络的平均阻塞率；进一步通过引入非智能蚂蚁，满足了RWA要求的实时性，并可防止搜索过早收敛于局部最优路径。

Description

基于蚁群系统的光网络动态路由波长分配方法

技术领域

本发明涉及一种光网络动态路由波长分配方法，尤其涉及一种基于蚁群系统的光网络动态路由波长分配方法，属于光通信、优化算法领域。

背景技术

光网络是由网络结点和连接结点的多波长光纤链路构成，承载业务的多个不同波长在同一根光纤中传输。当客户层业务到达时，光网络需要为每个业务计算路由和分配波长，并建立光通道传送业务，因此，路由与波长分配(RWA)问题是光网络中最关键的技术之一。

RWA问题的核心是业务请求到达光网络时，如何根据网络的拓扑结构和当前的业务负荷计算并选择一条从业务源结点到目的结点的路由，并为路由所经过的链路分配可用波长。由于实际的光网络拓扑结构复杂，业务负荷变化很大，同时每条链路上可用波长总数有限，因此RWA问题的解决较为困难。通常，解决RWA问题可以分解为路由子问题和波长分配子问题。路由子问题求解的计算量随着网络规模的增大以指数方式增加，而波长分配子问题则受到波长一致性约束的限制，因此，RWA问题的求解当网络规模较大时是非常困难的，实际中一般采取以下步骤实现：

(1)按照某种优化目标，寻找从源结点到目的结点的路由；

(2)在满足一定优化性能的情况下为这些路由分配波长；

(3)上述两个过程有时需要反复进行(多次迭代)，直至获得最优的网络配置。

RWA可以分为静态RWA和动态RWA两种类型。其中，动态RWA比静态RWA波长利用率高，且具有更大的灵活性。由于网络资源的有限性(可用波长总数受限)，光网络不可能对所有的业务请求都能及时、准确地提供所需的路由和波长，因此必然会存在业务需求无法满足的情况，即业务阻塞的问题。在动态的RWA问题中，平均阻塞率最小化就是算法的优化目标。

路由选路策略是指在业务到达时为它选择一条优化的物理路由的方法，主要有三种机制：固定路由、固定的备用路由和自适应的备用路由。其中，自适应的备用路由选路策略是在业务没有到来之前，通过Dijkstra算法找到多条路由供业务选择。由于自适应的备用路由选路策略是根据网络的实时状态动态地选择路由，所以相对前两种方法而言阻塞率较低。

波长分配方法主要包括：随机分配、最少使用分配、最多使用分配、首次命中、最小乘积、全局最大总和、最小影响、相对最小影响和波长预留算法等。两种目前应用较多的算法分别是：第一种是用Dijkstra算法先找路由，再用首次命中(First-Fit：FF)波长分配方法为这条路由分配波长的RWA算法(Dijkstra+FF)；另一种是考虑到波长分层的RWA算法(分层图+Dijkstra)。

分层图算法是针对RWA问题提出的新的数学模型，资源优化效果较好，仿真结果表明该方法比把选路和波长分配分开解决的方法阻塞率要低[Chien Chen and SubrataBanerjee.A New Model for Optimal Routing and Wavelength Assignment in WavelengthDivision Multiplexed Optical Networks[C].INFOCOM96，1996：164-171]。但该方法的缺点是在解决大型网络问题时耗费时间较长[Shizhong Xu，Lemin Li，and Sheng Wang.Dynamic Routing and Assignment of Wavelength Algorithms in Multifiber WavelengthDivision Multiplexing Network[J]IEEE JOURNAL ON SELECTED AREAS INCOMMUNICATIONS，2000，18(10)：2130-2137]。

蚁群算法(ACO)[M.Dorigo，Optimization，Learning and Natural Algorithms.Ph.D.Thesis，Politecnico di Milano，Italy，[in Italian]，1992]是一种源自生物世界的仿生算法。定义S为蚁群系统中蚂蚁个体所要寻找的结点集合，S＝{s|1，2，...，n}；A为蚂蚁群体，m为蚁群算法中全体蚂蚁的数量，A＝{a|1，2，...，m}；d_ij为结点i，j之间的距离，其中i，j∈S；b_i(t)表示在t时刻位于结点i的蚂蚁个数，则m＝∑b_i(t)；τ_ij(t)表示在t时刻路径i，j连线上残留的信息量。初始时刻各条路径上的信息量相等，即τ_ij(0)＝c(c为常数)。蚂蚁群体中蚂蚁k(k＝1，2，...，m)在运动过程中，根据各条路径上的信息量决定转移的方向，用P_ij ^k(t)表示在t时刻蚂蚁k由结点i转移到结点j的概率

$P_{\mathrm{ij}}^k\left(t\right)=\left\{\begin{array}{cc}\frac{{\mathrm{\τ}}_{\mathrm{ij}}^{\mathrm{\α}}\left(t\right){\mathrm{\η}}_{\mathrm{ij}}^{\mathrm{\β}}\left(t\right)}{\underset{s\∈A_k}{\mathrm{\Σ}}{\mathrm{\τ}}_{\mathrm{is}}^{\mathrm{\α}}\left(t\right){\mathrm{\η}}_{\mathrm{is}}^{\mathrm{\β}}\left(t\right)}& j\∈A_k\\ 0& \mathrm{otherwise}\end{array}\right.---\left(1\right)$

其中，A_k＝{0，1，…，n-1}-tabu_k，表示蚂蚁k下一步允许选择的结点集合。与真实蚁群系统不同，人工蚁群系统具有一定的记忆功能，这里用tabu_k(k＝1，2，…，m)记录蚂蚁k目前已经走过的结点集合。α，β分别表示蚂蚁在运动过程中所积累的信息和启发式因子对蚂蚁选择路径的影响；η_ij(t)为启发函数，其表达式如下

$h_{\mathrm{ij}}\left(t\right)=\frac{1}{d_{\mathrm{ij}}}---\left(2\right)$

式中，d_ij表示相邻两个结点之间的距离。显然，该启发函数表示蚂蚁从元素(结点)i转移到元素(结点)j的期望程度。

随着时间的推移，以前留下的信息素逐渐消逝，用参数1-ρ表示信息素消逝程度，经过n个时刻，蚁群系统中的所有蚂蚁完成一次循环，各路径上信息素根据下式进行调整：

τ_ij(t+1)＝ρ·τ_ij(t)+Δτ_ij(t，t+1)                      (3)

$\mathrm{\Δ}{\mathrm{\τ}}_{\mathrm{ij}}(t,t+1)=\underset{k=1}{\overset{m}{\mathrm{\Σ}}}\mathrm{\Δ}{\mathrm{\τ}}_{\mathrm{ij}}^k(t,t+1)---\left(4\right)$

其中，Δτ_ij(t，t+1)表示第k只蚂蚁在时刻(t，t+1)留在路径(i，j)上的信息素量。

在蚁群算法的基础上，Dorigo和Gamberdella提出了蚁群系统(Ant Colony System，ACS)用于改善蚂蚁算法的性能[Marco Dorigo，Luca Maria Gambardella.Ant ColonySystem：A Cooperative Learning Approach to theTraveling Salesman Problem[J]IEEETransactions on Evolutionary Computation，1997，1(1)：532-556]，主要的改进包括：

ACS转移规则：一只位于结点r的蚂蚁通过(5)给出的规则选择下一个将要移动到的结点s。

其中，q是在[0，1]区间均匀分布的随机数，q₀是一个参数(0≤q₀≤1)，S为根据式(1)给出的概率分布所选出的一个随机变量。

ACS全局更新规则：全局更新在所有蚂蚁都完成它们的路径之后执行，应用式(6)对所建立的路径更行

τ_rs(t+1)＝(1-α₁)·τ_rs(t)+α₁·Δτ_rs(t，t+1)            (6)

其中，α₁为信息素挥发参数，0＜α₁＜1；L_gb为到目前为止找出的全局最优路径。ACS局部更新规则：蚂蚁用式(8)的局部更新规则对它们所经历的路径进行信息素更新

τ_rs(t+1)＝(1-ρ)·τ_rs(t)+ρ·Δτ_rs(t，t+1)          (8)

其中，ρ为一个参数，0＜ρ＜1。

传统蚁群算法中，由于从结点i选择下一个结点j是按概率式进行搜索，转移概率越大的结点，被选中的概率也越大，因此用传统蚁群算法解决RWA问题时因没有考虑波长分配和网络均衡问题易出现大量的业务选择相同的路径，从而产生链路拥塞。因此若用蚁群算法解决RWA问题，需要针对传统蚁群算法进行改进，把波长分配和网络均衡考虑进来作为约束。

发明内容

本发明所要解决的技术问题在于克服将蚁群算法解决RWA问题时，由于未考虑波长分配和网络均衡问题而产生的链路拥塞，提供一种基于蚁群系统的光网络动态路由波长分配方法。

本发明的思路是在蚁群算法的转移概率中引入链路的空闲率作为约束的新方法，把路由和波长分配的任务由每只蚂蚁同时负责完成，即在每个结点上，蚂蚁首先进行波长分配的判断，然后再进行路径上的选择，这样可以将路由和波长分配统一起来。当蚂蚁到达目标结点后自杀，无需采用ANTNET中采取的返回策略[G.Di Caro and M.Dorigo.AntNet：Distributed Stigmergetic Control for Communications Networks.Journal ofArtificial Intelligence Research，9，1998：317--365]，这样可以减少搜索时间，若蚂蚁在选路过程中无下一个结点可选也自杀。由于RWA是在源结点和目标结点之间建立一条可用的光路，故初始化时把蚂蚁随机的放置在源结点和目标结点。传统的蚁群算法中信息素τ_ij(t)表示t时刻结点i和结点j之间链路L_ij上的信息量，由于RWA问题涉及波长选择，本发明提出的改进蚁群算法信息素记为τ_ijw(t)，表示t时刻结点i和结点j之间链路L_ij上w波长的信息素量。本发明是在蚁群系统(ACS)基础上进行改进，具体而言，本发明采取以下技术方案：

一种基于蚁群系统的光网络动态路由波长分配方法，利用蚁群系统进行路由和波长的选择，其中转移概率

中加入了链路的空闲率作为约束，转移概率

的公式表述如下：

$P_{\mathrm{ij}}^k\left(t\right)=\left\{\begin{array}{cc}\frac{\{{\mathrm{\τ}}_{\mathrm{ijw}}^{\mathrm{\α}}\left(t\right){\mathrm{\η}}_{\mathrm{ij}}^{\mathrm{\β}}\left(t\right)+e^{I_{\mathrm{ijw}}\left(t\right)-1}\}\·I_{\mathrm{ijw}}\left(t\right)}{\underset{s\∈A_k}{\mathrm{\Σ}}\{{\mathrm{\τ}}_{\mathrm{isw}}^{\mathrm{\α}}\left(t\right){\mathrm{\η}}_{\mathrm{is}}^{\mathrm{\β}}\left(t\right)+e^{I_{\mathrm{isw}}\left(t\right)-1}\}\·I_{\mathrm{isw}}\left(t\right)}& \text{j\∈}{A}_k\\ 0& \mathrm{otherwise}\end{array}\right.---\left(9\right)$

式中，I_ijw(t)为t时刻结点i和结点j之间的w波长的空闲率，其表达式为

n_ijw(t)表示t时刻结点i和结点j之间波长为w的波长中已经使用的波长数，N_ijw(t)表示t时刻结点i和结点j之间总的w波长数；表示在t时刻蚂蚁k由结点i转移到结点j的概率；τ_ijw(t)表示t时刻链路L_ij上w波长的信息素量；A_k＝{0，1，L，n-1}-tabu_k，表示蚂蚁k下一步允许选择的结点集合，tabu_k(k＝1，2，...，m)表示蚂蚁k目前已经走过的结点集合，n为网络中的结点数量，m为蚁群中的蚂蚁数量；α，β分别表示蚂蚁在运动过程中所积累的信息和启发式因子在蚂蚁选择路径中所起的不同作用；η_ij(t)为链路L_ij上的能见度，反映由结点i转移到结点j的启发程度。

蚁群算法解决RWA问题的目标是找出两结点之间全局最优路径和波长。在光网络中动态的RWA要求实时性高，从而不能进行很多次的迭代，同时为了防止搜索过早收敛于局部最优路径，本发明又引入非智能蚂蚁，非智能蚂蚁在选路时，在可选的结点A_k中随机选择下一个结点；引入p₀参数，当p≤p₀，此蚂蚁为非智能蚂蚁，其中，p是在[0，1]区间均匀分布的随机数。由此得到本发明的进一步改进方案如下：按照如下状态转移规则选择下一个将要移动到的结点s：

其中，p和q是在[0，1]区间均匀分布的随机数，p₀和q₀分别为一个在[0，1]区间的参数，S为根据式(9)的转移概率

分布所选的一个随机变量。

本发明将改进的蚁群算法(ACS，蚁群系统)引入光网络的动态路由波长分配中，并充分考虑波长分配和网络均衡问题，在蚁群算法的转移概率中引入链路的空闲率作为约束条件，从而解决了链路拥塞；进一步通过引入非智能蚂蚁，满足了RWA要求的实时性，并可防止搜索过早收敛于局部最优路径。

附图说明

图1为本发明的光网络动态路由波长分配方法的流程图。

具体实施方式

下面结合附图对本发明的技术方案进行详细说明：

把路由和波长分配的任务由每只蚂蚁同时负责完成，即在每1个结点上，蚂蚁首先进行波长分配的判断，然后再进行路径上的选择。其具体实现过程如图1所示，包括以下步骤：

Step1：网络初始化；

Step2：判断是否有业务到达，若有，跳转Step3，若否，继续等待；

Step3：将所有的蚂蚁均匀随机的放置于源结点和目的结点上，初始化蚂蚁，并随机选择一个波长；

Step4：寻找下一个结点。每只蚂蚁用式(10)来建立下一个结点的解决方案，并用式(8)来进行局部信息数更新，如果没有下一个结点可选，则自杀(即此蚂蚁退出本次循环)；

Step5：判断是否所有的蚂蚁(除去自杀的)都建立了完整的解决方案(即源结点和目的结点间的路路和波长)，若是，跳转Step6，若否，跳转Step4；

Step6：应用式(7)进行全局信息素更新；

Step7：判断是否满足终止条件，若是，跳转Step8，若否，跳转Step3；

Step8：判断是否有最优路径，若有，跳转Step9，若否，业务阻塞，跳转Step2；

Step9：建立光路。

Claims (1)

1.一种基于蚁群系统的光网络动态路由波长分配方法，其特征在于，利用蚁群系统进行路由和波长的选择，其中转移概率中加入了链路的空闲率作为约束，转移概率

的公式表述如下：

式中，I_ijw(t)为t时刻结点i和结点j之间的w波长的空闲率，其表达式为

n_ijw(t)表示t时刻结点i和结点j之间波长为w的波长中已经使用的波长数，N_ijw(t)表示t时刻结点i和结点j之间总的w波长数；

表示在t时刻蚂蚁k由结点i转移到结点j的概率；τ_ijw(t)表示t时刻链路L_ij上w波长的信息素量；A_k={0,1,…,n-1}-tabu_k，表示蚂蚁k下一步允许选择的结点集合，tabu_k(k=1，2，…，m)表示蚂蚁k目前己经走过的结点集合，n为网络中的结点数量，m为蚁群中的蚂蚁数量；α，β分别表示蚂蚁在运动过程中所积累的信息和启发式因子在蚂蚁选择路径中所起的不同作用；η_ij(t)为链路L_ij上的能见度，反映由结点i转移到结点j的启发程度；

按照如下状态转移规则选择下一个将要移动到的结点s：

其中，p和q是在[0，1]区间均匀分布的随机数，p₀和q₀分别为一个在[0，1]区间的参数，S为根据式（9）的转移概率

分布所选的一个随机变量。