CN107318058B - 基于成本最优和负载均衡的配电通信网中onu部署方法 - Google Patents

Abstract

本发明属于通讯技术领域，更具体地，涉及一种基于成本最优和负载均衡的配电通信网中ONU部署方法。其中，包括以下步骤：S1.建立ONU规划模型；S2.基于ONU规划模型利用遗传算法计算出最合适的ONU部署基站；S3.判别ONU部署基站的可行性，根据S2步骤中计算出的ONU部署基站，通过ONU部署可行性算法判别所计算出的ONU部署基站是否可行；所述的ONU‑BS规划模型包括ONU成本模型、ONU服务基站数目模型、ONU部署策略的负载均衡度模型、ONU与服务基站对应关系模型、ONU时延模型。本发明提供的一种基于成本最优和负载均衡的配电通信网中ONU部署方法，通过建立ONU规划模型，利用遗传算法可计算出最合适的ONU部署基站，使得部署的ONU数量最少。

Description

基于成本最优和负载均衡的配电通信网中ONU部署方法

技术领域

本发明属于通讯技术领域，更具体地，涉及一种基于成本最优和负载均衡的配电通信网中ONU部署方法。

背景技术

随着配电自动化系统规模的日益扩大，各种配电自动化业务大量涌入，势必会降低网络的传输性能。并且业务本身的高带宽需求和业务突发性使得通信平台的带宽要求和网络实时性要求越来越高，并对业务的实时性和可靠性提出了更高的要求。配网业务的服务质量如果得不到保证，将会直接影响整个电网的正常运行。光网络是作为当今最重要的高速有线接入网技术，可以提供高带宽和高稳定性的网络体验，但由于网络的部署需要应用大量的精密光学器件，部署成本较高；此外作为有线接入网络，接入灵活性较差，不能实现完全覆盖。反之，无线网络接入技术的部署成本较低，且具有强大的末梢网络覆盖能力。因此，结合了上述两种技术优势的光无线混合网络能够有效地满足配电通信网接入需求。在密度较大的中心城区，可以利用高带宽的光纤接入结合无线基站进行覆盖；在偏远地区及光纤暂时无法覆盖的区域，可以利用无线实现接入，二者互为补充，节省网络的建设难度和成本。

配电通信网中，由于光网络的建设包括大量的精密器件、线路辐射等，建设成本和建设难度较高，在网络建设中占据主要地位，因而光网络的不合理规划将导致极高的建设成本和建设难度。此外，光网络还具有拓扑结构复杂、网络可扩展性不高等特点。因此，如何利用现有的高速无线基站，考虑建设成本和设备成本，规划并建设合理的光接入网络，提高网络建设效率，提升设备和线路利用率，同时满足业务发展所需的网络可扩展性要求，成为配电通信网网络规划的主要问题。其中，ONU(光网络单元)作为网络的关键节点，其成本是网络成本的最主要组成部分，其位置和数量极大程度决定了业务质量。

中国专利CN103414509A提供了一种基于光纤-无线融合的可抗毁无源光网络规划方法，通过为每个光网络单元ONU配置无线功能模块并在网络前端部署无线路由器形成无线网状网，每个工作光网络单元ONU将被分配一个或多个备用光网络单元ONU；当一条分支光纤发生故障时，连接中断的工作光网络单元ONU可将其业务通过前端的无线备用路径转移到其备用光网络单元ONU；然后，备用光网络单元ONU将使用剩余容量承载来自工作光网络单元ONU的业务并上传给光线路终端OLT；在满足无线备用路径跳数限制及业务量完全保护的条件下，最小化无线路由器部署成本。但其缺陷在于实现过程较为复杂，方法开销大，实现过程难以控制但是缺陷在于过程较复杂，带来的开销大，而且实现过程可能难以控制。

中国专利CN102355301A提供了一种面向无源光网络规划应用的节点分组算法，充分考虑了节点间距离上的邻近关系对光配线网络规划设计造成的影响，通过使用节点最近距离组成最小节点组的方法，避免相邻节点被划分在不同的节点组中，解决了节点组的合并问题。但是此方法缺陷在于算法复杂度高，当网络规模较大时性能比较低。

中国专利CN106411409A提供了一种光与无线FiWi网络带宽恢复方法及装置，提高了FiWi网络的可用性，节省了光纤资源，降低了FiWi网络的建设成本。但是在对可行路径进行组合时，其有潜在的随机性因素，导致结果不准确。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于成本最优和负载均衡的配电通信网中ONU部署方法，通过建立ONU规划模型，利用遗传算法可计算出最合适的ONU部署基站，使得部署的ONU数量最少。

为解决上述问题，本发明提供的技术方案为：基于成本最优和负载均衡的配电通信网中ONU部署方法，其中，包括以下步骤：

S1.建立ONU规划模型；

S2.基于ONU规划模型利用遗传算法计算出最合适的ONU部署基站；

S3.判别ONU部署基站的可行性，根据S2步骤中计算出的ONU部署基站，通过ONU部署可行性算法判别所计算出的ONU部署基站是否可行；

所述的ONU-BS规划模型包括ONU成本模型、ONU服务基站数目模型、ONU部署策略的负载均衡度模型、ONU与服务基站对应关系模型、ONU时延模型。

进一步地，所述的ONU部署可行性算法包括以下步骤：

S31.设定当前跳数i＝1；

S32.将跳数为i的基站B加入UAOB集合中，依次遍历集合中的元素B_k，如果使得m≠n，则把元素B_k暂放入对应的中，并删除集合中的元素B_k；

S33.将S_OB按照元素个数升序排列，若S_OB元素个数相同，则按照UA_OB升序排列；

S34.取最小的集合将集合中的一个元素B_k加入中，其中，j∈(1,2,3…N_OB)；

S35.遍历其余的UA_OB集合，若集合中存在元素B_k，则该集合删除B_k这个基站元素；如果进入步骤S36，否则跳回步骤S33；

S36.如果当前跳数i＝H_max，且则满足约束条件，可以进行适应度计算，结束；若进入步骤S34；若当前跳数i<H_max，i自增1，跳回S32；

S37.选择没有被分配的基站B_f，为其寻找一条合适的可转移路径，若不存在这种路径，则不满足约束条件，算法结束；

其中，UA_OB为ONU基站所服务的分配基站集合，j∈(1,2,3…N_OB)；N_OB为被选做ONU的基站数目；B_f为没有被选作ONU基站集合，f∈(1,2,3…N_B)；S_OB为ONU所服务的基站集合，j∈(1,2,3…N_OB)；H_max为基站到ONU基站的最大跳数；OB_j为ONU基站集合，j∈(1,2,3…N_OB)。

进一步地，所述的ONU成本模型为其中Ti为无线基站集合，i∈(1,2,3…N_T)；N_T为无线基站的总数目，f为ONU成本，c为ONU的单件；所述的ONU服务基站数目模型为其中AVG(S_OB)为ONU-BS所服务的基站平均数；为第j个ONU服务的基站数目；所述的ONU部署策略的负载均衡度模型为其中D_OB为ONU所服务的基站数目方差，所述的D_OB值越小负载均衡度越好；所述的ONU与服务基站对应关系模型为用N_B*N_OB的矩阵D_L表示ONU与所服务基站的对应关系，矩阵中1表示基站被对应的ONU所服务，0表示基站不被该ONU服务，即

u∈B，v∈OB；N_B为没有被选作ONU-BS的基站数目；所述的ONU时延模型包括无线多跳网络中的传输时延，即跳数大小，在此模型中选择跳数小的方式进行互联网通信，即h(u_i，v_j)＝min{H_BTB，{H_BTO+H_OTB}}≤C_s j∈N_B；u、v∈B；所述的ONU时延模型还包括无线多跳网络中包转发时延，即h(u_i，v_j)＝H_BTO，1<i<N_B，1<j<N_OB；u∈B，v∈OB，其中，h(u，v)为节点u、v之间的跳数，u、v∈N_T；H_BTO为基站到ONU的跳数；H_BTB为基站到基站的跳；H_OTB为ONU到基站的跳数。

进一步地，所述的ONU与服务基站对应关系模型中一个基站只能被一个ONU服务而且必须被一个ONU服务，即ONU覆盖所有基站，即 σ_ij≤b_j，1<i<N_B，1<j<N_OB。

进一步地，还包括最大簇规模C_s，所述的最大簇规模为一个ONU服务基站和其所服务的基站组成的最大规模，所述的ONU所服务的基站数目不能超出最大簇规模，即所述的基站到ONU的跳数还设有一个阀值，即h(u_i，v_j)≤H_max，1<i<N_B，1<j<N_OB；u∈B，v∈OB。

进一步地，所述的遗传算法包括以下步骤：

S21.对染色体进行编码，每一条染色体代表一种基站选择方案；

S22.计算适应度，利用ONU部署可行性算法进行判别，把不满足约束条件的个体的适应度设为0，然后根据染色体S_V的适应度函数计算染色体的适应度；

S23.利用特定的选择方式选择适应度高的个体，淘汰适应度低的个体；

S24.对选出的适应度高的个体进行交叉、变异；

S25.重复S23与S24步骤，直至适应度趋于一个稳定值，即选出最优的适应度。

进一步地，所述的对染色体进行编码采用二进制编码，用1表示基站被选为ONU服务基站，0表示未被选为ONU基站。

进一步地，所述的染色体S_V的适应度函数为其中，X、Y为一个大数，可以保证f(S_v)的值为正数；δ为调节因子。

进一步地，所述的特定的选择方式为轮盘赌选择方式，所述的轮盘赌选择方式为个体被选择的概率与其适应度大小成正比，即其中M为遗传代数。

进一步地，所述的交叉为单点交叉算子，依照交叉概率Pc在父代染色体中随机选择一个交叉点，在该点父代染色体进行互换，其中交叉概率Pc为所述的变异为基本位变异，依照变异概率Pm随机选择变异位置，对该位置基因进行变异，其中变异概率Pm为其中，f′为两个交叉个体中适应度较高的个体，f为变异个体的适应度值，f_avg为群体的平均适应度值，f_max为群体最大适应度值，P_c1、P_c2、P_m1、P_m2为常数。

与现有技术相比，有益效果是：本发明提供的一种基于成本最优和负载均衡的配电通信网中ONU部署方法，通过建立ONU规划模型，利用遗传算法计算出最合适的ONU部署基站，本发明提出的基于改进的遗传算法的ONU部署策略可以降低网络的建设成本，提升网络性能；首先建立问题模型，在满足网络连接约束、跳数约束、簇大小约束的基础上，使得部署的ONU数量最少，并兼顾负载均衡；本发明可以避免过早收敛进入局部最优，最终ONU部署数目最少，同时可以保持较高的负载均衡水平，具有更好的性能，为网络建设提供参考依据。

附图说明

图1为本发明实施例中基站数量100的规划结果示意图。

图2为本发明实施例中基站数量80的规划结果示意图。

图3为本发明实施例中基站数量50的规划结果示意图。

图4为本发明实施例中进化代数与个体适应度关系示意图。

图5为本发明实施例中传统遗传算法与本发明算法比较结果示意图。

图6为本发明实施例中不同算法下基站数目与ONU数目对比示意图。

具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。附图中描述位置关系仅用于示例性说明，不能理解为对本专利的限制。

基于成本最优和负载均衡的配电通信网中ONU部署方法，其中，包括以下步骤：

S1.建立ONU规划模型；

S2.基于ONU规划模型利用遗传算法计算出最合适的ONU部署基站；

S3.判别ONU部署基站的可行性，根据S2步骤中计算出的ONU部署基站，通过ONU部署可行性算法判别所计算出的ONU部署基站是否可行；

ONU-BS规划模型包括ONU成本模型、ONU服务基站数目模型、ONU部署策略的负载均衡度模型、ONU与服务基站对应关系模型、ONU时延模型。

进一步地，ONU部署可行性算法包括以下步骤：

S31.设定当前跳数i＝1；

S32.将跳数为i的基站B加入UAOB集合中，依次遍历集合中的元素B_k，如果使得m≠n，则把元素B_k暂放入对应的中，并删除集合中的元素B_k；

S33.将S_OB按照元素个数升序排列，若S_OB元素个数相同，则按照UA_OB升序排列；

S34.取最小的集合将集合中的一个元素B_k加入中；

S35.遍历其余的UA_OB集合，若集合中存在元素B_k，则该集合删除B_k这个基站元素；如果进入步骤S36，否则跳回步骤S33；

S36.如果当前跳数i＝H_max，且则该个体满足约束条件，可以进行适应度计算，结束；若进入步骤S37；若当前跳数i<H_max，i自增1，跳回S32；

S37.选择没有被分配的基站B_f，为其寻找一条合适的可转移路径，若不存在这种路径，则该个体不满足约束条件，算法结束；

其中，UA_OB为ONU基站所服务为分配基站集合，j∈(1,2,3…N_OB)；N_OB为被选做ONU的基站数目；B_f为没有被选作ONU基站集合，f∈(1,2,3…N_B)；S_OB为ONU所服务的基站集合，j∈(1,2,3…N_OB)；H_max为基站到ONU基站的最大跳数；OB_j为ONU基站集合，j∈(1,2,3…N_OB)。

具体地，ONU成本模型为其中Ti为无线基站集合，i∈(1,2,3…N_T)；N_T为无线基站的总数目，f为ONU成本；用无向图G(V，E)表示WIMAX网络侧的无线多跳网络(WMN)，其中V代表无线基站，即V＝T_i，E代表两个基站或基站与ONU基站之间的通信链路；本发明充分考虑上述两种通信模式，考虑网络成本和性能，使得T_i中被选定做ONU基站节点的数目最少。

具体地，ONU服务基站数目模型为其中AVG(S_OB)为ONU-BS所服务的基站平均数；为第j个ONU服务的基站数目；考虑负载均衡，ONU基站部署策略应尽量确保各个ONU基站所服务的基站数目相差不能过大，这样可以避免网络负载过高导致网络拥塞或出现闲置ONU基站。

具体地，ONU部署策略的负载均衡度模型为其中D_OB为ONU所服务的基站数目方差，所述的D_OB值越小负载均衡度越好；本发明用上式衡量ONU基站部署策略的负载均衡度，D_OB值越小说明负载均衡度越好。

具体地，ONU与服务基站对应关系模型为用N_B*N_OB的矩阵D_L表示ONU与所服务基站的对应关系，矩阵中1表示基站被对应的ONU所服务，0表示基站不被该ONU服务，即

u∈B，v∈OB；N_B为没有被选作ONU-BS的基站数目；用一个N_T*N_T的矩阵D_B表示无向图G(V，E)，矩阵中1来表示节点之间存在通信链路，0表示节点之间不存在通信链路，即 u，v∈T；其中，基站不能有到自身的通信链路，φ_ii＝0i<i<N_T。

具体地，ONU时延模型包括无线多跳网络中的传输时延，即跳数大小，在此模型中选择跳数小的方式进行互联网通信，即h(u_i，v_j)＝min{H_BTB，{H_BTO+H_OTB}}≤C_s j∈N_B；u、v∈B；对等通信有两种传输方式，一种是只经由无线多跳网络将数据包发送给另一个用户，另一种则通过无线多跳网络经由光网络，最终由光网络将数据包传送到对应的无线多跳网络并发送给用户。由于光网络传输速度快，因此传输时延忽略不计，基站—光网络—基站传输模式下的时延主要取决于无线多跳网络中的传输时延，即跳数大小，对等通信会选择两种方式中跳数较少的方式进行通信。

另外，ONU时延模型还包括无线多跳网络中包转发时延，即h(u_i，v_j)＝H_BTO，1<i<N_B，1<j<N_OB；u∈B，v∈OB，其中，h(u，v)为节点u、v之间的跳数，u、v∈N_T；H_BTO为基站到ONU的跳数；H_BTB为基站到基站的跳；H_OTB为ONU到基站的跳数。互联网通信中，数据包通过无线多跳网络传送到ONU基站，通过光纤传输到OLT(光纤路终端)，再由OLT传送到互联网，因此，互联网通信的主要时延主要取决于无线多跳网络中包的转发时延。

在一些实施例中，ONU与服务基站对应关系模型中一个基站只能被一个ONU服务而且必须被一个ONU服务，即ONU覆盖所有基站，即 σ_ij≤b_j,1<i<N_B，1<j<N_OB。一个基站只能被一个ONU-BS服务而且必须被一个ONU-BS服务，即ONU-BS要覆盖所有基站；当一个基站被选为ONU-BS时，才能为其他基站提供服务。

在一些实施例中，还包括最大簇规模C_s，最大簇规模为一个ONU服务基站和其所服务的基站组成的最大规模，ONU所服务的基站数目不能超出最大簇规模，即基站到ONU的跳数还设有一个阀值，即h(u_i，v_j)≤H_max,1<i<N_B，1<j<N_OB；u∈B，v∈OB。当一个无线多跳网络内部基站数目过多，在通信时，数据包被基站多次转发，导致时延可能会过高，内部通信质量下降；同时一个ONU基站服务的基站数目过多，会使ONU基站承载的业务量过高，数据吞度量过大，极易发生网络拥塞；因此一个ONU基站所服务的基站数目不能超出最大簇规模。

具体地，遗传算法包括以下步骤：

S21.对染色体进行编码，每一条染色体代表一种基站选择方案；

S22.计算适应度，利用ONU部署可行性算法进行判别，把不满足约束条件的个体的适应度设为0，然后根据染色体S_V的适应度函数计算染色体的适应度；

S23.利用特定的选择方式选择适应度高的个体，淘汰适应度低的个体；

S24.对选出的适应度高的个体进行交叉、变异；

S25.重复S23与S24步骤，直至适应度趋于一个稳定值，即选出最优的适应度。

由于ONU规划问题是NP-Hard问题，通过传统的方法正向求解困难，因此采用遗传算法求解；遗传算法是启发式搜索算法的一种，它模拟自然界生物的进化过程，通过适应度评判、选择、交叉、变异等过程，淘汰适应度低的个体，保留适应度高的个体，经过几代自然选择后，保存下来的个体都是适应度高的个体；它具有与问题领域无关的快速搜索能力，不同个体间可以同时比较，具有并行性，易于与其它算法结合，扩展型好。

在一些实施例中，对染色体进行编码采用二进制编码，用1表示基站被选为ONU服务基站，0表示未被选为ONU基站。在用遗传算法解决EPON-WIMAX混合组网规划问题中ONU部署问题，每一条染色体代表一种基站选择方案，本发明采用二进制编码，1代表基站被选为ONU服务基站，0则相反；例如某网络有8个基站，染色体S_v的编码为{10001001}，则表示编号为1、5、8的基站被选做ONU服务基站。

具体地，染色体S_V的适应度函数为其中，X、Y为一个大数，可以保证f(S_v)的值为正数；δ为调节因子。适应度函数的选取直接影响遗传算法收敛速度及能否找到最优解，本发明需要综合考虑ONU数量和网络质量，对于每个个体，利用ONU部署可行性算法进行判别，把不满足约束条件的个体适应度设置为0；对于ONU数量因素，将成本函数作为适应度评判标准，其值越低，代表所用的ONU数目越少，适应度越高；对于网络质量因素，考虑各个ONU之间负载均衡，其值越低，代表负载均衡水平越高。

在一些实施例中，特定的选择方式为轮盘赌选择方式，轮盘赌选择方式为个体被选择的概率与其适应度大小成正比，即其中M为遗传代数。轮盘赌选择随机性大，可以保证下一代个体具有随机性，但优良的个体可能不能遗传到下一代，因此我们引入精英选择机制，最优个体不参与交叉、变异过程，直接保留到下一代，这样可以加速收敛过程，保持遗传多样性。

在一些实施例中，交叉为单点交叉算子，依照交叉概率Pc在父代染色体中随机选择一个交叉点，在该点父代染色体进行互换，其中交叉概率Pc为变异为基本位变异，依照变异概率Pm随机选择变异位置，对该位置基因进行变异，其中变异概率Pm为 其中，f′为两个交叉个体中适应度较高的个体，f为变异个体的适应度值，f_avg为群体的平均适应度值，f_max为群体最大适应度值，P_c1、P_c2、P_m1、P_m2为常数。交叉概率和变异概率直接影响遗传算法的性能，若Pc过大，新个体产生速度会很快，会导致部署ONU数目少，负载均衡度高的优秀个体被破坏，若Pc过小，会使搜索停滞不前。若Pm过大，会使搜索变成随即搜索，若Pm过小，则不易产生新个体。因此引入自适应策略，使得Pc和Pm可以随着搜索过程动态改变。当个体适应度趋于一致时，使Pc和Pm增加，相应当适应度比较分散时，使Pc和Pm减少。对于适应度高的个体，对应较低的Pc和Pm；适应度低的个体对应较高的Pc和Pm。这样可以保证算法收敛性的同时，保持物种多样性。

在一些实施例中，遗传算法的具体步骤为：

1.Gen＝0；

2.染色体编码；

3.初始化种群，随机产生M个初始个体；

4.判断是否满足终止条件，若满足，则停止，输出最优解；若不满足，进入第5步；

5.计算群体中各个个体的适应度；

6.依次进行交叉、变异过程，更新适应度值；

7.将上一代种群中的个体和本次遗传操作产生的新个体根据适应度进行选择，加入到新个体中；

8.Gen＝Gen+1，返回第4步。

下面结合实施例对本发明作进一步地说明

分别在40*40、32*32、28*28的区域内，数量为50、80、100的基站中选择部署ONU，初始基站位置随机生成。最大簇规模设为8，最大跳数设为2，基站传输距离最大为5km。种群规模取80，遗传代数最大为300，P_c1＝0.9，P_c2＝0.6，P_m1＝0.1，P_m2＝0.01。规划结果如图1、图2、图3和表1所示。在图1、图2、图3中，黑色代表ONU基站，灰色代表基站。从图1、图2、图3和表1可以看出，本发明的算法可以有效地在已有的基站基础中，合理选择ONU基站节点，使得ONU使用数量最少，同时保持较低的负载均衡度。

基站数量为50、80、100时，适应度函数随进化代数的变化如图4所示。由图4可以看出，在不同数量的基站中选择ONU基站时，均可以在有限的进化代数内达到收敛。在进化初期，个体平均适应度快速上升，这表明本发明中的算法具有高效的性能。由图4可以看出，当基站数目越少，达到收敛的速度越快。

本发明引入了自适应策略和精英策略。与传统遗传算法对比，实验中基站数目为100，传统遗传算法的种群规模、遗传代数和上述相同，交叉概率取0.6，变异概率取0.01。为避免实验出现偶然性，对以上两种算法各执行100次，对各项指标取均值，结果如图5所示。由图5可以看出，传统的遗传算法相对于本发明的算法在初期适应度上升更迅速，并提早达到收敛，但是平均个体适应度比本发明的算法低。这说明传统遗传算法会快速收敛达到最优，但容易陷入局部最优。由表2看出本发明的算法最终收敛后的ONU成本比传统遗传算法低，这说明本发明的算法在减少ONU部署数量方面性能比传统遗传算法高，同时可以保证较高的负载均衡水平。

为了验证本发明的算法性能，与随机放置方法、禁忌搜索算法进行对比。其中禁忌搜索算法的目标是使基站到ONU基站的总跳数最少。为了避免实验出现偶然性，对以上两种算法各执行100次，对各项指标取均值。结果如图6所示。

由图6可以看出，本发明的算法相较于禁忌搜索算法、随机部署方法，最终可以实现部署的ONU数目最少。由表3可以看出使用本发明的算法在配电通信网中部署ONU可是保证较高的负载均衡水平，而禁忌搜索算法和随机部署方法在负载均衡水平方面性能比较差。综上所述，本发明的算法在配电通信网中规划ONU，使ONU-BS数目最少，同时兼顾负载均衡的算法性能较好。

表1不同数量基站规划结果

表2传统遗传算法与本发明算法规划结果比较

表3不同算法负载均衡度

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (8)

1.一种基于成本最优和负载均衡的配电通信网中ONU部署方法，其特征在于，包括以下步骤：

S1.建立ONU规划模型；

S2.基于ONU规划模型利用遗传算法计算出最合适的ONU部署基站；

S3.判别ONU部署基站的可行性，根据S2步骤中计算出的ONU部署基站，通过ONU部署可行性算法判别所计算出的ONU部署基站是否可行；

ONU-BS规划模型包括ONU成本模型、ONU服务基站数目模型、ONU部署策略的负载均衡度模型、ONU与服务基站对应关系模型、ONU时延模型；

其中，所述的ONU部署可行性算法包括以下步骤：

S31.设定当前跳数i＝1；

S32.将跳数为i的基站B加入UA_OB集合中，依次遍历集合中的元素B_k，如果使得m≠n，则把元素B_k暂放入对应的中，并删除集合中的元素B_k；

S33.将S_OB按照元素个数升序排列，若S_OB元素个数相同，则按照UA_OB升序排列；

S34.取最小的集合将集合中的一个元素B_k加入中，其中，j∈(1，2，3…N_OB)；

S35.遍历其余的UA_OB集合，若集合中存在元素B_k，则该集合删除B_k这个基站元素；如果进入步骤S36，否则跳回步骤S33；

S36.如果当前跳数i＝H_max，且则满足约束条件，可以进行适应度计算，结束；若进入步骤S37；若当前跳数i＜H_max，i自增1，跳回S32；

S37.选择没有被分配的基站B_f，为其寻找一条合适的可转移路径，若不存在这种路径，则不满足约束条件，算法结束；

其中，UA_OB为ONU基站所服务的分配基站集合；N_OB为被选做ONU的基站数目；B_f为没有被选作ONU基站集合，f∈(1，2，3…N_B)；S_OB为ONU所服务的基站集合，j∈(1，2，3…N_OB)；H_max为基站到ONU基站的最大跳数；OB_j为ONU基站集合，j∈(1，2，3…N_OB)；

所述的ONU成本模型为其中Ti为无线基站集合，i∈(1，2，3…N_T)；N_T为无线基站的总数目，f为ONU成本，c为ONU的单价；

所述的ONU服务基站数目模型为其中AVG(S_OB)为ONU-BS所服务的基站平均数；为第j个ONU服务的基站数目；

所述的ONU部署策略的负载均衡度模型为其中D_OB为ONU所服务的基站数目方差，所述的D_OB值越小负载均衡度越好；

所述的ONU与服务基站对应关系模型为用N_B*N_OB的矩阵D_L表示ONU与所服务基站的对应关系，矩阵中1表示基站被对应的ONU所服务，0表示基站不被该ONU服务，即

N_B为没有被选作ONU-BS的基站数目；

所述的ONU时延模型包括无线多跳网络中的传输时延，即跳数大小，在此模型中选择跳数小的方式进行互联网通信，即 所述的ONU时延模型还包括无线多跳网络中包转发时延，即h(u_i，v_j)＝H_BTO，1＜i＜N_B，1＜j＜N_OB；u∈B，v∈OB，其中，h(u，v)为节点u、v之间的跳数，u、v∈N_T；H_BTO为基站到ONU的跳数；H_BTB为基站到基站的跳；H_OTB为ONU到基站的跳数；C_s为最大簇规模。

2.根据权利要求1所述的基于成本最优和负载均衡的配电通信网中ONU部署方法，其特征在于，所述的ONU与服务基站对应关系模型中一个基站只能被一个ONU服务而且必须被一个ONU服务，即ONU覆盖所有基站，即 1＜i＜N_B，1＜j＜N_OB，σ_ij≤b_j，1＜i＜N_B，1＜j＜N_OB。

3.根据权利要求2所述的基于成本最优和负载均衡的配电通信网中ONU部署方法，其特征在于，还包括最大簇规模C_s，所述的最大簇规模为一个ONU服务基站和其所服务的基站组成的最大规模，所述的ONU所服务的基站数目不能超出最大簇规模，即所述的基站到ONU的跳数还设有一个阀值，即h(u_i，v_j)≤H_max，1＜i＜N_B，1＜j＜N_OB；u∈B，v∈OB。

4.根据权利要求1至3任一项所述的基于成本最优和负载均衡的配电通信网中ONU部署方法，其特征在于，所述的遗传算法包括以下步骤：

S21.对染色体进行编码，每一条染色体代表一种基站选择方案；

S22.计算适应度，利用ONU部署可行性算法进行判别，把不满足约束条件的个体的适应度设为0，然后根据染色体S_V的适应度函数计算染色体的适应度；

S23.利用特定的选择方式选择适应度高的个体，淘汰适应度低的个体；

S24.对选出的适应度高的个体进行交叉、变异；

S25.重复S23与S24步骤，直至适应度趋于一个稳定值，即选出最优的适应度。

5.根据权利要求4所述的基于成本最优和负载均衡的配电通信网中ONU部署方法，其特征在于，所述的对染色体进行编码采用二进制编码，用1表示基站被选为ONU服务基站，0表示未被选为ONU基站。

6.根据权利要求5所述的一种基于成本最优和负载均衡的配电通信网中ONU部署方法，其特征在于，所述的染色体S_V的适应度函数为其中，X、Y为一个大数，可以保证f(S_v)的值为正数；δ为调节因子。

7.根据权利要求6所述的基于成本最优和负载均衡的配电通信网中ONU部署方法，其特征在于，所述的特定的选择方式为轮盘赌选择方式，所述的轮盘赌选择方式为个体被选择的概率与其适应度大小成正比，即其中M为遗传代数。

8.根据权利要求7所述的基于成本最优和负载均衡的配电通信网中ONU部署方法，其特征在于，

所述的交叉为单点交叉算子，依照交叉概率Pc在父代染色体中随机选择一个交叉点，在该点父代染色体进行互换，其中交叉概率Pc为

所述的变异为基本位变异，依照变异概率Pm随机选择变异位置，对该位置基因进行变异，其中变异概率Pm为

其中，f′为两个交叉个体中适应度较高的个体，f为变异个体的适应度值，f_avg为群体的平均适应度值，f_max为群体最大适应度值，P_c1、P_c2、P_m1、P_m2为常数。