CN114071513A - 一种基于改进蝗虫优化方法的切片编排方法及装置 - Google Patents
一种基于改进蝗虫优化方法的切片编排方法及装置 Download PDFInfo
- Publication number
- CN114071513A CN114071513A CN202111210858.7A CN202111210858A CN114071513A CN 114071513 A CN114071513 A CN 114071513A CN 202111210858 A CN202111210858 A CN 202111210858A CN 114071513 A CN114071513 A CN 114071513A
- Authority
- CN
- China
- Prior art keywords
- population
- locust
- fitness
- slices
- reverse
- 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
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- 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
- H04W40/04—Communication route or path selection, e.g. power-based or shortest path routing based on wireless node resources
- H04W40/10—Communication route or path selection, e.g. power-based or shortest path routing based on wireless node resources based on available power or energy
-
- 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
- H04W40/20—Communication route or path selection, e.g. power-based or shortest path routing based on geographic position or location
-
- 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
Abstract
本发明提出一种基于改进蝗虫优化方法的切片编排方法及装置,用于克服传统编排方法在网络资源优化时,只针对单一目标方法的优化,没有考虑到将宽带、时延和可靠性方面等指标,从而缺少对整体网路优化的缺陷。该方法及装置能够利用改进的蝗虫方法具有快速收敛、全局收敛速度较快的特性,然后设计出网络切片的评价性能函数,最后利用改进的蝗虫方法通过全局优化得到最优网络切片。相对于传统技术而言,本发明的技术普遍利用更高,效果明显,精确度更高、精度更准。
Description
技术领域
本发明涉及能源互联网领域,具体是一种基于改进蝗虫优化方法的切片编排方法及装置。
背景技术
能源互联网实时连接能源电力生产和消费各环节的人、机、物,与新一代电力系统相互渗透、深度融合。传统电力无线通信网络以软硬件深度耦合的通信设备为核心,存在网络管理效率和资源利用效率低下、应用场景适配性差的缺陷。面临业务需求差异化、应用场景多样化及网络设备异构化的挑战,能源互联网的构建需要引入网络切片、灵活回传及低时延技术等5G关键技术来实现灵活、差异化的通信能力。因此亟需针对电力能源互联网特征开展5G切片技术在能源互联网的应用研究,为5G在电力业务中的应用研究提供技术支撑。
当前国内外研究在5G切片资源管理方面已存在各种基础方案,提出了基本架构和资源管理策略,然而针对能源互联网的切片资源管理方式鲜有研究,且切片编排方式往往优化目标单一:仅针对一个优化目标(如网络时延或资源利用率)设计映射模型,并不全面。因此本发明一种基于改进蝗虫优化方法(Improved grasshopper optimizationalgorithm,IGOA)的切片编排方法,对带宽、时延和可靠性等多目标方式进行优化,以达到降低网络能耗和提高网络资源利用率的目的,并且克服了优化目标较为单一的缺陷。
发明内容
发明所要解决的技术问题是克服现有技术的缺陷,提出一种能克服现有编排方法优化目标较为单一的缺陷。
为实现上述目的,本方面提供如下技术方案:
一种基于改进蝗虫优化方法的切片编排方法,所述方法包括以下步骤:
步骤1:归一化表征网络切片性能的传输参数;
步骤2:使用最短路径方法生成3类基本网络切片,采用反向混沌初种群初始化方法将种群分解为正向和反向两个种群,然后将正向种群和反向种群进行合并,形成新种群;
步骤3:对每类切片选择合适的参数,对上述新种群中的每一个个体按照Fitness(α,β,θ,B)计算蝗虫方法的适应度,进行排序,选择适应度最高的N个蝗虫个体组成初始化种群;
由此得到了重新编排后网络切片方案。
优选地,所述步骤1采用公式(1)归一化表征网络切片性能的传输参数,归一化方法如式(1)所示:
式中,X为性能参数的归一化值;υ表示性能参数,μ为性能参数的均值;δ为性能参数的方差。
优选地,所述3类基本网络切片包括:低时延类切片、高带宽类切片和高可靠类切片。
优选地,所述步骤2具体包括以下步骤:
①将变量映射到待优化变量的区间范围内,即取值i=1,2,…,N,便可能到N个初始种群个体,形成正向种群,表达式如下式所示:
X=a+yid(a-b) (2)
式中,X为上述性能参数的归一化值,y表示采用Logistic混沌映射生成的序列,yid表示在d维空间中第i个混沌序列值,a和b分别为搜索上下界,通过式(2)生成的为正向种群;
②通过X计算反向种群,通过式(2)生成正向种群的值计算反向种群,反向种群计算如下:
Xid表示第i个蝗虫种群个体的第d维个码值;
其中蝗虫个体代表的是切片中的不同类型的切片个体,种群对应的是整个切片总体。
优选地,所述步骤3中,其中Fitness函数如下所示:
Fitness(α,β,θ,B)=-αeθ+βeB (4)
式中,Fitness(α,β,θ,B)指蝗虫方法的适应度,θ为归一化后的时延最大的路径时延值;B为归一化后的最小带宽;α为低时延需求类切片占所有切片的比例;β为高带宽需求类切片占所有切片的比例。
优选地,所述步骤4中蝗虫位置计算方法如下:
式中,Xd i表示d维空间中蝗虫的位置,xi d表示表示d维空间中第i个蝗虫个体的位置,xj d表示d维空间中第j个蝗虫个体的位置,ubd、lbd分别为第i只蝗虫第d维变量的上界与下界;为蝗群的目标位置;c为线性递减的系数,dij=|xi-xj|,表示第i只蝗虫与第j只蝗虫的距离,xi表示一维状况下第i只蝗虫的位置,xj表示表示一维状况下第j只蝗虫的位置。
其中c和s计算公式如下所示:
式中,f和l分别为吸引强度参数和吸引尺度参数,Tmax为最大迭代次数,t为当前迭代次数,τ的取值范围称为吸引域,cmax=1、cmin=0.00001。
优选地,参数取值为:l=1.5、f=0.5,。
本发明还提出一种基于改进蝗虫优化方法的切片编排装置,所述装置包括:
归一化模块,归一化表征网络切片性能的传输参数;
种群生成模块,与归一化模块相连,基于上述归一化后的传输参数,使用最短路径方法生成3类基本网络切片,采用反向混沌分析法将其分解为正向和反向两个种群,然后将正向种群和反向种群进行合并,形成新种群,得到初始最优切片;
适应度计算模块,与种群生成模块相连,对每类切片选择合适的参数,按照Fitness函数--Fitness(α,β,θ,B)计算蝗虫方法的适应度,进行排序,选择适应度最高的N个蝗虫个体组成初始化种群;
本发明的有益的技术效果包括:整个方法对带宽、时延和可靠性等多目标方式进行整体优化,以达到降低网络能耗和提高网络资源利用率的目的,并且克服了优化目标较为单一的缺陷。相对于传统技术而言,本发明的技术普遍利用更高,效果明显,精确度更高、精度更准。
附图说明
图1方法是本发明方法的流程图。
图2是本发明实施例的路由拓扑图。
图3是3种不同方方法时间复杂度对比图。
图4是3种不同方法的能耗对比图。
图5是不同网络需求之间的能耗对比图。
图6是不同流量需求下3种方法方法网络资源利用率对比。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例的附图,对本发明实施例的技术方案进行清楚、完整地描述。显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于所描述的本发明的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本发明保护的范围。
参见图1所示,本发明提出一种基于改进蝗虫优化方法IGOA的切片编排方法,所述方法包括以下步骤:
步骤1:采用公式(1)归一化表征网络切片性能的传输参数,归一化方法如式(1)所示;
式中,X为性能参数的归一化值;υ表示性能参数,μ为性能参数的均值;δ为性能参数的方差。
步骤2:基于上述归一化后的传输参数,使用最短路径方法生成3类基本网络切片(network slicing,NS),低时延类切片、高带宽类切片和高可靠类切片,采用反向混沌分析法将其分解为正向和反向两个种群,然后将正向种群和反向种群进行合并,形成新种群。具体包括以下步骤:
①将变量映射到待优化变量的区间范围内,即取值i=1,2,…,N,便可能到N个初始种群个体,形成正向种群,表达式如下式所示:
X=a+yid(a-b) (2)
式中,X为上述性能参数的归一化值,y表示采用Logistic混沌映射生成的序列,yid表示在d维空间中第i个混沌序列值,a和b分别为搜索上下界,通过式(2)生成的为正向种群。
②通过X计算反向种群
Xid表示第i个蝗虫种群个体的第d维个码值;
步骤3:对每类切片选择合适的参数,按照Fitness函数--Fitness(α,β,θ,B)计算蝗虫方法的适应度,进行排序,选择适应度最高的N个蝗虫个体组成初始化种群。其中蝗虫个体代表的是切片中的不同类型的切片个体,种群对应的是整个切片总体。
其中Fitness函数步骤如下所示:
Fitness(α,β,θ,B)=-αeθ+βeB (4)
式中,Fitness(α,β,θ,B)指蝗虫方法的适应度,θ为归一化后的时延最大的路径时延值;B为归一化后的最小带宽;α为低时延需求类切片占所有切片的比例;β为高带宽需求类切片占所有切片的比例。
式中,Xd i表示d维空间中蝗虫的位置,xi d表示表示d维空间中第i个蝗虫个体的位置,xj d表示d维空间中第j个蝗虫个体的位置,ubd、lbd分别为第i只蝗虫第d维变量的上界与下界;为蝗群的目标位置;c为线性递减的系数,dij=|xi-xj|,表示第i只蝗虫与第j只蝗虫的距离。xi表示一维状况下,第i只蝗虫的位置,xj表示第j只蝗虫的位置。
其中c和s计算公式如下所示:
式中,f和l分别为吸引强度参数和吸引尺度参数,Tmax为最大迭代次数,t为当前迭代次数,τ的取值范围称为吸引域,cmax=1、cmin=0.00001。
优选地,参数取值为:l=1.5、f=0.5,。
由此得到了重新编排后网络切片方案。
相应地,本发明还包括一种基于IGOA的切片编排装置,所述装置包括:
归一化模块,采用公式(1)归一化表征网络切片性能的传输参数。
种群生成模块,与归一化模块相连,基于上述归一化后的传输参数,使用最短路径方法生成3类基本网络切片(network slicing,NS),低时延类切片、高带宽类切片和高可靠类切片,采用反向混沌分析法将其分解为正向和反向两个种群,然后将正向种群和反向种群进行合并,形成新种群,得到初始最优切片。
适应度计算模块,与种群生成模块相连,对每类切片选择合适的参数,按照Fitness函数--Fitness(α,β,θ,B)计算蝗虫方法的适应度,进行排序,选择适应度最高的N个蝗虫个体组成初始化种群。
在本发明的一个实施例中,所述方法在模拟环境下进行计算,拓扑结构如图2所示。网络环境中源节点Q1、Q2、…、Qn为接纳用户流量的节点,负责接纳用户的流量,D1、D2、…、Dn为目的(D)节点;S1、S2、S3、…、Sm为运行OpenFlow协议的交换机;控制器为整个SDN的控制器。
比较例
本发明通过在相同环境下实现基于网络切片的PSO、GOA和本发明提出的IGOA,比较不同网络规模下,网络路由生成所用时间,并将每种方法方法的路由策略部署于实验网络,根据源节点接入业务流量的不同,测量不同负载时整个网络的资源利用率,以验证本发明方法发明所述方法的稳定性和高效性。
下面的分析中,首先保持所有个体流量需求均相同的条件下,通过增加网络规模(网络节点变化)对3种方法比较;然后在相同的网络规模不变(相同的网络拓扑)的条件下,依据不同流量的需求变化,对3种方法的能耗和能源利用率进行分析。
(1)不同网络规模的影响
本发明假设所有个体流量需求均相同,将3种方法方法在不同的网络规模下的条件下进行比较,分析3种方法的时间复杂度和能耗。具体如3和图4所示。
①时间复杂度
图3为不同网络规模的影响下,三种优化方法复杂度对比情况,其中,GOA方法只有在路径最短的条件下才会触发,虽然时间花费少、复杂程度较低,但是未考虑不同路径的负载均衡问题,并且会造成负载不均衡等相关负面影响;采用PSO方法,在总体网络规模较小的前提下,变化结果和GOA的变化趋势比为相似,然而随着网络规模的不断增加,方法计算时间延长,性能不断降低。IGOA虽然针对小规模网络花费时间不断,但是随着网络规模的不断增加,时间延长不会过多,因此本发明方法能够应对不同网络的规模,因此本专利方法好于其它两种方法。
②能耗对比
从图4可以看出,随着网络规模的不断提升,能耗不断增加。其中,PSO随着网络规模的不断增加,能源消耗不断增加且急剧上升;GOA方法也是随着网络规模不断呈现上升趋势,但是小于PSO,本发明提出的方法是3种方法能耗最低的,且在网络节点数量达到380时,能量节约能够达到29.5%。因此,本发明的方法依然所有方法中能耗最小的,说明本发明的方法在降低网络能源方面是有效的。
(2)不同网络需求之间的影响
为了进一步突出本发明方法的优势,在假设网络节点数相同的条件下,从不同网络负载的能耗和能源利用率角度出发,与其他2种方法进行对比,具体分析对比如下所示。
①能耗对比
图5为3种不同方法的能耗对比图。从图中可以看出,随着网络负载的不断增加,PSO方法的能耗在不断持续增加,而且增长速度明显高于其他两种方法。基于GWO方法的能耗虽然随着流量需求不断增加,但是相对于PSO方法增长速度明显放缓。本发明提出的方法,在负载不高的前提下相对于前两者方法,优势并不是很明显,但是随着流量需求不断增加,本发明提出的方法优势越来越明显。并且当流量达到65Mbit/s时,本发明的提出的方法是能耗最低的,再一次说明了方法的在降低能耗方面的优越性。
②网络资源利用率对比
在网络节点相同的规模下,将3种方法进行对比,从图6中可以看出,本IGOA将能量利用率维持在76%左右,并且随着能量的需求不断的提升,利用率的波动范围不大,说明本发明的方法有较好的稳定性。PSO方法和GOA方法相对来说资源利用率要差一些。其中,GOA方法维持在63%左右,PSO方法维持在45%左右,明显低于本发明提出的方法,所以本发明方法在实际应用中,可以提高链路利用率。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (16)
1.一种基于改进蝗虫优化方法的切片编排方法,其特征在于,所述方法包括以下步骤:
步骤1:归一化表征网络切片性能的传输参数;
步骤2:使用最短路径方法生成3类基本网络切片,采用反向混沌初种群初始化方法将种群分解为正向和反向两个种群,然后将正向种群和反向种群进行合并,形成新种群;
步骤3:对每类切片选择合适的参数,对上述新种群中的每一个个体按照Fitness(α,β,θ,B)计算蝗虫方法的适应度,进行排序,选择适应度最高的N个蝗虫个体组成初始化种群;
由此得到重新编排后网络切片方案。
3.根据权利要求2所述的方法,其特征在于,所述3类基本网络切片包括:低时延类切片、高带宽类切片和高可靠类切片。
4.根据权利要求3所述的方法,其特征在于,所述步骤2具体包括以下步骤:
①将变量映射到待优化变量的区间范围内,即取值i=1,2,…,N,便可能到N个初始种群个体,形成正向种群,表达式如下式所示:
X=a+yid(a-b) (2)
式中,X为上述性能参数的归一化值,y表示采用Logistic混沌映射生成的序列,yid表示在d维空间中第i个混沌序列值,a和b分别为搜索上下界,通过式(2)生成的为正向种群;
②通过X计算反向种群,通过式(2)生成正向种群的值计算反向种群,反向种群计算如下:
Xid表示第i个蝗虫种群个体的第d维个码值;
其中蝗虫个体代表的是切片中的不同类型的切片个体,种群对应的是整个切片总体。
5.根据权利要求4所述的方法,其特征在于,所述步骤3中,其中Fitness函数如下所示:
Fitness(α,β,θ,B)=-αeθ+βeB (4)
式中,Fitness(α,β,θ,B)指蝗虫方法的适应度,θ为归一化后的时延最大的路径时延值;B为归一化后的最小带宽;α为低时延需求类切片占所有切片的比例;β为高带宽需求类切片占所有切片的比例。
8.根据权利要求7所述的方法,其特征在于,步骤4中参数取值为:l=1.5、f=0.5,。
9.一种基于改进蝗虫优化方法的切片编排装置,其特征在于,所述装置包括:
归一化模块,归一化表征网络切片性能的传输参数;
种群生成模块,与归一化模块相连,基于上述归一化后的传输参数,使用最短路径方法生成3类基本网络切片,采用反向混沌分析法将其分解为正向和反向两个种群,然后将正向种群和反向种群进行合并,形成新种群,得到初始最优切片;
适应度计算模块,与种群生成模块相连,对每类切片选择合适的参数,按照Fitness函数--Fitness(α,β,θ,B)计算蝗虫方法的适应度,进行排序,选择适应度最高的N个蝗虫个体组成初始化种群;
11.根据权利要求10所述的装置,其特征在于,所述3类基本网络切片包括:低时延类切片、高带宽类切片和高可靠类切片。
12.根据权利要求11所述的装置,其特征在于,所述采用反向混沌分析法将其分解为正向和反向两个种群,然后将正向种群和反向种群进行合并,形成新种群,得到初始最优切片具体包括以下步骤:
①将变量映射到待优化变量的区间范围内,即取值i=1,2,…,N,便可能到N个初始种群个体,形成正向种群,表达式如下式所示:
X=a+yid(a-b) (2)
式中,X为上述性能参数的归一化值,y表示采用Logistic混沌映射生成的序列,yid表示在d维空间中第i个混沌序列值,a和b分别为搜索上下界,通过式(2)生成的为正向种群;
②通过X计算反向种群,通过式(2)生成正向种群的值计算反向种群,反向种群计算如下:
Xid表示第i个蝗虫种群个体的第d维个码值;
其中蝗虫个体代表的是切片中的不同类型的切片个体,种群对应的是整个切片总体。
13.根据权利要求12所述的装置,其特征在于,其中Fitness函数如下所示:
Fitness(α,β,θ,B)=-αeθ+βeB (4)
式中,Fitness(α,β,θ,B)指蝗虫方法的适应度,θ为归一化后的时延最大的路径时延值;B为归一化后的最小带宽;α为低时延需求类切片占所有切片的比例;β为高带宽需求类切片占所有切片的比例。
16.根据权利要求15所述的装置,其特征在于,所述参数取值为:l=1.5、f=0.5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111210858.7A CN114071513B (zh) | 2021-10-18 | 2021-10-18 | 一种基于改进蝗虫优化方法的切片编排方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111210858.7A CN114071513B (zh) | 2021-10-18 | 2021-10-18 | 一种基于改进蝗虫优化方法的切片编排方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114071513A true CN114071513A (zh) | 2022-02-18 |
CN114071513B CN114071513B (zh) | 2023-09-15 |
Family
ID=80234772
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111210858.7A Active CN114071513B (zh) | 2021-10-18 | 2021-10-18 | 一种基于改进蝗虫优化方法的切片编排方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114071513B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108174394A (zh) * | 2018-01-12 | 2018-06-15 | 西安邮电大学 | 一种5g网络切片的编排算法 |
CN109995580A (zh) * | 2019-03-13 | 2019-07-09 | 北京工业大学 | 5g网络切片中基于ga_pso混合算法的vn映射方法 |
CN112740711A (zh) * | 2018-07-26 | 2021-04-30 | 瑞典爱立信有限公司 | 用于配置为支持多个360度视频会话的网络中的带宽优化的系统和方法 |
CN112990608A (zh) * | 2021-04-25 | 2021-06-18 | 广东电网有限责任公司江门供电局 | 一种适用于电力设施全覆盖的5g优化建设方法 |
-
2021
- 2021-10-18 CN CN202111210858.7A patent/CN114071513B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108174394A (zh) * | 2018-01-12 | 2018-06-15 | 西安邮电大学 | 一种5g网络切片的编排算法 |
CN112740711A (zh) * | 2018-07-26 | 2021-04-30 | 瑞典爱立信有限公司 | 用于配置为支持多个360度视频会话的网络中的带宽优化的系统和方法 |
CN109995580A (zh) * | 2019-03-13 | 2019-07-09 | 北京工业大学 | 5g网络切片中基于ga_pso混合算法的vn映射方法 |
CN112990608A (zh) * | 2021-04-25 | 2021-06-18 | 广东电网有限责任公司江门供电局 | 一种适用于电力设施全覆盖的5g优化建设方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114071513B (zh) | 2023-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108174394A (zh) | 一种5g网络切片的编排算法 | |
CN112070240A (zh) | 一种高效通信的分层联邦学习框架及其优化方法和系统 | |
CN114697229B (zh) | 一种分布式路由规划模型的构建方法及应用 | |
CN108737191B (zh) | 面向超密集无线传感器网基于无监督学习的拓扑控制方法 | |
CN113794638B (zh) | 基于差分进化算法的sdn数据中心网络大象流调度方法 | |
CN113285831A (zh) | 网络行为知识智能学习方法、装置、计算机设备及存储介质 | |
CN112954763A (zh) | 一种基于樽海鞘算法优化的wsn分簇路由方法 | |
CN109831808A (zh) | 一种基于机器学习的混合供电c-ran的资源分配方法 | |
CN114301910B (zh) | 一种物联网环境下的云边协同计算任务卸载方法 | |
Borylo et al. | Fitting green anycast strategies to cloud services in WDM hybrid power networks | |
CN114071513A (zh) | 一种基于改进蝗虫优化方法的切片编排方法及装置 | |
Yujie et al. | An effective controller placement algorithm based on clustering in SDN | |
Han et al. | Qaar: An application-adaptive routing protocol based on q-learning in underwater sensor networks | |
CN116208567A (zh) | 跨域数据中心sdn网络资源的流量调度的方法和系统 | |
CN112014686B (zh) | 一种基于邻接矩阵最短路径的低压配电网故障定位方法 | |
CN111447658A (zh) | 一种基于sdwsn的分簇路由方法 | |
CN110392409B (zh) | 基于配电通信网的WMSNs多路径QoS路由方法、系统及存储介质 | |
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 | |
Liu | Optimization analysis of WSN location process based on hybrid PSO algorithm | |
Wang et al. | An intelligent QoS multicast routing algorithm under inaccurate information | |
CN116132354B (zh) | 一种无人机集群网络化传输路径优化方法及系统 | |
Deb et al. | Harvested profile aware multi hop routing protocol for wireless sensor network | |
Sun et al. | Novel dynamic ant genetic algorithm for QoS routing in wireless mesh networks | |
Li et al. | Research on Power Line Carrier Communication Routing Adapted to the Internet of Things | |
Su et al. | Cognitive virtual network embedding algorithm based on weighted relative entropy |
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 |