CN113285832B - 基于nsga-ii的电力多模态网络资源优化分配方法 - Google Patents

基于nsga-ii的电力多模态网络资源优化分配方法 Download PDF

Info

Publication number
CN113285832B
CN113285832B CN202110565689.2A CN202110565689A CN113285832B CN 113285832 B CN113285832 B CN 113285832B CN 202110565689 A CN202110565689 A CN 202110565689A CN 113285832 B CN113285832 B CN 113285832B
Authority
CN
China
Prior art keywords
population
resource
network
link
node
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
CN202110565689.2A
Other languages
English (en)
Other versions
CN113285832A (zh
Inventor
李文萃
孟慧平
秦龙
郭少勇
李雄
马文洁
张洁
童渊征
刘岩
刘越
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.)
State Grid Corp of China SGCC
State Grid Information and Telecommunication Co Ltd
Beijing University of Posts and Telecommunications
State Grid Henan Electric Power Co Ltd
Information and Telecommunication Branch of State Grid Henan Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Information and Telecommunication Co Ltd
Beijing University of Posts and Telecommunications
State Grid Henan Electric Power Co Ltd
Information and Telecommunication Branch of State Grid Henan Electric Power Co Ltd
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 State Grid Corp of China SGCC, State Grid Information and Telecommunication Co Ltd, Beijing University of Posts and Telecommunications, State Grid Henan Electric Power Co Ltd, Information and Telecommunication Branch of State Grid Henan Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202110565689.2A priority Critical patent/CN113285832B/zh
Publication of CN113285832A publication Critical patent/CN113285832A/zh
Application granted granted Critical
Publication of CN113285832B publication Critical patent/CN113285832B/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
    • H04L41/0803—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
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

基于NSGA‑II的电力多模态网络资源优化分配方法，所述方法包括如下三个步骤：步骤S1：电力多模态网络模型的构建，包括的评估指标有：资源开销、链路可靠性、资源占用分布；步骤S2：基于NSGA‑II的资源优化算法；包含的步骤如下：步骤S2.1：种群初始化；步骤S2.2：拥挤度函数的计算；步骤S2.3：种群选择；步骤S2.4：种群交叉及变异；步骤S3:将步骤S2中基于NSGA‑II的资源优化算法应用到步骤S1中构建的电力多模态网络模型中，进行网络资源优化分配。本发明的资源优化分配方法有效的解决了现有技术中存在的电力多模态网络资源优化结果较为单一，难以满足业务需求，网络资源利用率、收敛速度、可靠性有待提高，网络堵塞严重的问题。

Description

基于NSGA-II的电力多模态网络资源优化分配方法
技术领域
本发明涉及电力多模态网络领域，特别是涉及基于NSGA-II的电力多模态网络资源优化分配方法。
背景技术
随着电力多模态网络的研究发展，逐渐会产生大连接、广覆盖的新业务需求，而当前的电力多模态网络难以满足新业务的需求，处理延迟，导致网络传输压力和计算负荷显著增加，目前电力多模态网络结构非常的复杂，电力多模态网络资源需要优化。
现有技术中针对电力多模态网络资源优化的解决方案大多是围绕优化网络服务路径展开，即通过不同的方法改变路由选择以保证网络服务质量，例如根据电力通信网具有的业务特点进行业务流量分析,业务流量的分布情况体现了网络业务运行状态,将业务信息熵作为衡量网络业务分布均匀化的指标,进而引用信息熵作为目标函数得出优化全局网络资源的分配方法；通过计算所需路由和确定要保留的链路资源的分配顺序，基于网络资源预留进行分层QoS路由，从而最小化响应时间的资源优化方法。
现有技术中针对电力多模态网络资源优化的上述解决方案的优化结果较为单一，同时缺乏对电力多模态网络场景的考量，对于动态网络资源分配的问题不能很好的解决，难以满足业务需求，网络资源利用率、收敛速度、可靠性有待提高，网络堵塞严重。
发明内容
针对现有技术存在的不足，本发明的目的是提供基于NSGA-II的电力多模态网络资源优化分配方法，有效的解决了现有技术中存在的电力多模态网络资源优化结果较为单一，难以满足业务需求，网络资源利用率、收敛速度、可靠性有待提高，网络堵塞严重的问题。
其解决的技术方案是，基于NSGA-II的电力多模态网络资源优化分配方法，所述方法包括如下三个步骤：
步骤S1：电力多模态网络模型的构建，包括的评估指标有：资源开销、链路可靠性、资源占用分布；
步骤S2：基于NSGA-II的资源优化算法；
包含的步骤如下：
步骤S2.1：种群初始化；
步骤S2.2：拥挤度函数的计算；
步骤S2.3：种群选择；
步骤S2.4：种群交叉及变异；
步骤S3:将步骤S2中基于NSGA-II的资源优化算法应用到步骤S1中构建的电力多模态网络模型中，进行网络资源优化分配。
本发明所实现的有益效果：
本发明利用基于NSGA-II的资源优化算法应用到本申请构建的电力多模态网络模型中，进行网络资源优化分配，引入间接编码技术和预处理技术，在实现优化网络资源的同时，保证了算法的收敛速度，在保证业务正常运作的同时，提高了网络资源利用率，降低了网络拥塞，可靠性高，本申请的方法相对于现有技术中的资源分配方法，对电力多模态网络的资源分配的各项指标都有了进一步优化，同时性能方面也有所提高，有效的提高了电力网络的资源分配，提升优化效率，保障服务质量。
附图说明
图1为父代染色体的选择位置。
图2为一个子代被选中位置的基因。
图3为交叉后产生的一个子代。
图4为遗传过程中各项优化指标的变化趋势。
图5为遗传过程中各实验组资源开销的变化趋势。
图6为遗传过程中各实验组链路可靠性的变化趋势。
图7为遗传过程中各实验组资源占用分布的变化趋势。
图8为本申请的算法与其他遗传算法的收敛性比较。
具体实施方式
为有关本发明的前述及其他技术内容、特点与功效，在以下配合参考附图1-8对实施例的详细说明中，将可清楚的呈现。以下实施例中所提到的结构内容，均是以说明书附图为参考。
以下将参照附图，通过实施方式详细的描述本发明的目的是提供基于NSGA-II的电力多模态网络资源优化分配方法。
其解决的技术方案是，基于NSGA-II的电力多模态网络资源优化分配方法，所述方法包括如下三个步骤：
步骤S1：电力多模态网络模型的构建，包括的评估指标有：资源开销、链路可靠性、资源占用分布；
步骤S2：基于NSGA-II的资源优化算法；
包含的步骤如下：
步骤S2.1：种群初始化；
步骤S2.2：拥挤度函数的计算；
步骤S2.3：种群选择；
步骤S2.4：种群交叉及变异；
步骤S3:将步骤S2中基于NSGA-II的资源优化算法应用到步骤S1中构建的电力多模态网络模型中，进行网络资源优化分配。
所述步骤S1：电力多模态网络模型的构建，包括的评估指标有：资源开销、链路可靠性、资源占用分布；
一般情况下，多模态网络的物理资源是相对固定的，因此电力多模态网络的资源优化主要根据电力业务的具体需求，通过多目标协同优化来调整逻辑资源分配以保障网络服务质量；多模态网络的寻址方式有多种，如基于内容标识的空间寻址、基于地理位置的寻址、基于身份标识的寻址，但都可以抽象为网络中各个节点的路径改变，因此电力多模态网络的资源优化问题可抽象为电力多模态网络拓扑下具体业务的多目标优化问题。
网络拓扑可以表示为图G(V,E)，其中V＝{v1,v2,v3…vn}是节点的集合，E＝{e1,e2,e3…en}是节点链路的集合。
在具有多种业务的多模态网络中，不同的服务供应商和用户对于优化的指标及要求是不同的，因此根据不同业务的网络指标要求，本申请考虑如下三类优化目标：综合时延和成本开销的资源开销、链路可靠性、资源占用分布；
映射到上文的网络拓扑中，即对于任一由源节点s到目的节点d的业务(源节点s以及目的节点d属于V中的节点，选取源source，目的destination，取了首字母为s，d来表示)，这里，需要寻找一条链路L(s,d)＝{ls,i,li,j…lk,d}使其在满足QoS的基础上，在减小资源开销的同时，能达到较好的可靠性，提高资源利用率，平衡网络负载，提高网络吞吐量；
L(s,d)＝{ls,i,li,j…lk,d}链路L属于节点链路集合E，节点链路集合E代表网络拓扑的所有链路，L是从源节点s到目的节点d的链路集合，举例ls,i代表从节点s到节点i的链路(直接相连，即两个节点中间不会经过其他节点)，字母s、i、j...K、d表示的是节点,表示的是一条从源节点S开始，到目的节点d结束的一条链路；
用户服务质量(QoS)是一个综合指标，用于衡量使用一个服务的满意程度，QoS可以用一系列可度量的参数描述：延迟、延迟抖动、丢包率、吞吐量、利用率，QoS的实施可以更有效的使用网络带宽，确保某个使用级别有充足的网络资源，提供稳定高效的网络服务。
所述资源开销的评估步骤如下：
在网络拓扑中，业务资源链的端到端的服务总时延的组成复杂，其主要由链路时延、节点的处理时延和排队时延三部分组成；网络链路中节点的处理时延和排队时延通常在微秒级以下，而链路时延通常可以达到毫秒级，因此本申请主要考虑链路时延对服务总时延的影响；
步骤S1.1.1：评估链路总时延；
Figure BDA0003080892150000041
其中Delay(s,d)为链路总时延，delay(i,j)为节点i到节点j的链路时延，σ(i,j)表示是否选择了该条链路，即
Figure BDA0003080892150000042
步骤S1.1.2：评估业务链路的整体花费；
Figure BDA0003080892150000043
同时对于一条业务路径，通过业务带宽在每条链路所占比例与每一段链路成本的乘积来衡量该条业务路径的成本开销。
其中Cost(s,d)为业务链路的整体花费，B(s,d)为该业务所需占用的带宽，bandwidth(i,j)为每条链路的剩余带宽，cost(i,j)为节点i到节点j的成本开销。
步骤S1.1.3：通过资源消耗函数来衡量所选路径的网络资源开销。
Resource(s,d)＝Delay(s,d)*Cost(s,d) 公式3
本申请综合考虑时延的影响和预留资源在链路上的开销，通过资源消耗函数Resource(s,d)来衡量所选路径的网络资源开销。
所述链路可靠性的评估如公式4，也即步骤S1.2.1为：
Figure BDA0003080892150000051
根据通路矩阵是否连通及对应的每段链路可靠性，将每一段的可靠性指标通过乘积计算出链路整体可靠性指标。
其中Reliability(s,d)为业务链路整体可靠性，reliability(i,j)为节点i到节点j的链路可靠性。
所述资源占用分布的评估步骤如下：
本申请通过业务带宽在每条链路所占比例来衡量资源占用情况，同时为了使资源能够均衡的分布在各条链路上，通过计算业务带宽在每条链路所占比例的方差来衡量资源占用的分布情况。
步骤S1.3.1：评估链路的平均占用资源比例：
Figure BDA0003080892150000052
Utilization(s,d)代表的是某业务由节点s到节点d的这条链路的平均占用资源比例(源节点s到目的节点d的这条链路路径中间会经过多段链路，每段链路的剩余带宽不同，因此该业务在每段链路中所占的资源比例也不同，算出一个平均值)；
步骤S1.3.2：利用方差来衡量资源占用的分布情况；
Figure BDA0003080892150000061
δ2(S，d)代表的是源节点s到目的节点d占用比例的方差，可以用来衡量资源占用的分布情况。
步骤S1.3.3：利用方差来衡量资源占用的分布情况公式的简化；
设定
Figure BDA0003080892150000062
为节点i到节点j的资源占用分布，则公
式6式可以简化为公式8；
Figure BDA0003080892150000063
Figure BDA0003080892150000064
所述电力多模态网络模型的构建所要达到的优化目标的确定，具体为：
Figure BDA0003080892150000065
电力多模态网络模型的构建所要达到的优化目标是根据相应的业务需求在保证业务QoS指标的前提下，尽可能的寻找最优的解集。因此，选择的路径需要满足公式9：
从公式9可以看出，电力多模态网络模型的构建所要达到的优化目标通常希望得到最小资源消耗、最大可靠性、最小资源占用分布，因此多模态网络资源优化问题属于多目标优化问题。它的解并非唯一,而是存在一组由众多Pareto最优解组成的最优解集合，因此用户可以根据自己的业务需求选择相应的链路。
帕累托最优(Pareto Optimality)，是指资源分配的一种理想状态，假定固有的一群人和可分配的资源，从一种分配状态到另一种状态的变化中，在没有使任何人境况变坏的前提下，使得至少一个人变得更好，这就是帕累托改进或帕累托最优化。
步骤S2：基于NSGA-II的资源优化算法；
包含的步骤如下：
步骤S2.1：种群初始化；
步骤S2.2：拥挤度函数的计算；
步骤S2.3：种群选择；
步骤S2.4：种群交叉及变异；
NSGA-II为Non-Dominated Sorting Genetic Algorithm II的缩写，表示为非支配排序遗传算法II；
所述步骤S2.1：种群初始化的步骤如下：
步骤S2.1.1：种群初始化之前，对输入数据进行预处理，遍历网络拓扑，筛选掉不满足带宽要求的数据链路；
种群初始化之前，先对输入数据进行预处理，快速筛选掉不满足带宽要求的数据链路，以减小算法运行规模。预处理环节会遍历网络拓扑，以业务所需的带宽要求为标准，所有小于该带宽的数据链路均看作非连通链路，在网络拓扑图中去掉该条路径，因此最后得到的网络链路都是满足带宽要求的，在后续的研究中将不再考虑带宽的约束条件。
步骤S2.1.2：种群的初始化时，采用基于优先级编码的间接编码方式；
对于种群的初始化，通常有两种方式：二进制编码和浮点型编码。二进制编码采用二维矩阵来表示数据链路，用1、0来表示链路是否连通，通常为了减小空间占用采用压缩矩阵的存储方式，但是此种表示方法在验证数据连通性和解码方式上比较困难，所以本申请采用浮点型编码，但是由于网络传输路径的长度不固定，因此本申请采用基于优先级编码的间接编码方式，基于优先级编码的染色体并不是直接表示当前个体的选择路径，只表示当前节点被选择的优先级，需要通过一次解码操作获得染色体对应的真实路径。
所述步骤S2.2：拥挤度函数的计算表示为：
Figure BDA0003080892150000071
公式10中，
Figure BDA0003080892150000072
表示第i+1个个体的第j个目标函数值，
Figure BDA0003080892150000073
表示第i-1个个体的第j个目标函数值，αj表示第j个目标函数值的权重；因为在网络资源优化中，对于不同的服务供应商和用户，他们对优化的指标及要求是不同的，因此根据不同的业务为各个指标赋予不同的权重来满足业务需求，且需要满足
Figure BDA0003080892150000081
在遗传进化算法中，通过适应度函数来判断个体对于“环境”的适应程度，以此来筛选优秀个体产生新一代种群，进化算法中的适应值即优化目标所对应的函数值，通过计算适应值来淘汰劣解。
本申请借鉴NSGA-II算法中精英选择的思想，基于非支配排序和拥挤度计算来确定精英个体，确保优秀基因被选择出来作为下一次进化的父代，并淘汰非支配层次高拥挤度小的个体，实现种群消减操作。NSGA-II算法首先计算种群中各个个体所在的非支配层，再比较拥挤度，非支配层级小且拥挤度大的个体进入下一步迭代以产生新个体。第i个个体的拥挤度Fi的计算公式即为公式10。
所述步骤S2.3：种群选择的步骤如下：
步骤S2.3.1：整个种群按轮盘赌选择的方式进行遗传算法的选择；
本申请采用最佳保留选择的方法进行种群选择，首先整个种群按轮盘赌选择的方式进行遗传算法的选择操作；
步骤S2.3.2：第i个个体的选择概率为Pi；
Figure BDA0003080892150000082
步骤S2.3.3：将当前群体中适应度最高的个体结构完整的复制到下一代种群中，以此完成整个种群的选择。
所述步骤S2.4：种群交叉及变异的步骤如下：
由于一般的交叉变异可能会导致数据链路不通，产生负优化影响，因此本申请采用顺序交叉的方式进行种群交叉操作。
步骤S2.4.1：随机选择一对染色体(父代)中几个基因的起止位置(两染色体被选位置相同)，具体的如说明书附图中的图1所示；
步骤S2.4.2：根据选择的几个基因生成一个子代，并保证子代中被选中的基因的位置与父代相同，具体的如说明书附图中的图2所示；
步骤S2.4.3：找出步骤S2.4.1中选中的基因在另一个父代中的位置，再将其余基因按顺序放入步骤S2.4.2中生成的一个子代中，这样就产生了一个新的子代，具体的如说明书附图中的图3所示；
这种交叉操作会生成两个子代，另一个子代生成过程与上述一个子代的生成过程完全相同，步骤S2.4.1选中的基因型位置相同，只需要将两个父代染色体交换位置即可。
在种群经过拥挤度计算、选择、交叉之后产生的种群可能会收敛于局部最优解而非全局最优解，因此需要通过变异操作来促使种群跳出局部最优的情况，本申请对于交叉产生的新个体以一定概率进行染色体片段逆转变异，对于变异后的结果会检测其链路是否连通，如果链路连通，则加入种群；如果不连通，则执行一次种群选择操作以替换该路径。
本算法在每次遗传进化时需要满足以下限制条件：
假设网络中各个节点都有足够的缓冲空间来存储分组数据，为了保证网络不发生拥塞以及所选择的路径起始于源节点s结束于目的节点d，算法在每次遗传进化时应满足以下条件：
1.选择的网络链路应尽可能的避免网络拥堵，即Utilization(s,d)<1
2.最少存在一条可选链路L(s,d)满足bandwidthl＜B,l∈L(s,d)
其中bandwidthl表示整条链路中第l段链路的带宽。
步骤S3:将步骤S2中基于NSGA-II的资源优化算法应用到步骤S1中构建的电力多模态网络模型中，进行网络资源优化分配，分配的方法流程为：
步骤S3.1：初始化随机网络和无标度网络种群，设定种群规模和最大进化次数；
步骤S3.2：对初始的网络拓扑图进行预处理，筛选掉不满足带宽要求的网络链路；
步骤S3.3：从第二代开始，将父代和子代合并生成一个大种群，对其进行快速非支配型排序，然后对每个非支配层的个体进行拥挤度计算，最后根据非支配关系和拥挤度来选择合适的个体组成新的父代种群；
步骤S3.4：对种群个体进行解码得到真实的网络路径；
步骤S3.5：进行种群选择、交叉、变异操作产生新的子代群体；
步骤S3.6：如果遗传代数超过了设定值,则转入步骤S3.7,否则执行步骤S3.3；
步骤S3.7：输出最优解，并根据具体的网络业务需求进行选择。
仿真实验：
应用本申请的方法，利用基于NSGA-II的电力多模态网络资源优化分配方法流程进行仿真实验，本申请以20个网络节点为例进行试验，链路带宽、延迟、可靠性等数据均在合理范围内随机生成；
实验的具体参数设置为：网络节点个数为20个，种群初始规模为200，遗传代数为100，交叉概率XOVR＝0.8，变异概率pm＝0.1，交叉概率pc＝0.90,源节点为1，目的节点为20；
资源优化分配仿真结果如说明书附图图4所示：图4中，0-600的竖坐标表示的是资源开销，0-1.2的竖坐标表示的是链路可靠性、资源占用分布。
本申请的算法在运行之前对网络拓扑进行了预处理，去掉了不满足带宽要求的网络链路，简化了算法的运算规模，本申请的整个流程完成时间短。
从图4中可以看出资源开销在遗传过程中不断的降低至平稳状态，说明本申请的算法在整个过程中能稳定的对种群进行优化以获取最优值，并快速的跳出局部最优解达到全局最优解的状态。
本申请中变异概率pm∈(0,1)，交叉概率pc∈(0,1)，且在选择前保留当前最优解的本申请的算法可收敛于全局最优解，据此可知本申请的算法可以收敛于全局最优解。
为了验证本申请算法的有效性和收敛性，选取了经典的多目标遗传算法NSGA与NSGA-II遗传算法和本申请的算法进行比较：
算法性能通过两方面进行分析比较，第一方面是本申请的算法与其他算法在遗传过程中各项优化指标的变化趋势，第二方面是本申请的算法与其他算法的收敛性比较。
选取了四个实验组，具体如下：在模型相同的情况下，实验组1采用直接编码的NSGA，实验组2采用间接编码的NSGA，实验组3采用直接编码的NSGA-II，实验组4为本申请的算法。
说明书附图图5中，比较了上述四个实验组对于资源开销的优化结果，可以看到实验组1和实验组3因为采用直接编码的方式，在种群交叉变异过程中往往会产生非连通的路径，因而产生负优化导致优化结果不稳定，而实验组2和实验组4偶尔会出现负优化，但会很快趋于稳定并产生最终结果。
说明书附图图6显示了各个实验组链路可靠性随着遗传代数的变化趋势，可以看到所有实验组的可靠性都是逐渐上升。但是实验组1和实验组3呈波动式上涨，优化结果不够稳定，实验组2和实验组4都是平稳增长，但是实验组2由于算法的限制在实验过程中往往容易陷入局部最优解的状态，因此从整体上看实验组4能够快速平稳的达到最优解的状态。
说明书附图图7中，比较了各个实验组资源占用分布的变化趋势，可以看出，所有实验组整体都呈下降趋势，但随着遗传代数的增加，优化值降速变缓，这是因为随着遗传代数的增加，种群个体都逐渐趋于最优解，每次遗传变化幅度不大，进而导致整体优化降速变缓，从图7中可以看出，本申请提出的基于NSGA-II的电力多模态网络资源优化分配方法，最大限度的降低了资源占用的分布情况，比其他实验组的优化效果更好。
说明书附图图8是本申请的算法与两大经典的遗传算法NSGA和NSGA-II的收敛性比较，虽然在算法运行初期由于预处理导致运行时间较长，但是在这个过程中去掉了不满足带宽要求的网络链路，简化了后续遗传算法的运算规模，所以整个流程相比能更快的完成，进一步说明了本申请算法的收敛性高，可靠性好。
采用以上结合附图描述的本发明，在具体使用时，基于NSGA-II的电力多模态网络资源优化分配方法，所述方法包括如下三个步骤：
步骤S1：电力多模态网络模型的构建，包括的评估指标有：资源开销、链路可靠性、资源占用分布；
步骤S2：基于NSGA-II的资源优化算法；
包含的步骤如下：
步骤S2.1：种群初始化；
步骤S2.2：拥挤度函数的计算；
步骤S2.3：种群选择；
步骤S2.4：种群交叉及变异；
步骤S3:将步骤S2中基于NSGA-II的资源优化算法应用到步骤S1中构建的电力多模态网络模型中，进行网络资源优化分配。
本发明利用基于NSGA-II的资源优化算法应用到本申请构建的电力多模态网络模型中，进行网络资源优化分配，引入间接编码技术和预处理技术，在实现优化网络资源的同时，保证了算法的收敛速度，在保证业务正常运作的同时，提高了网络资源利用率，降低了网络拥塞，可靠性高，本申请的方法相对于现有技术中的资源分配方法，对电力多模态网络的资源分配的各项指标都有了进一步优化，同时性能方面也有所提高，有效的提高了电力网络的资源分配，提升优化效率，保障服务质量，有效的解决了现有技术中存在的电力多模态网络资源优化结果较为单一，难以满足业务需求，网络资源利用率、收敛速度、可靠性有待提高，网络堵塞严重的问题。

Claims (1)

1.基于NSGA-II的电力多模态网络资源优化分配方法，其特征在于，所述方法包括如下三个步骤：
步骤S1：电力多模态网络模型的构建，包括的评估指标有：资源开销、链路可靠性、资源占用分布；
步骤S2：基于NSGA-II的资源优化算法；
包含的步骤如下：
步骤S2.1：种群初始化；
步骤S2.2：拥挤度函数的计算；
步骤S2.3：种群选择；
步骤S2.4：种群交叉及变异；
步骤S3:将步骤S2中基于NSGA-II的资源优化算法应用到步骤S1中构建的电力多模态网络模型中，进行网络资源优化分配；
所述步骤S1中资源开销的评估步骤如下：
步骤S1.1.1：评估链路总时延；
Figure FDA0003849203580000011
其中Delay(s,d)为链路总时延，delay(i,j)为节点i到节点j的链路时延，σ(i,j)表示是否选择了该条链路，即
Figure FDA0003849203580000012
步骤S1.1.2：评估业务链路的整体花费；
Figure FDA0003849203580000013
其中Cost(s,d)为业务链路的整体花费，B(s,d)为该业务所需占用的带宽，bandwidth(i,j)为每条链路的剩余带宽，cost(i,j)为节点i到节点j的成本开销；
步骤S1.1.3：通过资源消耗函数来衡量所选路径的网络资源开销；
Resource(s,d)＝Delay(s,d)*Cost(s,d) 公式3
所述步骤S1中链路可靠性的评估如公式4，也即步骤S1.2.1为：
Figure FDA0003849203580000021
其中Reliability(s,d)为业务链路整体可靠性，reliability(i,j)为节点i到节点j的链路可靠性；
所述步骤S1中资源占用分布的评估步骤如下：
步骤S1.3.1：评估链路的平均占用资源比例：
Figure FDA0003849203580000022
Utilization(s,d)代表的是某业务由节点s到节点d的这条链路的平均占用资源比例；
步骤S1.3.2：利用方差来衡量资源占用的分布情况；
Figure FDA0003849203580000023
δ2(s，d)代表的是源节点s到目的节点d占用比例的方差，可以用来衡量资源占用的分布情况；
步骤S1.3.3：利用方差来衡量资源占用的分布情况公式的简化；
设定
Figure FDA0003849203580000024
为节点i到节点j的资源占用分布，则公式6式可以简化为公式8；
Figure FDA0003849203580000025
Figure FDA0003849203580000026
所述步骤S1电力多模态网络模型的构建所要达到的优化目标具体为：
Figure FDA0003849203580000031
从公式9可以看出，电力多模态网络模型的构建所要达到的优化目标是希望得到最小资源消耗、最大可靠性、最小资源占用分布；
所述步骤S2：基于NSGA-II的资源优化算法具体步骤为：
所述步骤S2.1种群初始化的步骤如下：
步骤S2.1.1：种群初始化之前，对输入数据进行预处理，遍历网络拓扑，筛选掉不满足带宽要求的数据链路；
步骤S2.1.2：种群的初始化时，采用基于优先级编码的间接编码方式；
所述步骤S2.2拥挤度函数的计算表示为：
Figure FDA0003849203580000032
公式10中，
Figure FDA0003849203580000033
表示第i+1个个体的第j个目标函数值，
Figure FDA0003849203580000034
表示第i-1个个体的第j个目标函数值，αj表示第j个目标函数值的权重；在网络资源优化中，对于不同的服务供应商和用户，他们对优化的指标及要求是不同的，因此根据不同的业务为各个指标赋予不同的权重来满足业务需求，且需要满足
Figure FDA0003849203580000035
首先计算种群中各个个体所在的非支配层，再比较拥挤度，非支配层级小且拥挤度大的个体进入下一步迭代以产生新个体，第i个个体的拥挤度Fi的计算公式即为公式10；
所述步骤S2.3种群选择的步骤如下：
步骤S2.3.1：整个种群按轮盘赌选择的方式进行遗传算法的选择；
步骤S2.3.2：第i个个体的选择概率为Pi；
Figure FDA0003849203580000036
其中n为种群大小；
步骤S2.3.3：将当前群体中适应度最高的个体结构完整的复制到下一代种群中，以此完成整个种群的选择；
所述步骤S2.4种群交叉及变异的步骤如下：
步骤S2.4.1：随机选择一对父代染色体中几个基因的起止位置，所述一对染色体的被选位置相同；
步骤S2.4.2：根据选择的几个基因生成一个子代，并保证子代中被选中的基因的位置与父代相同；
步骤S2.4.3：找出步骤S2.4.1中选中的基因在另一个父代中的位置，再将其余基因按顺序放入步骤S2.4.2中生成的一个子代中，这样就产生了一个新的子代；
这种交叉操作会生成两个子代，另一个子代生成过程与上述一个子代的生成过程完全相同，步骤S2.4.1选中的基因型位置相同，只需要将两个父代染色体交换位置即可；
本申请的算法在每次遗传进化时需要满足以下限制条件：
假设网络中各个节点都有足够的缓冲空间来存储分组数据，为了保证网络不发生拥塞以及所选择的路径起始于源节点s结束于目的节点d，在每次遗传进化时应满足以下条件：
条件1.选择的网络链路Utilization(s,d)<1
条件2.最少存在一条可选链路L(s,d)满足bandwidthl＜B,l∈L(s,d)
其中bandwidthl表示整条链路中第l段链路的带宽；
所述步骤S3:将步骤S2中基于NSGA-II的资源优化算法应用到步骤S1中构建的电力多模态网络模型中，进行网络资源优化分配；
分配的方法流程为：
步骤S3.1：初始化随机网络和无标度网络种群，设定种群规模和最大进化次数；
步骤S3.2：对初始的网络拓扑图进行预处理，筛选掉不满足带宽要求的网络链路；
步骤S3.3：从第二代开始，将父代和子代合并生成一个大种群，对其进行快速非支配型排序，然后对每个非支配层的个体进行拥挤度计算，最后根据非支配关系和拥挤度来选择合适的个体组成新的父代种群；
步骤S3.4：对种群个体进行解码得到真实的网络路径；
步骤S3.5：进行种群选择、交叉、变异操作产生新的子代群体；
步骤S3.6：如果遗传代数超过了设定值,则转入步骤S3.7,否则执行步骤S3.3；
步骤S3.7：输出最优解，并根据具体的网络业务需求进行选择。
CN202110565689.2A 2021-05-24 2021-05-24 基于nsga-ii的电力多模态网络资源优化分配方法 Active CN113285832B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110565689.2A CN113285832B (zh) 2021-05-24 2021-05-24 基于nsga-ii的电力多模态网络资源优化分配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110565689.2A CN113285832B (zh) 2021-05-24 2021-05-24 基于nsga-ii的电力多模态网络资源优化分配方法

Publications (2)

Publication Number Publication Date
CN113285832A CN113285832A (zh) 2021-08-20
CN113285832B true CN113285832B (zh) 2022-11-01

Family

ID=77281224

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110565689.2A Active CN113285832B (zh) 2021-05-24 2021-05-24 基于nsga-ii的电力多模态网络资源优化分配方法

Country Status (1)

Country Link
CN (1) CN113285832B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114021886A (zh) * 2021-09-29 2022-02-08 广东电网有限责任公司韶关供电局 一种低压电力线载波通信系统资源动态管理方法
CN114979013B (zh) * 2022-05-17 2023-12-05 南京邮电大学 一种面向多模态业务的传输模式选择与资源分配方法
CN117455061B (zh) * 2023-11-08 2024-08-20 深圳市美置乡墅科技有限公司 建筑施工的调度管理方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110971525A (zh) * 2019-11-26 2020-04-07 武汉大学 一种面向电力通信网的业务运行的业务路由寻址方法
CN112333712A (zh) * 2019-08-05 2021-02-05 中国移动通信集团设计院有限公司 一种网络规划资源处理方法和装置

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102711266B (zh) * 2012-05-17 2014-08-13 北京邮电大学 基于遗传算法的调度与资源分配联合优化方法
EP3058772B1 (en) * 2013-10-16 2019-01-09 Empire Technology Development LLC Dynamic frequency and power resource allocation with granular policy management
CN106953768A (zh) * 2017-04-13 2017-07-14 西安电子科技大学 一种网络可靠性模型及混合智能优化方法
CN109005593B (zh) * 2018-08-03 2023-04-07 上海理工大学 一种用于频谱分配的优化的方法及设备
CN112804597A (zh) * 2019-10-28 2021-05-14 湖南大学 一种自适应光网络组播路由多目标优化方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112333712A (zh) * 2019-08-05 2021-02-05 中国移动通信集团设计院有限公司 一种网络规划资源处理方法和装置
CN110971525A (zh) * 2019-11-26 2020-04-07 武汉大学 一种面向电力通信网的业务运行的业务路由寻址方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Geographic Clustering Based Mobile Edge Computing Resource Allocation Optimization Mechanism;Song Kang et al.;《IEEE》;20200227;全文 *
基于能效优化的异构网络资源分配算法设计;钱进等;《通信技术》;20160210(第02期);全文 *
面向可用性的电力通信业务通道路由选择算法;曾庆涛等;《北京邮电大学学报》;20150615;全文 *

Also Published As

Publication number Publication date
CN113285832A (zh) 2021-08-20

Similar Documents

Publication Publication Date Title
CN113285832B (zh) 基于nsga-ii的电力多模态网络资源优化分配方法
CN105430707B (zh) 一种基于遗传算法的无线传感网多目标优化路由方法
CN109714263B (zh) 一种在卫星通信网络中的路径选择方法及装置
CN106484512B (zh) 计算单元的调度方法
CN108573326B (zh) 基于遗传蚁群混合算法的视频服务器选址方法
CN107172166A (zh) 面向工业智能化服务的云雾计算系统
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
CN101777990A (zh) 多目标免疫优化组播路由路径选择方法
Liu Intelligent routing based on deep reinforcement learning in software-defined data-center networks
CN105323166A (zh) 一种面向云计算的基于网络能效优先的路由方法
CN111885493B (zh) 一种基于改进布谷鸟搜索算法的微云部署方法
CN108809860B (zh) 基于业务可靠性的网络节点资源分配方法
CN111047040A (zh) 基于IFPA算法的Web服务组合方法
CN113472671B (zh) 组播路由的确定方法、装置和计算机可读存储介质
CN107343303B (zh) 无线Mesh网络中基于对偶分解的路由优化方法
Ibrahim et al. A modified genetic algorithm for controller placement problem in SDN distributed network
CN114255879A (zh) 考虑拥挤效应的预防性医疗设施网络设计软件
CN112990608A (zh) 一种适用于电力设施全覆盖的5g优化建设方法
CN111542078B (zh) 一种nfv环境下核心网控制面弹性资源分配方法
CN112073983B (zh) 基于流量预测的无线数据中心网络拓扑优化方法及系统
CN113139639A (zh) 一种基于mombi面向智慧城市应用多目标计算迁移方法和装置
CN112787833B (zh) 内容分发网络cdn服务器的部署方法和装置
Lee et al. Equity based land‐use and transportation problem
CN109889573A (zh) 混合云中基于ngsa多目标的副本放置方法
CN111010704B (zh) 基于指数平滑的水下无线传感器网络数据预测优化方法

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