CN114071513B - 一种基于改进蝗虫优化方法的切片编排方法及装置 - Google Patents

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

一种基于改进蝗虫优化方法的切片编排方法及装置

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；

步骤4：计算步骤3中适应度最高的切片，并且保存适应度值最好的蝗虫位置

步骤5：更新蝗虫位置，计算每个蝗虫的适应度值，更新最优蝗虫位置

步骤6：判断是否达到最大迭代次数，如果不满足条件则跳转步骤3，如果满足终止条件则方法结束并返回

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+y_id(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，y_id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：

表示反向种群，/>表示第i个种群中1到d维的码值表示，N表示蝗虫种群个数，D表示种群的维数；

反向种群个体表示为

X_id表示第i个蝗虫种群个体的第d维个码值；

③得到新种群

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。

优选地，所述步骤3中，其中Fitness函数如下所示:

Fitness(α,β,θ,B)＝-αe^θ+βe^B (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，X^d _i表示d维空间中蝗虫的位置，x_i ^d表示表示d维空间中第i个蝗虫个体的位置，x_j ^d表示d维空间中第j个蝗虫个体的位置，ub_d、lb_d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，d_ij＝|x_i-x_j|,表示第i只蝗虫与第j只蝗虫的距离，x_i表示一维状况下第i只蝗虫的位置，x_j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，T_max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，c_max＝1、c_min＝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；

蝗虫位置计算模块，与适应度计算模块相连，计算适应度最高的切片，并且保存适应度值最好的蝗虫位置 为蝗群的目标位置；

蝗虫位置更新模块，更新蝗虫位置，计算每个蝗虫的适应度值，更新最优蝗虫位置

判断模块，判断是否达到最大迭代次数，如果不满足条件则跳转适应度计算模块，如果满足终止条件则结束并返回由此得到重新编排后网络切片方案。

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+y_id(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，y_id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

表示反向种群，/>表示第i个种群中1到d维的码值表示，N表示蝗虫种群个数，D表示种群的维数；

反向种群个体表示为

X_id表示第i个蝗虫种群个体的第d维个码值；

③得到新种群计算新的目标值，并将其中适应度值最好的N个个体做出初始种群，由此得到得到初始最优切片。

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)＝-αe^θ+βe^B (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。

步骤4：计算步骤3中适应度最高的切片，并且保存适应度值最好的蝗虫位置其中蝗虫方法如下：

式中，X^d _i表示d维空间中蝗虫的位置，x_i ^d表示表示d维空间中第i个蝗虫个体的位置，x_j ^d表示d维空间中第j个蝗虫个体的位置，ub_d、lb_d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，d_ij＝|x_i-x_j|,表示第i只蝗虫与第j只蝗虫的距离。x_i表示一维状况下，第i只蝗虫的位置，x_j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，T_max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，c_max＝1、c_min＝0.00001。

优选地，参数取值为：l＝1.5、f＝0.5，。

步骤5：根据公式(5)更新蝗虫位置，计算每个蝗虫的适应度值，更新最优蝗虫位置

步骤6：判断是否达到最大迭代次数，如果不满足条件则跳转步骤3，如果满足终止条件则方法结束并返回

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。

蝗虫位置计算模块，与适应度计算模块相连，计算适应度最高的切片，并且保存适应度值最好的蝗虫位置 为蝗群的目标位置。

蝗虫位置更新模块，根据公式(5)更新蝗虫位置，计算每个蝗虫的适应度值，更新最优蝗虫位置

判断模块，判断是否达到最大迭代次数，如果不满足条件则跳转适应度计算模块，如果满足终止条件则结束并返回由此得到了重新编排后网络切片方案。

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；

步骤4：计算步骤3中适应度最高的切片，并且保存适应度值最好的蝗虫位置

步骤5：更新蝗虫位置，计算每个蝗虫的适应度值，更新最优蝗虫位置

步骤6：判断是否达到最大迭代次数，如果不满足条件则跳转步骤3，如果满足终止条件则方法结束并返回

由此得到重新编排后网络切片方案。

2.根据权利要求1所述的方法，其特征在于，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。

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+y_id(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，y_id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：

表示反向种群，/>表示第i个种群中1到d维的码值表示，N表示蝗虫种群个数，D表示种群的维数；

反向种群个体表示为

X_id表示第i个蝗虫种群个体的第d维个码值；

③得到新种群

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。

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)＝-αe^θ+βe^B (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。

6.根据权利要求5所述的方法，其特征在于，所述步骤4中蝗虫位置计算方法如下：

式中，X^d _i表示d维空间中蝗虫的位置，x_i ^d表示表示d维空间中第i个蝗虫个体的位置，x_j ^d表示d维空间中第j个蝗虫个体的位置，ub_d、lb_d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，d_ij＝|x_i-x_j|,表示第i只蝗虫与第j只蝗虫的距离，x_i表示一维状况下第i只蝗虫的位置，x_j表示表示一维状况下第j只蝗虫的位置。

7.根据权利要求6所述的方法，其特征在于，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，T_max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，c_max＝1、c_min＝0.00001。

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；

蝗虫位置计算模块，与适应度计算模块相连，计算适应度最高的切片，并且保存适应度值最好的蝗虫位置 为蝗群的目标位置；

蝗虫位置更新模块，更新蝗虫位置，计算每个蝗虫的适应度值，更新最优蝗虫位置

判断模块，判断是否达到最大迭代次数，如果不满足条件则跳转适应度计算模块，如果满足终止条件则结束并返回由此得到重新编排后网络切片方案。

10.根据权利要求9所述的装置，其特征在于，所述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，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。

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+y_id(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，y_id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：

表示反向种群，/>表示第i个种群中1到d维的码值表示，N表示蝗虫种群个数，D表示种群的维数；

反向种群个体表示为

X_id表示第i个蝗虫种群个体的第d维个码值；

③得到新种群

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。

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)＝-αe^θ+βe^B (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。

14.根据权利要求13所述的装置，其特征在于，所述蝗虫位置计算方法如下：

式中，X^d _i表示d维空间中蝗虫的位置，x_i ^d表示表示d维空间中第i个蝗虫个体的位置，x_j ^d表示d维空间中第j个蝗虫个体的位置，ub_d、lb_d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，d_ij＝|x_i-x_j|,表示第i只蝗虫与第j只蝗虫的距离，x_i表示一维状况下第i只蝗虫的位置，x_j表示表示一维状况下第j只蝗虫的位置。

15.根据权利要求14所述的装置，其特征在于，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，T_max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，c_max＝1、c_min＝0.00001。

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。