CN111555978B - 智能电网中具有节能和服务质量保证的sdn路由布置方法 - Google Patents
智能电网中具有节能和服务质量保证的sdn路由布置方法 Download PDFInfo
- Publication number
- CN111555978B CN111555978B CN202010332304.3A CN202010332304A CN111555978B CN 111555978 B CN111555978 B CN 111555978B CN 202010332304 A CN202010332304 A CN 202010332304A CN 111555978 B CN111555978 B CN 111555978B
- Authority
- CN
- China
- Prior art keywords
- node
- energy consumption
- link
- network
- 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.)
- Active
Links
Images
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
- H04L45/302—Route determination based on requested QoS
-
- 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
- H04L45/121—Shortest path evaluation by minimising delays
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
Abstract
本发明提供了一种智能电网中具有节能和服务质量保证的SDN路由布置方法,包括:定期收集网络统计信息,所述网络统计信息包括链路延迟到与每个接入节点路由器关联的客户端的数量;根据所述网络统计信息中的接入节点的已发送和已接收业务量计算能耗;将由建模为整数线性规划,计算有关端到端延迟和能耗的最小成本路径;利用蚁群算法得到最同时考虑能耗和服务质量的最小成本路径。本发明在智能电网中引入SDN架构,考虑基于SDN的智能电网的能耗和对用户的服务质量保证问题,且控制器会定期收集网络统计信息,范围从链路延迟到与每个接入节点路由器关联的客户端的数量。
Description
技术领域
本发明涉及智能电网路由布置技术领域,特别涉及一种智能电网中具有节能和服务质量保证的SDN路由布置方法。
背景技术
随着社会的发展,人们日常生活和各行各业对电力需求与服务质量(QoS)要求越来越高,智能电网中多种电力业务的QoS异构性非常大,满足不同业务的QoS需求是非常有必要的。与传统的网络相比,基于SDN的智能电网具有主要优势,例如集中可见性,可编程性,开放性和灵活性,能更好的应对不同业务的QoS需求。当前基于IP的路由协议并未将能耗作为计算最佳路径的路由参数。此外,还有几种基于IP的流量工程技术,例如IntServ,DiffServ和MPLS,它们提供某些特性以向最终用户提供服务质量。但是,这些技术都是利用IP路由协议来计算网络数据流的源和目的地之间的路径。实际上,这些解决方案都是从网络的全局角度出发,因此不是向智能电网的邻域网和家庭区域网中多媒体应用提供QoS保证的合理选择。
发明内容
本发明提供了一种智能电网中具有节能和服务质量保证的SDN路由布置方法,其目的是为了解决的问题。
为了达到上述目的,本发明的实施例提供了一种智能电网中具有节能和服务质量保证的SDN路由布置方法,包括:
步骤1,定期收集网络统计信息,所述网络统计信息包括链路延迟到与每个接入节点路由器关联的客户端的数量;
步骤2,根据所述网络统计信息中的接入节点的已发送和已接收业务量计算能耗;
步骤3,将由建模为整数线性规划,计算有关端到端延迟和能耗的最小成本路径;
步骤4,利用蚁群算法得到最同时考虑能耗和服务质量的最小成本路径。
其中,所述步骤3具体包括:
假设s是源节点,而d是目标节点,T是源节点和目标节点之间路径的最大可忍受的端到端延迟;令r为可行路径,则
其中,网络表示为有向图G(V,E),其中V是网络中节点的集合,E是网络链路集合,从节点a到节点b的链路用(a,b)表示,cab的值可以在[0-100]之间;dab是链路(a,b)的延迟,ena和enb分别为节点a和b的剩余能量;xab是一个决策变量,采用二进制值0或1;公式(2)和(3)保证了s和d分别是源节点和目标节点;公式(4)表示解决方案中的其他节点是中间节点,并且不能生成任何其他流量;公式(5)保证计算路径的端到端延迟小于T;公式(6)保证节点a和b的剩余能量大于0。
其中,其特征在于,所述步骤4具体包括:
ACO使用与链路关联的信息素矩阵τ,因此τab表示链路(a,b)上的信息素密度;
任一链路(a,b)的τab的初始值都设置为τ0>0;
启发式信息由直接从节点a移动到节点b的可取性表示,如公式下所示:
在节点a处的蚂蚁选择节点b作为其下一跳的概率由信息素路径和启发式可取性的组合来确定:
其中,α和β参数控制路径选择过程中τab和ηab的相对影响。
其中,所述步骤4还包括:
将信息素的量在[0,1]范围挥发,在每个边缘上沉积一个附加信息素,该信息素与蚂蚁对当前迭代过程中获得的路径质量的贡献成比例;
对于任意链路(a,b):
其中,Q和C分别是拖尾沉积常数和当前迭代中的路径成本。
其中,所述步骤2具体包括:
关于最初节点能耗估算,需要从节点统计信息收集接收发送端信息和接收端信息,并用过如下公式计算每个节点的能耗:
EMAP=ETX+ERX (13)
其中,EMAP,ETX,ERX分别表示节点总能耗、发送和接收的能耗,TX_bytes和RX_bytes分别表示发送和接收的字节,R为数据传输速率,TX_power,RX_power分别是发送和接收字节的功率。
本发明的上述方案有如下的有益效果:
本发明的上述实施例所述的智能电网中具有节能和服务质量保证的SDN路由布置方法在智能电网中引入SDN架构,同时考虑基于SDN的智能电网的能耗和对用户的服务质量保证问题,且控制器会定期收集网络统计信息,范围从链路延迟到与每个接入节点路由器关联的客户端的数量。该机制有利于获得有关网络中当前数据流量和链路状况的相对准确的信息,控制器根据接入节点的已发送和已接收业务量来估计其能耗。该技术新颖地提出了一种模糊逻辑系统,用于计算每个链路的成本,包括其延迟,关联客户端的数量以及连接到该链路的节点的估计剩余能量。经过模糊计算后,控制器将路由建模为整数线性规划(ILP)问题。该ILP旨在计算有关端到端延迟和能耗的最小成本路径,最后用蚁群算法求解,得到最优路径。
附图说明
图1是本发明的智能电网中具有节能与服务质量保证的SDN路由布置方法的流程图;
图2是本发明的输入变量与输出变量的模糊隶属函数图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
如图1所示,本发明的实施例提供了一种智能电网中具有节能与服务质量保证的SDN路由布置方法,包括:
步骤1:控制器会定期收集网络统计信息,范围从链路延迟到与每个接入节点路由器关联的客户端的数量。该机制有利于获得有关网络中当前数据流量和链路状况的相对准确的信息;
步骤2:控制器根据接入节点的已发送和已接收业务量来估计其能耗。该技术新颖地提出了一种模糊逻辑系统,用于计算每个链路的成本,包括其延迟,关联客户端的数量以及连接到该链路的节点的估计剩余能量;
步骤3:经过模糊计算后,控制器将路由建模为整数线性规划(ILP)问题。该ILP旨在计算有关端到端延迟和能耗的最小成本路径;
步骤4:利用蚁群算法求解此整数线性规划问题,求得最同时考虑能耗和服务质量的最小成本路径。
其中,所述步骤1中,端到端的延迟和丢包率这两个重要的QoS参数会影响多媒体内容的质量并改善/降低QoE。为了减少端到端延迟,本技术将链路延迟视为计算链路成本的参数。而且,为了降低丢包率,与链路的两个接入节点相关联的用户数量也被看作另一个参数。因为关联用户的数量越多,造成网络拥塞的几率越大,从而导致丢包率更高。除了延迟和丢包率之外,本技术还将每个链路的头和尾接入节点的剩余能量作为计算链路成本的参数。简而言之,每个链路成本是根据其延迟,其节点的剩余能量以及与其节点关联的客户数量来计算的。其中QoS表示服务质量,QoE表示体验质量。
所述步骤2中,首先,模糊逻辑适用于动态环境,例如网络,上节中所描述参数的值就是会动态变化的。其次,参数具有不同的维数,因此,模糊逻辑可用于计算有关参数的明晰值的链路成本。在计算机网络中出于路由目的而采用模糊逻辑是非常普遍的。
在大多数情况下,FLC包括四个组件:模糊器,模糊规则库,推理引擎和解模糊器。在模糊化步骤中,将输入数据收集为清晰集并将其转换为模糊集。使用模糊隶属函数和模糊语言变量执行此转换。在本技术中,每个链路的这些输入值是链路延迟,链路节点的剩余能量以及与其节点关联的客户端数量。为了降低模糊运算的计算复杂度,这里应用单例模糊器对明晰的输入值进行模糊处理。输入变量的域取为0到最大值之间的区间。此外,所有输入值都分为低,中,高三个级别。如图2所示,显示了输入变量的模糊隶属函数。在模糊化步骤之后,基于一组预定义规则执行推理。最后,在反模糊化步骤中,使用输出隶属函数将计算出的模糊输出转换为清晰的输出。提出的输出模糊隶属度函数如附图右边部分所示,分为三个级别:低,中,高。如图所示,三角形隶属函数生成模糊逻辑控制的输出并分配0到100之间的值。该输出值被视为每个链路的成本。
本发明利用模糊逻辑的功能来计算链路成本。对每个链路分别执行模糊计算过程。完成此步骤后,每个链路的成本在[0-100]之间。因此,创建了加权图,然后将步骤三的数学模型应用于该图,以便找到最佳路径。
在所述步骤3中,计算网络路由的最佳路径是一个ILP(整数线性规划)问题。这种ILP问题的目标是找到两个节点之间的开销最小的路径,以使端到端延迟不超过指定值。
在此ILP问题中,网络表示为有向图G(V,E),其中V是网络中节点的集合,E是网络链路集合。从节点a到节点b的链路用(a,b)表示。假设s是源节点,而d是目标节点,T是端到端延迟阈值。更准确地说,T是源节点和目标节点之间路径的最大可忍受的端到端延迟。令r为可行路径,则将ILP表示如下:
其中,是cab链路(a,b)的成本,它是使用前一节中所描述的模糊逻辑系统计算的。如前所述,cab的值可以在[0-100]之间。dab是链路(a,b)的延迟,ena和enb分别为节点a和b的剩余能量。xab是一个决策变量,采用二进制值0或1。它确定a和b之间的链路是否处于最优解中。与此同时,约束(2)和(3)保证了s和d分别是源节点和目标节点。此外,约束(4)表示解决方案中的其他节点是中间节点,并且不能生成任何其他流量。约束(5)保证计算路径的端到端延迟小于T,约束(6)保证节点a和b的剩余能量大于0。总之,上述ILP模型找到具有最小成本的路径,以使端到端延迟不超过指定值T。此最小成本路径趋于通过具有足够剩余能量的非拥塞节点,从而满足延迟约束。
在步骤4中,由于ILP是NP完全的,因此本文提出了一种蚁群优化(ACO)算法来解决本节中描述的ILP模型。
ACO算法模拟了蚂蚁在寻找食物资源时会沿着路线沉积信息素的行为。信息素被标记为理想的途径,随后是菌落中的其他蚂蚁。这样,菌落中的其他蚂蚁被吸引到具有更高信息素值的路径上。最终,蚂蚁会找到获得理想食物资源的最短路径。由于计算机网络是一个图形,因此ACO是一种针对网络状况在网络节点之间找到最佳路由的合适方法。已经证明,ACO算法在寻找最优解时具有多项式时间复杂度。
其中,ACO使用与链路关联的信息素矩阵τ,因此τab表示链路(a,b)上的信息素密度。任一链路(a,b)的τab的初始值都设置为τ0>0。启发式信息由直接从节点a移动到节点b的可取性表示,这与两个节点之间的成本成反比,如公式下所示:
在节点a处的蚂蚁选择节点b作为其下一跳的概率由信息素路径和启发式可取性的组合来确定。该概率由等式9给出:
其中,α和β参数控制路径选择过程中τab和ηab的相对影响。蚂蚁构建路径后,必须更新沉积在路径上的信息素。首先,将信息素的量在[0,1]范围挥发。然后,在每个边缘上沉积一个附加信息素,该信息素与蚂蚁对当前迭代过程中获得的路径质量的贡献成比例。更新过程由等式10描述,对于任意链路(a,b):
信息素的更新包含信息素的产生和挥发,其中Q和C分别是拖尾沉积常数和当前迭代中的路径成本。
本发明针对不同的值执行了仿真,α,β∈{0.5,1,2},挥发速率ρ∈{0.01,0.05,0.1}。由α=1,β=1和ρ=0.05组合获得的执行时间最短的最佳解决方案。此外,将其他ACO参数的值调整为Q=1和τ0=0.001。
蚁群算法由包含四个步骤的迭代组成:Setup_Ants,Move_Ants,Update_Trails和Update_Best。该算法从接收一些参数作为输入开始:C表示成本矩阵,D是链路延迟矩阵,src是源节点,dst是目标节点,T是延迟约束,E是剩余能量矢量图。在每次迭代中,每个蚂蚁都会在src和dst之间找到一条路径。只要获得的路径的端到端延迟不超过T,并且路径上的所有节点的剩余能量都大于零,就可以通过调用Update_Trails过程来更新路径的信息素。然后,将此路径与Update_Best过程中的全局解决方案进行比较。如果当前蚂蚁的路径比全局解决方案短,则将全局解决方案替换为新的解决方案。最后,该算法返回P*作为最小成本路径。
其中,所述步骤2具体包括:
关于最初节点能耗估算,需要从节点统计信息收集接收发送端信息和接收端信息,并用过如下公式计算每个节点的能耗:
EMAP=ETX+ERX (13)
其中,EMAP,ETX,ERX分别表示节点总能耗、发送和接收的能耗,TX_bytes和RX_bytes分别表示发送和接收的字节,R为数据传输速率,TX_power,RX_power分别是发送和接收字节的功率。
本发明的上述实施例所述的智能电网中具有节能和服务质量保证的SDN路由布置方法在智能电网中引入SDN架构,同时考虑基于SDN的智能电网的能耗和对用户的服务质量保证问题,且控制器会定期收集网络统计信息,范围从链路延迟到与每个接入节点路由器关联的客户端的数量。该机制有利于获得有关网络中当前数据流量和链路状况的相对准确的信息,控制器根据接入节点的已发送和已接收业务量来估计其能耗。该技术新颖地提出了一种模糊逻辑系统,用于计算每个链路的成本,包括其延迟,关联客户端的数量以及连接到该链路的节点的估计剩余能量。经过模糊计算后,控制器将路由建模为整数线性规划(ILP)问题。该ILP旨在计算有关端到端延迟和能耗的最小成本路径,最后用蚁群算法求解,得到最优路径。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (2)
1.一种智能电网中具有节能和服务质量保证的SDN路由布置方法,其特征在于,包括:
步骤1,定期收集网络统计信息,所述网络统计信息包括链路延迟与每个接入节点路由器关联的客户端的数量;
步骤2,根据所述网络统计信息中的接入节点的已发送和已接收业务量计算能耗;
步骤3,将路由建模为整数线性规划,计算有关端到端延迟和能耗的最小成本路径;
步骤4,利用蚁群算法得到同时考虑能耗和服务质量的最小成本路径;
所述步骤3具体包括:
在整数线性规划问题中,网络表示为有向图G(V,E),其中,V是网络中节点的集合,E是网络链路集合,从节点a到节点b的链路用(a,b)表示,假设s是源节点,而d是目标节点,T是源节点和目标节点之间路径的最大可忍受的端到端延迟;令r为可行路径,则
其中,网络表示为有向图G(V,E),其中V是网络中节点的集合,E是网络链路集合,从节点a到节点b的链路用(a,b)表示,cab的值可以在[0-100]之间;dab是链路(a,b)的延迟,ena和enb分别为节点a和b的剩余能量;xab是一个决策变量,采用二进制值0或1;公式(2)和(3)保证了s和d分别是源节点和目标节点;公式(4)表示解决方案中的其他节点是中间节点,并且不能生成任何其他流量;公式(5)保证计算路径的端到端延迟小于T;公式(6)保证节点a和b的剩余能量大于0;
所述步骤4具体包括:
ACO使用与链路关联的信息素矩阵τ,因此τab表示链路(a,b)上的信息素密度;
任一链路(a,b)的τab的初始值都设置为τ0>0;
启发式信息由直接从节点a移动到节点b的可取性表示,如公式下所示:
在节点a处的蚂蚁选择节点b作为其下一跳的概率由信息素路径和启发式可取性的组合来确定:
其中,α和β参数控制路径选择过程中τab和ηab的相对影响;
所述步骤4还包括:
将信息素的量在[0,1]范围挥发,在每个边缘上沉积一个附加信息素,该信息素与蚂蚁对当前迭代过程中获得的路径质量的贡献成比例;
对于任意链路(a,b):
其中,Q和C分别是拖尾沉积常数和当前迭代中的路径成本,ρ表示挥发速率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010332304.3A CN111555978B (zh) | 2020-04-24 | 2020-04-24 | 智能电网中具有节能和服务质量保证的sdn路由布置方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010332304.3A CN111555978B (zh) | 2020-04-24 | 2020-04-24 | 智能电网中具有节能和服务质量保证的sdn路由布置方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111555978A CN111555978A (zh) | 2020-08-18 |
CN111555978B true CN111555978B (zh) | 2021-09-07 |
Family
ID=72002505
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010332304.3A Active CN111555978B (zh) | 2020-04-24 | 2020-04-24 | 智能电网中具有节能和服务质量保证的sdn路由布置方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111555978B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112804712A (zh) * | 2021-01-05 | 2021-05-14 | 山东电力工程咨询院有限公司 | 一种电力通信网络中的能耗均衡方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101083616A (zh) * | 2007-07-05 | 2007-12-05 | 上海交通大学 | 基于蚁群算法的无线自组网络节能按需路由方法 |
CN101667972A (zh) * | 2009-10-19 | 2010-03-10 | 国网信息通信有限公司 | 电力通信网络业务路由方法及设备 |
CN104661260A (zh) * | 2015-01-20 | 2015-05-27 | 中南大学 | 一种QoS感知和负载均衡的无线Mesh智能电网路由机制 |
CN106209618A (zh) * | 2016-07-27 | 2016-12-07 | 国网辽宁省电力有限公司 | 一种提高智能配用电能效的通信混合组网方法及系统 |
WO2020036745A1 (en) * | 2018-08-14 | 2020-02-20 | Carrier Corporation | Generation of demand response events based on grid operations and faults |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103108371B (zh) * | 2011-11-14 | 2016-04-13 | 上海交通大学 | 单天线多信道认知无线传感器网络路由控制方法 |
CN103414632B (zh) * | 2013-07-11 | 2016-07-06 | 广东工业大学 | 一种带状无线传感器网络数据路由方法 |
-
2020
- 2020-04-24 CN CN202010332304.3A patent/CN111555978B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101083616A (zh) * | 2007-07-05 | 2007-12-05 | 上海交通大学 | 基于蚁群算法的无线自组网络节能按需路由方法 |
CN101667972A (zh) * | 2009-10-19 | 2010-03-10 | 国网信息通信有限公司 | 电力通信网络业务路由方法及设备 |
CN104661260A (zh) * | 2015-01-20 | 2015-05-27 | 中南大学 | 一种QoS感知和负载均衡的无线Mesh智能电网路由机制 |
CN106209618A (zh) * | 2016-07-27 | 2016-12-07 | 国网辽宁省电力有限公司 | 一种提高智能配用电能效的通信混合组网方法及系统 |
WO2020036745A1 (en) * | 2018-08-14 | 2020-02-20 | Carrier Corporation | Generation of demand response events based on grid operations and faults |
Non-Patent Citations (1)
Title |
---|
"基于分布式电源的能源路由器设计研究";徐文进等;《电力系统保护与控制》;20170816;第45卷(第16期);64-71 * |
Also Published As
Publication number | Publication date |
---|---|
CN111555978A (zh) | 2020-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108521375B (zh) | 一种基于SDN的网络多业务流量QoS的传输及调度方法 | |
Xu et al. | Experience-driven networking: A deep reinforcement learning based approach | |
Kim et al. | Ant colony based self-adaptive energy saving routing for energy efficient Internet | |
Reis et al. | Deep neural networks for network routing | |
CN111245718B (zh) | 一种基于sdn情景感知的路由优化方法 | |
Khallef et al. | Multiple constrained QoS routing with RPL | |
Ranjan et al. | Global stability conditions for rate control with arbitrary communication delays | |
Shirmarz et al. | An adaptive greedy flow routing algorithm for performance improvement in software‐defined network | |
Kacem et al. | A new routing approach for mobile ad hoc systems based on fuzzy petri nets and ant system | |
CN114143264A (zh) | 一种SRv6网络下基于强化学习的流量调度方法 | |
CN111555978B (zh) | 智能电网中具有节能和服务质量保证的sdn路由布置方法 | |
Ahmed et al. | Congestion Aware Q-Learning (CAQL) in RPL Protocol–WSN based IoT Networks | |
Yahya et al. | Enhancement of voip performance in MANET using fuzzy logic | |
Masoumzadeh et al. | Deep blue: A fuzzy q-learning enhanced active queue management scheme | |
Mohammadi et al. | Automatic delay-sensitive applications quality of service improvement with deep flows discrimination in software defined networks | |
Mellouk et al. | Design and performance analysis of an inductive QoS routing algorithm | |
Alshinwan et al. | Development of a real-time dynamic weighting method in routing for congestion control: application and analysis | |
Madhavan | Framework for QOS optimization in MANET using GA-ACO techniques | |
Labed et al. | A hybrid bio-inspired approach to solving the routing problem in mobile ad hoc networks | |
Rao et al. | A deep learning-based constrained intelligent routing method | |
Lesovoy et al. | Imitation modeling of the routing process based on fuzzy logic | |
Djurayev et al. | Increasing the efficiency of network resources in ip networks based on fuzzy sets | |
Liang et al. | A Pre-migration Strategy of VNF in Satellite-Ground Integrated Networks | |
Xiaoxia et al. | A hybrid ant colony optimization based on cloud model for OoS multicast routing problem | |
Shajahan | A fuzzy based congestion control in distributed wireless 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 |