CN113068224A - 一种用于网状传输系统构建的蚁群算法实现方法和装置 - Google Patents
一种用于网状传输系统构建的蚁群算法实现方法和装置 Download PDFInfo
- Publication number
- CN113068224A CN113068224A CN202110332375.8A CN202110332375A CN113068224A CN 113068224 A CN113068224 A CN 113068224A CN 202110332375 A CN202110332375 A CN 202110332375A CN 113068224 A CN113068224 A CN 113068224A
- Authority
- CN
- China
- Prior art keywords
- node
- path
- pheromone
- transmission system
- ant
- 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
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/08—Load balancing or load distribution
-
- 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]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/24—Connectivity information management, e.g. connectivity discovery or connectivity update
- H04W40/248—Connectivity information update
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明涉及通信网络传输系统技术领域,提供了一种用于网状传输系统构建的蚁群算法实现方法和装置。方法包括在蚁群算法的信息素更新过程中,信息素增量为一次迭代中获取的路径的总长度和路径中每一段链路长度的函数,且在一次迭代内蚁群前进过程中,蚂蚁每到达一个节点,便对刚经过的路径做信息素更新,更新增量随路径的长度逐渐降低,而本次迭代获取到最佳路径的蚂蚁所走过的路径将在本迭代循环结束后额外获得指定的信息素增量,以保证最佳路径能够在接下来的迭代循环中获取更多的选择概率,从而最终获得最优解。本发明提升了规划和构建传输系统的准确率。
Description
【技术领域】
本发明涉及通信网络传输系统技术领域,特别是涉及一种用于网状传输系统构建的蚁群算法实现方法和装置。
【背景技术】
目前通信网络管理维护工程上采用人工配置和网管系统自动创建两种方式配置通信网络传输系统,人工配置方式不仅过程繁琐,效率低下,而且在工程拓扑比较复杂的场景下容易出错,难以做到合理地规划和创建满足工程应用需要的传输系统,而目前由网管系统自动识别并规划与创建生成传输系统的方法经过多年的研究和实际工程应用,对于标准的环状拓扑工程组网已经达到了比较好的计算效果,但还是无法有效满足其它网络拓扑结构的典型工程场景的应用需求,比如网状拓扑结构通信网络的传输系统生成需求,导致该应用场景下的传输系统配置不准确,进而影响对网络中各路径的流量统计和成环率计算等运维管理应用功能,导致各项网络运维的管理指标计算不准确。
鉴于此,克服该现有技术所存在的缺陷是本技术领域亟待解决的问题。
【发明内容】
本发明要解决现有技术中规划和构建传输系统的准确率较低,构建效率不足的问题。
本发明采用如下技术方案:
第一方面,本发明提供了一种用于网状传输系统构建的蚁群算法实现方法,方法包括:
在规划阶段采用相邻链路的带宽比作为启发值,在调整阶段采用剩余带宽和原物理带宽的比值作为启发值;
在蚁群算法的信息素更新过程中,信息素增量为一次迭代中获取的路径的总长度和路径中每一段链路长度的函数,且在一次迭代内蚁群前进过程中,蚂蚁每到达一个节点,便对刚经过的路径做信息素更新,更新增量随路径的长度逐渐降低,而本次迭代获取到最佳路径的蚂蚁所走过的路径将在本迭代循环结束后额外获得指定的信息素增量,以保证最佳路径能够在接下来的迭代循环中获取更多的选择概率,从而最终获得最优解。
优选的,所述指定的信息素增量具体为σ·Q/Lk,其中0≤σ≤1,以控制最佳路径上的信息素增量不至于增加到过大,Q是常数,表示信息素强度经验值;Lk表示第k只蚂蚁在本次从指定源节点路由到宿节点的迭代过程中所走过的路径的长度。
优选的,所述采用相邻链路的带宽比作为启发值,具体为:
其中,Bij表示相邻的第i节点和第j节点之间的链路物理带宽;Bfi表示相邻的第f节点和第i节点之间的链路物理带宽。
优选的,所述启发值由所述信息启发式因子和期望启发式因子构成,具体的:
优选的,算法中的期望启发式因子在传输系统的规划阶段和调整阶段采用各自的参数变量,启发值的具体表现为:
其中,ω为信息启发式因子的权重占比,0≤ω≤1,λ为期望启发式因子的权重占比,0≤λ≤1,且ω+λ=1;当在传输系统规划阶段时,以路径上相邻链路的物理带宽比值作为信息启发式因子;在传输系统调整阶段时,以路径上相邻链路的剩余带宽比值为寻路时主要参照的信息启发式因子。
优选的,信息素增量为一次迭代中获取的路径的总长度和路径中每一段链路长度的函数,具体为信息素增量Δτij(t)由以下等式实现:
其中,Q是常数,表示信息素强度经验值;Lk表示第k只蚂蚁在本次从指定源节点路由到宿节点的迭代过程中所走过的路径的长度,dij表示节点i到节点 j之间路径的距离,其中0≤σ≤1,以控制最佳路径上的信息素增量不至于增加到过大。
第二方面,本发明还提供了一种用于网状传输系统构建的蚁群算法实现方法,初始化路径上的成本Cij、人工蚂蚁数m、挥发系数ρ、最大迭代次数NC_MAX,以及其他相关系数,置迭代次数NC初值为0和节点计数i=0,方法包括:
步骤三、是否完成m只蚂蚁选择节点j,若完成,进入步骤四;否则,蚂蚁计数k=k+1,返回步骤一;
步骤四、是否完成蚂蚁环游所有满足条件的节点,若是,进入步骤五;否则,节点计数i=i+1,返回步骤一;
步骤五、计算蚁群各蚂蚁所经过路径的路由,及其节点数和最小代价,根据所需路由策略是最少节点还是最小代价来获取本次迭代过程中所得到的最优路径;
步骤六、计算本次迭代信息素浓度增加值,包括最佳路径的信息素浓度增加值,并更新信息素浓度矩阵;
步骤七、判断是否出现路径搜索停滞,若出现停滞,则通过动态调整当前最优路径上的信息素增强参数σ使其值变小,使蚁群中的蚂蚁有更大概率选择其他路径;
步骤八、是否满足NC<NC_MAX,若是,则继续重复步骤一至步骤七,否则,进入步骤九;
步骤九、输出整个循环过程中获得的传输系统路由最优解。
其中,τij(t)为节点i到节点j路径上的信息素强度,ηij(t)为节点i到节点 j的信息启发因子,表示蚂蚁从节点i去往下一跳选择节点j的期望程度;α为路径上的信息素的重要程度,β为启发因子的重要程度,allowedk为蚂蚁k所允许经过的状态的集合,Sj为该集合中的任意一个节点元素s,同样τis(t)为节点 i到节点s路径上的信息素强度,ηis(t)为节点i到节点s的信息启发因子;
Bij表示第i节点和第j节点之间的链路物理带宽;Bfi表示第f节点和第i 节点之间的链路物理带宽;
Cij为路径上的成本,Qk为本轮迭代过程中从源节点路由到当前节点时所经过的节点跳数;ω为信息启发式因子的权重占比,0≤ω≤1,λ为期望启发式因子的权重占比,0≤λ≤1,且ω+λ=1。
优选的,所述计算本次迭代信息素浓度增加值,具体包括:
其中,Q是常数,表示信息素强度经验值;Lk表示第k只蚂蚁在本次从指定源节点路由到宿节点的迭代过程中所走过的路径的长度,dij表示节点i到节点 j之间路径的距离。
第三方面,本发明还提供了一种用于网状传输系统构建的蚁群算法实现装置,用于实现第一方面所述的用于网状传输系统构建的蚁群算法实现方法,所述装置包括:
至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述处理器执行,用于执行第一方面和/或第二方面所述的用于网状传输系统构建的蚁群算法实现方法。
第四方面,本发明还提供了一种非易失性计算机存储介质,所述计算机存储介质存储有计算机可执行指令,该计算机可执行指令被一个或多个处理器执行,用于完成第一方面和/或第二方面所述的用于网状传输系统构建的蚁群算法实现方法。
本发明提升了规划和构建传输系统的准确率,基于相同的拓扑结构和配置规模,本发明提供的方法识别生成的传输系统比以前纯粹基于环状拓扑结构网络研究提供的方法识别生成的传输系统在数量上更为精简化,在结构上也更为合理。
在实际工程通信网络拓扑结构发生变化的情况下,本发提供的智能化的负载均衡算法,可解决实际工程应用中网络拓扑结构发生变化后传输系统的动态调整问题,同时可以避免通信流量集中汇聚于某一条通信链路而导致的流量拥塞和丢包问题,有效降低单个汇聚网元的负载,保证通信网络的传输质量。
本发明提升了传输系统的规划构建效率,相同的拓扑结构和同等配置规模下,本发明提供的传输系统构建方法所花费的时间比以前的传输系统构建方法要减少30%左右。
【附图说明】
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图作简单地介绍。显而易见地,下面所描述的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种用于网状传输系统构建的蚁群算法实现方法流程示意图;
图2是本发明实施例中规划和生成传输系统的框架示意图;
图3是本发明实施例中规划和生成传输系统的流程示意图;
图4是本发明实施例方案中涉及的网状网络拓扑结构图;
图5是本发明实施例提供的一种用于网状传输系统构建的蚁群算法实现装置结构示意图。
【具体实施方式】
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
在本发明的描述中,术语“内”、“外”、“纵向”、“横向”、“上”、“下”、“顶”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明而不是要求本发明必须以特定的方位构造和操作,因此不应当理解为对本发明的限制。
此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
蚁群算法(Ant Colony Optimization,简写为:ACO)是一种模拟蚂蚁觅食行为的模拟优化算法,它是由意大利学者Dorigo M等人于1991年首先提出,并首先使用在解决旅行商问题(Traveling Salesman Problem,简写为:TSP)上。
蚁群算法的基本原理:蚂蚁在经过的路径上释放信息素,碰到还没走过的路口,就随机挑选一条路走,同时,释放出一种其它蚂蚁可感知的信息素,该信息素有一定的挥发性,路径越长,蚂蚁走完该路径所花的时间也越多,信息素挥发的也越多,也就是说信息素浓度与蚂蚁所走过的路径长度成反比,后来的蚂蚁再次碰到该路口时,就选择信息素浓度较高路径,随着走过的蚂蚁越来越多,最优路径上的信息素浓度越来越大,最终蚁群找到最优寻食路径。
在本发明中要解决的问题虽然跟TSP求解问题有很高的相似性,但并不仅仅是找到一条最优路径,而是需要找到可以在多种因素的组合作用下的多条优选路径。我们可以把通信网络中的每个网元比作一个城市,从A网元到B网元的寻路问题可以比作从城市A到城市B的最优路径求解问题。而通信网络的传输系统规划问题则相当于在多个城市组成的城市群之内和之间的最优路径的选择问题,当然我们还需要考虑城市之间的道路上的车流量和红绿灯造成的拥塞问题,还有因为可能的道路施工改造造成的备选路径的选择问题,也就是通信网络中工作路径上的业务流量和流量拥塞以及因设备或链路故障而造成的保护路径选择问题。当然无论是工作路径还是保护路径既要保证信息经过的路径相对最短,又要使得通信质量能够得到保障,同时还要尽量避免路径上单个节点或链路上的负荷过大而造成流量拥塞和数据丢失,甚至在某节点或链路失效的情况下要能够迅速找到可用路径以快速恢复正常通信。
基本蚁群算法中的两个过程:
过程一、状态转移;
过程二、信息素更新;
蚁群算法的数学模型具体描述如下:
首先,将m个蚂蚁随机的放置在n个节点上,节点间的每一路径上都有初始化信息素,每个蚂蚁有个状态序列的记录表,用于记录蚂蚁走过的节点。然后,每只蚂蚁根据状态转移概率随机进行状态转移,并且每次转移只允许从当前状态转移到相邻的某个状态,所以蚂蚁k从状态Si转移到某个相邻状态Sj的状态转移概率Pij(t)定义为:
其中,τij(t)为节点i到节点j路径上的信息素强度,ηij(t)为节点i到节点j 的信息启发因子(其内容被描述为启发值),表示蚂蚁从节点i去往下一跳选择节点j的期望程度,一般情况下令ηij(t)=1/Cij,Cij表示节点i到节点j的链路代价,这样代价越大的节点期望值就越小,则该节点被选择的概率就越小。而对于不存在的链路,因为Cij为∞,因此,ηij(t)=0,故不会被选择。α为路径上的信息素的重要程度,β为启发因子的重要程度,并且,α和β都是大于0 的,allowedk为蚂蚁k所允许经过的状态的集合,其中allowedk={1,2,…,n}- Tabuk-Condk表示蚂蚁k下一步可以选择的节点,与实际蚁群不同,人工蚁群系统具有记忆功能;Tabuk和Condk为禁忌表,Tabuk用以记录蚂蚁k本次迭代所走过的节点,Condk表示不满足总体约束的节点,如寻路过程中得到的单挂环和链中的网元在后续环形传输系统的寻路过程中需要规避,避免对它们重复寻路,因此需要加入到Condk表中,Tabuk和Condk随着蚂蚁不断选择下一个节点进行动态调整。
为了避免残留信息素过多而淹没启发信息,在一次循环中每只蚂蚁走完一步或者完成对所有n个节点的遍历(也即一个循环结束)后,要对残留信息进行更新处理。
由此,t+Δt时刻在路径(i,j)上的信息量可按如下规则进行调整:
τij(t+Δt)=(1-ρ)·τij(t)+Δτij(t) (2);
其中公式(1)中的τij(t+Δt)为t+Δt时刻在路径(i,j)上的信息素浓度,τij(t)为t时刻在路径(i,j)上的信息素浓度,ρ为信息素挥发因子,Δτij(t)为经过路径(i,j)的蚂蚁留下的信息素增量和,对应公式(3)。
过程一、状态转移的具体阐述
在传输系统规划生成阶段,本发明根据通信网络业务路径寻路一般情况下要求最短路径或最小成本的特点,在初始时刻,所有链路上的信息素浓度都是相同的,设为τij(0)=h(h为常数),但链路的物理带宽有可能会不一样,此时将待巡行的链路物理带宽和刚巡行过的链路物理带宽的比值作为信息启发式因子,而路径上的成本的倒数与本轮迭代过程中从源节点路由到当前节点时所经过的节点数的倒数之和作为期望启发式因子,这样可保证尽可能选择相同物理带宽的下一跳链路,同时保证下一跳路径代价越小的路径选择的概率越大。其中,一轮迭代过程是指蚁群完成一次从源节点路由到宿节点的过程。启发式因子在传输系统规划调整阶段,待巡行的链路上的空闲带宽值与物理带宽(总带宽)的比值作为信息启发式因子,期望启发因子仍为不变,不同阶段的启发式因子分别占据不同的权重,得到:
其中ω为信息启发式因子的权重占比,0≤ω≤1,λ为期望启发式因子的权重占比,0≤λ≤1,且ω+λ=1。当迭代循环初始阶段,路径中的各链路上的信息素强度区分度不大时,此时以路径上相邻链路的物理带宽比值(传输系统规划阶段) 或者相邻链路的剩余带宽比值(传输系统调整阶段)为寻路时主要参照的启发式因子的系数,则ω取较大的值,迭代一定次数后,路径中的各链路上的信息素强度已被成功区分后,则带宽不再作为主要的参照系数,而以链路成本和路径跳数为主,此时可以调整ω为较小值,具体的取值根据多次迭代后的算法的表现来做调整。如可取ω=0.9,则λ=0.1,迭代一定次数后,路径中的各链路上的信息素强度已被成功区分后,则带宽不再作为主要的参照系数,而以链路成本和路径跳数为主,此时可以调整ω为较小值,如取ω=0.4,λ=0.6;参数ω和λ的具体取值跟实际网络结构有关,可在实际网络上通过多轮算法运算后得出最佳值。
过程二、信息素更新具体阐述
基本蚁群算法中有3种信息素更新模型,分别为蚁周模型(Ant Cycle System,简写为:ACS)、蚁量模型(Ant Quantity System,简写为:AQS)和蚁密模型(Ant DensitySystem,简写为:ADS),它们之间的分别在于信息素增量、信息素更新时刻和信息素更新方式3个方面的不同。各个模型的信息素增量公式如下:
上述三种模型中,后两种模型利用的是局部信息,而前一种模型利用的是整体信息,Q是常数,表示信息素强度经验值;Lk表示第k只蚂蚁在本次从指定源节点路由到宿节点的迭代过程中所走过的路径的长度,dij表示节点i到节点j 之间路径的距离,tabu(t)为第k只蚂蚁在本次迭代中所经过的节点列表,同时作为禁忌表。
本发明实施例中采用自适应信息素调整模型,即信息素增量Δτij(t)为Q/Lk和 Q/dij的函数,即
且为全局更新和局部更新相结合的更新方式,即在一次迭代内蚁群前进过程中,蚂蚁每到达一个节点,即对刚才经过的路径做信息素更新,更新增量会随着路径的长度越来越小,以保证算法不至于过早收敛于次优解,而本次迭代获取到最佳路径的蚂蚁所走过的路径将在本迭代循环结束后额外获得信息素增量σ·Q/Lk,以保证最佳路径能够在接下来的迭代循环中获取更多的选择概率,从而最终获得最优解,其中0≤σ≤1,以控制最佳路径上的信息素增量不至于增加到过大。同时也需要保证τmin≤τij(t)≤τmax,当τij(t)<τmin时,调整τij(t)使之τij(t)=τmin,当τij(t)>τmax时,调整τij(t)=τmax,以保证信息素量不至于过大或者过小。
实施例1:
本发明实施例1提供了一种用于网状传输系统构建的蚁群算法实现方法,方法包括:
在规划阶段采用相邻链路的带宽比作为启发值,在调整阶段采用剩余带宽和原物理带宽的比值作为启发值,在规划阶段整个网络还未承载业务流量,因此传输系统的路径可以采用相同带宽的链路来生成,而在调整阶段整个网络已承载有业务流量,调整现有传输系统的路径时需要考虑网络上的已占用带宽,此时寻找新路径时通过比较新链路上的剩余带宽与原链路的带宽的大小,采用比值最接近于1的链路作为新的路径。本方法不依赖网络拓扑结构,可同时适用于环状拓扑结构网络和网状拓扑结构网络,能在这两种不同结构的网络应用中生成对应的传输系统;
上述改进能同时满足环状拓扑结构网络和网状拓扑结构网络的不同应用场景;从而避免了现有基于距离矢量寻路算法始终只能在源宿节点间寻出固定的一条最短路径的问题,使得在网状结构拓扑中多个不同路径都有机会得到选择。
在蚁群算法的信息素更新过程中,信息素增量为一次迭代中获取的路径的总长度和路径中每一段链路长度的函数,且在一次迭代内蚁群前进过程中,蚂蚁每到达一个节点,便对刚经过的路径做信息素更新,更新增量随路径的长度逐渐降低(以保证算法不至于过早收敛于次优解),而本次迭代获取到最佳路径的蚂蚁所走过的路径将在本迭代循环结束后额外获得指定的信息素增量,以保证最佳路径能够在接下来的迭代循环中获取更多的选择概率,从而最终获得最优解。
本发明实施例能够同时适用于环状拓扑结构和网状拓扑结构的通信网络,为运营商的通信网络工程实地部署提供因地制宜和更为合理的解决方案。本发明实施例提供的方法识别生成的传输系统比以前纯粹基于环状拓扑结构网络研究提供的方法识别生成的传输系统在数量上更为精简化,在结构上也更为合理。
在本发明实施例中,所述指定的信息素增量具体为σ·Q/Lk,其中0≤σ≤1,以控制最佳路径上的信息素增量不至于增加到过大,Q是常数,表示信息素强度经验值;Lk表示第k只蚂蚁在本次从指定源节点路由到宿节点的迭代过程中所走过的路径的长度。在优选的方案中,同时也需要保证τmin≤τij(t)≤τmax,避免算法过早陷入停滞。
在本发明实施例中,对于实施例1中涉及的所述采用相邻链路的带宽比作为启发值,还给予了一种具体实现方式:
其中,Bij表示第i节点和第j节点之间的链路物理带宽;Bfi表示第f节点和第i节点之间的链路物理带宽。
所述启发值由所述信息启发式因子和期望启发式因子构成,具体的:
算法中的期望启发式因子在传输系统的规划阶段和调整阶段采用各自的参数变量,启发值的具体表现为:
其中,ω为信息启发式因子的权重占比,0≤ω≤1,λ为期望启发式因子的权重占比,0≤λ≤1,且ω+λ=1;当在传输系统规划阶段时,即迭代循环初始阶段,路径中的各链路上的信息素强度区分度不大,以路径上相邻链路的物理带宽比值作为信息启发式因子;在传输系统调整阶段时,以路径上相邻链路的剩余带宽比值为寻路时主要参照的信息启发式因子。
当迭代循环初始阶段,路径中的各链路上的信息素强度区分度不大时,取ω=0.9,则λ=0.1;
迭代一定次数后,路径中的各链路上的信息素强度已被成功区分后,则带宽不再作为主要的参照系数,而以链路成本和路径跳数为主,此时可以调整ω为较小值,如取ω=0.4,λ=0.6。
在本发明实施例中,信息素增量为一次迭代中获取的路径的总长度和路径中每一段链路长度的函数,具体为信息素增量Δτij(t)由以下等式实现:
Q是常数,表示信息素强度经验值;Lk表示第k只蚂蚁在本次从指定源节点路由到宿节点的迭代过程中所走过的路径的长度,dij表示节点i到节点j之间路径的距离,其中0≤σ≤1,以控制最佳路径上的信息素增量不至于增加到过大。在优选的实现方案中,同时也需要保证τmin≤τij(t)≤τmax,当τij(t)<τmin时,调整τij(t) 使之τij(t)=τmin,当τij(t)>τmax时,调整τij(t)=τmax,以保证信息素量不至于过大或者过小。
本发明实施例提供的智能化的负载均衡算法,可解决实际工程应用中网络拓扑结构发生变化后传输系统的动态调整问题,同时可以避免通信流量集中汇聚于某一条通信链路而导致的流量拥塞和丢包问题,有效降低单个汇聚网元的负载,保证通信网络的传输质量。
实施例2:
一种用于网状传输系统构建的蚁群算法实现方法,本发明的实现方法是依据实施例1所阐述的相关核心改进过程和算法公式基础上进行的,因此,在本发明实施例中涉及,且在实施例1中已经解释的相关公式和参数将不过多的做重复定义和解释。在具体实现本发明的方法步骤之前,需要初始化路径上的成本 Cij、人工蚂蚁数m、挥发系数ρ、最大迭代次数NC_MAX,以及其他相关系数(如实施例1中所涉及的ω、λ、α、β、Q和σ等),置迭代次数NC初值为0和节点计数i=0,如图1所示,方法包括:
在步骤201中,获取与当前节点直接相连的邻居节点集合,计算蚁群选择该集合中除已路由的邻居节点外的下一个相邻节点j的概率其中,需要补充解释的是节点j为当前节点的直连邻居节点,在本步骤中就会做循环计算,因此不用像i和k那样做计数,因此,节点j更多含义就是相邻节点的名称含义。
在步骤203中,是否完成m只蚂蚁选择节点j,若完成,进入步骤204;否则,蚂蚁计数k=k+1,返回步骤201。
在步骤204中,是否完成蚂蚁环游所有满足条件的节点,若是,进入步骤205;否则,节点计数i=i+1,返回步骤201。
在步骤205中,计算蚁群各蚂蚁所经过路径的路由,及其节点数和最小代价,根据所需路由策略是最少节点还是最小代价来获取本次迭代过程中所得到的最优路径。
在步骤206中,计算本次迭代信息素浓度增加值,包括最佳路径的信息素浓度增加值,并更新信息素浓度矩阵。
在步骤207中,判断是否出现路径搜索停滞,若出现停滞,则通过动态调整当前最优路径上的信息素增强参数σ使其值变小,使蚁群中的蚂蚁有更大概率选择其他路径。
在步骤208中,是否满足NC<NC_MAX,若是,则继续重复步骤201至步骤 207,否则,进入步骤209。
在步骤209中,输出整个循环过程中获得的传输系统路由最优解。
本发明实施例提升了规划和构建传输系统的准确率,基于相同的拓扑结构和配置规模,本发明实施例提供的方法识别生成的传输系统比以前纯粹基于环状拓扑结构网络研究提供的方法识别生成的传输系统在数量上更为精简化,在结构上也更为合理。
本发明实施例提升了传输系统的规划构建效率,相同的拓扑结构和同等配置规模下,本发明实施例提供的传输系统构建方法所花费的时间比以前的传输系统构建方法要减少30%左右。
其中,τij(t)为节点i到节点j路径上的信息素强度,ηij(t)为节点i到节点 j的信息启发因子,表示蚂蚁从节点i去往下一跳选择节点j的期望程度;α为路径上的信息素的重要程度,β为启发因子的重要程度,allowedk为蚂蚁k所允许经过的状态的集合,Sj为该集合中的任意一个节点元素s,同样τis(t)为节点 i到节点s路径上的信息素强度,ηis(t)为节点i到节点s的信息启发因子;
Bij表示相邻的第i节点和第j节点之间的链路物理带宽;Bfi表示相邻的第f节点和第i节点之间的链路物理带宽;
Cij为路径上的成本,Qk为本轮迭代过程中已经过的节点跳数;ω为信息启发式因子的权重占比,0≤ω≤1,λ为期望启发式因子的权重占比,0≤λ≤1,且ω+λ=1;
在本发明实施例中,针对上述步骤206所涉及的所述计算本次迭代信息素浓度增加值,给予了一种可行的具体实现方式,包括:
其中,Q是常数,表示信息素强度经验值;Lk表示第k只蚂蚁在本次从指定源节点路由到宿节点的迭代过程中所走过的路径的长度,dij表示节点i到节点 j之间路径的距离。
实施例3:
本发明实施例是对实施例1和实施例2相关方法内容,在一个较为完整的系统实现场景中进行融合和阐述,使得本发明实施例所提出的改进后的蚁群算法在具体网状传输系统构建中的作用有更充分的展示。在具体网状传输系统构建中,如图2所示,通常可以分为以下几大块内容:数据预处理、生成单挂环传输系统、生成环形传输系统、生成链形传输系统、动态调整修改传输系统,而作为本发明实施例1和实施例2而言,其核心支撑的是上述的生成环形传输系统中,接下来将对各个环节做逐一阐述,在具体实现过程中相应几块内容也可以按照相应的执行先后顺序,按照类似图3的步骤301-步骤304的顺序执行。
数据预处理:根据拓扑中各网元的网元属性中的层次属性是否核心层和汇聚层计算出核心环和汇聚环传输系统,如图4中的节点H1、H2、H3、H4、H5、 H6、H7、H8的层次属性都为汇聚层,所以将这些网元组成一个汇聚环。再根据汇聚环上汇聚节点与接入节点的连接关系计算汇聚节点的接入节点连接数目,为下一步骤确定各汇聚节点上放置合适的蚂蚁数目做准备。然后再根据接入网元的连纤关系获取同时与三个或三个以上网元有链接的接入网元,作为网状中间节点集合,如图4中的节点J20、J40、J50、J60、J70、J80、J90、J100、J130,同时记录这些节点与相邻节点的连接数,且记录最大相邻节点数供下一步骤确定使用的蚂蚁数目。
生成单挂环传输系统:将上述数据预处理中获得的汇聚节点的接入节点连接数乘以10,得到所需的蚂蚁数m,将m只蚂蚁放置在相应各个对应汇聚节点上,通过人工蚂蚁从任意一个汇聚节点往接入环/网节点方向按照图1所示的蚁群算法进行遍历,沿途已经过的节点加入禁忌表Tabuk,如蚁群中的各蚂蚁未经过任何中间节点集合中的节点且也未经过任何汇聚节点直接回到了出发节点,则表明该蚂蚁本次循环遍历经过的路径为单挂环,如图4中汇聚节点H5下挂的接入节点J140、J150、J160、J170组成一个单挂环,记录下成环的节点数据,输出到单挂环列表,并将这些节点加入到Condk表,下次不再对该表中的节点进行遍历;
生成环形传输系统:各汇聚节点上蚂蚁分配同上述的生成单挂环传输系统的实现,如果从某个汇聚节点出发的蚂蚁按照图1所示的蚁群算法进行遍历,途中到达某个网状中间节点(即数据预处理步骤中记录的邻居数大于等于3的接入节点)时,根据蚂蚁优化算法中的步骤201所述方法计算去往下一个节点的概率根据这个概率值确定去往不同邻居节点的蚂蚁数,然后再按照算法的剩余步骤继续巡行,上述过程中已确定路径走向的蚂蚁每到达一个节点按照算法步骤206中的算法刷新刚走过路径的信息素浓度,如果两个不同汇聚节点出发巡行遍历的蚂蚁在某个节点相遇,则一个方向的蚂蚁根据对向的蚂蚁在相遇节点上保存的信息素并结合该节点上对应的启发式因子进行选路,取当前最优路径进行遍历,到达另一个汇聚节点后输出该路径,本次迭代结束;
比较本轮迭代所获得的路径,首先记录每条从一个汇聚节点出发到达另一个汇聚节点的业务路径跳数,比较每一对汇聚节点间的跳数和,以最小的跳数的路径作为一级接入环,且将这一对汇聚节点作为该环的双归保护点,然后输出到环形传输系统列表,然后再以该一级接入环中离双归保护点最近的网状中间节点和汇聚环中离该一级接入环最近的汇聚节点作为路径的源宿节点,按照生成环形传输系统的过程和比较本轮迭代所获得的路径中的逻辑依次计算下挂在一级接入环下的二级接入环、三级接入环等;
生成链形传输系统:在上述生成单挂环传输系统和生成环形传输系统中,对于某一只或几只蚂蚁在巡行遍历过程中进入一条单链路径,即蚂蚁在到达路径终点时除已巡行路径外无其它返回路径,则记录该路径上最后一个网状中间节点到终止节点的路径,输出到链形传输系统列表,并将这些节点中除网状中间节点外的其余节点都加入到Condk表,下次迭代时不再对该表中的节点进行遍历。
动态调整修改传输系统:在传输网络运行过程中,如果因为某种原因导致网络中的某个节点或链路故障或长时间的拥塞,则该故障节点或链路会上报相应的告警,传输系统会订阅相应的告警信息,在它收到对应的告警时,计算该故障节点或链路所影响的接入环,判断该接入环中是否存在网状中间节点,且如果存在中间节点,则进一步判断该中间节点在该环的哪个双归保护点和故障节点或链路之间,则以该中间节点和另一个双归点为源宿按生成环形传输系统中所描述的过程进行寻路,如果不存在中间节点,则以该环的两个双归保护点作为源宿节点,按生成环形传输系统中所描述的过程进行寻路,然后从中选出最优路径作为该接入环新的路径。然后对该接入环下受影响的下一级接入环按同样的方法进行重新寻路,依次类推,直到所有受影响的接入环全部找到新的路径,此次调整结束。
本发明实施例能够同时适用于环状拓扑结构和网状拓扑结构的通信网络,为运营商的通信网络工程实地部署提供因地制宜和更为合理的解决方案。
本发明实施例提升了规划和构建传输系统的准确率,基于相同的拓扑结构和配置规模,本发明实施例提供的方法识别生成的传输系统比以前纯粹基于环状拓扑结构网络研究提供的方法识别生成的传输系统在数量上更为精简化,在结构上也更为合理。
在实际工程通信网络拓扑结构发生变化的情况下,本发明实施例提供的智能化的负载均衡算法,可解决实际工程应用中网络拓扑结构发生变化后传输系统的动态调整问题,同时可以避免通信流量集中汇聚于某一条通信链路而导致的流量拥塞和丢包问题,有效降低单个汇聚网元的负载,保证通信网络的传输质量。
本发明实施例提升了传输系统的规划构建效率,相同的拓扑结构和同等配置规模下,本发明实施例提供的传输系统构建方法所花费的时间比以前的传输系统构建方法要减少30%左右。
实施例4:
本发明实施例将以图2和图3所示的场景实例,将实施例3中所涉及的内容进行实例场景展示。
算法实施例举例说明:
一级接入环R10(H2->H3)的生成方式:
汇聚节点H2和H3各只有一个接入节点与它们直接相连,因此按前述生成单挂环传输系统的方法在H2和H3处各放置10只蚂蚁,各蚂蚁分别从汇聚节点 H2、H3分别出发往接入节点方向巡行,它们最早会相遇于节点J60,最短路径为:H2-J40-J60-J50-H3,最小跳数为4。
同理汇聚节点H1到达汇聚网元H2的最短路径为:H1-J10-J20-J30-J40-H2,最小跳数为5。
汇聚节点H1到达汇聚网元H3的最短路径为:H1-J10-J20-J30-J40-J60- J50-H3,最小跳数为7。
汇聚节点H1到达汇聚网元H4的最短路径为:H1-J10-J20-J30-J40-J60- J50-J90-J100-J130-H4,最小跳数为10。
汇聚节点H2到达汇聚网元H4的最短路径为:H2-J40-J60-J50-J90-J100- J130-H4,最小跳数为7。
节点H1、H2、H3、H4到达汇聚网元H5、H6、H7、H8没有最短路径(最短路径不能跨域汇聚网元)。
从以上数据获取到H2-J40-J60-J50-H3为最短路径,形成一级接入环R10。
一级接入环R10(H2->H3)的二级环R11(H1->J40)生成方式:
根据前述生成环形传输系统流程中的二级接入环生成步骤,以汇聚节点H1 为源节点,J40为宿节点按照前述蚁群算法进行寻路,找到最短路径经过接入网元J10,J20,J30到达J40,此时将该环H1-J10-J20-J30-J40记为二级接入环 R11;
一级接入环R10(H2->H3)的二级环R12(H4->J50)生成方式:
同二级环R11(H1->J40)的生成过程,以汇聚节点H4为源节点,J50为宿节点按照前述蚁群算法进行寻路,找到最短路径经过接入网元J130,J100,J90 到达J50,此时将该环H4-J130-J100-J90-J50记为二级接入环R12;
三级接入环R31(J60->J90)和R32(J100->J130)的生成方式与二级接入环相同,不做重复描述;
在上述的二级环R11(H1->J40)的蚁群寻路过程中,一些蚂蚁会巡行到单链路径J20-J21-J22,此时将该单链路径记为三级接入链L31;
在具体实现过程中,在实施例3中还会涉及指标计算:
传输系统环状节点数目:传输系统中环状节点数目过多会导致传输系统流量负载过大;节点数目太少,会导致传输系统数目过多。通过系统流量统计的大数据分析来获得最佳节点数,理论上一个传输系统上的流量负载不得超过80%,系统按照这个标准来计算传输系统环状节点数目,可以避免出现超大环。
汇聚节点下挂网元数及流量分配占比:根据负载均衡的方式计算每个汇聚节点下挂的网元数,根据下挂的网元数确定每个汇聚节点分担的流量数据。
结合本发明实施例,相应的指标计算举例说明:
一级接入环R10(H2-J40-J60-J50-H3),以二级接入环R11的双归保护节点 J40为分割,J40到汇聚节点H2有1个网元,J40到汇聚节点H3有3个网元,按照根据下挂节点数占比的流量分配的权重比例,H2占1/4,H3,占3/4,该系数会应用到二级以下环的计算中;
二级接入环R11(H1-J10-J20-J30-J40),以R11环上的网元数的一半作为起点找到网元J20,将R11环以网元J20为分割点,计算权值比例,根据权值比例,将环上的网元J20、J30划分到环R10,网元J20、J10划分到汇聚节点H1,对于划分给环R10的网元需要乘以步骤1中的权重比列;
环上链的数据不参与起点的计算,如图4中,网元J20下挂的链路网元J21、J22产生的流量则作为挂接节点J20的流量来源,叠加到J20上,在环R11的占比分配以J20加上链上的节点数作为参与比例计算的基准,由于J20在环R11 内恰好为分割点,则分配给两个双挂保护点H1和J40的比例各为50%;
二级接入环R12(H4-J130-J100-J90-J50)的流量分配占比,与上述的二级接入环R11相同;
三级环,按照下挂节点与二级环的计算方式相同。
实施例5:
如图5所示,是本发明实施例的用于网状传输系统构建的蚁群算法实现装置的架构示意图。本实施例的用于网状传输系统构建的蚁群算法实现装置包括一个或多个处理器21以及存储器22。其中,图5中以一个处理器21为例。
处理器21和存储器22可以通过总线或者其他方式连接,图5中以通过总线连接为例。
存储器22作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序和非易失性计算机可执行程序,如实施例1中的用于网状传输系统构建的蚁群算法实现方法。处理器21通过运行存储在存储器22中的非易失性软件程序和指令,从而执行用于网状传输系统构建的蚁群算法实现方法。
存储器22可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中,存储器22可选包括相对于处理器21远程设置的存储器,这些远程存储器可以通过网络连接至处理器21。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述程序指令/模块存储在所述存储器22中,当被所述一个或者多个处理器21执行时,执行上述实施例1中的用于网状传输系统构建的蚁群算法实现方法,例如,执行以上描述的图1和图3所示的各个步骤。
值得说明的是,上述装置和系统内的模块、单元之间的信息交互、执行过程等内容,由于与本发明的处理方法实施例基于同一构思,具体内容可参见本发明方法实施例中的叙述,此处不再赘述。
本领域普通技术人员可以理解实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取存储器(RAM,Random AccessMemory)、磁盘或光盘等。
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,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种用于网状传输系统构建的蚁群算法实现方法,其特征在于,方法包括:
在规划阶段采用相邻链路的带宽比作为启发值,在调整阶段采用剩余带宽和原物理带宽的比值作为启发值;
在蚁群算法的信息素更新过程中,信息素增量为一次迭代中获取的路径的总长度和路径中每一段链路长度的函数,且在一次迭代内蚁群前进过程中,蚂蚁每到达一个节点,便对刚经过的路径做信息素更新,更新增量随路径的长度逐渐降低,而本次迭代获取到最佳路径的蚂蚁所走过的路径将在本迭代循环结束后额外获得指定的信息素增量,以保证最佳路径能够在接下来的迭代循环中获取更多的选择概率,从而最终获得最优解。
2.根据权利要求1所述的用于网状传输系统构建的蚁群算法实现方法,其特征在于,所述指定的信息素增量具体为σ·Q/Lk,其中0≤σ≤1,以控制最佳路径上的信息素增量不至于增加到过大,Q是常数,表示信息素强度经验值;Lk表示第k只蚂蚁在本次从指定源节点路由到宿节点的迭代过程中所走过的路径的长度。
7.一种用于网状传输系统构建的蚁群算法实现方法,其特征在于,初始化路径上的成本Cij、人工蚂蚁数m、挥发系数ρ、最大迭代次数NC_MAX,以及其他相关系数,置迭代次数NC初值为0和节点计数i=0,方法包括:
步骤三、是否完成m只蚂蚁选择节点j,若完成,进入步骤四;否则,蚂蚁计数k=k+1,返回步骤一;
步骤四、是否完成蚂蚁环游所有满足条件的节点,若是,进入步骤五;否则,节点计数i=i+1,返回步骤一;
步骤五、计算蚁群各蚂蚁所经过路径的路由,及其节点数和最小代价,根据所需路由策略是最少节点还是最小代价来获取本次迭代过程中所得到的最优路径;
步骤六、计算本次迭代信息素浓度增加值,包括最佳路径的信息素浓度增加值,并更新信息素浓度矩阵;
步骤七、判断是否出现路径搜索停滞,若出现停滞,则通过动态调整当前最优路径上的信息素增强参数σ使其值变小,使蚁群中的蚂蚁有更大概率选择其他路径;
步骤八、是否满足NC<NC_MAX,若是,则继续重复步骤一至步骤七,否则,进入步骤九;
步骤九、输出整个循环过程中获得的传输系统路由最优解。
其中,τij(t)为节点i到节点j路径上的信息素强度,ηij(t)为节点i到节点j的信息启发因子,表示蚂蚁从节点i去往下一跳选择节点j的期望程度;α为路径上的信息素的重要程度,β为启发因子的重要程度,allowedk为蚂蚁k所允许经过的状态的集合,Sj为该集合中的任意一个节点元素s,同样τis(t)为节点i到节点s路径上的信息素强度,ηis(t)为节点i到节点s的信息启发因子;
Bij表示第i节点和第j节点之间的链路物理带宽;Bfi表示第f节点和第i节点之间的链路物理带宽;
Cij为路径上的成本,Qk为本轮迭代过程中从源节点路由到当前节点时所经过的节点跳数;ω为信息启发式因子的权重占比,0≤ω≤1,λ为期望启发式因子的权重占比,0≤λ≤1,且ω+λ=1。
10.一种用于网状传输系统构建的蚁群算法实现装置,其特征在于,所述装置包括:
至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述处理器执行,用于执行权利要求1-9任一所述的用于网状传输系统构建的蚁群算法实现方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110332375.8A CN113068224B (zh) | 2021-03-29 | 2021-03-29 | 一种用于网状传输系统构建的蚁群算法实现方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110332375.8A CN113068224B (zh) | 2021-03-29 | 2021-03-29 | 一种用于网状传输系统构建的蚁群算法实现方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113068224A true CN113068224A (zh) | 2021-07-02 |
CN113068224B CN113068224B (zh) | 2022-10-21 |
Family
ID=76564230
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110332375.8A Active CN113068224B (zh) | 2021-03-29 | 2021-03-29 | 一种用于网状传输系统构建的蚁群算法实现方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113068224B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114422424A (zh) * | 2021-12-30 | 2022-04-29 | 中国电信股份有限公司 | 一种传输网络的路由计算方法及装置 |
CN114844823A (zh) * | 2022-04-07 | 2022-08-02 | 桂林电子科技大学 | 一种改进aco算法的必经点有向带环最短链路生成方法 |
CN115348100A (zh) * | 2022-08-22 | 2022-11-15 | 中国工商银行股份有限公司 | 一种网络入侵特征确定方法及装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2328308A1 (en) * | 2009-11-27 | 2011-06-01 | Alcatel Lucent | Method for building a path according to adaptation functions using an ant colony |
CN103354654A (zh) * | 2013-07-24 | 2013-10-16 | 桂林电子科技大学 | 基于蚁群算法的高能效无线传感器网络路由方法 |
CN105717926A (zh) * | 2015-11-09 | 2016-06-29 | 江苏理工学院 | 基于改进蚁群算法的移动机器人旅行商优化方法 |
CN107094115A (zh) * | 2017-05-19 | 2017-08-25 | 重庆邮电大学 | 一种基于sdn的蚁群优化负载均衡路由算法 |
CN107124747A (zh) * | 2017-04-12 | 2017-09-01 | 邹霞 | 基于蚁群优化的传感器网络路由方法 |
CN108684005A (zh) * | 2018-04-02 | 2018-10-19 | 河海大学常州校区 | 基于som的水下传感网中多auv高效数据收集方法 |
CN109945881A (zh) * | 2019-03-01 | 2019-06-28 | 北京航空航天大学 | 一种蚁群算法的移动机器人路径规划方法 |
CN111240326A (zh) * | 2020-01-15 | 2020-06-05 | 重庆邮电大学 | 一种基于异构双种群蚁群算法的移动机器人路径规划方法 |
AU2020102041A4 (en) * | 2020-08-28 | 2020-10-08 | Lin, Shudong Mr | Construction and maintenance of satellite-to-ground and inter-satellite laser communication network based on ants colony algorithm |
CN111861019A (zh) * | 2020-07-24 | 2020-10-30 | 西安建筑科技大学 | 一种仓库拣选路径优化方法、存储介质及计算设备 |
-
2021
- 2021-03-29 CN CN202110332375.8A patent/CN113068224B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2328308A1 (en) * | 2009-11-27 | 2011-06-01 | Alcatel Lucent | Method for building a path according to adaptation functions using an ant colony |
CN103354654A (zh) * | 2013-07-24 | 2013-10-16 | 桂林电子科技大学 | 基于蚁群算法的高能效无线传感器网络路由方法 |
CN105717926A (zh) * | 2015-11-09 | 2016-06-29 | 江苏理工学院 | 基于改进蚁群算法的移动机器人旅行商优化方法 |
CN107124747A (zh) * | 2017-04-12 | 2017-09-01 | 邹霞 | 基于蚁群优化的传感器网络路由方法 |
CN107094115A (zh) * | 2017-05-19 | 2017-08-25 | 重庆邮电大学 | 一种基于sdn的蚁群优化负载均衡路由算法 |
CN108684005A (zh) * | 2018-04-02 | 2018-10-19 | 河海大学常州校区 | 基于som的水下传感网中多auv高效数据收集方法 |
CN109945881A (zh) * | 2019-03-01 | 2019-06-28 | 北京航空航天大学 | 一种蚁群算法的移动机器人路径规划方法 |
CN111240326A (zh) * | 2020-01-15 | 2020-06-05 | 重庆邮电大学 | 一种基于异构双种群蚁群算法的移动机器人路径规划方法 |
CN111861019A (zh) * | 2020-07-24 | 2020-10-30 | 西安建筑科技大学 | 一种仓库拣选路径优化方法、存储介质及计算设备 |
AU2020102041A4 (en) * | 2020-08-28 | 2020-10-08 | Lin, Shudong Mr | Construction and maintenance of satellite-to-ground and inter-satellite laser communication network based on ants colony algorithm |
Non-Patent Citations (9)
Title |
---|
GUIQING LIU: "An improved Ant Colony Algorithm based on dynamic weight of pheromone updating", 《2013 NINTH INTERNATIONAL CONFERENCE ON NATURAL COMPUTATION (ICNC)》 * |
GUIQING LIU: "Ant Colony Algorithm Based on Dynamic Adaptive Pheromone Updating and Its Simulation", 《2013 SIXTH INTERNATIONAL SYMPOSIUM ON COMPUTATIONAL INTELLIGENCE AND DESIGN》 * |
SHIGUO LI: "Mobile Robot Navigation Algorithm Based on Ant Colony Algorithm with A Heuristic Method", 《2020 4TH INTERNATIONAL CONFERENCE ON ROBOTICS AND AUTOMATION SCIENCES (ICRAS)》 * |
刘晓曦等: "优化蚁群算法的云环境负载均衡", 《计算机与现代化》 * |
杨锐锐等: "蚁群算法的研究现状及发展趋势分析", 《南方农机》 * |
段汐: "基于蚁群算法的无线Mesh网络QoS路由研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
聂清彬等: "面向用户任务与云资源匹配度的调度算法研究", 《微电子学与计算机》 * |
肖刚等: "基于改进克隆算法的WSN的QoS路由研究", 《哈尔滨商业大学学报(自然科学版)》 * |
胡中华等: "求解最短路径路由蚁群算法的改进", 《石河子大学学报(自然科学版)》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114422424A (zh) * | 2021-12-30 | 2022-04-29 | 中国电信股份有限公司 | 一种传输网络的路由计算方法及装置 |
CN114422424B (zh) * | 2021-12-30 | 2023-08-11 | 中国电信股份有限公司 | 一种传输网络的路由计算方法及装置 |
CN114844823A (zh) * | 2022-04-07 | 2022-08-02 | 桂林电子科技大学 | 一种改进aco算法的必经点有向带环最短链路生成方法 |
CN114844823B (zh) * | 2022-04-07 | 2024-03-05 | 桂林电子科技大学 | 一种改进aco算法的必经点有向带环最短链路生成方法 |
CN115348100A (zh) * | 2022-08-22 | 2022-11-15 | 中国工商银行股份有限公司 | 一种网络入侵特征确定方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113068224B (zh) | 2022-10-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113068224B (zh) | 一种用于网状传输系统构建的蚁群算法实现方法和装置 | |
CN112146673B (zh) | 基于改进蚁群算法的高速公路多点协同救援路径规划方法 | |
CN111785045B (zh) | 基于演员-评论家算法的分布式交通信号灯联合控制方法 | |
CN108847037B (zh) | 一种面向非全局信息的城市路网路径规划方法 | |
CN107272679B (zh) | 基于改进的蚁群算法的路径规划方法 | |
CN110989612A (zh) | 一种基于蚁群算法的机器人路径规划方法及装置 | |
CN107332770B (zh) | 一种必经点路由路径选择方法 | |
CN108418623A (zh) | 一种基于改进蚁群算法的卫星QoS路由算法 | |
CN106779212A (zh) | 一种基于改进蚁群算法的城市旅游路线规划方法 | |
CN111669328B (zh) | 基于量子最大最小蚁群算法的QoS路由选择方法 | |
CN108040008B (zh) | 在线服务功能链的跨域部署方法 | |
CN111988225A (zh) | 基于强化学习和迁移学习的多路径路由方法 | |
CN113014484B (zh) | 一种基于bp神经网络蚁群算法的网络路由规划方法及系统 | |
CN113194034A (zh) | 基于图神经网络和深度强化学习的路由优化方法及系统 | |
CN108597246A (zh) | 一种解决路径选择实时性问题以避免局部拥堵的方法 | |
CN110009906A (zh) | 基于交通预测的动态路径规划方法 | |
CN113037627B (zh) | 一种网络业务线路资源选择的方法和装置 | |
CN109511123A (zh) | 一种基于时间信息的软件定义车辆网络自适应路由方法 | |
CN114815801A (zh) | 一种基于策略-价值网络及mcts的自适应环境路径规划方法 | |
CN113094857A (zh) | 一种节能的软件定义车辆网络的控制器布局方法 | |
CN117478518A (zh) | 一种图卷积神经网络辅助的大数据存储转发调度方法 | |
CN113516163A (zh) | 基于网络剪枝的车辆分类模型压缩方法、装置及存储介质 | |
CN115824242A (zh) | 基于Yen算法与蚁群算法融合的路径规划方法 | |
Xiao | Optimal travel path planning and real time forecast system based on ant colony algorithm | |
CN103702445B (zh) | 无线传感器网络语义通信中任务组合的本体及推理规则 |
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 |