CN112367572A - 弹性光网络中基于纤芯可变的多目标rsca方法 - Google Patents

弹性光网络中基于纤芯可变的多目标rsca方法 Download PDF

Info

Publication number
CN112367572A
CN112367572A CN202011160474.4A CN202011160474A CN112367572A CN 112367572 A CN112367572 A CN 112367572A CN 202011160474 A CN202011160474 A CN 202011160474A CN 112367572 A CN112367572 A CN 112367572A
Authority
CN
China
Prior art keywords
gene
fiber core
value
individual
filial generation
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
CN202011160474.4A
Other languages
English (en)
Other versions
CN112367572B (zh
Inventor
徐展琦
王晓玉
续倩
李兴
朱宇豪
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.)
Xidian University
Original Assignee
Xidian 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 Xidian University filed Critical Xidian University
Priority to CN202011160474.4A priority Critical patent/CN112367572B/zh
Publication of CN112367572A publication Critical patent/CN112367572A/zh
Application granted granted Critical
Publication of CN112367572B publication Critical patent/CN112367572B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04Q—SELECTING
    • H04Q11/00—Selecting arrangements for multiplex systems
    • H04Q11/0001—Selecting arrangements for multiplex systems using optical switching
    • H04Q11/0062—Network aspects
    • 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
    • H04J—MULTIPLEX COMMUNICATION
    • H04J14/00—Optical multiplex systems
    • H04J14/02—Wavelength-division multiplex systems
    • H04J14/0227—Operation, administration, maintenance or provisioning [OAMP] of WDM networks, e.g. media access, routing or wavelength allocation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04Q—SELECTING
    • H04Q11/00—Selecting arrangements for multiplex systems
    • H04Q11/0001—Selecting arrangements for multiplex systems using optical switching
    • H04Q11/0062—Network aspects
    • H04Q2011/0073—Provisions for forwarding or routing, e.g. lookup tables
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04Q—SELECTING
    • H04Q11/00—Selecting arrangements for multiplex systems
    • H04Q11/0001—Selecting arrangements for multiplex systems using optical switching
    • H04Q11/0062—Network aspects
    • H04Q2011/0086—Network resource allocation, dimensioning or optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Physiology (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Genetics & Genomics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Signal Processing (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明公开了一种弹性光网络中基于纤芯可变的多目标RSCA方法，主要解决多芯光纤弹性光网络中路由、频谱和纤芯资源的组合优化问题。其具体实现步骤是：1)初始化网络资源和业务请求信息；2)为每个排序后的业务请求计算K条最短路径；3)设计路由和纤芯联合编码方案，采取均匀设计方法与启发式算法的混合机制初始化种群；4)采用自适应单点交叉、多层变异及修复操作，自适应地调整交叉与变异概率，产生新个体，并计算其适应度值以选择与更新外部种群；5)迭代前一步直至得到近似最优资源分配方案。本发明考虑纤芯可变和串扰感知，同时最小化业务阻塞率和网络串扰率，在不同链路上纤芯可变，更充分地利用网络资源以接纳更多业务请求。

Description

弹性光网络中基于纤芯可变的多目标RSCA方法
技术领域
本发明属于通信技术领域，涉及网络资源分配，具体为一种弹性光网络中基于纤芯可变的多目标路由、频谱和纤芯分配RSCA(Routing,Spectrum and Core Assignment)方法。可用于在资源受限的多纤芯弹性光网络中，针对静态业务请求完成路由、频谱和纤芯分配。
背景技术
传统波分复用WDM(Wavelength-Division Multiplexing)光网络采用固定的传输带宽和调制格式，在用户业务请求带宽小于单个波长带宽时，造成光纤链路的频谱利用效率低，并且不能根据业务请求带宽而动态提供承载服务，具有弹性适配和动态扩展能力的新型光网络架构，即弹性光网络EON(Elastic Optical Network)应运而生。由于，利用空间维度的多芯光纤弹性光网络MCF-EONs(Elastic Optical Networks with Multi-CoreFiber)能够大幅度提升网络容量，从而有效克服单模光纤SMF(Single-Mode Fiber)物理容量逼近其信道香农极限的问题，因此MCF-EONs自提出以来就受到学术界和产业界的广泛关注。
多芯光纤弹性光网络MCF-EONs中的资源优化分配问题是近几年的研究热点，且比弹性光网络EON中此类问题的求解更具挑战性。由于增加了纤芯这一维度，其对应的路由、频谱和纤芯分配RSCA(Routing,Spectrum and Core Assignment)问题更加复杂，更多的约束和求解参量导致其算法需要重新考虑和设计，而不能直接利用之前提出的用于解决路由和频谱分配RSA(Routing and Spectrum Assignment)问题的解决方案。纤芯分配RSCA问题中的路由选择、纤芯选择和频谱分配这三个子问题之间是相互影响的，不能分裂开来考虑；由于用户业务请求及其目标多种多样，网络运营商的优化目标也较多，且这些目标大多相互牵制，因此需要建立多目标优化模型，采用多目标优化算法加以求解。在求解许多复杂实际优化问题时，基于分解的多目标进化算法MOEA/D(Multiobjective EvolutionaryAlgorithms based on Decomposition)结合了分解方法和进化算法优势，展现出很好的性能，且相比于其他多目标进化算法，MOEA/D能够通过分解和并行机制降低问题求解和维持种群多样性的双重难度。
此外，由于一个光纤包层中存在多个纤芯，在相邻纤芯间的相同频隙FS(FreqencySlot)上分配业务请求时，就会产生一定的串扰，因此在求解RSCA问题时必须考虑纤芯间的串扰。不同链路上的纤芯自由切换(即纤芯交换)可以扩大路由选择空间，实现网络有限资源的进一步利用。因此，研究基于纤芯可变的路由、频谱和纤芯分配RSCA/CS(Routing,Spectrum and Core Assignment based on Core Switching)的资源分配问题及其求解算法对于提升多芯光纤弹性光网络MCF-EON服务性能至关重要。
目前多芯光纤弹性光网络MCF-EON中已有的RSCA算法大多为启发式算法，鲜有同时考虑纤芯可变和串扰感知的智能算法。已有的RSCA算法绝大部分是单目标优化，而多目标RSCA算法可得到互不占优的多个“解”集合，更有利于网络运营商据此提供多种资源分配方案，以实现不同的目标。文献“多纤芯弹性光网络资源分配模型及其新型优化算法研究”(西安电子科技大学硕士学位论文,2017.)中建立的多目标优化模型和提出相应的多目标智能算法是首创工作，但是其模型中不同链路上纤芯是不变的，为了扩大路由选择空间以更充分地利用纤芯上的频谱资源，研究纤芯可变下的RSCA问题求解具有更大价值。
发明内容
本发明的目的在于针对上述现有技术的不足，提出一种弹性光网络中基于纤芯可变的多目标RSCA方法。通过多策略融合算法MOEA/D-AMSF(MOEA/D with Adaptation andMulti-strategy Fusion)，增加路径和频谱的选择范围以进一步充分利用网络资源接纳更多业务请求。
实现本发明的具体思路为：针对RSCA/CS问题建立了最小化网络阻塞率和串扰率的双目标资源优化模型，设计纤芯可变下的路由和纤芯联合编码方案，并借鉴已有的MOEA/D算法和遗传算法提出本发明的MOEA/D-AMSF算法求解该模型，在纤芯容量、选路选芯、频谱分配及纤芯间串扰的约束下，进一步增加路径和频谱的选择范围，从而充分地利用网络资源以接纳更多的业务请求。
为实现上述目的，本发明提出的一种弹性光网络中基于纤芯可变的多目标RSCA方法，具体实现步骤如下：
(1)初始化：
初始化网络信息和业务请求信息，所述网络信息包括：网络资源、算法资源和网络拓扑；根据历史经验数据预设算法资源中的如下参数：业务请求总数|R|、最短路径条数K、初始种群中个体总数N、邻域大小δ、最小交叉概率
Figure BDA0002744043020000021
最大交叉概率
Figure BDA0002744043020000022
最小变异概率
Figure BDA0002744043020000023
最大变异概率
Figure BDA0002744043020000024
和最大进化代数Gmax；
(2)预处理业务请求信息：
2a)将业务请求信息中的业务请求按照带宽请求数从小到大排序，得到排序后的业务请求集合R＝{rk|k＝1,2,...,|R}；其中rk表示第k个业务请求；
2b)利用K最短路算法KSP为业务请求集合R中的所有业务请求分别选出K条最短路径；并按路径长度对每个业务请求的K条最短路径进行升序排列，得到所有业务请求的候选路径集，即预处理后的业务请求信息；
(3)采用均匀设计法与纤芯不变启发式算法相结合的混合算法，生成初始种群Pop：
3a)采用路由和纤芯联合分配染色体的编码方式对预处理后的业务请求信息进行编码，生成染色体：
3a1)根据预处理后的业务请求信息，计算每个基因的长度genelen：
genelen＝1+Lmax，
其中，Lmax表示所有业务请求的候选路径集中最大路径长度，即纤芯基因的长度，所述纤芯基因包括有效纤芯基因VCGs和无效纤芯基因ICGs两部分；1代表路由基因的长度；
3a2)采用均匀设计方法获取路由基因位的取值，其取值范围为1～K；根据路由基因的长度和路由基因位的取值确定路由基因；
3a3)根据路由基因位的取值得到第k个业务请求rk所选路径的长度lVCGs，即有效纤芯基因VCGs长度；
3a4)采用均匀设计方法获取有效纤芯基因VCGs基因位的取值，其取值范围为1～|C|，其中|C|表示多芯光纤中的纤芯个数；无效纤芯基因位的取值为0；根据纤芯基因的长度和纤芯基因位的取值确定纤芯基因；
3a5)由路由基因与纤芯基因共同构成染色体上的基因，生成N条染色体；
3b)采用纤芯不变启发式算法对生成的染色体进行初始化，生成初始种群Pop；
3b1)设定调制格式下的串扰阈值最大值为
Figure BDA0002744043020000031
挑选出第
Figure BDA0002744043020000032
个权重向量所代表的个体；其中，
Figure BDA0002744043020000033
3b2)采用纤芯不变启发式算法取不同的串扰阈值生成
Figure BDA0002744043020000034
个路由和纤芯分配结果，并用该分配结果依次替换步骤3b1)中所选个体上的路由基因值和有效纤芯基因VCGs值，得到初始种群Pop；
(4)由邻域大小δ生成初始种群Pop中第i个个体的权重向量λi，采用首次命中方法FF为每个业务请求分配频谱块，得到路由、频谱和纤芯的第一次分配结果，根据该结果确定业务阻塞率f1(x)和网络串扰率f2(x)，得到目标函数F(x)：
F(x)＝(f1(x),f2(x))T，
根据λi和F(x)构建子问题Ii：
Figure BDA0002744043020000041
其中，i＝1,2,...,N；
(5)利用目标函数F(x)初始化参考点z＝(z1,z2)T，其中z1＝min{f1(x1),...,f1(xN)}表示第一个目标的最小值，z2＝min{f2(x1),...,f2(xN)}表示第二个目标的最小值；
(6)设定一个外部种群EP，用于存储种群进化过程中找到的非支配解；
(7)根据邻域大小δ和权重向量λ得到邻域B(i)t，其中λ＝{λ1,λ2,…,λi,…,λN}，t＝0,1,2,…,Gmax-1；
(8)令t＝0，开始进行第t+1代进化；
(9)通过自适应单点交叉、双层变异及修复操作，自适应地调整交叉与变异概率，对子问题进行进化，具体步骤如下：
9a)从子问题Ii的邻域B(i)t中选取第一染色体y1和第二染色体y2作为交叉的父代染色体，且这两条染色体互不相同；再采用自适应单点交叉方式对父代染色体进行交叉操作，得到第一子代个体
Figure BDA0002744043020000042
和第二子代个体
Figure BDA0002744043020000043
9b)采用自适应双层变异及修复方式对第一子代个体
Figure BDA0002744043020000044
和第二子代个体
Figure BDA0002744043020000045
基因位上的基因进行变异操作，得到变异后的子代，并对得到变异后的子代基因中的纤芯基因执行修复操作，得到变异修复后第一子代个体
Figure BDA0002744043020000046
和变异修复后第二子代个体
Figure BDA0002744043020000047
9c)采用首次命中FF方法为变异修复后第一子代个体
Figure BDA0002744043020000048
和变异修复后第二子代个体
Figure BDA0002744043020000049
分配频谱块，并分别计算其对应的目标函数F(x)，得到变异修复后第一子代个体目标函数值
Figure BDA00027440430200000410
和变异修复后第二子代个体目标函数值
Figure BDA00027440430200000411
比较这两个值的大小，选择较小值对应的子代个体作为进化产生的新染色体
Figure BDA0002744043020000051
9d)比较新染色体
Figure BDA0002744043020000052
的目标函数值F(x)和参考点z＝(z1,z2)T的大小，选择两者中较小的值作为新的参考点z*；
9e)根据以下公式分别计算新染色体
Figure BDA0002744043020000053
和其邻域内第j个旧个体xj的TCH分解方法对应的标量函数值gte来更新子问题Ii的邻域B(i)t，如果
Figure BDA0002744043020000054
的标量函数值小于等于xj的标量函数值，则用
Figure BDA0002744043020000055
替换xj，否则不进行替换；
Figure BDA0002744043020000056
其中，j＝1,2,…,δ；
9f)根据Pareto支配关系，如果外部种群EP中存在支配
Figure BDA0002744043020000057
的目标函数值，则直接执行步骤10)；反之，从外部种群EP中删除所有被
Figure BDA0002744043020000058
支配的目标函数值，并添加
Figure BDA0002744043020000059
到外部种群EP中，然后进入步骤10)；
(10)判断进化代数是否等于最大进化代数Gmax，若等于，则执行步骤(11)；否则，对t加1后，返回步骤(8)；
(11)输出外部种群EP，即资源分配结果。
本发明与现有技术相比有以下优点：
第一，由于本发明将路由和纤芯联合编码生成染色体，使得染色体上的每个基因都由两层组成，每层编码表达不同含义，从而用一条染色体就能准确表达出待求解复杂问题的解；这样编码的解空间为连续的实空间，可使路由和纤芯联合进化，利于解的全局性收敛，能够有效克服现有技术中将路由和纤芯编码分为两个独立的种群，再采用协同进化算法求解，从而导致的多种群求解耗时过长问题。
第二，本发明首先采用均匀设计方法生成初始种群，使算法在初始迭代时就在目标空间中均匀地搜索，且在一个较优解集的基础上进化，再利用纤芯不变下启发式算法所得的一些解来替换初始种群中的部分个体，使得进化可以有一个合适的基础和引导准则；这种将纤芯不变启发式算法与均匀设计方法相结合的方式，在不同链路上纤芯可变的情况下，有效增大了算法的搜索空间。
第三，由于本发明在算法搜索前期使用较简单的单点交叉和单点变异策略，可保证搜索前期纤芯变化幅度较小，使解的进化具有基础引导方向，避免错过一些较优解；随着解进化到一定程度后，本发明再采用多点变异以增大算法跳出局部最优，从而增加找到更多全局解的概率。
附图说明
图1为本发明方法的实现流程图；
图2为本发明中基因、染色体及种群编码示意图；其中：(a)表示一个基因的编码示意图，(b)表示一条染色体的编码示意图，(c)表示一个种群的编码示意图；
图3为本发明中的单点交叉示意图；
图4为本发明中的双层单点变异示意图；
图5为本发明仿真采用的NSFNET网络拓扑图；
图6为本发明与现有技术的仿真对比曲线图；
图7为设定业务数为300时，不同纤芯下本发明与现有技术的仿真对比曲线图；
图8为设定业务数为400时，不同纤芯下本发明与现有技术的仿真对比曲线图；
图9为设定业务数为500时，不同纤芯下本发明与现有技术的仿真对比曲线图；
图10为设定纤芯为3时，不同业务数下本发明与现有技术的仿真对比曲线图；
图11为设定纤芯为5时，不同业务数下本发明与现有技术的仿真对比曲线图。
具体实施方式
以下结合附图和具体实施例，对本发明作进一步的详细描述。
本发明针对通信领域中资源消耗和纤芯串扰之间难以取得一个很好折中导致业务阻塞率和网络串扰率很高的问题，基于多策略融合自适应多目标优化算法，提出了一种弹性光网络中基于纤芯可变的多目标RSCA方法。通过均匀设计方法与启发式算法的混合机制初始化种群，采用自适应单点交叉、多层变异及修复操作，自适应地调整交叉与变异概率，产生新个体，并计算其目标函数值以选择与更新外部种群，迭代前一步直至得到近似最优资源分配结果，有效解决了多芯光纤弹性光网络中路由、频谱和纤芯资源的组合优化问题。本发明考虑纤芯可变和串扰感知，同时最小化业务阻塞率和网络串扰率，在不同链路上纤芯可变，更充分地利用网络资源以接纳更多业务请求。
参照图1，本发明的具体实现步骤如下：
步骤1：初始化网络信息和业务请求信息，所述网络信息包括：网络资源、算法资源和网络拓扑；输入网络资源设置、算法资源设置、网络拓扑初始化和业务源初始化四部分信息。
将网络资源和算法所需部分参数：业务请求总数|R|、最短路径条数K、初始种群中个体总数N、邻域大小δ、最小交叉概率
Figure BDA0002744043020000071
最大交叉概率
Figure BDA0002744043020000072
最小变异概率
Figure BDA0002744043020000073
最大变异概率
Figure BDA0002744043020000074
最大进化代数Gmax、物理网络拓扑以及保护频隙等设置为全局变量，并进行初始化赋值；具体参数值可根据历史经验数据预进行设定。
初始化网络拓扑：使用邻接矩阵的形式定义，矩阵大小为“节点数*节点数”，以产生0-1拓扑矩阵和权值矩阵，作为后续选路算法和业务源排序模块的输入。
产生静态业务源矩阵：其大小为“业务数*3”，对于每个业务请求来说，第一列为其源节点，第二列为其宿节点，第三列为其请求频隙数，这些数据均在给定区间上随机等概率产生。
步骤2：预处理业务请求信息：
2a)将业务请求信息中的业务请求按照带宽请求数从小到大排序，得到排序后的业务请求集合R＝{rk|k＝1,2,...,|R|}；其中rk表示第k个业务请求；
2b)利用K最短路算法KSP为业务请求集合R中的所有业务请求分别选出K条最短路径；并按路径长度对每个业务请求的K条最短路径进行升序排列，得到所有业务请求的候选路径集，即预处理后的业务请求信息；使用名为“traffic_routing_matrix”的cell数组来存储选路结果信息；
步骤3：采用均匀设计法与纤芯不变启发式算法相结合的混合算法，生成初始种群Pop：
3a)采用路由和纤芯联合分配染色体的编码方式对预处理后的业务请求信息进行编码，生成染色体：
3a1)根据预处理后的业务请求信息，计算每个基因的长度genelen：
genelen＝1+Lmax，
其中，Lmax表示所有业务请求的候选路径集中最大路径长度，即纤芯基因的长度，所述纤芯基因包括有效纤芯基因VCGs(Valid Core Genes)和无效纤芯基因ICGs(InvalidCore Genes)两部分，有效纤芯基因表示该业务请求经过的链路上的纤芯基因，无效纤芯基因表示该业务请求没有经过的链路上的纤芯基因；1代表路由基因的长度；
3a2)采用均匀设计方法获取路由基因位的取值，其取值范围为1～K；根据路由基因的长度和路由基因位的取值确定路由基因；
3a3)根据路由基因位的取值得到第k个业务请求rk所选路径的长度lVCGs，即有效纤芯基因VCGs长度；
3a4)采用均匀设计方法获取有效纤芯基因VCGs基因位的取值，其取值范围为1～|C|，其中|C|表示多芯光纤中的纤芯个数，基因值表示当前业务请求选择几号纤芯；无效纤芯基因位的取值为0；根据纤芯基因的长度和纤芯基因位的取值确定纤芯基因；
3a5)由路由基因与纤芯基因共同构成染色体上的基因，生成N条染色体；这里得到的染色体数目与初始种群中的个体总数相同，其上的每个基因都由两层组成，一层为路由基因，代表选路方案；另一层为纤芯基因，代表选芯方案，每条染色体整体代表了一个路由和纤芯方案；
参照图2中的(a)，一个基因的编码示意图；其代表业务请求r1的路由和纤芯方案，其他业务请求的编码与r1类似。参照图2中的(b)，一条染色体的编码示意图；所有基因组成一条染色体来代表RSCA问题的一个可行的路由和纤芯方案，每行代表一个业务请求，共|R|行。参照图2中的(c)，一个种群的编码示意图；所有染色体组成一个种群，每列代表一条染色体，共N列。
下面以染色体中第一个基因Gene1为例解释每个基因的组成部分及其含义：
例如，图2中(a)所示，第一层代表选路方案，其中“2”代表r1选择第2条最短路：1→3→5→6。第二层代表r1在刚刚所选路上的选芯方案，r1所选的第2条最短路的长度为3，则VCGs长度为3，如图中所示纤芯基因的前3位是有值的，而将该业务请求没有经过的链路上的纤芯基因值即ICGs值设为0。
本发明通过这样的编码方式，可以极大的降低后续进化操作和目标函数计算的复杂度，同时也避免了变长编码为后续交叉和变异算子设计带来的麻烦。
3b)采用纤芯不变启发式算法对生成的染色体进行初始化，生成初始种群Pop；
3b1)设定调制格式下的串扰阈值最大值为
Figure BDA0002744043020000081
挑选出第
Figure BDA0002744043020000082
个权重向量所代表的个体；其中，
Figure BDA0002744043020000083
3b2)采用纤芯不变启发式算法取不同的串扰阈值生成
Figure BDA0002744043020000084
个路由和纤芯分配结果，并用该分配结果依次替换步骤3b1)中所选个体上的路由基因值和有效纤芯基因VCGs值，得到初始种群Pop。
串扰阈值最大值
Figure BDA0002744043020000091
为纤芯分布矩阵中1的个数与纤芯数的比值，比如3芯光纤，其纤芯分布矩阵中1的个数为6，因此
Figure BDA0002744043020000092
同理，5芯光纤
Figure BDA0002744043020000093
7芯光纤
Figure BDA0002744043020000094
因此，对于3芯、5芯和7芯，Θm的取值范围分别(0,2]、(0,2]和(0,3]。在这些范围内每隔0.1取一个值作为不同启发式算法的串扰阈值，最后会生成
Figure BDA0002744043020000095
个RSCA方案。
本发明通过这样的方式来产生初始种群，可以生成一个较优且分布均匀的初始解集。
步骤4：由邻域大小δ生成初始种群Pop中第i个个体的权重向量λi，采用首次命中方法FF(First Fit)为每个业务请求分配频谱块，得到路由、频谱和纤芯的第一次分配结果，根据该结果确定业务阻塞率f1(x)和网络串扰率f2(x)：
f1(x)＝NR/|R|，
f2(x)＝NXT/Noc，
其中，NR表示网络中被阻塞的业务请求数，NXT表示网络中被服务业务的串扰频隙总数，Noc表示总占用频隙数；
根据下式得到目标函数F(x)：
F(x)＝(f1(x),f2(x))T，
其中，(·)T表示转置操作；
根据λi和F(x)构建子问题Ii：
Figure BDA0002744043020000096
其中，i表示初始种群中的个体编号，且i＝1,2,...,N；
步骤5：利用目标函数F(x)初始化参考点z＝(z1,z2)T，其中z1＝min{f1(x1),...,f1(xN)}表示第一个目标的最小值，z2＝min{f2(x1),...,f2(xN)}表示第二个目标的最小值；
步骤6：设定一个外部种群EP(External Population)，用于存储种群进化过程中找到的非支配解；
步骤7：根据邻域大小δ和权重向量λ得到邻域B(i)t，其中λ＝{λ1,λ2,…,λi,…,λN}，t表示进化代数，且t＝0,1,2,…,Gmax-1；具体方式本实施例采用计算第i个个体对应子问题Ii的权重向量λ与所有子问题权重向量之间的欧几里得距离，选择最接近子问题Ii的δ个子问题，共同组成子问题Ii的邻域B(i)t，
步骤8：令t＝0，开始进行第t+1代进化；
步骤9：通过自适应单点交叉、双层变异及修复操作，自适应地调整交叉与变异概率，对子问题进行进化，参照图3、图4；具体步骤如下：
9a)从子问题Ii的邻域B(i)t中选取第一染色体y1和第二染色体y2作为交叉的父代染色体，且这两条染色体互不相同；再采用自适应单点交叉方式对父代染色体进行交叉操作，得到第一子代个体
Figure BDA0002744043020000101
和第二子代个体
Figure BDA0002744043020000102
具体步骤如下：
9a1)计算自适应交叉概率P1：
Figure BDA0002744043020000103
9a2)生成(0,1)内的随机数P，比较随机数P与自适应交叉概率P1的大小，若P小于P1，则继续执行步骤9a3)；反之，则不进行交叉操作，将第一染色体y1作为得到的第一子代个体
Figure BDA0002744043020000104
将第二染色体y2作为得到的第二子代个体
Figure BDA0002744043020000105
直接执行步骤9b)；
9a3)从所选取的交叉的父代染色体上随机选择一个基因位作为交叉点；
9a4)将第一染色体y1中位于交叉点右边的所有基因位与第二染色体y2中位于交叉点右边的所有基因位互换，生成第一子代个体
Figure BDA0002744043020000106
和第二子代个体
Figure BDA0002744043020000107
本发明通过这种交叉策略，在搜索前期使较优个体可以得到良好的保留；而在搜索后期，可以使算法跳出局部最优以产生新解，并加速算法的收敛；根据不同的进化代数自适应调整将有助于实现全局勘探和局部探测之间的平衡。
9b)采用自适应双层变异及修复方式对第一子代个体
Figure BDA0002744043020000108
和第二子代个体
Figure BDA0002744043020000109
基因位上的基因进行变异操作，得到变异后的子代，并对得到变异后的子代基因中的纤芯基因执行修复操作，得到变异修复后第一子代个体
Figure BDA00027440430200001010
和变异修复后第二子代个体
Figure BDA00027440430200001011
上述采用自适应双层变异及修复方式对第一子代个体
Figure BDA0002744043020000111
和第二子代个体
Figure BDA0002744043020000112
基因位上的基因进行变异操作具体是：当进化代数小于或等于陷入局部最优的进化代数GLO时，其中GLO＝9000,9001,9002,…,11000；通过对第一子代个体
Figure BDA0002744043020000113
和第二子代个体
Figure BDA0002744043020000114
基因位上的基因分别执行自适应单点变异操作，获取变异后的子代个体；否则，通过对第一子代个体
Figure BDA0002744043020000115
和第二子代个体
Figure BDA0002744043020000116
基因位上的基因执行自适应多点变异操作，获取变异后的子代个体；所述自适应多点变异操作为从个体上随机选取多个基因位，然后对选取的每个基因位执行自适应单点变异操作；自适应单点变异操作的具体步骤包括：
i)根据预先设定的最小变异概率
Figure BDA0002744043020000117
最大变异概率
Figure BDA0002744043020000118
和最大进化代数Gmax计算自适应变异概率P2：
Figure BDA0002744043020000119
ii)生成(0,1)区间内的一个随机数Q，若Q大于或等于变异概率P2，该基因位值保持不变，结束变异操作；否则，分别随机选取第一子代个体
Figure BDA00027440430200001110
和第二子代个体
Figure BDA00027440430200001111
上的第m个基因位，并从1～|C|中随机等概率地选择一个值替换第m个基因位上的值，其中m＝1,2,…,lVCGs。
上述对变异后的子代个体基因中的纤芯基因执行修复操作的具体步骤包括：
9b1)根据变异后的子代个体第m个基因位上的值及候选路径集，得到第m个基因位上有效纤芯基因VCGs的长度lmu；
9b2)若执行步骤i)得到的第m个基因位上有效纤芯基因VCGs的长度lmu小于执行变异操作之前第m个基因位上有效纤芯基因VCGs的长度lm，则变异后的子代个体第m个基因位上的第g个纤芯基因位为无效纤芯基因ICGs，且其值设置为0，得到修复后的子代个体，其中g＝lmu+1,lmu+2,…,lm；
若lmu等于lm，则不执行修复操作，直接得到修复后的子代个体；
若lmu大于lm，则变异后的子代个体第m个基因位上的第h个纤芯基因位为有效纤芯基因ICGs，且其值为在[1,|C|]内随机选取的一个整数值，得到修复后的子代个体，其中h＝lm+1,lm+2,…,lmu；
9b3)对修复后的子代个体第m个基因位上的基因，随机选取一个有效纤芯基因位执行单点变异，其基因位值为在[1,|C|]内随机选取的一个整数值。
本发明通过这种变异及修复策略，一方面使算法在搜索前期随着进化的迭代能够在全局目标空间中搜索到较优的解集，另一方面当进化迭代到一定程度时，可以加大算法跳出局部最优来产生更多新解的概率。
9c)采用首次命中FF方法为变异修复后第一子代个体
Figure BDA0002744043020000121
和变异修复后第二子代个体
Figure BDA0002744043020000122
分配频谱块，并分别计算其对应的目标函数F(x)，得到变异修复后第一子代个体目标函数值F(y1 m)和变异修复后第二子代个体目标函数值
Figure BDA0002744043020000123
比较这两个值的大小，选择较小值对应的子代个体作为进化产生的新染色体
Figure BDA0002744043020000124
9d)比较新染色体
Figure BDA0002744043020000125
的目标函数值F(x)和参考点z＝(z1,z2)T的大小，选择两者中较小的值作为新的参考点z*；
9e)根据以下公式分别计算新染色体
Figure BDA0002744043020000126
和其邻域内第j个旧个体xj的TCH分解方法对应的标量函数值gte来更新子问题Ii的邻域B(i)t，如果
Figure BDA0002744043020000127
的标量函数值小于等于xj的标量函数值，则用
Figure BDA0002744043020000128
替换xj，否则不进行替换；
Figure BDA0002744043020000129
其中，j＝1,2,…,δ；
9f)根据Pareto支配关系，如果外部种群EP中存在支配
Figure BDA00027440430200001210
的目标函数值，则直接执行步骤10)；反之，从外部种群EP中删除所有被
Figure BDA00027440430200001211
支配的目标函数值，并添加
Figure BDA00027440430200001212
到外部种群EP中，然后进入步骤10；
步骤10：判断进化代数是否等于最大进化代数Gmax，若等于，则执行步骤11；否则，对t加1后，返回步骤8；
步骤11：输出外部种群EP，即资源分配结果。
以下结合仿真实验，对本发明的技术效果作进一步说明：
1.仿真条件：
采用包含14个节点和21条链路的NSFNET(National Science FoundationNetwork)作为物理网络拓扑，如图5所示；其中每个节点都具有纤芯可变功能。假定每条光纤链路都是双向的，且都配置为多芯光纤MCF(Multi-Core Fiber)。拓扑中使用3组不同数量(例如：300、400、500)的业务请求数据，作为较轻、中等和较重业务负载的代表。每组业务请求中的每个业务请求的频隙数在[1,10]中均匀随机产生，且业务请求在所有源宿节点对间均匀分布。保护频隙数GF设置为1FS，所需的总频隙数实际上为[2,11]。K条最短路径中的K＝5，纤芯数|C|＝3,5,7，每根纤芯上的频隙总数|F|设置为30。所有业务请求选择BPSK(Binary Phase Shift Keying)调制格式，设置串扰阈值Θm为1.8。MOEA/D-AMSF算法相关参数的设置如下表所示：
表1
Figure BDA0002744043020000131
仿真采用翟波涛在其发表的论文“多纤芯弹性光网络资源分配模型及其新型优化算法研究”中所提的基于切比雪夫分解的双目标遗传算法BOGA/TD(Bi-Objective GeneticAlgorithm based on Tchebycheff Decomposition)作为本发明的对比算法。BOGA/TD将路由和纤芯编码为双种群来进化，并采用均匀设计方法来生成纤芯初始种群，而采用随机方法生成路由初始种群，然后采用MOEA/D-DE算法来求解。N、δ和Gmax的取值与本发明算法一致，差分进化概率为0.5，变异概率为0.7，差分系数为0.5。
2.仿真内容及结果分析：
本发明的仿真实验是利用本发明的方法和现有技术的方法，在NSFNET网络拓扑中，针对不同业务请求数和光纤数，对网络阻塞率和串扰率进行评估计算。在仿真结果附图6至附图11中，A表示本发明所提方法MOEA/D-AMSF，B表示对比算法BOGA/TD。
在业务数300和5芯光纤下，参照图6，出本发明MOEA/D-AMSF算法和BOGA/TD算法所得帕累托前端PF(Pareto Front)的进化对比图。本发明初始种群中的部分个体是纤芯不变启发式策略产生的解，前期采用单点交叉和单点变异，且交叉和概率较小，可以使不同链路上的纤芯在进化前期同时发生变化的概率较小，从而使算法有一个好的进化基础和指导方向以在全局范围内搜索解，因此在进化前期搜索较慢，所得解没有BOGA/TD算法好。而在进化后期加大交叉和变异概率且采用多点变异来使算法跳出局部最优以搜索到更多的解，使得算法收敛速度加快且解的多样性得到了增强，能够搜索到比BOGA/TD算法更占优且多样性更好的解。
图7到图9为同一业务数不同纤芯下两种方法在进化100000代后所得PF的对比图，其中三幅图中的业务数(300,400,500)分别作为较轻、中等和较重业务负载的代表。下面分别从采用不同方法所得PF整体变化趋势、解的占优和多样性等方面对仿真结果进行分析。
A.所得PF总体的变化趋势：
由于具有更多纤芯数的MCF-EON能为业务请求提供更多的频谱资源，从而降低网络业务阻塞率和串扰率。因此随着纤芯数的增多，算法所得PF越来越优，即PF曲线朝参考点进化。
B.在解的占优方面的性能对比：
从三幅图中可知，无论纤芯数是多少，所提算法都能获得一定数量的支配对比算法的解(称为支配解)。由于纤芯可变可以减轻业务频谱约束的要求从而在一定程度上降低业务阻塞率，因此图7(轻业务数)中的3芯和5芯时支配解的数量最多。同时，初始种群混合生成策略和自适应机制的引入使得本发明能够进化出更优的解集。
此外，由于本发明的纤芯搜索空间
Figure BDA0002744043020000141
随着纤芯数的增加呈指数增大，在相同进化代数下，支配解的个数会随着纤芯数的增加而变少。在图8中，支配解占本发明所得解总数的比率(称为占优比)在3芯、5芯和7芯时分别为81％、73％和17％，在图9中占优比在3芯、5芯和7芯时分别为67％、42％和10％。从这些数据可以看出，同一纤芯下，随着业务数的增多本发明的占优比会进一步降低。这是因为纤芯搜索空间不仅与纤芯数相关，而且与业务所选路径长度
Figure BDA0002744043020000142
相关，在较重业务负载下，业务所选路径平均长度会增加，因为较短路径上的资源可能已被占用完，从而使本发明进化的更慢，其要想搜索到比对比算法好的解集需要进化更多代。
C.在解的多样性方面的性能对比：
由于本发明引入自适应交叉变异策略和后期多点变异，它们能够在种群进化到一定程度后增加算法搜索到新解的概率，从而使其在全局范围内找到更多的解，使得本发明所得解的多样性优于BOGA/TD算法。并且从每个纤芯来看，本发明在阻塞率较低但串扰率较高的范围内(图中左半部分)能搜索到BOGA/TD算法搜索不到的解，即引入纤芯可变能够使算法扩大可用频谱资源的搜索范围，从而在阻塞率方面具有更优的性能。
图10和图11为同一纤芯不同业务数下本发明所提算法和对比算法在进化100000代后所得PF的对比图，从以下几个角度对这两幅图进行分析。
a.所得PF总体的变化趋势：
在网络资源受限的情况下，随着业务请求数的增加，网络能为后面业务所提供的资源会越来越少，导致部分业务被阻塞，且对未阻塞业务的分配会增大串扰率。因此，算法所得PF会越来越差(远离参考点)，即业务阻塞率和串扰率越来越高。
b.在较轻和较重负载下所得解的占优性能对比：
从两幅图中均可看出，随着业务数的增加，所提算法的支配解会越来越少，即纤芯可变功效会随着业务数的增加而逐渐降低。这是因为在轻业务负载下，纤芯可变能够从整个网络的角度考虑每个纤芯的可用频谱资源，从而使更多的业务在满足频谱约束条件下得到服务，即降低网络业务阻塞率。而在较重业务负载下，纤芯可变功效变弱，这是因为较重业务负载下网络频谱碎片带来的负面影响是主要因素，此时网络链路上的所有纤芯上会出现许多频谱碎片，即使纤芯可变也无法满足RSCA问题中的频谱连续性和一致性的约束，导致网络业务阻塞率和串扰率的增加。
c.在解的多样性方面的性能对比：
本发明所得解的多样性更好，且其能够在阻塞率更小的目标区域(图中左半部分)内找到BOGA/TD算法搜索不到的解，这与图7到图9呈现出一样的规律，且原因类似。
简而言之，本发明能够在很大程度上获得比BOGA/TD算法更占优且多样性更好的解，并且其能够在BOGA/TD算法搜索不到的较小阻塞率区域内搜索到解。此外，在轻业务负载下纤芯可变对降低网络业务阻塞率和串扰率有明显的作用。
上述仿真分析与测试证明了本发明所提方法的正确性与有效性。
本发明未详细说明部分属于本领域技术人员公知常识。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，显然对于本领域的专业人员来说，在了解了本发明内容和原理后，都可能在不背离本发明原理、结构的情况下，进行形式和细节上的各种修正和改变，但是这些基于本发明思想的修正和改变仍在本发明的权利要求保护范围之内。

Claims (6)

1.一种弹性光网络中基于纤芯可变的多目标RSCA方法，其特征在于：采用均匀设计方法与纤芯不变启发式算法相结合的混合算法生成初始种群，接着自适应地调整交叉与变异概率，获取资源分配结果；该方法的具体步骤如下：
(1)初始化：
初始化网络信息和业务请求信息，所述网络信息包括：网络资源、算法资源和网络拓扑；根据历史经验数据预设算法资源中的如下参数：业务请求总数|R|、最短路径条数K、初始种群中个体总数N、邻域大小δ、最小交叉概率P1 min、最大交叉概率P1 max、最小变异概率
Figure FDA0002744043010000011
最大变异概率
Figure FDA0002744043010000012
和最大进化代数Gmax；
(2)预处理业务请求信息：
2a)将业务请求信息中的业务请求按照带宽请求数从小到大排序，得到排序后的业务请求集合R＝{rk|k＝1,2,...,|R|}；其中rk表示第k个业务请求；
2b)利用K最短路算法KSP为业务请求集合R中的所有业务请求分别选出K条最短路径；并按路径长度对每个业务请求的K条最短路径进行升序排列，得到所有业务请求的候选路径集，即预处理后的业务请求信息；
(3)采用均匀设计法与纤芯不变启发式算法相结合的混合算法，生成初始种群Pop：
3a)采用路由和纤芯联合分配染色体的编码方式对预处理后的业务请求信息进行编码，生成染色体：
3a1)根据预处理后的业务请求信息，计算每个基因的长度genelen：
genelen＝1+Lmax，
其中，Lmax表示所有业务请求的候选路径集中最大路径长度，即纤芯基因的长度，所述纤芯基因包括有效纤芯基因VCGs和无效纤芯基因ICGs两部分；1代表路由基因的长度；
3a2)采用均匀设计方法获取路由基因位的取值，其取值范围为1～K；根据路由基因的长度和路由基因位的取值确定路由基因；
3a3)根据路由基因位的取值得到第k个业务请求rk所选路径的长度lVCGs，即有效纤芯基因VCGs长度；
3a4)采用均匀设计方法获取有效纤芯基因VCGs基因位的取值，其取值范围为1～|C|，其中|C|表示多芯光纤中的纤芯个数；无效纤芯基因位的取值为0；根据纤芯基因的长度和纤芯基因位的取值确定纤芯基因；
3a5)由路由基因与纤芯基因共同构成染色体上的基因，生成N条染色体；
3b)采用纤芯不变启发式算法对生成的染色体进行初始化，生成初始种群Pop；
3b1)设定调制格式下的串扰阈值最大值为
Figure FDA0002744043010000021
挑选出第
Figure FDA0002744043010000022
个权重向量所代表的个体；其中，
Figure FDA0002744043010000023
3b2)采用纤芯不变启发式算法取不同的串扰阈值生成
Figure FDA0002744043010000024
个路由和纤芯分配结果，并用该分配结果依次替换步骤3b1)中所选个体上的路由基因值和有效纤芯基因VCGs值，得到初始种群Pop；
(4)由邻域大小δ生成初始种群Pop中第i个个体的权重向量λi，采用首次命中方法FF为每个业务请求分配频谱块，得到路由、频谱和纤芯的第一次分配结果，根据该结果确定业务阻塞率f1(x)和网络串扰率f2(x)，得到目标函数F(x)：
F(x)＝(f1(x),f2(x))T，
根据λi和F(x)构建子问题Ii：
Figure FDA0002744043010000025
其中，i＝1,2,...,N；
(5)利用目标函数F(x)初始化参考点z＝(z1,z2)T，其中z1＝min{f1(x1),...,f1(xN)}表示第一个目标的最小值，z2＝min{f2(x1),...,f2(xN)}表示第二个目标的最小值；
(6)设定一个外部种群EP，用于存储种群进化过程中找到的非支配解；
(7)根据邻域大小δ和权重向量λ得到邻域B(i)t，其中λ＝{λ1,λ2,…,λi,…,λN}，t＝0,1,2,…,Gmax-1；
(8)令t＝0，开始进行第t+1代进化；
(9)通过自适应单点交叉、双层变异及修复操作，自适应地调整交叉与变异概率，对子问题进行进化，具体步骤如下：
9a)从子问题Ii的邻域B(i)t中选取第一染色体y1和第二染色体y2作为交叉的父代染色体，且这两条染色体互不相同；再采用自适应单点交叉方式对父代染色体进行交叉操作，得到第一子代个体
Figure FDA0002744043010000031
和第二子代个体
Figure FDA0002744043010000032
9b)采用自适应双层变异及修复方式对第一子代个体
Figure FDA0002744043010000033
和第二子代个体
Figure FDA0002744043010000034
基因位上的基因进行变异操作，得到变异后的子代，并对得到变异后的子代基因中的纤芯基因执行修复操作，得到变异修复后第一子代个体
Figure FDA0002744043010000035
和变异修复后第二子代个体
Figure FDA0002744043010000036
9c)采用首次命中FF方法为变异修复后第一子代个体
Figure FDA0002744043010000037
和变异修复后第二子代个体
Figure FDA0002744043010000038
分配频谱块，并分别计算其对应的目标函数F(x)，得到变异修复后第一子代个体目标函数值
Figure FDA0002744043010000039
和变异修复后第二子代个体目标函数值
Figure FDA00027440430100000310
比较这两个值的大小，选择较小值对应的子代个体作为进化产生的新染色体
Figure FDA00027440430100000311
9d)比较新染色体
Figure FDA00027440430100000312
的目标函数值F(x)和参考点z＝(z1,z2)T的大小，选择两者中较小的值作为新的参考点z*；
9e)根据以下公式分别计算新染色体
Figure FDA00027440430100000313
和其邻域内第j个旧个体xj的TCH分解方法对应的标量函数值gte来更新子问题Ii的邻域B(i)t，如果
Figure FDA00027440430100000314
的标量函数值小于等于xj的标量函数值，则用
Figure FDA00027440430100000315
替换xj，否则不进行替换；
Figure FDA00027440430100000316
其中，j＝1,2,…,δ；
9f)根据Pareto支配关系，如果外部种群EP中存在支配
Figure FDA00027440430100000317
的目标函数值，则直接执行步骤10)；反之，从外部种群EP中删除所有被
Figure FDA00027440430100000318
支配的目标函数值，并添加
Figure FDA00027440430100000319
到外部种群EP中，然后进入步骤10)；
(10)判断进化代数是否等于最大进化代数Gmax，若等于，则执行步骤(11)；否则，对t加1后，返回步骤(8)；
(11)输出外部种群EP，即资源分配结果。
2.根据权利要求1所述的方法，其特征在于：步骤(4)中的业务阻塞率f1(x)和网络串扰率f2(x)，按照如下方式确定；
f1(x)＝NR/|R|，
f2(x)＝NXT/Noc，
其中，NR表示网络中被阻塞的业务请求数，NXT表示网络中被服务业务的串扰频隙总数，Noc表示总占用频隙数。
3.根据权利要求1所述的方法，其特征在于：步骤9a)采用自适应单点交叉方式对父代染色体进行交叉操作，具体步骤如下：
9a1)计算自适应交叉概率P1：
P1＝P1 min+(P1 max-P1 min)×i/Gmax；
9a2)生成(0,1)内的随机数P，比较随机数P与自适应交叉概率P1的大小，若P小于P1，则继续执行步骤9a3)；反之，则不进行交叉操作，将第一染色体y1作为得到的第一子代个体
Figure FDA0002744043010000041
将第二染色体y2作为得到的第二子代个体
Figure FDA0002744043010000042
直接执行步骤9b)；
9a3)从所选取的交叉的父代染色体上随机选择一个基因位作为交叉点；
9a4)将第一染色体y1中位于交叉点右边的所有基因位与第二染色体y2中位于交叉点右边的所有基因位互换，生成第一子代个体
Figure FDA0002744043010000043
和第二子代个体
Figure FDA0002744043010000044
4.根据权利要求1所述的方法，其特征在于：步骤9b)采用自适应双层变异及修复方式对第一子代个体
Figure FDA0002744043010000045
和第二子代个体
Figure FDA0002744043010000046
基因位上的基因进行变异操作具体是：当进化代数小于或等于陷入局部最优的进化代数GLO时，其中GLO＝9000,9001,9002,…,11000；通过对第一子代个体
Figure FDA0002744043010000047
和第二子代个体
Figure FDA0002744043010000048
基因位上的基因分别执行自适应单点变异操作，获取变异后的子代个体；否则，通过对第一子代个体
Figure FDA0002744043010000049
和第二子代个体
Figure FDA00027440430100000410
基因位上的基因执行自适应多点变异操作，获取变异后的子代个体；所述自适应多点变异操作为从个体上随机选取多个基因位，然后对选取的每个基因位执行自适应单点变异操作。
5.根据权利要求4所述的方法，其特征在于：自适应单点变异操作的具体步骤包括：
i)根据预先设定的最小变异概率
Figure FDA0002744043010000051
最大变异概率
Figure FDA0002744043010000052
和最大进化代数Gmax计算自适应变异概率P2：
Figure FDA0002744043010000053
ii)生成(0,1)区间内的一个随机数Q，若Q大于或等于变异概率P2，该基因位值保持不变，结束变异操作；否则，分别随机选取第一子代个体
Figure FDA0002744043010000054
和第二子代个体
Figure FDA0002744043010000055
上的第m个基因位，并从1～|C|中随机等概率地选择一个值替换第m个基因位上的值，其中m＝1,2,…,lVCGs。
6.根据权利要求5所述的方法，其特征在于：步骤9b)对变异后的子代个体基因中的纤芯基因执行修复操作的具体步骤包括：
9b1)根据变异后的子代个体第m个基因位上的值及候选路径集，得到第m个基因位上有效纤芯基因VCGs的长度lmu；
9b2)若执行步骤i)得到的第m个基因位上有效纤芯基因VCGs的长度lmu小于执行变异操作之前第m个基因位上有效纤芯基因VCGs的长度lm，则变异后的子代个体第m个基因位上的第g个纤芯基因位为无效纤芯基因ICGs，且其值设置为0，得到修复后的子代个体，其中g＝lmu+1,lmu+2,…,lm；
若lmu等于lm，则不执行修复操作，直接得到修复后的子代个体；
若lmu大于lm，则变异后的子代个体第m个基因位上的第h个纤芯基因位为有效纤芯基因ICGs，且其值为在[1,|C|]内随机选取的一个整数值，得到修复后的子代个体，其中h＝lm+1,lm+2,…,lmu；
9b3)对修复后的子代个体第m个基因位上的基因，随机选取一个有效纤芯基因位执行单点变异，其基因位值为在[1,|C|]内随机选取的一个整数值。
CN202011160474.4A 2020-10-27 2020-10-27 弹性光网络中基于纤芯可变的多目标rsca方法 Active CN112367572B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011160474.4A CN112367572B (zh) 2020-10-27 2020-10-27 弹性光网络中基于纤芯可变的多目标rsca方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011160474.4A CN112367572B (zh) 2020-10-27 2020-10-27 弹性光网络中基于纤芯可变的多目标rsca方法

Publications (2)

Publication Number Publication Date
CN112367572A true CN112367572A (zh) 2021-02-12
CN112367572B CN112367572B (zh) 2021-07-06

Family

ID=74510580

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011160474.4A Active CN112367572B (zh) 2020-10-27 2020-10-27 弹性光网络中基于纤芯可变的多目标rsca方法

Country Status (1)

Country Link
CN (1) CN112367572B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113132827A (zh) * 2021-04-09 2021-07-16 烽火通信科技股份有限公司 一种弹性光网络下调制自适应的路由计算方法与装置
CN114520939A (zh) * 2022-03-14 2022-05-20 西安电子科技大学 基于指标感知进化的光网络资源分配方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1570687A (zh) * 2004-05-09 2005-01-26 上海理工大学 基于遗传算法的波导－光纤自动调芯法及其装置
CN102769806A (zh) * 2012-07-06 2012-11-07 中国联合网络通信集团有限公司 光传送网的资源分配方法和装置
CN103595495A (zh) * 2013-10-27 2014-02-19 西安电子科技大学 弹性光网络中静态业务流选路和频谱资源分配方法
CN104618134A (zh) * 2014-12-25 2015-05-13 国家电网公司 一种配电通信网多级分光无源光网络优化方法
CN106130931A (zh) * 2016-06-13 2016-11-16 西安电子科技大学 弹性光网络中基于进化多目标的路由频隙分配方法
CN106535012A (zh) * 2016-11-23 2017-03-22 重庆邮电大学 基于遗传算法优化组播光森林的能效路由频谱分配方法
CN109218858A (zh) * 2018-09-11 2019-01-15 北京邮电大学 用于空分复用光网络的频谱分配方法、装置以及存储介质
CN109995435A (zh) * 2019-01-31 2019-07-09 全球能源互联网研究院有限公司 一种基于多纤芯光网络的虚拟网络映射方法及系统
CN110768721A (zh) * 2019-11-06 2020-02-07 苏州大学 多芯光纤网络中资源分配方法
US10805006B2 (en) * 2017-12-13 2020-10-13 Soochow University Optical network planning method for asymmetric traffic transmission over multi-core fiber optical network and network using the same

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1570687A (zh) * 2004-05-09 2005-01-26 上海理工大学 基于遗传算法的波导－光纤自动调芯法及其装置
CN102769806A (zh) * 2012-07-06 2012-11-07 中国联合网络通信集团有限公司 光传送网的资源分配方法和装置
CN103595495A (zh) * 2013-10-27 2014-02-19 西安电子科技大学 弹性光网络中静态业务流选路和频谱资源分配方法
CN104618134A (zh) * 2014-12-25 2015-05-13 国家电网公司 一种配电通信网多级分光无源光网络优化方法
CN106130931A (zh) * 2016-06-13 2016-11-16 西安电子科技大学 弹性光网络中基于进化多目标的路由频隙分配方法
CN106535012A (zh) * 2016-11-23 2017-03-22 重庆邮电大学 基于遗传算法优化组播光森林的能效路由频谱分配方法
US10805006B2 (en) * 2017-12-13 2020-10-13 Soochow University Optical network planning method for asymmetric traffic transmission over multi-core fiber optical network and network using the same
CN109218858A (zh) * 2018-09-11 2019-01-15 北京邮电大学 用于空分复用光网络的频谱分配方法、装置以及存储介质
CN109995435A (zh) * 2019-01-31 2019-07-09 全球能源互联网研究院有限公司 一种基于多纤芯光网络的虚拟网络映射方法及系统
CN110768721A (zh) * 2019-11-06 2020-02-07 苏州大学 多芯光纤网络中资源分配方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
SHUIYAN ZHANG; ZHANQI XU; SHUANG DU; JIE WU: "Routing and Spectrum Assignment Algorithm with Traffic Prediction and Periodic Rerouting in Elastic Optical Networks", 《2019 IEEE 11TH INTERNATIONAL CONFERENCE ON COMMUNICATION SOFTWARE AND NETWORKS (ICCSN)》 *
宣贺君，王宇平，徐展琦，郝姗姗: "多纤芯弹性光网络中纤芯选择算法", 《光学学报》 *
熊琪乐，刘焕淋，刘欣悦: "多芯光纤中串扰感知的路由频谱分配算法", 《光通信研究》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113132827A (zh) * 2021-04-09 2021-07-16 烽火通信科技股份有限公司 一种弹性光网络下调制自适应的路由计算方法与装置
CN113132827B (zh) * 2021-04-09 2022-03-25 烽火通信科技股份有限公司 一种弹性光网络下调制自适应的路由计算方法与装置
CN114520939A (zh) * 2022-03-14 2022-05-20 西安电子科技大学 基于指标感知进化的光网络资源分配方法
CN114520939B (zh) * 2022-03-14 2023-02-10 西安电子科技大学 基于指标感知进化的光网络资源分配方法

Also Published As

Publication number Publication date
CN112367572B (zh) 2021-07-06

Similar Documents

Publication Publication Date Title
CN112367572B (zh) 弹性光网络中基于纤芯可变的多目标rsca方法
Prathombutr et al. An algorithm for traffic grooming in WDM optical mesh networks with multiple objectives
Lechowicz et al. Genetic algorithm for routing and spectrum allocation in elastic optical networks
Rubio-Largo et al. Multiobjective metaheuristics for traffic grooming in optical networks
CN108833142B (zh) 一种多芯光纤计划业务的网络规划方法
Zhang et al. Dynamic service provisioning in space-division multiplexing elastic optical networks
Sinclair Minimum cost wavelength-path routing and wavelength allocation using a genetic-algorithm/heuristic hybrid approach
Leesutthipornchai et al. Solving multi-objective routing and wavelength assignment in WDM network using hybrid evolutionary computation approach
Yu et al. A deep learning based RSA strategy for elastic optical networks
Barpanda et al. Genetic Algorithm techniques to solve Routing and Wavelength Assignment problem in Wavelength Division Multiplexing all-optical networks
CN105007223A (zh) 一种基于光层次架构的光网络动态多播路由波长分配方法
Villamayor-Paredes et al. Routing, modulation level, and spectrum assignment in elastic optical networks. A route-permutation based genetic algorithms
Klinkowski et al. Optimization of spectrally and spatially flexible optical networks with spatial mode conversion
Tan et al. Wavelength assignment between the central nodes of the COST 239 European optical network
Saha et al. A genetic algorithm based approach for static virtual topology design in optical networks
Luo et al. Global optimization of all-optical hybrid-casting in inter-datacenter elastic optical networks
Lei et al. Crosstalk-aware routing, core, and spectrum assignment with core switching in SDM-EONs
Barpanda et al. Solving large problem instances of the RWA problem using genetic algorithms
Wang et al. Optimization model and algorithm for routing and spectrum assignment in elastic optical networks
CN113542115B (zh) 基于sdn电力通信网络的数据路径确定方法、装置及系统
Yao et al. Service provisioning based on association rules mining between crosstalk and fragmentization in multi-core elastic optical networks
Luo et al. Towards a traffic-optimal large-scale optical network topology design
Dinarte et al. Multipath provisioning for survivable elastic optical networks with optimized RSA ordering selection
CN112804597A (zh) 一种自适应光网络组播路由多目标优化方法
Monoyios et al. Indirect crosstalk-aware routing and wavelength assignment in transparent optical networks with the use of Genetic Algorithms

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