CN103384354A - 一种无源光网络光分配网的优化设计方法 - Google Patents

Abstract

一种无源光网络光分配网的优化设计方法，属于接入网优化领域。光分配网优化设计描述为：已知光网络单元（ONU）与光线路终端（OLT）的位置，从可用光分路器（Splitter）中选择若干Splitter，形成光分配网拓扑，使光分配网目标造价最小。该方法大致步骤为：设定Splitter编号为1～N，ONU编号为1～M，设置种群规模为S，初始ONU随机选择Splitter接入，进行字节编码，并计算适应度函数，保留最优种群，再随机选择若干种群进行交叉、变异，产生下一代种群。重复以上操作，直至满足迭代终止条件。最优种群即为光分配网最优连接方案。本算法最大的特点是在遗传算法基础上，结合实际地理信息解决光分配网拓扑设计中的NP问题，算法搜索效率高，计算得出结果更具实际参考意义。

Description

一种无源光网络光分配网的优化设计方法

技术领域

本发明涉及无源光网络与网络优化两大领域，特别涉及一种无源光网络光分配网的优化设计方法。 

背景技术

随着新的业务应用不断出现，例如高清视频、游戏上网等，互联网的使用量在过去十年发生了巨大的增长。这促使引发了关于未来接入网优化的激烈讨论。然而接入网演进不仅仅是接入问题，更多的是关于整个网络规划成本的优化问题。 

随着互联网用户和业务的快速增长，对接入网带宽需求成倍提高，使得PON(Passive Optical Network，无源光网络)开始出现更高分光比和更多ONU(Optical Network Unit，光节点)数量的发展趋势。传统的一级分光PON网络中的分光器分光比虽然在不断提高，但是仍然无法满足快速增长的用户需求，因此，应多考虑多级分光问题。目前多采用二级分光；另一方面，高分光比的成本较高，而且一旦出现故障会导致所有ONU的通信中断。若将若干个ONU级联以形成多级分光PON网络，不仅可以实现大量用户接入，同时也利于网络扩容与维护。 

通信网络的优化，一般是在满足某种约束条件（如链路带宽的约束、网络时延的约束、可靠性的约束等）的前提下优化网络的建设成本。大规模通信网络的优化可以看作是选择网络节点、链路以及链路带宽的组合优化问题。这是一类不能用任何己知多项式算法求解的问题，通常称为组合优化中的NP-Complete问题（NP完全问题）。当网络规模扩大时，问题的求解空间指数型增长。传统的解决方案是使用D算法、P算法、F算法、K均值算法以及用线性规划、动态规划等理论进行优化。但通常会遇到一些障碍，包括： 

1、“组合爆炸”：问题太复杂，需要搜索的空间太大，尽管计算机的运行速度越来越快但仍赶不上需求的增长； 

2、容易陷入“脏解”：即运算过程往好的方面走，当出现局部最优解时，算法收敛至此，无法达到全局最优解； 

3、算法无法收敛：搜索过程无法向一个收敛方向靠扰，或收敛甚慢，有些解甚至不能保证收敛性。 

以上三个问题使得传统的解决方法面临困境。但是，遗传算法由于其优越性能很好解决又上问题。 

遗传算法起源于达尔文的适者生存理论，是一种并行搜索算法，它通过选择、杂交和变异等操作，模拟自然界进化过程寻找全局最优解。遗传算法己经成功运用于一些大规模问题的求解。它的特点是对问题的描述形式要求不高，对相关的问题具有较好的鲁棒性。因此，运用遗传算法对网络优化己成为通信网络优化领域的一种新工具。无源光网络光分配网优化 设计的目标是确定一个ODN(Optical Distribution Network,光分配网)拓扑结构，即ONU、Splitter、OLT(Optical Line Terminal,光线路终端)连接方案，使得整个目标网络成最小化。有效的优化方案能很大程度地减少光纤铺设费用，降低网络成本。 

近年来国内外许多学者对遗传优化作了大量的研究工作,取得了很大的进展,在实际应用中取得了很大成功,如今它已成功地应用于预测和分类、图像和信号处理以及数据挖掘等许多领域内的不同的问题。 

发明内容

(要解决的技术问题)

针对现有技术的缺点，本发明为了解决现有技术中资源优化因规模大、约束条件严苛无法顾全全局的问题，在遗传算法基础上，提供了一种多级分光的无源光网络光分配网的优化设计方法。 

（技术方案）

本发明将遗传算法用于多级分光无源光网络光分配网的优化设计中。 

在下文中提到的符号说明如下： 

N：PON网络中待优化的ONU数目； 

M：可供优化选择的Splitter数目; 

O_dis：PON网络中ONU的最大差分距离； 

T_dis：PON网络中OLT与ONU的最大传输距离限制； 

Max_ONU[i]：第i个Splitter可供接入的最大ONU数目限制，其中1≤i≤M,i∈N； 

σ_ij：表示ONU_i通过Splitter_j接入OLT，其中1≤i≤M,1≤j≤N,i∈N⁺,j∈N⁺； 

X_ij：表示第i个ONU与第j个Splitter接入通信费用； 

Y_jo：表示第j个Splitter与中心OLT接入通信费用； 

S：表示种群规模大小，即种群内染色体数目； 

P_j：表示交叉概率； 

P_c：表示变异概率； 

Cur_Iter：表示当前迭代次数； 

Max_Iter：表示最大迭代次数； 

NO：最优解未变化迭代终止最大次数； 

NC：表示最优解未发生变化的连续次数； 

该方法的具体步骤如下： 

（1）问题的生成。在一个待优化小区初始设置OLT与ONU地理位置，并给出可用Splitter集合。 

（2）初始化参数与初始种群，初始化设置种群规模、交叉概率、变异概率、种群迭代次数、约束限制参数。由于光分配网满足唯一性原则：即每个ONU最多接入一个Splitter，分组迭代方法产生第一代种群。 

（3）计算群体中每条染色体的适应值。适应度函数为： 

  式2-1 

$R\left(G\right)=\frac{c\left(n\right)}{\underset{n=1}{\overset{S}{\mathrm{\Σ}}}c\left(n\right)}$   式2-2 

$c\left(n\right)=\frac{1}{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{M}{\mathrm{\Σ}}}(X_{\mathrm{ij}}+Y_{\mathrm{jo}}){\mathrm{\σ}}_{\mathrm{ij}}}$   式2-3 

$P\left(G\right)=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{E}_i+\underset{j=1}{\overset{M}{\mathrm{\Σ}}}{P}_{\mathrm{jo}}$   式2-4 

其中c(n)表示第t代种群，第n条染色体总费用值倒数，σ_ij表示第i个ONU接入第j个Splitter的指示函数，如果接入，则取值为1，否则取值为0。X_ij表示ONU(i)与Splitter(j)之间的费用，Y_jo表示Splitter(j)与中心OLT之间的费用（包括初级Splitter在内），适应度函数取第n条染色体费用与种群总费用的比值，能有效防止限入局部最优解情况。 

λ为体现惩罚力度大小的罚因子，P(G)为染色体G不满足PON网络约束条件时带来的惩罚，分为两部分：第一部分包括分光器超出分光比数量之和，超过数量定义为E_i；第二部分包括超出最大传输距离T_dis部分。定义P_jo为每个ONU至OLT传输距离与最大传输距离T_dis之差。 

（4）根据适应值保留最优解，被称为“精英主义法则”，为了防止进化过程中产生的最优解被交叉和变异所破坏，可以将每一代中的最优解原封不动的复制到下一代中。 

（5）根据比例选择算法（轮盘赌）选择若干染色体对进行交叉，此时采用“两代交叉”法，即：若第一次交叉以后，如果交叉结果不满足Splitter过载条件或者网络拓扑不满足最大差分距离与最大传输距离的限制，则抛弃此次交叉结果，在原基础上重新进行交叉，第二次交叉结果无论满足与否都认为此次交叉成功，将结果输出至下一代种群。 

（6）根据单点变异原则随机选择若干染色进行变异，变异主要分为ONU变异与次级Splitter变异，ONU变异采用单点变异，即选择单点ONU进行重新连接次级Splitter。Splitter变异主要是次级Splitter连接至初级Splitter的选择变异，从ONU连接后剩余Splitter集中选择一个 Splitter作为初级Splitter。在变异过程中同样采用类似（5）中“两代变异”法，将最终变异结果输出至下一代种群。 

（7）判断是否满足迭代终止条件，若满足，则输出整个拓扑，若不满足则返回到步骤（3），进行下一次迭代。 

本发明在使用遗传算法进行多级分光无源光网络光分配网优化设计的时候，染色体编码方式采用ONU接入次级Splitter的序号以及次级Splitter接入初级Splitter序号进行编码，将其编码成字节串形式，例如染色体编码就是一个N+1位长的数字串。在对某个ONU进行编码时，如果选择第2个Splitter接入，则相应编码字节b（值为2），次级Splitter选择第3个Splitter作为初级Splitter接入，则“1”可用数字3编码。通过这种编码方式，个体编码与现实网络接入结构直观对应起来，容易解码的同时算法也简单。 

在进行选择的时候采用“轮盘赌”算法。也就是选择染色体i的概率与染色体的适应值成正比。适应值较高（费用较低）的染色体有更大的可能性被选中，并可能在下一代重复出现。而适应值较低的染色体则很可能不被选择。 

在进行交叉、变异的时候，需在一定的约束条件下执行。 

a．满足ONU_Max[i]过载条件限制，如果交叉、变异以后，Splitter超出最大接入ONU数量，则此次操作失败，需再尝试一次，如果两次都失败，则将结果交给下一代，由下一代惩罚因子去体现对其适应值的影响； 

b．满足最大差分距离与最大传输距离限制，同理，如果操作导致不满足限制条件，则此次操作也失效，需再尝试一次；只有通过这样生成的新的种群才满足光分配网基本约束条件。 

在进行迭代终止条件判断时，需满足两个条件中至少一个。 

1、Cur_Iter>Max_Iter：即当前迭代次数已经超过设定最大迭代条件，如果最大迭代条件设置合理，则说明无法找到全局最优解，优化失败； 

2、NC＝NO：说明最优值未变化次数已经达到初始设定最大次数，表示最优解已经趋于稳定解。找到全局最优解。 

（有益效果） 

本发明提出一种基于遗传算法的多级分光无源光网络光分配网的优化设计方法，可在满足分光比及传输距离限制等条件下，结合实际地理信息进行优化拓扑设计，并以较小的计算复杂度高效地优化，使得光分配网造价最小。本发明回避了现有技术中采用贪婪算法的缺陷，能更加逼近穷尽搜索的最优解；本发明中采用的遗传算法有着远远低于穷尽搜索的计算复杂度；最后该算法计算节点之间距离时，都基于实际地理信息系统进行计算，因此对实际光分 配网部署都具有参考意义。最后，基于遗传算法有着较高的鲁棒性，非常适合在实际系统中取得应用，因此有着较好的前景。 

附图说明

图1遗传算法的光分配网拓扑设计流程图 

图2分组迭代法产生初始种群流程图 

图3遗传算法对多级分光无源光网络光分配网的优化设计流程图。 

具体实施方式

以下结合附图进一步对发明的方法进行描述 

附图1为本发明的大致流程图。本发明提出的网络优化方法主要包括种群初始化，选择、交叉、变异，输出最优拓扑几部分。 

附图3为基于遗传算法的多级分光无源光网络分配网的优化方法的详细流程图，具体流程如下描述。 

步骤11：初始化网络：初始化设置待优化各节点地理位置，为方便描述，本发明中默认采用单独OLT节点，同时设置每个可供参考的Splitter最大可接入ONU数目，设置为数组Max_ONU，将ONU与Splitter随机进行顺序编号，ONU数量为N，Splitter数量为M，种群规模S，设置最大迭代次数Max_Iter，交叉概率P_j，变异概率P_c，最优解连续未发生变化最大次数NO，并初始化其它参数。 

步骤12：根据输入的规划节点，由实际地理信息系统给出两两之间最短距离数组X，Y。X代表ONU与Splitter之间距离，Y代表被选中的Splitter与中心机房之间的距离。这样由实际地理信息系统给出的最佳距离，如果再考虑房屋建筑、人为因素、自然条件等方面，优化结果可用于实际规划中。 

步骤13：分组迭代法产生初始种群，并对染色体进行编码，生成编码字符串，具体分组迭代流程见附图2。步骤S1～S7是对分组迭代产生初始种群方法的具体说明： 

步骤S1：根据种群规模大小S进行分组，确保每组大小M(M>2)，总共N组; 

步骤S2：分别对N组进行分组迭代方法产生组内初始种群。设置当前组内种群大小m=0; 

步骤S3：随机产生两个个体，计算其平均适应度，作为此时本组个体的平均适应值S_ave; 

步骤S4：随机产生一个新个体，并计算其适应值S_temp; 

步骤S5：比较新产生个体的平均适应值S_temp与组内平均适应值S_ave的大小。 

步骤S6：新产生个体的平均适应值大于等于组内平均适应值S_ave，个体被保留，重新计算新的组内平均适应值S_ave,组内种群大小m=m+1; 

步骤S7：比较当前组内个体大小m与M值，如果m大于等于M，则组内产生种群完成，否则跳转至S4; 

步骤14：判断S条染色体是否满足接入网约束条件，约束条件包括：最大传输距离T_dis、 最大差分距离O_dis、Splitter可接入ONU数量限制。如果不满足约束，需重新选择其它符合约束条件的染色体。 

步骤15：判断是否已经达到算法迭代终止条件，如果不满足条件则继续下一次迭代，否则算法终止。两种情况可导致算法终止：1、当前迭代次数己达到指定最大迭代次数Cur_Iter=Max_Iter；2、最优解连续未发生变化的次数己达到最大规定次数NC=NO，表明最优解已经趋于稳定，找到全局最优解，算法提前结束。 

步骤16：计算当前种群内染色体适应值Fit(G)，对Fit(G)进行排序，根据“精英主义原则”选择最大适应值染色体，直接保留至下一代种群。这样最优染色体发生变化机率最小。 

步骤17：利用“轮盘赌”算法，也称比例算法从种群中选择出S*P_j/2对染色体进行交叉。例如下面的两条父染色体，设定交叉位发生在第5号基因位，则交叉过程如下： 

交叉后的结果为： 

步骤18：判断交叉结果是否满足约束条件。 

1、判断是否满足最大ONU接入数量限制，例如由步骤17生成的染色体2，SplitterControl(t,2)=02114111，判断是否满足Max_ONU接入限制。 

2、max{X_ij+Y_jo}＜T_dis,1≤i≤N,1≤j≤M，满足最大传输距离限制。 

3、(max{X_ij+Y_jo}-min{X_ij+Y_jo})＜O_dis,1≤i≤N,1≤j≤M，满足最大差分距离限制。 

步骤19：从当前种群中选择S*P_c条染色体进行变异操作。详细步骤为：从染色体中随机选择一个基因为变异点M_i，变异点之前的基因保持不变，变异点之后的基因从连接的基因随机选择，直至满足约束条件为止。例如上例中的GENE（t,n）=47556851365，如果对第五个基因进行随机变异如下： 

变异后为： 

由下一步步骤20判断是否满足约束条件，如果不满足继续选择后一位基因进行变异； 

步骤20：同步骤18； 

步骤21：判断当前最优解与上一代种群保留最优解是否发生变化。 

步骤22：最优解未发生变化，则连续未发生变化代数加1，NC=NC+1; 

步骤23：最优解发生变化，重置连续未发生变化次数NC=1； 

步骤24：根据最优解确定ONU连接至次级Splitter，次级Splitter连接初级Splitter以及 初级Splitter连接至中心OLT方案。输出整个拓扑。 

Claims (6)

1.一种无源光网络光分配网的优化设计方法，应用于无源光网络资源优化设计中。基于遗传算法，其特征在于：其包括以下步骤： 

S1,问题描述，在一个待规划小区中己知光线路终端、光网络单元以及可用分光器集合地理位置，最终目标为从可用分路器集合中选择若干分路器，形成光分配网拓扑，使得光分配网造价最小； 

S2,根据遗传算法要求，初始化参数与初始种群，初始化设置种群规模、交叉概率、变异概率、种群最大迭代次数。采用分组迭代方法生成初始种群； 

S3,根据染色体编码计算当前群体中包括精英种群在内的每条染色体的适应度值，适应度函数为： 

其中R(G)为染色体G对应的适应度值，当G为不可行解时，引进惩罚力度大小因子λ；P(G)为染色体G不满足无源光网络优化约束条件时带来的惩罚； 

S4,根据适应值大小选择精英种群直接保留至下一代； 

S5,根据比例选择-轮盘赌算法选择若干染色体对在满足分路器过载条件下进行交叉、变异，结果输出到下代种群； 

S6,判断是否满足迭代终止条件，若满足，则输出整个拓扑，若不满足则返回到步骤S3，进入下一次迭代。 

2.根据权利要求1中步骤S2所述的分组迭代方法生成初始种群，其特征是：传统的随机生成的初始种群算法收敛缓慢，该方法采用一种分组迭代方法生成初始种群，根据初始种群规模进行适当分组，确定每组个体的数据M(M>2)，按组生成初始群体，其产生过程是一个组平均适应度逐步提高的过程。 

3.根据权利要求1中所述的无源光网络光分配网，其特征是：此专利中采用二级分光进行设计，包括依次连接的主干光纤、初级分光器、初级支路光络、次级分光器和次级支路光纤。 

4.根据权利要求1步骤S5中所述的分路器过载条件，其特征是：每个分路器都初始设置其最大可接入光网络单元上限数目，通常为分光比减去当前己接入光网络单元数量，若连续两次交叉或变异后不满足此上限，则设置该染色体为不可行解，并计算不满足约束条件带来的惩罚值；若至少有一次交叉或变异满足此上限，则设置该染色体为可行解。 

5.根据权利要求1步骤S6中所述的迭代终止条件，其特征是：满足以下两个条件中任意一项即可，（1）迭代次数己达到初始设置的种群最大迭代次数，（2）精英种群已经连续若干代没有变化，即已经趋于平稳。 

6.基于权利要求1中步骤S3中所述的染色体编码，其特征是：染色体以字节串形式编码， 字节长度小于等于光网络单元总数+1，如以下字节串： 

分光器集合为{M}，其中L1表示光网络单元分别接入的次级分光器的编号字符节集合{M1}，该字符串长度为光网络单元的数量，其中每个字节符b_i取值范围为BYTE(0～255)，表示光网络单元接入次级分光器的编号，L2表示初级分光器的编号，可取值集合为{M-M1}。 

Images