CN117278463B - 路径规划方法、装置、电子设备及存储介质 - Google Patents
路径规划方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117278463B CN117278463B CN202311142751.2A CN202311142751A CN117278463B CN 117278463 B CN117278463 B CN 117278463B CN 202311142751 A CN202311142751 A CN 202311142751A CN 117278463 B CN117278463 B CN 117278463B
- Authority
- CN
- China
- Prior art keywords
- path
- node
- neural network
- paths
- preset
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000013528 artificial neural network Methods 0.000 claims abstract description 75
- 238000004364 calculation method Methods 0.000 claims abstract description 49
- 238000011156 evaluation Methods 0.000 claims abstract description 39
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 30
- 230000005540 biological transmission Effects 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 23
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000005265 energy consumption Methods 0.000 claims description 20
- 238000013507 mapping Methods 0.000 claims description 20
- 230000002159 abnormal effect Effects 0.000 claims description 18
- 239000003016 pheromone Substances 0.000 claims description 18
- 230000001133 acceleration Effects 0.000 claims description 3
- 241000257303 Hymenoptera Species 0.000 description 15
- 238000005457 optimization Methods 0.000 description 15
- 238000004590 computer program Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 230000001934 delay Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910002056 binary alloy Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 239000012895 dilution Substances 0.000 description 1
- 238000010790 dilution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 230000002431 foraging effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/12—Shortest path evaluation
- H04L45/124—Shortest path evaluation using a combination of metrics
-
- 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]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/02—Topology update or discovery
- H04L45/08—Learning-based routing, e.g. using neural networks or artificial intelligence
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/12—Shortest path evaluation
- H04L45/121—Shortest path evaluation by minimising delays
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/12—Shortest path evaluation
- H04L45/122—Shortest path evaluation by minimising distances, e.g. by selecting a route with minimum of number of hops
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/12—Shortest path evaluation
- H04L45/123—Evaluation of link metrics
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种路径规划方法、装置、电子设备及存储介质,其方法包括:基于蚁群算法获取初始节点到边缘节点的多条路径;确定每一路径的中继节点,基于预设评测指标分别对每一路径的中继节点进行评测,并根据评测结果从所述多条路径中确定多个初始最优路径;将所述多个初始最优路径输入霍普菲尔德神经网络中,利用所述霍普菲尔德神经网络对所述多个初始最优路径进行联合计算,输出目标最优路径。本发明为线上业务选取了最优传输路径,提高了线上业务的传输效率。
Description
技术领域
本发明涉及路径传输技术领域,尤其涉及一种路径规划方法、装置、电子设备及存储介质。
背景技术
近年来,随着大数据的兴起,消费者行为分析的研究方兴未艾,数据库与数据挖掘、信息系统与信息管理、图像处理与计算机视觉、社会网络分析、电子商务等很多领域的学者加入消费者行为研究的队伍。同时,这一研究领域也受到了电子商务、社交网络等数字经济形态下的企业的高度关注,消费者行为分析被视为数字经济形态下企业了解其消费者并开展营销活动的有效手段之一。
现有技术经常通常采用蚁群算法获取线上业务的传输路径,但是根据蚁群算法获得的最优路径可能是局部最优而非全局最优。
霍普菲尔德神经网络是反馈神经网络,提供了模拟人类记忆的模型。然而如何利用霍普菲尔德神经网络算法获得目标最优路径,进而为线上业务选取最优传输路径是一个亟待解决的问题。
发明内容
有鉴于此,有必要提供一种路径规划方法、装置、电子设备及存储介质,用以为线上业务选取最优传输路径。
为了实现上述目的,第一方面,本发明提供一种路径规划方法,包括:
基于蚁群算法获取初始节点到边缘节点的多条路径;
确定每一路径的中继节点,基于预设评测指标分别对每一路径的中继节点进行评测,并根据评测结果从所述多条路径中确定多个初始最优路径;
将所述多个初始最优路径输入霍普菲尔德神经网络中,利用所述霍普菲尔德神经网络对所述多个初始最优路径进行联合计算,输出目标最优路径。
进一步的,所述蚁群算法的公式为:
为t代蚂蚁中蚂蚁k选择从节点i走向节点j的概率,t为迭代次数,i为蚂蚁k当前所处的节点,j为蚂蚁k下一站到达的节点,α为信息素的重要程度,β为启发因子的相对重要程度,τij(t)为信息素,ηij(t)为启发因子,且/>dij为节点i到节点j的距离,Jk(i)为蚂蚁k当前可以选择的节点集合。
进一步的,所述预设评测指标包括信任度指标、节点算力能耗指标、异常中继节点指标及路径总延时指标。
进一步的,所述基于预设评测指标分别对每一路径的中继节点进行评测,并根据评测结果从所述多条路径中确定多个初始最优路径,包括:
基于每一路径中继节点的个数计算每一路径的信任度分数,并将信任度分数在预设分数以上的路径确定为第一初始最优路径,其中,每一路径的中继节点个数越多,该路径的信任度越低;
构建算力量化模型,基于所述算力量化模型计算每一路径的算力能耗,并将算力能耗在预设能耗以上的路径确定为第二初始最优路径;
针对每一路径上的中继节点,若预设时间内的流量数据超过预设流量,将该中继节点确定为异常中继节点,并将异常中继节点个数在预设个数以下的路径确定为第三初始最优路径;
分别计算每一路径中相邻节点的延时,根据每一路径中相邻节点的延时统计每一路径的总延时,并将延时小于预设延时的路径确定为第四初始最优路径。
进一步的,所述算力量化模型的公式为:
其中,Cbr为总的算力需求,f(ai)表示第i个逻辑计算芯片可提供的逻辑计算能力的映射函数,f(bj)表示第j个并行计算芯片可提供的并行计算能力的映射函数,f(ck)表示第k个神经网络芯片可提供的神经网络计算能力的映射函数,αi为第i个逻辑计算芯片的映射比例系数,βj为第j个并行计算芯片的映射比例系数,γk为第k个神经网络芯片的映射比例系数,ai为第i个逻辑计算芯片的逻辑运算算力,bj为第j个并行计算芯片的并行计算算力,ck为第k个神经网络芯片的神经网络加速算力,q1为逻辑计算的冗余算力,q2为并行计算的冗余算力,q3为神经网络的冗余算力,n为逻辑计算芯片个数,m为并行计算芯片个数,p为神经网络芯片个数。
进一步的,所述将所述多个初始最优路径输入霍普菲尔德神经网络中,利用所述霍普菲尔德神经网络对所述多个初始最优路径进行联合计算,输出目标最优路径,包括:
利用每一预设评测指标及每一预设评测指标对应的初始最优路径构建信道关联矩阵,其中,所述信道关联矩阵中包括每个预设评测指标对应的初始最优路径;
将所述信道关联矩阵输入霍普菲尔德神经网络中,调整霍普菲尔德神经网络的网络权重,直至网络达到稳态时输出目标最优路径。
进一步的,所述方法还包括:若所述目的最优路径为全局最优路径,将所述目的最优路径作为线上业务的传输路径;
若所述目的最优路径为局部最优路径,将所述目的最优路径作为备用路径。
第二方面,本发明还提供一种路径规划装置,包括:
路径获取模块,用于基于蚁群算法获取初始节点到边缘节点的多条路径;
路径评测模块,用于确定每一路径的中继节点,基于预设评测指标分别对每一路径的中继节点进行评测,并根据评测结果从所述多条路径中确定多个初始最优路径;
路径计算模块,用于将所述多个初始最优路径输入霍普菲尔德神经网络中,利用所述霍普菲尔德神经网络对所述多个初始最优路径进行联合计算,输出目标最优路径。
第三方面,本发明还提供一种电子设备,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述路径规划方法中的步骤。
第四方面,本发明还提供一种计算机存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现如上述路径规划方法中的步骤。
采用上述实施例的有益效果是:
本发明采用蚁群算法获得当前节点到边缘节点的多条路径,对所有路径的中继节点进行基于四项指标的评测从而获得评分最优路径。提高基于霍普菲尔德神经网络计算得出的最优路径的概率,其次,将上一步的最优路径放入霍普菲尔德神经网络算法关联矩阵进行联合计算,从而接近或得到全局最优路径采用霍普菲尔德神经网络用于优化网络边缘计算,获得当前节点与边缘节点最优路径。创新性的采用优化后的霍普菲尔德神经网络算法获得最优路径,提高线上业务的传输效率。
附图说明
图1为本发明提供的路径规划方法一实施例的流程示意图;
图2为本发明提供的路径规划装置的一实施例的结构示意图;
图3为本发明提供的电子设备一实施例的结构示意图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例,其中,附图构成本申请一部分,并与本发明的实施例一起用于阐释本发明的原理,并非用于限定本发明的范围。
在本发明的描述中,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。此外,“多个”的含义是两个或两个以上,除非另有明确具体的限定。在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本发明提供了一种路径规划方法、装置、电子设备及存储介质,首先采用蚁群算法获得当前节点到边缘节点的多条路径,对所有路径的中继节点进行基于四项指标的评测从而获得评分最优路径。其次,创新性的采用优化后的霍普菲尔德神经网络算法获得最优路径。如果为局部最优则作为数据备份及备用路径,反之全局最优则作为线上业务首选传输路径。
蚁群算法:(ant colony optimization,ACO)是源于蚂蚁觅食行为的演变,运用生物信息素影响后续蚂蚁选择,在多代演变下完成路径优化。在不断的深化研究中,学者们对ACO的研究从开始单一的旅行商问题(TSP)领域拓展到了多个应用领域,已成为现在应用较为广泛的智能优化算法。
霍普菲尔德神经网络:(Hopfiled Neural Network,HNN)是一种结合存储系统和二元系统的神经网络。它保证了向局部极小的收敛,但收敛到错误的局部极小值,而非全局极小的情况也可能发生。HNN是反馈神经网络,提供了模拟人类记忆的模型,其输出端又会反馈到其输入端,在输入的激励下,其输出会产生不断的状态变化,这个反馈过程会一直反复进行。假如HNN是一个收敛的稳定网络,则这个反馈与迭代的计算过程所产生的变化越来越小,一旦达到了稳定的平衡状态,HNN网络就会输出一个稳定的恒值。
以下分别对具体实施例进行详细说明:
请参阅图1,图1为本发明提供的路径规划方法一实施例的流程示意图,本发明的一个具体实施例,公开了一种路径规划方法,包括:
步骤S101:基于蚁群算法获取初始节点到边缘节点的多条路径;
步骤S102:确定每一路径的中继节点,基于预设评测指标分别对每一路径的中继节点进行评测,并根据评测结果从多条路径中确定多个初始最优路径;
步骤S103:将多个初始最优路径输入霍普菲尔德神经网络中,利用霍普菲尔德神经网络对多个初始最优路径进行联合计算,输出目标最优路径。
本发明采用蚁群算法获得当前节点到边缘节点的多条路径,对所有路径的中继节点进行基于四项指标的评测从而获得评分最优路径。提高基于霍普菲尔德神经网络计算得出的最优路径的概率,其次,将上一步的最优路径放入霍普菲尔德神经网络算法关联矩阵进行联合计算,从而接近或得到全局最优路径采用霍普菲尔德神经网络用于优化网络边缘计算,获得当前节点与边缘节点最优路径。创新性的采用优化后的霍普菲尔德神经网络算法获得最优路径,提高线上业务的传输效率。
在本发明的一个实施例中,蚁群算法的公式为:
为t代蚂蚁中蚂蚁k选择从节点i走向节点j的概率,t为迭代次数,i为蚂蚁k当前所处的节点,j为蚂蚁k下一站到达的节点,α为信息素的重要程度,β为启发因子的相对重要程度,τij(t)为信息素,ηij(t)为启发因子,且/>dij为节点i到节点j的距离,Jk(i)为蚂蚁k当前可以选择的节点集合。
可以理解的是,蚁群算法是在20世纪90年代由学者通过观察蚁群觅食的过程,发现众多蚂蚁在寻找食物的过程中,总能找到一条从蚂蚁巢穴到食物源之间的最短路径。随后他们在蚂蚁巢穴到食物源之间设置了一个障碍,一段时间以后发现蚂蚁又重新走出了一条到食物源最短的路径。通过对这种现象的不断研究,最后提出了蚁群算法。其核心公式为:
其中,为t代蚂蚁中蚂蚁k选择从节点i走向节点j的概率,t为迭代次数,i为蚂蚁k当前所处的节点,j为蚂蚁k下一站到达的节点,α为信息素的重要程度,β为启发因子的相对重要程度,τij(t)为信息素,ηij(t)为启发因子,且/>dij为节点i到节点j的距离,Jk(i)为蚂蚁k当前可以选择的节点集合。
当所有的蚂蚁完成一次迭代,那么所经路径上的信息素必定会发生改变,因此需及时更新信息素,方便蚂蚁的子子孙孙根据爷爷们留下的信息素去寻找食物。信息素更新公式为:
τij(t+1)=(1-ρ)τij(t)+Δτij,
其中,τij(t+1)为第t+1代蚂蚁从节点i走向节点j这条路径上的信息素,τij(t)为第t代蚂蚁从节点i走向节点j这条路径上的信息素,ρ为信息素稀释程度。
m只蚂蚁从节点i走向节点j这条路径上留下的信息素总和为:
为第k只蚂蚁在节点i走向节点j这条路径上留下的信息素,Q为一只蚂蚁一生所拥有的信息素,Lk为蚂蚁k走过的路径总距离。
可以理解的是,通过蚁群算法,可以获取初始节点到边缘节点的多条路径。
在本发明的一个实施例中,预设评测指标包括信任度指标、节点算力能耗指标、异常中继节点指标及路径总延时指标。
基于预设评测指标分别对每一路径的中继节点进行评测,并根据评测结果从多条路径中确定多个初始最优路径,包括:
基于每一路径中继节点的个数计算每一路径的信任度分数,并将信任度分数在预设分数以上的路径确定为第一初始最优路径,其中,每一路径的中继节点个数越多,该路径的信任度越低;
构建算力量化模型,基于算力量化模型计算每一路径的算力能耗,并将算力能耗在预设能耗以上的路径确定为第二初始最优路径;
针对每一路径上的中继节点,若预设时间内的流量数据超过预设流量,将该中继节点确定为异常中继节点,并将异常中继节点个数在预设个数以下的路径确定为第三初始最优路径;
分别计算每一路径中相邻节点的延时,根据每一路径中相邻节点的延时统计每一路径的总延时,并将延时小于预设延时的路径确定为第四初始最优路径。
可以理解的是,对蚁群算法计算出所有的路径后,对每一路径的中继节点基于信任度指标、节点算力能耗指标、异常中继节点指标及路径总延时指标四项指标进行评测。
针对信任度指标,可以计算节点之间的信任度,其中,计算信任度的节点不包括边缘节点,即目的节点。举例而言,从初始节点到边缘节点,即目的节点之间有多条路径,且每条路径之间有多个中继节点。通过中继节点和邻近节点之间的信任度可以计算得出整条路径的信任度。并且经过的中继节点越多信任度越低。因此可以基于每一路径中继节点的个数计算每一路径的信任度分数,并将信任度分数在预设分数以上的路径确定为第一初始最优路径。此外,还可以将信任度最低的节点可以作为数据备份节点,负责定时向边缘节点传递备份数据。
针对节点算力能耗指标,可以构建算力量化模型,然后基于算力量化模型计算每一路径的算力能耗,并将算力能耗在预设能耗以上的路径确定为第二初始最优路径。
具体的,算力量化模型的公式为:
其中,Cbr为总的算力需求,f(x)为映射函数,f(ai)表示第i个逻辑计算芯片可提供的逻辑计算能力的映射函数,f(bj)表示第j个并行计算芯片可提供的并行计算能力的映射函数,f(ck)表示第k个神经网络芯片可提供的神经网络计算能力的映射函数,αi为第i个逻辑计算芯片的映射比例系数,βj为第j个并行计算芯片的映射比例系数,γk为第k个神经网络芯片的映射比例系数,ai为第i个逻辑计算芯片的逻辑运算算力,bj为第j个并行计算芯片的并行计算算力,ck为第k个神经网络芯片的神经网络加速算力,q1为逻辑计算的冗余算力,q2为并行计算的冗余算力,q3为神经网络的冗余算力,n为逻辑计算芯片个数,m为并行计算芯片个数,p为神经网络芯片个数。
以并行计算能力为例,假设有b1、b2、b33种不同类型的并行计算芯片资源,则f(bj)表示第j个并行计算芯片可提供的并行计算能力的映射函数,q2表示并行计算的冗余算力。
针对异常中继节点指标,每一路径上的中继节点,若预设时间内的流量数据超过预设流量,将该中继节点确定为异常中继节点,并将异常中继节点个数在预设个数以下的路径确定为第三初始最优路径。举例而言,获取中继节点最近24小时内流量数据,按1分钟一条总计1440条数据,将流量最高排序的5%,即72条的加权平均流量值定义为异常流量阈值。当一定时间内超过该流量阈值的比例超越5%及以上,该中继节点被确定为异常中继节点。
针对路径总延时指标,可以分别计算每一路径中相邻节点的延时,根据每一路径中相邻节点的延时统计每一路径的总延时,并将延时小于预设延时的路径确定为第四初始最优路径。
具体的,可以执行“rping”命令,测试相邻的两个节点之间平均延迟,完成整条线路的测试,然后对每个相邻节点的平均延迟求和,求出整条线路的延迟。其中,rping为remote ping,在企业局域网络内,负责测算几台路由器之间时延和丢包率。登录到路由器,在路由器而非管理终端上面执行ping,或扩展ping,命令测量到其它路由器或指定地址的时延和丢包并将结果记录,进行后期的各种分析比较工作。
在本发明的一个实施例中,将多个初始最优路径输入霍普菲尔德神经网络中,利用霍普菲尔德神经网络对多个初始最优路径进行联合计算,输出目标最优路径,包括:
利用每一预设评测指标及每一预设评测指标对应的初始最优路径构建信道关联矩阵,其中,信道关联矩阵中包括每个预设评测指标对应的初始最优路径;
将信道关联矩阵输入霍普菲尔德神经网络中,调整霍普菲尔德神经网络的网络权重,直至网络达到稳态时输出目标最优路径。
可以理解的是,将蚁群算法结合四个评测指标获得的多个初始最优路径放入关联矩阵中形成信道关联矩阵,其中,每一预设评测指标对应的初始最优路径是一个二级矩阵,然后四个二级矩阵组成信道关联矩阵,来存储每个二级矩阵中的最优路径。并且由于蚁群算法获得的初始最优路径可能是局部最优而非全局最优,因此利用霍普菲尔德神经网络算法获得目标最优路径。
需要说明的是,最优化问题就是在一定约束条件下,求解某个目标函数极值,即如果人为地设计霍普菲尔德神经网络的权重矩阵和输入,把优化问题的目标函数和约束条件与霍普菲尔德神经网络的能量函数联系起来,那么能量函数的极小点也就是优化问题中满足约束条件下的目标函数极小点,就可以用霍普菲尔德神经网络来求解最优化问题了。其中,最优化问题的霍普菲尔德神经网络求解步骤为:首先根据要求的目标函数写出能量函数的第一项;然后根据约束条件,用罚因子写出罚函数,作为能量函数的第二项,使其在满足约束条件时,罚函数最小;再后根据能量函数求霍普菲尔德神经网络的状态方程;在后由求得的状态方程,对照连续型霍普菲尔德神经网络的输入或输出关系,求出霍普菲尔德神经网络的网络权重。
在本发明的一个实施例中,上述方法还包括:若目的最优路径为全局最优路径,将目的最优路径作为线上业务的传输路径;
若目的最优路径为局部最优路径,将目的最优路径作为备用路径。
可以理解的是,通过将初始最优路径放入霍普菲尔德神经网络算法关联矩阵进行联合计算,获得当前节点与边缘节点最优路径。如果为局部最优则作为数据备份及备用路径,反之全局最优则作为线上业务首选传输路径。提高网络传输效率。
为了更好实施本发明实施例中的路径规划方法,在路径规划方法基础之上,对应的,请参阅图2,图2为本发明提供的路径规划装置的一实施例的结构示意图,本发明实施例提供了一种路径规划装置200,包括:
路径获取模块201,用于基于蚁群算法获取初始节点到边缘节点的多条路径;
路径评测模块202,用于确定每一路径的中继节点,基于预设评测指标分别对每一路径的中继节点进行评测,并根据评测结果从多条路径中确定多个初始最优路径;
路径计算模块203,用于将多个初始最优路径输入霍普菲尔德神经网络中,利用霍普菲尔德神经网络对多个初始最优路径进行联合计算,输出目标最优路径。
这里需要说明的是:上述实施例提供的装置200可实现上述各方法实施例中描述的技术方案,上述各模块或单元具体实现的原理可参见上述方法实施例中的相应内容,此处不再赘述。
基于上述路径规划方法,本发明实施例还相应的提供一种电子设备,包括:处理器和存储器以及存储在存储器中并可在处理器上执行的计算机程序;处理器执行计算机程序时实现如上述各实施例的路径规划方法中的步骤。
图3中示出了适于用来实现本发明实施例的电子设备300的结构示意图。本发明实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图3示出的电子设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
电子设备包括:存储器以及处理器,其中,这里的处理器可以称为下文的处理装置301,存储器可以包括下文中的只读存储器(ROM)302、随机访问存储器(RAM)303以及存储装置308中的至少一项,具体如下所示:
如图3所示,电子设备300可以包括处理装置(例如中央处理器、图形处理器等)301,其可以根据存储在只读存储器(ROM)302中的程序或者从存储装置308加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM303中,还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM302以及RAM303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
通常,以下装置可以连接至I/O接口305:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307;包括例如磁带、硬盘等的存储装置308;以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本发明的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明的实施例包括一种计算机程序产品,其包括承载在非暂态计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置309从网络上被下载和安装,或者从存储装置308被安装,或者从ROM302被安装。在该计算机程序被处理装置301执行时,执行本发明实施例的方法中限定的上述功能。
基于上述路径规划方法,本发明实施例还相应的提供一种计算机可读存储介质,该计算机可读存储介质存储有一个或者多个程序,一个或者多个程序可被一个或者多个处理器执行,以实现如上述各实施例的路径规划方法中的步骤。
本领域技术人员可以理解,实现上述实施例方法的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于计算机可读存储介质中。其中,所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (7)
1.一种路径规划方法,其特征在于,包括:
基于蚁群算法获取初始节点到边缘节点的多条路径;
确定每一路径的中继节点,基于预设评测指标分别对每一路径的中继节点进行评测,并根据评测结果从所述多条路径中确定多个初始最优路径,所述预设评测指标包括信任度指标、节点算力能耗指标、异常中继节点指标及路径总延时指标;
将所述多个初始最优路径输入霍普菲尔德神经网络中,利用所述霍普菲尔德神经网络对所述多个初始最优路径进行联合计算,输出目标最优路径;
所述基于预设评测指标分别对每一路径的中继节点进行评测,并根据评测结果从所述多条路径中确定多个初始最优路径,包括:
基于每一路径中继节点的个数计算每一路径的信任度分数,并将信任度分数在预设分数以上的路径确定为第一初始最优路径,其中,每一路径的中继节点个数越多,该路径的信任度越低;
构建算力量化模型,基于所述算力量化模型计算每一路径的算力能耗,并将算力能耗在预设能耗以上的路径确定为第二初始最优路径;
针对每一路径上的中继节点,若预设时间内的流量数据超过预设流量,将该中继节点确定为异常中继节点,并将异常中继节点个数在预设个数以下的路径确定为第三初始最优路径;
分别计算每一路径中相邻节点的延时,根据每一路径中相邻节点的延时统计每一路径的总延时,并将延时小于预设延时的路径确定为第四初始最优路径;
所述将所述多个初始最优路径输入霍普菲尔德神经网络中,利用所述霍普菲尔德神经网络对所述多个初始最优路径进行联合计算,输出目标最优路径,包括:
利用每一预设评测指标及每一预设评测指标对应的初始最优路径构建信道关联矩阵,其中,所述信道关联矩阵中包括每个预设评测指标对应的初始最优路径;
将所述信道关联矩阵输入霍普菲尔德神经网络中,调整霍普菲尔德神经网络的网络权重,直至网络达到稳态时输出目标最优路径。
2.根据权利要求1所述的路径规划方法,其特征在于,所述蚁群算法的公式为:
为/>代蚂蚁中蚂蚁/>选择从节点/>走向节点/>的概率,/>为迭代次数,/>为蚂蚁/>当前所处的节点,/>为蚂蚁/>下一站到达的节点,/>为信息素的重要程度,/>为启发因子的相对重要程度,/>为信息素,/>为启发因子,且/>,/>为节点/>到节点/>的距离,/>为蚂蚁/>当前可以选择的节点集合。
3.根据权利要求1所述的路径规划方法,其特征在于,所述算力量化模型的公式为:
其中,为总的算力需求,/>表示第/>个逻辑计算芯片可提供的逻辑计算能力的映射函数,/>表示第/>个并行计算芯片可提供的并行计算能力的映射函数,/>表示第/>个神经网络芯片可提供的神经网络计算能力的映射函数,/>为第/>个逻辑计算芯片的映射比例系数,/>为第/>个并行计算芯片的映射比例系数,/>为第/>个神经网络芯片的映射比例系数,/>为第/>个逻辑计算芯片的逻辑运算算力,/>为第/>个并行计算芯片的并行计算算力,为第/>个神经网络芯片的神经网络加速算力,/>为逻辑计算的冗余算力,/>为并行计算的冗余算力,/>为神经网络的冗余算力,/>为逻辑计算芯片个数,/>为并行计算芯片个数,/>为神经网络芯片个数。
4.根据权利要求1所述的路径规划方法,其特征在于,所述方法还包括:若所述目标最优路径为全局最优路径,将所述目标最优路径作为线上业务的传输路径;
若所述目标最优路径为局部最优路径,将所述目标最优路径作为备用路径。
5.一种路径规划装置,其特征在于,包括:
路径获取模块,用于基于蚁群算法获取初始节点到边缘节点的多条路径;
路径评测模块,用于确定每一路径的中继节点,基于预设评测指标分别对每一路径的中继节点进行评测,并根据评测结果从所述多条路径中确定多个初始最优路径,所述预设评测指标包括信任度指标、节点算力能耗指标、异常中继节点指标及路径总延时指标;
路径计算模块,用于将所述多个初始最优路径输入霍普菲尔德神经网络中,利用所述霍普菲尔德神经网络对所述多个初始最优路径进行联合计算,输出目标最优路径;
所述基于预设评测指标分别对每一路径的中继节点进行评测,并根据评测结果从所述多条路径中确定多个初始最优路径,包括:
基于每一路径中继节点的个数计算每一路径的信任度分数,并将信任度分数在预设分数以上的路径确定为第一初始最优路径,其中,每一路径的中继节点个数越多,该路径的信任度越低;
构建算力量化模型,基于所述算力量化模型计算每一路径的算力能耗,并将算力能耗在预设能耗以上的路径确定为第二初始最优路径;
针对每一路径上的中继节点,若预设时间内的流量数据超过预设流量,将该中继节点确定为异常中继节点,并将异常中继节点个数在预设个数以下的路径确定为第三初始最优路径;
分别计算每一路径中相邻节点的延时,根据每一路径中相邻节点的延时统计每一路径的总延时,并将延时小于预设延时的路径确定为第四初始最优路径;
所述将所述多个初始最优路径输入霍普菲尔德神经网络中,利用所述霍普菲尔德神经网络对所述多个初始最优路径进行联合计算,输出目标最优路径,包括:
利用每一预设评测指标及每一预设评测指标对应的初始最优路径构建信道关联矩阵,其中,所述信道关联矩阵中包括每个预设评测指标对应的初始最优路径;
将所述信道关联矩阵输入霍普菲尔德神经网络中,调整霍普菲尔德神经网络的网络权重,直至网络达到稳态时输出目标最优路径。
6.一种电子设备,其特征在于,包括存储器和处理器,其中, 所述存储器,用于存储程序;所述处理器,与所述存储器耦合,用于执行所述存储器中存储的所述程序,以实现上述权利要求1至4中任一项所述路径规划方法中的步骤。
7.一种计算机可读存储介质,其特征在于,用于存储计算机可读取的程序或指令,所述程序或指令被处理器执行时,能够实现上述权利要求1至4中任一项所述路径规划方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311142751.2A CN117278463B (zh) | 2023-09-04 | 2023-09-04 | 路径规划方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311142751.2A CN117278463B (zh) | 2023-09-04 | 2023-09-04 | 路径规划方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117278463A CN117278463A (zh) | 2023-12-22 |
CN117278463B true CN117278463B (zh) | 2024-04-23 |
Family
ID=89211411
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311142751.2A Active CN117278463B (zh) | 2023-09-04 | 2023-09-04 | 路径规划方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117278463B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109688616A (zh) * | 2018-11-27 | 2019-04-26 | 刘福珍 | 一种基于单兵协同作战的无线自组网通信方法 |
CN109769284A (zh) * | 2019-03-20 | 2019-05-17 | 南京工业大学 | 一种msn下族内可信蚁群机会路由改进算法 |
KR20200042882A (ko) * | 2020-03-09 | 2020-04-24 | 수원대학교산학협력단 | 보안감시 네트워크에서 aco를 활용한 패킷 전송 방법, 보안감시 네트워크의 패킷 전송장치, 그리고 aco를 활용한 icn 보안감시 시스템 |
AU2020102041A4 (en) * | 2020-08-28 | 2020-10-08 | Lin, Shudong Mr | Construction and maintenance of satellite-to-ground and inter-satellite laser communication network based on ants colony algorithm |
CN112054869A (zh) * | 2020-08-05 | 2020-12-08 | 西安电子科技大学 | 基于连续霍普菲尔德神经网络的波长分配方法 |
CN114089760A (zh) * | 2021-11-19 | 2022-02-25 | 合肥工业大学 | 一种基于混合蚁群算法的agv路径规划方法 |
CN115759499A (zh) * | 2022-11-21 | 2023-03-07 | 国网电力空间技术有限公司 | 一种基于优化算法的路径规划方法、装置、设备及介质 |
-
2023
- 2023-09-04 CN CN202311142751.2A patent/CN117278463B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109688616A (zh) * | 2018-11-27 | 2019-04-26 | 刘福珍 | 一种基于单兵协同作战的无线自组网通信方法 |
CN109769284A (zh) * | 2019-03-20 | 2019-05-17 | 南京工业大学 | 一种msn下族内可信蚁群机会路由改进算法 |
KR20200042882A (ko) * | 2020-03-09 | 2020-04-24 | 수원대학교산학협력단 | 보안감시 네트워크에서 aco를 활용한 패킷 전송 방법, 보안감시 네트워크의 패킷 전송장치, 그리고 aco를 활용한 icn 보안감시 시스템 |
CN112054869A (zh) * | 2020-08-05 | 2020-12-08 | 西安电子科技大学 | 基于连续霍普菲尔德神经网络的波长分配方法 |
AU2020102041A4 (en) * | 2020-08-28 | 2020-10-08 | Lin, Shudong Mr | Construction and maintenance of satellite-to-ground and inter-satellite laser communication network based on ants colony algorithm |
CN114089760A (zh) * | 2021-11-19 | 2022-02-25 | 合肥工业大学 | 一种基于混合蚁群算法的agv路径规划方法 |
CN115759499A (zh) * | 2022-11-21 | 2023-03-07 | 国网电力空间技术有限公司 | 一种基于优化算法的路径规划方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117278463A (zh) | 2023-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114265979B (zh) | 确定融合参数的方法、信息推荐方法和模型训练方法 | |
Wang et al. | An XGBoost-enhanced fast constructive algorithm for food delivery route planning problem | |
KR20210144622A (ko) | 융합 정렬 모델의 훈련방법, 검색 정렬 방법, 장치, 기기 및 컴퓨터 프로그램 | |
US20150170048A1 (en) | Determining a Type of Predictive Model for Training Data | |
JP2006221310A (ja) | 予測方法、予測装置、予測プログラムおよび記録媒体 | |
CN111143680A (zh) | 路线的推荐方法、系统、电子设备及计算机存储介质 | |
US20090187559A1 (en) | Method of analyzing unstructured documents to predict asset value performance | |
US20100250555A1 (en) | Calculating Web Page Importance | |
CN110573837A (zh) | 导航方法、装置、存储介质以及服务器 | |
CN112418518A (zh) | 基于时间特征权重和线网拓扑的客流预测方法及装置 | |
Li et al. | A location and reputation aware matrix factorization approach for personalized quality of service prediction | |
CN106126615A (zh) | 一种兴趣点推荐的方法及系统 | |
Alibrandi et al. | A decision support tool for sustainable and resilient building design | |
Ran et al. | Combining grey relational analysis and TOPSIS concepts for evaluating the technical innovation capability of high technology enterprises with fuzzy information | |
Deng et al. | Prediction of vehicle-cargo matching probability based on dynamic Bayesian network | |
CN111044062B (zh) | 路径规划、推荐方法和装置 | |
Chen et al. | Stochastic configuration network based on improved whale optimization algorithm for nonstationary time series prediction | |
CN117278463B (zh) | 路径规划方法、装置、电子设备及存储介质 | |
CN112767126A (zh) | 基于大数据的抵押物评级方法和装置 | |
Zhou et al. | A domain‐of‐influence based pricing strategy for task assignment in crowdsourcing package delivery | |
CN110942178B (zh) | 一种基于资源分配指标的链路预测方法的充电桩推荐方法 | |
Chen | Hesitant fuzzy multi-attribute group decision making method based on weighted power operators in social network and their application | |
Liu et al. | Towards dynamic reconfiguration of composite services via failure estimation of general and domain quality of services | |
CN111325350B (zh) | 可疑组织发现系统和方法 | |
CN114329231A (zh) | 对象特征处理方法、装置、电子设备及存储介质 |
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 |