CN111626480B - 一种动态路由下双层交通网络的资源优化方法 - Google Patents

一种动态路由下双层交通网络的资源优化方法 Download PDF

Info

Publication number
CN111626480B
CN111626480B CN202010375001.XA CN202010375001A CN111626480B CN 111626480 B CN111626480 B CN 111626480B CN 202010375001 A CN202010375001 A CN 202010375001A CN 111626480 B CN111626480 B CN 111626480B
Authority
CN
China
Prior art keywords
network
layer
node
resource allocation
double
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
Application number
CN202010375001.XA
Other languages
English (en)
Other versions
CN111626480A (zh
Inventor
李子扬
刘润然
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.)
Hangzhou Normal University
Original Assignee
Hangzhou Normal 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 Hangzhou Normal University filed Critical Hangzhou Normal University
Priority to CN202010375001.XA priority Critical patent/CN111626480B/zh
Publication of CN111626480A publication Critical patent/CN111626480A/zh
Application granted granted Critical
Publication of CN111626480B publication Critical patent/CN111626480B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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"
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • 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
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Theoretical Computer Science (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明公开了一种动态路由下双层交通网络的资源优化方法，包括如下步骤：根据输入的网络参数构造双层网络模型，设置双层网络模型的多种资源分配方式delta；根据特定的资源分配方式delta计算该方式下每个节点的处理能力；设置双层网络模型的动态路由策略、自恢复机制以及跨层流量切换机制；在特定资源分配方式下，统计双层网络处于不崩溃情况下包生成速率的最大值Rc；根据所有资源分配方式对应的Rc确定最优资源分配方法，Rc值最大的资源分配方式最优异；根据最优资源分配方式调整现有资源分配方式。本发明对城际乃至国际的公共交通网络的建设与优化，提高网络容量与运输效率，具有指导与借鉴意义。

Description

一种动态路由下双层交通网络的资源优化方法
技术领域
本发明涉及复杂网络与复杂系统演化动力学领域，具体涉及一种动态路由下双层交通网络的资源优化方法。
背景技术
随着经济的飞速发展，高铁、飞机等出行方式早已变得大众化、平民化，在出行方式变得多样化的同时，日益增强的交通需求也对交通基础设施带来了繁重的压力。
除了通过增加基础交通设施的建设的投入来实现交通网络的扩容之外，如何有效地配置现有网络的资源来提升网络的容量始终是一个关键问题。而对于提高网络容量的方法的探究，主要集中在两个方面：一是设计一种更为合理的路由策略，二是提出一种更加适当的资源优化方法。在这两个方面中，已经有很多的研究成果被提出。
但是在这么多有关路由策略或资源优化方法的研究中，主要研究方向还是偏重于路由策略的研究，但是路由策略的研究对于导航系统的意义比起其对于游客的意义要大的多。
游客出行的路径是一种比较主观的选择，所以提出一种资源优化方法，选择一种较优的路由策略加以辅助研究，可以更加客观地增加网络的容量，提高游客的出行效率。
现今，资源优化方法方面的研究模型中一般存在如下问题：
(1)网络层数较少，相较于真实网络显得过于简单。关于资源优化方法的大部分研究都只是基于单层的无标度网络，并未考虑层间可能存在相互影响。
(2)网络中的粒子大多采用随机游走的方式。这样的设计显然与真实网络中游客的出行相违背，在真实网络中游客的出行一定会伴随一条预先规划好的“源路径”。
(3)与路由策略结合研究的程度并不紧密。我们认为二者的研究并不冲突，选择一种较优的路由策略加以辅助研究可以使结果更为显著。
(4)分离了网络的崩溃与恢复过程。理论研究中经常将这两个过程分离单独研究，然而真实网络中两种过程是一种动态平衡的状态，我们不应忽略网络的自恢复能力。
过去的研究中，有些是针对因特网数据包路由的，有些是针对单层网络的，因此现阶段的模型不能完全刻画出真实交通网络中游客的出行过程。亟需开发一种更贴近现实的交通网络模型，用于研究资源优化方法，以获得更加准确的结果。
发明内容
本发明公开了一种动态路由下双层交通网络的资源优化方法。通过构建基于动态路由策略下的双层网络，定义网络中资源的分配方式；定义包的“源路径”概念，及其从生成到投递过程中依度分布选择路径的动态路由策略；定义网路拥塞时跨层流量切换机制；定义网络拥塞与自恢复机制；通过观察维持网络不崩溃的包生成速率的临界值Rc的大小，比较分析不同情况下网络中总人数的增长情况，得出一种最佳的资源分配方式。本发明所述的双层交通网络模型更接近于相对较为复杂的现实交通网络，用以研究资源优化方法，结果更加准确。
为实现上述目的，本发明提供如下技术方案：
一种动态路由下双层交通网络的资源优化方法，包括以下步骤：
S1根据输入的网络参数构造双层网络模型；
S2设置双层网络模型的多种资源分配方式delta；
S3根据特定的资源分配方式delta计算该方式下每个节点的处理能力；
S4设置双层网络模型的动态路由策略、自恢复机制以及跨层流量切换机制；
S5在特定资源分配方式下，统计双层网络处于不崩溃情况下包生成速率的最大值Rc；
S6判断每种资源分配方式是否均得到对应的Rc，若是，则进入步骤S7；否则，进入步骤S3；
S7根据所有资源分配方式对应的Rc确定最优资源分配方法，Rc值最大的资源分配方式最优异；
S8根据最优资源分配方式调整现有资源分配方式。
所述的S1根据输入的网络参数构造双层网络模型，具体如下：
S11根据输入的真实的网络参数构建出程序运行所需的真实网络，所述的双层网络参数包括上下层网络分别对应的网络节点和连边；
S12删除真实网络中存在的孤立节点与自环，然后分别作为真实网络的上下层；
S13构建模拟双层网络，模拟双层网络的上层为随机生成的N＝1000，连接数m＝5的BA无标度网络，下层为随机切断上层1％的连边后重新随机连接两个节点所得的网络；
S14根据双层网络得到其网络的特征值：网络节点数N，节点i的度ki，平均度
Figure GDA0004087984210000031
，连边数E，平均最短路径长度AL，两层网络之间共享节点数。
所述真实网络采用英国交通网络的数据，上层为铁路运输网，下层为长途汽车层；同理可以输入不同的双层网络进行研究。
若两个城市之间存在道路，则这两个城市之间有连边，ki代表节点i的度，其值为节点i的连接数，即与节点i相连的节点个数；城市不可无连边孤立存在，也不可与自身相连。
若一个城市节点既存在火车站又存在长途汽车站，则该城市节点为此双层交通网络的共享节点。
若使用模拟网络，则可自行定义共享节点，设置其数量、规模等，用以研究共享节点对网络容量的影响等。
S2设置双层网络模型的多种资源分配方式delta，具体如下：设置delta代表双层网络模型中总处理力的分配方式，通过调整变量delta的值，设置不同的资源分配方法，delta的取值范围为-1≤delta≤2。
所述的delta为-1表示每个节点的处理能力与其度成反比；delta为0表示每个节点的处理能力相同；delta为1表示每个节点的处理能力与其度成正比；delta为2表示每个节点的处理能力与其度的平方成正比。
所述每个节点处理能力的计算公式如式(1)所示：
Figure GDA0004087984210000032
其中，所述的Ci为节点i的处理能力；
AL为平均最短路径长度；ALa代表模拟网络的平均最短路径长度；ALg为所使用的双层网络中上下两层的平均最短路径的平均数；
Figure GDA0004087984210000041
g为所使用的网络，g＝a代表使用模拟网络，g＝b代表使用真实网络，j为网络层，即j＝1,2时g＝a，j＝3,4时g＝b；
Figure GDA0004087984210000042
为j层的总处理能力；所述/>
Figure GDA0004087984210000043
的计算公式如(2)所示：
Figure GDA0004087984210000044
所述的Nj为网络层j的节点总数。
Figure GDA0004087984210000045
为所使用的双层网络中上下两层的平均最短路径的平均数与模拟网络中的该值的比值，该处理是为了减少网络结构对于模型结果的影响。
所述的S4设置双层网络模型的动态路由策略、自恢复机制以及跨层流量切换机制，具体如下：
S41.依据双层网络模型中各节点的度分布，计算出各节点被选中作为包投递起点、终点或路径中间节点的概率p(ki),计算方法如式(3)所示：
Figure GDA0004087984210000046
其中j为网络层，j＝1,2分别代表模拟网络的上层与下层；j＝3,4分别代表真实网络的上层与下层；Nj代表网络层j的节点总数；ki表示节点i的度；
S42设置双层网络模型的动态路由策略、拥塞与自恢复机制；
设置起点到终点的最短路径为源路径，比较相同起点、终点的各条最短路径，将最短路径上的节点按p(ki)从大到小排序；我们将乘客抽象为数据包，依次判断节点i的等待人数Wi是否超过了其队列长度Li，若Wi>Li，则将该节点记为拥挤节点，将其排除在路径选择外，不再接收包；待经过一定的时间步后，节点i通过投递自身的包，使得其等待人数Wi≤Li，则该节点不在拥塞，将该节点恢复为正常节点，重新接收包的投递；所述的Li计算方法如式(4)所示，
Li＝2 ×Ci (4)；
选择剩下节点中p(ki)最大的作为路径中间节点；
S43若源路径上所有节点均发生了拥塞，首先在同一层网络上寻找替代路径，若在同一层网络上上寻找不到任意长度的替代路径，则跨层流量切换，跨层流量切换只可在层间共享节点上发生；跨层流量切换后，根据动态路由策略、自恢复机制在切换后的网络中再次寻找路径，若无路径则继续等待直到下一步再次寻找或跨层切换。
每个节点的处理能力值Ci∝Ki delta，其大小为：节点的处理能力(投递能力)定义为C，Ci表示节点i的处理能力，即节点i在每个时间步内所能投递的数据包的个数，其取值与Ki有关。
所述的S5在特定资源分配方式下，统计双层网络处于不崩溃情况下包生成速率的最大值Rc，具体如下：
S51随机取一个包生成速率R值，表示每个时间步t内双层网络中产生的乘客数量；
S52根据双层网络模型的各节点的处理能力以及动态路由策略、自恢复机制以及跨层流量切换机制统计网络中的总人数A；当包到达终点时将其从双层网络模型中剔除；
S53将总人数A作为纵坐标，运行时间t作为横坐标，在直角坐标系中绘制出网络中总人数随时间的变化曲线，若网络中总人口A随时间t的增长，逐渐稳定在一定的水平上即网络并未出现崩溃，则重新选取一个较大的R值；
若网络中总人口A随时间t的增长，网络出现崩溃，则重新选取一个较小的R值；
当R＝X时，网络中总人口A随时间增长逐渐趋于平稳，并且当R＝X+1时，出现崩溃，则X＝Rc；输出delta以及对应的Rc。
所述的S8根据最优资源分配方式调整现有资源分配方式，具体如下：若最优delta为-1，则建设火车站或汽车站的资源分配与节点的度成反比；若最优delta为0，则在每个节点平均建造火车站或汽车站；若最优delta为1，则建设火车站或汽车站的资源分配与节点的度成正比；若最优delta为2表示建设火车站或汽车站的资源分配与节点度的平方成正比。
与现有技术相比，本发明的有益之处在于：
本发明通过设计一种更加接近于真实的网络的双层网络模型，结合真实网络的特点以及动力学理论对真实网络的资源分配进行优化，进而运用到真实交通网络的建设中，使资源得到更合理的分配与利用；对城际乃至国际的公共交通网络的建设与优化，提高网络容量与运输效率，具有一定的指导与借鉴意义。
本发明考虑了网络多层结构对网络容量的影响，并使用动态路由策略加以辅助，还设置了拥塞与自恢复机制，更加贴近真实的交通网络，可以得到一种更优也更加精确地多层网络资源优化方法——每个节点分配到的资源与其度成正比
附图说明
图1为本发明方法流程示意图；
图2为delta＝0时，直角坐标系下模拟网络中总人数随时间的变化曲线图；
图3为delta＝0时，双对数坐标系下模拟网络中总人数随时间的变化曲线图；
图4为运行模拟网络的结果图；
图5为运行真实网络的结果图。
具体实施方式
下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。
实施例1
S1根据输入的网络参数构造双层网络模型，所述的网络参数包括模拟网络参数和真实网络参数。
S11根据输入的真实的网络参数构建出程序运行所需的真实网络，所述的双层网络参数包括上下层网络分别对应的网络节点和连边；
S12删除真实网络中存在的孤立节点与自环，然后分别作为真实网络的上下层；
S13构建模拟双层网络，模拟双层网络的上层为随机生成的N＝1000，连接数m＝5的BA无标度网络，下层为随机切断上层1％的连边后重新随机连接两个节点所得的网络；
S14根据双层网络得到其网络的特征值：网络节点数N，节点i的度ki，平均度
Figure GDA0004087984210000061
，连边数E，平均最短路径长度AL，两层网络之间共享节点数。
本实施例中，将城市抽象为节点，节点i即代表i城市；本实施例中模拟网络的构建为：上层为随机生成的节点数N＝1000、连接数m＝5的BA无标度网络，边数E＝4975；
下层为上层随机删除1％的边后重新随机连接两个节点所得的网络，节点数N＝1000、边数E＝4927；
模拟网络中上层网络和下层网络的网络特征相似，结构相似度较高，两层网络平均度
Figure GDA0004087984210000071
均为10，平均最短路径长度均为5；
两层网络中所有的节点均为共享节点，即存在1000个共享节点。
本实施例中真实网络的构建采用英国交通网络的铁路运输网及长途汽车运输网的数据为：
上层为铁路运输网络，节点数N＝2490、边数E＝8225、平均度
Figure GDA0004087984210000072
为4、平均最短路径长度为10；
下层为长途汽车网络，节点数N＝1567、边数E＝3740、平均度
Figure GDA0004087984210000073
为3、平均最短路径长度为17；
在两层网络之间，存在273个共享节点。
英国的交通网络中有些城市没有铁路，有些城市没有长途汽车，所以上下两层网络中的节点数目不同，共享节点也就是铁路和长途汽车都有的城市也仅有一部分。显然，该模拟网络与真实网络差异非常明显。
S2设置双层网络模型的多种资源分配方式delta。
设置delta代表双层网络模型中总处理力的分配方式，通过调整变量delta的值，设置不同的资源分配方法，delta的取值范围为-1≤delta≤2。
本实施例中设计四种不同的处理力分配方式，delta为-1、0、1、2时分别对应下面四种分配方式：
(a)delta为-1表示每个节点的处理能力与其度成反比；
(b)delta为0表示每个节点的处理能力相同，平均分配；
(c)delta为1表示每个节点的处理能力与其度成正比；
(d)delta为2表示每个节点的处理能力与其度的平方成正比。
S3根据特定的资源分配方式delta计算该方式下每个节点的处理能力。
所述每个节点处理能力的计算公式如式(1)所示：
Figure GDA0004087984210000081
其中，所述的Ci为节点i的处理能力；
AL为平均最短路径长度；ALa代表模拟网络的平均最短路径长度；ALg为所使用的双层网络中上下两层的平均最短路径的平均数；
Figure GDA0004087984210000082
g为所使用的网络，g＝a代表使用模拟网络，g＝b代表使用真实网络，j为网络层，即j＝1,2时g＝a，j＝3,4时g＝b；
Figure GDA0004087984210000083
为j层的总处理能力；
所述
Figure GDA0004087984210000084
的计算公式如(2)所示：
Figure GDA0004087984210000085
所述的Nj为网络层j的节点总数。
S4所述的S4设置双层网络模型的动态路由策略、自恢复机制以及跨层流量切换机制。
S41.依据双层网络模型中各节点的度分布，计算出各节点被选中作为包投递起点、终点或路径中间节点的概率p(ki),计算方法如式(3)所示：
Figure GDA0004087984210000086
其中j为网络层，j＝1,2分别代表模拟网络的上层与下层；j＝3,4分别代表真实网络的上层与下层；Nj代表网络层j的节点总数；ki表示节点i的度；
S42设置双层网络模型的动态路由策略、拥塞与自恢复机制；
设置起点到终点的最短路径为源路径，比较相同起点、终点的各条最短路径，将最短路径上的节点按p(ki)从大到小排序；我们将乘客抽象为数据包，依次判断节点i的等待人数Wi是否超过了其队列长度Li，若Wi>Li，则将该节点记为拥挤节点，将其排除在路径选择外，不再接收包；待经过一定的时间步后，节点i通过投递自身的包，使得其等待人数Wi≤Li，则该节点不再拥塞，将该节点恢复为正常节点，重新接收包的投递；所述的Li计算方法如式(4)所示，
Li＝2 ×Ci (4)；
选择剩下节点中p(ki)最大的作为路径中间节点；
本实施例中：乘客在产生时伴随着一条“源路径”，该路径为乘客起点到终点的最短路径。而最短路径有可能不止一条，如起点为1，终点为2，有两条同样长度的最短路径[1,3,2]和[1,4,2]，而p(k3)>p(k4)，则乘客有限选择[1,3,2]这条路径。
而这种选择势必造成节点3的拥塞，节点3拥塞的情况下，将其排除在路径选择外，等待其处理自身流量并自恢复。这时，从节点1出发到节点2的乘客，就要选择[1,4,2]这条路径。
S43若源路径上所有节点均发生了拥塞，首先在同一层网络上寻找替代路径，若在同一层网络上上寻找不到任意长度的替代路径，则跨层流量切换，跨层流量切换只可在层间共享节点上发生；跨层流量切换后，根据动态路由策略、自恢复机制在切换后的网络中再次寻找路径，若无路径则继续等待直到下一步再次寻找或跨层切换。
S5在特定资源分配方式下，统计双层网络处于不崩溃情况下包生成速率的最大值Rc。
S51随机取一个包生成速率R值，表示每个时间步t内双层网络中产生的乘客数量；
S52根据双层网络模型的各节点的处理能力以及动态路由策略、自恢复机制以及跨层流量切换机制统计网络中的总人数A；当包到达终点时将其从双层网络模型中剔除；
S53将总人数A作为纵坐标，运行时间t作为横坐标，在直角坐标系中绘制出网络中总人数随时间的变化曲线，若网络中总人口A随时间t的增长，逐渐稳定在一定的水平上即网络并未出现崩溃，则重新选取一个较大的R值；
若网络中总人口A随时间t的增长，网络出现崩溃，则重新选取一个较小的R值；
当R＝X时，网络中总人口A随时间增长逐渐趋于平稳，并且当R＝X+1时，出现崩溃，则X＝Rc；输出delta以及对应的Rc。
本实施例中使用模拟网络作为对比，如图2所示，delta＝0，横坐标为时间步数t，纵坐标为网络中总人数A。R＝3182,3186的时候，网络中总人数A只在一个小范围内波动，并没有明显的上升趋势，而当R＝3187,3188时，网络中总人数A呈线性增长趋势，所以能够维持网络网络不崩溃的Rc的值为Rc＝3186。
为了更好地观察网络中总人数的增长趋势，使用双对数坐标系绘制了网络中总人数A随时间步t的变化情况如图3所示。使用该坐标系能够更加直观的表现出网络中总人口的增长趋势。
真实网络的运行同理可得。
S6判断每种资源分配方式是否均得到对应的Rc，若是，则进入步骤S7；否则，进入步骤S3。
S7根据所有资源分配方式对应的Rc确定最优资源分配方法，Rc值最大的资源分配方式最优异。
S8根据最优资源分配方式调整现有资源分配方式。
所述的S8根据最优资源分配方式调整现有资源分配方式，具体如下：若最优delta为-1，则建设火车站或汽车站的资源分配与节点的度成反比；若最优delta为0，则在每个节点平均建造火车站或汽车站；若最优delta为1，则建设火车站或汽车站的资源分配与节点的度成正比；若最优delta为2表示建设火车站或汽车站的资源分配与节点度的平方成正比。
假设3个节点，度分别是[1,2,3]，跟度成正比即资源占[1/6，1/3，1/2]，然后跟度的平方成正比即资源各占[1/14，2/7，9/14]。
运行模拟网络和真实网络得到的结果如图4～5所示。归纳为表1：
表1
delta -1 0 1 2
模拟网络Rc 1687 3186 5314 1450
真实网络Rc 12 197 488 140
为了更好地用数字来对资源分配策略的优劣进行评价，我们将网络中总人口的增长情况在双对数坐标系中的曲线做了线性拟合。较好的资源分配策略，其对应曲线的下凸程度也就越大，而这也直接导致了曲线离散性的增加，即线性拟合后方差的增大。线性拟合所得斜率，代表了网络中总人数的增幅，反映了网络崩溃的剧烈程度，而较好的资源分配策略会导致网络崩溃的程度更加剧烈；也就是说，按照我们的分析，较好的资源分配策略其对应曲线线性拟合所得斜率也应该更大。
通过对研究所得结果的比较与分析，得出以下结论：
1、无论使用哪种网络，在总的处理能力一定的情况下，delta＝1时即每个节点的处理能力与其度成正比的分配方式，是一种最佳的资源优化方法，其所得的Rc值也最大、网络中资源的利用率也最高。
2、网络中上下两层的相似度(或者说网络的同构性)，以及网络层间共享节点的数量，对Rc的取值有着非常大的影响。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (6)

1.一种动态路由下双层交通网络的资源优化方法，其特征在于，包括以下步骤：
S1根据输入的网络参数构造双层网络模型；
S2设置双层网络模型的多种资源分配方式delta；
S3根据特定的资源分配方式delta计算该方式下每个节点的处理能力，所述每个节点处理能力的计算公式如式(1)所示：
Figure FDA0004131849910000011
其中，所述的Ci为节点i的处理能力，所述的ki表示节点i的度；
AL为平均最短路径长度；ALa代表模拟网络的平均最短路径长度；ALg为所使用的双层网络中上下两层的平均最短路径的平均数；
Figure FDA0004131849910000012
g为所使用的网络，g＝a代表使用模拟网络，g＝b代表使用真实网络，j为网络层，即j＝1,2时g＝a，j＝3,4时g＝b；
Figure FDA0004131849910000013
为j层的总处理能力；所述/>
Figure FDA0004131849910000014
的计算公式如(2)所示：
Figure FDA0004131849910000015
所述的Nj为网络层j的节点总数；
S4设置双层网络模型的动态路由策略、自恢复机制以及跨层流量切换机制；
S5在特定资源分配方式下，统计双层网络处于不崩溃情况下包生成速率的最大值Rc，其具体如下：
S51随机取一个包生成速率R值，表示每个时间步t内双层网络中产生的乘客数量；
S52根据双层网络模型的各节点的处理能力以及动态路由策略、自恢复机制以及跨层流量切换机制统计网络中的总人数A；当包到达终点时将其从双层网络模型中剔除；
S53将总人数A作为纵坐标，运行时间t作为横坐标，在直角坐标系中绘制出网络中总人数随时间的变化曲线，若网络中总人口A随时间t的增长，逐渐稳定在一定的水平上即网络并未出现崩溃，则重新选取一个较大的R值；
若网络中总人口A随时间t的增长，网络出现崩溃，则重新选取一个较小的R值；
当R＝X时，网络中总人口A随时间增长逐渐趋于平稳，并且当R＝X+1时，出现崩溃，则X＝Rc；输出delta以及对应的Rc；
S6判断每种资源分配方式是否均得到对应的Rc，若是，则进入步骤S7；否则，进入步骤S3；
S7根据所有资源分配方式对应的Rc确定最优资源分配方法，Rc值最大的资源分配方式最优异；
S8根据最优资源分配方式调整现有资源分配方式。
2.根据权利要求1所述的资源优化方法，其特征在于，所述的S1根据输入的网络参数构造双层网络模型，具体如下：
S11根据输入的真实的网络参数构建出程序运行所需的真实网络，所述的双层网络参数包括上下层网络分别对应的网络节点和连边；
S12删除真实网络中存在的孤立节点与自环，然后分别作为真实网络的上下层；
S13构建模拟双层网络，模拟双层网络的上层为随机生成的N＝1000，连接数m＝5的BA无标度网络，下层为随机切断上层1％的连边后重新随机连接两个节点所得的网络；
S14根据双层网络得到其网络的特征值：网络节点数N，节点i的度ki，平均度
Figure FDA0004131849910000021
边数E，平均最短路径长度AL，两层网络之间共享节点数。
3.根据权利要求1所述的资源优化方法，其特征在于，S2设置双层网络模型的多种资源分配方式delta，具体如下：设置delta代表双层网络模型中总处理力的分配方式，通过调整变量delta的值，设置不同的资源分配方法，delta的取值范围为-1≤delta≤2。
4.根据权利要求3所述的资源优化方法，其特征在于，delta为-1表示每个节点的处理能力与其度成反比；delta为0表示每个节点的处理能力相同；delta为1表示每个节点的处理能力与其度成正比；delta为2表示每个节点的处理能力与其度的平方成正比。
5.根据权利要求1所述的资源优化方法，其特征在于，所述的S4设置双层网络模型的动态路由策略、自恢复机制以及跨层流量切换机制，具体如下：
S41.依据双层网络模型中各节点的度分布，计算出各节点被选中作为包投递起点、终点或路径中间节点的概率p(ki),计算方法如式(3)所示：
Figure FDA0004131849910000031
其中j为网络层，j＝1,2分别代表模拟网络的上层与下层；j＝3,4分别代表真实网络的上层与下层；Nj代表网络层j的节点总数；ki表示节点i的度；
S42设置双层网络模型的动态路由策略、拥塞与自恢复机制；
设置起点到终点的最短路径为源路径，比较相同起点、终点的各条最短路径，将最短路径上的节点按p(ki)从大到小排序；我们将乘客抽象为数据包，依次判断节点i的等待人数Wi是否超过了其队列长度Li，若Wi>Li，则将该节点记为拥挤节点，将其排除在路径选择外，不再接收包；待经过一定的时间步后，节点i通过投递自身的包，使得其等待人数Wi≤Li，则该节点不再拥塞，将该节点恢复为正常节点，重新接收包的投递；所述的Li计算方法如式(4)所示，
Li＝2 ×Ci (4)；
选择剩下节点中p(ki)最大的作为路径中间节点；
S43若源路径上所有节点均发生了拥塞，首先在同一层网络上寻找替代路径，若在同一层网络上上寻找不到任意长度的替代路径，则跨层流量切换，跨层流量切换只可在层间共享节点上发生；跨层流量切换后，根据动态路由策略、自恢复机制在切换后的网络中再次寻找路径，若无路径则继续等待直到下一步再次寻找或跨层切换。
6.根据权利要求1所述的资源优化方法，其特征在于，所述的S8根据最优资源分配方式调整现有资源分配方式，具体如下：若最优delta为-1，则建设火车站或汽车站的资源分配与节点的度成反比；若最优delta为0，则在每个节点平均建造火车站或汽车站；若最优delta为1，则建设火车站或汽车站的资源分配与节点的度成正比；若最优delta为2表示建设火车站或汽车站的资源分配与节点度的平方成正比。
CN202010375001.XA 2020-05-06 2020-05-06 一种动态路由下双层交通网络的资源优化方法 Active CN111626480B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010375001.XA CN111626480B (zh) 2020-05-06 2020-05-06 一种动态路由下双层交通网络的资源优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010375001.XA CN111626480B (zh) 2020-05-06 2020-05-06 一种动态路由下双层交通网络的资源优化方法

Publications (2)

Publication Number Publication Date
CN111626480A CN111626480A (zh) 2020-09-04
CN111626480B true CN111626480B (zh) 2023-06-09

Family

ID=72259780

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010375001.XA Active CN111626480B (zh) 2020-05-06 2020-05-06 一种动态路由下双层交通网络的资源优化方法

Country Status (1)

Country Link
CN (1) CN111626480B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110162912A (zh) * 2019-05-30 2019-08-23 北京航空航天大学 考虑资源竞争耦合的网络资源优化方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102270388B (zh) * 2011-06-03 2013-07-17 长沙理工大学 考虑级联失效的交通网络节点重要度的测算方法
US9647956B2 (en) * 2014-09-30 2017-05-09 Vonage America Inc. Method and systems for dynamic allocation of network resources
CN105205557B (zh) * 2015-09-17 2019-06-18 华南理工大学 一种城市常规公交线网设计方法
CN105760960A (zh) * 2016-02-29 2016-07-13 东南大学 基于轨道交通的停车换乘设施最优选址和容量确定方法
CN108470444B (zh) * 2018-03-21 2019-03-08 特斯联（北京）科技有限公司 一种基于遗传算法优化的城市区域交通大数据分析系统与方法
CN108647802B (zh) * 2018-03-26 2021-06-25 复旦大学 基于双层交通网络模型抗拥塞方法
US11610165B2 (en) * 2018-05-09 2023-03-21 Volvo Car Corporation Method and system for orchestrating multi-party services using semi-cooperative nash equilibrium based on artificial intelligence, neural network models,reinforcement learning and finite-state automata

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110162912A (zh) * 2019-05-30 2019-08-23 北京航空航天大学 考虑资源竞争耦合的网络资源优化方法

Also Published As

Publication number Publication date
CN111626480A (zh) 2020-09-04

Similar Documents

Publication Publication Date Title
Bastani et al. A greener transportation mode: flexible routes discovery from GPS trajectory data
CN108898830B (zh) 组合停车场的时空共享匹配度计算的车位均衡方法
CN107194128B (zh) 基于中心辐射型网络框架的多模式公共交通网络设计方法
CN110648022B (zh) 一种考虑站点全覆盖的接驳地铁的社区公交线网与发车频率同步优化方法
CN103942948A (zh) 基于分段拼接的城市公交线路网络的生成方法
CN111126799B (zh) 基于二分图的共享网络司乘匹配方法
CN109670240B (zh) 一种城市多模式公交网络初始线路生成方法
CN113012465B (zh) 基于智能网联的停车位推荐方法、智能网联平台和系统
CN105682046A (zh) 车载命名数据网络中基于数据属性的兴趣包转发方法
CN107426694A (zh) 一种车载自组织网络的模糊分簇算法
CN105844362A (zh) 城市交通综合出行决策模型
CN107092986A (zh) 基于站点及共线运行的公交乘客出行路径选择方法
CN113689696B (zh) 基于车道管理的多模式交通协同疏散方法
CN110095134A (zh) 一种以用户的偏好为核心的路径规划和导航的方法及系统
CN114593734A (zh) 一种基于地铁拥挤度的站内路径规划方法及装置
CN103241268B (zh) 一种减少通道换乘站换乘时间的地铁发车时刻优化方法
CN111626480B (zh) 一种动态路由下双层交通网络的资源优化方法
CN114511143A (zh) 基于组团划分的城市轨道交通线网生成方法
Nugraha et al. Off-street parking space allocation and reservation system using event-driven algorithm
CN115713207A (zh) 一种混合公交服务组合优化方法
CN111311002A (zh) 一种考虑乘客在途主动换乘的公交出行规划方法
CN107563632A (zh) 一种基于支付意愿的灵活公交站点等级划分与转化方法
CN108648441B (zh) 基于站点群的动态公交运行方法
CN114358386A (zh) 一种基于预约出行需求的双出行模式合乘站点生成方法
CN109558502A (zh) 一种基于知识图谱的城市安全数据检索方法

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