CN108809860B - 基于业务可靠性的网络节点资源分配方法 - Google Patents
基于业务可靠性的网络节点资源分配方法 Download PDFInfo
- Publication number
- CN108809860B CN108809860B CN201810413828.8A CN201810413828A CN108809860B CN 108809860 B CN108809860 B CN 108809860B CN 201810413828 A CN201810413828 A CN 201810413828A CN 108809860 B CN108809860 B CN 108809860B
- Authority
- CN
- China
- Prior art keywords
- node
- service
- importance
- reliability
- services
- 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
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/70—Admission control; Resource allocation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/70—Admission control; Resource allocation
- H04L47/82—Miscellaneous aspects
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
一种基于业务可靠性的网络节点资源分配方法,包括,1、计算多业务下节点的重要度。根据不同业务的流程特征计算三种业务下的节点重要度。网络中业务流程影响着每个节点的负载分布。2、建立基于业务可靠性的节点资源分配的优化模型,将业务可靠度作为优化目标,节点资源总量即所有节点处理能力总量、缓存大小的总量作为约束条件。3、基于遗传算法求解节点资源分配。用遗传算法求解节点资源分配的优化模型,在遗传算法的初始种群中考虑各节点的重要度得到初始分配。本发明考虑了对两种资源的分配-处理能力和队列资源,决定了业务的可靠性;同时,在对节点的处理能力和缓存资源进行分配时,能够针对不同的业务需求给出相应的节点资源分配方案。
Description
技术领域
本发明属于可靠性及安全(安全系统工程)技术领域,具体涉及一种基于业务可靠性的网络节点资源分配方法。
背景技术
随着时代的进步和科技的发展,网络从单一的业务传输网发展成为多业务融合的综合传输网。业务类型的多样和业务量的庞大使得当今的网络所面临的最大挑战是:有限的网络资源和日益增长的用户需求之间的矛盾。网络常常因为节点的流量过载使业务无法正常运行,如网络的拥塞会给人们带来许多不便和经济损失。因而,网络节点资源的匮乏是影响网络服务质量的关键因素,如何对网络节点资源进行更加合理有效的分配变得尤为重要。
目前已有的对于节点资源分配方法的研究中,无论是对节点处理能力还是对节点队列资源,通常都是考虑节点的度和介数或者提出其他能够表征节点重要性的参数,但这些已有的概念都是基于网络物理层的拓扑结构,描述的更多是网络的结构特征,实际网络中流量的生成率呈现不均匀特性,故基于网络结构属性的资源分配都是不够准确的。然而,考虑流量生成率异质性影响的资源分配方案仍有不足,对业务的考虑不够深入,无法针对不同的业务给出其相应的分配方案。本发明提供一种基于业务可靠性的节点资源分配方法,能够针对网络中不同的业务需求给出相应的节点资源分配方案,具有工程上的重要意义。
发明内容
本发明为了解决已有网络节点资源分配方法仅关注于网络结构的特征或流量生成的异质性,不适用于网络中实际业务对资源的需求问题,因此提出一种基于业务可靠性的节点资源分配方法。该方法从业务需求出发,在对节点的处理能力和缓存资源进行分配时,充分考虑业务对网络的影响,能够针对不同的业务需求给出相应的节点资源分配方案,为工程使用提供一种可行的理论支持。
本发明提供了一种基于业务可靠性的网络节点资源分配方法,具体流程如下:
步骤一:计算多业务下节点的重要度。
首先,根据不同业务的流程特征计算三种业务(随机型、定制型、程序化)下的节点重要度。网络中业务流程影响着每个节点的负载分布。
三种类型业务下的节点重要度定义如下:
(1)随机型业务:随机选择端到端的最短路径作为业务路径,因此可以考察节点的介数来描述节点的重要度,节点的介数是指所有节点对之间通过某节点的最短路径数。随机型业务中节点i的重要度定义为节点i的介数。
(2)定制型业务:规定端到端之间的业务路径必须经过某特定节点S,对于定制型业务下源节点N1到目的节点N2的业务路径,等价于两条最短路径之和:N1到节点S的最短路径和节点S到N2的最短路径。定制型业务下节点的重要度作如下定义:定制型业务中节点i的重要度定义为所有边缘节点与节点S之间通过节点i的最短路径条数的2倍。
(3)程序化业务:规定端到端之间的业务路径必须经过某特定链路节点P1-P2,即业务路径必须经过从节点P1到节点P2这段链路,从而,节点N1到N2的业务路径,等价于N1到P1的最短路径,加上P1-P2,再加上节点P2到N2的最短路径。程序化业务下的节点重要度作如下定义:程序化业务中节点i的重要度为所有边缘节点与节点P1之间通过节点i的最短路径条数,加上所有边缘节点与节点P2之间通过节点i的最短路径条数。P1-P2中经过的节点的重要度等于所有业务路径的条数,也即除去P1和P2经过的节点外,其余节点的个数。
在此基础上,提出了在多业务下节点的重要度,其定义如下:通常网络中的业务不会是单一种类的业务,而是不同业务的综合,即网络中运行着多类业务,这里对于多业务的考虑是将上述三类业务以不同的混合比例来进行加载,来反映不同业务对网络的影响。节点i在随机型、定制型和程序化三类业务中的定义不同的边的重要度分别为pi,1、pi,2、pi,3,在多业务的比例为a:b:c时,节点i的重要度如下:
Ii=api,1+bpi,2+cpi,3
步骤二:建立基于业务可靠性的节点资源分配的优化模型,将业务可靠度作为优化目标,节点资源总量即所有节点处理能力总量、缓存大小的总量作为约束条件。
本发明将业务可靠性定义为:在规定条件下和规定时间内,对指定业务完成规定传输功能的能力。其中,规定条件是指在网络系统中的硬件和软件均能正常工作的情况下;规定的时间是指网络中的业务在指定的工作时间内;规定的功能是指业务的服务质量满足需求。对于业务可靠性的建模主要考虑节点处理能力不足和节点缓存不足,故障判据为数据包未在规定的时间内到达或数据包被丢弃。对于单业务的业务可靠度,即对于业务j的可靠度表达式为:
Rj(x)=P(Lj≤Kj,Wj≤Delayj)(j=1...M)
其中,x表示节点资源的分配方案,Lj表示业务i运行过程中被丢弃的数据包个数,Kj表示业务j的丢包阈值,Wj表示业务j的数据包的传输时延,Delayj表示业务j的时延阈值。
多业务的业务可靠度表达式为:
其中,M表示总的业务数量。
本发明采用了基于离散事件仿真的方法来模拟业务的生成和数据包的传输和到达过程,如图1所示,进而可以得到业务可靠性的近似值。假设仿真结束后,网络中传输成功的数据包的个数为success,传输的总数据包数为all,则整网的业务可靠度表达式为:
接着,以业务可靠度为目标提出一种节点资源分配模型。
对于节点的资源分配的优化模型考虑到对业务可靠性的优化,将业务可靠度作为优化目标,所有节点处理能力总量,缓存大小的总量为约束条件,建立决策变量为节点的处理能力{d1,d2,…,dn}、节点缓存大小{k1,k2,…,kn}的优化模型如下:
Max R(x)
其中,di表示节点i的处理能力大小,ki表示节点i的缓存大小。D为处理能力总量,K为缓存资源总量。
公式中的s.t.是满足约束条件的意思,Lj表示业务j运行过程中被丢弃的数据包个数,Kj表示业务j运行过程中丢包阈值,Wj表示业务j的数据包的传输时延,Delayj表示业务j的时延阈值,P(Lj≤Kj,Wj≤Delayj)是业务j可靠的概率,若两个条件都满足则为1,否则为0。
步骤三:基于遗传算法求解节点资源分配。用遗传算法求解节点资源分配的优化模型,在遗传算法的初始种群中考虑各节点的重要度得到初始分配,具体流程为:
(1)输入网络的拓扑结构和网络业务信息,包括业务总量M,随机型业务、定制型业务和程序化业务量的比例a:b:c,节点处理能力总量D,节点缓存资源总量K;
(2)根据步骤一提出的多业务下节点重要度,生成初始资源分配方案,即初始种群生成;
(3)在初始种群生成之后,采取基于离散事件仿真的方法计算每个个体的业务可靠度即适应度函数Fitness;
(4)对种群进行编码生成相应的染色体,然后对染色体进行选择,交叉,变异的遗传操作;
(5)生成下一代新的个体种群,对新的个体进行约束条件判断,看其是否满足资源总量的约束。然后检查是否满足迭代终止条件,即遗传算法结果收敛或者达到迭代次数gen;
(6)若没满足迭代终止条件,返回(3),且迭代次数gen=gen+1;若满足迭代终止条件,则输出此时的最优染色体Individual;
(7)对最优染色体解码得到最优资源分布向量,并输出最优业务可靠度。
本发明给出了一种基于业务可靠性的节点资源分配方法,其优点是:
(1)本发明提出的节点资源分配方法考虑了对两种资源的分配-处理能力和队列资源,已有的方法通常将二者分开进行分配,但两种资源共同决定了业务的可靠性。
(2)本发明提出的基于业务可靠性的节点资源分配方法在对节点的处理能力和缓存资源进行分配时,不同于学术上仅考虑网络结构的节点资源分配方法,能够针对不同的业务需求给出相应的节点资源分配方案,为工程使用提供一种可行的支持。
附图说明
图1为业务动态仿真流程图。
图2为AFDX拓扑结构示意图。
图3为遗传算法流程图。
图4为遗传算法迭代结果。
具体实施方式
下面将结合附图和实施例对本发明做进一步详细说明。
本发明提供一种基于业务可靠性的网络节点资源分配方法,可以提高网络业务的可靠性,以下为一个AFDX网络节点资源分配实例,具体包括如下步骤:
步骤一:计算多业务下节点重要度。
业务流程能够影响网络的负载分布,不同业务的业务路径不同,网络的负载分布也有很大差异。多业务下节点重要度可以表征某个节点对于运行的业务的重要程度,其重要度越高,则业务更有可能经过该节点。
本实施例中,A380的AFDX拓扑结构如图2所示,网络节点数目为38,业务总量为200,随机型、定制型、程序化业务所占比例是3:3:4,计算下多业务下各节点的重要度,如表1所示:
表1各节点的重要度
步骤二:建立基于业务可靠性的节点资源分配的优化模型。
本发明将业务可靠性定义为:在规定条件下和规定时间内,对指定业务完成规定传输功能的能力。其中,规定条件是指在网络系统中的硬件和软件均能正常工作的情况下;规定的时间是指网络中的业务在指定的工作时间内;规定的功能是指业务的服务质量满足需求。对于业务可靠性的建模主要考虑节点处理能力不足和节点缓存不足,故障判据为数据包未在规定的时间内到达或数据包被丢弃。对于单业务的业务可靠度,即对于业务j的可靠度表达式为:
Rj(x)=P(Lj≤Kj,Wj≤Delayj)(j=1...M)
其中,x表示节点资源的分配方案,Lj表示业务j运行过程中被丢弃的数据包个数,Kj表示业务j的丢包阈值,Wj表示业务j的数据包的传输时延,Delayj表示业务j的时延阈值。
多业务的业务可靠度表达式为:
其中,M表示总的业务数量。
本发明采用了基于离散事件仿真的方法来模拟业务的生成和数据包的传输和到达过程,如图1所示,进而可以得到业务可靠性的近似值。假设仿真结束后,网络中传输成功的数据包的个数为success,传输的总数据包数为all,则整网的业务可靠度表达式为:
接着,以业务可靠度为目标提出一种节点资源分配模型。
对于节点的资源分配的优化模型考虑到对业务可靠性的优化,将业务可靠度作为优化目标,所有节点处理能力总量,缓存大小的总量为约束条件,建立决策变量为节点的处理能力{d1,d2,…,dn}、节点缓存大小{k1,k2,…,kn}的优化模型如下:
Max R(x)
其中,di表示节点i的处理能力大小,ki表示节点i的缓存大小。D为处理能力总量,K为缓存资源总量。
公式中的s.t.是满足约束条件的意思,Lj表示业务j运行过程中被丢弃的数据包个数,Kj表示业务j运行过程中丢包阈值,Wj表示业务j的数据包的传输时延,Delayj表示业务j的时延阈值,P(Lj≤Kj,Wj≤Delayj)是业务j可靠的概率,若两个条件都满足则为1,否则为0。
步骤三:基于遗传算法求解节点资源分配,流程如图3。
(1)输入网络的拓扑结构和网络业务信息,包括业务总量M=200,随机型业务、定制型业务和程序化业务量的比例a:b:c=3:3:4,节点处理能力总量D=10000,节点缓存资源总量K=10000,业务时延阈值Delayj=10,丢包阈值Kj=0;
(2)根据步骤一提出的多业务下节点重要度,生成初始资源分配方案,即初始种群生成。种群规模的确定常采用经验进行估计,种群中的个体数目一般取20-100,通过一定的尝试,本实施例选取的种群规模为50。用遗传算法生成初始种群时需要提高种群的多样性,因此在50个个体中,其中20个为随机产生的个体,10个为以节点重要度为权重随机产生的个体,10个为以节点度为权重随机产生的个体,10个为以节点介数为权重随机产生的个体;
(3)在初始种群生成之后,采取基于离散事件仿真的方法计算每个个体的业务可靠度即适应度函数Fitness。在遗传算法中,以个体适应度的大小来确定该个体被遗传到下一代种群的概率。个体的适应度越大,该个体被遗传到下一代的概率也就越大;反之越小。在步骤二中的节点资源分配模型中,其目标函数为多业务可靠度的最大值,故可直接设定为遗传算法中的适应度函数,即适应度函数表达式如下:
Fitness=R(x)
实施例中采用离散事件仿真的方法近似计算每个个体的业务可靠度。对于每个个体,仿真总时间为T=100,即共100个时间步,每一时间步,随机生成M=200个业务,即生成200个业务路径和相应的数据包。记录网络中在规定时间内成功到达目的节点的数据包个数,记录数据包的时延和丢包数,即得到公式Rj(x)=P(Lj≤Kj,Wj≤Delayj)(j=1...M)中的Kj和Wj,进而判断每一个数据包是否传输成功。故每个个体的业务可靠度的计算公式如下:
其中,网络中传输成功的数据包的个数为success,传输的总数据包数为all;
(4)对种群进行编码生成相应的染色体,然后对染色体进行选择,交叉,变异的遗传操作。
①对种群进行编码:对每一个节点资源分配方案生成相应的染色体,用来描述节点资源分配方案的染色体可以用一组向量p来表示,p={d1,k1,d2,k2,…,di,ki,…,dn,kn},其中n=38,向量中的奇数列di为节点i的处理能力,偶数列ki为节点i的缓存。采用二进制编码方式,可以保证每个变量在整个迭代过程中均为整数。将向量中的每一个di和ki的数值都由十进制转化为二进制计数,将二进制编码设为13位,即每一个变量都不大于213。
②选择算子:采用比例选择算子与精英保存策略相结合的方法。具体过程为将每一代种群中最优的染色体直接遗传至下一代,剩余的个体按比例选择法进行选择操作。这样不仅能提高算法效率还能避免算法出现早熟。
③交叉算子:交叉互换的点越多则个体被破坏的越严重,会影响优良基因的形成,故选择了单点交叉的方法,取交叉概率为0.5。
④变异算子:与交叉算子的选择相同,为了保持个体的优良性,采用最简单和最基本的基本位变异算子。随机的将个体中的某些位进行变异,即“0”变为“1”,“1”变为“0”,取变异概率为0.5。
(5)生成下一代新的个体种群,对新的个体进行约束条件判断,看其是否满足资源总量的约束。然后检查是否满足迭代终止条件,本例取迭代次数为100,即遗传算法结果是否收敛或者达到迭代次数gen=100;
(6)若没满足迭代终止条件,返回(3),且迭代次数gen=gen+1;若满足迭代终止条件,则输出此时的最优染色体Individual;
(7)对最优染色体解码得到最优资源分布向量,并输出最优业务可靠度。
遗传算法的迭代结果如图4所示,其中,□表示最佳适应度值,▽表示种群的平均适应度值,当种群达到40代时,算法达到收敛,得到最优分配方案,如表2所示:
表2节点资源最优分配方案
最佳适应度值即最佳分配方案的业务可靠度为0.9773。
Claims (1)
1.一种基于业务可靠性的网络节点资源分配方法,其特征在于,具体步骤如下:
步骤一:计算多业务下节点的重要度;
根据不同业务的流程特征计算三种业务下的节点重要度;网络中业务流程影响着每个节点的负载分布;
三种类型业务下的节点重要度定义如下:
随机型业务:随机选择端到端的最短路径作为业务路径,考察节点的介数来描述节点的重要度,节点的介数是指所有节点对之间通过某节点的最短路径数;随机型业务中节点i的重要度定义为节点i的介数;
定制型业务:规定端到端之间的业务路径必须经过某特定节点S,对于定制型业务下源节点N1到目的节点N2的业务路径,等价于两条最短路径之和:N1到节点S的最短路径和节点S到N2的最短路径;定制型业务下节点的重要度作如下定义:定制型业务中节点i的重要度定义为所有边缘节点与节点S之间通过节点i的最短路径条数的2倍;
程序化业务:规定端到端之间的业务路径必须经过某特定链路节点P1、P2,即业务路径必须经过从节点P1到节点P2这段链路P1-P2,从而,节点N1到N2的业务路径,等价于N1到P1的最短路径,加上P1-P2,再加上节点P2到N2的最短路径;程序化业务下的节点重要度作如下定义:程序化业务中节点i的重要度为所有边缘节点与节点P1之间通过节点i的最短路径条数,加上所有边缘节点与节点P2之间通过节点i的最短路径条数;P1-P2中经过的节点的重要度等于所有业务路径的条数,也即除去P1和P2经过的节点外,其余节点的个数;
在此基础上,提出了在多业务下节点的重要度,其定义如下:通常网络中的业务不会是单一种类的业务,而是不同业务的综合,即网络中运行着多类业务,对于多业务的考虑是将上述三类业务以不同的混合比例来进行加载,来反映不同业务对网络的影响;定义节点i在随机型、定制型和程序化三类业务中的边的重要度分别为pi,1、pi,2、pi,3,在多业务的比例为a:b:c时,节点i的重要度如下:
Ii=api,1+bpi,2+cpi,3
步骤二:建立基于业务可靠性的节点资源分配的优化模型,将业务可靠度作为优化目标,节点资源总量即所有节点处理能力总量、缓存大小的总量作为约束条件;
将业务可靠性定义为:在规定条件下和规定时间内,对指定业务完成规定传输功能的能力;其中,规定条件是指在网络系统中的硬件和软件均能正常工作的情况下;规定的时间是指网络中的业务在指定的工作时间内;规定的功能是指业务的服务质量满足需求;对于业务可靠性的建模主要考虑节点处理能力不足和节点缓存不足,故障判断依据为数据包未在规定的时间内到达或数据包被丢弃;对于单业务的业务可靠度,即对于业务j的可靠度表达式为:
Rj(x)=P(Lj≤Kj,Wj≤Delayj),j=1...M
其中,x表示节点资源的分配方案,Lj表示业务j运行过程中被丢弃的数据包个数,Kj表示业务j的丢包阈值,Wj表示业务j的数据包的传输时延,Delayj表示业务j的时延阈值;
多业务的业务可靠度表达式为:
其中,M表示总的业务数量;
采用基于离散事件仿真的方法来模拟业务的生成和数据包的传输和到达过程,得到业务可靠性的近似值;设仿真结束后,网络中传输成功的数据包的个数为success,传输的总数据包数为all,则整网的业务可靠度表达式为:
接着,以业务可靠度为目标提出一种节点资源分配模型;
对于节点的资源分配的优化模型考虑到对业务可靠性的优化,将业务可靠度作为优化目标,所有节点处理能力总量,缓存大小的总量为约束条件,建立决策变量为节点的处理能力{d1,d2,…,dn}、节点缓存大小{k1,k2,…,kn}的优化模型如下:
Max R(x)
其中,di表示节点i的处理能力大小,ki表示节点i的缓存大小;D为处理能力总量,K为缓存资源总量;
公式中的s.t.是满足约束条件的意思,P(Lj≤Kj,Wj≤Delayj)是业务j可靠的概率,若两个条件都满足则为1,否则为0;
步骤三:基于遗传算法求解节点资源分配;用遗传算法求解节点资源分配的优化模型,在遗传算法的初始种群中考虑各节点的重要度得到初始分配,具体流程为:
(1)输入网络的拓扑结构和网络业务信息,包括业务总量M,随机型业务、定制型业务和程序化业务量的比例a:b:c,节点处理能力总量D,节点缓存资源总量K;
(2)根据步骤一提出的多业务下节点重要度,生成初始资源分配方案,即初始种群生成;
(3)在初始种群生成之后,采取基于离散事件仿真的方法计算每个个体的业务可靠度即适应度函数Fitness;Fitness=R(x);
(4)对种群进行编码生成相应的染色体,然后对染色体进行选择,交叉,变异的遗传操作;
(5)生成下一代新的个体种群,对新的个体进行约束条件判断,看其是否满足资源总量的约束;然后检查是否满足迭代终止条件,即遗传算法结果收敛或者达到迭代次数gen门限;
(6)若没满足迭代终止条件,返回(3),且迭代次数gen=gen+1;若满足迭代终止条件,则输出此时的最优染色体Individual;
(7)对最优染色体解码得到最优资源分布向量,并输出最优业务可靠度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810413828.8A CN108809860B (zh) | 2018-05-03 | 2018-05-03 | 基于业务可靠性的网络节点资源分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810413828.8A CN108809860B (zh) | 2018-05-03 | 2018-05-03 | 基于业务可靠性的网络节点资源分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108809860A CN108809860A (zh) | 2018-11-13 |
CN108809860B true CN108809860B (zh) | 2020-09-22 |
Family
ID=64093528
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810413828.8A Active CN108809860B (zh) | 2018-05-03 | 2018-05-03 | 基于业务可靠性的网络节点资源分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108809860B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111130898B (zh) * | 2019-12-30 | 2020-12-01 | 广东电网有限责任公司 | 基于业务特征和节点可靠性的电力通信网故障恢复方法 |
CN114285880B (zh) * | 2021-12-27 | 2023-06-23 | 电子科技大学长三角研究院(衢州) | 一种基于增强孪生的物联网轻量型设备智能化方法 |
CN114793339B (zh) * | 2022-04-28 | 2023-06-30 | 西安交通大学 | 一种汽车焊装车间用边缘网络节点部署方法及系统 |
CN116545853B (zh) * | 2023-07-04 | 2023-10-13 | 南京理工大学 | 基于量子粒子群的一体化网络多目标优化资源管理方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101118611A (zh) * | 2007-09-07 | 2008-02-06 | 北京航空航天大学 | 基于遗传算法的业务过程模型资源配置优化方法 |
CN103916355A (zh) * | 2014-03-28 | 2014-07-09 | 西安电子科技大学 | 一种认知ofdm网络中子载波的分配方法 |
-
2018
- 2018-05-03 CN CN201810413828.8A patent/CN108809860B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101118611A (zh) * | 2007-09-07 | 2008-02-06 | 北京航空航天大学 | 基于遗传算法的业务过程模型资源配置优化方法 |
CN103916355A (zh) * | 2014-03-28 | 2014-07-09 | 西安电子科技大学 | 一种认知ofdm网络中子载波的分配方法 |
Non-Patent Citations (4)
Title |
---|
Solving the Multi-Mode Resource-Constrained Project Scheduling Problem with Genetic Algorithms;J.Alcaraz,et al.;《Journal of Operational Research Society》;20030630;第1-22页 * |
基于遗传算法的计算机网络可靠度优化分析;查道贵,许彩芳;《宿州学院学报》;20151231;第30卷(第12期);第93-95、123页 * |
数据挖掘技术在故障诊断中的应用;于博文;《中国优秀硕士学位论文全文数据库 信息科技辑》;20160415;第I138-838页 * |
遗传算法在复杂系统可靠度最优分配中的应用;张甦 等;《电机与控制学报》;20000630;第4卷(第2期);第84-86、93页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108809860A (zh) | 2018-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108809860B (zh) | 基于业务可靠性的网络节点资源分配方法 | |
CN109714263B (zh) | 一种在卫星通信网络中的路径选择方法及装置 | |
CN108874525B (zh) | 一种面向边缘计算环境的服务请求分配方法 | |
CN105323166B (zh) | 一种面向云计算的基于网络能效优先的路由方法 | |
CN109951391B (zh) | 一种基于多QoS约束的网络路径快速计算方法 | |
CN111641891A (zh) | 一种多接入边缘计算系统中的任务对等卸载方法和装置 | |
CN115242295B (zh) | 一种卫星网络sdn多控制器部署方法及系统 | |
CN111429120A (zh) | 一种基于遗传算法的区块链支付通道网络多路径寻径方法 | |
CN102394812B (zh) | 一种认知网络自反馈动态自适应资源分配方法 | |
CN113472671B (zh) | 组播路由的确定方法、装置和计算机可读存储介质 | |
CN108667650A (zh) | 考虑业务流程特征的网络拓扑优化设计方法 | |
CN112187510A (zh) | 一种基于遗传算法的虚拟网络功能放置方法及电子装置 | |
Hamdan et al. | Multicast routing with delay and delay variation constraints using genetic algorithm | |
CN111917529B (zh) | 一种基于改进exp3算法的水声ofdm资源分配方法 | |
CN112787833B (zh) | 内容分发网络cdn服务器的部署方法和装置 | |
CN109889573B (zh) | 混合云中基于ngsa多目标的副本放置方法 | |
Jia et al. | Joint topology control and routing for multi-radio multi-channel WMNs under SINR model using bio-inspired techniques | |
CN113285832B (zh) | 基于nsga-ii的电力多模态网络资源优化分配方法 | |
CN109195222B (zh) | 一种基于统计特性参考的功率分配方法 | |
CN116132403A (zh) | 算力网络的路由分配方法、装置、电子设备及存储介质 | |
CN111290853B (zh) | 一种基于自适应改进遗传算法的云数据中心调度方法 | |
Satyananda et al. | A multi-objective QoS optimization with fuzzy based parameter setting for real-time multicasting | |
Vijayalakshmi et al. | Artificial immune based hybrid GA for QoS based multicast routing in large scale networks (AISMR) | |
CN103582142A (zh) | 一种授权信道资源分配方法、装置和系统 | |
Lin et al. | A rough penalty genetic algorithm for multicast routing in mobile ad hoc networks |
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 |