CN106230716B - 基于蚁群算法的路径搜索方法及电力通信业务调配方法 - Google Patents

基于蚁群算法的路径搜索方法及电力通信业务调配方法 Download PDF

Info

Publication number
CN106230716B
CN106230716B CN201610580254.4A CN201610580254A CN106230716B CN 106230716 B CN106230716 B CN 106230716B CN 201610580254 A CN201610580254 A CN 201610580254A CN 106230716 B CN106230716 B CN 106230716B
Authority
CN
China
Prior art keywords
node
ant
path
pheromones
algorithm
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
Application number
CN201610580254.4A
Other languages
English (en)
Other versions
CN106230716A (zh
Inventor
缪巍巍
吴海洋
郭波
李伟
贾平
吕顺利
蔡新忠
陆涛
杨宇庆
施健
邵波
刘洋
丁传文
王宏
邓伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
NARI Group Corp
Nari Information and Communication Technology Co
Information and Telecommunication Branch of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
Nari Information and Communication Technology Co
Nanjing NARI Group Corp
Information and Telecommunication Branch of State Grid Jiangsu Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nari Information and Communication Technology Co, Nanjing NARI Group Corp, Information and Telecommunication Branch of State Grid Jiangsu Electric Power Co Ltd filed Critical Nari Information and Communication Technology Co
Priority to CN201610580254.4A priority Critical patent/CN106230716B/zh
Publication of CN106230716A publication Critical patent/CN106230716A/zh
Application granted granted Critical
Publication of CN106230716B publication Critical patent/CN106230716B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • H04L45/08—Learning-based routing, e.g. using neural networks or artificial intelligence
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明公开了基于蚁群算法的路径搜索方法及电力通信业务调配方法，包括如下步骤：步骤1、导入电力通信网的网络拓扑模型；步骤2、输入起始节点和目标节点；步骤3、使用蚁群算法的路径搜索方法进行网络拓扑分析，输出最优解路径；步骤4、进行可行性分析，若满足要求，则根据步骤3获得的路径进行电力通信网通信业务智能调配；若不满足要求，则返回步骤3重新进行网络拓扑分析。有效避免了现有蚁群算法中杂乱搜索和容易导致局部最优的缺陷，提高了电力通信网业务路由调配能力和业务保障能力，节约了路由分析和调配的成本。

Description

基于蚁群算法的路径搜索方法及电力通信业务调配方法
技术领域
本发明涉及基于蚁群算法的路径搜索方法及电力通信业务调配方法。
背景技术
随着智能电网和“三集五大”体系的全面推进，电力企业对于通信业务的需求呈现爆发式增长的趋势，电力通信网作为电力系统的专用网络，其承载的通信业务主要是与电力生产、运行相关的通信业务，包括继电保护业务、稳定控制业务、远动业务、调度业务、办公业务等，这些业务对路径选择、可靠性等方面有特殊要求，业务路由的不同调配方式可能会对电力系统的安全稳定运行带来不同的潜在风险。因此，针对电力通信的网络拓扑架构和当前通信业务的需求分布，在保证网络资源有效利用的同时，科学合理地调配与选择路由路径，使得通信业务能够获得满足其服务要求的传输路径，已成为增强网络运维效能、提升网络运维水平的重要工作。
蚁群算法(ant colony optimization,ACO)，又称蚂蚁算法，是一种用来在图中寻找优化路径的机率型算法，在应用于电力通信网业务路由调配时，存在下述不足：
(1)无法满足多约束条件下电力通信网业务路由调配管理；
(2)采用迭代遍历，耗费时间长，且最优解可靠性低；
(3)存在搜索杂乱、容易陷入局部最优的缺陷，同时多个启发式算法的组合又产生了很多不确定性。
发明内容
针对上述问题，本发明提供基于蚁群算法的路径搜索方法及电力通信业务调配方法，提出了一种改进的蚁群算法，有效避免了现有蚁群算法中杂乱搜索和容易导致局部最优的缺陷，提高了电力通信网业务路由调配能力和业务保障能力，节约了路由分析和调配的成本。
为实现上述技术目的，达到上述技术效果，本发明通过以下技术方案实现：
基于蚁群算法的路径搜索方法，其特征在于，包括如下步骤：
1)初始化：初始化蚁群算法的信息素浓度，迭代次数Ne＝1；
2)判断迭代次数Ne是否达到最大迭代次数Ne_max，如果达到最大迭代次数则转到步骤8，否则转到步骤3；
3)放置蚂蚁；
4)蚂蚁寻路：蚂蚁寻找相邻近的未访问节点，通过计算状态转移概率，确定下一个节点，其中：
蚁群k(k＝1，2，3......，n)在t时刻从当前节点i寻找下一个节点j时的状态转移概率为：
式中，allowed表示蚁群k(k＝1，2，3......，n)下一步允许选择的节点集合，α是信息素启发式因子，β是期望启发式因子，τij(t)是t时刻节点i到节点j的信息素强度，τis(t)是t时刻节点i到节点s的信息素强度，启发式函数为：
dje(t)表示当前节点j到目的节点e的最小代价，γ是启发因子，用于区别启发式函数中已经实际付出的g(i)和将付出的最小代价h(i)对蚂蚁寻找路径的重要性，dij(t)表示节点i到节点j之间的链路长度，为启发式函数，含义参照
5)修改禁忌表：在蚂蚁寻找路径的过程中动态的修改禁忌表，已经访问过的节点避免重复访问；
6)判断蚂蚁是否遍历了所有节点，或者寻找到了目的节点，若是则执行步骤7，否则跳转到步骤4继续寻路；
7)信息素的更新：计算平均路径和最短路径，并根据信息素的更新机制对信息素进行更新；
8)输出最优解。
优选，步骤7)中，信息素的更新具体如下：
式中，表示蚁群k(k＝1，2，3......，n)在t时刻从当前节点i寻找下一个节点j时产生的信息素增量值，Q表示的是信息素强度，l(xk(t))表示蚁群k(k＝1，2，3......，n)在本次循环中所走的总路径长度，信息素强度Q与总路径长度l(xk(t))成反比例关系，权值参数λk(t)计算公式如下：
Lk(t)表示在本次循环中所走的路径长度，Laverage(t)表示平均路径长度，Lshortest(t)表示最短路径长度。
电力通信业务调配方法，其特征在于，包括如下步骤：
步骤1、导入电力通信网的网络拓扑模型；
步骤2、输入起始节点和目标节点；
步骤3、采用权利要求1或2任意一项所述的使用蚁群算法的路径搜索方法进行网络拓扑分析，输出最优解路径；
步骤4、进行可行性分析，若满足要求，则根据步骤3获得的路径进行电力通信网通信业务智能调配；若不满足要求，则返回步骤3重新进行网络拓扑分析。
本发明的有益效果是：
(1)传统的蚁群算法，启发式函数ηij(t)只考虑了上一节点到当前节点所付出的代价，并没有考虑当前节点到目的节点的代价，改进后的使用蚁群算法的路径搜索方法则克服了这个缺点。
(2)传统的蚁群算法，信息素更新机制中，在蚁密模型和蚁量模型采用的是局部信息，即蚂蚁每走一步便立即更新路径上的信息素值。针对局部更新机制存在的缺点，改进后的算法采用全局更新机制的蚁周模型，同时引入权值参数λk(t)，可根据每只蚂蚁寻找到的路径的优劣赋予不同的权值。根据权值的不同，对蚂蚁所走路径上的信息素浓度进行不同程度的更新，有效的改善了蚁群混合算法中的局部最优问题。
(3)提高了电力通信网业务路由调配能力和业务保障能力，节约了路由分析和调配的成本。
附图说明
图1是本发明一种使用蚁群算法的路径搜索方法的流程图；
图2是传统算法的最短路径的示意图；
图3是传统算法的收敛曲线图；
图4是本发明改进后算法的最短路径的示意图；
图5是本发明改进后算法的收敛曲线图；
图6是三种算法平均耗时比较曲线图。
具体实施方式
下面结合附图和具体的实施例对本发明技术方案作进一步的详细描述，以使本领域的技术人员可以更好的理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
基于蚁群算法的路径搜索方法，如图1所示，包括如下步骤：
1)初始化：初始化蚁群算法的信息素浓度，迭代次数Ne＝1；
2)判断迭代次数Ne是否达到最大迭代次数Ne_max，如果达到最大迭代次数则转到步骤8，否则转到步骤3；
3)放置蚂蚁；
4)蚂蚁寻路：蚂蚁寻找相邻近的未访问节点，通过计算状态转移概率，确定下一个节点。
传统的蚁群算法，在蚁群算法寻路算法中，蚁群k(k＝1，2，3......，n)在t时刻从当前节点i寻找下一个节点j时的状态转移概率为：
其中，allowed表示蚁群k(k＝1，2，3……，n)下一步允许选择的节点集合，是信息素启发式因子，用于表征信息素重要程度的参数，反映了蚁群在运动过程中所积累的信息素在蚂蚁运动时所起的作用。β是期望启发式因子，用于表征启发函数重要程度的参数，反映了蚂蚁在运动过程中启发信息在蚂蚁选择路径中的受重视程度。
ηij(t)为启发式函数，其表达式如下所示：
式(2)中，dij(t)表示节点i到节点j之间的链路长度，它与ηij(t)成反比关系。因此，节点i到节点j之间的链路长度越短，则蚁群选择节点j的概率越大，即该启发式函数增加了蚁群向较优路径寻食的倾向性。ηis(t)的含义参照ηij(t)。τij(t)表示t时刻节点i到节点j的信息素强度，τis(t)的含义参照τij(t)。
在式(2)中，启发式函数ηij(t)只考虑了上一节点到当前节点所付出的代价，并没有考虑当前节点到目的节点的代价，借鉴A*算法的思想，在启发式函数ηij(t)中新增两个参数dje(t)和γ：dje(t)表示当前节点j到目的节点e的最小代价，启发因子γ用于区别启发式函数中已经实际付出的g(i)和将付出的最小代价h(i)对蚂蚁寻找路径的重要性。修正后的启发式函数如下所示：
将式(3)替换到式(1)中，得到修正后的概率转移公式，即蚁群k(k＝1，2，3......，n)在t时刻从当前节点i寻找下一个节点j时的状态转移概率为：
式中，allowed表示蚁群k(k＝1，2，3......，n)下一步允许选择的节点集合，α是信息素启发式因子，β是期望启发式因子，τij(t)是t时刻节点i到节点j的信息素强度，τis(t)是t时刻节点i到节点s的信息素强度，启发式函数为：
dje(t)表示当前节点j到目的节点e的最小代价，γ是启发因子，用于区别启发式函数中已经实际付出的g(i)和将付出的最小代价h(i)对蚂蚁寻找路径的重要性，dij(t)表示节点i到节点j之间的链路长度，为启发式函数，含义参照
5)修改禁忌表：在蚂蚁寻找路径的过程中动态的修改禁忌表，已经访问过的节点避免重复访问；
6)判断蚂蚁是否遍历了所有节点，或者寻找到了目的节点，若是则执行步骤7，否则跳转到步骤4继续寻路；
7)信息素的更新：计算平均路径和最短路径，并根据信息素的更新机制对信息素进行更新。
蚁群算法信息素更新机制中，表示蚁群k(k＝1，2，3......，n)在t时刻从当前节点i寻找下一个节点j时产生的信息素增量值。传统的蚁群算法，其对信息素增量的更新方法研究出了三种模型，分别为蚁密模型、蚁周模型和蚁量模型。其中，蚁周模型采用的是全局信息，即蚂蚁寻找路径结束后更新所有路径上的信息素浓度。在蚁密模型和蚁量模型采用的是局部信息，即蚂蚁每走一步便立即更新路径上的信息素值。
针对局部更新机制存在的缺点，改进后的算法采用全局更新机制的蚁周模型，同时引入权值参数λk(t)，可根据每只蚂蚁寻找到的路径的优劣赋予不同的权值。根据权值的不同，对蚂蚁所走路径上的信息素浓度进行不同程度的更新，有效的改善了蚁群混合算法中的局部最优问题。
在传统的蚁周模型中，的更新方式如下所示：
式中，Q表示的是信息素强度，是一个正的常数值，l(xk(t))表示蚁群k(k＝1，2，3......，n)在本次循环中所走的总路径长度，从上式可见，信息素强度Q与路径总长度l(xk(t))成反比例关系。
改进后的更新机制将判断每只蚂蚁每次所走路径是否接近最优路径，当蚂蚁所寻找的路径很接近最优解时就相应的增加信息素浓度，加快收敛的速度；如果蚂蚁搜索到的解的质量不高或者很差时就不对该路径的信息素浓度更新，或者只赋予一个很小的信息素增量值，避免对蚂蚁寻找最短路径造成干扰。
改进后的算法采用每次蚂蚁所走路径的长度与平均路径长度进行比较来寻找最优解：若所走路径长度大于平均值，则说明有偏离最优解的趋势，这时将赋予一个较小的权值或0；若所走路径长度小于平均值，则说明有朝向最优解的趋势，这时将赋予一个较大的权值。因此，权值参数λk(t)表达式如下：
Lk(t)表示在本次循环中所走的路径长度，Laverage(t)表示平均路径长度，Lshortest(t)表示最短路径长度。
则改进后的蚁群算法信息素增量的更新机制变为：
式中，表示蚁群k(k＝1，2，3......，n)在t时刻从当前节点i寻找下一个节点j时产生的信息素增量值，Q表示的是信息素强度，l(xk(t))表示蚁群k(k＝1，2，3......，n)在本次循环中所走的总路径长度，信息素强度Q与总路径长度l(xk(t))成反比例关系。
改进后的信息素更新机制采用全局更新避免了局部更新容易造成的局部最优现象，同时通过引入权值可智能的根据蚁群所寻路径的解的质量不同赋予不同的值，有效加快了蚁群向最优解收敛的速度。
8)输出最优解。
相对应的，一种电力通信网通信业务智能调配方法，包括如下步骤：
步骤1、导入电力通信网的网络拓扑模型；
步骤2、输入起始节点和目标节点；
步骤3、采用上述的使用蚁群算法的路径搜索方法进行网络拓扑分析，输出最优解路径；
步骤4、进行可行性分析，若满足要求，则根据步骤3获得的路径进行电力通信网通信业务智能调配；若不满足要求，则返回步骤3重新进行网络拓扑分析。
下面结合具体实施例进行说明：
利用Waxman拓扑生成器，随机生成25个节点的网络拓扑模型，设置节点1为起始节点，节点23为目标节点。在此拓扑模型的基础上运行传统的蚁群算法，其经过迭代计算后得到的最短路径及收敛曲线图分别如图2和3所示，其中，图2中的加粗黑色线条即为传统的蚁群算法最终找到的最优路径。
在相同的网络拓扑模型上运行改进后的算法，其经过迭代计算后得到的最短路往以及收敛曲线分别如图4和5所示，其中，图4中的加粗黑色线条即为改进后的算法最终寻找的最优路径。
从附图对比可见，改进后的算法其搜索到的路径明显优于传统的算法。同时，改进后的算法在最优解附近出现了小幅波动，充分体现了解空间的多样性，可有效避免局部最优解的出现，同时由于较优解的权值大于较差解的权值，故不会影响到算法的收敛速度，仍然可较快得到最最优解。
为验证实际算法效率，本文使用拓扑生成器随机依次生成网元数量为10、20、30、40、50、60、70、80、90、100的拓扑图，并分别使用Dijkstra算法、Floyd算法和改进算法依次对这些拓扑图求解，最后计算每个算法对不同网元数量的拓扑图求解所耗平均时间。
图中为了比较的统一性将蚁群算法迭代次数Nc，和蚂蚁数量m的取值分别固定为50和60。从图6中可以看出，使用Dijkstra算法和Floyd算法求解任意点到点的单播路由时所耗时间相差不大。改进算法与Dijkstra算法和Floyd算法比较，在网元数量较少时耗时比较长，而当网元数量逐渐增多时改进算法的优越性就体现出来，因为Dijkstra算法和Floyd算法需要对所有来访问的节点进行权值更新，当网元数量很多时，计算量就比较大，从而导致算法的计算时间比较长。再加上改进算法是一种智能仿生算法，它具有快速的并行计算能力和正反馈机制，能够以信息素的形式对多个参数进行统一处理.这些是Dijkstra算法和Floyd算法所不具有的。因此，在求解多约束条件下的通信网络业务智能调配时使用改进的算法是非常有优势的。
本算法通过对于现有蚁群算法中启发式函数改进和权重系数的应用，实现对于电力通信网通信业务路由智能调配管理，有效避免了蚁群算法中杂乱搜索和容易导致局部最优的缺陷，提高了电力通信网业务路由调配能力和业务保障能力，节约了路由分析分析和调配的成本。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或者等效流程变换，或者直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (4)

1.基于蚁群算法的路径搜索方法，其特征在于，包括如下步骤：
1)初始化：初始化蚁群算法的信息素浓度，迭代次数Ne＝1；
2)判断迭代次数Ne是否达到最大迭代次数Ne_max，如果达到最大迭代次数则转到步骤8，否则转到步骤3；
3)放置蚂蚁；
4)蚂蚁寻路：蚂蚁寻找相邻近的未访问节点，通过计算状态转移概率，确定下一个节点，其中：
蚁群k(k＝1，2，3......，n)在t时刻从当前节点i寻找下一个节点j时的状态转移概率为：
式中，allowed表示蚁群k(k＝1，2，3......，n)下一步允许选择的节点集合，α是信息素启发式因子，β是期望启发式因子，τij(t)是t时刻节点i到节点j的信息素强度，τis(t)是t时刻节点i到节点s的信息素强度，启发式函数为：
dje(t)表示当前节点j到目的节点e的最小代价，γ是启发因子，用于区别启发式函数中已经实际付出的g(i)和将付出的最小代价h(i)对蚂蚁寻找路径的重要性，dij(t)表示节点i到节点j之间的链路长度，为启发式函数，含义参照
5)修改禁忌表：在蚂蚁寻找路径的过程中动态的修改禁忌表，已经访问过的节点避免重复访问；
6)判断蚂蚁是否遍历了所有节点，或者寻找到了目的节点，若是则执行步骤7，否则跳转到步骤4继续寻路；
7)信息素的更新：计算平均路径和最短路径，并根据信息素的更新机制对信息素进行更新；
8)输出最优解。
2.根据权利要求1所述的基于蚁群算法的路径搜索方法，其特征在于，步骤7)中，信息素的更新具体如下：
式中，表示蚁群k(k＝1，2，3......，n)在t时刻从当前节点i寻找下一个节点j时产生的信息素增量值，Q表示的是信息素强度，l(xk(t))表示蚁群k(k＝1，2，3......，n)在本次循环中所走的总路径长度，信息素强度Q与总路径长度l(xk(t))成反比例关系，权值参数λk(t)计算公式如下：
Lk(t)表示在本次循环中所走的路径长度，Laverage(t)表示平均路径长度，Lshortest(t)表示最短路径长度。
3.电力通信业务调配方法，其特征在于，包括如下步骤：
步骤1、导入电力通信网的网络拓扑模型；
步骤2、输入起始节点和目标节点；
步骤3、采用权利要求1或2任意一项所述的使用蚁群算法的路径搜索方法进行网络拓扑分析，输出最优解路径；
步骤4、进行可行性分析，若满足要求，则根据步骤3获得的路径进行电力通信网通信业务智能调配。
4.根据权利要求3所述的电力通信业务调配方法，其特征在于，步骤4中，若不满足要求，则返回步骤3重新进行网络拓扑分析。
CN201610580254.4A 2016-07-22 2016-07-22 基于蚁群算法的路径搜索方法及电力通信业务调配方法 Active CN106230716B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610580254.4A CN106230716B (zh) 2016-07-22 2016-07-22 基于蚁群算法的路径搜索方法及电力通信业务调配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610580254.4A CN106230716B (zh) 2016-07-22 2016-07-22 基于蚁群算法的路径搜索方法及电力通信业务调配方法

Publications (2)

Publication Number Publication Date
CN106230716A CN106230716A (zh) 2016-12-14
CN106230716B true CN106230716B (zh) 2019-05-21

Family

ID=57531316

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610580254.4A Active CN106230716B (zh) 2016-07-22 2016-07-22 基于蚁群算法的路径搜索方法及电力通信业务调配方法

Country Status (1)

Country Link
CN (1) CN106230716B (zh)

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107094115B (zh) * 2017-05-19 2020-06-16 重庆邮电大学 一种基于sdn的蚁群优化负载均衡路由算法
CN107171963B (zh) * 2017-07-26 2021-02-26 华北电力大学（保定） 一种蚁群寻优方法及装置
CN107612916B (zh) * 2017-09-22 2019-12-24 潘晓君 基于蚁群融合算法的分布式入侵检测方法
CN108600103A (zh) * 2018-04-18 2018-09-28 江苏物联网研究发展中心 面向多层级网络的多QoS路由约束的蚁群算法
CN108596389B (zh) * 2018-04-24 2021-08-31 宁波三星医疗电气股份有限公司 基于蚁群算法的电力集中器智能抄表方法
CN109579753B (zh) * 2018-12-13 2021-01-29 罡阳轴研科技(灌云)有限公司 一种有效的在线检测系统
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
CN111010295B (zh) * 2019-11-28 2022-09-16 国网甘肃省电力公司电力科学研究院 一种基于sdn-mec的配用电通信网任务迁移方法
CN111563657B (zh) * 2020-04-10 2022-11-15 福建电子口岸股份有限公司 一种通过蚁群算法结合多维度策略解决港口拖轮调度的方法
CN112113569A (zh) * 2020-09-03 2020-12-22 中国联合网络通信集团有限公司 一种巡检路径优化方法及装置
CN113392592A (zh) * 2021-07-13 2021-09-14 南方电网科学研究院有限责任公司 一种配电网拓扑图布局方法、装置和设备
CN113905339A (zh) * 2021-08-25 2022-01-07 国网宁夏电力有限公司 一种综合业务型电力移动作业终端
CN115361330B (zh) * 2022-07-09 2023-09-08 中国科学院上海微系统与信息技术研究所 一种用于分布式神经网络的边缘网络通信路径选择方法
CN115086187B (zh) * 2022-08-01 2023-09-05 广东电网有限责任公司 基于强化学习的电力通信通道规划方法、装置及存储介质
CN115348178A (zh) * 2022-08-29 2022-11-15 安天科技集团股份有限公司 节点控制方案生成方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101136080A (zh) * 2007-09-13 2008-03-05 北京航空航天大学 基于满意决策蚁群智能无人作战飞机自适应航路规划方法
CN102932422A (zh) * 2012-09-29 2013-02-13 南京邮电大学 基于改进蚁群算法的云环境任务调度方法
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

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101136080A (zh) * 2007-09-13 2008-03-05 北京航空航天大学 基于满意决策蚁群智能无人作战飞机自适应航路规划方法
CN102932422A (zh) * 2012-09-29 2013-02-13 南京邮电大学 基于改进蚁群算法的云环境任务调度方法
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Optimizing Dynamic Logistics Allocation on Improved Ant Colony Algorithm;Li Na et al.;《2009 Second International Conference on Intelligent Computation Technology and Automation》;20091011;全文

Also Published As

Publication number Publication date
CN106230716A (zh) 2016-12-14

Similar Documents

Publication Publication Date Title
CN106230716B (zh) 基于蚁群算法的路径搜索方法及电力通信业务调配方法
Zhang et al. Enhancing the transmission efficiency by edge deletion in scale-free networks
CN108322333B (zh) 一种基于遗传算法的虚拟网络功能的放置方法
CN108540204B (zh) 利用快速收敛蚁群算法的卫星网络拓扑生成方法
CN104601485B (zh) 网络流量的分配方法及实现网络流量分配的路由方法
CN101478802A (zh) 一种基于蜂群算法的自组织QoS路由方法
CN101478803B (zh) 一种基于蚂蚁算法的自组织QoS路由方法
CN104022911A (zh) 一种融合型内容分发网络的内容路由管理方法
Kyriakopoulos et al. Energy-efficient lightpath establishment in backbone optical networks based on ant colony optimization
CN109995580A (zh) 5g网络切片中基于ga_pso混合算法的vn映射方法
Natalino et al. Machine learning aided orchestration in multi-tenant networks
CN108833285A (zh) 网络移动目标防御方法、电子设备、存储介质及系统
Nguyen et al. An intelligent parallel algorithm for online virtual network embedding
CN109951391A (zh) 一种基于多QoS约束的网络路径快速计算方法
CN101616074A (zh) 基于量子进化的组播路由优化方法
CN105915310A (zh) 一种基于蚁群算法的wdm光网络rwa综合优化方法
Houidi et al. An enhanced reinforcement learning approach for dynamic placement of virtual network functions
CN109840625B (zh) 一种快递员群路径导航的方法
CN109800911B (zh) 一种为多名快递员派件路径统一导航的方法
Nguyen et al. Efficient virtual network embedding with node ranking and intelligent link mapping
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
Chen et al. Virtual network embedding with border matching
Ullah et al. Ego network-based virtual network embedding scheme for revenue maximization
Jing et al. An improved GAC routing algorithm based on SDN
Melo et al. MC-ANT: a multi-colony ant algorithm

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CP01 Change in the name or title of a patent holder
CP01 Change in the name or title of a patent holder

Address after: 210024 No. 20 West Beijing Road, Jiangsu, Nanjing

Co-patentee after: NARI Group Corp.

Patentee after: INFORMATION & TELECOMMUNICATION BRANCH OF STATE GRID JIANGSU ELECTRIC POWER Co.

Co-patentee after: NARI INFORMATION AND COMMUNICATION TECHNOLOGY Co.

Address before: 210024 No. 20 West Beijing Road, Jiangsu, Nanjing

Co-patentee before: NARI Group CORPORATION STATE GRID ELECTRIC POWER INSTITUTE

Patentee before: INFORMATION & TELECOMMUNICATION BRANCH OF STATE GRID JIANGSU ELECTRIC POWER Co.

Co-patentee before: NARI INFORMATION AND COMMUNICATION TECHNOLOGY Co.