CN108183860A - 基于粒子群算法的二维片上网络自适应路由方法 - Google Patents

基于粒子群算法的二维片上网络自适应路由方法 Download PDF

Info

Publication number
CN108183860A
CN108183860A CN201810052222.6A CN201810052222A CN108183860A CN 108183860 A CN108183860 A CN 108183860A CN 201810052222 A CN201810052222 A CN 201810052222A CN 108183860 A CN108183860 A CN 108183860A
Authority
CN
China
Prior art keywords
particle
path
node
link
network
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.)
Granted
Application number
CN201810052222.6A
Other languages
English (en)
Other versions
CN108183860B (zh
Inventor
王学香
郑阳
齐志
张阳
蒋林洋
孙冲冲
时龙兴
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.)
Southeast University
Original Assignee
Southeast 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 Southeast University filed Critical Southeast University
Priority to CN201810052222.6A priority Critical patent/CN108183860B/zh
Publication of CN108183860A publication Critical patent/CN108183860A/zh
Application granted granted Critical
Publication of CN108183860B publication Critical patent/CN108183860B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04LTRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L45/00Routing or path finding of packets in data switching networks
    • H04L45/12Shortest path evaluation
    • H04L45/124Shortest path evaluation using a combination of metrics
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/004Artificial life, i.e. computing arrangements simulating life
    • G06N3/006Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04LTRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L45/00Routing or path finding of packets in data switching networks
    • H04L45/12Shortest path evaluation
    • H04L45/121Shortest path evaluation by minimising delays
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04LTRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L45/00Routing or path finding of packets in data switching networks
    • H04L45/12Shortest path evaluation
    • H04L45/125Shortest path evaluation based on throughput or bandwidth
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04LTRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L49/00Packet switching elements
    • H04L49/10Packet switching elements characterised by the switching fabric construction
    • H04L49/109Integrated on microchip, e.g. switch-on-chip

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明公开了一种基于粒子群算法的二维片上网络自适应路由方法,在网络中将源节点到目的节点的路径编码为粒子,将所有可能的路径编码作为粒子的搜索空间,每个粒子有位置和速度两个属性;路由开始时,源节点向目的节点按照确定性路由进行数据传输,选择N条有效路径作为初始种群粒子;粒子群算法迭代时,每个粒子的适应度值由该粒子所包含路径节点的延迟和节点的数据吞吐量决定,找出当前粒子种群中适应度最好的值,同时记录各粒子的历史最好适应度值,更新各粒子的位置和速度变量;迭代完成后,历史最好适应度值的粒子的位置即为最优的路由路径。该方法可以动态的调节数据包在网络中的传输路径,在降低网络延迟的同时使得整个网络负载均衡。

Description

基于粒子群算法的二维片上网络自适应路由方法
技术领域
本发明属于片上网络路由技术领域,具体地涉及一种基于粒子群算法的二维片上网络自适应路由方法。
背景技术
CMP(片上多处理器)架构的芯片中处理器核心的数目越来越多,基于总线的互联方式暴露出了可扩展性差、单一时钟同步的特点,已经不能满足日益增长的芯片规模的需求,针对这种状况,研究人员提出了片上网络的芯片互联结构。在片上网络中,刚开始网络规模比较小,采用确定性路由方法实现起来很简单,但是随着网络规模则逐渐增大,按照固定的规则来传输数据,往往会造成网络局部链路拥塞非常严重。于是实现高效的路由方法降低数据传输延迟逐渐成为一个非常重要的研究方向。自适应路由很好的弥补了这一缺陷,通过接收网络中的节点和链路拥塞信息,动态的调节数据包的传输路径。传统的自适应路由方法,如DyXY、NOP、DyAD,都是基于邻域节点的区域拥塞信息(如路由器缓冲区占用率等)来进行链路选择,虽然可以在一定程度上达到降低延迟的效果,但是路径具有局限性,而且会造成更远端区域的拥塞。
发明内容
针对上述存在的技术问题,本发明目的是:提供了一种基于粒子群算法的二维片上网络自适应路由方法,根据全局网络的拥塞信息进行路由选择,可以为源节点到目的节点规划出更好的路径,在降低网络中数据传输延迟的同时,实现网络的负载均衡。
本发明的技术方案是:
一种基于粒子群算法的二维片上网络自适应路由方法,在二维片上网络中将源节点到目的节点的路径编码为一个粒子,将粒子所有可能的路径编码作为搜索空间,粒子有位置和速度两个属性,粒子的位置代表路径中节点的有序编号,速度代表该粒子向最优路径靠近的程度;路由方法包括以下步骤:
S01:源节点向目的节点按照确定性路由进行数据传输,选择N条有效路径作为N个初始种群粒子,进行粒子群算法路由选择;
S02:每个粒子的适应度值由该粒子所包含路径节点的延迟和节点的数据吞吐量决定,找出当前粒子种群中适应度最好的值,记为Gbest;同时记录各粒子的历史最好适应度值,记为Pnbest(n=0,1,…,N-1);
S03:进行粒子群算法迭代,对于每个粒子,如果粒子当前的适应度值优于历史最好适应度值Pnbest(n=0,1,2,…,N-1),则进行替换;对于每个粒子种群,如果当前粒子种群的最好适应度值Gbest比原来好,则进行替换;
S04:根据各粒子的历史最好适应度值Pnbest(n=0,1,…,N-1)和粒子种群最好适应度值Gbest,更新各粒子的位置和速度变量;
S05:迭代完成后,粒子种群中具有历史最好适应度值Gbest的粒子,其位置所代表的路径即为最优的路由路径。
优选的,根据粒子的位置定义编码矩阵,当产生新的位置时,采用深度优先搜索算法进行检测是否有环;检测编码矩阵中为1的项,去除源节点和目的节点序号之后,剩余为1的节点序号都出现2次,则表示该链路是连续的,即此链路从源节点首位相连至目的节点;若路径成环且路径连续,则为有效编码路径。
优选的,初始化粒子种群时,将源节点到目的节点的曼哈顿距离相同的链路作为初始种群,从源节点到目的节点的曼哈顿距离为:
Mdistance=dx+dy;其中,dx=|xs-xd|,dy=|ys-yd|,(xs,ys)和(xd,yd)表示源节点和目的节点的坐标;
从节点到目的节点满足曼哈顿距离最短的路径数为:
N=(dx+dy)!/(dx!dy!);
判断是否为有效编码路径,若路径成环且路径连续,则为有效编码路径。
优选的,用0、1的二值二维矩阵来表示网络中的粒子,粒子的位置为:
其中,k表示粒子当前的代数,i表示的是粒子的序号;矩阵中xab,a、b分别表示链路所在源节点、目的节点的序号;xab只有2种取值,为1的时候表示链路存在,为0的时候表示链路不存在。
优选的,所述步骤S02中粒子的适应度值满足如下的约束:
其中,i表示粒子的序号,m表示该粒子所在路径中链路的数目;Bi=∑(Bi1+Bi2+…Bim),Bi表示的是网络总吞吐量,Bim表示的是链路m上的吞吐量值;bim表示的是链路m上的最低吞吐量,Bconstrain表示链路m上的最大吞吐量;Di=∑(Di1+Di2+…Dim)/m,Di是链路平均延时的表现形式,Dim指的是链路m上的数据包传输延时;Pi是每个粒子适应度。
优选的,所述步骤S04中,粒子的速度vij更新公式为:
v′ij=wij*vij+c1(Pnbest-xij)+c2(Gbest-xij)
其中,wij是惯性权重值,表明微粒原先的速度能在多大程度上得到保留;c1、c2是加速系数(或称为学习因子),分别调节向全局最好粒子和个体最好位置方向飞行的最大步长;
粒子的位置xij更新公式为:
其中,rand()是随机函数,取值范围结于0到1之间。
优选的,采用如下方法加快路径寻优:
S21:当前粒子种群中适应度最好的粒子为BestPart,需要更新的粒子为Part,选取BestPart中延迟最低的链路L1;
S22:在L1邻域左边节点集中,如果Part路径中有重合的节点,找到后直接进行衔接;如果没有相同的节点,则不进行处理;
S23:在L2邻域右边节点集中,如果Part路径中有重合的节点,找到后直接进行衔接;如果没有相同的节点,则不进行处理;
S24:若Part路径没有变化,更新Part粒子的速度;否则,检测路径中的环,Part作为新的粒子进入迭代。
与现有技术相比,本发明的优点是:
本方法充分利用了全局网络的节点和链路拥塞信息,采用粒子群算法,动态的调节数据包在网络中的传输路径,为源节点到目的节点的数据传输规划出更好的路径,在降低网络中数据传输延迟的同时,实现网络的负载均衡,保证了较高的传输质量。
附图说明
下面结合附图及实施例对本发明作进一步描述:
图1为本发明基于粒子群算法的二维片上网络自适应路由方法的流程图。
具体实施方式
以下结合具体实施例对上述方案做进一步说明。应理解,这些实施例是用于说明本发明而不限于限制本发明的范围。实施例中采用的实施条件可以根据具体厂家的条件做进一步调整,未注明的实施条件通常为常规实验中的条件。
实施例:
如图1所示,一种基于粒子群算法的二维片上网络自适应路由方法,在二维片上网络中将源节点到目的节点的路径编码为一个粒子,将粒子所有可能的路径编码作为搜索空间,粒子有位置和速度两个属性,粒子的位置代表路径中节点的有序编号,速度代表该粒子向最优路径靠近的程度;路由方法包括以下步骤:
S01:源节点向目的节点按照确定性路由进行数据传输,时间T以后,选择N条有效路径作为N个初始种群粒子,进行粒子群算法路由选择;确定性路由可以是转弯模型或者奇偶路由。
S02:每个粒子的适应度值由该粒子所包含路径节点的延迟和节点的数据吞吐量决定,找出当前粒子种群中适应度最好的值,记为Gbest;同时记录各粒子的历史最好适应度值,记为Pnbest(n=0,1,…,N-1);
S03:进行粒子群算法迭代,对于每个粒子,如果粒子当前的适应度值优于历史最好适应度值Pnbest(n=0,1,2,…,N-1),则进行替换;对于每个粒子种群,如果当前粒子种群的最好适应度值Gbest比原来好,则进行替换;
S04:根据各粒子的历史最好适应度值Pnbest(n=0,1,…,N-1)和粒子种群最好适应度值Gbest,更新各粒子的位置和速度变量;
S05:迭代完成后,粒子种群中具有历史最好适应度值Gbest的粒子,其位置所代表的路径即为最优的路由路径。
初始化粒子群:
粒子群算法中粒子的有效编码路径需要满足2个条件,路径必须成环且路径必须连续。
根据粒子的位置定义编码矩阵,每次有新的位置产生的时候,需要采用深度优先搜索算法进行检测是否有环;对于链路编码是否连续,只要检测编码矩阵中为1的项,去除源节点和目的节点序号之后,剩余为1的节点序号都出现2次,则表示该链路是连续的,即此链路从源节点首位相连至目的节点。
进行粒子种群初始化的时候,如果采用以上步骤检测随机生成的路径编码是否有效,会极大的增加算法开销,因此这里推荐用源节点到目的节点的曼哈顿距离相同的链路作为初始种群。(xs,ys)和(xd,yd)表示源节点和目的节点的坐标,令dx=|xs-xd|,dy=|ys-yd|,从源节点到目的节点的曼哈顿距离为
Mdistance=dx+dy
从节点到目的节点满足曼哈顿距离最短的路径数为
N=(dx+dy)!/(dx!dy!)
这样就把初始种群数限制在了一个极小的范围以内,避免了盲目的搜索,事实上最佳链路的产生都是从最短链路中选择或者衍生出来的。
2D-Mesha*b的网络拓扑,粒子群算法用一个0、1的二值二维矩阵来表示网络中的一个粒子,粒子的位置即为
其中,k表示粒子当前的代数,i表示的是粒子的序号;矩阵中xab,a、b分别表示链路所在源节点、目的节点的序号;xab只有2种取值,为1的时候表示链路存在,为0的时候表示链路不存在;
2.2粒子的速度vij更新公式为:
v′ij=wij*vij+c1(Pnbest-xij)+c2(Gbest-xij)
其中,wij是惯性权重值,表明微粒原先的速度能在多大程度上得到保留;c1、c2是加速系数(或称为学习因子),分别调节向全局最好粒子和个体最好位置方向飞行的最大步长;
粒子的位置xij更新公式为:
其中,rand()是随机函数,取值范围结于0到1之间。
计算粒子群中各粒子的适应度并更新其位置和速度状态,进行路径演化:
对于每一代粒子群,我们需要比较当前粒子群中各个粒子的适应度,从而得出整个粒子群的最佳适应度Gbest,同时记录下每个粒子的历史最佳适应度值Pnbest(n=0,1,…,N-1)。Pnbest(n=0,1,…,N-1)和Gbest作为粒子更新的两个边界约束条件,借助速度和位置更新公式来及时调整粒子的运动方向,如速度更新公式表示的是较差路径不断向较好路径进行学习靠近,使得整个演化算法结果向全局最优靠近。
粒子的适应度值主要满足如下的约束:
其中,i表示粒子的序号,m表示该粒子所在路径中链路的数目;Bi=∑(Bi1+Bi2+…Bim),Bi表示的是网络总吞吐量,Bim表示的是链路m上的吞吐量值;bim表示的是链路m上的最低吞吐量,Bconstrain表示链路m上的最大吞吐量;Di=∑(Di1+Di2+…Dim)/m,Di是链路平均延时的表现形式,Dim指的是链路m上的数据包传输延时;Pi是每个粒子适应度。在平均延时低、吞吐量高的情况下,适应度值越低,此时粒子的适应度越好。
我们可以采用如下的方法来加快路径寻优:
(1)设当前粒子种群中适应度最好的粒子为BestPart,需要更新的粒子为Part,选取BestPart中延迟最低的那部分链路为L1;
(2)在L1邻域左边节点集中,如果Part路径中有重合的节点,找到后直接进行衔接;如果没有相同的节点,则不进行处理;
(3)在L2邻域右边节点集中,如果Part路径中有重合的节点,找到后直接进行衔接;如果没有相同的节点,则不进行处理;
(4)如果(2)(3)步骤后,Part路径都没有变化,则按照常规的速度更新公式更新Part粒子;
(5)如果(2)(3)步骤后,Part路径有变化,检测路径中的环,这时的Part作为新的粒子进入迭代。
粒子群算法迭代结束:
迭代结束的标志位为:
1、算法达到指定的迭代次数;
2、算法迭代次数大于某一较小值的时候,粒子群中最好适应度值Gbest已经连续多次处于一个极小值。
此时我们得到具有最佳适应度值的粒子,其位置所具有的编码即为源节点到目的节点发送数据包的最佳路径,后面发送数据包的时候按照这样的规则发送即可。一段时间以后,如果流量状态发生了变化,重新开始粒子群算法的迭代。
上述实例只为说明本发明的技术构思及特点,其目的在于让熟悉此项技术的人是能够了解本发明的内容并据以实施,并不能以此限制本发明的保护范围。凡根据本发明精神实质所做的等效变换或修饰,都应涵盖在本发明的保护范围之内。

Claims (7)

1.一种基于粒子群算法的二维片上网络自适应路由方法,其特征在于,在二维片上网络中将源节点到目的节点的路径编码为一个粒子,将粒子所有可能的路径编码作为搜索空间,粒子有位置和速度两个属性,粒子的位置代表路径中节点的有序编号,速度代表该粒子向最优路径靠近的程度;路由方法包括以下步骤:
S01:源节点向目的节点按照确定性路由进行数据传输,选择N条有效路径作为N个初始种群粒子,进行粒子群算法路由选择;
S02:每个粒子的适应度值由该粒子所包含路径节点的延迟和节点的数据吞吐量决定,找出当前粒子种群中适应度最好的值,记为Gbest;同时记录各粒子的历史最好适应度值,记为Pnbest(n=0,1,…,N-1);
S03:进行粒子群算法迭代,对于每个粒子,如果粒子当前的适应度值优于历史最好适应度值Pnbest(n=0,1,2,…,N-1),则进行替换;对于每个粒子种群,如果当前粒子种群的最好适应度值Gbest比原来好,则进行替换;
S04:根据各粒子的历史最好适应度值Pnbest(n=0,1,…,N-1)和粒子种群最好适应度值Gbest,更新各粒子的位置和速度变量;
S05:迭代完成后,粒子种群中具有历史最好适应度值Gbest的粒子,其位置所代表的路径即为最优的路由路径。
2.根据权利要求1所述的基于粒子群算法的二维片上网络自适应路由方法,其特征在于,根据粒子的位置定义编码矩阵,当产生新的位置时,采用深度优先搜索算法进行检测是否有环;检测编码矩阵中为1的项,去除源节点和目的节点序号之后,剩余为1的节点序号都出现2次,则表示该链路是连续的,即此链路从源节点首位相连至目的节点;若路径成环且路径连续,则为有效编码路径。
3.根据权利要求1所述的基于粒子群算法的二维片上网络自适应路由方法,其特征在于,初始化粒子种群时,将源节点到目的节点的曼哈顿距离相同的链路作为初始种群,从源节点到目的节点的曼哈顿距离为:
Mdistance=dx+dy
其中,dx=|xs-xd|,dy=|ys-yd|,(xs,ys)和(xd,yd)表示源节点和目的节点的坐标;
从源节点到目的节点满足曼哈顿距离最短的路径数为:
N=(dx+dy)!/(dx!dy!);
判断是否为有效编码路径,若路径成环且路径连续,则为有效编码路径。
4.根据权利要求1所述的基于粒子群算法的二维片上网络自适应路由方法,其特征在于,用0、1的二值二维矩阵来表示网络中的粒子,粒子的位置为:
其中,k表示粒子当前的代数,i表示的是粒子的序号;矩阵中xab,a、b分别表示链路所在源节点、目的节点的序号;xab只有2种取值,为1的时候表示链路存在,为0的时候表示链路不存在。
5.根据权利要求1所述的基于粒子群算法的二维片上网络自适应路由方法,其特征在于,所述步骤S02中粒子的适应度值满足如下的约束:
其中,i表示粒子的序号,m表示该粒子所在路径中链路的数目;Bi=∑(Bi1+Bi2+…Bim),Bi表示网络总吞吐量,Bim表示链路m上的吞吐量;bim表示链路m上的最低吞吐量,Bconstrain表示链路m上的最大吞吐量;Di是链路平均延时的表现形式,Dim指链路m上的数据包传输延时;Pi是每个粒子适应度。
6.根据权利要求1所述的基于粒子群算法的二维片上网络自适应路由方法,其特征在于,所述步骤S04中,粒子的速度vij更新公式为:
v′ij=wij*vij+c1(Pnbest-xij)+c2(Gbest-xij)
其中,wij是惯性权重值,表明微粒原先的速度能在多大程度上得到保留;c1、c2是加速系数(或称为学习因子),分别调节向全局最好粒子和个体最好位置方向飞行的最大步长;
粒子的位置xij更新公式为:
其中,rand()是随机函数,取值范围结于0到1之间。
7.根据权利要求1所述的基于粒子群算法的二维片上网络自适应路由方法,其特征在于,采用如下方法加快路径寻优:
S21:当前粒子种群中适应度最好的粒子为BestPart,需要更新的粒子为Part,选取BestPart中延迟最低的链路L1;
S22:在L1邻域左边节点集中,如果Part路径中有重合的节点,找到后直接进行衔接;如果没有相同的节点,则不进行处理;
S23:在L2邻域右边节点集中,如果Part路径中有重合的节点,找到后直接进行衔接;如果没有相同的节点,则不进行处理;
S24:若Part路径没有变化,更新Part粒子的速度;否则,检测路径中的环,Part作为新的粒子进入迭代。
CN201810052222.6A 2018-01-19 2018-01-19 基于粒子群算法的二维片上网络自适应路由方法 Active CN108183860B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810052222.6A CN108183860B (zh) 2018-01-19 2018-01-19 基于粒子群算法的二维片上网络自适应路由方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810052222.6A CN108183860B (zh) 2018-01-19 2018-01-19 基于粒子群算法的二维片上网络自适应路由方法

Publications (2)

Publication Number Publication Date
CN108183860A true CN108183860A (zh) 2018-06-19
CN108183860B CN108183860B (zh) 2021-04-13

Family

ID=62551037

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810052222.6A Active CN108183860B (zh) 2018-01-19 2018-01-19 基于粒子群算法的二维片上网络自适应路由方法

Country Status (1)

Country Link
CN (1) CN108183860B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109218192A (zh) * 2018-06-21 2019-01-15 甘肃万维信息技术有限责任公司 一种基于粒子群算法的数据共享交换方法
CN111859836A (zh) * 2020-07-30 2020-10-30 北京百瑞互联技术有限公司 一种优化集成电路非平衡时钟网络的方法及系统
CN112181867A (zh) * 2020-09-29 2021-01-05 西安电子科技大学 基于多目标遗传算法的片上网络内存控制器布局方法
CN113347677A (zh) * 2021-04-30 2021-09-03 西安征途网络科技有限公司 一种基于粒子群算法的多节点通信方法
CN115250251A (zh) * 2021-04-26 2022-10-28 北京希姆计算科技有限公司 片上网络仿真中的传输路径规划方法、装置、电子设备及计算机可读存储介质
CN115277563A (zh) * 2022-06-07 2022-11-01 南京大学 一种基于离线强化学习的片上网络近似控制系统
CN115827840A (zh) * 2022-11-28 2023-03-21 同舟智慧(威海)科技发展有限公司 基于半监督聚类目标下粒子群算法的人工智能回复方法
CN116801288A (zh) * 2023-06-25 2023-09-22 中电佰联通信科技南京有限公司 基于粒子群与遗传算法的自组织网络拓扑优化方法和系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101447936A (zh) * 2008-12-31 2009-06-03 中山大学 基于粒子群算法的多播路由方法
CN102013037A (zh) * 2010-12-16 2011-04-13 上海电机学院 一种基于粒子群算法的路径搜索方法及装置
CN102129482A (zh) * 2010-01-13 2011-07-20 电子科技大学 一种基于混沌离散粒子群优化的片上网络映射方法
CN102760167A (zh) * 2012-06-13 2012-10-31 上海方正数字出版技术有限公司 基于粒子群优化算法的XQuery查询路径优化方法
CN104734153A (zh) * 2014-12-18 2015-06-24 国家电网公司 一种含分布式电源的配电网络重构方法
CN106161204A (zh) * 2016-06-08 2016-11-23 苏州大学 一种基于群体智能的移动社交网络中的数据传输方法
WO2017036483A1 (en) * 2015-08-28 2017-03-09 Chemometec A/S Continuous image cytometer

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101447936A (zh) * 2008-12-31 2009-06-03 中山大学 基于粒子群算法的多播路由方法
CN102129482A (zh) * 2010-01-13 2011-07-20 电子科技大学 一种基于混沌离散粒子群优化的片上网络映射方法
CN102129482B (zh) * 2010-01-13 2013-04-10 电子科技大学 一种基于混沌离散粒子群优化的片上网络映射方法
CN102013037A (zh) * 2010-12-16 2011-04-13 上海电机学院 一种基于粒子群算法的路径搜索方法及装置
CN102760167A (zh) * 2012-06-13 2012-10-31 上海方正数字出版技术有限公司 基于粒子群优化算法的XQuery查询路径优化方法
CN104734153A (zh) * 2014-12-18 2015-06-24 国家电网公司 一种含分布式电源的配电网络重构方法
WO2017036483A1 (en) * 2015-08-28 2017-03-09 Chemometec A/S Continuous image cytometer
CN106161204A (zh) * 2016-06-08 2016-11-23 苏州大学 一种基于群体智能的移动社交网络中的数据传输方法

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109218192A (zh) * 2018-06-21 2019-01-15 甘肃万维信息技术有限责任公司 一种基于粒子群算法的数据共享交换方法
CN109218192B (zh) * 2018-06-21 2021-04-20 中电万维信息技术有限责任公司 一种基于粒子群算法的数据共享交换方法
CN111859836A (zh) * 2020-07-30 2020-10-30 北京百瑞互联技术有限公司 一种优化集成电路非平衡时钟网络的方法及系统
CN111859836B (zh) * 2020-07-30 2024-05-10 北京百瑞互联技术股份有限公司 一种优化集成电路非平衡时钟网络的方法及系统
CN112181867A (zh) * 2020-09-29 2021-01-05 西安电子科技大学 基于多目标遗传算法的片上网络内存控制器布局方法
CN112181867B (zh) * 2020-09-29 2022-07-26 西安电子科技大学 基于多目标遗传算法的片上网络内存控制器布局方法
CN115250251A (zh) * 2021-04-26 2022-10-28 北京希姆计算科技有限公司 片上网络仿真中的传输路径规划方法、装置、电子设备及计算机可读存储介质
CN115250251B (zh) * 2021-04-26 2023-07-28 北京希姆计算科技有限公司 片上网络仿真中的传输路径规划方法、装置、电子设备及计算机可读存储介质
CN113347677B (zh) * 2021-04-30 2023-12-08 西安征途网络科技有限公司 一种基于粒子群算法的多节点通信方法
CN113347677A (zh) * 2021-04-30 2021-09-03 西安征途网络科技有限公司 一种基于粒子群算法的多节点通信方法
CN115277563A (zh) * 2022-06-07 2022-11-01 南京大学 一种基于离线强化学习的片上网络近似控制系统
CN115277563B (zh) * 2022-06-07 2024-03-19 南京大学 一种基于离线强化学习的片上网络近似控制系统
CN115827840A (zh) * 2022-11-28 2023-03-21 同舟智慧(威海)科技发展有限公司 基于半监督聚类目标下粒子群算法的人工智能回复方法
CN116801288A (zh) * 2023-06-25 2023-09-22 中电佰联通信科技南京有限公司 基于粒子群与遗传算法的自组织网络拓扑优化方法和系统
CN116801288B (zh) * 2023-06-25 2024-01-26 中电佰联通信科技南京有限公司 基于粒子群与遗传算法的自组织网络拓扑优化方法和系统

Also Published As

Publication number Publication date
CN108183860B (zh) 2021-04-13

Similar Documents

Publication Publication Date Title
CN108183860A (zh) 基于粒子群算法的二维片上网络自适应路由方法
CN109818865B (zh) 一种sdn增强路径装箱装置及方法
US8489526B2 (en) Controlling quarantining and biasing in cataclysms for optimization simulations
Aujla et al. Adaptflow: Adaptive flow forwarding scheme for software-defined industrial networks
CN114338504A (zh) 一种基于网络边缘系统的微服务部署和路由方法
CN111988225A (zh) 基于强化学习和迁移学习的多路径路由方法
CN114143264B (zh) 一种SRv6网络下基于强化学习的流量调度方法
CN114268923A (zh) 车联网任务卸载调度方法和系统
CN110225569B (zh) 一种基于改进粒子群算法的WSNs分簇多跳路由协议的方法
CN110891019A (zh) 一种基于负载均衡的数据中心流量调度方法
CN113033800A (zh) 分布式深度学习方法、装置、参数服务器及主工作节点
CN114707575A (zh) 一种基于ap聚类的sdn多控制器部署方法
CN111885493B (zh) 一种基于改进布谷鸟搜索算法的微云部署方法
US10425343B2 (en) Packet classification
CN101447936B (zh) 基于粒子群算法的多播路由方法
CN113722112B (zh) 一种服务资源负载均衡处理方法及系统
CN113987692B (zh) 用于无人机和边缘计算服务器的深度神经网络分区方法
Khan et al. A novel particle swarm optimization approach for VLSI routing
CN113868808A (zh) 一种道路网络临近检测时延优化方法、装置和系统
CN116502088A (zh) 一种网络入侵检测方法、系统、电子设备及存储介质
CN114296814A (zh) 一种边云计算任务卸载方法、系统、终端以及存储介质
CN112423400A (zh) 基于改进烟花算法的以太网通信链路调度方法
WO2022236948A1 (zh) 一种适用于边缘物联代理装置的容错型协作决策的方法
CN113727412B (zh) 异构无线传感器网络分簇路由方法、装置、介质及设备
CN112036549B (zh) 神经网络的优化方法、装置、电子设备及存储介质

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
GR01 Patent grant
GR01 Patent grant