CN113096396A - 一种基于引力场理论的路径选择方法 - Google Patents

一种基于引力场理论的路径选择方法 Download PDF

Info

Publication number
CN113096396A
CN113096396A CN202110345599.2A CN202110345599A CN113096396A CN 113096396 A CN113096396 A CN 113096396A CN 202110345599 A CN202110345599 A CN 202110345599A CN 113096396 A CN113096396 A CN 113096396A
Authority
CN
China
Prior art keywords
node
nodes
network
path
calculating
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.)
Pending
Application number
CN202110345599.2A
Other languages
English (en)
Inventor
刘犇
林水生
杨海芬
于良
张辉
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202110345599.2A priority Critical patent/CN113096396A/zh
Publication of CN113096396A publication Critical patent/CN113096396A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
    • G08G1/096805—Systems involving transmission of navigation instructions to the vehicle where the transmitted instructions are used to compute a route

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

该发明公开了一种基于引力场理论的路径选择方法，属于智能交通系统技术领域，特别是涉及路网通行效率优化及节点失效控制领域。在交通路网传递车流量时，节点上的车辆是受到其他节点的引力作用，这个引力大小取决于节点间的距离、节点的拥塞程度以及节点的介中心性。在这样的思想下，在传输过程中的每个时间步，所有车辆都受到动态变化的引力作用，其传递路径也由动态变化的引力场决定。本方法提出的基于引力场的路径选择策略通过调节引力场数学模型来控制交通流的传输，能够在重要节点得到有效利用的同时，避开利用率过高的重要节点，达到提高传输容量和缓解拥堵情况的目的。

Description

一种基于引力场理论的路径选择方法
技术领域
本发明涉智能交通系统技术领域，特别是涉及一种基于复杂网络理论与引力场理论的路网通行效率优化及节点失效控制领域。
背景技术
在道路网络中，交通拥塞是一种常见的、复杂的复杂网络动力学现象。交通拥塞在网络结构中表现为节点或边的失效，导致其承载的交通流在失效的节点处由自由传播态转变为拥塞态。研究认为，在交通路网结构固定不变的情况下，交通拥塞的产生是由当前采用的网络路由策略决定的，使用传输性能越低的路由策略导致出现拥塞甚至网络崩溃的几率越大，其中最短距离思想下的路由策略最易造成重要节点失效。J.Wu,C.K.Tse andF.C.M.Lau,"Effective routing algorithms based on node usage probability froma complex network perspective,"提出了基于节点使用概率，均衡节点利用率的路由算法。Bai Y,Han D D,Tang M.Multi-priority Routing Algorithm Based on Source NodeImportance in Complex Networks[J].提出了基于节点分类，缓解hub节点拥塞的路由算法。智慧交通中采集道路车流数据的方式目前已有很多，如使用地磁传感器、视频的方式，都能实时获取道路车流量，但目前交通复杂网络路由算法的研究均专注于网络本身，没有信-物的结合，道路真实情况如当前空闲率等重要指标没有考虑在路由算法中，导致其路由算法缺少实用性。
发明内容
针对背景技术中的所有技术的缺点，本发明的目的在于提供一种基于复杂网络的信物结合的动态路由算法，缓解网络拥塞，提高网络传输容量和效率。
为实现上述目的及其他相关目的，本发明提供一种基于引力场理论的路径选择方法，该方法包括：
步骤1：建立路网模型，具体包括：
根据现实城市道路拓扑结构，抽象出一个交通路网，实施方式为：将路口抽象为节点，将道路抽象为边，结合现实道路情况如车道数使用主观赋权法，设置节点传输能力ci；
步骤2：计算网络节点的介中心性；
对步骤1中生成的路网模型，计算其节点的介中心性指标，节点i的介中心性为bi：
Figure BDA0003000593450000011
其中，p(s,t)为节点s与节点t之间的最短路径数，p(s,t|i)为节点s与节点t之间经过节点i的最短路径数，V表示所有节点的集合；介中心性是衡量最短距离路由策略下节点利用率的重要指标，也是引力公式中重要的参数；
步骤3：配置流量模型，具体包括；
模拟交通流在路网模型中的传播状态，每个时间点都向路网模型中添加任务，给定起点s和目的地t，交通流根据设计的路由策略向目的地传播，到达目的地后任务完成；
步骤4：采集道路信息，获取节点空闲率hi；
计算节点空闲hi，当节点完全空闲时，hi＝1，反之hi＝0；
步骤5：获取当前节点v，其每个时间步可以传输任务个数c，目的地t；为节点v中的c个任务选取传输路径；
步骤5.1：对于节点v的其中一个任务，获取节点v的邻居节点集，规划出邻居节点集中的第i个节点到目的节点t的每一条路径；
步骤5.2：采用如下公式计算每一条路径节点集中个节点j对当前节点v的引力Fjv；
Figure BDA0003000593450000021
其中，k为常数，bj表示节点j的介中心性，hj为节点当前空闲率，dvj表示节点v与节点j之间的逻辑距离，α、γ、β为调节参数；
步骤5.3：计算每一条路径对当前节点v的引力，该引力为路径中所有节点对当前节点v的引力之和；
步骤5.4：选择引力最大的一条路径对应的邻居节点，该邻居节点为当前节点的当前任务的下一途经点；
步骤5.5：采用步骤5.1到步骤5.4相同的方法计算每个任务的下一途经点；
步骤6：选取路网模型中的一个区域，计算该区域网络有序状态参数，获取区域网络最大负载量Rc：
步骤6.1：设定调节参数α、γ、β，通过步骤5的方法，计算连续多个时刻的路网模型中所有任务的下一途经点，统计每一个时刻区域网络中的任务总量，然后计算出ΔN；
步骤6.2：计算区域网络有序状态参数为：
Figure BDA0003000593450000031
其中S是与区域网络有关的常数，ΔN为Δt时间段内区域网络中任务总量的变化量，R表示当前区域网络负载量；
步骤6.3：计算出区域网络有序状态参数η(R)随着当前区域网络负载量R变化的斜率突变点，并记录该突变点的R值；
步骤6.4：改变调节参数α、γ、β，采用步骤7.1到步骤7.3的方法计算出不同调节参数下斜率突变点的R值，从得到的所有斜率突变点的R值中找出最大值，该最大值为区域网络最大负载量Rc；
步骤6.5：该区域网络最大负载量Rc对应的调节参数α、γ、β为当前时刻该区域网络的引力参数，采用步骤5的方法规划当前时刻的该区域中各任务的路径。
在交通路网传递车流量时，节点上的车辆是受到其他节点的引力作用，这个引力大小取决于节点间的距离、节点的拥塞程度以及节点的介中心性。在这样的思想下，在传输过程中的每个时间步，所有车辆都受到动态变化的引力作用，其传递路径也由动态变化的引力场决定。本方法提出的基于引力场的路径选择策略通过调节引力场数学模型来控制交通流的传输，能够在重要节点得到有效利用的同时，避开利用率过高的重要节点，达到提高传输容量和缓解拥堵情况的目的。
附图说明
图1为本发明的流程框图；
图2为本发明中的路由策略算法详细流程框图；
图3为本发明和现有技术结果的对比图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。
本实施例应用背景为智慧城市中的智慧交通场景，通过对路网进行复杂网络分析，结合智慧交通中布置在道路上的智慧感知传感器，指导路网中的车辆选择合适的路径到达其目的地，旨在缓解交通拥塞，提高整个交通网络的传输容量。
步骤1：建立路网模型，具体包括：
根据现实城市道路拓扑结构，抽象出交通路网，实施方式为：将路口抽象为边，将道路抽象为节点，结合现实道路情况如车道数，使用主观赋权法，设置节点传输能力指标ci。获取到的网络数据以邻接矩阵的形式存储，对于有N个节点的网络，以N*N的邻接矩阵D[N][N]表示其网络结构，其中
Figure BDA0003000593450000041
D[N][N]为对称矩阵。
步骤2：计算网络节点的介中心性
对步骤1中生成的邻接矩阵，计算其节点的介中心性指标，节点i的介中心性为：
Figure BDA0003000593450000042
其中，p(s,t)为节点s，t之间的最短路径数，p(s,t|i)为s，t之间经过节点i的最短路径数。介中心性是衡量最短距离路由策略下节点利用率的重要指标，也是引力公式中重要的参数。
步骤3：配置流量模型，具体包括；
模拟交通流在交通网络中的传播状态，每个时间点都向交通网络添加任务，给定起点s和目的地t，交通流根据设计的路由策略向目的地传播，到达目的地后任务完成。在同一次仿真中，应保持负载R不变，执行以下程序：
1)任务生成：每个时间步随机生成R个任务，每个任务数据为一对节点(s，t)，其中s≠t；
2)任务传播：根据路径选择策略选择下一个节点；
3)任务完成：当任务到达目的地时，删除该任务。
为得到网络的传输容量，多次仿真中，负载R应从小到大变化。
所述具体程序流程图如图1所示。
步骤4：采集道路信息，获取节点空闲率hi
智慧城市中的传感器采集到原始数据，经处理后可得到车流量数据，计算得节点当前空闲率hi。当节点完全空闲时，hi＝1，反之hi＝0。
步骤5：获取当前节点v，其传输能力c及其目的地t，为节点v中的c个车辆选取传输路径。计算路径对当前节点的引力，并选取下一个途经节点。
从引力场论的角度，交通流的传播路径由网络中引力作用决定，路径对交通流的引力F越大，则交通流沿该条路径传播的概率越大。由于网络中节点信息在实时变化，故每个时间步只能确定交通流到达的下一个节点，通过动态计算路径对交通流的引力，实现从终点到目的地的路径选择。当前节点为v，目的地为t，确定下一个节点的具体步骤为：
步骤5.1：获取当前节点v的邻居节点集V，其中不包含此交通流已经经过的节点；
步骤5.2：获取节点集V中每个节点到终点ti的最短路径集Pit；优选的，使用Dijstra算法计算两点间最短路径，以降低算法时间复杂度。
步骤5.3：计算路径集中每条路径对当前节点的引力：
Figure BDA0003000593450000051
为节点j对节点i的引力，其中bj为节点j的介中心性，hj为节点当前空闲率，dij为节点i与节点j之间的逻辑距离；α、β、γ为可调节参数，α＞0,β＞0,γ＞0。上式表明，节点j对节点i的吸引力与介中心性和空闲率成正比，与节点j与节点i之间的距离成反比，表达了显著的物理意义。
对于当前节点v的i号邻居节点所代表的路径，其节点集为Pit，该路径对当前节点v的引力为：
Figure BDA0003000593450000052
优选的，ki＝1，则该路径对节点v的引力表示为：
Figure BDA0003000593450000053
步骤5.4：根据引力计算结果，选取引力最大的路径作为下一个节点。
获取所述吸引力集{Fvt}中的最大引力值Fmax，Fmax＝max{Fvt}，确定所述最大引力值Fmax所对应的邻居节点，以该节点作为当前节点中交通流传递的下一个途经节点。
步骤5.5：对于节点v中的c个任务，都进行如5.2-5.4所示的引力计算并选取下一个途经节点，完成节点v在单个时间步的传输任务。
步骤6：每个时间步都对网络中所有节点运行骤5所示的路径选择算法
步骤7：计算网络有序状态参数，获取网络负载量Rc：
计算网络有序状态参数：
Figure BDA0003000593450000061
其中S与网络规模有关的常数，ΔN＝N(t+Δt)-N(t)，N(t)为0～t时刻网络中存在的数据包总数，ΔN为Δt时间内，网络中数据包总量的变化量。
·当R≤Rc时，η(R)接近于0；
·当R＞Rc时，η(R)将变大，随R的增加逐渐接近于1。
步骤8：通过仿真得到步骤5中所述的引力公式F中的最优的参数
在步骤5中所述的要求范围内，改变α、β、γ的值，观察传输容量RC的变化情况，求得最大传输容量Rc，并确定所述引力公式中最优的α、β、γ值。
在仿真环境基于Inte(R)Core i7-8700U CPU@3.20GHz，Windows10操作系统，python(版本3.8.6)与复杂网络包networkx(版本2.5)。使用前文所述的流量模型，计算的网络传输容量，为了提高仿真结果的合理性，保证了迭代次数T足够大，使网络状态趋于稳定。图3展示了在最短距离路径选择策略、用于对比的一种路由策略以及本专利提出基于引力场的的路径选择策略下，网络有序状态参数η随负载R的变化情况。当负载较小时，网络能够消化传输任务，没有任务的堆积；当负载超过传输容量时，网络中存在的数据包开始堆积。网络有序状态参数η曲线由小于0到大于0跳变时的网络负载量R对应该路由策略下的最大传容量Rc。由图3可知，本专利提出基于引力场的的路径选择策略的传输容量大约为27，用于对比的路径选择策略的传输容量大约为22，最短距离路径选择策略大约为5，在相同实验条件下，本专利的方法较另外两种算法分别提高了0.23倍和5.40倍。

Claims (2)

1.一种基于引力场理论的路径选择方法，该方法包括：
步骤1：建立路网模型，具体包括：
根据现实城市道路拓扑结构，抽象出一个交通路网，实施方式为：将路口抽象为节点，将道路抽象为边，结合现实道路情况如车道数使用主观赋权法，设置节点传输能力ci；
步骤2：计算网络节点的介中心性；
对步骤1中生成的路网模型，计算其节点的介中心性指标，节点i的介中心性为bi：
Figure FDA0003000593440000011
其中，p(s,t)为节点s与节点t之间的最短路径数，p(s,t|i)为节点s与节点t之间经过节点i的最短路径数，V表示所有节点的集合；
步骤3：配置流量模型，具体包括；
模拟交通流在路网模型中的传播状态，每个时间点都向路网模型中添加任务，给定起点s和目的地t，交通流根据设计的路由策略向目的地传播，到达目的地后任务完成；
步骤4：采集道路信息，获取节点空闲率hi；
计算节点空闲hi，当节点完全空闲时，hi＝1，反之hi＝0；
步骤5：获取当前节点v，其每个时间步可以传输任务个数c，目的地t；为节点v中的c个任务选取传输路径；
步骤5.1：对于节点v的其中一个任务，获取节点v的邻居节点集，规划出邻居节点集中的第i个节点到目的节点t的每一条路径；
步骤5.2：采用如下公式计算每一条路径节点集中个节点j对当前节点v的引力Fjv；
Figure FDA0003000593440000012
其中，k为常数，bj表示节点j的介中心性，hj为节点当前空闲率，dvj表示节点v与节点j之间的逻辑距离，α、γ、β为调节参数；
步骤5.3：计算每一条路径对当前节点v的引力，该引力为路径中所有节点对当前节点v的引力之和；
步骤5.4：选择引力最大的一条路径对应的邻居节点，该邻居节点为当前节点的当前任务的下一途经点；
步骤5.5：采用步骤5.1到步骤5.4相同的方法计算每个任务的下一途经点。
2.如权利要求1所述的一种基于引力场理论的路径选择方法，其特征在于所述步骤5.2中调节参数α、γ、β的确定方法为：
步骤5.2.1：设定调节参数α、γ、β，通过步骤5的方法，计算连续多个时刻的路网模型中所有任务的下一途经点，统计每一个时刻区域网络中的任务总量，然后计算出ΔN；
步骤5.2.2：计算区域网络有序状态参数为：
Figure FDA0003000593440000021
其中S是与区域网络有关的常数，ΔN为Δt时间段内区域网络中任务总量的变化量，R表示当前区域网络负载量；
步骤5.2.3：计算出区域网络有序状态参数η(R)随着当前区域网络负载量R变化的斜率突变点，并记录该突变点的R值；
步骤5.2.4：改变调节参数α、γ、β，采用步骤7.1到步骤7.3的方法计算出不同调节参数下斜率突变点的R值，从得到的所有斜率突变点的R值中找出最大值，该最大值为区域网络最大负载量Rc；
步骤5.2.5：该区域网络最大负载量Rc对应的调节参数α、γ、β为当前时刻该区域网络的引力参数。
CN202110345599.2A 2021-03-31 2021-03-31 一种基于引力场理论的路径选择方法 Pending CN113096396A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110345599.2A CN113096396A (zh) 2021-03-31 2021-03-31 一种基于引力场理论的路径选择方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110345599.2A CN113096396A (zh) 2021-03-31 2021-03-31 一种基于引力场理论的路径选择方法

Publications (1)

Publication Number Publication Date
CN113096396A true CN113096396A (zh) 2021-07-09

Family

ID=76671367

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110345599.2A Pending CN113096396A (zh) 2021-03-31 2021-03-31 一种基于引力场理论的路径选择方法

Country Status (1)

Country Link
CN (1) CN113096396A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113992539A (zh) * 2021-10-28 2022-01-28 中国人民解放军战略支援部队信息工程大学 网络安全动态路由跳变方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5870564A (en) * 1996-03-01 1999-02-09 Novell, Inc. Near-optimal path apparatus and method
CN105809737A (zh) * 2016-01-07 2016-07-27 西南交通大学 多数据源的区域空间格局介入引力场优化模型的构建方法
CN107733797A (zh) * 2017-09-06 2018-02-23 甜旅（上海）财务咨询有限公司 一种基于引力场的复杂网络路由方法
CN111985065A (zh) * 2019-05-22 2020-11-24 兰州交通大学 基于引力场理论的道路自动选取技术
CN112002143A (zh) * 2020-08-25 2020-11-27 哈尔滨工业大学 基于动态风险势能场的多车环境下车辆运行风险评估系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5870564A (en) * 1996-03-01 1999-02-09 Novell, Inc. Near-optimal path apparatus and method
CN105809737A (zh) * 2016-01-07 2016-07-27 西南交通大学 多数据源的区域空间格局介入引力场优化模型的构建方法
CN107733797A (zh) * 2017-09-06 2018-02-23 甜旅（上海）财务咨询有限公司 一种基于引力场的复杂网络路由方法
CN111985065A (zh) * 2019-05-22 2020-11-24 兰州交通大学 基于引力场理论的道路自动选取技术
CN112002143A (zh) * 2020-08-25 2020-11-27 哈尔滨工业大学 基于动态风险势能场的多车环境下车辆运行风险评估系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘刚: "基于复杂网络理论的交通流动态特性研究", 《中国优秀博硕士学位论文全文数据库(博士) 工程科技Ⅱ辑》 *
宋海权 等: "Improved routing strategy based on gravitational field theory", 《CHIN. PHYS. B》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113992539A (zh) * 2021-10-28 2022-01-28 中国人民解放军战略支援部队信息工程大学 网络安全动态路由跳变方法及系统
CN113992539B (zh) * 2021-10-28 2023-03-24 中国人民解放军战略支援部队信息工程大学 网络安全动态路由跳变方法及系统

Similar Documents

Publication Publication Date Title
CN112437020B (zh) 一种基于深度强化学习的数据中心网络负载均衡方法
Poupart et al. Online flow size prediction for improved network routing
WO2020181761A1 (zh) 一种sdn增强路径装箱装置及方法
CN110557732B (zh) 一种车辆边缘计算网络任务卸载负载均衡系统及均衡方法
Tatbul et al. Staying fit: Efficient load shedding techniques for distributed stream processing
CN102158417A (zh) 实现多约束QoS路由选择的优化方法及装置
CN108989133B (zh) 基于蚁群算法的网络探测优化方法
CN106209618A (zh) 一种提高智能配用电能效的通信混合组网方法及系统
CN108076158A (zh) 基于朴素贝叶斯分类器的最小负载路由选择方法及系统
CN105323166B (zh) 一种面向云计算的基于网络能效优先的路由方法
CN109862532B (zh) 轨道交通状态监测多传感器节点布局优化方法及系统
CN110445716B (zh) 基于SDN网络多QoS负载均衡路由方法、存储介质和终端
Zhong et al. Assessing Profit of Prediction for SDN controllers load balancing
CN104104621A (zh) 一种基于非线性降维的虚拟网络资源动态自适应调节方法
CN108712336B (zh) 一种提高无标度网络传输容量的局部信息动态路由方法
CN113096396A (zh) 一种基于引力场理论的路径选择方法
CN117971173A (zh) 基于物联网的智慧数据汇聚软件系统
CN111506431A (zh) 一种云服务器在能耗约束下感知负载性能优化方法
CN113852562A (zh) 一种基于改进粒子群算法的通信与负荷资源联合优化装置
CN103096380B (zh) 无线接入点负载均衡优化方法
CN106850437B (zh) 一种基于引力场的复杂网络路由方法
CN110781352B (zh) 一种最低成本优化拓扑结构实现网络结构可控性的方法
Shen An adaptive strategy based on linear prediction of queue length to minimize congestion in Barabási—Albert scale-free networks
Zhang et al. Multiconstrained routing based on artificial bee colony algorithm and dynamic fireworks algorithm
EP4357975A1 (en) Improved prediction methods of resource usage or physical quantities

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210709

RJ01 Rejection of invention patent application after publication