CN107766941A - 一种基于遗传算法的设施选址方法 - Google Patents

一种基于遗传算法的设施选址方法 Download PDF

Info

Publication number
CN107766941A
CN107766941A CN201711045620.7A CN201711045620A CN107766941A CN 107766941 A CN107766941 A CN 107766941A CN 201711045620 A CN201711045620 A CN 201711045620A CN 107766941 A CN107766941 A CN 107766941A
Authority
CN
China
Prior art keywords
server
chromosome
node
generation
cost
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
Application number
CN201711045620.7A
Other languages
English (en)
Inventor
张静
付建鹏
苏育挺
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.)
Tianjin University
Original Assignee
Tianjin University
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 Tianjin University filed Critical Tianjin University
Priority to CN201711045620.7A priority Critical patent/CN107766941A/zh
Publication of CN107766941A publication Critical patent/CN107766941A/zh
Pending legal-status Critical Current

Links

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于遗传算法的设施选址方法，包括以下步骤：读取相关链路、用户和服务器的相关信息；随机生成服务器的数目和其所在节点位置，并将服务器随机赋给用户，得到第一代分配种群；运用遗传算法不断交叉变异迭代产生分配种群；经过若干次迭代后对每次结果进行对比获得最小费用的分配状况。本发明避免了对所有路径的遍历，节省了很大的计算空间和计算时间，尤其适用于用户数很大的情况。

Description

一种基于遗传算法的设施选址方法
技术领域
本发明涉及设施选址领域，尤其涉及一种基于遗传算法的设施选址方法。
背景技术
当今视频技术发展迅猛，网络用户几乎时时刻刻都可以收看到任何视频，这样用户的数量也随之加大，网络带宽能否满足用户的需求成为当今亟待解决的问题。如何在覆盖广大用户的基础上布置最少数量的服务器从而使得对网络的花费最小成为当今视频供应商需要考虑的问题。
设施选址包括两个层次的问题：第一：选位，即选择什么地区(区域)设置设施，沿海还是内地，南方还是北方，等等。在当前全球经济一体化的大趋势之下，或许还要考虑是国内还是国外；第二：定址。地区选定以后，具体选择在该地区的什么位置设置设施，也就是说，在已选定的地区内选定一片土地作为设施的具体位置。
由于用户数量巨大，所以遍历所有可能的路径来找到最优的服务器位置是相当困难的，当今的设施选址问题大概可分为两类：整体规划和启发式算法。整体规划的思想是将相关问题转化为方程问题，再利用单纯形算法或多目标规划问题，但是这种方法需要借助求解器，并不适合所有商家；启发式算法是随机产生数列通过不断迭代优化寻找出规律从而求得最优解，常用的启发式算法有蚁群算法，遗传算法，退火算法和粒子群算法。
设施选址面临的主要问题有：大多数计算相关费用的方法都基于单节点，并不适用于多服务器多用户的情况。
发明内容
本发明提供了一种基于遗传算法的设施选址方法，本发明避免了对所有路径的遍历，节省了很大的计算空间和计算时间，尤其适用于用户数很大的情况，详见下文描述：
一种基于遗传算法的设施选址方法，所述设施选址方法包括以下步骤：
读取链路edge、用户custom和服务器server的相关信息；
其中，相关信息包括：用户数目、消费节点、以及与消费节点直连的网络节点和用户的带宽消耗需求；对每个服务器server来说，相关信息有：服务器部署成本；
随机生成服务器server的数目和其所在节点node位置，并将服务器server随机赋给用户custom，得到第一代分配种群；
运用遗传算法不断交叉变异迭代产生分配种群；经过若干次迭代后对每次结果进行对比获得最小费用的分配状况。
其中，所述将服务器server随机赋给用户custom，得到第一代分配种群具体为：
生成一个大小为用户数customnum的队列，队列中的数值表示该用户的网络需求由哪个服务器server提供，随机分配10次产生第一代分配种群。
进一步地，所述运用遗传算法不断交叉变异迭代产生分配种群具体为：
利用最小费用最大流算法计算出每条染色体中服务器server所在节点位置到用户所在节点位置的最小费用costij，取其倒数作为该染色体的适应值；
计算父代染色体的最大适应值fi_max，平均适应值fi_avg和总适应值fi_all＝∑jfij，以及该代中每一条染色体的适应值占整个种群总的适应值的比例pij＝fij/fi_all；
随机生成一个概率值oi，若oi＞pij，则第j条染色体可用于遗传运算，对得到的染色体进行随机打乱得到gi'j，经过交叉变异后得到第i代的子代染色体种群即下一代染色体g(i+1)j。
进一步地，所述经过若干次迭代后对每次结果进行对比获得最小费用的分配状况具体为：
比较10个最小费用中的最小值和相关染色体信息，可得到服务器安装在哪些节点上会使得整个网络的花费最小。
本发明提供的技术方案的有益效果是：
1、通过将随机方法和遗传算法的结合，避免了对网络中所有路径的遍历，大大节省了计算时间和空间；
2、大大减少了布置相关网络的花费成本；3、用户越多，效果越好。
附图说明
图1为一种基于遗传算法的设施选址方法的流程图；
图2为三种设施选址方法所需费用的对比图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步地详细描述。
实施例1
一种基于遗传算法的设施选址方法，参见图1，该设施选址方法包括以下步骤：
101：读取链路edge、用户custom和服务器server的相关信息；
其中，相关信息包括：用户数目、消费节点、以及与消费节点直连的网络节点和用户的带宽消耗需求；对每个服务器server来说，相关信息有：服务器部署成本；
102：随机生成服务器server的数目和其所在节点node位置，并将服务器server随机赋给用户custom，得到第一代分配种群；
103：运用遗传算法不断交叉变异迭代产生分配种群；经过若干次迭代后对每次结果进行对比获得最小费用的分配状况。
综上所述，本发明实施例通过上述步骤101-步骤103将随机方法和遗传算法的结合，避免了对网络中所有路径的遍历，大大节省了计算时间和空间。
实施例2
下面结合具体的实例对实施例1中的方案进行进一步地介绍，详见下文描述：
201：读取相关链路edge、用户custom和服务器server的相关信息；
对于一个网络结构而言，每条链路edge由两个网络节点node相连，相关信息包括：网络节点node的数目，链路edge的起始节点，链路edge的终止节点，链路edge可容纳最大带宽，链路单位带宽的租用费。
对每个用户而言，相关信息包括：用户数目、消费节点、以及与消费节点直连的网络节点和用户的带宽消耗需求。对每个服务器server而言，相关信息有：服务器部署成本。
202：随机生成服务器server的数目和其所在节点node位置，并将服务器server随机赋给用户custom，得到第一代分配种群；
其中，该步骤具体为：首先随机生成服务器server的数目为servernum，并将这servernum个服务器随机放置在网络节点node上。生成一个大小为用户数customnum的队列，队列中的数值表示该用户的网络需求由哪个服务器server提供。随机分配10次产生第一代分配种群。
203：运用遗传算法不断交叉变异迭代产生分配种群；
其中，步骤202中得到的种群大小为10，即每一代有10种分配情况。设置迭代次数为10，当前迭代产生的染色体为父代染色体，每种分配情况gij为一条染色体，其中i∈I＝10，j∈J＝10，I表示总的迭代次数，J表示每一代的染色体数目，i表示第i代种群，j表示该代的第j条染色体。
计算适应值：利用最小费用最大流算法计算出每条染色体中服务器server所在节点位置到用户所在节点位置的最小费用costij，取其倒数作为该染色体的适应值计算父代染色体的最大适应值fi_max，平均适应值fi_avg和总适应值fi_all＝∑jfij，以及该代中每一条染色体的适应值占整个种群总的适应值的比例pij＝fij/fi_all。
筛选父代染色体：得到父代染色体的适应值后，需要从中选取合适的染色体用于遗传计算。选择方法为随机生成一个概率值oi，i表示第i代父代种群产生的随机概率值，若oi＞pij，则第j条染色体可以用于遗传运算。对得到的染色体进行随机打乱得到gi'j，经过交叉变异后得到第i代的子代染色体种群即下一代染色体g(i+1)j。
204：经过若干次迭代后对每次结果进行对比获得最小费用的分配状况。
由于迭代次数为10，所以会有10个最小费用比较10个最小费用中的最小值和相关染色体信息，可得到服务器安装在哪些节点上会使得整个网络的花费最小。
综上所述，本发明实施例避免了对所有路径的遍历，节省了很大的计算空间和计算时间，尤其适用于用户数很大的情况。
实施例3
下面结合具体的试验对实施例1和2中的方案进行可行性验证，详见下文描述：
本实验使用的数据为随机构建的网络结构，共360个用户，3022条链路，800个网络节点，每台服务器的部署费用为400。
在满足用户带宽需求的情况下，网络租用费和服务器部署费用的加和最小，即方法中得到的总费用越小代表算法的效果越好。
实验中将本方法与以下两种方法进行对比：蚁群算法[1]；退火算法[2]。
由图2可知，本方法的所需费用明显低于其他算法。
综上所述，本发明实施例避免了对所有路径的遍历，节省了很大的计算空间和计算时间，尤其适用于用户数很大的情况。
参考文献：
[1]严珍珍,邢立宁,陈英武.蚁群算法求解消防站的选址问题[J].科学技术与工程,2011,11(21):5124-5127.
[2]戴更新,侯云章.基于模拟退火算法的逆向物流网络设计研究[J].青岛大学学报(工程技术版),2005,20(3):27-31.
本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于遗传算法的设施选址方法，其特征在于，所述设施选址方法包括以下步骤：
读取链路edge、用户custom和服务器server的相关信息；
其中，相关信息包括：用户数目、消费节点、以及与消费节点直连的网络节点和用户的带宽消耗需求；对每个服务器server来说，相关信息有：服务器部署成本；
随机生成服务器server的数目和其所在节点node位置，并将服务器server随机赋给用户custom，得到第一代分配种群；
运用遗传算法不断交叉变异迭代产生分配种群；经过若干次迭代后对每次结果进行对比获得最小费用的分配状况。
2.根据权利要求1所述的一种基于遗传算法的设施选址方法，其特征在于，所述将服务器server随机赋给用户custom，得到第一代分配种群具体为：
生成一个大小为用户数customnum的队列，队列中的数值表示该用户的网络需求由哪个服务器server提供，随机分配10次产生第一代分配种群。
3.根据权利要求1所述的一种基于遗传算法的设施选址方法，其特征在于，所述运用遗传算法不断交叉变异迭代产生分配种群具体为：
利用最小费用最大流算法计算出每条染色体中服务器server所在节点位置到用户所在节点位置的最小费用costij，取其倒数作为该染色体的适应值；
计算父代染色体的最大适应值fi_max，平均适应值fi_avg和总适应值fi_all＝∑jfij，以及该代中每一条染色体的适应值占整个种群总的适应值的比例pij＝fij/fi_all；
随机生成一个概率值oi，若oi＞pij，则第j条染色体可用于遗传运算，对得到的染色体进行随机打乱得到g′ij，经过交叉变异后得到第i代的子代染色体种群即下一代染色体g(i+1)j。
4.根据权利要求1所述的一种基于遗传算法的设施选址方法，其特征在于，所述经过若干次迭代后对每次结果进行对比获得最小费用的分配状况具体为：
比较10个最小费用中的最小值和相关染色体信息，可得到服务器安装在哪些节点上会使得整个网络的花费最小。
CN201711045620.7A 2017-10-31 2017-10-31 一种基于遗传算法的设施选址方法 Pending CN107766941A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711045620.7A CN107766941A (zh) 2017-10-31 2017-10-31 一种基于遗传算法的设施选址方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711045620.7A CN107766941A (zh) 2017-10-31 2017-10-31 一种基于遗传算法的设施选址方法

Publications (1)

Publication Number Publication Date
CN107766941A true CN107766941A (zh) 2018-03-06

Family

ID=61271402

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711045620.7A Pending CN107766941A (zh) 2017-10-31 2017-10-31 一种基于遗传算法的设施选址方法

Country Status (1)

Country Link
CN (1) CN107766941A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108616401A (zh) * 2018-05-09 2018-10-02 华南理工大学 一种智能化的视频内容服务器部署方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103297983A (zh) * 2013-05-06 2013-09-11 南京邮电大学 一种基于网络流的无线传感器网络节点动态部署方法
CN105137971A (zh) * 2015-08-03 2015-12-09 大连海事大学 一种辅助船舶进行避碰决策的方法
CN105207195A (zh) * 2015-06-19 2015-12-30 河海大学 一种配电网分布式电源选址定容方法
CN106897771A (zh) * 2017-01-03 2017-06-27 北京国能日新系统控制技术有限公司 一种基于混沌遗传算法的新能源样板机选址方法及系统
CN107274039A (zh) * 2017-07-31 2017-10-20 中国地质大学（武汉） 一种井位不确定环境下的油田仓库选址方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103297983A (zh) * 2013-05-06 2013-09-11 南京邮电大学 一种基于网络流的无线传感器网络节点动态部署方法
CN105207195A (zh) * 2015-06-19 2015-12-30 河海大学 一种配电网分布式电源选址定容方法
CN105137971A (zh) * 2015-08-03 2015-12-09 大连海事大学 一种辅助船舶进行避碰决策的方法
CN106897771A (zh) * 2017-01-03 2017-06-27 北京国能日新系统控制技术有限公司 一种基于混沌遗传算法的新能源样板机选址方法及系统
CN107274039A (zh) * 2017-07-31 2017-10-20 中国地质大学（武汉） 一种井位不确定环境下的油田仓库选址方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
俞经龙 等: "可逆逻辑门进化设计方法的 CUDA 实现", 《电子科技》 *
李蕾: "绿色物流条件下物流节点动态布局优化问题研究", 《物流科技》 *
王战权 等: "配送中心选址的遗传算法研究", 《物流技术》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108616401A (zh) * 2018-05-09 2018-10-02 华南理工大学 一种智能化的视频内容服务器部署方法及系统
CN108616401B (zh) * 2018-05-09 2020-07-28 华南理工大学 一种智能化的视频内容服务器部署方法及系统

Similar Documents

Publication Publication Date Title
Zhang et al. Two time-scale resource management for green Internet of Things networks
Tanzil et al. Adaptive scheme for caching YouTube content in a cellular network: Machine learning approach
Du et al. Stacked LSTM deep learning model for traffic prediction in vehicle-to-vehicle communication
Chen et al. From technological networks to social networks
Konstantinidis et al. Multi-objective energy-efficient dense deployment in wireless sensor networks using a hybrid problem-specific MOEA/D
EP2962427B1 (en) Method and system to represent the impact of load variation on service outage over multiple links
Zhang et al. Competitive, cooperative and Stackelberg congestion pricing for multiple regions in transportation networks
Li et al. Adaptive service function chaining mappings in 5G using deep Q-learning
Oughton et al. Supportive 5G infrastructure policies are essential for universal 6G: Assessment using an open-source techno-economic simulation model utilizing remote sensing
Bicakci et al. Prolonging network lifetime with multi-domain cooperation strategies in wireless sensor networks
Liberatore et al. A comparison of local search methods for the multicriteria police districting problem on graph
Fu et al. Traffic prediction-enabled energy-efficient dynamic computing resource allocation in cran based on deep learning
Zahidi et al. Optimizing complex cluster formation in MANETs using SAT/ILP techniques
Chatzieleftheriou et al. Joint user association, content caching and recommendations in wireless edge networks
Schlenther et al. Addressing spatial service provision equity for pooled ride‐hailing services through rebalancing
Tanaka et al. A hierarchical flow capturing location problem with demand attraction based on facility size, and its Lagrangian relaxation solution method
Chang et al. Edge server placement for vehicular ad hoc networks in metropolitans
Ding et al. Target coverage optimisation of wireless sensor networks using a multi-objective immune co-evolutionary algorithm
Shu et al. Group behavior-based collaborative caching for mobile edge computing
Shao et al. A learning based framework for MEC server planning with uncertain BSs demands
Liang et al. Deep trip generation with graph neural networks for bike sharing system expansion
Cheng et al. Blockchain-assisted intelligent symbiotic radio in space-air-ground integrated networks
Zhai et al. Distributed Schemes for Crowdsourcing‐Based Sensing Task Assignment in Cognitive Radio Networks
CN107766941A (zh) 一种基于遗传算法的设施选址方法
Wu et al. Toward energy‐proportional Internet core networks: an energy‐minimized routing and virtual topology design for Internet protocol layer

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for 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: 20180306