CN104299053A - 基于遗传算法配用电通信网最优路径选择的方法 - Google Patents
基于遗传算法配用电通信网最优路径选择的方法 Download PDFInfo
- Publication number
- CN104299053A CN104299053A CN201410540013.8A CN201410540013A CN104299053A CN 104299053 A CN104299053 A CN 104299053A CN 201410540013 A CN201410540013 A CN 201410540013A CN 104299053 A CN104299053 A CN 104299053A
- Authority
- CN
- China
- Prior art keywords
- population
- individual
- network node
- network
- represent
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 18
- 230000002068 genetic effect Effects 0.000 title claims abstract description 16
- 238000004891 communication Methods 0.000 title abstract description 5
- 230000035772 mutation Effects 0.000 claims abstract description 26
- 239000000835 fiber Substances 0.000 claims description 11
- 238000010187 selection method Methods 0.000 claims description 10
- 239000013307 optical fiber Substances 0.000 claims description 9
- 210000000349 chromosome Anatomy 0.000 claims description 7
- 230000005611 electricity Effects 0.000 claims description 6
- 230000008649 adaptation response Effects 0.000 claims description 3
- 238000005316 response function Methods 0.000 claims description 3
- 230000013011 mating Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 3
- 230000001143 conditioned effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000009394 selective breeding Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Genetics & Genomics (AREA)
- Primary Health Care (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Telephonic Communication Services (AREA)
Abstract
本发明公开了一种基于遗传算法的配用电电信网最优路径选择的方法,其特征是按如下步骤进行:1建立单向拓扑网络;2采用二进制编码初始化种群;3设定迭代次数;4选择运算;5交叉运算;6变异运算;7判断;8输出最优路径。本发明能在满足约束条件的基础上,高效地寻找出最优路径,从而能够提高搜索效率,降低搜索复杂度。
Description
技术领域
本发明涉及一种配用电通讯网带节点约束条件的最优路径的寻找方法,具体地说是一种基于遗传算法配用电通信网最优路径选择的方法。
背景技术
配用电通信网目前的组网方式比较复杂,当遇到某一段线缆中断时,需要选择合适的路径进行主网连接,目前的方式是人工选择路径,中间经过的路径比较复杂,选择难度大,往往要经过很长时间的调试才能达到连通,而且选择的路径也不一定是最短的路径,也造成了资源的浪费,同时也达不到最少的衰减率,造成了光路中断时间较长,对配用电业务数据的采集产生了一定的影响。
目前求解最优路径问题的算法,如:Dijkstra算法、Johnson算法、传统遗传算法等,都不能直接解决带节点约束的最优路径问题。Dijkstra算法算法和Johnson算法通过改进也可以解决节点约束的最优路径问题,但在网络拓扑结点多时候,这类算法的搜索效率低在改进后效率变的更为低下。传统遗传算法在计算带节点约束的最优路径时候,因为种群个体的交叉变异,不能保证最后输出最优路径就是满足节点约束的最优路径。
发明内容
本发明是为了克服现有技术存在的不足之处,提出一种基于遗传算法配用电通信网最优路径选择的方法,能在满足约束条件的基础上,高效地寻找出最优路径,从而能够提高搜索效率,降低搜索复杂度。
为解决上述技术问题,本发明所采用的技术方案是:
本发明一种基于遗传算法的配用电通信网最优路径选择的方法,所述配用电电信网是以n个光纤交接箱作为网络节点并通过光纤连接而成的单向拓扑网络,其特点是按如下步骤进行:
步骤1、建立单向拓扑网络
设定所述单向拓扑网络中从第1个网络节点到第n个网络节点有M条路径,则所述单向拓扑网络的模型和最优路径函数分别如式(1)和式(2)所示:
L=Min(A1,A2,…,Ak,…,AM) (2)
并有:
式(3)中,lij表示网络节点i到网络节点j的光纤长度;若网络节点i与网络节点j之间没有光纤到达,则lij=∞;设置网络节点i与自身的网络节点i的光纤长度lii=0;
步骤2、采用二进制编码初始化种群:
设置种群大小为N=2n、种群个体集合Y={Y1,Y2,…,Yp,…,YN}1≤p≤N;Yp表示任意一个种群个体,以任意一个种群个体代表从第1个网络节点到第n个网络节点的任意一条路径,N≤M;所述种群个体Yp={X1,X2,…,Xq,…,Xn},2≤q≤n-1;Xq表示任一个体染色体;以任一个体染色体代表所述单向拓扑网络中任意一个网络节点;
令X1=1和Xn=1,表示任意一条路径必须经过第1个网络节点和第n个网络节点;Xq的值利用随机函数Rand()取[0,1]之间随机数,若随机数大于等于0.5,则Xq=1,表示任意一条路径经过网络节点q;否则,Xq=0,表示任意一条路径未经过网络节点q;
设定Xt=1,表示任意一条路径中必须经过网络节点t;Xr=0,表示任意一条路径中不能经过网络节点r;2≤t,r≤n-1;
步骤3、设定迭代次数I∈[30,200];设定初始迭代Iinit=0;
步骤4、选择运算:
步骤4.1、利用式(4)获得任意一个种群个体的自适应度函数Fit(k),从而获得所有种群个体的适应度函数:
式(4)中,Dmax表示所述单向拓扑网络中从第1个网络节点到第n个网络节点的所经过的路径长度之和的最大值;
步骤4.2、采用精英选择方法从N个种群个体的适应度函数中选择一个最大的适应度函数值所对应的种群个体作为交叉运算的一个种群个体;
步骤4.3、采用如式(5)所示的轮盘赌选择方法计算任意一个种群个体的选择概率Fk,从而获得N-1个种群个体的选择概率:
步骤4.4、将N-1个种群个体的选择概率所表示的概率区域组成一个轮盘,则N-1个种群个体的选择概率之和为1;在[0,1]之间产生N-1个随机数,以所述随机数在轮盘中所匹配的概率区域来选择与所述概率区域相对应的种群个体;以所述选中的种群个体作为交叉运算的N-1个种群个体;由所述交叉运算的一个种群个体和交叉运算的N-1个种群个体构成交叉种群个体;
步骤5、交叉运算:
步骤5.1、从所述交叉种群个体中任意取两个种群个体并按照步骤5.2进行匹配,直到完成N/2次配对,从而获得N个变异种群个体;
步骤5.2、对所任意两个种群个体中的每一个个体以交叉点位置进行交换,所述交叉点位置是在[2,n-1]中取随机整数α;若随机整数α=t或α=r,则不进行交换;
步骤6、变异运算:
步骤6.1、从N个变异种群个体中任意取一个种群个体,在[2,n-1]中取一个随机整数β;
以所述随机整数β作为基因变异位置对所述种群个体中相应的个体按照步骤6.2进行变异运算,直到N个变异种群个体完成变异运算,从而获得N个下一代种群个体;若随机整数β=t或β=r,则不进行变异运算;
步骤6.2、设定变异运算的概率为Pm,Pm∈[0.001,0.2];
在[0,1]中取一个随机数Q,当Pm≤Q时,对所述种群个体中第β个基因变异位置的个体染色体进行取反;
步骤7、将Iinit+1赋值给Iinit;
步骤8、判断Iinit≤I是否成立,若成立,则以所述N个下一代种群个体作为新的种群个体,并返回步骤4执行,否则执行步骤9;
步骤9、输出最优路径:
利用式(4)获得所述N个下一代种群个体中的每个个体的适应度函数;选择适应度函数值最大的个体为最优个体;以所述最优个体作为最优路径。
与已有技术相比,本发明的有益效果体现在:
1、本发明通过建立单向拓扑网络模型来解决配用电通讯网带节点约束的最优路径问题,在建立模型时,设定必须经过的光纤交接箱与不能经过的光缆交接箱作为必须经过的节点与不能经过的节点,利用遗传算法计算出任意两个光纤交接箱之间通信的最优路径,能在很大程度上减少光路的调试次数及时间,从而缩短光路的中断时间,提高光缆有限资源的利用率,从而使得网络模型能应用于复杂的配用电通信网及其他通信网。
2、本发明遗传算法的种群初始化时候,通过设立必须经过节点与不能经过节点的约束条件,这样既能保证路径最短,又提高了算法迭代的效率。
3、本发明对选择运算采用精英选择与轮盘赌选择方法相结合来选择算子,保留了最好的种群个体,可以更好的向最优路径迭代,轮盘赌选择方法又保证了种群的随机性,防止局部最优。
4、本发明在交叉运算与变异运算过程中都采用产生随机数的方式,可以有效保证种群的多样性,同时设置必须经过的节点与不能经过的节点所对应的种群个体不发生交叉与变异,这样能有效防止破坏约束条件,从而获得满足节点约束的最优路径。
附图说明
图1为本发明方法的流程图;
图2为本发明中改进遗传算法的流程图。
具体实施方式
本实施例中,配用电电信网是以n个光纤交接箱作为网络节点并通过光纤连接而成的单向拓扑网络,一种基于遗传算法的配用电通信网最优路径选择方法包括:配用电通信网的光纤交接箱分布情况转换成对应网络拓扑图,并根据需要有特定的预设条件,如:起点、终点、必须经过路径和不能经过路径等。根据改进的遗传算法,把预设条件在二进制编码的初始化中考虑进去,并自定义适应度函数,通过遗传算法的多种方法结合的选择运算、交叉运算和变异运算不断的迭代,优化算子,逐渐靠近最优值,直到满足最优条件,终止迭代,取得最优路径。
如图1所示,具体地说是按如下步骤进行:
步骤1、建立单向拓扑网络
设定单向拓扑网络中从第1个网络节点到第n个网络节点有M条路径,则单向拓扑网络的模型和最优路径函数分别如式(1)和式(2)所示:
L=Min(A1,A2,…,Ak,…,AM) (2)
并有:
式(3)中,lij表示网络节点i到网络节点j的光纤长度;若网络节点i与网络节点j之间没有光纤到达,则lij=∞;设置网络节点i与自身的网络节点i的光纤长度lii=0;
步骤2、采用二进制编码初始化种群:
设置种群大小为N=2n、种群个体集合Y={Y1,Y2,…,Yp,…,YN}1≤p≤N;Yp表示任意一个种群个体,以任意一个种群个体代表从第1个网络节点到第n个网络节点的任意一条路径,M是n的几何倍速,N=2n,因此N≤M;种群个体Yp={X1,X2,…,Xq,…,Xn},2≤q≤n-1;Xq表示任意一个个体染色体;以任意一个个体染色体代表单向拓扑网络中任意一个网络节点;
令X1=1和Xn=1,表示任意一条路径必须经过第1个网络节点和第n个网络节点;Xq的值利用随机函数Rand()取[0,1]之间随机数,若随机数大于等于0.5,则Xq=1,表示任意一条路径经过网络节点q;否则,Xq=0,表示任意一条路径未经过网络节点q;
设定Xt=1,表示任意一条路径中必须经过网络节点t;Xr=0,表示任意一条路径中不能经过网络节点r;2≤t,r≤n-1;
步骤3、如图2所示,设定迭代次数I∈[30,200];本实施例中,设定I=50;设定初始迭代Iinit=0;
步骤4、选择运算:
步骤4.1、利用式(4)获得任意一个种群个体的自适应度函数Fit(k),从而获得所有种群个体的适应度函数:
式(4)中,Dmax表示单向拓扑网络中从第1个网络节点到第n个网络节点的所经过的路径长度之和的最大值;本实施例中,把第1个网络节点到第n个网络节点中所有相连节点光纤长度相加作为Dmax;
步骤4.2、采用精英选择方法从N个种群个体的适应度函数中选择一个最大的适应度函数值所对应的种群个体作为交叉运算的一个种群个体;精英选择方法保证了最好的个体被选择,保证了向最优解方向迭代;
步骤4.3、采用如式(5)所示的轮盘赌选择方法计算任意一个种群个体的选择概率Fk,从而获得N-1个种群个体的选择概率:
步骤4.4、将N-1个种群个体的选择概率所表示的概率区域组成一个轮盘,本实施例中,轮盘的概率区域则N-1个种群个体的选择概率之和为1;在[0,1]之间产生N-1个随机数,以随机数在轮盘中所匹配的概率区域σz来选择与概率区域相对应的种群个体;以选中的种群个体作为交叉运算的N-1个种群个体;由交叉运算的一个种群个体和交叉运算的N-1个种群个体构成交叉种群个体;轮盘赌注选择方法种群个体被选中的概率与适应度大小成正比,保证了随机性同时,又能使更优的算子被选择;
步骤5、交叉运算:进行遗传算法的交叉运算,交叉运算采取单点交叉随机对种群两两配对:
步骤5.1、从交叉种群个体中任意取两个种群个体并按照步骤5.2进行匹配,直到完成N/2次配对,从而获得N个变异种群个体;
步骤5.2、对所任意两个种群个体中的每一个个体以交叉点位置进行交换,交叉点位置是在[2,n-1]中取随机整数α;若随机整数α=t或α=r,则不进行交换;
步骤6、变异运算:进行遗传算法的变异运算,采取均匀变异,随机在个体中对单点进行变异运算:
步骤6.1、从N个变异种群个体中任意取一个种群个体,在[2,n-1]中取一个随机整数β;
以随机整数β作为基因变异位置对种群个体中相应的个体按照步骤6.2进行变异运算,直到N个变异种群个体完成变异运算,从而获得N个下一代种群个体;若随机整数β=t或β=r,如果变异就会破坏必经或不能经过路径的约束条件,则不进行变异运算;
步骤6.2、设定变异运算的概率为Pm,Pm∈[0.001,0.2];Pm取值过大,增加变异的数量,能保证随机性与种群多样性,但会影响种群向最优解收敛效率;本实施例中,取Pm=0.1
在[0,1]中取一个随机数Q,当Pm≤Q时,对种群个体中第β个基因变异位置的个体染色体进行取反;既Xm若为1,则取反为0,Xm若为0,则取反为1;
步骤7、将Iinit+1赋值给Iinit;
步骤8、判断Iinit≤I是否成立,若成立,则以N个下一代种群个体作为新的种群个体,并返回步骤4执行,否则执行步骤9;
步骤9、输出最优路径:
利用式(4)获得N个下一代种群个体中的每个个体的适应度函数;选择适应度函数值最大的个体为最优个体;以最优个体作为最优路径;最优个体中染色体若为1,则经过拓扑网络中对应的网络节点;最优个体中染色体若为0,则不经过拓扑网络中对应的网络节点。
Claims (1)
1.一种基于遗传算法的配用电通信网最优路径选择的方法,所述配用电电信网是以n个光纤交接箱作为网络节点并通过光纤连接而成的单向拓扑网络,其特征是按如下步骤进行:
步骤1、建立单向拓扑网络
设定所述单向拓扑网络中从第1个网络节点到第n个网络节点有M条路径,则所述单向拓扑网络的模型和最优路径函数分别如式(1)和式(2)所示:
L=Min(A1,A2,…,Ak,…,AM) (2)
并有:
式(3)中,lij表示网络节点i到网络节点j的光纤长度;若网络节点i与网络节点j之间没有光纤到达,则lij=∞;设置网络节点i与自身的网络节点i的光纤长度lii=0;
步骤2、采用二进制编码初始化种群:
设置种群大小为N=2n、种群个体集合Y={Y1,Y2,…,Yp,…,YN}1≤p≤N;Yp表示任意一个种群个体,以任意一个种群个体代表从第1个网络节点到第n个网络节点的任意一条路径,N≤M;所述种群个体Yp={X1,X2,…,Xq,…,Xn},2≤q≤n-1;Xq表示任一个体染色体;以任一个体染色体代表所述单向拓扑网络中任意一个网络节点;
令X1=1和Xn=1,表示任意一条路径必须经过第1个网络节点和第n个网络节点;Xq的值利用随机函数Rand()取[0,1]之间随机数,若随机数大于等于0.5,则Xq=1,表示任意一条路径经过网络节点q;否则,Xq=0,表示任意一条路径未经过网络节点q;
设定Xt=1,表示任意一条路径中必须经过网络节点t;Xr=0,表示任意一条路径中不能经过网络节点r;2≤t,r≤n-1;
步骤3、设定迭代次数I∈[30,200];设定初始迭代Iinit=0;
步骤4、选择运算:
步骤4.1、利用式(4)获得任意一个种群个体的自适应度函数Fit(k),从而获得所有种群个体的适应度函数:
式(4)中,Dmax表示所述单向拓扑网络中从第1个网络节点到第n个网络节点的所经过的路径长度之和的最大值;
步骤4.2、采用精英选择方法从N个种群个体的适应度函数中选择一个最大的适应度函数值所对应的种群个体作为交叉运算的一个种群个体;
步骤4.3、采用如式(5)所示的轮盘赌选择方法计算任意一个种群个体的选择概率Fk,从而获得N-1个种群个体的选择概率:
步骤4.4、将N-1个种群个体的选择概率所表示的概率区域组成一个轮盘,则N-1个种群个体的选择概率之和为1;在[0,1]之间产生N-1个随机数,以所述随机数在轮盘中所匹配的概率区域来选择与所述概率区域相对应的种群个体;以所述选中的种群个体作为交叉运算的N-1个种群个体;由所述交叉运算的一个种群个体和交叉运算的N-1个种群个体构成交叉种群个体;
步骤5、交叉运算:
步骤5.1、从所述交叉种群个体中任意取两个种群个体并按照步骤5.2进行匹配,直到完成N/2次配对,从而获得N个变异种群个体;
步骤5.2、对所任意两个种群个体中的每一个个体以交叉点位置进行交换,所述交叉点位置是在[2,n-1]中取随机整数α;若随机整数α=t或α=r,则不进行交换;
步骤6、变异运算:
步骤6.1、从N个变异种群个体中任意取一个种群个体,在[2,n-1]中取一个随机整数β;
以所述随机整数β作为基因变异位置对所述种群个体中相应的个体按照步骤6.2进行变异运算,直到N个变异种群个体完成变异运算,从而获得N个下一代种群个体;若随机整数β=t或β=r,则不进行变异运算;
步骤6.2、设定变异运算的概率为Pm,Pm∈[0.001,0.2];
在[0,1]中取一个随机数Q,当Pm≤Q时,对所述种群个体中第β个基因变异位置的个体染色体进行取反;
步骤7、将Iinit+1赋值给Iinit;
步骤8、判断Iinit≤I是否成立,若成立,则以所述N个下一代种群个体作为新的种群个体,并返回步骤4执行,否则执行步骤9;
步骤9、输出最优路径:
利用式(4)获得所述N个下一代种群个体中的每个个体的适应度函数;选择适应度函数值最大的个体为最优个体;以所述最优个体作为最优路径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410540013.8A CN104299053A (zh) | 2014-10-13 | 2014-10-13 | 基于遗传算法配用电通信网最优路径选择的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410540013.8A CN104299053A (zh) | 2014-10-13 | 2014-10-13 | 基于遗传算法配用电通信网最优路径选择的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104299053A true CN104299053A (zh) | 2015-01-21 |
Family
ID=52318774
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410540013.8A Pending CN104299053A (zh) | 2014-10-13 | 2014-10-13 | 基于遗传算法配用电通信网最优路径选择的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104299053A (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105141523A (zh) * | 2015-09-16 | 2015-12-09 | 国家电网公司 | 基于路径衰耗的通信厂站间光缆路由最优路径选择系统 |
CN105515976A (zh) * | 2015-12-02 | 2016-04-20 | 国家电网公司 | 一种电力骨干光网络域间简化路由选择方法 |
CN105553719A (zh) * | 2015-12-15 | 2016-05-04 | 中兴软创科技股份有限公司 | 面向电信资源业务领域的光缆路径规划方法 |
CN106789641A (zh) * | 2016-11-18 | 2017-05-31 | 华北电力大学(保定) | 智能电网中集中式广域保护通信网的拓扑设计方法 |
CN106875075A (zh) * | 2015-12-14 | 2017-06-20 | 贵州电网有限责任公司电力科学研究院 | 一种基于出行行为学的电动汽车充电站布点方法 |
CN107341578A (zh) * | 2017-07-25 | 2017-11-10 | 哈尔滨工业大学 | 基于遗传算法的空间碎片主动清除任务规划方法 |
CN108400935A (zh) * | 2018-02-11 | 2018-08-14 | 国家电网公司信息通信分公司 | 一种基于遗传算法的业务路径选择方法、装置及电子设备 |
CN108494678A (zh) * | 2018-03-16 | 2018-09-04 | 北京智芯微电子科技有限公司 | 基于遗传算法的备用路由配置方法及系统 |
CN109039907A (zh) * | 2018-09-06 | 2018-12-18 | 郑州云海信息技术有限公司 | 确定网络数据流量最优路径方法、装置、设备及存储介质 |
CN109031541A (zh) * | 2018-10-09 | 2018-12-18 | 深圳市联讯高新技术有限公司 | 一种mtp预端接高密配线方法 |
CN109359740A (zh) * | 2018-11-02 | 2019-02-19 | 北京华如科技股份有限公司 | 基于多生境遗传算法的机动路径优选方法及存储介质 |
CN109919376A (zh) * | 2019-03-01 | 2019-06-21 | 浙江工业大学 | 多车场与多车型车辆路径调度控制方法 |
CN110990573A (zh) * | 2019-12-16 | 2020-04-10 | 山东山大鸥玛软件股份有限公司 | 一种基于分段实数编码的遗传算法智能组卷方法,设备及可读存储介质 |
CN111027738A (zh) * | 2019-10-18 | 2020-04-17 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于遗传算法的电力通信光缆敷设优化方法 |
CN111693423A (zh) * | 2019-03-13 | 2020-09-22 | 辽宁工程技术大学 | 一种基于遗传算法的采空区渗透系数反演方法 |
CN113992375A (zh) * | 2021-10-21 | 2022-01-28 | 中国人民解放军国防科技大学 | 一种基于遗传算法的异质复杂网络防御方法 |
-
2014
- 2014-10-13 CN CN201410540013.8A patent/CN104299053A/zh active Pending
Non-Patent Citations (2)
Title |
---|
ZHAO-XIA WANG: "QoS Routing Optimization Strategy Using Genetic Algorithm in Optical Fiber Communication Networks", 《JOURNAL OF COMPUTER SCIENCE AND TECHNOLOGY》 * |
蔡菲等: "基于GIS 和改进遗传算法的最优路径规划", 《工程勘察》 * |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105141523A (zh) * | 2015-09-16 | 2015-12-09 | 国家电网公司 | 基于路径衰耗的通信厂站间光缆路由最优路径选择系统 |
CN105515976B (zh) * | 2015-12-02 | 2019-01-04 | 国家电网公司 | 一种电力骨干光网络域间简化路由选择方法 |
CN105515976A (zh) * | 2015-12-02 | 2016-04-20 | 国家电网公司 | 一种电力骨干光网络域间简化路由选择方法 |
CN106875075A (zh) * | 2015-12-14 | 2017-06-20 | 贵州电网有限责任公司电力科学研究院 | 一种基于出行行为学的电动汽车充电站布点方法 |
CN106875075B (zh) * | 2015-12-14 | 2020-06-09 | 贵州电网有限责任公司电力科学研究院 | 一种基于出行行为学的电动汽车充电站布点方法 |
CN105553719A (zh) * | 2015-12-15 | 2016-05-04 | 中兴软创科技股份有限公司 | 面向电信资源业务领域的光缆路径规划方法 |
CN106789641A (zh) * | 2016-11-18 | 2017-05-31 | 华北电力大学(保定) | 智能电网中集中式广域保护通信网的拓扑设计方法 |
CN107341578A (zh) * | 2017-07-25 | 2017-11-10 | 哈尔滨工业大学 | 基于遗传算法的空间碎片主动清除任务规划方法 |
CN108400935B (zh) * | 2018-02-11 | 2021-02-23 | 国家电网公司信息通信分公司 | 一种基于遗传算法的业务路径选择方法、装置及电子设备 |
CN108400935A (zh) * | 2018-02-11 | 2018-08-14 | 国家电网公司信息通信分公司 | 一种基于遗传算法的业务路径选择方法、装置及电子设备 |
CN108494678A (zh) * | 2018-03-16 | 2018-09-04 | 北京智芯微电子科技有限公司 | 基于遗传算法的备用路由配置方法及系统 |
CN109039907A (zh) * | 2018-09-06 | 2018-12-18 | 郑州云海信息技术有限公司 | 确定网络数据流量最优路径方法、装置、设备及存储介质 |
CN109039907B (zh) * | 2018-09-06 | 2021-09-17 | 郑州云海信息技术有限公司 | 确定网络数据流量最优路径方法、装置、设备及存储介质 |
CN109031541A (zh) * | 2018-10-09 | 2018-12-18 | 深圳市联讯高新技术有限公司 | 一种mtp预端接高密配线方法 |
CN109359740A (zh) * | 2018-11-02 | 2019-02-19 | 北京华如科技股份有限公司 | 基于多生境遗传算法的机动路径优选方法及存储介质 |
CN109359740B (zh) * | 2018-11-02 | 2020-11-03 | 北京华如科技股份有限公司 | 基于多生境遗传算法的机动路径优选方法及存储介质 |
CN109919376A (zh) * | 2019-03-01 | 2019-06-21 | 浙江工业大学 | 多车场与多车型车辆路径调度控制方法 |
CN109919376B (zh) * | 2019-03-01 | 2021-04-06 | 浙江工业大学 | 多车场与多车型车辆路径调度控制方法 |
CN111693423B (zh) * | 2019-03-13 | 2023-01-13 | 辽宁工程技术大学 | 一种基于遗传算法的采空区渗透系数反演方法 |
CN111693423A (zh) * | 2019-03-13 | 2020-09-22 | 辽宁工程技术大学 | 一种基于遗传算法的采空区渗透系数反演方法 |
CN111027738A (zh) * | 2019-10-18 | 2020-04-17 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于遗传算法的电力通信光缆敷设优化方法 |
CN111027738B (zh) * | 2019-10-18 | 2023-04-21 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于遗传算法的电力通信光缆敷设优化方法 |
CN110990573A (zh) * | 2019-12-16 | 2020-04-10 | 山东山大鸥玛软件股份有限公司 | 一种基于分段实数编码的遗传算法智能组卷方法,设备及可读存储介质 |
CN113992375A (zh) * | 2021-10-21 | 2022-01-28 | 中国人民解放军国防科技大学 | 一种基于遗传算法的异质复杂网络防御方法 |
CN113992375B (zh) * | 2021-10-21 | 2023-08-25 | 中国人民解放军国防科技大学 | 一种基于遗传算法的异质复杂网络防御方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104299053A (zh) | 基于遗传算法配用电通信网最优路径选择的方法 | |
CN101777990B (zh) | 多目标免疫优化组播路由路径选择方法 | |
CN101677286B (zh) | 承载网络优化方法 | |
CN103298009B (zh) | 复杂无线网络控制系统的建模及故障传播方法 | |
CN104618134B (zh) | 一种配电通信网多级分光无源光网络优化方法 | |
CN106651628A (zh) | 基于图论的区域冷热电综合能源优化配置方法及装置 | |
CN105656076B (zh) | 海上风电场海缆布线的获取方法 | |
CN104202188A (zh) | 一种采用遗传算法进行afdx网络路径优化的方法 | |
CN105554844A (zh) | 一种无线传感器网络拓扑构建方法 | |
CN106685745B (zh) | 一种网络拓扑构建方法及装置 | |
CN102244840A (zh) | 一种认知无线Mesh网络中的组播路由及频谱分配方法 | |
CN105472484A (zh) | 一种电力骨干光传输网波道均衡路由波长分配方法 | |
CN106230737B (zh) | 一种状态感知的软件定义组网方法 | |
CN109685279A (zh) | 一种基于拓扑降解的复杂配电网pqm优化方法 | |
CN114362143A (zh) | 一种海上风电场集电系统拓扑优化求解算法 | |
CN110290001A (zh) | 电力通信网的单链结构优化方法、装置及设备 | |
CN103701647A (zh) | 一种无线网络拓扑优化生成方法 | |
CN103581329A (zh) | 基于分簇的对等网络流媒体直播系统拓扑结构的构建方法 | |
CN111083577B (zh) | 一种电力通信拓扑结构优化方法 | |
CN103427884B (zh) | 基于移动自组网中泛在业务生成的多终端协同获取方法 | |
CN104242993A (zh) | 中低压电力通信接入网带宽预测方法 | |
CN204258715U (zh) | 基于改进单亲遗传算法的光伏电站汇集拓扑优化装置 | |
CN107911763B (zh) | 一种基于QoS的智能配用电通信网EPON网络规划方法 | |
CN103116805B (zh) | 一种更新遗传种群的分段替换方法 | |
CN107134764B (zh) | 一种t型结构矿井高压电网自动短路计算方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150121 |