CN108400935A - 一种基于遗传算法的业务路径选择方法、装置及电子设备 - Google Patents
一种基于遗传算法的业务路径选择方法、装置及电子设备 Download PDFInfo
- Publication number
- CN108400935A CN108400935A CN201810142619.4A CN201810142619A CN108400935A CN 108400935 A CN108400935 A CN 108400935A CN 201810142619 A CN201810142619 A CN 201810142619A CN 108400935 A CN108400935 A CN 108400935A
- Authority
- CN
- China
- Prior art keywords
- business
- value
- individual
- generation individual
- path
- 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
Links
- 230000002068 genetic effect Effects 0.000 title claims abstract description 105
- 238000010187 selection method Methods 0.000 title claims abstract description 94
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 62
- 210000000349 chromosome Anatomy 0.000 claims abstract description 124
- 238000000034 method Methods 0.000 claims abstract description 39
- 230000022339 metaphase plate congression Effects 0.000 claims abstract description 32
- 230000035772 mutation Effects 0.000 claims abstract description 18
- 230000006978 adaptation Effects 0.000 claims abstract description 12
- 230000000694 effects Effects 0.000 claims description 52
- 108090000623 proteins and genes Proteins 0.000 claims description 43
- 238000004891 communication Methods 0.000 claims description 25
- 238000009401 outcrossing Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 239000007787 solid Substances 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 239000002131 composite material Substances 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000000844 transformation Methods 0.000 description 7
- 230000001934 delay Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000004043 dyeing Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 239000000975 dye Substances 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000002759 chromosomal effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000002986 genetic algorithm method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
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
- H04L45/12—Shortest path evaluation
- H04L45/124—Shortest path evaluation using a combination of metrics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/123—DNA computing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G06Q50/40—
-
- 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
-
- 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
- H04L45/20—Hop count for routing purposes, e.g. TTL
Abstract
本发明实施例提供了一种基于遗传算法的业务路径选择方法、装置及电子设备,该方法首先对每个业务的所有路径编码,得到对应的染色体集合,然后对染色体集合随机组合,得到初始个体,再计算第N代个体中每个个体的适应度值,采用精英选择方法和轮盘赌选择方法相结合的方法对第N代个体进行选择,并对选择后的第N代个体进行交叉运算和变异运算,得到第N+1代个体;最后判断N+1是否小于预设的最大遗传代数;在N+1小于预设的最大遗传代数时,将第N+1代个体作为第N代个体,重复执行计算每个个体适应度值的步骤;在N+1大于预设的最大遗传代数时,计算第N+1代个体的适应度值,并将第N+1代个体中适应度值最大的个体的染色体对应的路径作为对应业务的最佳路径。
Description
技术领域
本发明涉及电力通信技术领域,特别是涉及一种基于遗传算法的业务路径选择方法、装置及电子设备。
背景技术
电力通信网是电网二次系统不可或缺的组成部分,是专门服务于电力系统稳定运行的通信专网,同时也为电力系统的调度、生产、经营、管理和保障电力系统的安全运行起到了重要作用。近年来,随着智能电网建设的不断推进,和电力通信业务数量和种类的日益增多,使得电力通信网络的结构日趋复杂。
随着电力通信网络的结构日趋复杂,通信业务的路径选择的方法也变得多种多样,而通信业务的路径的好坏直接关系到电力系统能否稳定运行,因此,为了保证电力系统的稳定运行,需要选择合适的通信业务路径,在现有技术中,可以通过选择最佳路径执行通信业务以保证电力系统的稳定运行,具体地,可以根据路径的重要度、路径的转移概率或者路径的全网络风险均衡度来选择最佳路径。
然而,发明人发现,现有技术中选择最佳路径的方法均是根据一个影响因素选择最佳路径的,并未综合考虑多个因素对路径选择的影响,因此,选择的最佳路径并不是综合性能最佳的路径。
发明内容
本发明实施例的目的在于提供一种基于遗传算法的业务路径选择方法、装置及电子设备,以实现对影响路径选择的多个因素进行综合分析,选择综合性能最佳的路径,保证电力通信网络的稳定运行。具体技术方案如下:
第一方面,本发明实施例提供了一种基于遗传算法的业务路径选择方法,该方法包括:
获取K个业务的K个初始节点信息、K个目的节点信息和网络拓扑信息,并针对每个业务,在与网络拓扑信息对应的网络拓扑中,查找从与该业务的初始节点信息对应的初始节点、至与该业务的目的节点信息对应的目的节点的所有路径,其中,每个业务存在一个初始节点信息和一个目的节点信息,其中,K为大于或等于2的整数;
针对每个业务,以所有路径中的每个节点作为一个基因,以所有路径中的每个路径作为一个染色体,经编码得到该业务对应的染色体集合;
获取用户输入的初始个体数量m,并对K个业务的染色体集合中的染色体进行随机组合,得到由K个业务的染色体组成的m个初始个体,其中,每个初始个体中包含K个染色体,每个染色体对应一个业务的一条路径,m为大于或等于1的整数;
针对每个第N代个体,获取并根据该第N代个体中每个基因对应的节点的相对影响值、该第N代个体的每个染色体对应的路径的时延、该第N代个体对应的每个链路上承载的业务数目和该第N代个体对应的链路总数,计算该第N代个体对应的负荷压力影响风险值、时延影响风险值和业务均衡度影响风险值,其中,N为大于或等于0的整数,当N等于0时,该第N代个体为初始个体,链路为初始节点和目的节点之间的任意两个直接相连的节点的路径;
获取预设的第一影响因素权重、第二影响因素权重和第三影响因素权重,并根据负荷压力影响风险值、时延影响风险值、业务均衡度影响风险值、第一影响因素权重、第二影响因素权重和第三影响因素权重,计算每个第N代个体的适应度值;
采用精英选择方法从m个第N代个体中,根据适应度值选择第一预设数量的第N代个体作为第一选择后的个体;采用轮盘赌选择方法,从m个第N代个体中,选择第二预设数量的第N代个体作为第二选择后的个体,并对第一选择后的个体与第二选择后的个体进行交叉运算和变异运算,得到m个第N+1代个体;
判断N+1是否小于预设的最大遗传代数;
在N+1小于预设的最大遗传代数时,将第N+1代个体作为第N代个体,重复执行获取并根据该第N代个体中每个基因对应的节点的相对影响值、该第N代个体的每个染色体对应的路径的时延和每个链路上承载的业务数目和该第N代个体对应的链路总数,计算该第N代个体对应的负荷压力影响风险值、时延影响风险值和业务均衡度影响风险值的步骤;
在N+1大于预设的最大遗传代数时,获取并根据第N+1代个体中每个基因对应的节点的相对影响值、该第N+1代个体的每个染色体对应的路径的时延、每个链路上承载的业务数目、该第N+1代个体对应的链路总数、第一影响因素权重、第二影响因素权重和第三影响因素权重,计算第N+1代个体的适应度值,并将第N+1代个体中适应度值最大的个体的每个染色体对应的路径作为对应的业务的最佳路径。
可选的,在与网络拓扑信息对应的网络拓扑中,查找从与该业务的初始节点信息对应的初始节点、至与该业务的目的节点信息对应的目的节点的所有路径,包括:
在与网络拓扑信息对应的网络拓扑中,查找从与该业务的初始节点信息对应的初始节点、至与该业务的目的节点信息对应的目的节点的,且满足预设条件的所有路径,其中,预设条件为:初始节点到目的节点的每条路径的时延小于预设时延阈值和/或每条路径上的节点数目小于预设节点数目阈值。
第二方面,本发明实施例还提供了一种基于遗传算法的业务路径选择装置,该装置包括:
路径查找模块,用于获取K个业务的K个初始节点信息、K个目的节点信息和网络拓扑信息,并针对每个业务,在与网络拓扑信息对应的网络拓扑中,查找从与该业务的初始节点信息对应的初始节点、至与该业务的目的节点信息对应的目的节点的所有路径,其中,每个业务存在一个初始节点信息和一个目的节点信息,其中,K为大于或等于2的整数;
编码模块,用于针对每个业务,以所有路径中的每个节点作为一个基因,以所有路径中的每个路径作为一个染色体,经编码得到该业务对应的染色体集合;
初始个体组合模块,用于获取用户输入的初始个体数量m,并对K个业务的染色体集合中的染色体进行随机组合,得到由K个业务的染色体组成的m个初始个体,其中,每个初始个体中包含K个染色体,每个染色体对应一个业务的一条路径,m为大于或等于1的整数;
影响风险值计算模块,用于针对每个第N代个体,获取并根据该第N代个体中每个基因对应的节点的相对影响值、该第N代个体的每个染色体对应的路径的时延、该第N代个体对应的每个链路上承载的业务数目和该第N代个体对应的链路总数,计算该第N代个体对应的负荷压力影响风险值、时延影响风险值和业务均衡度影响风险值,其中,N为大于或等于0的整数,当N等于0时,该第N代个体为初始个体,链路为初始节点和目的节点之间的任意两个直接相连的节点的路径;
适应度值计算模块,用于获取预设的第一影响因素权重、第二影响因素权重和第三影响因素权重,并根据负荷压力影响风险值、时延影响风险值、业务均衡度影响风险值、第一影响因素权重、第二影响因素权重和第三影响因素权重,计算每个第N代个体的适应度值;
子代个体计算模块,用于采用精英选择方法从m个第N代个体中,根据适应度值选择第一预设数量的第N代个体作为第一选择后的个体;采用轮盘赌选择方法,从m个第N代个体中,选择第二预设数量的第N代个体作为第二选择后的个体,并对第一选择后的个体与第二选择后的个体进行交叉运算和变异运算,得到m个第N+1代个体;
判断模块,用于判断N+1是否小于预设的最大遗传代数;
触发模块,用于在N+1小于预设的最大遗传代数时,将第N+1代个体作为第N代个体,并触发影响风险值计算模块工作;
输出模块,用于在N+1大于预设的最大遗传代数时,获取并根据第N+1代个体中每个基因对应的节点的相对影响值、该第N+1代个体的每个染色体对应的路径的时延、每个链路上承载的业务数目、该第N+1代个体对应的链路总数、第一影响因素权重、第二影响因素权重和第三影响因素权重,计算第N+1代个体的适应度值,并将第N+1代个体中适应度值最大的个体的每个染色体对应的路径作为对应的业务的最佳路径。
可选的,路径查找模块,具体用于:
在与网络拓扑信息对应的网络拓扑中,查找从与该业务的初始节点信息对应的初始节点、至与该业务的目的节点信息对应的目的节点的,且满足预设条件的所有路径,其中,预设条件为:初始节点到目的节点的每条路径的时延小于预设时延阈值和/或每条路径上的节点数目小于预设节点数目阈值。
本发明实施例提供的一种基于遗传算法的业务路径选择方法、装置及电子设备,可以首先获取每个业务的所有路由路径,并对每个路由路径进行编码,得到每个业务的染色体集合,然后对多个业务的染色体进行随机组合,获得m个初始个体,再针对第N代个体,根据该第N代个体中每个基因对应的节点的相对影响值、该第N代个体的每个染色体对应的路径的时延、该第N代个体对应的每个链路上承载的业务数目、该第N代个体对应的链路总数、第一影响因素权重、第二影响因素权重和第三影响因素权重,计算每个个体的适应度值,采用精英选择方法选择第一选择后的个体;采用轮盘赌选择方法,选择第二选择后的个体,并对第一选择后的个体与第二选择后的个体进行交叉运算和变异运算,得到m个第N+1代个体;最后,判断N+1是否小于预设的最大遗传代数;在N+1小于预设的最大遗传代数时,将第N+1代个体作为第N代个体,重复执行计算每个个体的适应度值的步骤;在N+1大于预设的最大遗传代数时,计算第N+1代个体的适应度值,并将第N+1代个体中适应度值最大的个体的每个染色体对应的路径作为对应的业务的最佳路径。从而可以实现将多个业务中每个业务的路径的时延、每个链路承载的业务数目以及多个业务的链路总数作为整体,采用改进的基于精英选择方法和轮盘赌选择方法相结合的遗传算法选择最佳路径,进而可以实现将多个业务作为整体,对影响路径选择的多个因素进行综合分析,选择综合性能最佳的路径,保证电力通信网络的稳定运行。当然,实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例的一种基于遗传算法的业务路径选择方法的流程图;
图2为本发明实施例的一种基于遗传算法的业务路径选择方法的网络拓扑示意图;
图3为本发明实施例的一种基于遗传算法的业务路径选择方法采用精英选择方法和轮盘赌选择方法进行选择的示意图;
图4为本发明实施例的一种基于遗传算法的业务路径选择方法的指标对比图;
图5为本发明实施例的一种基于遗传算法的业务路径选择装置的结构示意图;
图6为本发明实施例的一种电子设备的结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在现有技术中,往往是是根据一个影响路径选择的影响因素选择最佳路径的,例如,根据路径的重要度选择最佳路径、根据路径的转移概率选择最佳路径或者根据路径的全网络风险均衡度选择最佳路径。但是,在采用现有技术选择最佳路径时,并未综合考虑多个因素对路径选择的影响,也并未考虑节点自身因素对路径选择的影响,因此,选择的最佳路径并不是综合性能最佳的路径。
为了解决现有技术存在的问题,本发明实施例提供了一种基于遗传算法的业务路径选择方法、装置及电子设备,以实现对影响路径的所有因素进行综合分析,选择综合性能最佳的路径,保证电力通信网络的稳定运行。
下面,首先对本发明实施例的一种基于遗传算法的业务路径选择方法进行说明,如图1所示,为本发明实施例的一种基于遗传算法的业务路径选择方法的流程图,在图1中,该方法可以包括:
S110,获取K个业务的K个初始节点信息、K个目的节点信息和网络拓扑信息,并针对每个业务,在与网络拓扑信息对应的网络拓扑中,查找从与该业务的初始节点信息对应的初始节点、至与该业务的目的节点信息对应的目的节点的所有路径。
其中,每个业务存在一个初始节点信息和一个目的节点信息,其中,K为大于或等于2的整数,该初始节点信息和目的节点信息可以是节点的标识信息。
具体的,网络拓扑信息可以包括网络拓扑中各个节点的标识信息,以及每两个节点之间的链路信息,该链路信息可以包括两个节点之间是否存在链接关系的信息,每个节点可以表示电网中的一个电站以及该电站的通信设备。
在一些示例中,本发明实施例的一种基于遗传算法的业务路径选择方法可以应用于初次接收业务的网络拓扑中,也可以应用于正在执行业务的网络拓扑中。
具体的,当本发明实施例的一种基于遗传算法的业务路径选择方法应用于初次接收业务的网络拓扑中时,该网络拓扑中没有正在执行的业务,用户可以向应用本发明实施例的一种基于遗传算法的业务路径选择方法的路径选择装置输入K个业务的K个初始节点信息、K个目的节点信息和网络拓扑信息,因此,上述的路径选择装置可以接收到用户输入的K个业务的K个初始节点信息、K个目的节点信息和网络拓扑信息,然后通过本发明实施例的一种基于遗传算法的业务路径选择方法,选择各个业务的最佳路径,以执行对接收的业务的转发。
当本发明实施例的一种基于遗传算法的业务路径选择方法应用于正在执行业务的网络拓扑中时,该网络拓扑中可以存在中断的链路,该中断的链路不能执行对业务的转发,上述的路径选择装置可以在接收到链路中断的信息后,从路径选择装置本地获取网络拓扑中的业务的初始节点信息以及目的节点信息,再通过本发明实施例的一种基于遗传算法的业务路径选择方法,重新选择各个业务的最佳路径,以执行对业务的转发。
例如,假设用户输入了7个业务的初始节点信息和目的节点信息,分别为:第一个业务的初始节点信息和目的节点信息为:[S1,S11];第二个业务的初始节点信息和目的节点信息为:[S1,S16];第三个业务的初始节点信息和目的节点信息为:[S2,S14];第四个业务的初始节点信息和目的节点信息为:[S2,S16];第五个业务的初始节点信息和目的节点信息为:[S3,S13];第六个业务的初始节点信息和目的节点信息为:[S4,S8];第七个业务的初始节点信息和目的节点信息为:[S5,S15];
假设用户输入的网络拓扑信息包括:节点信息集合:[S1,S2,S3,S4,S5,S6,S7,S8,S9,S10,S11,S12,S13,S14,S15,S16,S17],链路信息为:S1→S2、S1→S3、S1→S6、S1→S14、S2→S3、S2→S14、S3→S4、S3→S10、S3→S12、S4→S5、S5→S6、S5→S7、S6→S9、S7→S8、S8→S15、S8→S17、S9→S17、S10→S11、S11→S12、S12→S14、S13→S14、S13→S17、S15→S16、S16→S17。
通过上述节点信息集合和链路信息,上述的路径选择装置可以建立如图2所示的网络拓扑图,在该图中,可以包括:中调节点{S3},500kv变电站节点{S1,S5,S10,S17},550kv变电站节点{S2,S4,S6,S8,S12,S14},220kv变电站节点{S7,S9,S11,S15,S16},地调节点{S13}。
上述的路径选择装置在建立网络拓扑图后,可以根据上述7个业务的初始节点和目的节点,分别查找从每个业务的初始节点至目的节点的所有路径。
S120,针对每个业务,以所有路径中的每个节点作为一个基因,以所有路径中的每个路径作为一个染色体,经编码得到该业务对应的染色体集合。
当上述的路径选择装置在查找到每个业务的所有路径后,可以采用遗传算法计算每个业务的最佳路径,为了采用遗传算法计算每个业务的最佳路径,可以对路径进行编码,将路径转换为染色体,进而通过遗传算法计算最佳路径。
具体的,针对每个业务的每一条路径,可以以该路径中每个节点作为一个基因,以该路径作为染色体进行编码,从而可以将该条路径转换为染色体。进一步的,通过编码,可以将该业务的所有路径都转换为对应的染色体,从而可以得到该业务对应的染色体集合。
为了更清楚的说明本发明实施例的一种基于遗传算法的业务路径选择方法,这里以一条路径为例进行说明;
假设,上述的路径选择装置根据第一个业务的初始节点信息S1和目的节点信息S11,查找到第一个业务的一条路径为:S1→S3→S10→S11,通过编码,可以将该路径转换为染色体:1-2-14-12-11。
在一些示例中,由于同一个业务的路径长短不一样,因此,为了使得通过本发明实施例的一种基于遗传算法的业务路径选择方法选择的最佳路径更加准确,减少路径长短不一样造成的影响,本发明实施例的一种基于遗传算法的业务路径选择方法可以采用变长编码方式进行编码,从而使得编码得到的染色体的长度与对应的路径的长度相同。
在一些示例中,本发明实施例的一种基于遗传算法的业务路径选择方法可以采用现有的编码方式对每一条路径进行编码,得到该路径对应的染色体,这里不再赘述。
S130,获取用户输入的初始个体数量m,并对K个业务的染色体集合中的染色体进行随机组合,得到由K个业务的染色体组成的m个初始个体。
其中,每个初始个体中包含K个染色体,每个染色体对应一个业务的一条路径,m为大于或等于1的整数。
在一些示例中,初始个体数量m可以由用户预先设置在上述的路径选择装置中,因此,上述的路径选择装置可以获取到用户输入的初始个体数量m,例如,用户可以预先设置初始个体数量为100、200或500。
在一些示例中,上述的路径选择装置在得到每个业务对应的染色体集合后,可以从每个业务的对应的染色体集合中选择多个染色体,然后将K个业务的多个染色体进行随机组合,得到由K个业务的染色体组成的m个初始个体。
具体的,可以从每个业务对应的染色体集合中随机选择一个染色体,得到K个业务的K个染色体,然后将K个染色体组合为第一个初始个体,再从每个业务对应的染色体集合中随机重新选择一个染色体,得到K个业务的另外K个染色体,然后将该另外K个染色体组合为第二个初始个体,重复执行上述动作,直至得到m个初始个体。
在一些示例中,上述的路径选择装置可以从每个业务对应的染色体集合中选择m个染色体,然后对K个业务的m个染色体随机组合,得到K个业务的染色体组成的m个初始个体。
在一些示例中,每个初始个体中每个染色体的长度可以相同,也可以不同。
假设从第一个业务对应的染色体集合中得到的一个染色体为:1-2-14-12-11,第二个业务对应的染色体集合中得到的一个染色体为:1-6-9-17-16,第三个业务对应的染色体集合中得到的一个染色体为:2-14,第四个业务对应的染色体集合中得到的一个染色体为:2-14-13-17-16,第五个业务对应的染色体集合中得到的一个染色体为:3-2-14-13,第六个业务对应的染色体集合中得到的一个染色体为:4-5-7-8,第七个业务对应的染色体集合中得到的一个染色体为:5-7-8-15,因此,可以得到一个包含上述7个染色体的初始个体,该个体包含的染色体为:{1-2-14-12-11,1-6-9-17-16,2-14,2-14-13-17-16,3-2-14-13,4-5-7-8,5-7-8-15,}。
S140,针对每个第N代个体,获取并根据该第N代个体中每个基因对应的节点的相对影响值、该第N代个体的每个染色体对应的路径的时延、该第N代个体对应的每个链路上承载的业务数目和该第N代个体对应的链路总数,计算该第N代个体对应的负荷压力影响风险值、时延影响风险值和业务均衡度影响风险值。
其中,N为大于或等于0的整数,当N等于0时,该第N代个体为初始个体,链路为初始节点和目的节点之间的任意两个直接相连的节点的路径。
通过上述步骤,上述的路径选择装置可以得到m个初始个体,为了将多个业务作为整体以及将影响每个业务的路径选择的多个影响因素作为整体,在本步骤中,可以将多个业务的路径作为整体。影响每个业务的路径选择的影响因素可以包括:节点的负荷压力、业务平均时延、业务均衡度。
当N等于0时,则该第N代个体为初始个体,对于每一个初始个体,可以通过本步骤,计算该初始个体的负荷压力影响风险值、时延影响风险值和业务均衡度影响风险值。
在一些示例中,上述的路径选择装置可以在本地存储有相对影响值表,该相对影响值表中可以保存有不同等级的节点以及该节点对应的相对影响值。例如,如表1所示,为本发明实施例的一种基于遗传算法的业务路径选择方法的相对影响值表,在该表1中,可以包括中调节点、550kv变电站节点、500kv变电站节点、220kv变电站节点、地调节点以及各节点对应的相对影响值。
表1相对影响值表
站点等级 | 负荷压力 | 影响值 | 相对影响值 |
中调 | 40%及以上 | 5 | 0.0200 |
550kv变电站 | 16%~40% | 4 | 0.0100 |
500kv变电站 | 12%~16% | 3 | 0.0075 |
220kv变电站 | 6%~12% | 2 | 0.0050 |
地调 | 6%以下 | 1 | 0.0025 |
因此,上述的路径选择装置可以在得到第N代个体后,可以查找每一个第N代个体包含的节点的基因编码,进而可以获取到该第N代个体对应的节点的节点信息,然后根据表1和该第N代个体中的节点信息,获取到每个个体中节点的相对影响值。
在一些示例中,上述的路径选择装置还可以在本地存储有每两个直接相连的节点之间的时延,因此,上述的路径选择装置可以在得到每个个体后,根据每两个直接相连的节点之间的时延,得到该个体中每个染色体对应的时延。
在一些示例中,上述的路径选择装置还可以在得到每个个体后,计算该个体中包含的链路的总数以及每个链路上承载的业务数目。
在得到上述的每个个体对应的节点的相对影响值、该个体的每个染色体对应的路径的时延、该个体对应的每个链路上承载的业务数目和该个体对应的链路总数之后,对于每个个体,上述的路径选择装置可以根据该个体中每个基因对应的节点的相对影响值、该个体的每个染色体对应的路径的时延、该个体对应的每个链路上承载的业务数目和该个体对应的链路总数,计算该个体对应的负荷压力影响风险值、时延影响风险值和业务均衡度影响风险值。
为了更清楚的说明本步骤,这里以包含染色体{1-2-14-12-11,1-6-9-17-16,2-14,2-14-13-17-16,3-2-14-13,4-5-7-8,5-7-8-15}的初始个体为例进行说明。
该初始个体中包含的节点包括:S1、S2、S3、S4、S5、S6、S7、S8、S9、S11、S12、S13、S14、S15、S16、S17,其中,S3为中调节点,经过查找表1,S3的相对影响值为0.02;S1、S5、S17分别为500kv变电站节点,经过查找表1,S1、S5、S17的相对影响值都为0.0075;S2、S4、S6、S8、S12、S14为550kv变电站节点,经过查找表1,S2、S4、S6、S8、S12、S14的相对影响值都为0.01;S7、S9、S11、S15、S16为220kv变电站节点,经过查找表1,S7、S9、S11、S15、S16的相对影响值都为0.005;S13为地调节点,经过查找表1,S13的相对影响值为0.0025。
染色体1-2-14-12-11对应的时延为S1→S2、S2→S14、S14→S12、S12→S11的时延之和,也即S1→S2→S14→S12→S11的时延;染色体1-6-9-17-16对应的时延为S1→S6→S9→S17→S16的时延,染色体2-14对应的时延为S2→S14的时延,染色体2-14-13-17-16对应的时延为S2→S14→S13→S17→S16的时延,染色体3-2-14-13对应的时延为S3→S2→S14→S13的时延,染色体4-5-7-8对应的时延为S4→S5→S7→S8的时延,染色体5-7-8-15对应的时延为S5→S7→S8→S15的时延。
该初始个体中链路的总数为:15,链路S1→S2承载的业务数目为1,S2→S3承载的业务数目为1,链路S1→S6承载的业务数目为1,链路S2→S14承载的业务数目为4,链路S4-S5承载的业务数目为1,链路S5-S7承载的业务数目为2,链路S6-S9承载的业务数目为1,链路S7-S8承载的业务数目为2,链路S8-S15承载的业务数目为1,链路S9-S17承载的业务数目为1,链路S11-S12承载的业务数目为1,链路S12-S14承载的业务数目为1,链路S13-S14承载的业务数目为2,链路S13-S17承载的业务数目为1,链路S16-S17承载的业务数目为2。
因此,上述的路径选择装置可以根据该初始个体对应的节点的相对影响值、该初始个体的每个染色体对应的路径的时延、该初始个体对应的每个链路上承载的业务数目和该初始个体对应的链路总数,计算该初始个体对应的负荷压力影响风险值、时延影响风险值和业务均衡度影响风险值。
在一些示例中,本发明实施例的一种基于遗传算法的业务路径选择方法在计算该第N代个体对应的负荷压力影响风险值、时延影响风险值和业务均衡度影响风险值时,还提供了一种可能的实现方式,具体包括:
S141,获取并根据该第N代个体中每个基因对应的节点的相对影响值,通过以下公式:
计算该第N代个体对应的负荷压力影响风险值I1。
其中,Vj为第i个业务的路径的第j个节点的负荷压力相对影响值,Ei为第i个业务的路径的节点总数。
具体的,针对第N代个体中的每个个体,上述的路径选择装置可以根据该个体中每个基因对应的节点的相对影响值,首先计算该个体的每个染色体中对应的节点的相对影响值之和,得到每个染色体对应的相对影响值,然后对该个体中多个染色体对应的相对影响值求和,得到该个体的负荷压力影响风险值I1。
S142,获取并根据该第N代个体的每个染色体对应的路径的时延,通过以下公式:
计算该第N代个体对应的时延影响风险值I2。
其中,L为网络拓扑中业务的总数,Ti是第i个业务对应的路径的时延。
具体的,针对第N代个体中的每个个体,上述的路径选择装置可以每两个直接相连的节点之间的时延,计算得到该个体中每个染色体对应的时延,然后计算该个体中多个染色体对应的时延之和,进而可以通过上述公式计算出该个体对应的时延影响风险值I2。
S143,获取并根据每个链路上承载的业务数目和该第N代个体对应的链路总数,通过以下公式:
计算该第N代个体对应的业务均衡度影响风险值I3。
其中,Lk为第k条链路上承载的业务数目,m为网络拓扑中第N代个体对应的链路总数。
具体的,上述的路径选择装置在获取到每个链路上承载的业务数目和该第N代个体对应的链路总数之后,可以首先计算该个体中所有链路上承载的业务数目的平均值,然后可以计算该个体中所有链路上承载的业务数目的标准差,从而可以得到该个体对应的业务均衡度影响风险值I3。
通过本发明实施例的一种基于遗传算法的业务路径选择方法,可以将K个业务作为一个整体进行计算,从而可以在通过后续步骤得到的最佳路径是对K个业务整体上综合性能最佳的路径。
S150,获取预设的第一影响因素权重、第二影响因素权重和第三影响因素权重,并根据负荷压力影响风险值、时延影响风险值、业务均衡度影响风险值、第一影响因素权重、第二影响因素权重和第三影响因素权重,计算每个第N代个体的适应度值。
其中,该第一影响因素权重、第二影响因素权重、第三影响因素权重可以预先设置在上述的路径选择装置中,因此,上述的路径选择装置可以在计算得到负荷压力影响风险值、时延影响风险值、业务均衡度影响风险值后,获取该第一影响因素权重、第二影响因素权重和第三影响因素权重,并根据负荷压力影响风险值、时延影响风险值、业务均衡度影响风险值、第一影响因素权重、第二影响因素权重和第三影响因素权重,计算每个第N代个体的适应度值。
在一些示例中,第一影响因素权重、第二影响因素权重和第三影响因素权重可以通过以下方式进行设置:
S151,根据预设的尺度量化规则,判断负荷压力、通信时延以及业务均衡度之间的相对重要性,并根据负荷压力、通信时延以及业务均衡度之间的相对重要性,构建如下比较判断矩阵B:
其中,a表示电网站点负荷压力的影响,b表示通信时延的影响,c表示业务均衡度的影响。比较判断矩阵B的元素Bpq是第p行的影响因素和第q列的影响因素根据预设的尺度量化规则进行比较的结果。
在一些示例中,预设的尺度量化规则可以如表2所示。
表2尺度量化规则
S152,计算比较判断矩阵的特征向量及最大特征根。
具体的,经过计算,比较判断矩阵B的特征向量为:ω1=0.8540,ω2=0.1460,ω3=0.4994,比较判断矩阵B的最大特征根为λmax=3.0246。
在一些示例中,本发明实施例的一种基于遗传算法的业务路径选择方法还可以对特征向量的合理性和客观性进行验证,具体的,可以通过以下公式:
计算一致性指标IC和一致性比率RC。
在上式中,n为矩阵阶数,随机一致性指标IR值如表3所示:
表3随机一致性指标值
阶数 | 1 | 2 | 3 | 4 | 5 | 6 | 7 |
IR | 0 | 0 | 0.52 | 0.89 | 1.12 | 1.26 | 1.32 |
当RC<0.1时,可以说明比较判断矩阵B具有满意的一致性。
通过计算,本发明实施例的一种基于遗传算法的业务路径选择方法中的一致性比率为RC=IC/IR=(λmax-n)/{(n-1)·IR}=(3.0246-3)/{(3-1)·0.52}=0.0237<0.1,可以说明特征向量对应影响因素权重可以真实地反映影响因素对于路径选择的相对重要程度。
S153,计算第一影响因素权重、第二影响因素权重和第三影响因素权重。
具体地,在通过上述步骤计算得到比较判断矩阵B的特征向量为:ω1=0.8540,ω2=0.1460,ω3=0.4994后,可以通过以下公式计算第一影响因素权重α、第二影响因素权重β和第三影响因素权重σ:
具体的,通过上述公式,可以计算得到α=0.5696、β=0.0974、σ=0.333。
因此,可以设置第一影响因素权重为0.5696、第二影响因素权重为0.0974,第三影响因素权重为0.333。
在一些示例中,本发明实施例的一种基于遗传算法的业务路径选择方法在计算每个第N代个体的适应度值时,还提供了一种可能的实现方式,具体包括:
根据负荷压力影响风险值I1、时延影响风险值I2、业务均衡度影响风险值I3、第一影响因素权重α、第二影响因素权重β和第三影响因素权重σ,通过以下公式:
计算每个第N代个体的适应度值fit(N)。
具体的,上述的路径选择装置可以针对第N代个体中的每个个体,通过上述公式,计算该个体的适应度值,进而根据第N代个体中的每个个体的适应度值,将K个业务以及影响K个业务的路径选择的多个影响因素作为整体,通过后续步骤的遗传算法,获取K个业务在整体上的最佳路径。
S160,采用精英选择方法从m个第N代个体中,根据适应度值选择第一预设数量的第N代个体作为第一选择后的个体;采用轮盘赌选择方法,从m个第N代个体中,选择第二预设数量的第N代个体作为第二选择后的个体,并对第一选择后的个体与第二选择后的个体进行交叉运算和变异运算,得到m个第N+1代个体。
在一些示例中,在采用精英选择方法从m个第N代个体中选择第一预设数量的第N代个体作为第一选择后的个体时,可以按照适应度值从大到小的顺序进行选择。
具体的,上述的路径选择装置可以首先将m个第N代个体复制为两份,第一份的m个第N代个体用于通过精英选择方法,选择第一预设数量的第N代个体作为第一选择后的个体,第二份的m个第N代个体用于通过轮盘赌选择方法,选择第二预设数量的第N代个体作为第二选择后的个体。
在一些示例中,在采用精英选择方法从m个第N代个体中选择第一预设数量的第N代个体作为第一选择后的个体时,可以将m个第N代个体分为第三预设数量的组,然后从每组中选择最大的第N代个体,得到第三预设数量的第N代个体,然后将第三预设数量的第N代个体分为第一预设数量的组,再从每组中选择最大的第N代个体,得到第一预设数量的第一选择后的个体。
为了更清楚的说明本发明实施例的一种基于遗传算法的业务路径选择方法采用精英选择方法选择第一选择后的个体和采用轮盘赌选择方法选择第二选择后的个体,下面,结合图3所示的采用精英选择方法和轮盘赌选择方法进行选择的示意图进行说明。
在图3中,上述的路径选择装置可以首先将m个第N代个体复制为两份,采用精英选择方法,并按照适应度值从大到小的顺序,首先在第一份的m个第N代个体中选择第三预设数量的第N代个体,然后在第三预设数量的第N代个体中,采用精英选择方法,并按照适应度值从大到小的顺序,选择第一预设数量的第N代个体作为第一选择后的个体。
上述的路径选择装置然后可以在第二份的m个第N代个体中,采用轮盘赌选择方法,选择第二预设数量的第N代个体作为第二选择后的个体。
在一些示例中,上述的路径选择装置可以同时采用精英选择方法对第一份m个第N代个体进行选择,和采用轮盘赌选择方法对第二份m个第N代个体进行选择。
应当理解的是,本发明实施例可以采用现有的精英选择方法对第一份m个第N代个体进行选择,采用现有的轮盘赌选择方法对第二份m个第N代个体进行选择,这里,不再对精英选择方法和轮盘赌选择方法进行赘述。
上述的路径选择装置在得到第一选择后的个体和第二选择后的个体后,可以将第一选择后的个体和第二选择后的个体作为新的m个第N代个体。
具体的,上述的路径选择装置在得到第一选择后的个体和第二选择后的个体后,可以直接对第一选择后的个体和第二选择后的个体进行交叉运算和变异运算,得到m个第N+1代个体。
应当说明的是,进行交叉运算和变异运算是对每个个体中的染色体的基因进行交叉运算和变异运算。可以采用现有的交叉运算和变异运算方法进行,这里不再赘述。
在一些示例中,该第一预设数量可以是m/4,第二预设数量可以是3m/4,交叉率可以是0.9,变异率可以是0.055。
通过本步骤采用精英选择方法和轮盘赌选择方法,可以使得上述的路径选择装置在选择最佳路径时,选择的是全局的最佳路径,避免出现选择的路径仅仅是局部最佳路径,进而实现提高应用本发明实施例的一种基于遗传算法的业务路径选择方法选择最佳路径的精确度。
S170,判断N+1是否小于预设的最大遗传代数。
其中,该最大遗传代数可以根据经验预设设置。例如,将该最大遗传代数设置为300。
具体的,在得到第N+1代个体后,为了及时输出最佳路径,避免遗传算法陷入死循环状态,上述的路径选择装置可以判断N+1是否小于预设的最大遗传代数。
S180,在N+1小于预设的最大遗传代数时,将第N+1代个体作为第N代个体,重复执行获取并根据该第N代个体中每个基因对应的节点的相对影响值、该第N代个体的每个染色体对应的路径的时延和每个链路上承载的业务数目和该第N代个体对应的链路总数,计算该第N代个体对应的负荷压力影响风险值、时延影响风险值和业务均衡度影响风险值的步骤。
具体的,当N+1小于预设的最大遗传代数时,上述的路径选择装置可以确认第N+1代个体不符合输出条件,则可以对第N+1代个体中的每个个体执行如下动作:
获取并根据该第N+1代个体中每个基因对应的节点的相对影响值、该第N+1代个体的每个染色体对应的路径的时延和每个链路上承载的业务数目和该第N+1代个体对应的链路总数,计算该第N+1代个体对应的负荷压力影响风险值、时延影响风险值和业务均衡度影响风险值。
或者,
将第N+1代个体作为第N代个体,重复执行获取并根据该第N代个体中每个基因对应的节点的相对影响值、该第N代个体的每个染色体对应的路径的时延和每个链路上承载的业务数目和该第N代个体对应的链路总数,计算该第N代个体对应的负荷压力影响风险值、时延影响风险值和业务均衡度影响风险值的步骤。
S190,在N+1大于预设的最大遗传代数时,获取并根据第N+1代个体中每个基因对应的节点的相对影响值、该第N+1代个体的每个染色体对应的路径的时延、每个链路上承载的业务数目、该第N+1代个体对应的链路总数、第一影响因素权重、第二影响因素权重和第三影响因素权重,计算第N+1代个体的适应度值,并将第N+1代个体中适应度值最大的个体的每个染色体对应的路径作为对应的业务的最佳路径。
具体的,当N+1大于预设的最大遗传代数时,上述的路径选择装置可以确认第N+1代个体满足输出条件,则可以在第N+1代个体中,选择适应度值最大的个体,并将适应度值最大的个体的每个染色体对应的路径作为对应的业务的最佳路径。
在一些示例中,在计算第N+1代个体的适应度值时,可以部分或全部借鉴计算第N代个体的适应度值的方法,这里不再赘述。
通过选择适应度值最大的个体的每个染色体对应的路径作为对应的业务的最佳路径,可以使得影响因素对路径的影响最小,从而可以实现选择综合性能最佳的路径,保证电力通信网络的稳定运行。
本发明实施例提供的一种基于遗传算法的业务路径选择方法,可以首先获取每个业务的所有路由路径,并对每个路由路径进行编码,得到每个业务的染色体集合,然后对多个业务的染色体进行随机组合,获得m个初始个体,再针对第N代个体,根据该第N代个体中每个基因对应的节点的相对影响值、该第N代个体的每个染色体对应的路径的时延、该第N代个体对应的每个链路上承载的业务数目、该第N代个体对应的链路总数、第一影响因素权重、第二影响因素权重和第三影响因素权重,计算每个个体的适应度值,采用精英选择方法选择第一选择后的个体;采用轮盘赌选择方法,选择第二选择后的个体,并对第一选择后的个体与第二选择后的个体进行交叉运算和变异运算,得到m个第N+1代个体;最后,判断N+1是否小于预设的最大遗传代数;在N+1小于预设的最大遗传代数时,将第N+1代个体作为第N代个体,重复执行计算每个个体的适应度值的步骤;在N+1大于预设的最大遗传代数时,计算第N+1代个体的适应度值,并将第N+1代个体中适应度值最大的个体的每个染色体对应的路径作为对应的业务的最佳路径。从而可以实现将多个业务中每个业务的路径的时延、每个链路承载的业务数目以及多个业务的链路总数作为整体,采用改进的基于精英选择方法和轮盘赌选择方法相结合的遗传算法选择最佳路径,进而可以实现将多个业务作为整体,对影响路径选择的多个因素进行综合分析,选择综合性能最佳的路径,保证电力通信网络的稳定运行。
在本发明实施例的一种可能的实现方式中,为了降低应用本发明实施例的一种基于遗传算法的业务路径选择方法的复杂度,减少路径选择过程的时间开销,在查找路径时,可以预先设置限制条件,以选择符合限制条件的路径。
具体的,在与网络拓扑信息对应的网络拓扑中,查找从与该业务的初始节点信息对应的初始节点、至与该业务的目的节点信息对应的目的节点的所有路径,包括:
在与网络拓扑信息对应的网络拓扑中,查找从与该业务的初始节点信息对应的初始节点、至与该业务的目的节点信息对应的目的节点的,且满足预设条件的所有路径。
其中,预设条件为:初始节点到目的节点的每条路径的时延小于预设时延阈值和/或每条路径上的节点数目小于预设节点数目阈值。
该预设时延阈值和预设节点数目阈值可以预先设置在上述路径选择装置中,在该路径选择装置在与网络拓扑信息对应的网络拓扑中查找路径时,可以按照该预设条件进行查找。
具体的,针对每个业务,上述的路径选择装置可以首先查找到与该业务对应的所有路径,然后从与该业务对应的所有路径中按照预设条件进行筛选,选择符合预设条件的所有路径。
通过本步骤,上述的路径选择装置可以针对每个业务,查找满足预设条件的路径,从而可以减少查找路径的时间开销,提高应用本发明实施例的一种基于遗传算法的业务路径选择方法的效率。
为了说明本发明实施例的一种基于遗传算法的路径选择方法选择的最佳路径的效果,本发明实施例选择Dijkstra算法和“轮盘赌”选择方法作为对比,具体如表4所示。
表4业务路径对比表
在表4中,可以包括业务1、业务2、业务3、业务4、业务5、业务6、业务7共7个业务,以及各个业务对应的初始节点和目的节点。
采用不同的方法得到的7个业务的最佳路径如表4所示。
在一些示例中,本发明实施例对采用Dijkstra算法、“轮盘赌”选择方法、以及本发明实施例的一种基于遗传算法的业务路径选择方法选择的7个业务的最佳路径,从负荷压力值、业务平均时延以及业务均衡度三个方面进行了仿真分析,其仿真效果图如图4所示,图4为本发明实施例的一种基于遗传算法的业务路径选择方法的指标对比图。
从上图4中可以看出,采用本发明实施例的一种基于遗传算法的业务路径选择方法选择的最佳路径的路径时延大于采用Dijkstra算法的业务平均时延,但仍然在可接受的范围之内。这是因为采用Dijkstra算法计算业务路径时只考虑了最短时延路径,因此平均时延最小,而本发明实施例的一种基于遗传算法的业务路径选择方法同时考虑了三个影响因素。对于业务均衡度而言,本发明实施例的一种基于遗传算法的业务路径选择方法选择的最佳路径的均衡度比采用Dijkstra算法选择最佳路径时的业务均衡度减少了52.7%,有较大程度的减少。所以在站点负荷压力小幅增加的情况下可以看出,通过本发明实施例的一种基于遗传算法的业务路径选择方法选择的最佳路径更加符合实际情况的要求。
在本发明实施例的一种可能的实现方式中,上述的路径选择装置在选择K个业务对应的最佳路径后,为了确定每个链路中断对业务的影响,该路径选择装置还可以计算至少一个链路中断时对最佳路径的影响风险综合值。具体可以包括:
获取并根据至少一个链路的中断概率和最大适应度值,计算至少一个链路中断时对最佳路径的影响风险综合值。
具体的,网络拓扑中的每个节点上可以保存有与该节点相关的链路的中断概率,因此,上述的路径选择装置可以从每个节点获取与该节点相关的中断概率,然后获取与最佳路径对应的最大适应度值,并根据至少一个链路的中断概率和最大适应度值,计算至少一个链路中断时对最佳路径的影响风险综合值。
在一些示例中,在计算至少一个链路中断时对最佳路径的影响风险综合值时,本发明实施例还提供了一种可能的实现方式,具体包括:
获取并根据至少一个链路的中断概率P和最大适应度值fitmax(N),通过以下公式:
R=K·P/fitmax(N)
计算至少一个链路中断时对最佳路径的影响风险综合值R,其中,K为跨空间风险影响传递概率。
具体的,K为预先设置的跨空间风险影响传递概率,例如,可以将K设置为1。
为了更清楚的说明本发明实施例的一种基于遗传算法的业务路径选择方法计算至少一个链路中断时对最佳路径的影响风险综合值的过程,这里结合图4,以链路13→14和链路13→17为例进行说明。
假设上述的路径选择装置从节点S13中获取到链路13→14的中断概率为0.3442,链路13→17的中断概率为0.2137,在图4中,I1=0.305、I2=0.7348、I3=0.5465,则可以计算链路13→14和链路13→17同时中断对最佳路径的影响风险综合值:
R=K·P/fitmax(N)=K·p13→14·p13→17·(αI1+βI2+σI3)
=1×0.3442×0.2137×(0.5696×0.305+0.0974×0.7348+0.333×0.5465)
=3.143%
可见,链路13→14和链路13→17同时中断时,对最佳路径的影响风险综合值为3.143%,相对来说,链路13→14和链路13→17同时中断对最佳路径的影响是比较高的。
在一些示例中,当链路13→14和链路13→17同时中断后,也可以通过本发明实施例的一种基于遗传算法的路径选择方法重新选择7个业务的最佳路径。因此,本发明实施例不仅可以用于为初次对业务进行转发的网络拓扑中,也可以应用于由于链路中断,需要重新选择最佳路径的网络拓扑中。
相应于上述方法实施例,本发明实施例还提供了一种基于遗传算法的业务路径选择装置,如图5所示,为本发明实施例的一种基于遗传算法的业务路径选择装置的结构示意图,该装置可以包括:
路径查找模块510,用于获取K个业务的K个初始节点信息、K个目的节点信息和网络拓扑信息,并针对每个业务,在与网络拓扑信息对应的网络拓扑中,查找从与该业务的初始节点信息对应的初始节点、至与该业务的目的节点信息对应的目的节点的所有路径,其中,每个业务存在一个初始节点信息和一个目的节点信息,其中,K为大于或等于2的整数;
编码模块520,用于针对每个业务,以所有路径中的每个节点作为一个基因,以所有路径中的每个路径作为一个染色体,经编码得到该业务对应的染色体集合;
初始个体组合模块530,用于获取用户输入的初始个体数量m,并对K个业务的染色体集合中的染色体进行随机组合,得到由K个业务的染色体组成的m个初始个体,其中,每个初始个体中包含K个染色体,每个染色体对应一个业务的一条路径,m为大于或等于1的整数;
影响风险值计算模块540,用于针对每个第N代个体,获取并根据该第N代个体中每个基因对应的节点的相对影响值、该第N代个体的每个染色体对应的路径的时延、该第N代个体对应的每个链路上承载的业务数目和该第N代个体对应的链路总数,计算该第N代个体对应的负荷压力影响风险值、时延影响风险值和业务均衡度影响风险值,其中,N为大于或等于0的整数,当N等于0时,该第N代个体为初始个体,链路为初始节点和目的节点之间的任意两个直接相连的节点的路径;
适应度值计算模块550,用于获取预设的第一影响因素权重、第二影响因素权重和第三影响因素权重,并根据负荷压力影响风险值、时延影响风险值、业务均衡度影响风险值、第一影响因素权重、第二影响因素权重和第三影响因素权重,计算每个第N代个体的适应度值;
子代个体计算模块560,用于采用精英选择方法从m个第N代个体中,根据适应度值选择第一预设数量的第N代个体作为第一选择后的个体;采用轮盘赌选择方法,从m个第N代个体中,选择第二预设数量的第N代个体作为第二选择后的个体,并对第一选择后的个体与第二选择后的个体进行交叉运算和变异运算,得到m个第N+1代个体;
判断模块570,用于判断N+1是否小于预设的最大遗传代数;
触发模块580,用于在N+1小于预设的最大遗传代数时,将第N+1代个体作为第N代个体,并触发影响风险值计算模块工作;
输出模块590,用于在N+1大于预设的最大遗传代数时,获取并根据第N+1代个体中每个基因对应的节点的相对影响值、该第N+1代个体的每个染色体对应的路径的时延、每个链路上承载的业务数目、该第N+1代个体对应的链路总数、第一影响因素权重、第二影响因素权重和第三影响因素权重,计算第N+1代个体的适应度值,并将第N+1代个体中适应度值最大的个体的每个染色体对应的路径作为对应的业务的最佳路径。
本发明实施例提供的一种基于遗传算法的业务路径选择装置,可以首先获取每个业务的所有路由路径,并对每个路由路径进行编码,得到每个业务的染色体集合,然后对多个业务的染色体进行随机组合,获得m个初始个体,再针对第N代个体,根据该第N代个体中每个基因对应的节点的相对影响值、该第N代个体的每个染色体对应的路径的时延、该第N代个体对应的每个链路上承载的业务数目、该第N代个体对应的链路总数、第一影响因素权重、第二影响因素权重和第三影响因素权重,计算每个个体的适应度值,采用精英选择方法选择第一选择后的个体;采用轮盘赌选择方法,选择第二选择后的个体,并对第一选择后的个体与第二选择后的个体进行交叉运算和变异运算,得到m个第N+1代个体;最后,判断N+1是否小于预设的最大遗传代数;在N+1小于预设的最大遗传代数时,将第N+1代个体作为第N代个体,重复执行计算每个个体的适应度值的步骤;在N+1大于预设的最大遗传代数时,计算第N+1代个体的适应度值,并将第N+1代个体中适应度值最大的个体的每个染色体对应的路径作为对应的业务的最佳路径。从而可以实现将多个业务中每个业务的路径的时延、每个链路承载的业务数目以及多个业务的链路总数作为整体,采用改进的遗传算法选择最佳路径,进而可以实现将多个业务作为整体,对影响路径选择的多个因素进行综合分析,选择综合性能最佳的路径,保证电力通信网络的稳定运行。
具体的,路径查找模块510,具体用于:
在与网络拓扑信息对应的网络拓扑中,查找从与该业务的初始节点信息对应的初始节点、至与该业务的目的节点信息对应的目的节点的,且满足预设条件的所有路径,其中,预设条件为:初始节点到目的节点的每条路径的时延小于预设时延阈值和/或每条路径上的节点数目小于预设节点数目阈值。
影响风险值计算模块540,包括:
负荷压力影响风险值计算子模块,用于获取并根据该第N代个体中每个基因对应的节点的相对影响值,通过以下公式:
计算该第N代个体对应的负荷压力影响风险值I1,其中,Vj为第i个业务的路径的第j个节点的负荷压力相对影响值,Ei为第i个业务的路径的节点总数;
时延影响风险值计算子模块,用于获取并根据该第N代个体的每个染色体对应的路径的时延,通过以下公式:
计算该第N代个体对应的时延影响风险值I2,其中,L为网络拓扑中业务的总数,Ti是第i个业务对应的路径的时延;
业务均衡度影响风险值计算子模块,用于获取并根据每个链路上承载的业务数目和该第N代个体对应的链路总数,通过以下公式:
计算该第N代个体对应的业务均衡度影响风险值I3,其中,Lk为第k条链路上承载的业务数目,m为网络拓扑中第N代个体对应的链路总数。
适应度值计算模块550,具体用于:
根据负荷压力影响风险值I1、时延影响风险值I2、业务均衡度影响风险值I3、第一影响因素权重α、第二影响因素权重β和第三影响因素权重σ,通过以下公式:
计算每个第N代个体的适应度值fit(N)。
具体的,本发明实施例的一种基于遗传算法的业务路径选择装置,还可以包括:
影响风险综合值计算模块,用于获取并根据至少一个链路的中断概率和最大适应度值,计算至少一个链路中断时对最佳路径的影响风险综合值。
具体的,影响风险综合值计算模块,具体用于:
获取并根据至少一个链路的中断概率P和最大适应度值fitmax(N),通过以下公式:
R=K·P/fitmax(N)
计算至少一个链路中断时对最佳路径的影响风险综合值R,其中,K为跨空间风险影响传递概率。
本发明实施例还提供了一种电子设备,如图6所示,该电子设备可以包括处理器610、通信接口620、存储器630和通信总线640,其中,处理器610,通信接口620,存储器630通过通信总线640完成相互间的通信,
存储器630,用于存放计算机程序;
处理器610,用于执行存储器630上所存放的程序时,实现如下步骤:
获取K个业务的K个初始节点信息、K个目的节点信息和网络拓扑信息,并针对每个业务,在与网络拓扑信息对应的网络拓扑中,查找从与该业务的初始节点信息对应的初始节点、至与该业务的目的节点信息对应的目的节点的所有路径,其中,每个业务存在一个初始节点信息和一个目的节点信息,其中,K为大于或等于2的整数;
针对每个业务,以所有路径中的每个节点作为一个基因,以所有路径中的每个路径作为一个染色体,经编码得到该业务对应的染色体集合;
获取用户输入的初始个体数量m,并对K个业务的染色体集合中的染色体进行随机组合,得到由K个业务的染色体组成的m个初始个体,其中,每个初始个体中包含K个染色体,每个染色体对应一个业务的一条路径,m为大于或等于1的整数;
针对每个第N代个体,获取并根据该第N代个体中每个基因对应的节点的相对影响值、该第N代个体的每个染色体对应的路径的时延、该第N代个体对应的每个链路上承载的业务数目和该第N代个体对应的链路总数,计算该第N代个体对应的负荷压力影响风险值、时延影响风险值和业务均衡度影响风险值,其中,N为大于或等于0的整数,当N等于0时,该第N代个体为初始个体,链路为初始节点和目的节点之间的任意两个直接相连的节点的路径;
获取预设的第一影响因素权重、第二影响因素权重和第三影响因素权重,并根据负荷压力影响风险值、时延影响风险值、业务均衡度影响风险值、第一影响因素权重、第二影响因素权重和第三影响因素权重,计算每个第N代个体的适应度值;
采用精英选择方法从m个第N代个体中,根据适应度值选择第一预设数量的第N代个体作为第一选择后的个体;采用轮盘赌选择方法,从m个第N代个体中,选择第二预设数量的第N代个体作为第二选择后的个体,并对第一选择后的个体与第二选择后的个体进行交叉运算和变异运算,得到m个第N+1代个体;
判断N+1是否小于预设的最大遗传代数;
在N+1小于预设的最大遗传代数时,将第N+1代个体作为第N代个体,重复执行获取并根据该第N代个体中每个基因对应的节点的相对影响值、该第N代个体的每个染色体对应的路径的时延和每个链路上承载的业务数目和该第N代个体对应的链路总数,计算该第N代个体对应的负荷压力影响风险值、时延影响风险值和业务均衡度影响风险值的步骤;
在N+1大于预设的最大遗传代数时,获取并根据第N+1代个体中每个基因对应的节点的相对影响值、该第N+1代个体的每个染色体对应的路径的时延、每个链路上承载的业务数目、该第N+1代个体对应的链路总数、第一影响因素权重、第二影响因素权重和第三影响因素权重,计算第N+1代个体的适应度值,并将第N+1代个体中适应度值最大的个体的每个染色体对应的路径作为对应的业务的最佳路径。
本发明实施例提供的一种电子设备,可以对每个业务的所有路径编码,得到对应的染色体集合,然后对染色体集合随机组合,得到初始个体,再计算第N代个体中每个个体的适应度值,采用精英选择方法和轮盘赌选择方法对第N代个体进行选择,并对选择后的第N代个体进行交叉运算和变异运算,得到第N+1代个体;最后判断N+1是否小于预设的最大遗传代数;在N+1小于预设的最大遗传代数时,将第N+1代个体作为第N代个体,重复执行计算每个个体适应度值的步骤;在N+1大于预设的最大遗传代数时,计算第N+1代个体的适应度值,并将第N+1代个体中适应度值最大的个体的染色体对应的路径作为对应业务的最佳路径。从而可以实现将多个业务中每个业务的路径的时延、每个链路承载的业务数目以及多个业务的链路总数作为整体,采用改进的遗传算法选择最佳路径,进而实现将多个业务作为整体,对影响路径选择的多个因素进行综合分析,选择综合性能最佳的路径,保证电力通信网络的稳定运行。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
本发明实施例还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行如下步骤:
获取K个业务的K个初始节点信息、K个目的节点信息和网络拓扑信息,并针对每个业务,在与网络拓扑信息对应的网络拓扑中,查找从与该业务的初始节点信息对应的初始节点、至与该业务的目的节点信息对应的目的节点的所有路径,其中,每个业务存在一个初始节点信息和一个目的节点信息,其中,K为大于或等于2的整数;
针对每个业务,以所有路径中的每个节点作为一个基因,以所有路径中的每个路径作为一个染色体,经编码得到该业务对应的染色体集合;
获取用户输入的初始个体数量m,并对K个业务的染色体集合中的染色体进行随机组合,得到由K个业务的染色体组成的m个初始个体,其中,每个初始个体中包含K个染色体,每个染色体对应一个业务的一条路径,m为大于或等于1的整数;
针对每个第N代个体,获取并根据该第N代个体中每个基因对应的节点的相对影响值、该第N代个体的每个染色体对应的路径的时延、该第N代个体对应的每个链路上承载的业务数目和该第N代个体对应的链路总数,计算该第N代个体对应的负荷压力影响风险值、时延影响风险值和业务均衡度影响风险值,其中,N为大于或等于0的整数,当N等于0时,该第N代个体为初始个体,链路为初始节点和目的节点之间的任意两个直接相连的节点的路径;
获取预设的第一影响因素权重、第二影响因素权重和第三影响因素权重,并根据负荷压力影响风险值、时延影响风险值、业务均衡度影响风险值、第一影响因素权重、第二影响因素权重和第三影响因素权重,计算每个第N代个体的适应度值;
采用精英选择方法从m个第N代个体中,根据适应度值选择第一预设数量的第N代个体作为第一选择后的个体;采用轮盘赌选择方法,从m个第N代个体中,选择第二预设数量的第N代个体作为第二选择后的个体,并对第一选择后的个体与第二选择后的个体进行交叉运算和变异运算,得到m个第N+1代个体;
判断N+1是否小于预设的最大遗传代数;
在N+1小于预设的最大遗传代数时,将第N+1代个体作为第N代个体,重复执行获取并根据该第N代个体中每个基因对应的节点的相对影响值、该第N代个体的每个染色体对应的路径的时延和每个链路上承载的业务数目和该第N代个体对应的链路总数,计算该第N代个体对应的负荷压力影响风险值、时延影响风险值和业务均衡度影响风险值的步骤;
在N+1大于预设的最大遗传代数时,获取并根据第N+1代个体中每个基因对应的节点的相对影响值、该第N+1代个体的每个染色体对应的路径的时延、每个链路上承载的业务数目、该第N+1代个体对应的链路总数、第一影响因素权重、第二影响因素权重和第三影响因素权重,计算第N+1代个体的适应度值,并将第N+1代个体中适应度值最大的个体的每个染色体对应的路径作为对应的业务的最佳路径。
本发明实施例提供的一种计算机可读存储介质,可以对每个业务的所有路径编码,得到对应的染色体集合,然后对染色体集合随机组合,得到初始个体,再计算第N代个体中每个个体的适应度值,采用精英选择方法和轮盘赌选择方法对第N代个体进行选择,并对选择后的第N代个体进行交叉运算和变异运算,得到第N+1代个体;最后判断N+1是否小于预设的最大遗传代数;在N+1小于预设的最大遗传代数时,将第N+1代个体作为第N代个体,重复执行计算每个个体适应度值的步骤;在N+1大于预设的最大遗传代数时,计算第N+1代个体的适应度值,并将第N+1代个体中适应度值最大的个体的染色体对应的路径作为对应业务的最佳路径。从而可以实现将多个业务中每个业务的路径的时延、每个链路承载的业务数目以及多个业务的链路总数作为整体,采用改进的遗传算法选择最佳路径,进而实现将多个业务作为整体,对影响路径选择的多个因素进行综合分析,选择综合性能最佳的路径,保证电力通信网络的稳定运行。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。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,均包含在本发明的保护范围内。
Claims (10)
1.一种基于遗传算法的业务路径选择方法,其特征在于,所述方法包括:
获取K个业务的K个初始节点信息、K个目的节点信息和网络拓扑信息,并针对每个业务,在与所述网络拓扑信息对应的网络拓扑中,查找从与该业务的初始节点信息对应的初始节点、至与该业务的目的节点信息对应的目的节点的所有路径,其中,每个业务存在一个初始节点信息和一个目的节点信息,其中,所述K为大于或等于2的整数;
针对每个业务,以所述所有路径中的每个节点作为一个基因,以所述所有路径中的每个路径作为一个染色体,经编码得到该业务对应的染色体集合;
获取用户输入的初始个体数量m,并对所述K个业务的染色体集合中的染色体进行随机组合,得到由所述K个业务的染色体组成的m个初始个体,其中,每个初始个体中包含K个染色体,每个染色体对应一个业务的一条路径,所述m为大于或等于1的整数;
针对每个第N代个体,获取并根据该第N代个体中每个基因对应的节点的相对影响值、该第N代个体的每个染色体对应的路径的时延、该第N代个体对应的每个链路上承载的业务数目和该第N代个体对应的链路总数,计算该第N代个体对应的负荷压力影响风险值、时延影响风险值和业务均衡度影响风险值,其中,N为大于或等于0的整数,当N等于0时,该第N代个体为初始个体,所述链路为初始节点和目的节点之间的任意两个直接相连的节点的路径;
获取预设的第一影响因素权重、第二影响因素权重和第三影响因素权重,并根据所述负荷压力影响风险值、时延影响风险值、业务均衡度影响风险值、第一影响因素权重、第二影响因素权重和第三影响因素权重,计算每个第N代个体的适应度值;
采用精英选择方法从所述m个第N代个体中,根据所述适应度值选择第一预设数量的第N代个体作为第一选择后的个体;采用轮盘赌选择方法,从所述m个第N代个体中,选择第二预设数量的第N代个体作为第二选择后的个体,并对所述第一选择后的个体与所述第二选择后的个体进行交叉运算和变异运算,得到m个第N+1代个体;
判断N+1是否小于预设的最大遗传代数;
在所述N+1小于预设的最大遗传代数时,将所述第N+1代个体作为所述第N代个体,重复执行获取并根据该第N代个体中每个基因对应的节点的相对影响值、该第N代个体的每个染色体对应的路径的时延和每个链路上承载的业务数目和该第N代个体对应的链路总数,计算该第N代个体对应的负荷压力影响风险值、时延影响风险值和业务均衡度影响风险值的步骤;
在所述N+1大于预设的最大遗传代数时,获取并根据所述第N+1代个体中每个基因对应的节点的相对影响值、该第N+1代个体的每个染色体对应的路径的时延、每个链路上承载的业务数目、该第N+1代个体对应的链路总数、第一影响因素权重、第二影响因素权重和第三影响因素权重,计算所述第N+1代个体的适应度值,并将所述第N+1代个体中适应度值最大的个体的每个染色体对应的路径作为对应的业务的最佳路径。
2.根据权利要求1所述的方法,其特征在于,所述在与所述网络拓扑信息对应的网络拓扑中,查找从与该业务的初始节点信息对应的初始节点、至与该业务的目的节点信息对应的目的节点的所有路径,包括:
在与所述网络拓扑信息对应的网络拓扑中,查找从与该业务的初始节点信息对应的初始节点、至与该业务的目的节点信息对应的目的节点的,且满足预设条件的所有路径,其中,所述预设条件为:所述初始节点到所述目的节点的每条路径的时延小于预设时延阈值和/或每条路径上的节点数目小于预设节点数目阈值。
3.根据权利要求1所述的方法,其特征在于,所述获取并根据该第N代个体中每个基因对应的节点的相对影响值、该第N代个体的每个染色体对应的路径的时延、每个链路上承载的业务数目和该第N代个体对应的链路总数,计算该第N代个体对应的负荷压力影响风险值、时延影响风险值和业务均衡度影响风险值,包括:
获取并根据该第N代个体中每个基因对应的节点的相对影响值,通过以下公式:
计算该第N代个体对应的负荷压力影响风险值I1;
获取并根据该第N代个体的每个染色体对应的路径的时延,通过以下公式:
计算该第N代个体对应的时延影响风险值I2;
获取并根据每个链路上承载的业务数目和该第N代个体对应的链路总数,通过以下公式:
计算该第N代个体对应的业务均衡度影响风险值I3;其中,所述Vj为第i个业务的路径的第j个节点的负荷压力相对影响值,所述Ei为第i个业务的路径的节点总数,所述L为所述网络拓扑中业务的总数,Ti是第i个业务对应的路径的时延,Lk为第k条链路上承载的业务数目,m为所述网络拓扑中第N代个体对应的链路总数。
4.根据权利要求3所述的方法,其特征在于,所述根据所述负荷压力影响风险值、时延影响风险值、业务均衡度影响风险值、第一影响因素权重、第二影响因素权重和第三影响因素权重,计算每个第N代个体的适应度值,包括:
根据所述负荷压力影响风险值I1、时延影响风险值I2、业务均衡度影响风险值I3、第一影响因素权重α、第二影响因素权重β和第三影响因素权重σ,通过以下公式:
计算每个第N代个体的适应度值fit(N)。
5.根据权利要求4所述的方法,其特征在于,在所述将所述第N+1代个体中适应度值最大的个体的每个染色体对应的路径作为对应的业务的最佳路径之后,所述方法还包括:
获取并根据至少一个链路的中断概率和最大适应度值,计算所述至少一个链路中断时对所述最佳路径的影响风险综合值。
6.根据权利要求5所述的方法,其特征在于,所述获取并根据至少一个链路的中断概率和最大适应度值,计算所述至少一个链路中断时对所述最佳路径的影响风险综合值,包括:
获取并根据至少一个链路的中断概率P和最大适应度值fitmax(N),通过以下公式:
R=K·P/fitmax(N)
计算所述至少一个链路中断时对所述最佳路径的影响风险综合值R,其中,所述K为跨空间风险影响传递概率。
7.一种基于遗传算法的业务路径选择装置,其特征在于,所述装置包括:
路径查找模块,用于获取K个业务的K个初始节点信息、K个目的节点信息和网络拓扑信息,并针对每个业务,在与所述网络拓扑信息对应的网络拓扑中,查找从与该业务的初始节点信息对应的初始节点、至与该业务的目的节点信息对应的目的节点的所有路径,其中,每个业务存在一个初始节点信息和一个目的节点信息,其中,所述K为大于或等于2的整数;
编码模块,用于针对每个业务,以所述所有路径中的每个节点作为一个基因,以所述所有路径中的每个路径作为一个染色体,经编码得到该业务对应的染色体集合;
初始个体组合模块,用于获取用户输入的初始个体数量m,并对所述K个业务的染色体集合中的染色体进行随机组合,得到由所述K个业务的染色体组成的m个初始个体,其中,每个初始个体中包含K个染色体,每个染色体对应一个业务的一条路径,所述m为大于或等于1的整数;
影响风险值计算模块,用于针对每个第N代个体,获取并根据该第N代个体中每个基因对应的节点的相对影响值、该第N代个体的每个染色体对应的路径的时延、该第N代个体对应的每个链路上承载的业务数目和该第N代个体对应的链路总数,计算该第N代个体对应的负荷压力影响风险值、时延影响风险值和业务均衡度影响风险值,其中,N为大于或等于0的整数,当N等于0时,该第N代个体为初始个体,所述链路为初始节点和目的节点之间的任意两个直接相连的节点的路径;
适应度值计算模块,用于获取预设的第一影响因素权重、第二影响因素权重和第三影响因素权重,并根据所述负荷压力影响风险值、时延影响风险值、业务均衡度影响风险值、第一影响因素权重、第二影响因素权重和第三影响因素权重,计算每个第N代个体的适应度值;
子代个体计算模块,用于采用精英选择方法从所述m个第N代个体中,根据适应度值选择第一预设数量的第N代个体作为第一选择后的个体;采用轮盘赌选择方法,从所述m个第N代个体中,选择第二预设数量的第N代个体作为第二选择后的个体,并对所述第一选择后的个体与所述第二选择后的个体进行交叉运算和变异运算,得到m个第N+1代个体;
判断模块,用于判断N+1是否小于预设的最大遗传代数;
触发模块,用于在所述N+1小于预设的最大遗传代数时,将所述第N+1代个体作为所述第N代个体,并触发影响风险值计算模块工作;
输出模块,用于在所述N+1大于预设的最大遗传代数时,获取并根据所述第N+1代个体中每个基因对应的节点的相对影响值、该第N+1代个体的每个染色体对应的路径的时延、每个链路上承载的业务数目、该第N+1代个体对应的链路总数、第一影响因素权重、第二影响因素权重和第三影响因素权重,计算所述第N+1代个体的适应度值,并将所述第N+1代个体中适应度值最大的个体的每个染色体对应的路径作为对应的业务的最佳路径。
8.根据权利要求7所述的装置,其特征在于,所述路径查找模块,具体用于:
在与所述网络拓扑信息对应的网络拓扑中,查找从与该业务的初始节点信息对应的初始节点、至与该业务的目的节点信息对应的目的节点的,且满足预设条件的所有路径,其中,所述预设条件为:所述初始节点到所述目的节点的每条路径的时延小于预设时延阈值和/或每条路径上的节点数目小于预设节点数目阈值。
9.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1-6任一所述的方法步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-6任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810142619.4A CN108400935B (zh) | 2018-02-11 | 2018-02-11 | 一种基于遗传算法的业务路径选择方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810142619.4A CN108400935B (zh) | 2018-02-11 | 2018-02-11 | 一种基于遗传算法的业务路径选择方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108400935A true CN108400935A (zh) | 2018-08-14 |
CN108400935B CN108400935B (zh) | 2021-02-23 |
Family
ID=63095960
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810142619.4A Active CN108400935B (zh) | 2018-02-11 | 2018-02-11 | 一种基于遗传算法的业务路径选择方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108400935B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110891024A (zh) * | 2019-10-31 | 2020-03-17 | 苏州经贸职业技术学院 | 一种用于网络计算机的数据传输控制系统 |
CN110971525A (zh) * | 2019-11-26 | 2020-04-07 | 武汉大学 | 一种面向电力通信网的业务运行的业务路由寻址方法 |
CN112613763A (zh) * | 2020-12-25 | 2021-04-06 | 北京知因智慧科技有限公司 | 数据传导方法及装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050081173A1 (en) * | 2003-10-14 | 2005-04-14 | Olivier Peyran | IC design planning method and system |
US20070133504A1 (en) * | 2005-12-05 | 2007-06-14 | Hyun Soon Shin | Method for selecting broadcast routing path using genetic algorithm in Ad-hoc network |
CN101599870A (zh) * | 2009-06-30 | 2009-12-09 | 西北工业大学 | 网络链路性能测量方法 |
CN102508935A (zh) * | 2011-09-22 | 2012-06-20 | 南京大学 | 一种基于蚁群混沌遗传算法的片上网络映射方法 |
CN102882727A (zh) * | 2012-10-08 | 2013-01-16 | 南京邮电大学 | 一种层次化监测网络的监测区域划分方法 |
CN102904811A (zh) * | 2012-10-29 | 2013-01-30 | 广东电网公司电力调度控制中心 | 面向电力业务的路由选择方法及系统 |
CN103927584A (zh) * | 2014-04-17 | 2014-07-16 | 湖北欣纬应急科技有限公司 | 一种基于遗传算法的资源调度优化方法 |
CN104299053A (zh) * | 2014-10-13 | 2015-01-21 | 国家电网公司 | 基于遗传算法配用电通信网最优路径选择的方法 |
CN105553869A (zh) * | 2015-12-11 | 2016-05-04 | 国网河北省电力公司 | 一种电力通信网的风险均衡方法及系统 |
CN107294775A (zh) * | 2017-06-08 | 2017-10-24 | 国网江西省电力公司信息通信分公司 | 基于层次分析法和遗传算法的通信网优化方法 |
-
2018
- 2018-02-11 CN CN201810142619.4A patent/CN108400935B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050081173A1 (en) * | 2003-10-14 | 2005-04-14 | Olivier Peyran | IC design planning method and system |
US20070133504A1 (en) * | 2005-12-05 | 2007-06-14 | Hyun Soon Shin | Method for selecting broadcast routing path using genetic algorithm in Ad-hoc network |
CN101599870A (zh) * | 2009-06-30 | 2009-12-09 | 西北工业大学 | 网络链路性能测量方法 |
CN102508935A (zh) * | 2011-09-22 | 2012-06-20 | 南京大学 | 一种基于蚁群混沌遗传算法的片上网络映射方法 |
CN102882727A (zh) * | 2012-10-08 | 2013-01-16 | 南京邮电大学 | 一种层次化监测网络的监测区域划分方法 |
CN102904811A (zh) * | 2012-10-29 | 2013-01-30 | 广东电网公司电力调度控制中心 | 面向电力业务的路由选择方法及系统 |
CN103927584A (zh) * | 2014-04-17 | 2014-07-16 | 湖北欣纬应急科技有限公司 | 一种基于遗传算法的资源调度优化方法 |
CN104299053A (zh) * | 2014-10-13 | 2015-01-21 | 国家电网公司 | 基于遗传算法配用电通信网最优路径选择的方法 |
CN105553869A (zh) * | 2015-12-11 | 2016-05-04 | 国网河北省电力公司 | 一种电力通信网的风险均衡方法及系统 |
CN107294775A (zh) * | 2017-06-08 | 2017-10-24 | 国网江西省电力公司信息通信分公司 | 基于层次分析法和遗传算法的通信网优化方法 |
Non-Patent Citations (2)
Title |
---|
TAOSHEN LI ET AL.: "A Multiple QoS Anycast Routing Algorithm based Adaptive Genetic Algorithm", 《IEEE WGEC》 * |
蔡菲等: "基于GIS和改进遗传算法的最优路径规划", 《工程勘察》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110891024A (zh) * | 2019-10-31 | 2020-03-17 | 苏州经贸职业技术学院 | 一种用于网络计算机的数据传输控制系统 |
CN110891024B (zh) * | 2019-10-31 | 2021-09-17 | 苏州经贸职业技术学院 | 一种用于网络计算机的数据传输控制系统 |
CN110971525A (zh) * | 2019-11-26 | 2020-04-07 | 武汉大学 | 一种面向电力通信网的业务运行的业务路由寻址方法 |
CN110971525B (zh) * | 2019-11-26 | 2021-02-19 | 武汉大学 | 一种面向电力通信网的业务运行的业务路由寻址方法 |
CN112613763A (zh) * | 2020-12-25 | 2021-04-06 | 北京知因智慧科技有限公司 | 数据传导方法及装置 |
CN112613763B (zh) * | 2020-12-25 | 2024-04-16 | 北京知因智慧科技有限公司 | 数据传导方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108400935B (zh) | 2021-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Eldurssi et al. | A fast nondominated sorting guided genetic algorithm for multi-objective power distribution system reconfiguration problem | |
CN110348048B (zh) | 基于考虑热岛效应负荷预测的配电网优化重构方法 | |
Delbem et al. | Main chain representation for evolutionary algorithms applied to distribution system reconfiguration | |
Rao et al. | Optimal network reconfiguration of large-scale distribution system using harmony search algorithm | |
Carrano et al. | Electric distribution network multiobjective design using a problem-specific genetic algorithm | |
Ahuja et al. | An AIS-ACO hybrid approach for multi-objective distribution system reconfiguration | |
CN107977740A (zh) | 一种现场运维智能调度方法 | |
CN107623319A (zh) | 一种基于多评价指标的电网关键线路辨识方法 | |
CN104036324B (zh) | 一种基于遗传算法的通信网络容量可靠性最优设计方法 | |
Rajappa et al. | Efficient software test case generation using genetic algorithm based graph theory | |
CN108400935A (zh) | 一种基于遗传算法的业务路径选择方法、装置及电子设备 | |
CN101799838B (zh) | 用于寻找片上网络的任务与节点间映射方案的方法 | |
CN106453085A (zh) | 基于业务重要度的风险均衡路由分配的方法及系统 | |
CN110971525B (zh) | 一种面向电力通信网的业务运行的业务路由寻址方法 | |
CN109286959A (zh) | 一种基于层次分析法的异构无线网络垂直切换方法 | |
CN107294775A (zh) | 基于层次分析法和遗传算法的通信网优化方法 | |
Mi et al. | Embedding virtual infrastructure based on genetic algorithm | |
CN106067074B (zh) | 一种通过优化链路的开关状态来提升电网系统鲁棒性的方法 | |
CN115775026B (zh) | 一种基于组织相似度的联邦学习方法 | |
CN105024645B (zh) | 一种基于矩阵进化的光伏阵列故障定位方法 | |
CN110458454A (zh) | 一种大面积停电应急抢通方法、装置及设备 | |
CN105069517B (zh) | 基于混合算法的配电网多目标故障恢复方法 | |
Zhang et al. | The application of hybrid genetic particle swarm optimization algorithm in the distribution network reconfigurations multi-objective optimization | |
Méndez et al. | Multiple-objective genetic algorithm using the multiple criteria decision making method topsis | |
CN109996133A (zh) | 一种光网络规划方法、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 |