CN112272120B - 一种虚拟网络映射算法的优化方法、设备及存储介质 - Google Patents

一种虚拟网络映射算法的优化方法、设备及存储介质 Download PDF

Info

Publication number
CN112272120B
CN112272120B CN202011543817.5A CN202011543817A CN112272120B CN 112272120 B CN112272120 B CN 112272120B CN 202011543817 A CN202011543817 A CN 202011543817A CN 112272120 B CN112272120 B CN 112272120B
Authority
CN
China
Prior art keywords
virtual
population
representing
virtual network
physical
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
CN202011543817.5A
Other languages
English (en)
Other versions
CN112272120A (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)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (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、设备及存储介质
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_IMAGE001
，其中k=|
Figure DEST_PATH_IMAGE002
|,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_IMAGE003
,
Figure DEST_PATH_IMAGE004
表示虚拟节点
Figure 100002_DEST_PATH_IMAGE005
可以映射的所有物理节点，
Figure 432430DEST_PATH_IMAGE002
表示虚拟节点集合，
Figure DEST_PATH_IMAGE006
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_IMAGE007
其中，
Figure DEST_PATH_IMAGE008
，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_IMAGE009
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 DEST_PATH_IMAGE010
式中，
Figure 100002_DEST_PATH_IMAGE011
表示第i条染色体的映射代价，
Figure DEST_PATH_IMAGE012
表示物理节点，
Figure 100002_DEST_PATH_IMAGE013
表示物理节点集合，
Figure DEST_PATH_IMAGE014
表示控制物理节点均衡利用的权重，
Figure 100002_DEST_PATH_IMAGE015
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_IMAGE016
是映射到物理节点
Figure 506828DEST_PATH_IMAGE012
的唯一节点，
Figure 100002_DEST_PATH_IMAGE017
取值为0，
Figure DEST_PATH_IMAGE018
表示控制物理链路均衡利用的权重，
Figure 100002_DEST_PATH_IMAGE019
表示第j个虚拟网络的虚拟链路集合，
Figure DEST_PATH_IMAGE020
表示第
Figure 100002_DEST_PATH_IMAGE021
条虚拟链路
Figure DEST_PATH_IMAGE022
流经物理链路(
Figure 100002_DEST_PATH_IMAGE023
,
Figure DEST_PATH_IMAGE024
)的流量，
Figure 100002_DEST_PATH_IMAGE025
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_IMAGE026
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_IMAGE027
表示物理链路集合；
其中，
Figure DEST_PATH_IMAGE028
；
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_IMAGE029
式中，
Figure DEST_PATH_IMAGE030
表示当前种群中所有个体的最大均衡代价，
Figure 100002_DEST_PATH_IMAGE031
表示第j条染色体的映射代价，
Figure DEST_PATH_IMAGE032
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_IMAGE033
，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 DEST_PATH_IMAGE034
；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_IMAGE035
；
式中，
Figure DEST_PATH_IMAGE036
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_IMAGE037
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 DEST_PATH_IMAGE038
的整数部分[
Figure 743291DEST_PATH_IMAGE038
]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_IMAGE039
，未确定的个体数为
Figure DEST_PATH_IMAGE040
，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_IMAGE041
,
Figure DEST_PATH_IMAGE042
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_IMAGE043
、
Figure DEST_PATH_IMAGE044
；
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_IMAGE045
个个体，作为初始和声记忆库的解向量：
Figure DEST_PATH_IMAGE046
其中
Figure 889233DEST_PATH_IMAGE008
，表示初始和声记忆库解向量的第1组解，
Figure 100002_DEST_PATH_IMAGE047
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_IMAGE048
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_IMAGE049
；
每次产生一个新解
Figure 578971DEST_PATH_IMAGE049
，其中新解分量
Figure DEST_PATH_IMAGE050
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 945974DEST_PATH_IMAGE050
来源于记忆库中第i个解分量的集合
Figure 100002_DEST_PATH_IMAGE051
的概率为HMRS；
机理b、随机选择产生：产生的新解分量
Figure 275324DEST_PATH_IMAGE050
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_IMAGE052
其中，等式右边的
Figure 287274DEST_PATH_IMAGE050
是扰动前新解的第i个解分量；
Figure 100002_DEST_PATH_IMAGE053
为微调步长；
Figure DEST_PATH_IMAGE054
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_IMAGE055
，其中
Figure 565940DEST_PATH_IMAGE013
和
Figure 90462DEST_PATH_IMAGE027
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_IMAGE056
，第i个物理节点的位置属性记为
Figure 100002_DEST_PATH_IMAGE057
；第j条物理链路的带宽记为
Figure DEST_PATH_IMAGE058
；将第j条虚拟网络表示为无向图
Figure 100002_DEST_PATH_IMAGE059
，其中
Figure 251316DEST_PATH_IMAGE002
和
Figure 253907DEST_PATH_IMAGE019
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_IMAGE060
，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_IMAGE061
；第j个虚拟网络的第i条虚拟链路的带宽记为
Figure DEST_PATH_IMAGE062
；
将物理网络完成第j个虚拟网络
Figure 384149DEST_PATH_IMAGE059
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_IMAGE063
；
将第j个虚拟网络
Figure 627043DEST_PATH_IMAGE059
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_IMAGE064
,其中
Figure 100002_DEST_PATH_IMAGE065
表示虚拟链路
Figure 196565DEST_PATH_IMAGE022
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_IMAGE066
映射到物理网络
Figure DEST_PATH_IMAGE067
上。其中
Figure 815896DEST_PATH_IMAGE013
表示物理节点集合，物理节点数为
Figure DEST_PATH_IMAGE068
；
Figure 256105DEST_PATH_IMAGE027
表示物理链路集合，物理链路数为
Figure DEST_PATH_IMAGE069
；
Figure DEST_PATH_IMAGE070
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_IMAGE071
表示物理链路属性，包括带宽、延迟、丢包率、长度等。
Figure DEST_PATH_IMAGE072
表示第j个虚拟网络，
Figure 480019DEST_PATH_IMAGE002
表示虚拟节点集合，
Figure 740099DEST_PATH_IMAGE019
表示虚拟链路集合，
Figure DEST_PATH_IMAGE073
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_IMAGE074
表示虚拟链路属性集合包括带宽、延迟、丢包率等，
Figure DEST_PATH_IMAGE075
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 428701DEST_PATH_IMAGE055
，其中
Figure 192257DEST_PATH_IMAGE013
和
Figure 495063DEST_PATH_IMAGE027
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 976860DEST_PATH_IMAGE056
，第i个物理节点的位置属性记为
Figure 124944DEST_PATH_IMAGE057
。第j条物理链路的带宽记为
Figure 759319DEST_PATH_IMAGE058
。将第j条虚拟网络表示为无向图
Figure 967446DEST_PATH_IMAGE059
，其中
Figure 936539DEST_PATH_IMAGE002
和
Figure 888315DEST_PATH_IMAGE019
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 626464DEST_PATH_IMAGE060
，第j个虚拟网络的第i条虚拟节点的位置属性记为
Figure 21804DEST_PATH_IMAGE061
。第j个虚拟网络的第i条虚拟链路的带宽记为
Figure 212614DEST_PATH_IMAGE062
。
将物理网络完成第j个虚拟网络
Figure 968081DEST_PATH_IMAGE059
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 560736DEST_PATH_IMAGE063
将第j个虚拟网络
Figure 110666DEST_PATH_IMAGE059
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 802154DEST_PATH_IMAGE064
,其中
Figure 361311DEST_PATH_IMAGE065
表示虚拟链路
Figure 808473DEST_PATH_IMAGE022
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 529304DEST_PATH_IMAGE059
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_IMAGE076
其中，
Figure 976597DEST_PATH_IMAGE028
Figure 808287DEST_PATH_IMAGE018
和
Figure 641114DEST_PATH_IMAGE014
是控制物理链路和物理节点均衡利用的权重l;
Figure 532847DEST_PATH_IMAGE015
→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 185545DEST_PATH_IMAGE016
是映射到物理节点
Figure 837237DEST_PATH_IMAGE012
的唯一节点，如果物理节点没有被任何虚拟节点映射，
Figure 993412DEST_PATH_IMAGE017
取0；
Figure 321625DEST_PATH_IMAGE020
表示第
Figure 461619DEST_PATH_IMAGE021
条虚拟链路
Figure 900691DEST_PATH_IMAGE022
流经物理链路(
Figure 193263DEST_PATH_IMAGE023
,
Figure 692378DEST_PATH_IMAGE024
)的流量。
算法具体流程如图3所示：
输入：第j个虚拟网络
Figure 54089DEST_PATH_IMAGE059
，物理网络的剩余网络
Figure DEST_PATH_IMAGE077
,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 562431DEST_PATH_IMAGE045
, 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 706580DEST_PATH_IMAGE007
其中，
Figure 376595DEST_PATH_IMAGE008
，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 225603DEST_PATH_IMAGE009
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 6477DEST_PATH_IMAGE001
，其中k=|
Figure 273641DEST_PATH_IMAGE002
|,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_IMAGE078
，
Figure 645717DEST_PATH_IMAGE003
表示虚拟节点
Figure 247599DEST_PATH_IMAGE005
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 566585DEST_PATH_IMAGE010
式中，
Figure 688256DEST_PATH_IMAGE011
表示第i条染色体的映射代价，
Figure 434495DEST_PATH_IMAGE012
表示物理节点，
Figure 258095DEST_PATH_IMAGE013
表示物理节点集合，
Figure 646351DEST_PATH_IMAGE014
表示控制物理节点均衡利用的权重，
Figure 606217DEST_PATH_IMAGE015
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 539669DEST_PATH_IMAGE016
是映射到物理节点
Figure 850564DEST_PATH_IMAGE012
的唯一节点，
Figure 776932DEST_PATH_IMAGE017
取值为0，
Figure 591304DEST_PATH_IMAGE018
表示控制物理链路均衡利用的权重，
Figure 210504DEST_PATH_IMAGE019
表示第j个虚拟网络的虚拟链路集合，
Figure 756499DEST_PATH_IMAGE020
表示第
Figure 220978DEST_PATH_IMAGE021
条虚拟链路
Figure 155436DEST_PATH_IMAGE022
流经物理链路(
Figure 945538DEST_PATH_IMAGE023
,
Figure 965446DEST_PATH_IMAGE024
)的流量，
Figure 984349DEST_PATH_IMAGE025
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 773313DEST_PATH_IMAGE026
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 734316DEST_PATH_IMAGE027
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 241521DEST_PATH_IMAGE029
式中，
Figure 47803DEST_PATH_IMAGE030
表示当前种群中所有个体的最大均衡代价，
Figure 973165DEST_PATH_IMAGE031
表示第j条染色体的映射代价，
Figure 573910DEST_PATH_IMAGE032
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 833990DEST_PATH_IMAGE033
，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 443963DEST_PATH_IMAGE034
；计算群体中每个个体在下一代群体中的期望生存数目
Figure 207520DEST_PATH_IMAGE035
；
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 995479DEST_PATH_IMAGE038
的整数部分[
Figure 742855DEST_PATH_IMAGE038
]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 890939DEST_PATH_IMAGE039
，未确定的个体数为
Figure 774582DEST_PATH_IMAGE040
。
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 982709DEST_PATH_IMAGE041
,
Figure 723042DEST_PATH_IMAGE042
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 674818DEST_PATH_IMAGE043
、
Figure 412967DEST_PATH_IMAGE044
；
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 791995DEST_PATH_IMAGE045
个个体，作为初始和声记忆库的解向量：
Figure 982805DEST_PATH_IMAGE046
其中
Figure 489004DEST_PATH_IMAGE008
，表示初始和声记忆库解向量的第1组解，
Figure 81659DEST_PATH_IMAGE047
表示初始和声记忆库解向量第HMS组解的第k个变量，
Figure 897169DEST_PATH_IMAGE048
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 840854DEST_PATH_IMAGE049
；
每次产生一个新解
Figure 868853DEST_PATH_IMAGE049
，其中新解分量
Figure 332326DEST_PATH_IMAGE050
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 318737DEST_PATH_IMAGE050
来源于记忆库中第i个解分量的集合
Figure 484139DEST_PATH_IMAGE051
的概率为HMRS；
机理b、随机选择产生：产生的新解分量
Figure 581408DEST_PATH_IMAGE050
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 883076DEST_PATH_IMAGE052
其中，等式右边的
Figure 791121DEST_PATH_IMAGE050
是扰动前新解的第i个解分量；
Figure 709398DEST_PATH_IMAGE053
为微调步长；
Figure 79200DEST_PATH_IMAGE054
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_IMAGE079
式中，
Figure 311073DEST_PATH_IMAGE028
，
Figure 373707DEST_PATH_IMAGE018
和
Figure 513701DEST_PATH_IMAGE014
是控制物理链路和物理节点均衡利用的权重l；
Figure 952773DEST_PATH_IMAGE015
→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 494613DEST_PATH_IMAGE016
是映射到物理节点
Figure 478881DEST_PATH_IMAGE012
的唯一节点，当物理节点没有被任何虚拟节点映射，此时
Figure 106171DEST_PATH_IMAGE017
取0；
Figure 83354DEST_PATH_IMAGE020
表示第
Figure 479701DEST_PATH_IMAGE021
条虚拟链路
Figure 149716DEST_PATH_IMAGE022
流经物理链路(
Figure 15035DEST_PATH_IMAGE023
,
Figure 530330DEST_PATH_IMAGE024
)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 46762DEST_PATH_IMAGE007
其中，
Figure 887679DEST_PATH_IMAGE008
，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 223983DEST_PATH_IMAGE001
，其中k=|
Figure 559280DEST_PATH_IMAGE002
|,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 664639DEST_PATH_IMAGE078
，
Figure 676458DEST_PATH_IMAGE003
表示虚拟节点
Figure 234478DEST_PATH_IMAGE005
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 622734DEST_PATH_IMAGE010
式中，
Figure 595982DEST_PATH_IMAGE011
表示第i条染色体的映射代价，
Figure 513122DEST_PATH_IMAGE012
表示物理节点，
Figure 89597DEST_PATH_IMAGE013
表示物理节点集合，
Figure 15965DEST_PATH_IMAGE014
表示控制物理节点均衡利用的权重，
Figure 830337DEST_PATH_IMAGE015
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 200270DEST_PATH_IMAGE016
是映射到物理节点
Figure 732882DEST_PATH_IMAGE012
的唯一节点，
Figure 197361DEST_PATH_IMAGE017
取值为0，
Figure 397399DEST_PATH_IMAGE018
表示控制物理链路均衡利用的权重，
Figure 921921DEST_PATH_IMAGE019
表示第j个虚拟网络的虚拟链路集合，
Figure 692562DEST_PATH_IMAGE020
表示第
Figure 960732DEST_PATH_IMAGE021
条虚拟链路
Figure 15276DEST_PATH_IMAGE022
流经物理链路(
Figure 710699DEST_PATH_IMAGE023
,
Figure 217904DEST_PATH_IMAGE024
)的流量，
Figure 40498DEST_PATH_IMAGE025
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 949548DEST_PATH_IMAGE026
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 815873DEST_PATH_IMAGE027
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 810374DEST_PATH_IMAGE029
式中，
Figure 420346DEST_PATH_IMAGE030
表示当前种群中所有个体的最大均衡代价，
Figure 197285DEST_PATH_IMAGE031
表示第j条染色体的映射代价，
Figure 234511DEST_PATH_IMAGE032
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 716308DEST_PATH_IMAGE033
，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 129972DEST_PATH_IMAGE034
；计算群体中每个个体在下一代群体中的期望生存数目
Figure 748035DEST_PATH_IMAGE035
；
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 706895DEST_PATH_IMAGE038
的整数部分[
Figure 410409DEST_PATH_IMAGE038
]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 627764DEST_PATH_IMAGE039
，未确定的个体数为
Figure 365912DEST_PATH_IMAGE040
。
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 744941DEST_PATH_IMAGE041
,
Figure 952063DEST_PATH_IMAGE042
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 441950DEST_PATH_IMAGE043
、
Figure 300184DEST_PATH_IMAGE044
所述种群选取模块进一步从产生的新种群中选取
Figure 115694DEST_PATH_IMAGE045
个个体，作为初始和声记忆库的解向量：
Figure 528220DEST_PATH_IMAGE046
其中
Figure 838110DEST_PATH_IMAGE008
，表示初始和声记忆库解向量的第1组解，
Figure 550851DEST_PATH_IMAGE047
表示初始和声记忆库解向量第HMS组解的第k个变量，
Figure 271683DEST_PATH_IMAGE048
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 702664DEST_PATH_IMAGE049
；
每次产生一个新解
Figure 534354DEST_PATH_IMAGE049
，其中新解分量
Figure 849404DEST_PATH_IMAGE050
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 6716DEST_PATH_IMAGE050
来源于记忆库中第i个解分量的集合
Figure 393835DEST_PATH_IMAGE051
的概率为HMRS；
机理b、随机选择产生：产生的新解分量
Figure 294795DEST_PATH_IMAGE050
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 732861DEST_PATH_IMAGE052
其中，等式右边的
Figure 795494DEST_PATH_IMAGE050
是扰动前新解的第i个解分量；
Figure 935489DEST_PATH_IMAGE053
为微调步长；
Figure 374560DEST_PATH_IMAGE054
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 916400DEST_PATH_IMAGE079
式中，
Figure 900668DEST_PATH_IMAGE028
，
Figure 527958DEST_PATH_IMAGE018
和
Figure 505141DEST_PATH_IMAGE014
是控制物理链路和物理节点均衡利用的权重l；
Figure 167067DEST_PATH_IMAGE015
→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 837083DEST_PATH_IMAGE016
是映射到物理节点
Figure 171243DEST_PATH_IMAGE012
的唯一节点，当物理节点没有被任何虚拟节点映射，此时
Figure 217697DEST_PATH_IMAGE017
取0；
Figure 468549DEST_PATH_IMAGE020
表示第
Figure 309466DEST_PATH_IMAGE021
条虚拟链路
Figure 645770DEST_PATH_IMAGE022
流经物理链路(
Figure 712559DEST_PATH_IMAGE023
,
Figure 83497DEST_PATH_IMAGE024
)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 95315DEST_PATH_IMAGE059
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 918915DEST_PATH_IMAGE063
将第j个虚拟网络
Figure 41592DEST_PATH_IMAGE059
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 283348DEST_PATH_IMAGE064
,其中
Figure 200489DEST_PATH_IMAGE065
表示虚拟链路
Figure 511384DEST_PATH_IMAGE022
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 437752DEST_PATH_IMAGE059
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 517703DEST_PATH_IMAGE076
其中，
Figure 622057DEST_PATH_IMAGE028
Figure 420249DEST_PATH_IMAGE018
和
Figure 884728DEST_PATH_IMAGE014
是控制物理链路和物理节点均衡利用的权重l;
Figure 84765DEST_PATH_IMAGE015
→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 343708DEST_PATH_IMAGE016
是映射到物理节点
Figure 379928DEST_PATH_IMAGE012
的唯一节点，如果物理节点没有被任何虚拟节点映射，
Figure 913678DEST_PATH_IMAGE017
取0；
Figure 702642DEST_PATH_IMAGE020
表示第
Figure 398066DEST_PATH_IMAGE021
条虚拟链路
Figure 918653DEST_PATH_IMAGE022
流经物理链路(
Figure 990514DEST_PATH_IMAGE023
,
Figure 633985DEST_PATH_IMAGE024
)的流量。
算法具体流程：
输入：第j个虚拟网络
Figure 500310DEST_PATH_IMAGE059
，物理网络的剩余网络
Figure 494810DEST_PATH_IMAGE077
,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 121095DEST_PATH_IMAGE045
, 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 619072DEST_PATH_IMAGE001
,其中k=|
Figure 921878DEST_PATH_IMAGE002
|,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 403675DEST_PATH_IMAGE003
,
Figure 817338DEST_PATH_IMAGE004
表示虚拟节点
Figure 186134DEST_PATH_IMAGE005
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_IMAGE080
,其中
Figure 190999DEST_PATH_IMAGE008
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 160092DEST_PATH_IMAGE034
。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 111868DEST_PATH_IMAGE010
记
Figure 600749DEST_PATH_IMAGE030
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_IMAGE081
。
则染色体的适应度值为
Figure 776515DEST_PATH_IMAGE033
（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 232904DEST_PATH_IMAGE034
。
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_IMAGE082
。
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_IMAGE083
的整数部分[
Figure 532911DEST_PATH_IMAGE083
]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_IMAGE084
，还未确定的个体数为
Figure DEST_PATH_IMAGE085
。
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_IMAGE086
。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 735354DEST_PATH_IMAGE041
,
Figure 19704DEST_PATH_IMAGE042
位。如取
Figure 963390DEST_PATH_IMAGE041
=2,
Figure 273279DEST_PATH_IMAGE042
=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 720441DEST_PATH_IMAGE045
个个体，作为初始和声记忆库的解向量。
Figure DEST_PATH_IMAGE087
，其中
Figure 238010DEST_PATH_IMAGE008
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 137833DEST_PATH_IMAGE049
每次产生一个新解
Figure 985835DEST_PATH_IMAGE049
，其中新解分量
Figure 818661DEST_PATH_IMAGE050
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 710394DEST_PATH_IMAGE050
来源于记忆库中第i个解分量的集合
Figure 363092DEST_PATH_IMAGE051
的概率为HMRS。
②随机选择产生；产生的新解分量
Figure 847792DEST_PATH_IMAGE050
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 535126DEST_PATH_IMAGE052
其中，等式右边的
Figure 597760DEST_PATH_IMAGE050
是扰动前新解的第i个解分量；
Figure 737754DEST_PATH_IMAGE053
为微调步长；
Figure 911246DEST_PATH_IMAGE054
为0到1的随机数；等式左边的
Figure 203819DEST_PATH_IMAGE050
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 (4)

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：
定义
Figure DEST_PATH_IMAGE001
，其中k=|
Figure 149857DEST_PATH_IMAGE002
|，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_IMAGE003
，
Figure 572748DEST_PATH_IMAGE004
表示虚拟节点
Figure DEST_PATH_IMAGE005
可以映射的所有物理节点，
Figure 22184DEST_PATH_IMAGE002
表示虚拟节点集合，
Figure 988391DEST_PATH_IMAGE006
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
Figure DEST_PATH_IMAGE007
：
Figure DEST_PATH_IMAGE009
其中，
Figure 3620DEST_PATH_IMAGE010
，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_IMAGE011
表示初始种群的第M组解；
计算每个染色体的适应度：
在完成虚拟链路映射后计算映射代价：
Figure DEST_PATH_IMAGE013
式中，
Figure 659729DEST_PATH_IMAGE014
表示第
Figure DEST_PATH_IMAGE015
条染色体的映射代价，
Figure 330882DEST_PATH_IMAGE016
表示物理节点，
Figure DEST_PATH_IMAGE017
表示物理节点集合，
Figure 832271DEST_PATH_IMAGE018
表示控制物理节点均衡利用的权重，
Figure DEST_PATH_IMAGE019
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 639690DEST_PATH_IMAGE020
是映射到物理节点
Figure 342066DEST_PATH_IMAGE016
的唯一虚拟节点，
Figure DEST_PATH_IMAGE021
是虚拟节点的CPU容量，
Figure 521023DEST_PATH_IMAGE022
表示控制物理链路均衡利用的权重，
Figure DEST_PATH_IMAGE023
表示第j个虚拟网络的虚拟链路集合，
Figure 294944DEST_PATH_IMAGE024
表示第
Figure DEST_PATH_IMAGE025
条虚拟链路
Figure 550345DEST_PATH_IMAGE026
流经物理链路
Figure DEST_PATH_IMAGE027
的流量，
Figure 751519DEST_PATH_IMAGE028
表示物理节点
Figure 803789DEST_PATH_IMAGE016
在接受第j个虚拟网络中虚拟节点映射后的剩余CPU容量，
Figure DEST_PATH_IMAGE029
表示物理链路
Figure 115821DEST_PATH_IMAGE027
在接受第j个虚拟网络中虚拟链路映射后的剩余带宽，
Figure 694570DEST_PATH_IMAGE030
表示物理链路集合；
Figure DEST_PATH_IMAGE031
表示物理节点个数，
Figure 66646DEST_PATH_IMAGE032
表示物理链路个数；
计算当前种群中所有染色体对应的映射方案的最大均衡代价：
Figure 606211DEST_PATH_IMAGE034
式中，
Figure DEST_PATH_IMAGE035
表示当前种群中所有染色体的最大均衡代价，
Figure 990444DEST_PATH_IMAGE036
表示第
Figure DEST_PATH_IMAGE037
条染色体的映射代价，
Figure 626962DEST_PATH_IMAGE038
表示当前种群中所有染色体的最大均衡代价；
对应问题第
Figure 701097DEST_PATH_IMAGE015
条染色体的适应度值为
Figure DEST_PATH_IMAGE039
；
对种群进行更新，进行选择运算、交叉运算、变异运算；
所述选择运算进一步为：
根据每个染色体在下一代种群中的生存期望进行随机选择运算，种群大小M，染色体适应度值为
Figure 55855DEST_PATH_IMAGE040
；计算种群中每个染色体在下一代种群中的期望生存数目
Figure DEST_PATH_IMAGE041
；
式中，
Figure 975269DEST_PATH_IMAGE042
表示染色体
Figure 138397DEST_PATH_IMAGE015
在下一代种群中的期望生存数目，M表示种群大小，
Figure 55538DEST_PATH_IMAGE040
表示第
Figure 694330DEST_PATH_IMAGE015
个染色体的适应度值；
判断当前染色体是否被选中参与交叉运算，当前染色体被选中参与交叉运算，则它在下一代种群中的生存期望数目减去预定值a；当前染色体未被选中参与交叉运算，则它在下一代种群中的生存期望数目减去预定值b；
当前染色体的生存期望数目小于预定值c时，则该染色体不被选中；
取
Figure 558380DEST_PATH_IMAGE042
的整数部分[
Figure 700649DEST_PATH_IMAGE042
]为对应染色体在下一代种群中的生存数目，确定出下一代种群的染色体数为
Figure DEST_PATH_IMAGE043
，未确定的染色体数为
Figure 851007DEST_PATH_IMAGE044
；
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父串X、母串Y的匹配区域得到串X1、串Y1；
对位置交叉运算产生的父串X、母串Y匹配区域以外出现的重复数字通过随机方法进行有效不重复映射，直到串中无重复数字；
根据上述交叉运算对预定位置的虚拟节点进行修改，得到位置交叉运算去重后的串X2和串Y2；
所述变异运算进一步为：
将得出的X2、Y2以预定的突变率交换第
Figure DEST_PATH_IMAGE045
,
Figure 177428DEST_PATH_IMAGE046
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_IMAGE047
、
Figure 173066DEST_PATH_IMAGE048
；
从产生的新种群中选取预定个数的染色体，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_IMAGE049
个染色体，作为初始和声记忆库的解向量：
Figure DEST_PATH_IMAGE051
其中
Figure 373103DEST_PATH_IMAGE010
，表示初始和声记忆库解向量的第1组解，
Figure 225521DEST_PATH_IMAGE052
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_IMAGE053
表示初始和声记忆库解向量的第HMS组解；
从产生的新种群中选取预定个数的染色体，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，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 245430DEST_PATH_IMAGE054
，其中
Figure 248021DEST_PATH_IMAGE017
和
Figure 568144DEST_PATH_IMAGE030
分别表示物理节点集合和物理链路集合；第
Figure DEST_PATH_IMAGE055
个物理节点的CPU容量记为
Figure 60305DEST_PATH_IMAGE056
，第
Figure 629827DEST_PATH_IMAGE055
个物理节点的位置属性记为
Figure DEST_PATH_IMAGE057
；第
Figure 235776DEST_PATH_IMAGE058
条物理链路的带宽记为
Figure DEST_PATH_IMAGE059
；将第j个虚拟网络表示为无向图
Figure 941564DEST_PATH_IMAGE060
，其中
Figure 745572DEST_PATH_IMAGE002
和
Figure 67969DEST_PATH_IMAGE023
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个虚拟节点的CPU容量记为
Figure DEST_PATH_IMAGE061
，第j个虚拟网络的第i个虚拟节点的位置属性记为
Figure 209100DEST_PATH_IMAGE062
；第j个虚拟网络的第
Figure 441498DEST_PATH_IMAGE025
条虚拟链路的带宽记为
Figure DEST_PATH_IMAGE063
；
将物理网络完成第j个虚拟网络
Figure 337779DEST_PATH_IMAGE060
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 22838DEST_PATH_IMAGE064
；
将第j个虚拟网络
Figure 498819DEST_PATH_IMAGE060
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_IMAGE065
,其中
Figure 913620DEST_PATH_IMAGE066
表示虚拟链路
Figure 325009DEST_PATH_IMAGE026
所映射的物理链路长度。
3.一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1-2任意一项所述的虚拟网络映射算法的优化方法。
4.一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1-2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 CN112272120A (zh) 2021-01-26
CN112272120B true 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)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN113723043B (zh) * 2021-09-02 2023-09-15 中南大学 一种门级电路图划分方法
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

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
A Hybrid based GA And HS Algorithms in Blocking Flow Shop Scheduling Problems;Yun Bao等;《2011 Second International Conference on Mechanic Automation and Control Engineering》;20110717;全文 *
基于修改遗传算法的图像边缘特征提取;乔玲玲;《计算机与数学工程》;20160731;全文 *
服务承载网可生存性技术研究;邢池强;《中国优秀硕士学位论文全文数据库 信息科技辑》;20160715;第一-三章 *

Also Published As

Publication number Publication date
CN112272120A (zh) 2021-01-26

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
Jiang et al. Efficient network architecture search via multiobjective particle swarm optimization based on decomposition
CN110134493B (zh) 一种基于资源碎片避免的服务功能链部署算法
Chitra et al. A nondominated sorting genetic algorithm solution for shortest path routing problem in computer networks
Thanh et al. An effective representation scheme in multifactorial evolutionary algorithm for solving cluster shortest-path tree problem
CN114697229B (zh) 一种分布式路由规划模型的构建方法及应用
Yu et al. A new design of genetic algorithm for solving TSP
CN111191343A (zh) 一种基于随机排序学习的多模多目标差分演化算法
CN111885493B (zh) 一种基于改进布谷鸟搜索算法的微云部署方法
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
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
CN112036651A (zh) 基于量子免疫优化bp神经网络算法的电价预测方法
CN111340303A (zh) 基于新型混合蛙跳算法的旅行商路线规划方法
Yin et al. An exact schema theorem for adaptive genetic algorithm and its application to machine cell formation
CN110852435A (zh) 一种基于神经进化计算模型
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
CN115134288B (zh) 通信网络路由调度方法及系统
CN112183843B (zh) 一种基于混合智能算法的火电厂负荷优化分配方法
CN108200623A (zh) 一种基于遗传算法的集中式路径计算和节能方法
CN113141272A (zh) 基于迭代优化rbf神经网络的网络安全态势分析方法
Zhuo et al. A novel multi-objective optimization algorithm based on discrete PSO for QoS multicast routing in wireless mesh networks
Toathom et al. The Complete Subtour Order Crossover in Genetic Algorithms for Traveling Salesman Problem Solving
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

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