CN112272120A - 一种虚拟网络映射算法的优化方法及装置 - Google Patents

一种虚拟网络映射算法的优化方法及装置 Download PDF

Info

Publication number
CN112272120A
CN112272120A CN202011543817.5A CN202011543817A CN112272120A CN 112272120 A CN112272120 A CN 112272120A CN 202011543817 A CN202011543817 A CN 202011543817A CN 112272120 A CN112272120 A CN 112272120A
Authority
CN
China
Prior art keywords
solution
virtual
population
mapping
virtual network
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
Application number
CN202011543817.5A
Other languages
English (en)
Other versions
CN112272120B (zh
Inventor
郭永安
韩镇宇
郑长岭
金花
姚洁
徐姝婷
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.)
Jiangsu Mobile Information System Integration Co ltd
Nanjing University of Posts and Telecommunications
Original Assignee
Jiangsu Mobile Information System Integration Co ltd
Nanjing University of Posts and Telecommunications
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 Jiangsu Mobile Information System Integration Co ltd, Nanjing University of Posts and Telecommunications filed Critical Jiangsu Mobile Information System Integration Co ltd
Priority to CN202011543817.5A priority Critical patent/CN112272120B/zh
Publication of CN112272120A publication Critical patent/CN112272120A/zh
Application granted granted Critical
Publication of CN112272120B publication Critical patent/CN112272120B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0893—Assignment of logical groups to network elements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L12/00—Data switching networks
    • H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
    • H04L12/46—Interconnection of networks
    • H04L12/4641—Virtual LANs, VLANs, e.g. virtual private networks [VPN]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0803—Configuration setting
    • H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/142—Network analysis or design using statistical or mathematical methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Security & Cryptography (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种虚拟网络映射算法的优化方法及装置，所述方法包括：对问题的解进行编码，并生成初始种群；计算每个个体的适应度；对种群进行更新，进行选择运算、交叉运算、变异运算；从产生的新种群中选取预定个数的个体，作为初始和声记忆库的解向量；基于HMRS、PAR、随机选择三个规则，得到新的和声解向量；更新记忆库；重复执行得到新的和声解向量、以及更新记忆库的过程，直到达到最大的迭代次数或满足停止准则后结束循环，输出最优解。本发明能在减少虚拟网络映射代价的情况下，提高物理网络供应商的收益和虚拟网络请求的接受率，具有更高的全局寻优能力和局部搜索优化能力，此外收敛速度快于传统遗传算法。

Description

一种虚拟网络映射算法的优化方法及装置
技术领域
本发明涉及一种虚拟网络映射算法的优化方法及装置，涉及H04W无线通信网络领域。
背景技术
网络虚拟化技术通过抽象和重构机制将用户的业务请求构建成相互隔离的、多样化的、异构的虚拟网络（Virtual Network），使得新型的网络服务和网络协议可以在虚拟网络中独立运行。虚拟网络由虚拟节点（Virtual Node , VN）和虚拟链路(Virtual Link ,VL)组成，对应底层物理节点和物理路径。一般情况下，单个虚拟网络映射问题可分解为两个子问题，即虚拟节点映射子问题和虚拟链路映射子问题。
现有技术中常见的用于解决虚拟网络映射问题的算法为遗传算法，遗传算法局部搜索优化能力较差，参数选择不当会严重影响解的品质。而和声搜索算法虽然弥补了遗传算法的不足，但其收敛速度慢、且对初始记忆库依赖性较强。
发明内容
发明目的：提出一种虚拟网络映射算法的优化方法及装置，以解决现有技术存在的上述问题。
技术方案：一种虚拟网络映射算法的优化方法，包括以下工作过程：
对问题的解进行编码，并生成初始种群；
计算每个个体的适应度；
对种群进行更新，进行选择运算、交叉运算、变异运算；
从产生的新种群中选取预定个数的个体，作为初始和声记忆库的解向量；
基于预定规则，得到新的和声解向量；
更新记忆库；
重复执行得到新的和声解向量、以及更新记忆库的过程，直到达到最大的迭代次数或满足停止准则后结束循环，输出最优解。
在第一方面的一些可实现方式中，对问题的解进行编码的过程进一步为：
定义
Figure 100002_DEST_PATH_IMAGE002
，其中k=|
Figure 100002_DEST_PATH_IMAGE004
|,表示第j个虚拟网络中需要映射虚拟节点个数，用长度为k的串表示问题的解，串中第i个元素的取值来自集合
Figure 100002_DEST_PATH_IMAGE006
,
Figure 100002_DEST_PATH_IMAGE008
表示虚拟节点
Figure 100002_DEST_PATH_IMAGE010
可以映射的所有物理节点，
Figure 436669DEST_PATH_IMAGE004
表示虚拟节点集合，
Figure 100002_DEST_PATH_IMAGE012
表示第j个虚拟网络中需要映射的第k个虚拟节点。
通过随机方法和启发式算法生成初始种群，所生成的初始种群为虚拟节点集：
Figure 100002_DEST_PATH_IMAGE014
其中，
Figure 100002_DEST_PATH_IMAGE016
，表示初始种群的第1组解；k表示第j个虚拟网络中需要映射虚拟节点个数，M表示种群大小，
Figure 100002_DEST_PATH_IMAGE018
表示初始种群的第M组解。
在第一方面的一些可实现方式中，计算每个个体的适应度的过程进一步为：
在完成虚拟链路映射后计算映射代价：
Figure 100002_DEST_PATH_IMAGE020
式中，
Figure 100002_DEST_PATH_IMAGE022
表示第i条染色体的映射代价，
Figure 100002_DEST_PATH_IMAGE024
表示物理节点，
Figure 100002_DEST_PATH_IMAGE026
表示物理节点集合，
Figure 100002_DEST_PATH_IMAGE028
表示控制物理节点均衡利用的权重，
Figure 100002_DEST_PATH_IMAGE030
是为了避免目标函数出现除数为0的情况而设置的趋于0的常量，
Figure 100002_DEST_PATH_IMAGE032
是映射到物理节点
Figure 929705DEST_PATH_IMAGE024
的唯一节点，
Figure 100002_DEST_PATH_IMAGE034
取值为0，
Figure 100002_DEST_PATH_IMAGE036
表示控制物理链路均衡利用的权重，
Figure 100002_DEST_PATH_IMAGE038
表示第j个虚拟网络的虚拟链路集合，
Figure 100002_DEST_PATH_IMAGE040
表示第
Figure 100002_DEST_PATH_IMAGE042
条虚拟链路
Figure 100002_DEST_PATH_IMAGE044
流经物理链路(
Figure 100002_DEST_PATH_IMAGE046
,
Figure 100002_DEST_PATH_IMAGE048
)的流量，
Figure 100002_DEST_PATH_IMAGE050
表示任意物理节点在接受第j条虚拟网络中虚拟节点映射后的剩余CPU容量，
Figure 100002_DEST_PATH_IMAGE052
表示任意物理链路在接受第j条虚拟网络中虚拟链路映射后的剩余带宽，
Figure 100002_DEST_PATH_IMAGE054
表示物理链路集合；
其中，
Figure 100002_DEST_PATH_IMAGE056
；
计算当前种群中所有个体对应的映射方案的最大均衡代价：
Figure 100002_DEST_PATH_IMAGE058
式中，
Figure 100002_DEST_PATH_IMAGE060
表示当前种群中所有个体的最大均衡代价，
Figure 100002_DEST_PATH_IMAGE062
表示第j条染色体的映射代价，
Figure 100002_DEST_PATH_IMAGE064
表示当前种群中所有个体的最大均衡代价，其余各符号含义同上；
对应问题的解的适应度值为
Figure 100002_DEST_PATH_IMAGE066
，式中各符号含义同上。
在第一方面的一些可实现方式中，在对种群进行更新，进行选择运算、交叉运算、变异运算的过程中，所述选择运算进一步为：
根据每个个体在下一代群体中的生存期望进行随机选择运算，种群大小M，个体适应度值为
Figure 100002_DEST_PATH_IMAGE068
；计算群体中每个个体在下一代群体中的期望生存数目
Figure 100002_DEST_PATH_IMAGE070
；
式中，
Figure 100002_DEST_PATH_IMAGE072
表示每个个体在下一代群体中的期望生存数目，M表示种群大小，
Figure 100002_DEST_PATH_IMAGE074
表示第j个个体的适应度值，其余各符号含义同上；
判断当前个体是否被选中参与交叉运算，当前个体被选中参与交叉运算，则它在下一代中的生存期望数目减去预定值a；当前个体未被选中参与交叉运算，则它在下一代中的生存期望数目减去预定值b；
当前个体的生存期望数目小于预定值c时，则该个体不被选中；
取
Figure 100002_DEST_PATH_IMAGE076
的整数部分[
Figure 840810DEST_PATH_IMAGE076
]为对应个体在下一代群体中的生存数目，确定出下一代群体的个体数为
Figure 100002_DEST_PATH_IMAGE078
，未确定的个体数为
Figure 100002_DEST_PATH_IMAGE080
，式中各符号含义同上。
在第一方面的一些可实现方式中，在对种群进行更新，进行选择运算、交叉运算、变异运算的过程中，所述交叉运算进一步为：
随机选取两个串，作为父串X、母串Y；
指定两个交配点，两点之间的区域为匹配区域，区域长度小于父代向量长度；
使用位置交叉运算交换两个父串的匹配区域得到串X1、串Y1；
对位置交叉运算产生的两个父串匹配区域以外出现的重复序号通过随机方法进行有效不重复映射，直到串中无重复数字；
根据映射关系对预定位置的虚拟节点进行修改，得到串X2；
所述变异运算进一步为：
将交叉运算得出的X、Y以预定的突变率交换第
Figure 100002_DEST_PATH_IMAGE082
,
Figure 100002_DEST_PATH_IMAGE084
位，且变异运算中保持串中元素各不相同，得到变异运算后的串
Figure 100002_DEST_PATH_IMAGE086
、
Figure 100002_DEST_PATH_IMAGE088
；
从产生的新种群中选取预定个数的个体，作为初始和声记忆库的解向量的过程进一步为：从产生的新种群中选取
Figure 100002_DEST_PATH_IMAGE090
个个体，作为初始和声记忆库的解向量：
Figure 100002_DEST_PATH_IMAGE092
其中
Figure 915951DEST_PATH_IMAGE016
，表示初始和声记忆库解向量的第1组解，
Figure 100002_DEST_PATH_IMAGE094
表示初始和声记忆库解向量第HMS组解的第k个变量，
Figure 100002_DEST_PATH_IMAGE096
表示初始和声记忆库解向量的第HMS组解。
在第一方面的一些可实现方式中，基于预定规则，得到新的和声解向量的过程进一步为：
基于HMRS、PAR、随机选择三个规则，得到新的和声解向量
Figure 100002_DEST_PATH_IMAGE098
；
每次产生一个新解
Figure 343390DEST_PATH_IMAGE098
，其中新解分量
Figure 100002_DEST_PATH_IMAGE100
通过如下三种机理产生：
机理a、保留和声记忆库中的某些解分量：保留和声记忆库中的某些解分量，以预定概率HMRS随机对和声记忆库的某些分量进行保留，即新产生的
Figure 90766DEST_PATH_IMAGE100
来源于记忆库中第i个解分量的集合
Figure 100002_DEST_PATH_IMAGE102
的概率为HMRS；
机理b、随机选择产生：产生的新解分量
Figure 35589DEST_PATH_IMAGE100
是从第i个解分量的可行解空间中以1-HMRS的概率随机产生的；
机理c、对机理a、机理b中产生的解分量按概率PAR进行扰动，得到按机理c产生的新解分量。扰动原则为：
Figure 100002_DEST_PATH_IMAGE104
其中，等式右边的
Figure 490535DEST_PATH_IMAGE100
是扰动前新解的第i个解分量；
Figure 100002_DEST_PATH_IMAGE106
为微调步长；
Figure 100002_DEST_PATH_IMAGE108
为0到1的随机数；
更新记忆库的过程进一步包括：判断新解是否优于HM内的最差解，若是，则将新的解替换最差解，得到新的和声记忆库；
重复执行得到新的和声解向量、以及更新记忆库的过程，直到达到最大的迭代次数或满足停止准则后结束循环，输出HMS个最优解，HMS<M；对HMS个个体进行虚拟节点映射；
对于路径不可分割情况采用启发式算法，对于路径可分割情况采用多商品流算法完成虚拟网络的构建，输出第j个虚拟网络映射方案。
在第一方面的一些可实现方式中，在对问题的解进行编码前，还包括如下前序步骤：
将物理网络表示为无向图
Figure 100002_DEST_PATH_IMAGE110
，其中
Figure 574029DEST_PATH_IMAGE026
和
Figure 792390DEST_PATH_IMAGE054
分别表示物理节点集合和物理链路集合；第i个物理节点的CPU容量记为
Figure 100002_DEST_PATH_IMAGE112
，第i个物理节点的位置属性记为
Figure 100002_DEST_PATH_IMAGE114
；第j条物理链路的带宽记为
Figure 100002_DEST_PATH_IMAGE116
；将第j条虚拟网络表示为无向图
Figure 100002_DEST_PATH_IMAGE118
，其中
Figure 619531DEST_PATH_IMAGE004
和
Figure 623259DEST_PATH_IMAGE038
分别表示第j个虚拟网络的虚拟节点集合和虚拟链路集合；第j个虚拟网络的第i条虚拟节点的CPU容量记为
Figure 100002_DEST_PATH_IMAGE120
，第j个虚拟网络的第i条虚拟节点的位置属性记为
Figure 100002_DEST_PATH_IMAGE122
；第j个虚拟网络的第i条虚拟链路的带宽记为
Figure 100002_DEST_PATH_IMAGE124
；
将物理网络完成第j个虚拟网络
Figure 376190DEST_PATH_IMAGE118
的映射后取得的收益，定义为第j个虚拟网络的所有虚拟节点CPU容量和虚拟链路带宽的累加和：
Figure 100002_DEST_PATH_IMAGE126
；
将第j个虚拟网络
Figure 114470DEST_PATH_IMAGE118
的映射代价定义为分配给该虚拟网络的物理网络资源之和：
Figure DEST_PATH_IMAGE128
,其中
Figure DEST_PATH_IMAGE130
表示虚拟链路
Figure 447100DEST_PATH_IMAGE044
所映射的物理路径长度。
第三方面，提供了一种虚拟网络映射算法的优化设备，该设备包括：处理器，以及存储有计算机程序指令的存储器；所述处理器读取并执行计算机程序指令时实现第一方面或第一方面的一些可实现方式中的虚拟网络映射算法的优化方法。
第四方面，提供了一种计算机存储介质，计算机存储介质上存储有计算机程序指令，计算机程序指令被处理器执行时实现第一方面或第一方面的一些可实现方式中的虚拟网络映射算法的优化方法。
有益效果：本发明涉及一种虚拟网络映射算法的优化方法及装置，通过该优化方法，本发明能在减少虚拟网络映射代价的情况下，提高物理网络供应商的收益和虚拟网络请求的接受率，具有更高的全局寻优能力和局部搜索优化能力，此外收敛速度快于传统遗传算法，对初始记忆库的依赖性不高、从而进一步提高运行效率。
附图说明
图1为现有技术用于解决虚拟网络映射优化问题的其中一个常用算法流程图。
图2为现有技术用于解决虚拟网络映射优化问题的另一个常用算法流程图。
图3为本发明实施例提供的虚拟网络映射算法的优化方法流程图。
图4是本发明实施例提供的虚拟网络映射优化方法的整体流程示意图。
图5为本发明涉及的变异概率非线性变化图像（以遗传代数T取100为例）。
具体实施方式
在下文的描述中，给出了大量具体的细节以便提供对本发明更为彻底的理解。然而，对于本领域技术人员而言显而易见的是，本发明可以无需一个或多个这些细节而得以实施。在其他的例子中，为了避免与本发明发生混淆，对于本领域公知的一些技术特征未进行描述。
申请人认为，网络虚拟化技术通过抽象和重构机制将用户的业务请求构建成相互隔离的、多样化的、异构的虚拟网络，使得新型的网络服务和网络协议可以在虚拟网络中独立运行。虚拟网络由虚拟节点（Virtual Node , VN）和虚拟链路(Virtual Link , VL)组成，对应底层物理节点和物理路径。一般情况下，单个虚拟网络映射问题可分解为两个子问题，即虚拟节点映射子问题和虚拟链路映射子问题。
虚拟网络映射问题本质是一个优化问题，大致描述是在满足节点和链路的约束条件下，在底层物理网络为虚拟网络分配出相应资源。高效的虚拟网络映射方法可以提高底层物理网络的映射效率，使基础设施供应商的收益最大化并提高虚拟网络的请求的接受率。虚拟网络映射的性能和效率会直接影响到网络虚拟化技术能否走向实际应用，因此对虚拟网络映射算法的改进具有很重要的价值。
虚拟网络映射问题包括离线虚拟网络映射问题和在线虚拟网络映射问题，而单个虚拟网络映射问题是其基本子问题。
单个虚拟网络映射问题是指将某个固定的虚拟网络
Figure DEST_PATH_IMAGE132
映射到物理网络
Figure DEST_PATH_IMAGE134
上。其中
Figure 118384DEST_PATH_IMAGE026
表示物理节点集合，物理节点数为
Figure DEST_PATH_IMAGE136
；
Figure 730631DEST_PATH_IMAGE054
表示物理链路集合，物理链路数为
Figure DEST_PATH_IMAGE138
；
Figure DEST_PATH_IMAGE140
表示物理节点属性，包括CPU容量、地理位置信息、内存、外存等；
Figure DEST_PATH_IMAGE142
表示物理链路属性，包括带宽、延迟、丢包率、长度等。
Figure DEST_PATH_IMAGE144
表示第j个虚拟网络，
Figure 601547DEST_PATH_IMAGE004
表示虚拟节点集合，
Figure 160704DEST_PATH_IMAGE038
表示虚拟链路集合，
Figure DEST_PATH_IMAGE146
表示虚拟节点属性集合包括CPU容量、虚拟节点位置、内存、外存等，
Figure DEST_PATH_IMAGE148
表示虚拟链路属性集合包括带宽、延迟、丢包率等，
Figure DEST_PATH_IMAGE150
表示虚拟网络属性集合包括映射收益、生命周期、虚拟节点指定位置与其映射的物理节点位置间最大距离等。
离线虚拟网络映射问题即在物理网络和虚拟网络的节点和链路属性固定的情况下，对包含多个虚拟网络的虚拟网络集合的一个子集进行映射，求解映射的方案。由于一般的虚拟网络请求都是动态到达的，所以目前对虚拟网络映射算法的研究多集中于在线虚拟网络映射算法。
单个虚拟网络映射问题的启发式算法可分为虚拟链路映射算法、一阶段映射算法和两阶段映射算法。虚拟链路映射算法指当虚拟节点映射已知情况下，单个虚拟网映射问题就退化为虚拟链路映射问题。比如在底层物理网络支持路径分割的情况下，假设虚拟节点映射已知即可把单虚拟网映射的NP问题转换成Ｐ问题（多项式时间可解问题），然后基于原始对偶方法设计在线虚拟链路映射问题的竞争算法完成虚拟网络映射。一阶段映射算法将虚拟网络作为一个整体，采用可回溯的算法，同时完成虚拟节点和虚拟链路的映射。两阶段映射算法将虚拟网络映射过程分为虚拟节点映射和虚拟链路映射两个阶段。只有在虚拟节点映射阶段将所有虚拟节点都映射到底层物理节点上，才能进入虚拟链路映射阶段，否则拒绝虚拟网络请求。虚拟链路映射阶段，在所有虚拟链路对应两个虚拟节点所映射的物理节点对之间寻找一条或多条满足虚拟链路资源要求的无环物理路径，只有所有虚拟链路都找到对应的物理路径才完成网络映射，否则拒绝该虚拟网络请求。对于虚拟网络映射问题求解的挑战性，研究人员以牺牲算法的实用性为代价，通过限制问题的解空间（假设虚拟网络请求已知、假设虚拟节点映射已知、假设物理资源无限等），用启发式算法进行求解。
遗传算法是一种基于生物界自然群体遗传进化机制的自适应全局优化概率搜索算法，它通过模拟自然进化过程来搜索问题的最优解。它借鉴达尔文适者生存理论消除解集中质量差的解，并通过一定的随机信息交换方法从一定程度上提高了搜索效率。
遗传算法以初始化种群（population）开始。在编码前，要先通过编码将解空间变量表示成遗传空间的基因型串数据结构。个体实际是由染色体表示的具有不同属性的实体。染色体作为遗传物质的主要载体，即多个基因的集合。种群由经过基因（gene）编码的一定规模的个体（individual）组成。
初代种群产生之后，按照适者生存和优胜劣汰的原理，逐代（generation）演化产生出越来越好的近似解，在每一代，根据问题域中个体的适应度（fitness）大小选择（selection）个体，并借助于自然遗传学的遗传算子（genetic operators）进行组合交叉（crossover）和变异（mutation），产生出代表新的解集的种群。
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（decoding），可以作为问题近似最优解。遗传算法和生物进化相关概念的对应关系如表1所示。遗传算法的流程如图1所示。
表1遗传算法和生物进化相关概念的对应关系
生物进化 遗传算法
生存环境 适应函数
适者生存 适应度值高的解被遗传的概率大
个体 问题的一个解
染色体 对解的编码
基因 编码元素
种群 根据适应函数选择的一组解
交叉（配对） 以一定的方式产生新的解
变异 编码的某些分量发生变化
遗传算法采用自然进化机制描述复杂的现象，具有较高的全局寻优能力，且易于和别的技术混合，具有高的可拓展性。但是也有一些缺点如：局部搜索优化能力较差，参数选择不当会严重影响解的品质等。现有的常用的另一个算法如图2，该搜索算法的原理简单、适用性强，具有较强的局部寻优能力。但也有全局优化效果差、收敛速度慢、对初始记忆库依赖性强等缺点。
为此，本发明提出一种虚拟网络映射算法的优化方法及装置，通过该优化方法，在减少虚拟网络映射代价的情况下，提高物理网络供应商的收益和虚拟网络请求的接受率，该优化方法针对物理节点不支持重复映射（无论物理网络是否支持路径分割）情况下的在线虚拟网络映射算法。当虚拟网络构建请求动态到达时，GAHS-VM算法通过采用遗传算法产生的优化种群组成初始和声记忆库，对虚拟节点映射过程进行优化。在遗传运算相关流程的变异概率以非线性方式动态变化，在迭代早期变异概率取值较大，以扩大搜索空间；迭代后期变异概率取值较小，以加快收敛速度。非线性方式动态变化的变异概率提高了算法的运行效率和解的质量。通过配合后续虚拟网络的构建即虚拟链路映射阶段（对于路径不可分割情况采用启发式算法，对于路径可分割情况采用多商品流算法），使得虚拟网络映射的目标尽量接近最优。GAHS-VM算法使虚拟节点映射和虚拟链路映射两个阶段相互协调，在减少映射代价的同时，提高了虚拟网络请求接受率和物理网络供应商的长期收益。在虚拟链路映射阶段同样采用多商品流算法或最短路径算法的情况下，与普通启发式算法（如遗传算法、模拟退火算法、禁忌搜索算法及神经网络算法等）相比，GASH-VM算法的虚拟网络请求接受率可提高10%左右，平均收益可提高20%左右，平均代价可降低8%左右。
下面通过实施例对本发明的技术方案进行详细阐述：
实施例一：
将物理网络表示为无向图
Figure 512926DEST_PATH_IMAGE110
，其中
Figure 718910DEST_PATH_IMAGE026
和
Figure 149891DEST_PATH_IMAGE054
分别表示物理节点集合和物理链路集合。第i个物理节点的CPU容量记为
Figure 247160DEST_PATH_IMAGE112
，第i个物理节点的位置属性记为
Figure 814408DEST_PATH_IMAGE114
。第j条物理链路的带宽记为
Figure 706141DEST_PATH_IMAGE116
。将第j条虚拟网络表示为无向图
Figure 873686DEST_PATH_IMAGE118
，其中
Figure 509066DEST_PATH_IMAGE004
和
Figure 930820DEST_PATH_IMAGE038
分别表示第j个虚拟网络的虚拟节点集合和虚拟链路集合。第j个虚拟网络的第i条虚拟节点的CPU容量记为
Figure 993454DEST_PATH_IMAGE120
，第j个虚拟网络的第i条虚拟节点的位置属性记为
Figure 133449DEST_PATH_IMAGE122
。第j个虚拟网络的第i条虚拟链路的带宽记为
Figure 588832DEST_PATH_IMAGE124
。
将物理网络完成第j个虚拟网络
Figure 865092DEST_PATH_IMAGE118
的映射后取得的收益，定义为第j个虚拟网络的所有虚拟节点CPU容量和虚拟链路带宽的累加和：
Figure 364207DEST_PATH_IMAGE126
将第j个虚拟网络
Figure 991497DEST_PATH_IMAGE118
的映射代价定义为分配给该虚拟网络的物理网络资源（CPU和带宽）之和：
Figure 968681DEST_PATH_IMAGE128
,其中
Figure 614294DEST_PATH_IMAGE130
表示虚拟链路
Figure 284310DEST_PATH_IMAGE044
所映射的物理路径长度。
在线虚拟网络映射问题经常以最大化物理网络供应商的长期收益为主要优化目标。对于动态到达的虚拟网络
Figure 133318DEST_PATH_IMAGE118
请求，要尽量获取其映射收益并尽量减少映射代价。为达到最大化物理网络供应商的长期收益目标，在进行第j个虚拟网络映射时，要综合考虑物理网络资源的绝对消耗量和均衡利用。因为第j个虚拟网络在发出请求时其网络结构已经确定，其映射的收益也就确定了，所以具体的优化目标是最小化以下均衡代价：
Figure DEST_PATH_IMAGE152
其中，
Figure 461662DEST_PATH_IMAGE056
Figure 712515DEST_PATH_IMAGE036
和
Figure 553432DEST_PATH_IMAGE028
是控制物理链路和物理节点均衡利用的权重l;
Figure 889735DEST_PATH_IMAGE030
→0是为了避免目标函数出现除数为0的情况而设置的趋于0的常量；
Figure 474300DEST_PATH_IMAGE032
是映射到物理节点
Figure 112084DEST_PATH_IMAGE024
的唯一节点，如果物理节点没有被任何虚拟节点映射，
Figure 858323DEST_PATH_IMAGE034
取0；
Figure 681923DEST_PATH_IMAGE040
表示第
Figure 804600DEST_PATH_IMAGE042
条虚拟链路
Figure 30045DEST_PATH_IMAGE044
流经物理链路(
Figure 963497DEST_PATH_IMAGE046
,
Figure 274392DEST_PATH_IMAGE048
)的流量。
算法具体流程如图3所示：
输入：第j个虚拟网络
Figure 200760DEST_PATH_IMAGE118
，物理网络的剩余网络
Figure DEST_PATH_IMAGE154
,种群大小M，遗传代数T，交叉概率PM，变异概率PC，和声记忆库大小为
Figure 326717DEST_PATH_IMAGE090
, 记忆库取值概率HMRS, 音调微调概率PAR, 微调步长bw, 迭代次数NI。
参数具体取值可参考：
PM=0.7 ,M=30,T=30,HMS=10,HMRS=0.95,PAR=0.1，bw=0.03,NI=2000。
输出：第j个虚拟网络的映射方案。
算法设计步骤如图4所示：
步骤1、对问题的解进行编码，并生成初始种群；
步骤2、计算每个个体的适应度；
步骤3、对种群进行更新，进行选择运算、交叉运算、变异运算；
步骤4、从产生的新种群中选取预定个数的个体，作为初始和声记忆库的解向量；
步骤5、基于HMRS、PAR、随机选择三个规则，得到新的和声解向量；
步骤6、更新记忆库；
步骤7、重复步骤5、步骤6，直到达到最大的迭代次数或满足停止准则后结束循环，输出最优解。
实施例二：
在实施例一的基础之上，步骤1中所述初始种群为虚拟节点集：
Figure DEST_PATH_IMAGE014A
其中，
Figure 8234DEST_PATH_IMAGE016
，表示初始种群的第1组解；k表示第j个虚拟网络中需要映射虚拟节点个数，M表示种群大小，
Figure 557158DEST_PATH_IMAGE018
表示初始种群的第M组解。
对问题的解进行编码的过程进一步为：定义
Figure 21637DEST_PATH_IMAGE002
，其中k=|
Figure 956095DEST_PATH_IMAGE004
|,用长度为k的串表示问题的解，串中第i个元素的取值来自集合
Figure DEST_PATH_IMAGE156
，
Figure 792202DEST_PATH_IMAGE006
表示虚拟节点
Figure 812111DEST_PATH_IMAGE010
映射的所有物理节点。
实施例三：
在实施例一的基础之上，计算每个个体的适应度的过程具体如下：
在完成虚拟链路映射后计算映射代价：
Figure DEST_PATH_IMAGE020A
式中，
Figure 158910DEST_PATH_IMAGE022
表示第i条染色体的映射代价，
Figure 213453DEST_PATH_IMAGE024
表示物理节点，
Figure 174456DEST_PATH_IMAGE026
表示物理节点集合，
Figure 416081DEST_PATH_IMAGE028
表示控制物理节点均衡利用的权重，
Figure 737210DEST_PATH_IMAGE030
是为了避免目标函数出现除数为0的情况而设置的趋于0的常量，
Figure 646260DEST_PATH_IMAGE032
是映射到物理节点
Figure 512585DEST_PATH_IMAGE024
的唯一节点，
Figure 507086DEST_PATH_IMAGE034
取值为0，
Figure 117059DEST_PATH_IMAGE036
表示控制物理链路均衡利用的权重，
Figure 896927DEST_PATH_IMAGE038
表示第j个虚拟网络的虚拟链路集合，
Figure 668574DEST_PATH_IMAGE040
表示第
Figure 415950DEST_PATH_IMAGE042
条虚拟链路
Figure 564035DEST_PATH_IMAGE044
流经物理链路(
Figure 447677DEST_PATH_IMAGE046
,
Figure 655805DEST_PATH_IMAGE048
)的流量，
Figure 880025DEST_PATH_IMAGE050
表示任意物理节点在接受第j条虚拟网络中虚拟节点映射后的剩余CPU容量，
Figure 566221DEST_PATH_IMAGE052
表示任意物理链路在接受第j条虚拟网络中虚拟链路映射后的剩余带宽，
Figure 569949DEST_PATH_IMAGE054
表示物理链路集合；
计算当前种群中所有个体对应的映射方案的最大均衡代价：
Figure DEST_PATH_IMAGE058A
式中，
Figure 762027DEST_PATH_IMAGE060
表示当前种群中所有个体的最大均衡代价，
Figure 218416DEST_PATH_IMAGE062
表示第j条染色体的映射代价，
Figure 708303DEST_PATH_IMAGE064
表示当前种群中所有个体的最大均衡代价，其余各符号含义同上；
对应问题的解的适应度值为
Figure DEST_PATH_IMAGE158
，式中，各符号含义同上。
实施例四：
在实施例一的基础之上，对种群进行更新，进行选择运算、交叉运算、变异运算的过程中，选择运算进一步为：
根据每个个体在下一代群体中的生存期望进行随机选择运算，种群大小M，个体适应度为
Figure 612543DEST_PATH_IMAGE068
；计算群体中每个个体在下一代群体中的期望生存数目
Figure 428053DEST_PATH_IMAGE070
；
判断当前个体是否被选中参与交叉运算，当前个体被选中参与交叉运算，则它在下一代中的生存期望数目减去预定值a；当前个体未被选中参与交叉运算，则它在下一代中的生存期望数目减去预定值b；
当前个体的生存期望数目小于预定值c时，则该个体不被选中；
取
Figure 371738DEST_PATH_IMAGE076
的整数部分[
Figure 399737DEST_PATH_IMAGE076
]为对应个体在下一代群体中的生存数目，确定出下一代群体的个体数为
Figure 863210DEST_PATH_IMAGE078
，未确定的个体数为
Figure 849621DEST_PATH_IMAGE080
。
交叉运算进一步为：
随机选取两个串，作为父串X、母串Y；
指定两个交配点，两点之间的区域为匹配区域，区域长度小于父代向量长度；
使用位置交叉运算交换两个父串的匹配区域得到串X1、串Y1；
对位置交叉运算产生的两个父串匹配区域以外出现的重复序号通过随机方法进行有效不重复映射，直到串中无重复数字；
根据映射关系对预定位置的虚拟节点进行修改，得到串X2；
步骤3中所述变异运算进一步为：
将交叉运算得出的X、Y以预定的突变率交换第
Figure 15023DEST_PATH_IMAGE082
,
Figure 112292DEST_PATH_IMAGE084
位，且变异运算中保持串中元素各不相同，得到变异运算后的串
Figure 413960DEST_PATH_IMAGE086
、
Figure 820540DEST_PATH_IMAGE088
；
从产生的新种群中选取预定个数的个体，作为初始和声记忆库的解向量的过程具体如下：从产生的新种群中选取
Figure 738817DEST_PATH_IMAGE090
个个体，作为初始和声记忆库的解向量：
Figure DEST_PATH_IMAGE092A
其中
Figure 187247DEST_PATH_IMAGE016
，表示初始和声记忆库解向量的第1组解，
Figure 874580DEST_PATH_IMAGE094
表示初始和声记忆库解向量第HMS组解的第k个变量，
Figure 202793DEST_PATH_IMAGE096
表示初始和声记忆库解向量的第HMS组解。
实施例五：
在实施例一的基础之上，基于HMRS、PAR、随机选择三个规则，得到新的和声解向量的过程具体如下：
基于HMRS、PAR、随机选择三个规则，得到新的和声解向量
Figure 342788DEST_PATH_IMAGE098
；
每次产生一个新解
Figure 31127DEST_PATH_IMAGE098
，其中新解分量
Figure 572967DEST_PATH_IMAGE100
通过如下三种机理产生：
机理a、保留和声记忆库中的某些解分量：保留和声记忆库中的某些解分量，以预定概率HMRS随机对和声记忆库的某些分量进行保留，即新产生的
Figure 806502DEST_PATH_IMAGE100
来源于记忆库中第i个解分量的集合
Figure 433792DEST_PATH_IMAGE102
的概率为HMRS；
机理b、随机选择产生：产生的新解分量
Figure 145396DEST_PATH_IMAGE100
是从第i个解分量的可行解空间中以1-HMRS的概率随机产生的；
机理c、对机理a、机理b中产生的解分量按概率PAR进行扰动，得到按机理c产生的新解分量。扰动原则为：
Figure DEST_PATH_IMAGE104A
其中，等式右边的
Figure 620371DEST_PATH_IMAGE100
是扰动前新解的第i个解分量；
Figure 290387DEST_PATH_IMAGE106
为微调步长；
Figure 139394DEST_PATH_IMAGE108
为0到1的随机数。
实施例六：
在实施例一的基础之上，更新记忆库的过程进一步包括：判断新解是否优于HM内的最差解，若是，则将新的解替换最差解，得到新的和声记忆库；
最小化以下均衡代价：
Figure DEST_PATH_IMAGE160
式中，
Figure 757152DEST_PATH_IMAGE056
，
Figure 758737DEST_PATH_IMAGE036
和
Figure 599654DEST_PATH_IMAGE028
是控制物理链路和物理节点均衡利用的权重l；
Figure 201537DEST_PATH_IMAGE030
→0避免目标函数出现除数为0的情况而设置的趋于0的常量；
Figure 520523DEST_PATH_IMAGE032
是映射到物理节点
Figure 891461DEST_PATH_IMAGE024
的唯一节点，当物理节点没有被任何虚拟节点映射，此时
Figure 886968DEST_PATH_IMAGE034
取0；
Figure 710568DEST_PATH_IMAGE040
表示第
Figure 98824DEST_PATH_IMAGE042
条虚拟链路
Figure 58689DEST_PATH_IMAGE044
流经物理链路(
Figure 241409DEST_PATH_IMAGE046
,
Figure 303037DEST_PATH_IMAGE048
)的流量。
实施例七：
本实施例提出一种虚拟网络映射算法的优化装置，该装置包括解码模块、适应度计算模块、种群运算模块、种群选取模块、新解模块、更新模块。所述解码模块用于对问题的解进行编码，并生成初始种群。适应度计算模块用于计算每个个体。种群运算模块用于对种群进行更新，进行选择运算、交叉运算、变异运算。种群选取模块用于从产生的新种群中选取预定个数的个体，作为初始和声记忆库的解向量。新解模块基于HMRS、PAR、随机选择三个规则，得到新的和声解向量。更新模块用于更新记忆库。
所述解码模块进一步建立虚拟节点集：
Figure DEST_PATH_IMAGE014AA
其中，
Figure 557301DEST_PATH_IMAGE016
，表示种群中第j个虚拟网络映射的均衡代价；k表示第j个虚拟网络中需要映射虚拟节点个数，M表示种群大小；
对问题的解进行编码的过程进一步为：定义
Figure 620941DEST_PATH_IMAGE002
，其中k=|
Figure 240141DEST_PATH_IMAGE004
|,用长度为k的串表示问题的解，串中第i个元素的取值来自集合
Figure 38333DEST_PATH_IMAGE156
，
Figure 237233DEST_PATH_IMAGE006
表示虚拟节点
Figure 437270DEST_PATH_IMAGE010
映射的所有物理节点。
所述适应度计算模块进一步在完成虚拟链路映射后计算映射代价：
Figure DEST_PATH_IMAGE020AA
式中，
Figure 306000DEST_PATH_IMAGE022
表示第i条染色体的映射代价，
Figure 575176DEST_PATH_IMAGE024
表示物理节点，
Figure 843346DEST_PATH_IMAGE026
表示物理节点集合，
Figure 897890DEST_PATH_IMAGE028
表示控制物理节点均衡利用的权重，
Figure 327734DEST_PATH_IMAGE030
是为了避免目标函数出现除数为0的情况而设置的趋于0的常量，
Figure 100518DEST_PATH_IMAGE032
是映射到物理节点
Figure 923112DEST_PATH_IMAGE024
的唯一节点，
Figure 566583DEST_PATH_IMAGE034
取值为0，
Figure 698487DEST_PATH_IMAGE036
表示控制物理链路均衡利用的权重，
Figure 692988DEST_PATH_IMAGE038
表示第j个虚拟网络的虚拟链路集合，
Figure 302961DEST_PATH_IMAGE040
表示第
Figure 587223DEST_PATH_IMAGE042
条虚拟链路
Figure 624450DEST_PATH_IMAGE044
流经物理链路(
Figure 106247DEST_PATH_IMAGE046
,
Figure 254331DEST_PATH_IMAGE048
)的流量，
Figure 137973DEST_PATH_IMAGE050
表示任意物理节点在接受第j条虚拟网络中虚拟节点映射后的剩余CPU容量，
Figure 96833DEST_PATH_IMAGE052
表示任意物理链路在接受第j条虚拟网络中虚拟链路映射后的剩余带宽，
Figure 800347DEST_PATH_IMAGE054
表示物理链路集合；
计算当前种群中所有个体对应的映射方案的最大均衡代价：
Figure DEST_PATH_IMAGE058AA
式中，
Figure 594866DEST_PATH_IMAGE060
表示当前种群中所有个体的最大均衡代价，
Figure 67435DEST_PATH_IMAGE062
表示第j条染色体的映射代价，
Figure 712043DEST_PATH_IMAGE064
表示当前种群中所有个体的最大均衡代价，其余各符号含义同上；
对应问题的解的适应度值为
Figure 902853DEST_PATH_IMAGE066
，式中，各符号含义同上。
所述种群运算模块进一步根据每个个体在下一代群体中的生存期望进行随机选择运算，种群大小M，个体适应度为
Figure 658319DEST_PATH_IMAGE068
；计算群体中每个个体在下一代群体中的期望生存数目
Figure 267286DEST_PATH_IMAGE070
；
判断当前个体是否被选中参与交叉运算，当前个体被选中参与交叉运算，则它在下一代中的生存期望数目减去预定值a；当前个体未被选中参与交叉运算，则它在下一代中的生存期望数目减去预定值b；
当前个体的生存期望数目小于预定值c时，则该个体不被选中；
取
Figure 82796DEST_PATH_IMAGE076
的整数部分[
Figure 495323DEST_PATH_IMAGE076
]为对应个体在下一代群体中的生存数目，确定出下一代群体的个体数为
Figure 54480DEST_PATH_IMAGE078
，未确定的个体数为
Figure 501642DEST_PATH_IMAGE080
。
其中，交叉运算进一步为：随机选取两个串，作为父串X、母串Y；指定两个交配点，两点之间的区域为匹配区域，区域长度小于父代向量长度；使用位置交叉运算交换两个父串的匹配区域得到串X1、串Y1；对位置交叉运算产生的两个父串匹配区域以外出现的重复序号通过随机方法进行有效不重复映射，直到串中无重复数字；根据映射关系对预定位置的虚拟节点进行修改，得到串X2。
变异运算进一步为：将交叉运算得出的X、Y以预定的突变率交换第
Figure 737320DEST_PATH_IMAGE082
,
Figure 168301DEST_PATH_IMAGE084
位，且变异运算中保持串中元素各不相同，得到变异运算后的串
Figure 999991DEST_PATH_IMAGE086
、
Figure 567239DEST_PATH_IMAGE088
所述种群选取模块进一步从产生的新种群中选取
Figure 724550DEST_PATH_IMAGE090
个个体，作为初始和声记忆库的解向量：
Figure DEST_PATH_IMAGE092AA
其中
Figure 455877DEST_PATH_IMAGE016
，表示初始和声记忆库解向量的第1组解，
Figure 91258DEST_PATH_IMAGE094
表示初始和声记忆库解向量第HMS组解的第k个变量，
Figure 27859DEST_PATH_IMAGE096
表示初始和声记忆库解向量的第HMS组解。
在第二方面的一些可实现方式中，新解模块进一步基于HMRS、PAR、随机选择三个规则，得到新的和声解向量
Figure 356072DEST_PATH_IMAGE098
；
每次产生一个新解
Figure 230487DEST_PATH_IMAGE098
，其中新解分量
Figure 669559DEST_PATH_IMAGE100
通过如下三种机理产生：
机理a、保留和声记忆库中的某些解分量：保留和声记忆库中的某些解分量，以预定概率HMRS随机对和声记忆库的某些分量进行保留，即新产生的
Figure 945819DEST_PATH_IMAGE100
来源于记忆库中第i个解分量的集合
Figure 195666DEST_PATH_IMAGE102
的概率为HMRS；
机理b、随机选择产生：产生的新解分量
Figure 822956DEST_PATH_IMAGE100
是从第i个解分量的可行解空间中以1-HMRS的概率随机产生的；
机理c、对机理a、机理b中产生的解分量按概率PAR进行扰动，得到按机理c产生的新解分量。扰动原则为：
Figure DEST_PATH_IMAGE104AA
其中，等式右边的
Figure 207381DEST_PATH_IMAGE100
是扰动前新解的第i个解分量；
Figure 869307DEST_PATH_IMAGE106
为微调步长；
Figure 273744DEST_PATH_IMAGE108
为0到1的随机数。
更新模块进一步判断新解是否优于HM内的最差解，若是，则将新的解替换最差解，得到新的和声记忆库；
最小化以下均衡代价：
Figure DEST_PATH_IMAGE160A
式中，
Figure 201379DEST_PATH_IMAGE056
，
Figure 247833DEST_PATH_IMAGE036
和
Figure 764265DEST_PATH_IMAGE028
是控制物理链路和物理节点均衡利用的权重l；
Figure 588870DEST_PATH_IMAGE030
→0避免目标函数出现除数为0的情况而设置的趋于0的常量；
Figure 925174DEST_PATH_IMAGE032
是映射到物理节点
Figure 244159DEST_PATH_IMAGE024
的唯一节点，当物理节点没有被任何虚拟节点映射，此时
Figure 615098DEST_PATH_IMAGE034
取0；
Figure 626916DEST_PATH_IMAGE040
表示第
Figure 201248DEST_PATH_IMAGE042
条虚拟链路
Figure 323925DEST_PATH_IMAGE044
流经物理链路(
Figure 814949DEST_PATH_IMAGE046
,
Figure 732090DEST_PATH_IMAGE048
)的流量。
实施例八：
本实施例提出一种虚拟网络映射算法的优化设备，该设备包括处理器，以及存储有计算机程序指令的存储器；所述处理器读取并执行计算机程序指令时实现实施例一至六中的运动目标跟踪方法。
实施例九：
本实施例提供一种计算机存储介质，计算机存储介质上存储有计算机程序指令，计算机程序指令被处理器执行时实现实施例一至六中的运动目标跟踪的方法。
实施例十：
在实施例一的基础之上，实施例的实施过程如下：
将物理网络完成第j个虚拟网络
Figure 42985DEST_PATH_IMAGE118
的映射后取得的收益，定义为第j个虚拟网络的所有虚拟节点CPU容量和虚拟链路带宽的累加和：
Figure 218621DEST_PATH_IMAGE126
将第j个虚拟网络
Figure 298572DEST_PATH_IMAGE118
的映射代价定义为分配给该虚拟网络的物理网络资源（CPU和带宽）之和：
Figure 652193DEST_PATH_IMAGE128
,其中
Figure 184805DEST_PATH_IMAGE130
表示虚拟链路
Figure 914864DEST_PATH_IMAGE044
所映射的物理路径长度。
在线虚拟网络映射问题经常以最大化物理网络供应商的长期收益为主要优化目标。对于动态到达的虚拟网络
Figure 600054DEST_PATH_IMAGE118
请求，要尽量获取其映射收益并尽量减少映射代价。为达到最大化物理网络供应商的长期收益目标，在进行第J个虚拟网络映射时，要综合考虑物理网络资源的绝对消耗量和均衡利用。因为第j个虚拟网络在发出请求时其网络结构已经确定，其映射的收益也就确定了，所以具体的优化目标是最小化以下均衡代价：
Figure 124577DEST_PATH_IMAGE152
其中，
Figure 410065DEST_PATH_IMAGE056
Figure 678235DEST_PATH_IMAGE036
和
Figure 732778DEST_PATH_IMAGE028
是控制物理链路和物理节点均衡利用的权重l;
Figure 411890DEST_PATH_IMAGE030
→0是为了避免目标函数出现除数为0的情况而设置的趋于0的常量；
Figure 184674DEST_PATH_IMAGE032
是映射到物理节点
Figure 990956DEST_PATH_IMAGE024
的唯一节点，如果物理节点没有被任何虚拟节点映射，
Figure 900006DEST_PATH_IMAGE034
取0；
Figure 31911DEST_PATH_IMAGE040
表示第
Figure 511565DEST_PATH_IMAGE042
条虚拟链路
Figure 387117DEST_PATH_IMAGE044
流经物理链路(
Figure 885094DEST_PATH_IMAGE046
,
Figure 187899DEST_PATH_IMAGE048
)的流量。
算法具体流程：
输入：第j个虚拟网络
Figure 404117DEST_PATH_IMAGE118
，物理网络的剩余网络
Figure 72908DEST_PATH_IMAGE154
,种群大小M，遗传代数T，交叉概率PM，变异概率PC，和声记忆库大小为
Figure 956550DEST_PATH_IMAGE090
, 记忆库取值概率HMRS, 音调微调概率PAR, 微调步长bw, 迭代次数NI。
输出：第j个虚拟网络的映射方案。
算法设计：
（1）对染色体（问题的解）进行编码并生成初始种群
设
Figure 164678DEST_PATH_IMAGE002
,其中k=|
Figure 133771DEST_PATH_IMAGE004
|,表示第j个虚拟网络中需要映射虚拟节点个数，用长度为k的串表示问题的解（染色体），串中第i个元素（第i个虚拟节点）的取值来自集合
Figure 85546DEST_PATH_IMAGE006
,
Figure 574428DEST_PATH_IMAGE008
表示虚拟节点
Figure 219036DEST_PATH_IMAGE010
可以映射的所有物理节点。假设物理网络不支持路径分隔也不支持重复映射，则各元素取值不能相同。
通过随机方法和启发式算法生成初始种群：
初始种群为虚拟节点集
Figure DEST_PATH_IMAGE162
,其中
Figure 206583DEST_PATH_IMAGE016
表示种群中第j个虚拟网络映射的均衡代价。
（2）适应函数
在一般在线虚拟网络映射问题中，采用启发式算法或多商品流算法完成虚拟链路映射后，即可计算映射代价。对于路径不可分割情况采用启发式算法，对于路径可分割情况采用多商品流算法完成虚拟网的初步构建（虚拟链路映射），计算染色体的适应度值
Figure 211317DEST_PATH_IMAGE068
。计算完成后取消链路映射，使用本发明提到的遗传和声搜索算法GASH-VM进行新的节点映射。
记映射代价为：
Figure DEST_PATH_IMAGE020AAA
记
Figure 397448DEST_PATH_IMAGE060
为当前种群中所有个体对应的映射方案的最大均衡代价。
Figure DEST_PATH_IMAGE164
。
则染色体的适应度值为
Figure 229269DEST_PATH_IMAGE066
（3）对种群进行更新，进行选择、交叉、变异运算
选择运算：
采用无回放余数随机选择（也叫期望值选择Excepted Value Selection）方式,可确保适应度比平均适应度大的一些个体能够被遗传到下一代群体中，具有较小的选择误差。根据每个个体在下一代群体中的生存期望来进行随机选择运算。种群大小M，个体适应度为
Figure 172954DEST_PATH_IMAGE068
。
①计算群体中每个个体在下一代群体中的期望生存数目
Figure DEST_PATH_IMAGE166
。
②若某一个体被选中参与交叉运算，则它在下一代中的生存期望数目减去0.5，若某一个体未被选中参与交叉运算，则它在下一代中的生存期望数目减去1.0。
③随着选择过程的进行，若某一个体的生存期望数目小于0时，则该个体就不再有机会被选中。
④取
Figure DEST_PATH_IMAGE168
的整数部分[
Figure 574854DEST_PATH_IMAGE168
]为对应个体在下一代群体中的生存数目，这样可确定出下一代群体的个体数为
Figure DEST_PATH_IMAGE170
，还未确定的个体数为
Figure DEST_PATH_IMAGE172
。
交叉运算：
在交叉环节为避免基因重组后可能出现编码重复的情况，采用部分匹配交叉法（Partially Matched Crossover , PMC）。
①随机选取两个串，作为父母串。如：X:[25,1,5,6,11,2,20,23](表示有8个虚拟节点，分别映射到第25，1,5,6,11,2,20,23号物理节点上),Y:[3,36,2,7,12,35,4,13]。
②指定两个交配点，两点之间的区域为匹配区域，区域长度小于父代向量长度。如区域长度为3，匹配区域用两个“|”进行划分。
X:[25,1,|5,6,11|,2,20,23], Y:[3,36,|2,7,12|,35,4,13]
③使用位置交叉运算交换两个父串的匹配区域将得到：X1:[25,1,| 2,7,12|,2,20,23], Y1:[3,36,| 5,6,11|,35,4,13]
④对位置交叉运算产生的两个父串匹配区域以外出现的重复序号（两个虚拟节点映射到了同一个物理节点）通过随机方法进行有效不重复映射。如X串中匹配区域以外的第6位数和匹配区域以内的第3位数出现了重复的2，表示虚拟网络的第3个和第6个虚拟节点都映射到了第2个物理节点，这种情况应该进行进一步修正，直到串中无重复数字。根据映射关系2-5,7-6,12-11，对第6个虚拟节点进行修改，得到X2:[25,1,| 2,7,12|,5,20,23],
变异运算：
在实际应用中发现，变异概率较小时群体稳定性好，但是容易陷入局部最优解陷阱，产生早熟现象提前收敛。变异概率较大时，可避免群体同化，使解空间保持多样性，从而跳出局部最优解，尽可能收敛到全局最优解。在迭代早期变异概率取值较大，以扩大搜索空间；迭代后期变异概率取值较小，以加快收敛速度。
设置变异概率以非线性方式动态变化（图5）：
Figure DEST_PATH_IMAGE174
。当t达到遗传代数T时，PC达到最小值0.07602。
将交叉运算得出的X，Y以一定的突变率交换第
Figure 677808DEST_PATH_IMAGE082
,
Figure 398640DEST_PATH_IMAGE084
位。如取
Figure 564042DEST_PATH_IMAGE082
=2,
Figure 395731DEST_PATH_IMAGE084
=6 。变异运算中应保持串中元素各不相同。
X:[25,1,2,7,12,5,20,23]：Y:[3,36, 5,6,11,35,4,13]。
变异运算后为X1:[25,5,2,7,12,1,20,23]：Y1:[3,35, 5,6,11,36,4,13]。
（4）从产生的新种群中选取
Figure 228558DEST_PATH_IMAGE090
个个体，作为初始和声记忆库的解向量。
Figure DEST_PATH_IMAGE176
，其中
Figure 933340DEST_PATH_IMAGE016
表示种群中第j个虚拟网络映射的均衡代价。
(5)基于HMRS、PAR、随机选择三个规则，得到新的和声解向量
Figure 320459DEST_PATH_IMAGE098
每次产生一个新解
Figure 221419DEST_PATH_IMAGE098
，其中新解分量
Figure 643173DEST_PATH_IMAGE100
可通过三种机理产生：
①保留和声记忆库中的某些解分量；保留和声记忆库中的某些解分量，以一定概率HMRS随机对和声记忆库的某些分量进行保留，即新产生的
Figure 214795DEST_PATH_IMAGE100
来源于记忆库中第i个解分量的集合
Figure 354789DEST_PATH_IMAGE102
的概率为HMRS。
②随机选择产生；产生的新解分量
Figure 528281DEST_PATH_IMAGE100
是从第i个解分量的可行解空间（即变量i的权值范围）中以1-HMRS的概率随机产生的。
③对①、②中的某些分量进行微调扰动。
对两种机理产生的解分量按概率PAR进行扰动，得到按机理（c）产生的新解分量。扰动原则为：
Figure DEST_PATH_IMAGE104AAA
其中，等式右边的
Figure 883170DEST_PATH_IMAGE100
是扰动前新解的第i个解分量；
Figure 382285DEST_PATH_IMAGE106
为微调步长；
Figure 9575DEST_PATH_IMAGE108
为0到1的随机数；等式左边的
Figure 501605DEST_PATH_IMAGE100
是扰动后新解的第i个解分量。
(6)更新记忆库。判断新解是否优于HM内的最差解，若是，则将新的解替换最差解，得到新的和声记忆库。
(7)重复以上（5）（6）步骤，直到达到最大的迭代次数或满足停止准则后结束循环，输出最优解，HMS<M。对HMS个个体进行虚拟节点映射。
(8)对于路径不可分割情况采用启发式算法，对于路径可分割情况采用多商品流算法完成虚拟网络的构建（虚拟链路映射），输出第j个虚拟网络映射方案。
遗传和声搜索算法的流程如图3所示。
以上的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路、适当的固件、插件、功能卡等等。当以软件方式实现时，本实施例的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、只读存储器(Read-Only Memory，ROM)、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(Radio Frequency，RF)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
综上所述，本发明提出了一种在线虚拟网络映射算法。与其他算法相比，遗传和声搜索算法能在减少虚拟网络映射代价的情况下，提高物理网络供应商的收益和虚拟网络请求的接受率。在遗传运算相关流程的变异概率以非线性方式动态变化，在迭代早期变异概率取值较大，以扩大搜索空间；迭代后期变异概率取值较小，以加快收敛速度。非线性方式动态变化的变异概率提高了算法的运行效率和解的质量。通过配合后续虚拟网络的构建即虚拟链路映射阶段（对于路径不可分割情况采用启发式算法，对于路径可分割情况采用多商品流算法），使得虚拟网络映射的目标尽量接近最优。GAHS-VM算法使虚拟节点映射和虚拟链路映射两个阶段相互协调，在减少映射代价的同时，提高了虚拟网络请求接受率和物理网络供应商的长期收益。在虚拟链路映射阶段同样采用多商品流算法或最短路径算法的情况下，与普通启发式算法（如遗传算法、模拟退火算法、禁忌搜索算法及神经网络算法等）相比，GASH-VM算法的虚拟网络请求接受率可提高10%左右，平均收益可提高20%左右，平均代价可降低8%左右。
还需要说明的是，本发明中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本发明不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。
如上所述，尽管参照特定的优选实施例已经表示和表述了本发明，但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下，可对其在形式上和细节上做出各种变化。

Claims (10)

1.一种虚拟网络映射算法的优化方法，其特征在于，所述方法包括：
对问题的解进行编码，并生成初始种群；
计算每个个体的适应度；
对种群进行更新，进行选择运算、交叉运算、变异运算；
从产生的新种群中选取预定个数的个体，作为初始和声记忆库的解向量；
基于预定规则，得到新的和声解向量；
更新记忆库；
重复执行得到新的和声解向量、以及更新记忆库的过程，直到达到最大的迭代次数或满足停止准则后结束循环，输出最优解。
2.根据权利要求1所述的一种虚拟网络映射算法的优化方法，其特征在于，对问题的解进行编码的过程进一步为：
定义
Figure DEST_PATH_IMAGE002
，其中k=|
Figure DEST_PATH_IMAGE004
|,表示第j个虚拟网络中需要映射虚拟节点个数，用长度为k的串表示问题的解，串中第i个元素的取值来自集合
Figure DEST_PATH_IMAGE006
,
Figure DEST_PATH_IMAGE008
表示虚拟节点
Figure DEST_PATH_IMAGE010
可以映射的所有物理节点，
Figure 885067DEST_PATH_IMAGE004
表示虚拟节点集合，
Figure DEST_PATH_IMAGE012
表示第j个虚拟网络中需要映射的第k个虚拟节点；
通过随机方法和启发式算法生成初始种群，所生成的初始种群为虚拟节点集：
Figure DEST_PATH_IMAGE014
其中，
Figure DEST_PATH_IMAGE016
，表示初始种群的第1组解；k表示第j个虚拟网络中需要映射虚拟节点个数，M表示种群大小，
Figure DEST_PATH_IMAGE018
表示初始种群的第M组解。
3.根据权利要求1所述的一种虚拟网络映射算法的优化方法，其特征在于，计算每个个体的适应度的过程进一步为：
在完成虚拟链路映射后计算映射代价：
Figure DEST_PATH_IMAGE020
式中，
Figure DEST_PATH_IMAGE022
表示第i条染色体的映射代价，
Figure DEST_PATH_IMAGE024
表示物理节点，
Figure DEST_PATH_IMAGE026
表示物理节点集合，
Figure DEST_PATH_IMAGE028
表示控制物理节点均衡利用的权重，
Figure DEST_PATH_IMAGE030
是为了避免目标函数出现除数为0的情况而设置的趋于0的常量，
Figure DEST_PATH_IMAGE032
是映射到物理节点
Figure 431236DEST_PATH_IMAGE024
的唯一节点，
Figure DEST_PATH_IMAGE034
取值为0，
Figure DEST_PATH_IMAGE036
表示控制物理链路均衡利用的权重，
Figure DEST_PATH_IMAGE038
表示第j个虚拟网络的虚拟链路集合，
Figure DEST_PATH_IMAGE040
表示第
Figure DEST_PATH_IMAGE042
条虚拟链路
Figure DEST_PATH_IMAGE044
流经物理链路(
Figure DEST_PATH_IMAGE046
,
Figure DEST_PATH_IMAGE048
)的流量，
Figure DEST_PATH_IMAGE050
表示任意物理节点在接受第j条虚拟网络中虚拟节点映射后的剩余CPU容量，
Figure DEST_PATH_IMAGE052
表示任意物理链路在接受第j条虚拟网络中虚拟链路映射后的剩余带宽，
Figure DEST_PATH_IMAGE054
表示物理链路集合；
其中，
Figure DEST_PATH_IMAGE056
；
计算当前种群中所有个体对应的映射方案的最大均衡代价：
Figure DEST_PATH_IMAGE058
式中，
Figure DEST_PATH_IMAGE060
表示当前种群中所有个体的最大均衡代价，
Figure DEST_PATH_IMAGE062
表示第j条染色体的映射代价，
Figure DEST_PATH_IMAGE064
表示当前种群中所有个体的最大均衡代价，其余各符号含义同上；
对应问题第i条染色体的适应度值为
Figure DEST_PATH_IMAGE066
，式中各符号含义同上。
4.根据权利要求1所述的一种虚拟网络映射算法的优化方法，其特征在于，在对种群进行更新，进行选择运算、交叉运算、变异运算的过程中，所述选择运算进一步为：
根据每个个体在下一代群体中的生存期望进行随机选择运算，种群大小M，个体适应度值为
Figure DEST_PATH_IMAGE068
；计算群体中每个个体在下一代群体中的期望生存数目
Figure DEST_PATH_IMAGE070
；
式中，
Figure DEST_PATH_IMAGE072
表示每个个体在下一代群体中的期望生存数目，M表示种群大小，
Figure 920293DEST_PATH_IMAGE068
表示第i个个体的适应度值，其余各符号含义同上；
判断当前个体是否被选中参与交叉运算，当前个体被选中参与交叉运算，则它在下一代中的生存期望数目减去预定值a；当前个体未被选中参与交叉运算，则它在下一代中的生存期望数目减去预定值b；
当前个体的生存期望数目小于预定值c时，则该个体不被选中；
取
Figure 784344DEST_PATH_IMAGE072
的整数部分[
Figure 67558DEST_PATH_IMAGE072
]为对应个体在下一代群体中的生存数目，确定出下一代群体的个体数为
Figure DEST_PATH_IMAGE074
，未确定的个体数为
Figure DEST_PATH_IMAGE076
，式中各符号含义同上。
5.根据权利要求1所述的一种虚拟网络映射算法的优化方法，其特征在于，在对种群进行更新，进行选择运算、交叉运算、变异运算的过程中，所述交叉运算进一步为：
随机选取两个串，作为父串X、母串Y；
指定两个交配点，两点之间的区域为匹配区域，区域长度小于父代向量长度；
使用位置交叉运算交换两个父串的匹配区域得到串X1、串Y1；
对位置交叉运算产生的两个父串匹配区域以外出现的重复序号通过随机方法进行有效不重复映射，直到串中无重复数字；
根据映射关系对预定位置的虚拟节点进行修改，得到串X2；
所述变异运算进一步为：
将交叉运算得出的X、Y以预定的突变率交换第
Figure DEST_PATH_IMAGE078
,
Figure DEST_PATH_IMAGE080
位，且变异运算中保持串中元素各不相同，得到变异运算后的串
Figure DEST_PATH_IMAGE082
、
Figure DEST_PATH_IMAGE084
；
从产生的新种群中选取预定个数的个体，作为初始和声记忆库的解向量的过程进一步为：从产生的新种群中选取
Figure DEST_PATH_IMAGE086
个个体，作为初始和声记忆库的解向量：
Figure DEST_PATH_IMAGE088
其中
Figure 450872DEST_PATH_IMAGE016
，表示初始和声记忆库解向量的第1组解，
Figure DEST_PATH_IMAGE090
表示初始和声记忆库解向量第HMS组解的第k个变量，
Figure DEST_PATH_IMAGE092
表示初始和声记忆库解向量的第HMS组解。
6.根据权利要求1所述的一种虚拟网络映射算法的优化方法，其特征在于，基于预定规则，得到新的和声解向量的过程进一步为：
基于HMRS、PAR、随机选择三个规则，得到新的和声解向量
Figure DEST_PATH_IMAGE094
；
每次产生一个新解
Figure 45802DEST_PATH_IMAGE094
，其中新解分量
Figure DEST_PATH_IMAGE096
通过如下三种机理产生：
机理a、保留和声记忆库中的某些解分量：保留和声记忆库中的某些解分量，以预定概率HMRS随机对和声记忆库的某些分量进行保留，即新产生的
Figure 166073DEST_PATH_IMAGE096
来源于记忆库中第i个解分量的集合
Figure DEST_PATH_IMAGE098
的概率为HMRS；
机理b、随机选择产生：产生的新解分量
Figure 507056DEST_PATH_IMAGE096
是从第i个解分量的可行解空间中以1-HMRS的概率随机产生的；
机理c、对机理a、机理b中产生的解分量按概率PAR进行扰动，得到按机理c产生的新解分量；扰动原则为：
Figure DEST_PATH_IMAGE100
其中，等式右边的
Figure 162071DEST_PATH_IMAGE096
是扰动前新解的第i个解分量；
Figure DEST_PATH_IMAGE102
为微调步长；
Figure DEST_PATH_IMAGE104
为0到1的随机数；
更新记忆库的过程进一步包括：判断新解是否优于HM内的最差解，若是，则将新的解替换最差解，得到新的和声记忆库；
重复执行得到新的和声解向量、以及更新记忆库的过程，直到达到最大的迭代次数或满足停止准则后结束循环，输出HMS个最优解，HMS<M；对HMS个个体进行虚拟节点映射；
对于路径不可分割情况采用启发式算法，对于路径可分割情况采用多商品流算法完成虚拟网络的构建，输出第j个虚拟网络映射方案。
7.根据权利要求1所述的一种虚拟网络映射算法的优化方法，其特征在于，在对问题的解进行编码前，还包括如下前序步骤：
将物理网络表示为无向图
Figure DEST_PATH_IMAGE106
，其中
Figure 978718DEST_PATH_IMAGE026
和
Figure 699418DEST_PATH_IMAGE054
分别表示物理节点集合和物理链路集合；第i个物理节点的CPU容量记为
Figure DEST_PATH_IMAGE108
，第i个物理节点的位置属性记为
Figure DEST_PATH_IMAGE110
；第j条物理链路的带宽记为
Figure DEST_PATH_IMAGE112
；将第j条虚拟网络表示为无向图
Figure DEST_PATH_IMAGE114
，其中
Figure 753962DEST_PATH_IMAGE004
和
Figure 901915DEST_PATH_IMAGE038
分别表示第j个虚拟网络的虚拟节点集合和虚拟链路集合；第j个虚拟网络的第i条虚拟节点的CPU容量记为
Figure DEST_PATH_IMAGE116
，第j个虚拟网络的第i条虚拟节点的位置属性记为
Figure DEST_PATH_IMAGE118
；第j个虚拟网络的第i条虚拟链路的带宽记为
Figure DEST_PATH_IMAGE120
；
将物理网络完成第j个虚拟网络
Figure 471437DEST_PATH_IMAGE114
的映射后取得的收益，定义为第j个虚拟网络的所有虚拟节点CPU容量和虚拟链路带宽的累加和：
Figure DEST_PATH_IMAGE122
；
将第j个虚拟网络
Figure 667932DEST_PATH_IMAGE114
的映射代价定义为分配给该虚拟网络的物理网络资源之和：
Figure DEST_PATH_IMAGE124
,其中
Figure DEST_PATH_IMAGE126
表示虚拟链路
Figure 436036DEST_PATH_IMAGE044
所映射的物理路径长度。
8.一种虚拟网络映射算法的优化装置，其特征是，所述装置包括：
用于对问题的解进行编码，并生成初始种群的解码模块；
用于计算每个个体的适应度计算模块；
用于对种群进行更新，进行选择运算、交叉运算、变异运算的种群运算模块；
用于从产生的新种群中选取预定个数的个体，作为初始和声记忆库的解向量的种群选取模块；
基于预定规则，得到新的和声解向量的新解模块；
用于更新记忆库的更新模块。
9.一种虚拟网络映射算法的优化设备，其特征在于，所述设备包括：
处理器以及存储有计算机程序指令的存储器；
所述处理器读取并执行所述计算机程序指令，以实现如权利要求1-7任意一项所述的虚拟网络映射算法的优化方法。
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上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如权利要求1-7任意一项所述的虚拟网络映射算法的优化方法。
CN202011543817.5A 2020-12-23 2020-12-23 一种虚拟网络映射算法的优化方法、设备及存储介质 Active CN112272120B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011543817.5A CN112272120B (zh) 2020-12-23 2020-12-23 一种虚拟网络映射算法的优化方法、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011543817.5A CN112272120B (zh) 2020-12-23 2020-12-23 一种虚拟网络映射算法的优化方法、设备及存储介质

Publications (2)

Publication Number Publication Date
CN112272120A true CN112272120A (zh) 2021-01-26
CN112272120B CN112272120B (zh) 2021-05-11

Family

ID=74350197

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011543817.5A Active CN112272120B (zh) 2020-12-23 2020-12-23 一种虚拟网络映射算法的优化方法、设备及存储介质

Country Status (1)

Country Link
CN (1) CN112272120B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113128761A (zh) * 2021-04-19 2021-07-16 天津大学 一种基于遗传算法的弹性供应链网络优化方法
CN113723043A (zh) * 2021-09-02 2021-11-30 中南大学 一种门级电路图划分方法
CN115277044A (zh) * 2022-05-17 2022-11-01 南京赛宁信息技术有限公司 OpenStack加密链路节点分层方法与系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102364899A (zh) * 2011-11-16 2012-02-29 北京邮电大学 一种基于粒子群优化的虚拟网络映射方法及系统
CN103853618A (zh) * 2014-03-06 2014-06-11 南京理工大学 基于截止日期驱动的云系统代价最小化资源分配方法
CN110633386A (zh) * 2019-09-27 2019-12-31 哈尔滨理工大学 一种基于遗传和声混合搜索的模型相似性计算方法
CN111327050A (zh) * 2020-03-06 2020-06-23 西安建筑科技大学 基于混合策略的二进制差分进化算法的含分布式电源的配电网重构方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102364899A (zh) * 2011-11-16 2012-02-29 北京邮电大学 一种基于粒子群优化的虚拟网络映射方法及系统
CN103853618A (zh) * 2014-03-06 2014-06-11 南京理工大学 基于截止日期驱动的云系统代价最小化资源分配方法
CN110633386A (zh) * 2019-09-27 2019-12-31 哈尔滨理工大学 一种基于遗传和声混合搜索的模型相似性计算方法
CN111327050A (zh) * 2020-03-06 2020-06-23 西安建筑科技大学 基于混合策略的二进制差分进化算法的含分布式电源的配电网重构方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
YUN BAO等: "A Hybrid based GA And HS Algorithms in Blocking Flow Shop Scheduling Problems", 《2011 SECOND INTERNATIONAL CONFERENCE ON MECHANIC AUTOMATION AND CONTROL ENGINEERING》 *
乔玲玲: "基于修改遗传算法的图像边缘特征提取", 《计算机与数学工程》 *
邢池强: "服务承载网可生存性技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113128761A (zh) * 2021-04-19 2021-07-16 天津大学 一种基于遗传算法的弹性供应链网络优化方法
CN113128761B (zh) * 2021-04-19 2022-09-16 天津大学 一种基于遗传算法的弹性供应链网络优化方法
CN113723043A (zh) * 2021-09-02 2021-11-30 中南大学 一种门级电路图划分方法
CN113723043B (zh) * 2021-09-02 2023-09-15 中南大学 一种门级电路图划分方法
CN115277044A (zh) * 2022-05-17 2022-11-01 南京赛宁信息技术有限公司 OpenStack加密链路节点分层方法与系统
CN115277044B (zh) * 2022-05-17 2023-06-09 南京赛宁信息技术有限公司 OpenStack加密链路节点分层方法与系统

Also Published As

Publication number Publication date
CN112272120B (zh) 2021-05-11

Similar Documents

Publication Publication Date Title
CN112272120B (zh) 一种虚拟网络映射算法的优化方法、设备及存储介质
CN110134493B (zh) 一种基于资源碎片避免的服务功能链部署算法
CN110365514B (zh) 基于强化学习的sdn多级虚拟网络映射方法和装置
Chitra et al. A nondominated sorting genetic algorithm solution for shortest path routing problem in computer networks
CN114697229A (zh) 一种分布式路由规划模型的构建方法及应用
CN111191343A (zh) 一种基于随机排序学习的多模多目标差分演化算法
CN113285832B (zh) 基于nsga-ii的电力多模态网络资源优化分配方法
CN109067920A (zh) 一种用于服务器内容更新的负载均衡及路由方法
CN114710439B (zh) 基于深度强化学习的网络能耗与吞吐量联合优化路由方法
CN112036651A (zh) 基于量子免疫优化bp神经网络算法的电价预测方法
Yin et al. An exact schema theorem for adaptive genetic algorithm and its application to machine cell formation
CN111832817A (zh) 基于mcp罚函数的小世界回声状态网络时间序列预测方法
CN111885493A (zh) 一种基于改进布谷鸟搜索算法的微云部署方法
Chitra et al. A nondominated sorting genetic algorithm for shortest path routing problem
CN114401211B (zh) 一种工业无线网络设备接入IPv6网络的测试系统及测试方法
CN114118000A (zh) 一种基于深度智慧型遗传优化算法的pcb合拼下料方法
CN112183843B (zh) 一种基于混合智能算法的火电厂负荷优化分配方法
CN114839940A (zh) 基于平衡指标自适应进化的跨域协同车间动态调度方法
Zhuo et al. A novel multi-objective optimization algorithm based on discrete PSO for QoS multicast routing in wireless mesh networks
Suganthan et al. Adaptation methods in differential evolution: A review
Sayoud et al. A genetic local tuning algorithm for a class of combinatorial networks design problems
CN114510876B (zh) 基于共生搜索生物地理学优化的多平台武器目标分配方法
CN114006817B (zh) 一种面向sdn的vgdt构建方法、装置及可读存储介质
CN115208818B (zh) 一种基于遗传算法的QoS选路方法
CN109862574B (zh) 一种面向无线回传问题的动态协同拓扑规划方法及系统

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