CN114666805A - 一种适用于多颗粒度业务的光网络规划方法及系统 - Google Patents
一种适用于多颗粒度业务的光网络规划方法及系统 Download PDFInfo
- Publication number
- CN114666805A CN114666805A CN202210461113.6A CN202210461113A CN114666805A CN 114666805 A CN114666805 A CN 114666805A CN 202210461113 A CN202210461113 A CN 202210461113A CN 114666805 A CN114666805 A CN 114666805A
- Authority
- CN
- China
- Prior art keywords
- ant
- service
- individual
- planning
- link
- 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
- 230000003287 optical effect Effects 0.000 title claims abstract description 98
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000005457 optimization Methods 0.000 claims abstract description 58
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 54
- 239000003016 pheromone Substances 0.000 claims description 97
- 230000006870 function Effects 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 12
- 125000004432 carbon atom Chemical group C* 0.000 claims description 10
- 241000257303 Hymenoptera Species 0.000 claims description 7
- 235000008694 Humulus lupulus Nutrition 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 4
- 108090000623 proteins and genes Proteins 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 abstract description 5
- 230000000903 blocking effect Effects 0.000 abstract description 3
- 235000019580 granularity Nutrition 0.000 description 60
- 238000012545 processing Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 9
- 238000013468 resource allocation Methods 0.000 description 8
- 239000013307 optical fiber Substances 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 150000001875 compounds Chemical class 0.000 description 3
- 239000000835 fiber Substances 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 238000013139 quantization Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- -1 hydrogen Chemical class 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/18—Network planning tools
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- 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
- H04W28/06—Optimizing the usage of the radio link, e.g. header compression, information sizing, discarding information
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种适用于多颗粒度业务的光网络规划方法及系统,本发明包括确定光网络的拓扑和各链路的时隙/波长的资源状态,以及被规划业务的需求;将光网络分层并计算得到的各个业务颗粒度层次的网络中任意节点对之间的最短路由路径;建立用于光网络规划的约束规划模型,所述约束规划模型包括执行光网络规划时的优化目标和约束限制;将业务规划顺序和路由路径构成的业务规划方案的决策变量作为蚁群算法中蚂蚁个体的编码,对所述约束规划模型采用蚁群算法优化业务规划顺序,最终得到最优的业务规划方案。本发明旨在快速为已知的多个光缆网业务的连接请求分配路由和波长/时隙,实现业务的最少阻塞和最可靠的传输,并使全网业务保持最大的均衡度。
Description
技术领域
本发明属于光网络业务规划技术领域,具体涉及一种适用于多颗粒度业务的光网络规划方法及系统。
背景技术
目前,随着光通信技术的发展,光网络中的业务颗粒由传统的低速率为主的业务(如2Mbps、155Mbps和622Mbps)逐渐发展为以高速率为主的业务(如2.5Gbps、10Gbps、40Gbps和波长级业务)。由于长久以来,低速率业务不断建立与拆除,导致光网络中传输系统的时隙出现碎片化严重的问题,因此迫切需要一种适用于多颗粒度业务的光网络规划方法及系统,以实现业务的规划与优化;另一方面,在一些自然灾害等特殊事件发生后,需要各类通信设备保障抢险救灾,其中就包括各种速率的通信设备的业务需求,也需要一种适用于多颗粒度业务的光网络规划方法及系统,以满足业务需求。
目前,现有的光网络业务规划方法大多针对一种类型或专门针对几种特定业务类型。例如文献“于广洲,赵莺,武文彦,郜利飞.自适应RWA算法解决WDM网络静态业务规划问题[J].军事通信技术,2012,33(02):21-25”中主要针对波分网络中路由和波长资源的业务规划问题;如公开的专利文献中:“CN201010559039.9一种光通讯网络中小粒度业务路径规划的方法及装置”,主要将相同传输起止节点的小粒度业务绑定为一个或多个虚拟业务进行规划;“CN202110971975.9一种基于多区域光网络系统的业务分域承载规划方法及装置”,主要判断最短业务路径包括的途径节点中是否存在业务跨域转接节点实现业务分域承载规划;“CN200810227372.2一种动态业务的波长路由光网络规划方法”,主要利用静态优化方法得到静态优化的光网络中每个光交叉节点的收发机数目和每根光纤的复用波长数,多次调用静态优化方法完成光网络规划;“CN201410267208.X一种基于OTN网络的规划及设计系统”,主要解决电力通信网络规划领域中的基于OTN网络的规划及设计问题。
简而言之,现有方法未涉及专门的方法处理光网络中多颗粒度业务规划问题。因此,本专利针对光网络中多颗粒度业务规划的需求,提出适用于多颗粒度业务的光网络规划方法。本方法通过改进蚁群算法实现所有业务规划顺序的优化,对于单个业务,将网络按颗粒度分层后形成对应业务需求的颗粒度网络,在颗粒度网络中进行业务路由和时隙/波长资源的分配,并更新其他各颗粒度网络的资源状态,以实现对多颗粒度业务需求的光网络规划与优化。
发明内容
本发明要解决的技术问题:针对现有技术的上述问题,提供一种适用于多颗粒度业务的光网络规划方法及系统,本发明旨在快速为已知的多个光缆网业务的连接请求分配路由和波长/时隙,实现业务的最少阻塞和最可靠的传输,并使全网业务保持最大的均衡度。
为了解决上述技术问题,本发明采用的技术方案为:
一种适用于多颗粒度业务的光网络规划方法,包括:
S1,确定光网络的拓扑和各链路的时隙/波长的资源状态,以及被规划业务的需求;
S2,根据被规划业务的业务颗粒度将光网络分层,形成多个业务颗粒度层次的网络;
S3,计算各个业务颗粒度层次的网络中任意节点对之间的最短路由路径;
S4,建立用于光网络规划的约束规划模型,所述约束规划模型包括执行光网络规划时的优化目标和约束限制;将业务规划顺序和路由路径构成的业务规划方案的决策变量作为蚁群算法中蚂蚁个体的编码,对所述约束规划模型采用蚁群算法优化业务规划顺序,最终得到最优的业务规划方案。
可选地,步骤S4中的优化目标包括最大化业务满足度f1、最小化资源消耗量f2、最小化业务路由长度f3、最大化业务可靠度f4和最大化业务均衡性f5中的部分或全部;步骤S4中的约束限制包括路由约束、带宽约束、波长一致约束以及业务保护资源约束,所述路由约束包括:①路由依次经过的网元站点具有从源端到宿端直接可达的链路,②路由中的节点不重复;所述带宽约束包括:①任意业务分配的时隙/波长带宽资源与该业务所需求的颗粒度一致,且小于链路的原可用带宽和新建链路带宽,②任何链路上分配给所有业务的时隙/波长带宽资源之和应在链路原可用带宽和和新建链路带宽范围内,③对任何链路的最大可新建带宽为该链路的实际新建带宽的最大值;所述波长一致约束是指当规划的业务为波长业务时,在不具备波长转换功能的网元站点前后链路的波长须保持一致;所述业务保护资源约束是指保护路由上的网元站点和链路必须与工作路由不完全相同。
可选地,步骤S4中将业务规划顺序和路由路径构成的业务规划方案的决策变量的函数表达式为:
上式中,X为业务规划方案的决策变量,x1=[x11,x12,…,x1m,…,x1Nf]表示Nf条业务的业务规划顺序,x2=[x21,x22,…,x2m,…,x2Nf]表示Nf条业务选择的最短路由路径编号,Nf为被规划业务的数量。
可选地,步骤S4中采用蚁群算法优化业务规划顺序包括:
S4.1,初始化蚁群中的蚂蚁个体及其信息素,初始化蚁群算法的启发选择比例参数;
S4.2,针对各个蚂蚁个体,依次按业务的需求分配路由和时隙/波长资源,并更新各个业务颗粒度层次的网络的时隙/波长资源,并计算优化目标以作为蚂蚁个体的适应度值;
S4.3,根据各个蚂蚁个体的适应度值,确定最优蚂蚁个体和除最优蚂蚁个体以外最优的精英蚂蚁个体,然后与上一代保留的最优蚂蚁个体和除最优蚂蚁个体以外最优的精英蚂蚁个体混合,筛选出混合后的最优蚂蚁个体和除最优蚂蚁个体以外最优的精英蚂蚁个体作为本代保留的最优蚂蚁个体和除最优蚂蚁个体以外最优的精英蚂蚁个体;
S4.4,判断迭代次数是否达到终止条件,若达到终止条件,则将最后一代保留的最优蚂蚁个体作为最终得到的最优的业务规划方案输出,结束并退出;否则跳转步骤S4.5;
S4.5,针对本代蚁群计算种群多样性,并根据计算出的种群多样性调整蚁群算法的启发选择比例参数;更新各个蚂蚁个体的信息素;
S4.6,根据启发选择比例参数和信息素生成新的蚂蚁个体,形成新的蚁群,跳转步骤S4.2。
可选地,步骤S4.5中种群多样性的计算函数表达式为:
步骤S4.5中调整蚁群算法的启发选择比例参数的函数表达式为:
q0=Div μ
上式中,Div为种群多样性,Na为蚁群规模,Si,j表示蚂蚁个体Xi和Xj之间的相似度,xk li和xk lj分别为蚂蚁个体Xi和Xj的第k位基因,“⊕”为异或运算,相似度值Si,j最大为1、最小为0分别蚂蚁个体Xi和Xj之间完全相同和完全不同;q0为蚁群算法的启发选择比例参数,μ为自适应控制参数,取值为(0,1];Nf为被规划业务的数量。
可选地,步骤S4.5中更新各个蚂蚁个体的信息素包括:
S4.5.1,根据下式执行各个蚂蚁个体的信息素挥发:
S4.5.2,根据下式执行各个蚂蚁个体的信息素增加:
上式中,ωmin为信息素增量系数ωj的最小值,ωmax为信息素增量系数ωj的最大值,为第j个蚂蚁个体在最优蚂蚁个体中的选择次序;为第j个蚂蚁个体在第k个精英蚂蚁个体中的选择次序,Nelite为的精英蚂蚁个体数量;
S4.5.3,判断是否存在第j个蚂蚁个体的信息素的值大于预设的信息素最大值τmax,若存在则根据下式执行各个蚂蚁个体的信息素的整体挥发,以使得各个蚂蚁个体的信息素的值保持在预设的信息素最大值τmax以下:
可选地,步骤S4.6包括:生成伪随机数,基于伪随机数和蚁群算法的启发选择比例参数,根据下式在被规划业务中选择业务以产生新的蚂蚁个体:
上式中,x1,j为新的蚂蚁个体中的第j个被规划的业务,α和β为用于表示重要程度的预测常数参数,τj为第j个蚂蚁个体增加后的信息素的值;Allowedi为所产生新的蚂蚁个体i的可选业务表,表示新的蚂蚁个体尚未选择的业务编号集合,ηj为第j个蚂蚁个体的选择期望值,Xa为按轮盘赌方式依选择概率pj选择的下一个业务;qrand为生成的伪随机数,q0为蚁群算法的启发选择比例参数;且选择概率pj的函数表达式为:
上式中,j为所产生新的蚂蚁个体i的可选业务表,表示新的蚂蚁个体尚未选择的业务编号集合;且第j个蚂蚁个体的选择期望值ηj的函数表达式为:
上式中,prii表示第j个蚂蚁个体对应的业务flowj的优先级,primax表示最高优先级,资源依赖度Relyj表示第j个蚂蚁个体对应的业务flowj的多条最短路由路径对某一链路的依赖度,路由灵活度Flexj表示第j个蚂蚁个体对应的业务flowj的选择多条最短路由路径的灵活度,业务冲突度Conflictj表示第j个蚂蚁个体对应的业务flowj与其他所有业务的最短路由的重叠量。
可选地,所述资源依赖度Relyj的计算函数表达式为:
上式中,Max表示取最大值,Linki表示K条最短路由路径Pathshortest中的第i条路径,为第i条路径Linki在K条最短路由路径Pathshortest中的重复次数,K为最短路由路径Pathshortest中的最短路由路径数量;所述路由灵活度Flexj的计算函数表达式为:
上式中,为第j条业务flowj的K条最短路由路径的备份率,为第j条业务flowj的最短路由路径的差异度,为第j条业务flowj的路由长度的差异度,为最短路由路径的链路跳数,为备份的第i最短路由路径的链路跳数,为实际找到的最短路由路径的数量;所述业务冲突度Conflictj的计算函数表达式为:
此外,本发明还提供一种适用于多颗粒度业务的光网络规划系统,包括相互连接的微处理器和存储器,所述微处理器被编程或配置以执行所述适用于多颗粒度业务的光网络规划方法的步骤。
此外,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,所述计算机程序用于被微处理器编程或配置以执行所述适用于多颗粒度业务的光网络规划方法的步骤。
和现有技术相比,本发明主要具有下述优点:本发明适用于多颗粒度业务的光网络规划方法包括确定光网络的拓扑和各链路的时隙/波长的资源状态,以及被规划业务的需求;将光网络分层并计算得到的各个业务颗粒度层次的网络中任意节点对之间的最短路由路径;建立用于光网络规划的约束规划模型,所述约束规划模型包括执行光网络规划时的优化目标和约束限制;将业务规划顺序和路由路径构成的业务规划方案的决策变量作为蚁群算法中蚂蚁个体的编码,对所述约束规划模型采用蚁群算法优化业务规划顺序,最终得到最优的业务规划方案。本发明旨在快速为已知的多个光缆网业务的连接请求分配路由和波长/时隙,实现业务的最少阻塞和最可靠的传输,并使全网业务保持最大的均衡度。
附图说明
图1为本发明实施例方法的基本流程示意图。
图2为本发明实施例中剥离波长网元节点获得时隙业务网元间的连接关系的示例。
图3为本发明实施例剥离时隙业务网元获得波分网元间的连接关系的示例。
图4为本发明实施例中蚁群算法求解过程的流程示意图。
具体实施方式
如图1所示,本实施例适用于多颗粒度业务的光网络规划方法包括:
S1,确定光网络的拓扑和各链路的时隙/波长的资源状态,以及被规划业务的需求;
S2,根据被规划业务的业务颗粒度将光网络分层,形成多个业务颗粒度层次的网络;
S3,计算各个业务颗粒度层次的网络中任意节点对之间的最短路由路径;
S4,建立用于光网络规划的约束规划模型,所述约束规划模型包括执行光网络规划时的优化目标和约束限制;将业务规划顺序和路由路径构成的业务规划方案的决策变量作为蚁群算法中蚂蚁个体的编码,对约束规划模型采用蚁群算法优化业务规划顺序,最终得到最优的业务规划方案。
步骤S1中,光网络的拓扑包括网元站点以及网元站点之间的链路的信息。本实施例中,采用输入的方式来确定光网络的拓扑信息,输入的信息包括:网元编号、网元类型、链路编号、链路长度。定义光网络的全拓扑(完整的拓扑)为G(V,E)(以下简称全拓扑光网络),其中V为光网络全拓扑的节点集合,E为光网络全拓扑的链路集合。由于在实际网络中各网元站点、链路均有其实际的名称及编号,为了便于蚁群算法的求解,首先将全网中网元站点和链路进行编号。因此,节点最大编号即为此网络的节点数。若同一光网络站点中存在多个网元,则依次也对多个网元进行依次编号。网元类型主要区分为SDH(Synchronous DigitalHierarchy,同步数字体系)网元、ASON(Automatically Switched Optical Network,自动交换光网络)网元、波分网元和OTN(Optical Transport Network,光传送网)网元。光缆线路中若存在光放中继站点,由于此类站点不进行业务处理,因此忽略,不作为网络中的网元输入。相同网元对之间存在多芯光纤或多个时隙/波长通道时,命名为同一连接,在此连接中,再编号不同的时隙/波长资源数量进行区分。
步骤S1中,各链路的时隙/波长的资源状态,包括该链路时隙或波长资源总量、可用的时隙或波长资源。为了便于蚁群算法的求解,本实施例中对每一个链路的时隙或波长资源进行编号,分别以不同的颗粒度表示。如某链路为2芯光纤,每芯光纤可使用48波长通道;两芯光纤均已开通4个波长,每个波长包含10Gbps的时隙带宽;10Gbps的时隙带宽可表示为64个155Mbps时隙,每个155Mbps时隙又可表示为63个2Mbps时隙。因此,对该链路的资源采用2Mbps时隙进行表示时,第1芯光纤中的、第1个波长中的、第1个155Mbps时隙中的、第1个2Mbps时隙编号为“00000001”,按照“00000002”、“00000003”、“00000004”依次类推,直到本链路开通的2Mbps时隙最大编号为“00032256”,本链路2Mbps时隙的总量为32256个;对该链路的资源采用155Mbps时隙进行表示时,第1芯光纤中的、第1个波长中的、第1个155Mbps时隙编号为“000001”,按照“000002”、“000003”、“000004”依次类推,直到本链路开通的2M时隙最大编号为“000512”,本链路155Mbps时隙的总量为512个。对链路的资源按不同颗粒度进行编号表示后,根据各资源的使用状态,若为空闲,则将其编号纳入可用资源集合中,并统计总可用资源数。当高速率颗粒度资源中有部分低速率时隙被使用是,该高速率颗粒度资源视为不可用。例如,某155Mbps时隙中有1个2Mbps时隙被使用,则该155Mbps时隙在155Mbps颗粒度层次上视为被使用,不纳入可用资源集合中。
步骤S1中,被规划业务的需求包含源节点、宿节点、业务颗粒度、优先级、保护路由需求标识。本实施例中,定义光网络某次所有被规划业务的集合为:
也以向量flowi表示任意第i条业务,Nf为被规划业务的数量。且有:
flowi=(fi,si,di,levi,prii,proi,ri),i=1,2,3,...,Nf,
上式中,fi,si,di,levi,prii,proi,ri分别表示业务编号、源节点、宿节点、业务颗粒度、优先级、保护路由需求标识和备注信息,其约束条件如下:
上式中,Z+表示正整数集,Lev为被规划业务的业务颗粒度集合(需要的光网络时隙/波长的资源类型集合),PRI为优先级集合。
对于业务需求资源的分配,当完全满足业务需求时,表示资源分配完成。那么完全满足业务需求,包括两个方面的约束:第一约束是具有可达路由,第二约束是该路由上具备业务需求的颗粒度资源。
对于第一约束,具有可达的路由,量化方法如下。设对于由任意源节点s到宿节点d的某一业务需求分配的路由路径为Path=(s,v1,v2,v3,...,vi,...,vk,d),则需满足以下约束量化条件:
其中,link(vi-1,vi)为节点vi-1至vi的链路,路由路径中源节点s到宿节点d的之间共包含k个节点v1至vk;Vlev和Elev分别为对应颗粒度层次网络中的节点集合和链路资源集合,满足以下约束量化条件:
其中,右侧带下标的V表示下标所对应业务颗粒度层次的网络中的节点集合,右侧带下标的E表示下标所对应业务颗粒度层次的网络中的链路资源集合,例如V2M表示2M业务颗粒度层次的网络中的节点集合,E2M表示下标所2M业务颗粒度层次的网络中的链路资源集合,依次类推,在此不再一一列举。
步骤S2用于根据被规划业务的业务颗粒度将光网络分层,形成多个业务颗粒度层次的网络。本实施例中,光网络主要业务颗粒度包括2Mbps、n*2Mbps、155Mbps、622Mbps、2.5Gbps、10Gbps、40Gbps和波长级业务。因此,在光网络中,对应不同颗粒度,定义各层次网络为:
G2M(V2M,E2M)、Gn×2M(Vn×2M,En×2M)、G155M(V155M,E155M)、G622M(V622M,E622M)、G2.5G(V2.5G,E2.5G)、G10G(V10G,E10G)、G40G(V40G,E40G)、G波长(V波长,E波长)。
各颗粒度层次网络是在全拓扑光网络G(V,E)中的部分网络,是全网络在各个颗粒度层次存在直接链路资源的网络。如图2所示,在时隙层次网络中,全拓扑光网络G(V,E)剥离波长网元节点,获得时隙业务网元间的连接关系。即根据SDH、ASON等时隙业务网元与波长网元中的波道设置关系,确定各SDH、ASON等时隙业务网元间的连接关系及带宽容量,网元间连接距离为包括中间波分节点间距离之和。在时隙层次网络基础上,再判断各直接连接的网元间是否存在对应2Mbps、n*2Mbps、155Mbps、622Mbps、2.5Gbps、10Gbps、40Gbps等颗粒度的资源。若存在对应颗粒度可用的链路资源,则在对应颗粒度层次网络中,存在该连接,否则,对应层次网络删除此连接。因此,各颗粒度层次网络中节点和链路的约束量化为:
其中,V为光网络全拓扑的节点集合,E为光网络全拓扑的链路集合。
如图3所示,全拓扑光网络G(V,E)剥离SDH、ASON等时隙业务网元,获得波分网元间的连接关系,即为波分层网络G波长(V波长,E波长)。其中,各层次网络中,节点及链路编号仍为全拓扑光网络G(V,E)的命名及编号,因此,各层次网络中的节点集合和链路资源集合分别为全拓扑光网络G(V,E)的子集,即:
步骤S3用于计算各个业务颗粒度层次的网络中任意节点对之间的最短路由路径。多颗粒度业务的路由规划,可以按照某种顺序(例如按照优先级或业务产生先后顺序)依次对业务进行路由计算,但按照固定的顺序依次分配路由资源,难以确保整体规划方案最优,因此需要采用优化算法对资源分配顺序进行优化。然而,在采用优化算法进行优化过程中,需要大量计算不同规划方案的效果(即评估不同方案的效果),因此,需要不断的计算网元节点间的路由。针对于此,本专利方法中,在获知网络拓扑和资源状态后,预先计算不同颗粒层次网络中所有节点间的路由,以备优化过程中直接调用。若在网络初始状态下,计算两节点间的一条最短路由存储以便调用,由于每分配一次路由资源,网络状态将发生变化,可能导致预先计算的最短路由并不可用,因此,先计算出不同颗粒层次网络中任意两节点间的K条最短路由存入数据库,以备在规划优化中选择和快速查询。作为一种可选的实施方式,本实施例中采用现有的传统的Yen's算法计算各个业务颗粒度层次的网络中任意节点对之间K条的最短路由路径,毫无疑问,也可采用其他方法计算得到K条最短路由路径。一般而言,K的取值需根据光网络的规模和系统的计算能力综合考虑,通常取值范围为[1,100],例如作为优选,本实施例中K的取值为20。
步骤S4中的优化目标和约束限制可根据需要进行指定。作为一种优选的实施方式,为使输出的规划方案达到最优化,本实施例中分别从业务满足度、资源消耗代价、业务路由长度代价、业务可靠性计算和业务均衡性代价来设计优化目标以使输出的规划方案达到最优化。步骤S4中的优化目标可根据需要选择最大化业务满足度f1、最小化资源消耗量f2、最小化业务路由长度f3、最大化业务可靠度f4和最大化业务均衡性f5中的部分或全部。本实施例中,步骤S4中的优化目标包括最大化业务满足度f1、最小化资源消耗量f2、最小化业务路由长度f3、最大化业务可靠度f4和最大化业务均衡性f5中的全部。
规划方案最优化的首要目标是确保所有业务的需求均满足,并且体现对高优先级的业务重点保障。因此本实施例的优化目标包含最大化业务满足度f1。作为一种可选的实施方式,本实施例中最大化业务满足度f1的函数表达式为:
其中,prii为第i条业务的优先级,其中ai为方案对第i条业务的满足度,且有:
上式中,NL,i为保护路由总链路数和中间网元站点数,NL,r,i为保护路由与工作路由重合的链路数和重合中间网元站点数,a0为保护路由未实现时设置的满足系数,通常取值范围在0.5~1之间,作为优选,其值为0.8。
规划方案最优化的另一目标是确保完成所有业务需求后消耗的资源最少,因此本实施例的优化目标包含最小化资源消耗量f2。最小化资源消耗量f2的函数表达式为:
上式中,NJ,i为第i条业务占用的总链路数,为第i条业务保护路由占用的总链路数;bi为第i条业务占用的资源数,为颗粒度带宽lev转换出的资源数量,当lev=2M,n×2M,155M,622M,2.5G,10G,40G,波长级时,对应bi=1,n,63,252,1008,4032,16128,w;w的取值为其波长承载业务量转换为2M的大小。
规划方案最优化的另一目标是确保完成所有业务需求后总业务的路由长度代价最小,因此本实施例的优化目标包含最小化业务路由长度f3。最小化业务路由长度f3的函数表达式为:
规划方案最优化的再一目标是确保完成所有业务需求后总业务的可靠性最大,因此本实施例中采用的优化目标包含最大化业务可靠度f4,且其定义与两方面相关,一是业务保护路由的重合度,二是业务经过链路和网元站点的可靠度。最大化业务可靠度f4的函数表达式为:
上式中,NL,i为第i条业务保护路由总链路数和中间网元站点数,NL,r,i为第i条业务保护路由与工作路由重合的链路数和中间网元站点数;NJ,i为第i条业务占用的总链路数,NN,i为第j条业务占用的总链路数;rij为第i条业务经过的第j链路或网元站点可靠度,由线路等级和历史故障率综合计算所得;αr为保护链路和网元站点可靠度相对于路由可靠度的权重系数,其值在0~1之间,作为优选,取值为0.4。
规划方案最优化的最后一个目标是确保完成所有业务需求后在网络中总业务分布较为均匀,网络扩展性更强,可承受更多的未知业务与突发情况,因此本实施例中采用的优化目标包含最大化业务均衡性f5。其中,最大化业务均衡性f5的函数表达式为:
正如前文所示,本实施例涉及的优化目标包括业务满足度、资源消耗代价、业务路由长度代价、业务可靠度和业务均衡性,并且有的目标为最大化优化,有的目标为最小化优化。对于同时包含最大化和最小化的问题可以采用求倒数或者取负数等方法同化处理。对于此类多目标优化问题,常用的方法有采用多目标优化算法对多目标并行处理求解非劣解集,或者对多目标进行加权合并再采用单目标优化算法处理。若采用多目标优化算法,则极大的加大了算法的复杂度和计算时间;若采用加权合并方法进行单目标处理,则各目标的权重难以选择。针对此问题,本实施例根据业务规划优化的需要,进行重要目标优先的层次化处理。在此5个优化目标中,首要目标是完成所有的业务需求,因此目标Max:f1是最重要的;其次应该是确保业务的可靠性,即在完成业务需求的基础上,尽可能的让业务路由的可靠度最大,因此目标Max:f4;再次,为确保后期可承载更多的未知业务与突发情况,Max:f5最大化业务均衡性是第三重要的优化目标;另外两个优化目标分别为最小化资源消耗代价(Min:f2)和最小化路由长度(Min:f3),此两个优化目标并不相互制约和矛盾,具有一定的一致性。本着以业务完成为先的原则,本实施例认为应优先最小化路由长度(Min:f3),在此条件下,最小化资源消耗代价(Min:f2)。因此,对于此5类优化目标,首先考虑Max:f1;当方案间目标f1相同时,再以Max:f4为第二优化目标;再以Max:f5为第三优化目标;再以Min:f3为第四优化目标;最后以Min:f2为第五优化目标,其函数表达式为:
Max f1>Max f4>Max f5>Min f3>Min f2
上式中,符号“>”表示“优先于”,Max f1>Max f4即为Max f1优先于Max f4Max f4>Max f5>Min f3>Min f2依次类推。
此外,本实施例步骤S4中的约束限制包括路由约束、带宽约束、波长一致约束以及业务保护资源约束,所述路由约束包括:①路由依次经过的网元站点具有从源端到宿端直接可达的链路,②路由中的节点不重复;所述带宽约束包括:①任意业务分配的时隙/波长带宽资源与该业务所需求的颗粒度一致,且小于链路的原可用带宽和新建链路带宽,②任何链路上分配给所有业务的时隙/波长带宽资源之和应在链路原可用带宽和和新建链路带宽范围内,③对任何链路的最大可新建带宽为该链路的实际新建带宽的最大值;所述波长一致约束是指当规划的业务为波长业务时,在不具备波长转换功能的网元站点前后链路的波长须保持一致;所述业务保护资源约束是指保护路由上的网元站点和链路必须与工作路由不完全相同。本实施例步骤S4中的约束限制的函数表达式为:
其中,Cp1为第一路由约束,业务须满足从源端到宿端完整路由约束,即路由路径依次经过的网元设备(网元站点)具有直接可达的链路,其中NVp为路由路径path上的网元站点数量,为路由路径path上的NVp个网元站点;Cp2为第二路由约束,业务路由不构成环,即路由中节点不重复;Cb1为第一带宽约束,即对任意业务flowi分配的时隙/波长带宽资源须与业务需求的颗粒度一致,且小于链路的原可用带宽和新建链路带宽,其中表示在节点vj与vj-1的链路上调度分配的带宽,表示业务flowi颗粒度层次lev对应的带宽,表示在节点vj与vj-1的链路上可用的带宽,表示在节点vj与vj-1的链路上新建的带宽,ai表示方案对第i条业务的满足度;Cb2为第二带宽约束,即任何链路j上,分配给所有业务的时隙/波长带宽资源之和应在链路原可用带宽和和新建链路带宽范围内,Linkj表示链路j,LinkAvailable表示可用的链路集合,LinkNew表示新建的链路集合,bi表示在此链路上分配的第i个带宽资源,表示第j链路上的可用带宽,表示第j条链路的实际新建带宽,Nscheduling表示调度分配的带宽资源总数;Cb3为第三带宽约束,对第j条链路的最大可新建带宽为其中,表示第j条链路的实际新建带宽;Cw为波长一致约束,即当规划的业务为波长业务时,在不具备波长转换功能的网元前后链路的波长须保持一致,均为某一波长wk,其中表示在节点vj与vj-1的链路上使用的波长,levi表示业务flowi颗粒度层次;Cp为业务保护资源约束,即保护路由上的网元站点和链路必须与工作路由不完全相同,其中pathwork,i表示业务flowi的工作路由,pathprotect,i表示业务flowi的保护路由。
本实施例中,步骤S4中将业务规划顺序和路由路径构成的业务规划方案的决策变量的函数表达式为:
上式中,X为业务规划方案的决策变量,x1=[x11,x12,…,x1m,…,x1Nf]表示Nf条业务的业务规划顺序,x2=[x21,x22,…,x2m,…,x2Nf]表示Nf条业务选择的最短路由路径编号,Nf为被规划业务的数量。例如,当x12=4时,表示第2个业务需求排序第4个分配网络资源。在路由选择编号中,x2m∈{0,1,2,...,(K+1)}。x2m的取值为第m个业务选择第K最短路由中的路由编号;当x2m=0时,表示未能给业务分配路由资源;x2m=K+1时,表示给业务重新搜索分配的路由资源编号。
参见图4,本实施例步骤S4中采用蚁群算法优化业务规划顺序包括:
S4.1,初始化蚁群中的蚂蚁个体及其信息素,初始化蚁群算法的启发选择比例参数;
S4.2,针对各个蚂蚁个体,依次按业务的需求分配路由和时隙/波长资源,并更新各个业务颗粒度层次的网络的时隙/波长资源,并计算优化目标以作为蚂蚁个体的适应度值;
S4.3,根据各个蚂蚁个体的适应度值,确定最优蚂蚁个体和除最优蚂蚁个体以外最优的精英蚂蚁个体,然后与上一代保留的最优蚂蚁个体和除最优蚂蚁个体以外最优的精英蚂蚁个体混合,筛选出混合后的最优蚂蚁个体和除最优蚂蚁个体以外最优的精英蚂蚁个体作为本代保留的最优蚂蚁个体和除最优蚂蚁个体以外最优的精英蚂蚁个体;
S4.4,判断迭代次数是否达到终止条件,若达到终止条件,则将最后一代保留的最优蚂蚁个体作为最终得到的最优的业务规划方案输出,结束并退出;否则跳转步骤S4.5;
S4.5,针对本代蚁群计算种群多样性,并根据计算出的种群多样性调整蚁群算法的启发选择比例参数;更新各个蚂蚁个体的信息素;
S4.6,根据启发选择比例参数和信息素生成新的蚂蚁个体,形成新的蚁群,跳转步骤S4.2。
本实施例步骤S4.1初始化蚁群中的蚂蚁个体时,所需初始化的参数包括:
Na:蚁群规模,其值的设置与业务量成正比,根据业务的时限要求和系统的计算能力综合考虑,其值范围通常为[50,1000],在作为优选,本实施例中其值为100;
Itercurrent:当前迭代次数,初始值为1;
Itermax:最大迭代次数,其值的设置与业务量、业务的时限要求和系统的计算能力相关,其值范围通常为[100,50000],在作为优选,本实施例中其值为1000;
Tubui:禁忌表,为蚂蚁Anti已选择的业务编号集合;
Allowedi:可选业务表,为蚂蚁Anti未选择的业务编号集合,与Tubui互补;
Pj:业务flowj的选择概率。本实施例改进的蚁群算法中,采用业务总体选择概率,不涉及业务之间前后选择的概率,表示业务可占用光网络资源的优先度;
ηj:选择期望值,表示根据业务flowj的优先级,以及在网络中对光网络资源的依赖度、灵活度、与其他业务的冲突度等固有属性指导业务flowj被选择的启发度。
τj:业务flowj的信息素残留程度。在本实施例中,其值范围设置为[1,100],即τmin=1,τmax=100;
α:信息启发因子,表示信息素对选择概率的影响程度;
β:期望值启发因子,表示选择期望值ηj对选择概率的影响程度;ρ:信息素挥发系数,表示经过蚁群一轮搜索后,全业务的信息素挥发度;
Δτj:信息素增量,表示经过蚁群一轮搜索后,业务flowj的信息素增加量。
q0:启发选择比例参数,其值确定蚂蚁个体编码产生时,不同选择业务方式的比例。即选择业务有两种,一是按照概率的比例选择,二是直接选择最大概率业务,启发选择比例参数q0值越大,第一种方式比例越大。作为优选,本实施例中启发选择比例参数q0的初始值取0.8。
步骤S4.1初始化蚁群中的蚂蚁个体时,首先产生Na个蚂蚁;其次设立一个虚拟的业务flow0,所有的蚂蚁个体均从虚拟业务flow0开始,依次依概率选择下一跳规划的业务,最终完成所有业务的选择,从而确定了所有业务的规划顺序。
步骤S4.2针对各个蚂蚁个体,依次按业务的需求分配路由和时隙/波长资源,并更新各个业务颗粒度层次的网络的时隙/波长资源,并计算优化目标以作为蚂蚁个体的适应度值,即评估蚂蚁个体表示的规划方案,通过计算优化目标值F=(f1,f2,f3,f4,f5)完成。
步骤S4.2中针对各个蚂蚁个体,依次按业务的需求分配路由和时隙/波长资源包括:(1)作路由资源分配:依据获得的每个蚂蚁个体对各业务的选择顺序,即蚂蚁个体编码中按照顺序依次完成业务路由并分配和更新光网络中链路时隙/波长资源。在分配路由时,在业务对应的颗粒度网络中,由短到长依次选择K最短路由,当路由中各链路存在且具备满足业务需求的颗粒度时隙/波长资源时,则该路由满足业务需求;若判决所有K最短路径中的路由资源均无法满足业务需求,则在更新链路资源后的光网络中采用Dijsktra最短路由算法重新计算路由;若找不到路由,则判决此业务需求无法完成,向系统提交资源新建或扩建建议,以实现业务需求的满足。当业务路由判决完成后,采用选择的K条最短路由路径序号更新蚂蚁个体编码中的当采用Dijsktra最短路由算法重新计算最短路由路径时,路径序号设为K+1;当业务未能完成时,路径序号设为0。(2)时隙/波长资源分配。由于K最短路径是在网络的初始状态下计算获得,随着业务的规划,网络资源状态发生变化,很可能原路由上不存在可用的时隙/波长资源。因此需要由短到长依次选择K最短路由逐条判断,当发现某路由上各链路均存在可用时隙/波长资源时,将各链路可用的时隙/波长资源编号放入该业务的规划方案中。当业务为时隙业务类型时,则主要判断各链路时隙带宽是否满足需求,分配的时隙资源编号由小到大依次分配,时隙资源分配后将对应链路的可用资源集合进行更新,且资源总数同步更新;当业务为波分业务类型时,则判断不具备波长变换的节点前后链路的可用波长交集,分配的波长资源编号由小到大依次分配。同样,波长资源分配后将对应链路的可用资源集合进行更新,且资源总数同步更新。(3)保护路由资源分配。当业务需求中具有备份保护路由的要求时,完成步骤S6.1的工作路由资源分配和步骤S6.2时隙/波长资源分配后,再对保护路由进行规划。对保护路由规划时,为了最大限度消除规划的保护路由与工作路由的重合度,对网络中各链路的路由长度代价进行更新处理。主要通过将网络中原工作路由中链路和网元权重放大,放大到很大的长度代价权重值,使其在保护路由搜索时,宁可选择更多的非原工作路由链路,也不选择一段工作路由链路或经过一个工作路由中的网元节点。为此,将工作路由链路权重加上全网所有链路权重之和的n倍作为该链路的新权重,n可取1以上的数。调整工作路由链路权重后的网络拓扑即为保护路由拓扑。本实施例在路由计算中,链路的路由代价用长度表示,由两部分构成,一是实际光缆线路的链路长度,二是网元站点信息处理时延转换出的等效光传播路由长度。即某一链路的路由代价长度Costlength为:
上式中,Lcable,link为光缆链路的线路长度,Ldevice,v1和Ldevice,v2分别该链路的两端的网元站点v1和v2的时延等效路由长度,Tdevice,v和Ccable分别为网元站点v的处理时延和光在光纤中的传播速度。因此在计算部分保护路由时,原工作路由中的链路及网元站点相连的链路调整路由代价长度为:
上式中,为调整后光缆链路的线路长度,和分别该链路调整后两端网元设备v1和v2的时延等效路由长度,Lall为全网路由代价长度之和。由上式可知,受到调整的路由长度不单是工作路由中的链路,还涉及到工作路由中经过网元站点相连的其他链路。更新保护路由搜索时的链路长度代价后,采用Dijsktra最短路由算法计算路由;若找不到路由,则判决此业务保护路由无法完成;若搜索到可用路由,依据上述相同的时隙/波长资源分配方法对该保护路由分配时隙/波长资源。
步骤S4.2中更新各个业务颗粒度层次的网络的时隙/波长资源时,由于在光网络的一根纤芯的资源中,1个波长通道资源可包含40Gbps、10Gbps、2.5Gbps或者其他速率的时隙资源,而40Gbps可表示为4个10Gbps时隙资源,10Gbps可表示为4个2.5Gbps时隙资源,2.5Gbps时隙资源可表示为4个622Mbps时隙资源,622Mbps时隙资源可表示为4个155Mbps时隙资源,155Mbps时隙资源又可表示为63个2Mbps时隙资源。因此,在不同颗粒度中,高阶时隙资源包含的低阶时隙资源部分被使用后,对应该高阶时隙资源在相应颗粒度层次上也将不可用。同样,某一高阶时隙资源被使用后,其表示的所有低阶时隙资源也变为不可用。因此,在每次规划业务分配给各业务对应颗粒度时隙/波长后,需要更新受其影响的所有其他颗粒度层次的资源状态。如某个155Mbps时隙资源的第一个2Mbps时隙资源被使用,则需更新此155Mbps时隙资源为不可用状态;同理,若某个155Mbps时隙资源被使用,则需更新此155Mbps时隙资源包含的所有2Mbps时隙资源为不可用状态。
步骤S4.3用于实现最优个体选择与精英保留,在计算蚁群中各蚂蚁个体的优化目标值后,按照多优化目标(适应度)比较蚁群中蚂蚁个体编码的优劣。设最优蚂蚁为Antbest;蚁群中筛除最优蚂蚁后,选择前Nelite个精英蚂蚁个体Antelite。在每一代蚁群产生时,将新产生的蚂蚁编码与保留的最优蚂蚁Antbest及Nelite个精英蚂蚁个体Antelite进行比对,去除重复的蚂蚁个体。每一轮蚁群搜索后,将上一代蚁群保留的最优蚂蚁Antbest及Nelite个精英蚂蚁个体Antelite与本代蚁群混合,在进行整体的最优个体选择与Nelite个精英保留。Nelite取值范围通常为[1,Na],在作为优选,本实施例中其值为0.5Na。
步骤S4.4中迭代次数是否达到终止条件是指迭代次数是否等于设定值,根据其初始值的设置,设定值可为一较大的值,或者接近0的值,具体可根据需要选择。迭代次数是否达到终止条件后,可将取出最优蚂蚁个体编码,输出并转换为业务规划方案,可表示为:
上式中,资源分配情况Flow由Nf个需求业务flow的路由和时隙/波长构成;Pathwork和Slotwork分别为工作路由路径和对应各链路的时隙/波长,Pathprotect和Slotprotect分别为保护路由和对应各链路的时隙/波长。为工作路由路径Pathwork中的节点(网元站点),为工作路由路径对应各链路的时隙/波长Slotwork中的时隙/波长,为保护路由路径Pathwork中的节点(网元站点),为保护路由路径对应各链路的时隙/波长Slotwork中的时隙/波长。
步骤S4.5用于实现多样性检测与自适应参数调整。为了保证蚁群的全局搜索能力,需要确保蚁群的种群多样性。定义种群多样性为Div,表示整个种群个体差异程度。最大取值为1,表种群个体均完全不同,多样性最佳;最小为0,表示种群个体均完全相同,无多样性。蚁群算法初始种群的多样性接近1,但算法收敛后多样性将下降,种群多样性较差。通过计算每一代蚁群的多样性,再根据种群多样性Div大小对算法参数进行反馈的自适应控制。本实施例中,步骤S4.5中种群多样性的计算函数表达式为:
步骤S4.5中调整蚁群算法的启发选择比例参数的函数表达式为:
q0=Div μ
上式中,Div为种群多样性,Na为蚁群规模,Si,j表示蚂蚁个体Xi和Xj之间的相似度,xk li和xk lj分别为蚂蚁个体Xi和Xj的第k位基因,“⊕”为异或运算,相似度值Si,j最大为1、最小为0分别蚂蚁个体Xi和Xj之间完全相同和完全不同;q0为蚁群算法的启发选择比例参数,q0∈[0,1],μ为自适应控制参数,取值为(0,1](作为优选,本实施例中μ取值为0.5);Nf为被规划业务的数量。
步骤S4.5中还包括更新各个蚂蚁个体的信息素,且信息素更新过程中,本实施例中还设计了多样性检测与自适应参数调整方法。当算法迭代到一定阶段,信息素达到最大值时,信息素大量挥发,降低业务对信息素的依赖度,提高算法去全局搜索能力。在初始状态时,各业务flowj的信息素τj均为1。每经过蚁群一轮搜索后,信息素进行更新,更新包括两个方面,一方面是信息素挥发,另一方面是信息素增加,分两步进行。具体地,步骤S4.5中更新各个蚂蚁个体的信息素包括:
S4.5.1,根据下式执行各个蚂蚁个体的信息素挥发:
S4.5.2,根据下式执行各个蚂蚁个体的信息素增加:
上式中,ωmin为信息素增量系数ωj的最小值,ωmax为信息素增量系数ωj的最大值,为第j个蚂蚁个体在最优蚂蚁个体中的选择次序;为第j个蚂蚁个体在第k个精英蚂蚁个体中的选择次序,Nelite为的精英蚂蚁个体数量;通过上式的计算,可使得排序为第一的业务的信息素获得最大增量系数ωmax,排序为最后的业务(排序序号为Nf)的信息素增量系数趋近于ωmin;通常ωmin≥ρ,以确保所有业务的信息素即使挥发也能够最终总体上得到增加,ωmax通常取值为[ρ,2],本实施例中其值为ωmin设为0.5,ωmax设为1.5。上式中,第二项:
为上一轮蚁群中最优的蚂蚁个体Antbest给业务flowj信息素增量系数带来的权值影响,为flowj在最优的蚂蚁个体Antbest中的选择次序;由此项最前的系数为1/2可知,蚁群中最优的蚂蚁个体Antbest决定了业务flowj信息素增量系数大小调整的一半影响。上式中,第三项:
为Nelite个精英蚂蚁个体Antelite联合给业务flowj信息素增量系数带来的权值影响,为flowj在第k个精英蚂蚁个体Antelite中的选择次序;同样此项系数为1/2,由此可知,Nelite个精英蚂蚁个体Antelite联合决定了业务flowj信息素增量系数大小调整的另一半影响。
S4.5.3,判断是否存在第j个蚂蚁个体的信息素的值大于预设的信息素最大值τmax,若存在则根据下式执行各个蚂蚁个体的信息素的整体挥发,以使得各个蚂蚁个体的信息素的值保持在预设的信息素最大值τmax以下:
上式中,为第m个蚂蚁个体的信息素整体挥发后的值,τm为第m个蚂蚁个体的信息素整体挥发前的值,τmin为预设的信息素最小值,ξ为整体快速挥发系数,其值的设置通常使得最大信息素挥发到与最大选择期望值ηj大小相当的量级。作为优选,本实施例中整体快速挥发系数ξ取值为0.1。
本实施例中,步骤S4.6包括:生成伪随机数,基于伪随机数和蚁群算法的启发选择比例参数,根据下式在被规划业务中选择业务以产生新的蚂蚁个体:
上式中,x1,j为新的蚂蚁个体中的第j个被规划的业务,α和β为用于表示重要程度的预测常数参数(通常取值范围为[0,5],作为优选,本实施例中α取值为3,β取值为2),τj为第j个蚂蚁个体增加后的信息素的值;Allowedi为所产生新的蚂蚁个体i的可选业务表,表示新的蚂蚁个体尚未选择的业务编号集合,ηj为第j个蚂蚁个体的选择期望值,Xa为按轮盘赌方式依选择概率pj选择的下一个业务;qrand为生成的伪随机数,q0为蚁群算法的启发选择比例参数;且选择概率pj的函数表达式为:
上式中,j为所产生新的蚂蚁个体i的可选业务表,表示新的蚂蚁个体尚未选择的业务编号集合;本实施例中,j个蚂蚁个体的选择期望值ηj根据业务优先级、资源依赖度、路由灵活度和业务冲突度计算,具体地第j个蚂蚁个体的选择期望值ηj的函数表达式为:
上式中,prii表示第j个蚂蚁个体对应的业务flowj的优先级,primax表示最高优先级,资源依赖度Relyj表示第j个蚂蚁个体对应的业务flowj的多条最短路由路径对某一链路的依赖度,路由灵活度Flexj表示第j个蚂蚁个体对应的业务flowj的选择多条最短路由路径的灵活度,业务冲突度Conflictj表示第j个蚂蚁个体对应的业务flowj与其他所有业务的最短路由的重叠量。由上式可知,第j个蚂蚁个体的选择期望值ηj的取值范围是[1,10]。
其中,资源依赖度Relyj用以刻画某业务flowj的K最短路径对某一链路的依赖度。本实施例中,统计最短路径的各链路在K最短路径中重复度,取各链路的最大重复度作为本业务的资源的依赖度。具体地,资源依赖度Relyj的计算函数表达式为:
上式中,Max表示取最大值,Linki表示K条最短路由路径Pathshortest中的第i条路径,为第i条路径Linki在K条最短路由路径Pathshortest中的重复次数,K为最短路由路径Pathshortest中的最短路由路径数量;
其中,路由灵活度Flexj用以刻画某业务flowj选择K最短路径灵活度,主要体现在两个方面,一是采用K最短路径算法在网络中实际找到的最短路径数二是最短路径的差异度。很明显,实际找到的最短路径数越多,最短路径的差异度越大,业务的路由灵活度越大。最短路径的差异度也涉及到两个方面,一是链路的差异度,二是路由长度的差异度。很明显,备选路由的链路差异越大,灵活度越大;同理,备选路由的长度差异越小,备选代价越小,灵活度越大。具体地,路由灵活度Flexj的计算函数表达式为:
上式中,为第j条业务flowj的K条最短路由路径的备份率,为第j条业务flowj的最短路由路径的差异度,为第j条业务flowj的路由长度的差异度,为最短路由路径的链路跳数,为备份的第i最短路由路径的链路跳数,为实际找到的最短路由路径的数量;
业务冲突度Conflictj用以刻画某业务flowj与其他业务的冲突程度。本实施例中,通过比较各业务的最短路由来计算业务冲突度,主要计算业务flowj与其他所有业务的最短路由的重叠量。具体地,业务冲突度Conflictj的计算函数表达式为:
上式中,为第j条业务flowj的最短路由路径Pathj,shortest中的第i链路Linki与其他所有业务的最短路由的链路重叠量。最终,通过选择期望值ηj的取值与业务flowj的优先级,以及在网络中对光网络特定资源的依赖度、路由灵活度、与其他业务的冲突度等固有属性,能够实现最佳优化目标,业务应优先选择业务重要程度强(即优先级高)、资源依赖度大、灵活度低且冲突度大的业务分配资源。
综上所述,本实施例方法面向光网络中多颗粒度业务规划的需求,提出一种采用改进蚁群算法优化、按业务颗粒度进行网络分层的业务规划方法,首先采集网络拓扑、光网络资源状态和所有业务需求,根据业务需求对光网络进行处理,即按业务颗粒度对光网络分层,并计算各层网络各节点间的K最短路由;在此基础上,改进蚁群算法实现所有业务规划顺序的优化,基于优化的业务规划顺序,依次对单个业务在对应颗粒度网络中进行业务路由和时隙/波长资源的分配,并更新其他各颗粒度网络的资源状态,以实现对多颗粒度业务需求的光网络规划与优化。通过本实施例方法,可实现快速的多颗粒度业务的光网络规划,且可实现保护路由同时规划的特点。
此外,本实施例还提供一种适用于多颗粒度业务的光网络规划系统,包括相互连接的微处理器和存储器,所述微处理器被编程或配置以执行前述适用于多颗粒度业务的光网络规划方法的步骤。
此外,本实施例还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,所述计算机程序用于被微处理器编程或配置以执行前述适用于多颗粒度业务的光网络规划方法的步骤。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可读存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种适用于多颗粒度业务的光网络规划方法,其特征在于,包括:
S1,确定光网络的拓扑和各链路的时隙/波长的资源状态,以及被规划业务的需求;
S2,根据被规划业务的业务颗粒度将光网络分层,形成多个业务颗粒度层次的网络;
S3,计算各个业务颗粒度层次的网络中任意节点对之间的最短路由路径;
S4,建立用于光网络规划的约束规划模型,所述约束规划模型包括执行光网络规划时的优化目标和约束限制;将业务规划顺序和路由路径构成的业务规划方案的决策变量作为蚁群算法中蚂蚁个体的编码,对所述约束规划模型采用蚁群算法优化业务规划顺序,最终得到最优的业务规划方案。
2.根据权利要求1所述的适用于多颗粒度业务的光网络规划方法,其特征在于,步骤S4中的优化目标包括最大化业务满足度f1、最小化资源消耗量f2、最小化业务路由长度f3、最大化业务可靠度f4和最大化业务均衡性f5中的部分或全部;步骤S4中的约束限制包括路由约束、带宽约束、波长一致约束以及业务保护资源约束,所述路由约束包括:①路由依次经过的网元站点具有从源端到宿端直接可达的链路,②路由中的节点不重复;所述带宽约束包括:①任意业务分配的时隙/波长带宽资源与该业务所需求的颗粒度一致,且小于链路的原可用带宽和新建链路带宽,②任何链路上分配给所有业务的时隙/波长带宽资源之和应在链路原可用带宽和和新建链路带宽范围内,③对任何链路的最大可新建带宽为该链路的实际新建带宽的最大值;所述波长一致约束是指当规划的业务为波长业务时,在不具备波长转换功能的网元站点前后链路的波长须保持一致;所述业务保护资源约束是指保护路由上的网元站点和链路必须与工作路由不完全相同。
4.根据权利要求1所述的适用于多颗粒度业务的光网络规划方法,其特征在于,步骤S4中采用蚁群算法优化业务规划顺序包括:
S4.1,初始化蚁群中的蚂蚁个体及其信息素,初始化蚁群算法的启发选择比例参数;
S4.2,针对各个蚂蚁个体,依次按业务的需求分配路由和时隙/波长资源,并更新各个业务颗粒度层次的网络的时隙/波长资源,并计算优化目标以作为蚂蚁个体的适应度值;
S4.3,根据各个蚂蚁个体的适应度值,确定最优蚂蚁个体和除最优蚂蚁个体以外最优的精英蚂蚁个体,然后与上一代保留的最优蚂蚁个体和除最优蚂蚁个体以外最优的精英蚂蚁个体混合,筛选出混合后的最优蚂蚁个体和除最优蚂蚁个体以外最优的精英蚂蚁个体作为本代保留的最优蚂蚁个体和除最优蚂蚁个体以外最优的精英蚂蚁个体;
S4.4,判断迭代次数是否达到终止条件,若达到终止条件,则将最后一代保留的最优蚂蚁个体作为最终得到的最优的业务规划方案输出,结束并退出;否则跳转步骤S4.5;
S4.5,针对本代蚁群计算种群多样性,并根据计算出的种群多样性调整蚁群算法的启发选择比例参数;更新各个蚂蚁个体的信息素;
S4.6,根据启发选择比例参数和信息素生成新的蚂蚁个体,形成新的蚁群,跳转步骤S4.2。
6.根据权利要求4所述的适用于多颗粒度业务的光网络规划方法,其特征在于,步骤S4.5中更新各个蚂蚁个体的信息素包括:
S4.5.1,根据下式执行各个蚂蚁个体的信息素挥发:
S4.5.2,根据下式执行各个蚂蚁个体的信息素增加:
上式中,ωmin为信息素增量系数ωj的最小值,ωmax为信息素增量系数ωj的最大值,为第j个蚂蚁个体在最优蚂蚁个体中的选择次序;为第j个蚂蚁个体在第k个精英蚂蚁个体中的选择次序,Nelite为的精英蚂蚁个体数量;
S4.5.3,判断是否存在第j个蚂蚁个体的信息素的值大于预设的信息素最大值τmax,若存在则根据下式执行各个蚂蚁个体的信息素的整体挥发,以使得各个蚂蚁个体的信息素的值保持在预设的信息素最大值τmax以下:
7.根据权利要求4所述的适用于多颗粒度业务的光网络规划方法,其特征在于,步骤S4.6包括:生成伪随机数,基于伪随机数和蚁群算法的启发选择比例参数,根据下式在被规划业务中选择业务以产生新的蚂蚁个体:
上式中,x1,j为新的蚂蚁个体中的第j个被规划的业务,α和β为用于表示重要程度的预测常数参数,τj为第j个蚂蚁个体增加后的信息素的值;Allowedi为所产生新的蚂蚁个体i的可选业务表,表示新的蚂蚁个体尚未选择的业务编号集合,ηj为第j个蚂蚁个体的选择期望值,Xa为按轮盘赌方式依选择概率pj选择的下一个业务;qrand为生成的伪随机数,q0为蚁群算法的启发选择比例参数;且选择概率pj的函数表达式为:
上式中,j为所产生新的蚂蚁个体i的可选业务表,表示新的蚂蚁个体尚未选择的业务编号集合;且第j个蚂蚁个体的选择期望值ηj的函数表达式为:
上式中,prii表示第j个蚂蚁个体对应的业务flowj的优先级,primax表示最高优先级,资源依赖度Relyj表示第j个蚂蚁个体对应的业务flowj的多条最短路由路径对某一链路的依赖度,路由灵活度Flexj表示第j个蚂蚁个体对应的业务flowj的选择多条最短路由路径的灵活度,业务冲突度Conflictj表示第j个蚂蚁个体对应的业务flowj与其他所有业务的最短路由的重叠量。
8.根据权利要求7所述的适用于多颗粒度业务的光网络规划方法,其特征在于,所述资源依赖度Relyj的计算函数表达式为:
上式中,Max表示取最大值,Linki表示K条最短路由路径Pathshortest中的第i条路径,为第i条路径Linki在K条最短路由路径Pathshortest中的重复次数,K为最短路由路径Pathshortest中的最短路由路径数量;所述路由灵活度Flexj的计算函数表达式为:
上式中,为第j条业务flowj的K条最短路由路径的备份率,为第j条业务flowj的最短路由路径的差异度,为第j条业务flowj的路由长度的差异度,为最短路由路径的链路跳数,为备份的第i最短路由路径的链路跳数,为实际找到的最短路由路径的数量;所述业务冲突度Conflictj的计算函数表达式为:
9.一种适用于多颗粒度业务的光网络规划系统,包括相互连接的微处理器和存储器,其特征在于,所述微处理器被编程或配置以执行权利要求1~8中任意一项所述适用于多颗粒度业务的光网络规划方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,其特征在于,所述计算机程序用于被微处理器编程或配置以执行权利要求1~8中任意一项所述适用于多颗粒度业务的光网络规划方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210461113.6A CN114666805B (zh) | 2022-04-28 | 2022-04-28 | 一种适用于多颗粒度业务的光网络规划方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210461113.6A CN114666805B (zh) | 2022-04-28 | 2022-04-28 | 一种适用于多颗粒度业务的光网络规划方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114666805A true CN114666805A (zh) | 2022-06-24 |
CN114666805B CN114666805B (zh) | 2023-11-10 |
Family
ID=82036662
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210461113.6A Active CN114666805B (zh) | 2022-04-28 | 2022-04-28 | 一种适用于多颗粒度业务的光网络规划方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114666805B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116720638A (zh) * | 2023-04-13 | 2023-09-08 | 广东工业大学 | 一种基于改进进化算法的逆最短路权重调整方法及系统 |
CN117196130A (zh) * | 2023-09-20 | 2023-12-08 | 中国人民解放军国防科技大学 | 一种基于复杂网络的杀伤链路径快速查找方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101409596A (zh) * | 2008-11-28 | 2009-04-15 | 清华大学 | 一种动态业务的波长路由光网络规划方法 |
CN101895422A (zh) * | 2010-07-12 | 2010-11-24 | 西安电子科技大学 | 三层网络中静动态混合业务资源优化方法 |
CN102196325A (zh) * | 2011-05-24 | 2011-09-21 | 南京邮电大学 | 基于蚁群系统的光网络动态路由波长分配方法 |
CN107864093A (zh) * | 2017-09-19 | 2018-03-30 | 贵州电网有限责任公司 | 一种基于经济性因素的多层联合路由及生存性策略 |
CN108418623A (zh) * | 2018-03-21 | 2018-08-17 | 大连大学 | 一种基于改进蚁群算法的卫星QoS路由算法 |
CN108600103A (zh) * | 2018-04-18 | 2018-09-28 | 江苏物联网研究发展中心 | 面向多层级网络的多QoS路由约束的蚁群算法 |
CN110730131A (zh) * | 2019-10-22 | 2020-01-24 | 电子科技大学 | 基于改进蚁群的SDN卫星网络多QoS约束路由方法 |
CN113014484A (zh) * | 2021-02-09 | 2021-06-22 | 浙江工商大学 | 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 |
-
2022
- 2022-04-28 CN CN202210461113.6A patent/CN114666805B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101409596A (zh) * | 2008-11-28 | 2009-04-15 | 清华大学 | 一种动态业务的波长路由光网络规划方法 |
CN101895422A (zh) * | 2010-07-12 | 2010-11-24 | 西安电子科技大学 | 三层网络中静动态混合业务资源优化方法 |
CN102196325A (zh) * | 2011-05-24 | 2011-09-21 | 南京邮电大学 | 基于蚁群系统的光网络动态路由波长分配方法 |
CN107864093A (zh) * | 2017-09-19 | 2018-03-30 | 贵州电网有限责任公司 | 一种基于经济性因素的多层联合路由及生存性策略 |
CN108418623A (zh) * | 2018-03-21 | 2018-08-17 | 大连大学 | 一种基于改进蚁群算法的卫星QoS路由算法 |
CN108600103A (zh) * | 2018-04-18 | 2018-09-28 | 江苏物联网研究发展中心 | 面向多层级网络的多QoS路由约束的蚁群算法 |
CN110730131A (zh) * | 2019-10-22 | 2020-01-24 | 电子科技大学 | 基于改进蚁群的SDN卫星网络多QoS约束路由方法 |
CN113014484A (zh) * | 2021-02-09 | 2021-06-22 | 浙江工商大学 | 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 |
Non-Patent Citations (3)
Title |
---|
蔡庭;黄善国;李新;尹珊;张杰;顾畹仪;: "基于蚁群优化的IP over WDM光网络动态生存性映射算法", 光子学报, no. 12 * |
郑巍;刘三阳;齐小刚;陈晓辉;: "多层光网络实时选路算法", 西安电子科技大学学报, no. 06 * |
黄泽汉;谭跃进;: "基于多蚁群并行优化的网络路径规划研究", 计算机工程与科学, no. 09 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116720638A (zh) * | 2023-04-13 | 2023-09-08 | 广东工业大学 | 一种基于改进进化算法的逆最短路权重调整方法及系统 |
CN116720638B (zh) * | 2023-04-13 | 2024-03-26 | 广东工业大学 | 一种基于改进进化算法的逆最短路权重调整方法及系统 |
CN117196130A (zh) * | 2023-09-20 | 2023-12-08 | 中国人民解放军国防科技大学 | 一种基于复杂网络的杀伤链路径快速查找方法 |
CN117196130B (zh) * | 2023-09-20 | 2024-05-24 | 中国人民解放军国防科技大学 | 一种基于复杂网络的杀伤链路径快速查找方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114666805B (zh) | 2023-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114666805B (zh) | 一种适用于多颗粒度业务的光网络规划方法及系统 | |
JPH10506243A (ja) | ネットワーク運用並びに性能の強化 | |
Yuan et al. | A constrained-lower-indexed-block spectrum assignment policy in elastic optical networks | |
Fukushima et al. | Planning method of robust WDM networks against traffic changes | |
CN106130931A (zh) | 弹性光网络中基于进化多目标的路由频隙分配方法 | |
JP2019514309A (ja) | 通信ネットワークサービスの接続性のためのシステム及び方法 | |
CN111866623A (zh) | 一种面向业务可靠性的高效虚拟光网络生存性映射方法 | |
US8644703B2 (en) | Resource utilization method and system | |
Huang et al. | A genetic algorithm using priority-based encoding for routing and spectrum assignment in elastic optical network | |
Dab et al. | VNR-GA: Elastic virtual network reconfiguration algorithm based on Genetic metaheuristic | |
Pinto-Roa et al. | Multi-objective routing and wavelength converter allocation under uncertain traffic | |
Palmieri et al. | A GRASP-based network re-optimization strategy for improving RWA in multi-constrained optical transport infrastructures | |
Bórquez-Paredes et al. | Does fragmentation avoidance improve the performance of dynamic spectrum allocation in elastic optical networks? | |
Maurya et al. | Dynamic routing and wavelength assignment using cost based heuristics in WDM optical networks | |
Guo et al. | Probabilistic-assured resource provisioning with customizable hybrid isolation for vertical industrial slicing | |
CN103731366B (zh) | 光网络中动态业务流的自适应权值疏导方法 | |
Malashenko et al. | Estimate of resource distribution with the shortest paths in the multiuser network | |
Głąbowski et al. | Analytical Model of a Single Link of Elastic Optical Networks | |
Aibin | Deep learning for cloud resources allocation: Long-short term memory in EONs | |
Lourenço et al. | A deep neural network with a fuzzy multi-objective optimization model for fault analysis in an elastic optical network | |
Lv et al. | Load-balanced adaptive routing flexible grouping spectrum and core assignment in SDM-EONs based on mixed super-channel | |
Yang et al. | Virtual Network Embedding Over Multi-Band Elastic Optical Network Based on Cross-Matching Mechanism and Hypergraph Theory | |
Wang et al. | Optimization model and algorithm for routing and spectrum assignment in elastic optical networks | |
Dinarte et al. | Multipath provisioning for survivable elastic optical networks with optimized RSA ordering selection | |
Kostiv et al. | Metaheuristics in cloud platform traffic engineering |
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 |