CN108200623B - 一种基于遗传算法的集中式路径计算和节能方法 - Google Patents
一种基于遗传算法的集中式路径计算和节能方法 Download PDFInfo
- Publication number
- CN108200623B CN108200623B CN201711469308.0A CN201711469308A CN108200623B CN 108200623 B CN108200623 B CN 108200623B CN 201711469308 A CN201711469308 A CN 201711469308A CN 108200623 B CN108200623 B CN 108200623B
- Authority
- CN
- China
- Prior art keywords
- individual
- user
- network
- node
- individuals
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
- H04W40/04—Communication route or path selection, e.g. power-based or shortest path routing based on wireless node resources
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/02—Power saving arrangements
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/02—Power saving arrangements
- H04W52/0209—Power saving arrangements in terminal devices
- H04W52/0261—Power saving arrangements in terminal devices managing power supply demand, e.g. depending on battery level
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Abstract
本发明公开了一种基于遗传算法的集中式路径计算和节能方法,包含以下步骤:S1、网络控制器获取用户的带宽需求;S2、网络控制器获取网络拓扑和链路代价信息;S3、网络控制器根据步骤S1和步骤S2获取的信息,运用遗传算法,计算所有满足用户带宽需求所需最少链路和节点的路由策略;S4、根据步骤S3的计算结果,网络控制器确定路由选路策略,并转发用户数据;S5、处于空闲状态的链路和节点调至休眠状态以实现节能。所述方法将遗传算法的目标设置为开启更少的链路和节点,以合理的编码、变异和适应度选择达到网络资源的优化配置,起到了节约能源的效果。
Description
技术领域
本发明涉及网络路径计算、控制和管理领域,具体涉及一种基于遗传算法的集中式路径计算和节能方法。
背景技术
近年来,随着信息产业的飞速发展,通信网络中的能耗问题日益突出。进一步地随着智能手机、IPAD等移动设备的出现和发展,云计算和云服务的提出和改革,网络流量呈现爆炸式指数增长,大数据与人类的生活息息相关;无线网络、车载网、物联网等基础设施的研究、发展和普及,无疑大大拓宽了网络的规模,满足了人们的使用需求,但是与此同时也增加了大量的能耗。这些事实表明了绿色网络技术急需研究、开发。
与提高通信网络的能量效率,降低通信网络的能耗的迫切需求相反,当前的通信网络在设计的时候并未考虑到能量损耗的问题,大多数都能效很低。通信网络的低能效大致可以归咎于网络的冗余性设计和网络在时间、空间上动态分布导致的差异。在当前的网络中,有着很大的提高能量效率的空间。一种有效的在通信网络中提高能量效率的方式是通过动态配置和调度网络资源实现网络服务的容量和链路负载的适应。
遗传算法(Genetic Algorithm)是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型,是一种通过模拟自然进化过程搜索最优解的方法。遗传算法从代表问题可能潜在的解集的一个种群开始,种群则由经过基因编码的一定数目的个体组成。选择合适的基因集合(可能解的编码),并模拟生物进化进行交叉组合、变异和基于适应度的优胜劣汰。这个过程将导致种群像自然进化一样的后生代种群比前代更加适应于环境,末代种群中的最优个体经过解码,可以作为问题近似最优解。
发明内容
本发明的目的是针对现有技术的不足,为提高通信网络的能量效率,降低通信网络的能耗,提供了一种基于遗传算法的集中式路径计算和节能方法。
本发明的目的可以通过如下技术方案实现:
一种基于遗传算法的集中式路径计算和节能方法,所述方法包括以下步骤:
S1、网络控制器获取用户的带宽需求;
S2、网络控制器获取网络拓扑和链路代价信息;
S3、网络控制器根据步骤S1和步骤S2获取的信息,运用遗传算法,计算所有满足用户带宽需求所需最少链路和节点的路由策略;
S4、根据步骤S3的计算结果,网络控制器确定路由选路策略,并转发用户数据;
S5、处于空闲状态的链路和节点调至休眠状态以实现节能。
进一步地,步骤S1中,所述用户的带宽需求包括源节点、目的节点和带宽信息,这些信息能够由用户提供,也能够通过网络流量估测的方式获取。
进一步地,步骤S3中,所述遗传算法先初始化个体和种群,计算出每个个体的适应度,操作如下:
网络控制器根据获取的信息,为每个用户k计算出满足其需求的所有路径集合Pk={pk1,pk2,…,pkt},其中,pkt是指用户k的第t种选路方式,路径pkt由经过的链路和节点组成,用e表示链路,v表示节点,则路径pkt对应的t条链路集合为{e1,e2,…,et},节点集合为{v1,v2,…,vt+1},将每条路径看作为一个基因,路径集合Pk中的各个元素互为等位基因;
假设网络中有n个用户,则每个个体的染色体是从n个用户中分别选择一个基因组成的,即Su={p1u,p2u,…,pnu},其中pnu表示从满足用户n需求的所有路径集合Pu中选择的一种选路方式,从而保证每个个体都是能满足所有用户需求的一种选路策略,多个个体组成的集合作为种群,即多种满足用户需求的选路策略集合,其中一个个体能够由满足所有用户需求的最短路径对应的基因组成,加入该个体能够提高算法的收敛速率;
考虑节点和链路的能耗情况,对任意的链路e=(i,j)∈E,i∈V,j∈V和节点v∈V,用cij表示开启的链路e=(i,j)的能耗,并用cv表示开启的节点v的能耗,在这里链路和节点的能耗并不一定相同,在个体Su下,所有被用户使用的链路和节点均为使用状态,未使用的链路和节点处于空闲状态,将个体Su下网络的整体能耗表示为如下形式:
其中,
如果个体中用户的链路或者节点超出负载,则该个体能耗设为无穷大,对于不同的个体Su,由于个体中用户使用的链路和节点不同,所以网络中链路和节点的使用状态不同,因而造成了网络能耗的巨大差异,为实现节能,我们希望能尽可能减小网络的整体能耗,因此,将个体适应度值设置为个体Su能耗值的倒数,即:
如上式所示,对于个体Su,其能耗值越底,其适应度值越高。
进一步地,根据个体的适应度值,采用轮盘赌的方法选择个体进行交配,其中,适应度值越高的个体被选中的概率越高,将选中的两个个体的染色体进行交叉互换,所述交叉互换的长度是随机的,以提高算法的搜索范围,接着根据设定的变异率,对个体进行变异操作,随机选取个体染色体上的某个基因,用该基因的最优等位基因代替,不断产生新的个体后,根据个体的适应度值进行筛选,最终经过数代后选出的最优个体即为遗传算法的解,此解即为所需的用户路由选路策略。
进一步地,所述步骤S1-S5由用户的网络通信需求触发,并能够多次重复以进行路由动态路径的计算。
本发明与现有技术相比,具有如下优点和有益效果:
本发明通过遗传算法计算选路策略来实现绿色网络,将适应度设置为网络能耗的倒数,通过遗传算法的筛选得到一种较优的选路策略,使得链路负荷集中在更少的链路和节点上,从而使更多的链路和节点处于空闲状态并切换至休眠状态,以合理的编码、变异和适应度选择达到网络资源的优化配置,起到了节约能源的效果。
附图说明
图1为本发明实施例一种基于遗传算法的集中式路径计算和节能方法的流程图。
图2为本发明实施例遗传算法的一种具体实施方式示意图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
实施例:
本实施例提供了一种基于遗传算法的集中式路径计算和节能方法,所述方法的流程图如图1所示,包括以下步骤:
S1、网络控制器获取用户的带宽需求;
S2、网络控制器获取网络拓扑和链路代价信息;
S3、网络控制器根据步骤S1和步骤S2获取的信息,运用遗传算法,计算所有满足用户带宽需求所需最少链路和节点的路由策略;
S4、根据步骤S3的计算结果,网络控制器确定路由选路策略,并转发用户数据;
S5、处于空闲状态的链路和节点调至休眠状态以实现节能。
所述步骤S1-S5由用户的网络通信需求触发,并能够多次重复以进行路由动态路径的计算。
步骤S3中,所述的路径策略确定了用户业务流在网络中的转发路径、相应路径的流量及网络当前的能耗,在此,将遗传算法的适应度设置为网络当前的能耗的倒数,即开启的链路和节点总能耗的倒数。将任意一个满足所有用户业务需求的用户选路策略集合称为个体,多个个体组成的集合称之为种群,即多种满足用户业务需求的选路策略集合。在种群中,通过策略之间的交叉互换以及变异等方式不断产生新的个体,并根据适应度进行筛选,最终经过数代后选出最优个体即为遗传算法的解,此解即为所需的用户路由选路策略。
下面结合图2所示的遗传算法编码方式对上述方法做进一步详细地描述,具体实现步骤如下:
(1)网络控制器收集所有用户的网络需求,包括源节点、目的节点、流量需求,并计算每个用户可行路径集合Pk={pk1,pk2,…,pkt},其中,pkt是指用户k的第t种选路方式,每条路径被视为一个基因,Pk中每个基因互为等位基因,路径pkt由一系列经过的链路和节点组成,用e表示链路,v表示节点,则路径pkt对应的t条链路集合为{e1,e2,…,et},节点集合为{v1,v2,…,vt+1};
(2)假设网络中有n个用户,每个个体的染色体是由n个用户中分别选择一个基因组成的,即Su={p1u,p2u,…,pnu},其中pnu表示从满足用户n需求的可行路径集合Pu中选择的一种选路方式。如此能保证每个个体都是能满足所有用户需求的一种选路策略。多个个体组成的集合称之为种群,即多种满足用户业务需求的选路策略集合。选择第一代包含m个个体的种群S={S1,S2,…,Sm},初始化遗传代数记为G,其中一个个体可由满足所有用户需求的最短路径对应的基因组成,加入该个体能提高算法的收敛速率;
(3)为实现网络节能,我们将个体适应度设计为个体对应的网络总能耗的倒数,通过之前得到的网络拓扑信息计算当前个体下网络开启的链路、节点的总能耗。由此我们可以计算当前种群中每个个体的适应度。在遗传过程中,有些个体可能会超出链路或者节点的负载,导致适应度为0,这样会降低算法的搜索域,因此我们对这些个体进行修复,即将导致个体适应度为0的路径修改为满足对应用户需求的最短路径,这样能防止算法搜索域的缩小,提高算法收敛速率;
(4)从当前种群中,依照概率随机选择两个个体Sj={p1j,p2j,…,pnj}和Si={p1i,p2i,…,pni},适应度值越大的个体被选中的概率越大。从选中的两个个体的染色体中随机选择同一个位置将每个染色体分成两段,并进行交叉互换,得到Sj′={p1j,p2j,…,pki,…,pni}和Si′={p1i,p2i,…,pkj,…,pnj}。分别对Sj′和Si′依照一定概率进行变异操作,以Sj′为例,在Sj′中随机选择一个基因并由其最优等位基因代替,得到新的个体的染色体Sj″={p1j,p2j,…,p′lj,…,pki,…,pni}。其中最优等位基因是指在其他基因确定的情况下,用户l的所有等位基因中能使个体S″j能耗最低的基因。在新个体数少于m-2的情况下重复进行选择、交叉、变异操作,并将适应度最小的两个个体加入新种群以保证新种群中最优个体优于上一代种群;
(5)在遗传代数小于G的情况下重复步骤(3)和步骤(4);
(6)选择种群中适应度最大的个体为解,该解即为满足用户带宽所需开启链路和节点最少的选路策略集合。网络控制器按照此策略为用户提供网络服务,并将处于空闲状态的链路和节点置于休眠状态。
以上所述,仅为本发明专利较佳的实施例,但本发明专利的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明专利所公开的范围内,根据本发明专利的技术方案及其发明专利构思加以等同替换或改变,都属于本发明专利的保护范围。
Claims (4)
1.一种基于遗传算法的集中式路径计算和节能方法,其特征在于,所述方法包括以下步骤:
S1、网络控制器获取用户的带宽需求;
S2、网络控制器获取网络拓扑和链路代价信息;
S3、网络控制器根据步骤S1和步骤S2获取的信息,运用遗传算法,计算所有满足用户带宽需求所需最少链路和节点的路由策略;
S4、根据步骤S3的计算结果,网络控制器确定路由选路策略,并转发用户数据;
S5、处于空闲状态的链路和节点调至休眠状态以实现节能;
将遗传算法的适应度设置为网络当前的能耗的倒数,即开启的链路和节点总能耗的倒数;将任意一个满足所有用户业务需求的用户选路策略集合称为个体,多个个体组成的集合称之为种群,即多种满足用户业务需求的选路策略集合;在种群中,通过策略之间的交叉互换以及变异等方式不断产生新的个体,并根据适应度进行筛选,最终经过数代后选出最优个体即为遗传算法的解,此解即为所需的用户路由选路策略;
步骤S3中,所述遗传算法先初始化个体和种群,计算出每个个体的适应度,操作如下:
网络控制器根据获取的信息,为每个用户k计算出满足其需求的所有路径集合Pk={pk1,pk2,...,pkt},其中,pkt是指用户k的第t种选路方式,路径pkt由经过的链路和节点组成,用e表示链路,v表示节点,则路径pkt对应的t条链路集合为{e1,e2,...,et},节点集合为{v1,v2,...,vt+1},将每条路径看作为一个基因,路径集合Pk中的各个元素互为等位基因;
假设网络中有n个用户,则每个个体的染色体是从n个用户中分别选择一个基因组成的,即Su={p1u,p2u,...,pnu},其中pnu表示从满足用户n需求的所有路径集合Pu中选择的一种选路方式,从而保证每个个体都是能满足所有用户需求的一种选路策略,多个个体组成的集合作为种群,即多种满足用户需求的选路策略集合,其中一个个体能够由满足所有用户需求的最短路径对应的基因组成,加入该个体能够提高算法的收敛速率;
考虑节点和链路的能耗情况,对任意的链路e=(i,j)∈E,i∈V,j∈V和节点v∈V,用cij表示开启的链路e=(i,j)的能耗,并用cv表示开启的节点v的能耗,在这里链路和节点的能耗并不一定相同,在个体Su下,所有被用户使用的链路和节点均为使用状态,未使用的链路和节点处于空闲状态,将个体Su下网络的整体能耗表示为如下形式:
其中,
如果个体中用户的链路或者节点超出负载,则该个体能耗设为无穷大,对于不同的个体Su,由于个体中用户使用的链路和节点不同,所以网络中链路和节点的使用状态不同,因而造成了网络能耗的巨大差异,为实现节能,希望能尽可能减小网络的整体能耗,因此,将个体适应度值设置为个体Su能耗值的倒数,即:
如上式所示,对于个体Su,其能耗值越底,其适应度值越高;
2.根据权利要求1所述的一种基于遗传算法的集中式路径计算和节能方法,其特征在于:步骤S1中,所述用户的带宽需求包括源节点、目的节点和带宽信息,这些信息能够由用户提供,也能够通过网络流量估测的方式获取。
3.根据权利要求1所述的一种基于遗传算法的集中式路径计算和节能方法,其特征在于:根据个体的适应度值,采用轮盘赌的方法选择个体进行交配,其中,适应度值越高的个体被选中的概率越高,将选中的两个个体的染色体进行交叉互换,所述交叉互换的长度是随机的,以提高算法的搜索范围,接着根据设定的变异率,对个体进行变异操作,随机选取个体染色体上的某个基因,用该基因的最优等位基因代替,不断产生新的个体后,根据个体的适应度值进行筛选,最终经过数代后选出的最优个体即为遗传算法的解,此解即为所需的用户路由选路策略。
4.根据权利要求1所述的一种基于遗传算法的集中式路径计算和节能方法,其特征在于:所述步骤S1-S5由用户的网络通信需求触发,并能够多次重复以进行路由动态路径的计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711469308.0A CN108200623B (zh) | 2017-12-29 | 2017-12-29 | 一种基于遗传算法的集中式路径计算和节能方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711469308.0A CN108200623B (zh) | 2017-12-29 | 2017-12-29 | 一种基于遗传算法的集中式路径计算和节能方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108200623A CN108200623A (zh) | 2018-06-22 |
CN108200623B true CN108200623B (zh) | 2020-09-22 |
Family
ID=62585906
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711469308.0A Active CN108200623B (zh) | 2017-12-29 | 2017-12-29 | 一种基于遗传算法的集中式路径计算和节能方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108200623B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2574307B (en) * | 2018-03-29 | 2021-07-21 | Gooee Ltd | System and method for managing and controlling a dynamic tunneling protocol in a mesh network |
CN113507413B (zh) * | 2021-07-22 | 2022-07-29 | 中国联合网络通信集团有限公司 | 一种路由优化方法、装置及计算设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102158417A (zh) * | 2011-05-19 | 2011-08-17 | 北京邮电大学 | 实现多约束QoS路由选择的优化方法及装置 |
CN104253749A (zh) * | 2014-09-18 | 2014-12-31 | 华南理工大学 | 一种基于软件定义网络架构的用户端分布式路径计算方法 |
CN105490941A (zh) * | 2015-12-10 | 2016-04-13 | 华南理工大学 | 一种基于网络与用户协作休眠的路由方法 |
-
2017
- 2017-12-29 CN CN201711469308.0A patent/CN108200623B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102158417A (zh) * | 2011-05-19 | 2011-08-17 | 北京邮电大学 | 实现多约束QoS路由选择的优化方法及装置 |
CN104253749A (zh) * | 2014-09-18 | 2014-12-31 | 华南理工大学 | 一种基于软件定义网络架构的用户端分布式路径计算方法 |
CN105490941A (zh) * | 2015-12-10 | 2016-04-13 | 华南理工大学 | 一种基于网络与用户协作休眠的路由方法 |
Non-Patent Citations (1)
Title |
---|
Robot pathplanninginuncertainenvironmentusingmulti-objectiveparticle swarm optimization;Yong Zhang,Dun-weiGong,Jian-huaZhang;《Neurocomputing》;20121023;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108200623A (zh) | 2018-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Genetic algorithm for energy-efficient clustering and routing in wireless sensor networks | |
CN107172166B (zh) | 面向工业智能化服务的云雾计算系统 | |
CN109840154B (zh) | 一种移动云环境下基于任务依赖的计算迁移方法 | |
Abdel-Kader | Hybrid discrete PSO with GA operators for efficient QoS-multicast routing | |
CN105323166B (zh) | 一种面向云计算的基于网络能效优先的路由方法 | |
Romoozi et al. | A positioning method in wireless sensor networks using genetic algorithms | |
Chen et al. | An improved NSGA-III algorithm for reservoir flood control operation | |
CN108200623B (zh) | 一种基于遗传算法的集中式路径计算和节能方法 | |
CN108665095A (zh) | 基于遗传算法优化Elman神经网络的短期功率预测方法 | |
Karthikeyan et al. | Genetic algorithm with ensemble of immigrant strategies for multicast routing in Ad hoc networks | |
CN109413710A (zh) | 基于遗传算法优化的无线传感器网络的分簇方法及装置 | |
CN109582985A (zh) | 一种改进的遗传退火的片上网络映射方法 | |
Tan et al. | A multi-objective optimization method based on discrete bacterial algorithm for environmental/economic power dispatch | |
Wei et al. | A multi-objective multicast routing optimization based on differential evolution in MANET | |
Wang et al. | Deep reinforcement learning based dynamic multichannel access in HetNets | |
WO2017016417A1 (zh) | 一种系统控制方法、装置,控制器及控制系统 | |
Shi et al. | A Review Paper on Different Application of Genetic Algorithm for Mobile Ad-hoc Network (MANET). | |
CN108829230B (zh) | 基于排队论的数据中心节能模型的设计方法 | |
CN113285832B (zh) | 基于nsga-ii的电力多模态网络资源优化分配方法 | |
CN108260193B (zh) | 一种异构网络中基于信道聚合的联合资源分配方法及装置 | |
CN113672372B (zh) | 一种基于强化学习的多边缘协同负载均衡任务调度方法 | |
Jiang et al. | Intelligent optimization-based energy-efficient networking in cloud services for multimedia big data | |
CN114785692A (zh) | 一种虚拟电厂聚合调控通信网络流量均衡方法及装置 | |
Hassan | Classical and urgencies assignment methods in p-median problems with fuzzy genetic algorithm | |
Nikhil et al. | Application of genetic algorithm in designing a security model for mobile adhoc network |
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 |