CN105871724B - 电力通信网线路优化方法及系统 - Google Patents
电力通信网线路优化方法及系统 Download PDFInfo
- Publication number
- CN105871724B CN105871724B CN201610166338.3A CN201610166338A CN105871724B CN 105871724 B CN105871724 B CN 105871724B CN 201610166338 A CN201610166338 A CN 201610166338A CN 105871724 B CN105871724 B CN 105871724B
- Authority
- CN
- China
- Prior art keywords
- particle
- route
- fitness
- telecom network
- particles
- 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.)
- Active
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/02—Topology update or discovery
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/12—Discovery or management of network topologies
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/142—Network analysis or design using statistical or mathematical methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/12—Shortest path evaluation
- H04L45/122—Shortest path evaluation by minimising distances, e.g. by selecting a route with minimum of number of hops
Abstract
本发明涉及电力通信网线路优化方法及系统，构建待选电力通信网线路规划方案的成本函数并计算成环率，根据成本函数和成环率建立适应度函数，利用粒子群算法获取所有粒子中满足预设约束条件且适应度最小的全局最优位置，获取线路选择参数的最优解，将最优解对应选取的线路为电力通信网线路规划最优线路。预设约束条件包括位置对应选取的线路与已建立的线路构成连通图、位置对应选取的线路与已建立的线路构成的连通图中节点的成环率大于或等于预设阈值、且位置对应选取的线路满足业务分布约束，从而全局最优位置对应的线路选择参数是最优的，将最优线路选择参数对应选择的线路进行建设，提高电力通信网线路可靠性同时减少成本。
Description
技术领域
本发明涉及网络优化技术，特别是涉及一种电力通信网线路优化方法及系统。
背景技术
电力通信网线路优化是指在已知节点位置和业务分布的基础上，根据现有网络结构，在满足业务分布和可靠性约束的条件下，确定出经济性最佳的通信线路部署方案。随着电网规模的日益扩大，电力通信网线路的优化问题也变得越来越复杂。因此，对于电力通信网线路优化的深入研究不仅对我国电力系统的良好运行，更对于社会的稳定以及国民经济快速、健康的发展都有着积极作用。现有的电力通信网线路优化方法只从单一的角度考虑了优化方案的经济性或可靠性，而不能同时兼顾经济、可靠这两大指标，使得到优化方案具有片面性。因而，如何以最小的代价建设最可靠的通信网络成为电力通信网优化的关键问题之一。
目前针对电力通信网优化问题已有一些研究，一类是抽象出通信线路的经济性模型，采用此模型并利用智能优化算法对问题进行求解，实现了线路建设成本的最小化，然而其均没有考虑可靠性约束，致使通信节点的成环率不足，导致网络在出现故障时，受影响的业务无法及时恢复。另一类是通过向网络中添加通信节点造成资源冗余，以此来保证网络的容灾能力，提高网络可靠性，然而增加冗余节点会大大提高网络的建设成本，不仅无法保证网络建设的经济性，还会造成不必要的资源浪费。此外，由于通信业务分布的非均匀性，导致业务量会集中在某些节点，此时应保证这些节点间有通信线路直连，从而减小业务路由的跳数。
目前，为了实现通信网络线路优化，常采用的方法有配电线路检测与电源布点布置方法，该方法以县级供电企业为规划对象，通过电网模型计算线路健康度并划分分流线路。即利用目前的电网模型，通过负荷矩的计算，对健康度不佳的线路进行负荷分流，在尽可能少的改动下以及最佳经济性设计下对电力线路设计或对旧线路进行改造。但是该方法的效率较低。另外，常采用的方法有节点链路压力权重自适应均衡的虚拟网络映射方法，涉及虚拟网络映射问题，主要通过三步完成，第一步，提出了节点链路压力自适应均衡的虚拟网络映射目标，该目标可以实现节点优化和链路优化的统筹协调，从而达到全局压力优化的作用。第二步，对目标函数中的可调参数进行设计，提出了一种自适应的参数预测模式，使权重参数根据网络状态变化及自身演进两个因素逐渐优化调整。第三步，为了保证该自适应可调参数的稳定性，提出了一种对可调参数收敛方向进行判断的机制，该机制可以通过统计权重参数在取值范围边界停留的时间判断系统是否进入发散状态，并采用相应的策略使系统重新恢复均衡，采用该方法进行最优化网络资源的分配与调度，提高安全和服务质量、降低运营维护成本，以求根本性地解决互联网现有的僵化、以补丁和更新为主的发展现状。但是该方案很难实现多个虚拟子网之间的协调。
发明内容
基于此，有必要针对现有优化方法难以有效实现既经济又可靠的问题，提供一种既经济又可靠的电力通信网线路优化方法及系统。
一种电力通信网线路优化方法，包括如下步骤：
初始化电力通信网线路的待选择线路；
根据所述待选择路线、线路选择参数以及预设建设单条线路的成本，构建待选电路通信网线路规划方案的成本函数并计算对应的成环率，其中，所述线路选择参数为1或0，当所述待选择线路被选取时，其对应的所述线路选择参数为1，否则，其对应的所述线路选择参数为0；
将所述待选电力通信网线路规划方案作为所述粒子群算法中的粒子，将所述待选电力通信网线路规划方案通过所述线路选择参数表征作为所述粒子群算法中粒子的位置，根据所述成本函数以及所述成环率，构建粒子群算法中所需的适应度函数；
根据所述适应度函数，利用所述粒子群算法获取所有粒子中满足预设约束条件且适应度最小的全局最优位置；其中，所述预设约束条件包括位置对应选取的线路与已建立的线路构成连通图、位置对应选取的线路与已建立的线路构成的所述连通图中节点的成环率大于或等于所述预设阈值、且位置对应选取的线路满足业务分布约束；
根据所述全局最优位置，获取相应的待选电力通信网线路规划方案的所述线路选择参数的最优解，将最优解对应选取的线路为电力通信网线路规划最优线路。
本发明还提供一种电力通信网线路优化系统，包括：
待选路线初始化模块，用于初始化电力通信网线路的待选择线路；
成本构建模块，用于根据所述待选择路线、线路选择参数以及预设建设单条线路的成本，构建待选电路通信网线路规划方案的成本函数并计算对应的成环率，其中，所述线路选择参数为1或0，当所述待选择线路被选取时，其对应的所述线路选择参数为1，否则，其对应的所述线路选择参数为0；
适应度函数构建模块，用于将所述待选电力通信网线路规划方案作为所述粒子群算法中的粒子，将所述待选电力通信网线路规划方案通过所述线路选择参数表征作为所述粒子群算法中粒子的位置，根据所述成本函数以及所述成环率，构建粒子群算法中所需的适应度函数；
优化模块，用于根据所述适应度函数，利用所述粒子群算法获取所有粒子中满足预设约束条件且适应度最小的全局最优位置；其中，所述预设约束条件包括位置对应选取的线路与已建立的线路构成连通图、位置对应选取的线路与已建立的线路构成的所述连通图中节点的成环率大于或等于所述预设阈值、且位置对应选取的线路满足业务分布约束；
确定模块，用于根据所述全局最优位置，获取相应的待选电力通信网线路规划方案的所述线路选择参数的最优解，将最优解对应选取的线路为电力通信网线路规划最优线路。
上述电力通信网线路优化方法及系统，首先初始化待优化电力通信网线路的待选择线路，根据待选择路线、线路选择参数以及建设单条线路的成本，构建待选电力通信网线路规划方案的成本函数并计算成环率，根据成本函数以及成环率，建立适应度函数，根据适应度函数，利用粒子群算法获取所有粒子中满足预设约束条件的适应度最小的全局最优位置，根据全局最优位置，获取线路选择参数的最优解，将最优解对应选取的线路为电力通信网线路规划最优线路，实现电力通信网线路优化。预设约束条件包括位置对应选取的线路与已建立的线路构成连通图、位置对应选取的线路与已建立的线路构成的连通图中节点的成环率大于或等于预设阈值、且位置对应选取的线路满足业务分布约束，获得的全局最优位置是满足上述预设约束条件，从而全局最优位置对应的线路选择参数是最优的，将最优线路选择参数对应选择的线路进行网络线路建设，可提高电力通信网线路的可靠性，利用粒子群算法获取的全局最优位置不但满足适应度最小，而且还考虑了网络可靠性和业务分布情况，适应度大小是与成本对应，即通过全局最优位置获取线路参数最优解，并根据最优解对应选择的线路进行电力通信网线路优化时，满足网络可靠性和业务分布的约束的同时，网络优化成本最小。
附图说明
图1为一实施方式的电力通信网线路优化方法的流程图；
图2为另一个实施例的电力通信网线路优化方法中步骤S400的子流程图；
图3为另一个实施例的电力通信网线路优化方法中步骤S430的子流程图；
图4为基于电力通信网节点系统结构图；
图5为成环率的预设阈值为0.6约束条件下的网络优化结果图；
图6为成环率的预设阈值为0.7约束条件下的网络优化结果图；
图7为成环率的预设阈值为0.9约束条件下的网络优化结果图；
图8为成环率的预设阈值为0.6且节点4和节点5之间存在连线的约束条件下的网络优化结果图；
图9为一实施方式的电力通信网线路优化系统的模块图；
图10为另一实施方式的电力通信网线路优化系统中优化模块400的子模块图；
图11为另一实施方式的电力通信网线路优化系统中第一确定单元430的子模块图。
具体实施方式
请参阅图1，提供一种实施方式的电力通信网线路优化方法，包括如下步骤：
S100：初始化电力通信网线路的待选择线路。
电力通信网线路优化是指在已有的电力通信网结构的基础上选择较优线路进行网络扩展，即电力通信网线路可能存在已建立的线路，这些已建立的线路的成本不再线路优化时成本的考虑范围。在进行建设网络时，整个电力通信网中节点之间的线路的组合方式有多种，需要对电力通信网中的可选线路进行初始化，获得待选择线路，后续在进行线路优化时，从待选择线路中选取线路进行扩建。为了实现线路优化问题，引入图的概念，电力通信网中节点用图的顶点表示，线路用边表示，线路优化问题可以被抽象为从图中n条待选择线路中确定k条线路使其构成既经济又可靠的网络结构。
S200：根据待选择路线、线路选择参数以及预设建设单条线路的成本，构建待选电力通信网线路规划方案的成本函数并计算对应的成环率。
其中，线路选择参数为1或0，当待选择线路被选取时，其对应的线路选择参数为1，否则，其对应的线路选择参数为0。单条待选择线路对应单个线路选择参数，即每条待选择线路均对应有线路选择参数，当某条待选择线路对应的线路选择参数为1时，该待选择选路被选取了。在待选择线路中选取线路进行建设时，会产生相应的建设成本，在构建成本函数之前，需要获取每条待选择线路的建设成本，每条待选择线路的建设成本可通过电力通信网线路规划人员对线路的评估获得，或者可根据线路的长度和实际情况计算获得。在网络线路规划时，已知节点a和节点b之间存在大量的业务，为了确保两个节点之间通信在时延允许范围内，需要设置业务分布约束，即在进行线路优化时可以考虑在节点a和节点b之间建设一条直连的光缆，节点a和节点b之间直接连接的线路为单条线路，即节点a与节点b之间的边存在，在进行扩建时，需要考虑该单条线路的成本，在本实施例中，网络线路建设的成本只与在已有的电力通信网线路的基础上新增加的线路的成本有关，与已有的电力通信网络存在的线路无关，且与两个节点本身无关。待选择线路中没有被选取的线路相当于该线路两端节点之间的边不存在，则不会考虑该线路的成本。每个待选电力通信网线路规划方案具有对应的成本以及成环率，从而，可根据待选择线路、线路选择参数以及建设单条线路的成本可建立电力通信网线路优化时待选电力通信网线路规划方案的成本函数并计算对应的成环率。
S300：将待选电力通信网线路规划方案作为粒子群算法中的粒子，将待选电力通信网线路规划方案通过线路选择参数表征作为粒子群算法中粒子的位置，根据成本函数以及成环率，构建粒子群算法中所需的适应度函数。
粒子群算法(Particle Swarm Optimization，PSO)源于对鸟群觅食行为的研究，一群鸟在随机搜寻食物，在这个区域里只有一块食物，所有的鸟都不知道食物在哪里，但是它们知道当前的位置离食物还有多远。那么找到食物的最简单有效的就是搜寻目前离食物最近的鸟的周围区域。PSO算法就从这种生物种群行为特性中得到启发并用于求解优化问题。在PSO算法中，每个优化问题的潜在解都可以想象成D维搜索空间上的一个点，我们称之为“粒子”(Particle)，每个粒子都有一个被目标函数决定的适应值(Fitness Value)，即适应度，每个粒子还有一个速度决定他们飞翔的方向和距离，然后粒子们就追随当前的最优粒子在解空间中搜索。鸟仅仅是追踪它有限数量的邻居但最终的整体结果是整个鸟群又在一个中心的控制之下，即复杂的全局行为是由简单规则的相互作用引起的。PSO算法就是模拟一群鸟寻找食物的过程，每个鸟就是PSO中的粒子，也就是我们需要求解问题的可能解，这些鸟在寻找食物的过程中，会不停改变自己在空中飞行的位置与速度，即不停改变粒子的位置与速度，直到找到粒子的最优位置，从而找到需要求解问题的最优解。由于鸟群在分心过程中会突然改变方向、散开或聚集，其行为不可预测，但其整体总保持一致性，且个体与个体之间保持着示意的距离，这种行为体现了一种存在与生物群体中的信息共享机制，为群体的金华提供了一种优势，粒子群算法使得个体与个体、个体与群体之间可以相互借鉴经验，从而促进整个群体的发展。粒子群算法依据个体间的协作与竞争通过对个体适应度的评价，实现复杂空间中最优解的搜索。
成环率是指有效成环节点数与总节点数量的比值，成环节点是指在电力通信网中由线路相连而形成的回路的节点，成环率表示电力通信网中受保护的链路和节点的数量的多少，受保护的链路和节点数量越多，网络的可靠性越高，因此，以成环率来体现网络的可靠性，通过改变预设阈值的大小，可改变成环率约束。
将待选电力通信网线路规划方案作为粒子群算法中的粒子，将待选电力通信网线路规划方案通过线路选择参数表征作为粒子群算法中粒子的位置，即将待选电力通信网线路规划方案作为粒子群算法中的粒子，将待选电力通信网线路规划方案的线路选取参数作为粒子的位置，粒子相当于待选电力通信网线路规划方案，由于通过线路选取参数的具体值可知线路是否被选择，也就是说，粒子的位置可表示选取的线路。待选电力通信网线路规划方案即是从待选择线路中选取选路进行规划，不同的规划方案选取的线路不同，由于线路选取用线路选择参数表征，从而，选取的选路不同，待选择线路对应的线路选择参数不同，电力通信网线路优化的过程即是寻找线路选择参数的最优解过程。例如，初始有10条待选择路线，有20个粒子，对应20种待选电力通信网规划方案，初始化其中一个粒子时，即是初始化一种规划方案初始选取路线即粒子的位置以及更新速度，比如，粒子的位置为(1，0，1，1，1，0，0，1，0，1)，其中包括10个参数值，即表示10条待选择路线对应的线路选取参数，被选取时为1，否则为0，上述粒子的位置表示第1、3、4、5、8以及10条待选择路线的线路选择参数为1，表示被选取了，其他线路未被选取。在进行更新时，粒子的位置变为(1，0，0，1，1，0，1，1，0，1)，第3条待选择线路的线路选择参数由1变为0，即第三条待选择线路不选，第7条待选择线路的线路选择参数由0变为1，即选取了第7条待选择路线。寻找线路选择参数的最优解过程即是对粒子的位置不断的更新过程，即是对线路选择参数不断更新过程，直到找到全局最优位置，即找到所有待选电力通信网线路规划方案中全局最优位置对应的线路选择参数，进行线路建设，实现电力通信网线路的优化。
适应度函数是与成本函数和成环率相关的，在利用粒子群算法根据适应度进行优化时，考虑了线路建设成本和成环率大小，在后续利用粒子群算法获得的最优解确保了电力通信线路可靠性的同时让建设成本最低。
S400：根据适应度函数，利用粒子群算法获取所有粒子中满足预设约束条件的适应度最小且全局最优位置。
其中，预设约束条件包括位置对应选取的线路与已建立的线路构成连通图、位置对应选取的线路与已建立的线路构成的连通图中节点的成环率大于或等于预设阈值、且位置对应选取的线路满足业务分布约束。在可靠性以及业务分布约束的情况下，考虑电力通信网线路优化成本最小，从而可得到电力通信网线路优化的数学模型为：
G为电力通信网线路优化拓扑图，R为成环率，为成环率的预设阈值，e(a,b)为节点a和节点b之间的边，G为连通图这一约束保证优化后的网络拓扑是一个连通图，可以实现全网通信，的约束确保网络的成环率，从而确保网络的可靠性，可以通过改变来改变节点成环率的约束，实现不同的业务需求，e(a,b)存在这一约束是业务分布约束，进一步确保网络可靠性。在进行电力通信网线路优化时，需要考虑成本，从而，根据成本函数，建立成本优化目标函数，即建立电力通信网线路优化的数学模型，对成本优化目标函数的优化问题即求解对成本最小化问题。除了考虑成本以外，为确保线路规划的可靠性，还需电力通信网的可靠性以及业务分布约束，即在满足网络可靠性和业务分布约束的条件下，选择成本最小的网络规划方案，实现电力通信网线路优化目的。以成环率来体现网络的可靠性，通过改变预设阈值的大小，可改变成环率约束，在本实施例中，通过设置成环率大于或等于预设阈值这一预设约束条件，可确保网络的可靠性。另外，为了进一步提高电力通信网线路规划的可靠性，加入业务分布约束，即在两个节点之间有大量业务，为减少时延以及占用的通信资源，需要在两个节点之间设置直连的线路，即这两个节点之间的边存在，以提高网路的可靠性，例如，节点a和节点b之间有大量业务，为了确保可靠性传输，需要满足的业务分布约束条件为节点a和节点b之间的边e(a,b)存在，即节点a和节点b直接连线。
其中，适应度函数是用来衡量粒子对应解好坏的标准，与优化问题的上述数学模型密切相关，利用粒子群算法对上述数学模型求解最优解时，即是求解线路选择参数的最优解。若数学模型需要求解最大值，则适应度越大，所得的解越优，若数学模型需要求解最小值，则适应度越小，所得的解越好。在本实施例中，为了使电力通信网线路优化时既可靠又经济，使优化时可靠且线路建设成本越小，通过粒子群算法求解满足预设约束条件且适应度最小的全局最优位置，从而可获得线路选择参数的最优解。
S500：根据全局最优位置，获取相应的待选电力通信网线路规划方案的线路选择参数的最优解，将最优解对应选取的线路为电力通信网线路规划最优线路。
线路选择参数的最优解对应适应度最小，电力通信网络线路优化时满足网络可靠性和业务分布约束的条件下，电力通信网线路建设成本最优的线路选择，另一方面，适应度函数是根据成本函数和成环率建立的，而成本函数是根据待选择路线以线路选择参数及预设建设单条线路的成本建立的，选取的线路对应的成本考虑，未选取的线路对应的成本是无需考虑的，即成本函数是与电力通信网线路优化时选取的线路以及线路对应的建设成本有关，从而，适应度的大小是与选取的线路有关，选取的线路越优，则适应度越小，通过上述利用粒子群算法获得满足预设约束条件且适应度最小的全局最优位置对应的待选电力通信网线路规划方案选取的线路是最优线路，即可根据全局最优位置获取相应的待选电力通信网线路规划方案的线路选择参数的最优解，将最优解对应选取的线路作为电力通信网规划的最优线路，实现电力通信网线路优化。
上述电力通信网线路优化方法，首先初始化待优化电力通信网线路的待选择线路，根据待选择路线、线路选择参数以及建设单条线路的成本，构建待选电力通信网线路规划方案的成本函数并计算成环率，根据成本函数以及成环率，建立适应度函数，根据适应度函数，利用粒子群算法获取所有粒子中满足预设约束条件的适应度最小的全局最优位置，根据全局最优位置，获取线路选择参数的最优解，将最优解对应选取的线路为电力通信网线路规划最优线路，实现电力通信网线路优化。预设约束条件包括位置对应选取的线路与已建立的线路构成连通图、位置对应选取的线路与已建立的线路构成的连通图中节点的成环率大于或等于预设阈值、且位置对应选取的线路满足业务分布约束，获得的全局最优位置是满足上述预设约束条件，从而全局最优位置对应的线路选择参数是最优的，将最优线路选择参数对应选择的线路进行网络线路建设，可提高电力通信网线路的可靠性，利用粒子群算法获取的全局最优位置不但满足适应度最小，而且还考虑了网络可靠性和业务分布情况，适应度大小是与成本对应，即通过全局最优位置获取线路参数最优解，并根据最优解对应选择的线路进行电力通信网线路优化时，满足网络可靠性和业务分布的约束的同时，网络优化成本最小。
在本实施例中，由于后续的线路选取是在待选择线路的基础上进行的，从而为了后续选取的线路可靠性以及减少计算量，在初始化待选择线路时需满足可靠性，即初始化的待选择线路满足业务分布约束、与已建立的线路构成连通图、且与已建立的线路构成的连通图中节点的成环率大于或等于预设阈值。即在初始化待选择线路时就进行了条件约束，从而确保网络优化时的可靠性。
请参阅图2，在其中一个实施例中，根据适应度函数，利用粒子群算法获取所有粒子中满足预设约束条件的适应度最小且全局最优位置的步骤S400包括：
S410：初始化粒子群算法中粒子数量、迭代次数、最大迭代次数、惯性权重、第一加速因子以及第二加速因子，将待选电力通信网线路规划方案通过线路选择参数表征作为粒子群算法中粒子的位置，将对粒子的位置的调整作为粒子群算法中粒子的速度，初始化每个粒子的位置以及速度。
其中，电力通信网线路的一种待选线路规划方案对应粒子群算法中的单个粒子。在多个规划方案中选择最优方案对应的粒子的位置，即可实现线路的优化选择。初始化粒子的位置即初始化待选规划方案选取的线路。由于将待选电力通信网线路规划方案通过线路选择参数表征作为粒子群算法中粒子的位置，即线路选择参数作为粒子群算法中粒子的位置，后续利用粒子群算法获得全局最优位置即是线路选择参数的最优解。
首先初始化迭代次数为1，即从第1次迭代开始。在本实施例中，初始化粒子数量为40个，最大迭代次数为200次，惯性权重为0.5，第一加速因子为0.4以及第二加速因子为0.6。每个粒子包括粒子的位置和粒子的速度，粒子的位置是根据粒子的速度进行更新的。首先，对每个粒子的位置、速度、惯性权重、第一加速因子以及第二加速因子进行初始化，为后续提供数据依据。
初始化上述粒子群算法的相关参数之后，利用粒子群算法进行迭代计算开始。
S420：根据适应度函数，计算每个粒子的位置对应的适应度。
由于之前已获得适应度函数，在初始化每个粒子的位置后，即可知道每个粒子初始化选取的线路，从而可知选取的线路的成本，也可知成环率，成环率的预设阈值是预先设置的，从而计算每个粒子的位置对应的适应度。
S430：根据各粒子的适应度、各粒子的个体历史最优位置、所有粒子的全局历史最优位置以及预设约束条件，更新各粒子的个体最优位置以及所有粒子的全局最优位置。
在确定各粒子的位置的适应度后，并根据各粒子的位置的适应度，更新所有粒子的全局最优位置以及各粒子的个体最优位置。适应度越小，则表示该粒子的位置越优，由于适应度函数是根据成本函数和成环率得到的，从而，适应度越小，其对应的成本越小。为了网络的可靠性，还需加入预设约束条件，即只有在满足预设约束条件时，再可对粒子的个体最优位置以及所有粒子的全局最优位置进行更新，若不满足预设约束条件，即使适应度比历史个体最优位置对应的适应度小，也不进行个体最优位置的更新。
S440：根据粒子数量、惯性权重、第一加速因子、第二加速因子、各粒子本身的个体最优位置以及所有粒子的全局最优位置，更新各粒子的位置以及速度。
对各粒子的位置以及速度进行更新，即对选取的线路进行了更新，从而更新电力通信网线路规划，使线路建设的成本越小，从而使电力通信网线路规划更合理，建设成本越低。
S450：判断迭代次数是否大于最大迭代次数。
当迭代次数不大于最大迭代次数时，执行步骤：
S460：将迭代次数加1。
并返回根据适应度函数，计算每个粒子的适应度的步骤S420。
当迭代次数大于最大迭代次数时，执行步骤：
S470：确定所有粒子的全局最优位置。
在迭代次数不大于最大迭代次数时，继续对更新后的粒子进行适应度计算，继续进行个体最优位置和全局最优位置的寻找。直到迭代次数大于最大迭代次数，停止寻找，此时的所有粒子的全局最优位置即是最优，此时的全局最优位置为线路选择参数的最优解，最优解对应选取的线路的成本是在满足预设约束条件下的最小成本。
请参阅图3，在其中一个实施例中，根根据各粒子的适应度、各粒子的个体历史最优位置、所有粒子的全局历史最优位置以及预设约束条件，更新各粒子的个体最优位置以及所有粒子的全局最优位置的步骤包括的步骤S430包括：
S431：当粒子的位置对应的适应度小于粒子的个体历史最优位置对应的适应度，且粒子的位置满足预设约束条件时，将粒子的位置更新为粒子的个体最优位置，以确定各粒子的个体最优位置。
当为第1次迭代时，初始化的粒子的位置即为粒子的个体历史最优位置，无需比较适应度大小，将粒子的位置作为粒子的个体最优位置，以确定各粒子在第1次迭代时的个体最优位置。第1次迭代时获得的个体最优位置即是第2次迭代时该粒子的个体历史最优位置，第2次迭代时获得的个体最优位置最为第3次迭代时的个体历史最优位置，依次类推，可获得每次迭代时的个体历史最优位置，再根据粒子的位置的适应度以及预设约束条件，可确定各粒子在每次迭代时的个体最优位置。
S432：根据各粒子的位置对应的适应度，获取所有粒子的个体最优位置中对应适应度最小的最优位置。
S433：当最优位置对应的适应度小于所有粒子的全局历史最优位置时，将最优位置更新为所有粒子的全局最优位置，以确定所有粒子的全局最优位置。
全局最优位置即是所有粒子的个体最优位置中最优的，当第1次迭代时，初始化粒子的个体最优位置即是粒子自身的位置，每个粒子的位置对应有适应度，适应度最小的位置即是所有粒子中最优的位置，即可将适应度最小的粒子的位置作为全局最优位置，则全局最优位置为满足预设约束条件的适应度最小的位置，粒子的全局最优位置即为粒子的全局历史最优位置。当迭代次数大于1时，前一次迭代时获得的全局最优位置作为本次迭代时的全局历史最优位置，所有粒子的全局最优位置为所有粒子的个体最优位置中对应适应度最小的最优位置，即全局最优位置是所有个体最优位置中最优的。
在其中一个实施例中，各粒子的速度更新公式具体为：
vi(t+1)＝w×vi(t)+c1×r1(Pi(t)-xi(t))+c2×r2[Pg(t)-xi(t)]。
各粒子的位置更新公式具体为：
xi(t+1)＝xi(t)+vi(t+1)。
式中，vi(t+1)为第i个粒子在第t+1个迭代次数时的速度，w为惯性权重，Vi(t)为第i个粒子在第t个迭代次数时的速度，c1为粒子在第t个迭代次数时的第一加速因子，r1以及r2分别为0到1之间的随机数，Pi(t)为第i个粒子在第t个迭代次数时的个体最优位置，xi(t)为第i个粒子在第t个迭代次数时的位置，c2为粒子在第t个迭代次数时的第二加速因子，Pg(t)为在第t个迭代次数时的所有粒子的全局最优位置，xi(t+1)为第i个粒子在第t+1个迭代次数时的位置。
第i个粒子在第t个迭代次数的位置用一个n维向量Xi(t)＝(xi1(t),xi2(t),...,xin(t))表示，速度为Vi(t)＝(vi1(t),vi2(t),...,vin(t))，n为待选择线路的条数，Xi(t)为第i个粒子在第t个迭代次数的位置，xi1(t)为第i个粒子在第t个迭代次数的位置中第1条待选择选路对应的线路选择参数，xi2(t)为第i个粒子在第t个迭代次数的位置中第2条待选择选路对应的选路选择参数，xin(t)为第i个粒子在第t个迭代次数的位置中第n条待选择选路对应的选路选择参数，线路选择参数作为粒子的位置，每条待选择线路对应一个线路选择参数，线路被选择时，线路选择参数为1，否则，为0。Vi(t)为第i个粒子在第t个迭代次数的速度，vi1(t)为第i个粒子在第t个迭代次数的位置中第1条待选择路线对应的线路选择参数的速度，vi2(t)为第i个粒子在第t个迭代次数的位置中第2条待选择路线对应的线路选择参数的速度，vin(t)为第i个粒子在第t个迭代次数的位置中第n条待选择路线对应的线路选择参数的速度。在粒子的位置进行更新时，当更新的线路选择参数值小于0时，线路选择参数值设置为0，当更新的线路选择参数值大于1时，线路选择参数设置为1，确保线路选择参数为0或1，从而可确定选路选择参数未被选或被选。
在其中一个实施例中，构建成本函数的公式具体为：
成环率的定义公式为：
建立适应度函数的具体公式为：
式中，C为成本函数，n为待选择路线总数，ci为建设第i条线路的成本，ei为第i条线路对应的线路选择参数，线路优化第i条线路被选取时，ei＝1，否则，ei＝0，R为成环率，m为电力通信网中节点的总数，sc为成环节点个数，f为适应度函数，α以及β为约束系数，为成环率的预设阈值。
通过上述适应度函数的表达式可知，适应度与成本是成正比的，且与成环率有关，根据适应度利用粒子群算法寻找的线路选择参数的最优解对应的适应度是满足成环率大于或等于预设阈值以及满足业务分布约束条件下最小的，从而对应的成本是满足预设约束条件最小的，确保电力通信网线路优化的可靠性和经济性。
下面以一具体实施例对上述电力通信网线路优化方法加以具体说明。
为了验证本具体实施例所提供的电力通信网线路优化方法的有效性，对该算法进行仿真实验。首先，首先初始化迭代次数为1，即从第1次迭代开始，初始化粒子数量为40个，最大迭代次数为200次，约束系数α＝0.5，β＝0.5，惯性权重ω＝0.5，第一加速因子c1＝0.4和第二加速因子c2＝0.6。
假设电力通信网为15个节点的系统结构，如图4所示。其中共有15个节点，根据实际情况初步确定20条可选择线路，其中实线表示已有线路，不计入成本科，虚线表示可待选择的扩建线路。
每条线路的建设成本如表1所示，表1中未给出的其它线路建设成本在优化过程中设定为无穷大，对于已经存在的线路成本设定为0。以网络优化成本最小化为目标，即以优化成本目标函数最小化为目标，综合考虑网络可靠性和业务分布约束，进行仿真实验。
表1电力通信网中每条线路的建设成本
在本具体实施例中，网络的可靠性通过节点的成环率体现。仿真中，分别令节点成环率R的预设阈值为0.6、0.7和0.9，利用本实施方式的电力通信网线路优化方法得到三种不同的优化方案。其中，图3为预设阈值为0.6的约束下的网络优化结果图，图4预设阈值为0.7的约束下的网络优化结果图，图5预设阈值为0.9的约束下的网络优化结果图。
上述优化过程中只是考虑了成环率和成本，以确保网络的可靠性，为进一步增强网络的可靠性，在网络可靠性要求的基础上，再加入业务分布约束条件进行分析。令节点成环率R的预设阈值为0.6，由于节点4和节点5之间有大量的业务，需要在这两个节点之间设置直连的线路，即e(4,5)必须存在。通过设置e(4,5)必须存在这一业务分布约束条件，进行网络线路优化时得到的优化结果图如图6所示。由图6可知，边e(4,5)虽然建设成本很高，但是为了满足业务分布的约束，必须选择该条路线。
预设阈值为0.6、0.7和0.9分别对方案一、方案二和方案三，预设阈值为0.6且加入业务分布约束条件e(4,5)存在对应方案四。四种方案的实验结果如表2所示。
表2不同约束条件下的实验结果
从表2可以看出，网络线路优化的成本随成环率的提高而增加，这是由于需要建设更多的线路使节点连接成环，然而，当成环率要求一样的情况下，引入业务分布约束后建设成本增加。
请参阅图9，一种电力通信网线路优化系统，包括：
待选路线初始化模块100，用于初始化电力通信网线路的待选择线路。
电力通信网线路优化是指在已有的电力通信网结构的基础上选择较优线路进行网络扩展，即电力通信网线路可能存在已建立的线路，这些已建立的线路的成本不再线路优化时成本的考虑范围。在进行建设网络时，整个电力通信网中节点之间的线路的组合方式有多种，需要对电力通信网中的可选线路进行初始化，获得待选择线路，后续在进行线路优化时，从待选择线路中选取线路进行扩建。为了实现线路优化问题，引入图的概念，电力通信网中节点用图的顶点表示，线路用边表示，线路优化问题可以被抽象为从图中n条待选择线路中确定k条线路使其构成既经济又可靠的网络结构。
成本构建模块200，用于根据待选择路线、线路选择参数以及预设建设单条线路的成本，构建待选电力通信网线路规划方案的成本函数并计算对应的成环率。
其中，线路选择参数为1或0，当待选择线路被选取时，其对应的线路选择参数为1，否则，其对应的线路选择参数为0。单条待选择线路对应单个线路选择参数，即每条待选择线路均对应有线路选择参数，当某条待选择线路对应的线路选择参数为1时，该待选择选路被选取了。在待选择线路中选取线路进行建设时，会产生相应的建设成本，在构建成本函数之前，需要获取每条待选择线路的建设成本，每条待选择线路的建设成本可通过电力通信网线路规划人员对线路的评估获得，或者可根据线路的长度和实际情况计算获得。在网络线路规划时，已知节点a和节点b之间存在大量的业务，为了确保两个节点之间通信在时延允许范围内，需要设置业务分布约束，即在进行线路优化时可以考虑在节点a和节点b之间建设一条直连的光缆，节点a和节点b之间直接连接的线路为单条线路，即节点a与节点b之间的边存在，在进行扩建时，需要考虑该单条线路的成本，在本实施例中，网络线路建设的成本只与在已有的电力通信网线路的基础上新增加的线路的成本有关，与已有的电力通信网络存在的线路无关，且与两个节点本身无关。待选择线路中没有被选取的线路相当于该线路两端节点之间的边不存在，则不会考虑该线路的成本。每个待选电力通信网线路规划方案具有对应的成本以及成环率，从而，可根据待选择线路、线路选择参数以及建设单条线路的成本可建立电力通信网线路优化时待选电力通信网线路规划方案的成本函数并计算对应的成环率。
适应度函数构建模块300，用于将待选电力通信网线路规划方案作为粒子群算法中的粒子，将待选电力通信网线路规划方案通过线路选择参数表征作为粒子群算法中粒子的位置，根据成本函数以及成环率，构建粒子群算法中所需的适应度函数。
粒子群算法(Particle Swarm Optimization，PSO)源于对鸟群觅食行为的研究，一群鸟在随机搜寻食物，在这个区域里只有一块食物，所有的鸟都不知道食物在哪里，但是它们知道当前的位置离食物还有多远。那么找到食物的最简单有效的就是搜寻目前离食物最近的鸟的周围区域。PSO算法就从这种生物种群行为特性中得到启发并用于求解优化问题。在PSO算法中，每个优化问题的潜在解都可以想象成D维搜索空间上的一个点，我们称之为“粒子”(Particle)，每个粒子都有一个被目标函数决定的适应值(Fitness Value)，即适应度，每个粒子还有一个速度决定他们飞翔的方向和距离，然后粒子们就追随当前的最优粒子在解空间中搜索。鸟仅仅是追踪它有限数量的邻居但最终的整体结果是整个鸟群又在一个中心的控制之下，即复杂的全局行为是由简单规则的相互作用引起的。PSO算法就是模拟一群鸟寻找食物的过程，每个鸟就是PSO中的粒子，也就是我们需要求解问题的可能解，这些鸟在寻找食物的过程中，会不停改变自己在空中飞行的位置与速度，即不停改变粒子的位置与速度，直到找到粒子的最优位置，从而找到需要求解问题的最优解。由于鸟群在分心过程中会突然改变方向、散开或聚集，其行为不可预测，但其整体总保持一致性，且个体与个体之间保持着示意的距离，这种行为体现了一种存在与生物群体中的信息共享机制，为群体的金华提供了一种优势，粒子群算法使得个体与个体、个体与群体之间可以相互借鉴经验，从而促进整个群体的发展。粒子群算法依据个体间的协作与竞争通过对个体适应度的评价，实现复杂空间中最优解的搜索。
成环率是指有效成环节点数与总节点数量的比值，成环节点是指在电力通信网中由线路相连而形成的回路的节点，成环率表示电力通信网中受保护的链路和节点的数量的多少，受保护的链路和节点数量越多，网络的可靠性越高，因此，以成环率来体现网络的可靠性，通过改变预设阈值的大小，可改变成环率约束。
将待选电力通信网线路规划方案作为粒子群算法中的粒子，将待选电力通信网线路规划方案通过线路选择参数表征作为粒子群算法中粒子的位置，即将待选电力通信网线路规划方案作为粒子群算法中的粒子，将待选电力通信网线路规划方案的线路选取参数作为粒子的位置，粒子相当于待选电力通信网线路规划方案，由于通过线路选取参数的具体值可知线路是否被选择，也就是说，粒子的位置可表示选取的线路。待选电力通信网线路规划方案即是从待选择线路中选取选路进行规划，不同的规划方案选取的线路不同，由于线路选取用线路选择参数表征，从而，选取的选路不同，待选择线路对应的线路选择参数不同，电力通信网线路优化的过程即是寻找线路选择参数的最优解过程。例如，初始有10条待选择路线，有20个粒子，对应20种待选电力通信网规划方案，初始化其中一个粒子时，即是初始化一种规划方案初始选取路线即粒子的位置以及更新速度，比如，粒子的位置为(1，0，1，1，1，0，0，1，0，1)，其中包括10个参数值，即表示10条待选择路线对应的线路选取参数，被选取时为1，否则为0，上述粒子的位置表示第1、3、4、5、8以及10条待选择路线的线路选择参数为1，表示被选取了，其他线路未被选取。在进行更新时，粒子的位置变为(1，0，0，1，1，0，1，1，0，1)，第3条待选择线路的线路选择参数由1变为0，即第三条待选择线路不选，第7条待选择线路的线路选择参数由0变为1，即选取了第7条待选择路线。寻找线路选择参数的最优解过程即是对粒子的位置不断的更新过程，即是对线路选择参数不断更新过程，直到找到全局最优位置，即找到所有待选电力通信网线路规划方案中全局最优位置对应的线路选择参数，进行线路建设，实现电力通信网线路的优化。
适应度函数是与成本函数和成环率相关的，在利用粒子群算法根据适应度进行优化时，考虑了线路建设成本和成环率大小，在后续利用粒子群算法获得的最优解确保了电力通信线路可靠性的同时让建设成本最低。
优化模块400，用于根据适应度函数，利用粒子群算法获取所有粒子中满足预设约束条件的适应度最小且全局最优位置。
其中，预设约束条件包括位置对应选取的线路与已建立的线路构成连通图、位置对应选取的线路与已建立的线路构成的连通图中节点的成环率大于或等于预设阈值、且位置对应选取的线路满足业务分布约束。在可靠性以及业务分布约束的情况下，考虑电力通信网线路优化成本最小，从而可得到电力通信网线路优化的数学模型为：
G为电力通信网线路优化拓扑图，R为成环率，为成环率的预设阈值，e(a,b)为节点a和节点b之间的边，G为连通图这一约束保证优化后的网络拓扑是一个连通图，可以实现全网通信，的约束确保网络的成环率，从而确保网络的可靠性，可以通过改变来改变节点成环率的约束，实现不同的业务需求，e(a,b)存在这一约束是业务分布约束，进一步确保网络可靠性。在进行电力通信网线路优化时，需要考虑成本，从而，根据成本函数，建立成本优化目标函数，即建立电力通信网线路优化的数学模型，对成本优化目标函数的优化问题即求解对成本最小化问题。除了考虑成本以外，为确保线路规划的可靠性，还需电力通信网的可靠性以及业务分布约束，即在满足网络可靠性和业务分布约束的条件下，选择成本最小的网络规划方案，实现电力通信网线路优化目的。以成环率来体现网络的可靠性，通过改变预设阈值的大小，可改变成环率约束，在本实施例中，通过设置成环率大于或等于预设阈值这一预设约束条件，可确保网络的可靠性。另外，为了进一步提高电力通信网线路规划的可靠性，加入业务分布约束，即在两个节点之间有大量业务，为减少时延以及占用的通信资源，需要在两个节点之间设置直连的线路，即这两个节点之间的边存在，以提高网路的可靠性，例如，节点a和节点b之间有大量业务，为了确保可靠性传输，需要满足的业务分布约束条件为节点a和节点b之间的边e(a,b)存在，即节点a和节点b直接连线。
其中，适应度函数是用来衡量粒子对应解好坏的标准，与优化问题的上述数学模型密切相关，利用粒子群算法对上述数学模型求解最优解时，即是求解线路选择参数的最优解。若数学模型需要求解最大值，则适应度越大，所得的解越优，若数学模型需要求解最小值，则适应度越小，所得的解越好。在本实施例中，为了使电力通信网线路优化时既可靠又经济，使优化时可靠且线路建设成本越小，通过粒子群算法求解满足预设约束条件且适应度最小的全局最优位置，从而可获得线路选择参数的最优解。
确定模块500，用于根据全局最优位置，获取相应的待选电力通信网线路规划方案的线路选择参数的最优解，将最优解对应选取的线路为电力通信网线路规划最优线路。
线路选择参数的最优解对应适应度最小，电力通信网络线路优化时满足网络可靠性和业务分布约束的条件下，电力通信网线路建设成本最优的线路选择，另一方面，适应度函数是根据成本函数和成环率建立的，而成本函数是根据待选择路线以线路选择参数及预设建设单条线路的成本建立的，选取的线路对应的成本考虑，未选取的线路对应的成本是无需考虑的，即成本函数是与电力通信网线路优化时选取的线路以及线路对应的建设成本有关，从而，适应度的大小是与选取的线路有关，选取的线路越优，则适应度越小，通过上述利用粒子群算法获得满足预设约束条件且适应度最小的全局最优位置对应的待选电力通信网线路规划方案选取的线路是最优线路，即可根据全局最优位置获取相应的待选电力通信网线路规划方案的线路选择参数的最优解，将最优解对应选取的线路作为电力通信网规划的最优线路，实现电力通信网线路优化。
上述电力通信网线路优化系统，首先初始化待优化电力通信网线路的待选择线路，根据待选择路线、线路选择参数以及建设单条线路的成本，构建待选电力通信网线路规划方案的成本函数并计算成环率，根据成本函数以及成环率，建立适应度函数，根据适应度函数，利用粒子群算法获取所有粒子中满足预设约束条件的适应度最小的全局最优位置，根据全局最优位置，获取线路选择参数的最优解，将最优解对应选取的线路为电力通信网线路规划最优线路，实现电力通信网线路优化。预设约束条件包括位置对应选取的线路与已建立的线路构成连通图、位置对应选取的线路与已建立的线路构成的连通图中节点的成环率大于或等于预设阈值、且位置对应选取的线路满足业务分布约束，获得的全局最优位置是满足上述预设约束条件，从而全局最优位置对应的线路选择参数是最优的，将最优线路选择参数对应选择的线路进行网络线路建设，可提高电力通信网线路的可靠性，利用粒子群算法获取的全局最优位置不但满足适应度最小，而且还考虑了网络可靠性和业务分布情况，适应度大小是与成本对应，即通过全局最优位置获取线路参数最优解，并根据最优解对应选择的线路进行电力通信网线路优化时，满足网络可靠性和业务分布的约束的同时，网络优化成本最小。
在本实施例中，由于后续的线路选取是在待选择线路的基础上进行的，从而为了后续选取的线路可靠性以及减少计算量，在初始化待选择线路时需满足可靠性，即初始化的待选择线路满足业务分布约束、与已建立的线路构成连通图、且与已建立的线路构成的连通图中节点的成环率大于或等于预设阈值。即在初始化待选择线路时就进行了条件约束，从而确保网络优化时的可靠性。
请参阅图10，在其中一个实施例中，优化模块400包括：
参数初始化单元410，用于初始化粒子群算法中粒子数量、迭代次数、最大迭代次数、惯性权重、第一加速因子以及第二加速因子，将待选电力通信网线路规划方案通过线路选择参数表征作为粒子群算法中粒子的位置，将对粒子的位置的调整作为粒子群算法中粒子的速度，初始化每个粒子的位置以及速度。
其中，电力通信网线路的一种待选线路规划方案对应粒子群算法中的单个粒子。在多个规划方案中选择最优方案对应的粒子的位置，即可实现线路的优化选择。初始化粒子的位置即初始化待选规划方案选取的线路。由于将待选电力通信网线路规划方案通过线路选择参数表征作为粒子群算法中粒子的位置，即线路选择参数作为粒子群算法中粒子的位置，后续利用粒子群算法获得全局最优位置即是线路选择参数的最优解。
首先初始化迭代次数为1，即从第1次迭代开始。在本实施例中，初始化粒子数量为40个，最大迭代次数为200次，惯性权重为0.5，第一加速因子为0.4以及第二加速因子为0.6。每个粒子包括粒子的位置和粒子的速度，粒子的位置是根据粒子的速度进行更新的。首先，对每个粒子的位置、速度、惯性权重、第一加速因子以及第二加速因子进行初始化，为后续提供数据依据。
计算单元420，用于根据适应度函数，计算每个粒子的位置对应的适应度。
初始化上述粒子群算法的相关参数之后，利用粒子群算法进行迭代计算开始。由于之前已获得适应度函数，在初始化每个粒子的位置后，即可知道每个粒子初始化选取的线路，从而可知选取的线路的成本，也可知成环率，成环率的预设阈值是预先设置的，从而计算每个粒子的适应度。
第一确定单元430，用于根据各粒子的适应度、各粒子的个体历史最优位置、所有粒子的全局历史最优位置以及预设约束条件，更新各粒子的个体最优位置以及所有粒子的全局最优位置。
在确定各粒子的位置的适应度后，并根据各粒子的位置的适应度，更新所有粒子的全局最优位置以及各粒子的个体最优位置。适应度越小，则表示该粒子的位置越优，由于适应度函数是根据成本函数和成环率得到的，从而，适应度越小，其对应的成本越小。为了网络的可靠性，还需加入预设约束条件，即只有在满足预设约束条件时，再可对粒子的个体最优位置以及所有粒子的全局最优位置进行更新，若不满足预设约束条件，即使适应度比历史个体最优位置对应的适应度小，也不进行个体最优位置的更新。
更新单元440，用于根据粒子数量、惯性权重、第一加速因子、第二加速因子、各粒子本身的个体最优位置以及所有粒子的全局最优位置，更新各粒子的位置以及速度。
对各粒子的位置以及速度进行更新，即对选取的线路进行了更新，从而更新电力通信网线路规划，使线路建设的成本越小，从而使电力通信网线路规划更合理，建设成本越低。
第二确定单元450，用于当迭代次数不大于最大迭代次数时，将迭代次数加1，并返回计算模块继续进行粒子的适应度计算，当迭代次数大于最大迭代次数时，确定所有粒子的全局最优位置。
在迭代次数不大于最大迭代次数时，继续对更新后的粒子进行适应度计算，继续进行个体最优位置和全局最优位置的寻找。直到迭代次数大于最大迭代次数，停止寻找，此时的所有粒子的全局最优位置即是最优，此时的全局最优位置为线路选择参数的最优解，最优解对应选取的线路的成本是在满足预设约束条件下的最小成本。
请参阅图11，在其中一个实施例中，第一确定单元430包括：
个体最优确定单元431，用于当粒子的位置对应的适应度小于粒子的个体历史最优位置对应的适应度，且粒子的位置满足预设约束条件时，将粒子的位置更新为粒子的个体最优位置，以确定各粒子的个体最优位置。
当为第1次迭代时，初始化的粒子的位置即为粒子的个体历史最优位置，无需比较适应度大小，将粒子的位置作为粒子的个体最优位置，以确定各粒子在第1次迭代时的个体最优位置。第1次迭代时获得的个体最优位置即是第2次迭代时该粒子的个体历史最优位置，第2次迭代时获得的个体最优位置最为第3次迭代时的个体历史最优位置，依次类推，可获得每次迭代时的个体历史最优位置，再根据粒子的位置的适应度以及预设约束条件，可确定各粒子在每次迭代时的个体最优位置。
最优粒子获取单元432，用于根据各粒子的位置对应的适应度，获取所有粒子的个体最优位置中对应适应度最小的最优位置。
全局最优确定单元433，用于当最优位置对应的适应度小于所有粒子的全局历史最优位置时，将最优位置更新为所有粒子的全局最优位置，以确定所有粒子的全局最优位置。
全局最优位置即是所有粒子的个体最优位置中最优的，当第1次迭代时，初始化粒子的个体最优位置即是粒子自身的位置，每个粒子的位置对应有适应度，适应度最小的位置即是所有粒子中最优的位置，即可将适应度最小的粒子的位置作为全局最优位置，则全局最优位置为满足预设约束条件的适应度最小的位置，粒子的全局最优位置即为粒子的全局历史最优位置。当迭代次数大于1时，前一次迭代时获得的全局最优位置作为本次迭代时的全局历史最优位置，所有粒子的全局最优位置为所有粒子的个体最优位置中对应适应度最小的最优位置，即全局最优位置是所有个体最优位置中最优的。
在其中一个实施例中，更新单元440更新各粒子的速度的具体公式为：
vi(t+1)＝w×vi(t)+c1×r1(Pi(t)-xi(t))+c2×r2[Pg(t)-xi(t)]。
更新单元440更新各粒子的位置的具体公式为：
xi(t+1)＝xi(t)+vi(t+1)。
式中，vi(t+1)为第i个粒子在第t+1个迭代次数时的速度，w为惯性权重，Vi(t)为第i个粒子在第t个迭代次数时的速度，c1为粒子在第t个迭代次数时的第一加速因子，r1以及r2分别为0到1之间的随机数，Pi(t)为第i个粒子在第t个迭代次数时的个体最优位置，xi(t)为第i个粒子在第t个迭代次数时的位置，c2为粒子在第t个迭代次数时的第二加速因子，Pg(t)为在第t个迭代次数时的所有粒子的全局最优位置，xi(t+1)为第i个粒子在第t+1个迭代次数时的位置。
第i个粒子在第t个迭代次数的位置用一个n维向量Xi(t)＝(xi1(t),xi2(t),...,xin(t))表示，速度为Vi(t)＝(vi1(t),vi2(t),...,vin(t))，n为待选择线路的条数，Xi(t)为第i个粒子在第t个迭代次数的位置，xi1(t)为第i个粒子在第t个迭代次数的位置中第1条待选择选路对应的线路选择参数，xi2(t)为第i个粒子在第t个迭代次数的位置中第2条待选择选路对应的选路选择参数，xin(t)为第i个粒子在第t个迭代次数的位置中第n条待选择选路对应的选路选择参数，线路选择参数作为粒子的位置，每条待选择线路对应一个线路选择参数，线路被选择时，线路选择参数为1，否则，为0。Vi(t)为第i个粒子在第t个迭代次数的速度，vi1(t)为第i个粒子在第t个迭代次数的位置中第1条待选择路线对应的线路选择参数的速度，vi2(t)为第i个粒子在第t个迭代次数的位置中第2条待选择路线对应的线路选择参数的速度，vin(t)为第i个粒子在第t个迭代次数的位置中第n条待选择路线对应的线路选择参数的速度。在粒子的位置进行更新时，当更新的线路选择参数值小于0时，线路选择参数值设置为0，当更新的线路选择参数值大于1时，线路选择参数设置为1，确保线路选择参数为0或1，从而可确定选路选择参数未被选或被选。
在其中一个实施例中，成本构建模块200构建成本函数的公式具体为：
成环率的定义公式为：
适应度函数构建模块300建立适应度函数的具体公式为：
式中，C为成本函数，n为待选择路线总数，ci为建设第i条线路的成本，ei为第i条线路对应的线路选择参数，线路优化第i条线路被选取时，ei＝1，否则，ei＝0，R为成环率，m为电力通信网中节点的总数，sc为成环节点个数，f为适应度函数，α以及β为约束系数，为成环率的预设阈值。
通过上述适应度函数的表达式可知，适应度与成本是成正比的，根据适应度利用粒子群算法寻找的最优解对应的适应度是最小的，从而对应的成本是最小的，满足电力通信网线路优化时最经济。在满足经济的情况下，还通过成环率大于或等于预设阈值以及满足业务分布约束条件的设置，确保电力通信网线路的可靠性。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种电力通信网线路优化方法，其特征在于，包括如下步骤：
初始化电力通信网线路的待选择线路；
根据所述待选择路线、线路选择参数以及预设建设单条线路的成本，构建待选电路通信网线路规划方案的成本函数并计算对应的成环率，其中，所述线路选择参数为1或0，当所述待选择线路被选取时，其对应的所述线路选择参数为1，否则，其对应的所述线路选择参数为0；
将所述待选电力通信网线路规划方案作为粒子群算法中的粒子，将所述待选电力通信网线路规划方案通过所述线路选择参数表征作为所述粒子群算法中粒子的位置，根据所述成本函数以及所述成环率，构建粒子群算法中所需的适应度函数；
根据所述适应度函数，利用所述粒子群算法获取所有粒子中满足预设约束条件且适应度最小的全局最优位置；其中，所述预设约束条件包括位置对应选取的线路与已建立的线路构成连通图、位置对应选取的线路与已建立的线路构成的所述连通图中节点的成环率大于或等于所述预设阈值、且位置对应选取的线路满足业务分布约束；其中，在位置对应选取的线路的各节点中，存在大量业务的两个节点之间的边存在时，满足业务分布约束；
根据所述全局最优位置，获取相应的待选电力通信网线路规划方案的所述线路选择参数的最优解，将最优解对应选取的线路为电力通信网线路规划最优线路；
其中，建立所述适应度函数的具体公式为：
式中，所述f为所述适应度函数，所述α以及所述β为约束系数，所述R为所述成环率，所述为所述成环率的预设阈值，所述C为所述成本函数。
2.根据权利要求1所述的电力通信网线路优化方法，其特征在于，所述根据所述适应度函数，利用所述粒子群算法获取所有粒子中满足预设约束条件且适应度最小的全局最优位置的步骤包括：
初始化所述粒子群算法中粒子数量、迭代次数、最大迭代次数、惯性权重、第一加速因子以及第二加速因子，将所述待选电力通信网线路规划方案通过所述线路选择参数表征作为所述粒子群算法中粒子的位置，将对粒子的位置的调整作为所述粒子群算法中粒子的速度，初始化每个粒子的位置以及速度；
迭代计算开始，根据所述适应度函数，计算每个粒子的位置对应的适应度；
根据各粒子的适应度、各粒子的个体历史最优位置、所有粒子的全局历史最优位置以及所述预设约束条件，更新各粒子的个体最优位置以及所有粒子的全局最优位置；
根据所述粒子数量、所述惯性权重、所述第一加速因子、所述第二加速因子、各粒子的个体最优位置以及所有粒子的全局最优位置，更新各粒子的位置以及速度；
当所述迭代次数不大于所述最大迭代次数时，将所述迭代次数加1，并返回所述根据所述适应度函数，计算每个粒子的适应度的步骤；
当所述迭代次数大于所述最大迭代次数时，确定所述所有粒子的全局最优位置。
3.根据权利要求2所述的电力通信网线路优化方法，其特征在于，所述根据各粒子的适应度、各粒子的个体历史最优位置、所有粒子的全局历史最优位置以及所述预设约束条件，更新各粒子的个体最优位置以及所有粒子的全局最优位置的步骤包括：
当粒子的位置对应的所述适应度小于所述粒子的个体历史最优位置对应的适应度，且所述粒子的位置满足所述预设约束条件时，将所述粒子的位置更新为所述粒子的个体最优位置，以确定各粒子的个体最优位置；
根据各粒子的位置对应的适应度，获取所有粒子的个体最优位置中对应适应度最小的最优位置；
当所述最优位置对应的适应度小于所有粒子的全局历史最优位置时，将所述最优位置更新为所述所有粒子的全局最优位置，以确定所有粒子的全局最优位置。
4.根据权利要求1所述的电力通信网线路优化方法，其特征在于，构建成本函数的公式具体为：
所述成环率的定义公式为：
式中，所述n为所述待选择路线总数，所述ci为建设第i条线路的成本，ei为第i条线路对应的线路选择参数，线路优化第i条线路被选取时，ei＝1，否则，ei＝0，所述m为所述电力通信网中节点的总数，所述sc为成环节点个数。
5.一种电力通信网线路优化系统，其特征在于，包括：
待选路线初始化模块，用于初始化电力通信网线路的待选择线路；
成本构建模块，用于根据所述待选择路线、线路选择参数以及预设建设单条线路的成本，构建待选电路通信网线路规划方案的成本函数并计算对应的成环率，其中，所述线路选择参数为1或0，当所述待选择线路被选取时，其对应的所述线路选择参数为1，否则，其对应的所述线路选择参数为0；
适应度函数构建模块，用于将所述待选电力通信网线路规划方案作为粒子群算法中的粒子，将所述待选电力通信网线路规划方案通过所述线路选择参数表征作为所述粒子群算法中粒子的位置，根据所述成本函数以及所述成环率，构建粒子群算法中所需的适应度函数；
优化模块，用于根据所述适应度函数，利用所述粒子群算法获取所有粒子中满足预设约束条件且适应度最小的全局最优位置；其中，所述预设约束条件包括位置对应选取的线路与已建立的线路构成连通图、位置对应选取的线路与已建立的线路构成的所述连通图中节点的成环率大于或等于所述预设阈值、且位置对应选取的线路满足业务分布约束；其中，在位置对应选取的线路的各节点中，存在大量业务的两个节点之间的边存在时，满足业务分布约束；
确定模块，用于根据所述全局最优位置，获取相应的待选电力通信网线路规划方案的所述线路选择参数的最优解，将最优解对应选取的线路为电力通信网线路规划最优线路；
其中，所述适应度函数构建模块建立所述适应度函数的具体公式为：
式中，所述f为所述适应度函数，所述α以及所述β为约束系数，所述R为所述成环率，所述为所述成环率的预设阈值，所述C为所述成本函数。
6.根据权利要求5所述的电力通信网线路优化系统，其特征在于，所述优化模块包括：
参数初始化单元，用于初始化所述粒子群算法中粒子数量、迭代次数、最大迭代次数、惯性权重、第一加速因子以及第二加速因子，将所述待选电力通信网线路规划方案通过所述线路选择参数表征作为所述粒子群算法中粒子的位置，将对粒子的位置的调整作为所述粒子群算法中粒子的速度，初始化每个粒子的位置以及速度；
计算单元，用于根据所述适应度函数，计算每个粒子的位置对应的适应度；
第一确定单元，用于根据各粒子的适应度、各粒子的个体历史最优位置、所有粒子的全局历史最优位置以及所述预设约束条件，更新各粒子的个体最优位置以及所有粒子的全局最优位置；
更新单元，用于根据所述粒子数量、所述惯性权重、所述第一加速因子、所述第二加速因子、各粒子本身的个体最优位置以及所有粒子的全局最优位置，更新各粒子的位置以及速度；
第二确定单元，用于当所述迭代次数不大于所述最大迭代次数时，将所述迭代次数加1，并返回所述计算模块继续进行粒子的适应度计算，当所述迭代次数大于所述最大迭代次数时，确定所述所有粒子的全局最优位置。
7.根据权利要求6所述的电力通信网线路优化系统，其特征在于，所述第一确定单元包括：
个体最优确定单元，用于当粒子的位置对应的所述适应度小于所述粒子的个体历史最优位置对应的适应度，且所述粒子的位置满足所述预设约束条件时，将所述粒子的位置更新为所述粒子的个体最优位置，以确定各粒子的个体最优位置；
最优粒子获取单元，用于根据各粒子的位置对应的适应度，获取所有粒子的个体最优位置中对应适应度最小的最优位置；
全局最优确定单元，用于当所述最优位置对应的适应度小于所有粒子的全局历史最优位置时，将所述最优位置更新为所述所有粒子的全局最优位置，以确定所有粒子的全局最优位置。
8.根据权利要求5所述的电力通信网线路优化系统，其特征在于，所述成本构建模块构建成本函数的公式具体为：
所述成环率的定义公式为：
式中，所述n为所述待选择路线总数，所述ci为建设第i条线路的成本，ei为第i条线路对应的线路选择参数，线路优化第i条线路被选取时，ei＝1，否则，ei＝0，所述m为所述电力通信网中节点的总数，所述sc为成环节点个数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610166338.3A CN105871724B (zh) | 2016-03-21 | 2016-03-21 | 电力通信网线路优化方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610166338.3A CN105871724B (zh) | 2016-03-21 | 2016-03-21 | 电力通信网线路优化方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105871724A CN105871724A (zh) | 2016-08-17 |
| CN105871724B true CN105871724B (zh) | 2018-12-25 |
Family
ID=56625421
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610166338.3A Active CN105871724B (zh) | 2016-03-21 | 2016-03-21 | 电力通信网线路优化方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105871724B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106789408B (zh) * | 2016-12-06 | 2020-02-14 | 中国联合网络通信有限公司山东省分公司 | 一种ipran网络接入层设备成环率计算方法 |
| CN109426682B (zh) * | 2017-08-25 | 2023-05-09 | 上海市上规院城市规划设计有限公司 | 一种线路智能化选择方法及装置 |
| CN108181503B (zh) * | 2017-12-30 | 2020-02-18 | 广州供电局有限公司 | 电力计量装置运维计划获取方法、装置、存储介质和设备 |
| CN109041071A (zh) * | 2018-07-27 | 2018-12-18 | 北京国电通网络技术有限公司 | 一种电力无线专网探针部署方法和装置 |
| CN110290001B (zh) * | 2019-06-26 | 2022-04-19 | 广东电网有限责任公司 | 电力通信网的单链结构优化方法、装置及设备 |
| CN111083577B (zh) * | 2019-10-18 | 2022-02-22 | 国网浙江省电力有限公司嘉兴供电公司 | 一种电力通信拓扑结构优化方法 |
| 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 |
| CN110971525B (zh) * | 2019-11-26 | 2021-02-19 | 武汉大学 | 一种面向电力通信网的业务运行的业务路由寻址方法 |
| CN113038488B (zh) * | 2021-03-09 | 2022-10-11 | 广东海格怡创科技有限公司 | 网络切片的链路规划方法、装置、计算机设备和存储介质 |
| CN116050040B (zh) * | 2023-03-28 | 2023-08-15 | 中国建筑第二工程局有限公司 | 一种基于管线排布空间特征的智能排布方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011055145A1 (en) * | 2009-11-05 | 2011-05-12 | Bae Systems Plc | Generating a set of solutions to a multi-objective problem |
| CN102117441A (zh) * | 2010-11-29 | 2011-07-06 | 中山大学 | 基于离散粒子群优化算法的智能物流配送 |
| CN103049805A (zh) * | 2013-01-18 | 2013-04-17 | 中国测绘科学研究院 | 基于改进粒子群优化的带时间窗约束的车辆路径优化方法 |
| CN104617985A (zh) * | 2014-12-31 | 2015-05-13 | 北京邮电大学 | 基于蚁群算法的电力通信网线路优化方法及装置 |
| CN105207910A (zh) * | 2015-08-17 | 2015-12-30 | 国家电网公司 | 一种基于粒子群优化的电力通信网路由优化方法 |
-
2016
- 2016-03-21 CN CN201610166338.3A patent/CN105871724B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011055145A1 (en) * | 2009-11-05 | 2011-05-12 | Bae Systems Plc | Generating a set of solutions to a multi-objective problem |
| CN102117441A (zh) * | 2010-11-29 | 2011-07-06 | 中山大学 | 基于离散粒子群优化算法的智能物流配送 |
| CN103049805A (zh) * | 2013-01-18 | 2013-04-17 | 中国测绘科学研究院 | 基于改进粒子群优化的带时间窗约束的车辆路径优化方法 |
| CN104617985A (zh) * | 2014-12-31 | 2015-05-13 | 北京邮电大学 | 基于蚁群算法的电力通信网线路优化方法及装置 |
| CN105207910A (zh) * | 2015-08-17 | 2015-12-30 | 国家电网公司 | 一种基于粒子群优化的电力通信网路由优化方法 |
Non-Patent Citations (2)
| Title |
|---|
| "基于改进粒子群算法的电力通信网最佳抢修路径问题的研究";张铭泉 等;《科学技术与工程》;20081130;第8卷(第22期);全文 * |
| "粒子群算法在电力通信网网络管理中的应用研究";张铭泉;《中国优秀硕士学位论文全文数据库》;20070715;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105871724A (zh) | 2016-08-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105871724B (zh) | 电力通信网线路优化方法及系统 | |
| Milner et al. | Nature-inspired self-organization, control, and optimization in heterogeneous wireless networks | |
| Yammani et al. | A Multi-objective Shuffled Bat algorithm for optimal placement and sizing of multi distributed generations with different load models | |
| CN109039942A (zh) | 一种基于深度强化学习的网络负载均衡系统及均衡方法 | |
| Mendoza et al. | NSGA and SPEA applied to multiobjective design of power distribution systems | |
| Mohemmed et al. | Solving shortest path problem using particle swarm optimization | |
| Miranda et al. | Differential evolutionary particle swarm optimization (DEEPSO): a successful hybrid | |
| Garcia et al. | Fictitious play for finding system optimal routings in dynamic traffic networks | |
| CN103971160B (zh) | 基于复杂网络的粒子群优化方法 | |
| CN106484512B (zh) | 计算单元的调度方法 | |
| CN109325580A (zh) | 一种用于服务组合全局优化的自适应布谷鸟搜索方法 | |
| CN114143264B (zh) | 一种SRv6网络下基于强化学习的流量调度方法 | |
| CN109976901A (zh) | 一种资源调度方法、装置、服务器及可读存储介质 | |
| Hajjej et al. | A new optimal deployment model of internet of things based on wireless sensor networks | |
| JP5395367B2 (ja) | 最小送電損失系統構成の決定装置、方法及びプログラム | |
| CN103595652B (zh) | 一种电力通信网络中QoS能效的分级方法 | |
| Kim et al. | A memetic approach for improving minimum cost of economic load dispatch problems | |
| Banerjee et al. | Game theoretic conflict resolution mechanism for cognitive autonomous networks | |
| CN101447936A (zh) | 基于粒子群算法的多播路由方法 | |
| Monteiro et al. | Concave minimum cost network flow problems solved with a colony of ants | |
| Wei et al. | GRL-PS: Graph embedding-based DRL approach for adaptive path selection | |
| CN104901892A (zh) | 一种基于蚁群算法的QoS组播路由优化器及其实现方法 | |
| CN109936141A (zh) | 一种电力系统经济调度方法及系统 | |
| CN110390395A (zh) | 一种适用于sdn多控制器部署问题的自适应变异交叉的改进遗传算法 | |
| Su et al. | Improved chaotic bat algorithm and its application in multi-objective operation of cascade reservoirs considering different ecological flow requirements |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20200922 Address after: 510620 Tianhe District, Guangzhou, Tianhe South Road, No. two, No. 2, No. Patentee after: Guangzhou Power Supply Bureau of Guangdong Power Grid Co.,Ltd. Address before: 510620 Tianhe District, Guangzhou, Tianhe South Road, No. two, No. 2, No. Patentee before: GUANGZHOU POWER SUPPLY Co.,Ltd. |