本發(fā)明屬于網(wǎng)絡(luò)通信領(lǐng)域，主要涉及同時(shí)優(yōu)化彈性光網(wǎng)絡(luò)中的資源消耗和阻塞率，具體是一種彈性光網(wǎng)絡(luò)中基于進(jìn)化多目標(biāo)的路由頻隙分配方法。適用于解決靜態(tài)業(yè)務(wù)中選路與資源分配RSA問(wèn)題。

技術(shù)背景

隨著因特網(wǎng)業(yè)務(wù)的爆炸式增長(zhǎng)，如何提高頻譜利用率和滿足不同用戶的需求已成為一個(gè)亟待解決的工程問(wèn)題。傳統(tǒng)的波分多路復(fù)用WDM網(wǎng)絡(luò)具有傳輸率高、性價(jià)比高和應(yīng)用廣泛等優(yōu)點(diǎn)，它以固定大小的波長(zhǎng)作為最小顆粒度，相鄰波長(zhǎng)間需要留有保護(hù)帶寬，難以靈活地適應(yīng)不同顆粒度的業(yè)務(wù)請(qǐng)求，且頻譜利用率偏低。新型網(wǎng)絡(luò)的應(yīng)用對(duì)帶寬靈活性提出日益迫切的需求，例如數(shù)據(jù)中心內(nèi)部通信、不同數(shù)據(jù)中心互聯(lián)、云計(jì)算、網(wǎng)絡(luò)功能虛擬化和虛擬機(jī)遷移等。在實(shí)際應(yīng)用中，為確保接收端信號(hào)質(zhì)量與濾波效果，分配頻譜資源時(shí)要遵守頻譜一致性約束、頻譜連續(xù)性約束和頻譜沖突約束三個(gè)原則，鏈路中不滿足這三個(gè)約束條件的頻隙資源不能被分配。為此，近年提出頻譜分割彈性光路徑SLICE網(wǎng)絡(luò)或彈性光網(wǎng)絡(luò)，并已有一些理論探討和實(shí)驗(yàn)演示系統(tǒng)。

目前已有的很多研究彈性光網(wǎng)絡(luò)中的路由和頻譜分配RSA問(wèn)題的文獻(xiàn)大部分都是采用啟發(fā)式算法，個(gè)別研究采用智能算法或元啟發(fā)式算法。智能算法適用于動(dòng)態(tài)和靜態(tài)業(yè)務(wù)，實(shí)現(xiàn)相對(duì)簡(jiǎn)單而效能較低；元啟發(fā)式算法主要用于靜態(tài)業(yè)務(wù)，實(shí)現(xiàn)復(fù)雜度和效能均有所提高。RSA問(wèn)題優(yōu)化目標(biāo)一般為最小化資源消耗、呼損率等單目標(biāo)，大多數(shù)研究將頻譜資源利用率作為衡量網(wǎng)絡(luò)性能的重要指標(biāo)之一。在啟發(fā)式算法研究方面，M.Jinno等人在文獻(xiàn)“Distance-adaptive spectrum resource allocation in spectrum-sliced elastic optical path network”(IEEE Communication Magazine,vol.48,no.9,Aug.2010,pp:138-145)中已研究基于K條最短路的首次命中頻譜分配FA-FF啟發(fā)式算法、K.Christodoulopoulos在文獻(xiàn)“Elastic Bandwidth Allocation in Flexible OFDM-Based Optical Networks”(IEEE Communication Magazine,vol.48,no.9,Aug.2010,pp:138-145)中提出了最多頻隙數(shù)業(yè)務(wù)優(yōu)先MSF算法和最長(zhǎng)路徑優(yōu)先LPF算法等。T.Hashimoto等人在文獻(xiàn)“A Study on Routing,Modulation Level,and Spectrum Allocation Algorithms for Elastic Optical Path Networks.”(IEEE 3rd International Conference on Photonics(ICP).2012.pp:395-399.)中將光路跳數(shù)與業(yè)務(wù)的帶寬請(qǐng)求結(jié)合而提出兩種算法：其一，MPSF(Most path’s slots first)算法按請(qǐng)求頻隙數(shù)和最短路徑之積的降序?yàn)闃I(yè)務(wù)請(qǐng)求選路；其二，MPKSF(Extended most K path’s slots first)算法按K條最短路徑的平均請(qǐng)求時(shí)隙的降序?yàn)闃I(yè)務(wù)請(qǐng)求選路。以上兩種自適應(yīng)算法都是以最小化資源消耗為目標(biāo)，沒(méi)有充分考慮到業(yè)務(wù)丟棄的因素，不能在資源消耗和業(yè)務(wù)丟棄之間取一個(gè)很好的折衷，導(dǎo)致這些算法的相對(duì)頻譜利用率不是很高。

除了啟發(fā)式算法以外，還可以用整數(shù)線性規(guī)劃模型ILP或混合整數(shù)線性規(guī)劃模型MILP對(duì)RSA問(wèn)題建模，再用ILOG、LINDO等軟件獲得最優(yōu)解。該方法的優(yōu)點(diǎn)是能看到所提各種算法與最優(yōu)解的差距，但其計(jì)算復(fù)雜度高，在中大規(guī)模網(wǎng)絡(luò)中時(shí)間消耗太長(zhǎng)，僅適合于小規(guī)模網(wǎng)絡(luò)，難以用于解決動(dòng)態(tài)業(yè)務(wù)的RSA問(wèn)題。Wei Lu等人在文獻(xiàn)“Scalable Network Planning for Elastic Optical Orthogonal Frequency Division Multiplexing(OFDM)Networks.”(8th International Symposium on Communication Systems,Networks&Digital Signal Processing(CSNDSP),2012.pp:1-4.)中首次將遺傳算法GA用于解決彈性光網(wǎng)絡(luò)的RSA問(wèn)題，該算法采用距離適應(yīng)和自適應(yīng)交叉/變異概率的GA算法來(lái)優(yōu)化RSA問(wèn)題，從而提高了網(wǎng)絡(luò)性能。但傳統(tǒng)的遺傳算法存在收斂速度慢、容易陷入局部最優(yōu)解等問(wèn)題，有待進(jìn)一步改進(jìn)。

在靈活光網(wǎng)絡(luò)的頻隙總數(shù)給定時(shí)，如果網(wǎng)絡(luò)中的業(yè)務(wù)請(qǐng)求非常多，就會(huì)出現(xiàn)頻譜資源不夠用的現(xiàn)象，導(dǎo)致無(wú)法為一些業(yè)務(wù)請(qǐng)求提供所需資源而使業(yè)務(wù)傳輸被阻塞，增加丟棄的業(yè)務(wù)數(shù)，從而增加了阻塞率。增加頻隙總數(shù)或減少業(yè)務(wù)請(qǐng)求數(shù)均可降低阻塞率，由此可見(jiàn)使用的頻隙數(shù)和業(yè)務(wù)請(qǐng)求阻塞率這兩個(gè)性能指標(biāo)互斥，一個(gè)指標(biāo)的優(yōu)化會(huì)導(dǎo)致另一個(gè)指標(biāo)的劣化。光網(wǎng)絡(luò)中運(yùn)營(yíng)商的需求多種多樣，一個(gè)運(yùn)營(yíng)商考慮業(yè)務(wù)請(qǐng)求的重要性或收益，愿意增加頻隙總數(shù)，而另一個(gè)運(yùn)營(yíng)商可能會(huì)考慮傳輸質(zhì)量，選擇減少業(yè)務(wù)請(qǐng)求數(shù)目。因此，多目標(biāo)優(yōu)化會(huì)給運(yùn)營(yíng)商提供多個(gè)資源分配方案的集合，以供不同的運(yùn)營(yíng)商選擇或同一運(yùn)營(yíng)商用于不同情景。

一般解決光網(wǎng)絡(luò)中多目標(biāo)優(yōu)化問(wèn)題的方法可分為兩大類，一類是將多目標(biāo)優(yōu)化轉(zhuǎn)化為單目標(biāo)優(yōu)化，然后再用解決單目標(biāo)優(yōu)化問(wèn)題的方法來(lái)進(jìn)行求解，如加權(quán)求和法、約束求解方法等。但是由于各目標(biāo)量綱不同、某些目標(biāo)的最大值無(wú)法確定等因素會(huì)使得歸一化無(wú)法實(shí)現(xiàn)，導(dǎo)致比例因子(即權(quán)重)難以確定，促使結(jié)果帶有很大的主觀性和不確定性；另外，程序的一次運(yùn)行結(jié)果僅能得到一種解決方案，要想得到多個(gè)Pareto解需要程序的多次運(yùn)行，比較麻煩而且耗費(fèi)時(shí)間。另一類方法是使用智能進(jìn)化算法來(lái)求解多目標(biāo)優(yōu)化問(wèn)題，如多目標(biāo)遺傳算法、多目標(biāo)蟻群算法、多目標(biāo)模擬退火算法等。多目標(biāo)進(jìn)化算法有如下優(yōu)點(diǎn)：1)能并行地處理一組可行解，不需要分別運(yùn)算多次便能在一次算法求解過(guò)程中找到Pareto最優(yōu)解集中的多個(gè)解；2)不局限于Pareto前沿的形狀和連續(xù)性，易于處理不連續(xù)的凹形的Pareto前沿。

已有文獻(xiàn)許多研究WDM網(wǎng)絡(luò)中基于多目標(biāo)的路由及波長(zhǎng)分配(RWA)算法，WDM網(wǎng)絡(luò)中的RWA問(wèn)題是在已有光路或新建光路上為用戶業(yè)務(wù)請(qǐng)求分配波長(zhǎng)，而彈性光網(wǎng)絡(luò)中的RSA問(wèn)題是在同樣環(huán)境下為用戶業(yè)務(wù)請(qǐng)求分配頻譜，但RSA問(wèn)題求解更復(fù)雜，因?yàn)樵诮鉀Q該問(wèn)題時(shí)要考慮保護(hù)帶寬和業(yè)務(wù)所需帶寬的變化幅度，目前彈性光網(wǎng)絡(luò)中研究多目標(biāo)的文獻(xiàn)較少，多采用歸一化方法，實(shí)現(xiàn)比較復(fù)雜，且已有的研究不能將多目標(biāo)優(yōu)化很好的應(yīng)用到解決彈性光網(wǎng)絡(luò)RSA實(shí)際問(wèn)題中去，不能很好的實(shí)現(xiàn)使用資源和阻塞率之間的折衷。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于克服上述現(xiàn)有技術(shù)的不足，針對(duì)靜態(tài)業(yè)務(wù)多目標(biāo)路由和頻譜分配RSA問(wèn)題，借助多目標(biāo)進(jìn)化算法的優(yōu)勢(shì)，將Pareto優(yōu)化與遺傳算法GA結(jié)合，提出一種在滿足網(wǎng)絡(luò)阻塞率要求的情況下，降低資源占用的彈性光網(wǎng)絡(luò)中基于進(jìn)化多目標(biāo)的路由頻隙分配方法。

本發(fā)明是一種彈性光網(wǎng)絡(luò)中基于進(jìn)化多目標(biāo)的路由頻隙分配方法，其特征在于，具體步驟包括有：

(1)輸入網(wǎng)絡(luò)拓?fù)湫畔⒑统跏假Y源配置信息；

(2)計(jì)算候選路徑：

采用K最短路方法，根據(jù)初始資源配置為每個(gè)靜態(tài)業(yè)務(wù)選擇K條候選路徑；

(3)產(chǎn)生父代種群P_t：

采用選路與頻譜分配染色體編碼方法進(jìn)行編碼，得到父代種群；

(4)對(duì)染色體進(jìn)行交叉變異操作產(chǎn)生優(yōu)化染色體種群Q_t：

4a)采用單點(diǎn)交叉方法對(duì)染色體進(jìn)行交叉操作；

4b)采用均勻變異策略對(duì)染色體基因位上的基因進(jìn)行變異操作，得到優(yōu)化種群Q_t；

(5)將父代種群P_t和優(yōu)化后得到的種群Q_t結(jié)合生成新的種群R_t＝P_t∪Q_t；

(6)計(jì)算新種群中個(gè)體的適應(yīng)度值并排序，采取精英策略形成下一代種群P_t+1：

首先對(duì)R_t中的所有個(gè)體計(jì)算其適應(yīng)度值并進(jìn)行快速非支配排序，然后采用擁擠距離排序機(jī)制選取合適數(shù)量的染色體填充到下一代種群P_t+1；

(7)判斷是否繼續(xù)優(yōu)化下一代種群P_t+1，完成分配流程：

7a)判斷迭代次數(shù)t+1是否等于初始資源配置的最大進(jìn)化代數(shù)，若等于，終止下一代染色體種群優(yōu)化，得到近似最優(yōu)選路和頻譜資源分配方案，結(jié)束流程；

7b)否則，返回執(zhí)行步驟(4)，繼續(xù)對(duì)染色體進(jìn)行相關(guān)操作。

實(shí)現(xiàn)本發(fā)明的具體思路是：主要借鑒已有的GA算法和MOEA算法提出本發(fā)明的MOGA-RSA算法，預(yù)先為每個(gè)業(yè)務(wù)請(qǐng)求計(jì)算K條最短路徑，根據(jù)編碼方法生成染色體并為每個(gè)業(yè)務(wù)選路；在滿足一個(gè)頻隙僅被一個(gè)業(yè)務(wù)占用、頻譜連續(xù)性約束和頻譜沖突約束三個(gè)條件時(shí)，為每個(gè)業(yè)務(wù)分配頻隙資源；若資源不夠用，則將該業(yè)務(wù)丟棄。本發(fā)明在種群進(jìn)化代數(shù)達(dá)到最大時(shí)終止，在優(yōu)化了頻隙使用資源和阻塞率這兩個(gè)目標(biāo)的同時(shí)，為現(xiàn)實(shí)網(wǎng)絡(luò)RSA問(wèn)題提供了多種均衡的資源分配方案。

本發(fā)明與現(xiàn)有技術(shù)相比具有如下優(yōu)點(diǎn)：

第一、與加權(quán)求和法相比性能更優(yōu)，本發(fā)明得到的解集是一個(gè)Pareto非劣前端，得到的曲線上的解都是非劣解，沒(méi)有一個(gè)解點(diǎn)比其他解點(diǎn)更好，每個(gè)點(diǎn)都是一種解決方案。因此，用本發(fā)明得到的解集可以為解決網(wǎng)絡(luò)資源分配RSA問(wèn)題提供多種不同的優(yōu)化方案。

第二、本發(fā)明一次運(yùn)行可以得到多個(gè)解，而加權(quán)求和法一次運(yùn)行只能得到Pareto最優(yōu)解集中一個(gè)解，加權(quán)求和算法需要通過(guò)改變兩個(gè)目標(biāo)的相對(duì)權(quán)重和運(yùn)行多次來(lái)得到多個(gè)解，操作繁瑣且所需時(shí)間較長(zhǎng)，比較麻煩。本發(fā)明不存在以上的問(wèn)題。

第三、加權(quán)求和算法中權(quán)重值的不同會(huì)導(dǎo)致最后結(jié)果在Pareto“最優(yōu)解集”中的位置不同，會(huì)對(duì)彈性光網(wǎng)絡(luò)中路由和頻譜資源分配帶來(lái)一定的限制。本發(fā)明得到的Pareto解集中解的分布均勻，不存在上述問(wèn)題。

附圖說(shuō)明(本發(fā)明)

圖1為本發(fā)明的流程示意圖；

圖2為本發(fā)明采用的染色體編碼示意圖；

圖3為本發(fā)明采用的交叉操作示意圖；

圖4為本發(fā)明采用的變異操作示意圖；

圖5為本發(fā)明采用的擁擠距離計(jì)算示意圖；

圖6為本發(fā)明采用的精英策略示意圖；

圖7為本發(fā)明仿真采用的NSFNet網(wǎng)絡(luò)拓?fù)涫疽鈭D；

圖8為本發(fā)明仿真得到的三種算法丟棄業(yè)務(wù)數(shù)和使用頻隙數(shù)對(duì)比示意圖；

圖9為本發(fā)明在不同進(jìn)化代數(shù)情況下的性能示意圖；

圖10為本發(fā)明仿真得到的K取值對(duì)算法的影響示意圖。

具體實(shí)施方式

以下結(jié)合附圖對(duì)本發(fā)明進(jìn)行詳細(xì)描述。

實(shí)施例1

本發(fā)明針對(duì)通信領(lǐng)域中資源消耗和業(yè)務(wù)丟棄之間難以取得一個(gè)很好折衷導(dǎo)致頻譜利用率不是很高的問(wèn)題，提出一種彈性光網(wǎng)絡(luò)中基于進(jìn)化多目標(biāo)的路由頻隙分配方法，參見(jiàn)圖1，具體步驟包括有：

(1)輸入網(wǎng)絡(luò)拓?fù)湫畔⒑统跏假Y源配置信息，即輸入初始網(wǎng)絡(luò)信息和資源信息，具體需要輸入各個(gè)網(wǎng)絡(luò)拓?fù)浣Y(jié)點(diǎn)的位置及其之間連接關(guān)系和各條鏈路物理長(zhǎng)度等網(wǎng)絡(luò)結(jié)構(gòu)信息，輸入靜態(tài)業(yè)務(wù)流及靜態(tài)業(yè)務(wù)個(gè)數(shù)、總頻隙個(gè)數(shù)、種群規(guī)模、選路與頻譜分配方法染色體交叉概率、變異概率、迭代次數(shù)等信息。

(2)計(jì)算候選路徑：采用K最短路方法，根據(jù)初始資源配置為每個(gè)靜態(tài)業(yè)務(wù)選擇K條候選路徑，具體步驟包括有：

2a)：采用迪杰斯特拉算法，得到一條物理長(zhǎng)度最短的路徑a；

2b)：將路徑a作為屏蔽路徑；

2c)：從路徑a的源結(jié)點(diǎn)到路徑a的宿結(jié)點(diǎn)，依次對(duì)路徑a的結(jié)點(diǎn)間鏈接編號(hào)；

2d)：按照路徑a的結(jié)點(diǎn)間鏈接的編號(hào)，依次斷開(kāi)路徑a的結(jié)點(diǎn)間鏈接，采用迪杰斯特拉算法，得到一條路徑；

2e)：判斷路徑a的結(jié)點(diǎn)間鏈接斷開(kāi)次數(shù)是否等于路徑a的結(jié)點(diǎn)間鏈接總數(shù)，若等于，執(zhí)行第6步，否則，執(zhí)行第4步；

2f)：判斷路徑數(shù)量是否小于初始資源配置的候選路徑數(shù)K，若是，執(zhí)行第7步，否則，執(zhí)行第8步；

2g)：選取路徑a的下一條鄰居路徑作為路徑a，執(zhí)行第3步；

2h)：根據(jù)初始資源配置的候選路徑路數(shù)K，任意取出K條路徑作為一個(gè)靜態(tài)業(yè)務(wù)的候選路徑。

(3)產(chǎn)生父代種群P_t：

采用選路與頻譜分配染色體編碼方法進(jìn)行編碼，生成染色體，每條染色體代表網(wǎng)絡(luò)資源的一種分配方案。根據(jù)初始配置的資源信息，生成相應(yīng)數(shù)量的染色體，染色體組成的集合構(gòu)成父代種群。

(4)對(duì)染色體進(jìn)行交叉變異操作產(chǎn)生優(yōu)化染色體種群Q_t：

4a)采用單點(diǎn)交叉方法對(duì)染色體進(jìn)行交叉操作；

4b)采用均勻變異策略對(duì)染色體基因位上的基因進(jìn)行變異操作，得到優(yōu)化種群Q_t。

(5)將父代種群P_t和優(yōu)化后得到的種群Q_t結(jié)合生成新的種群R_t＝P_t∪Q_t。

(6)計(jì)算新種群中個(gè)體的適應(yīng)度值并排序，采取精英策略形成下一代種群P_t+1：首先對(duì)R_t中的所有個(gè)體計(jì)算適應(yīng)度值并進(jìn)行快速非支配排序，然后采用擁擠距離排序機(jī)制選取合適數(shù)量的染色體填充到下一代種群P_t+1。

(7)判斷是否繼續(xù)優(yōu)化下一代種群P_t+1，完成資源分配流程：

7a)判斷迭代次數(shù)t+1是否等于初始資源配置的最大進(jìn)化代數(shù)，若等于，終止下一代染色體種群優(yōu)化，得到近似最優(yōu)選路和頻譜資源分配方案，結(jié)束流程。最大進(jìn)化代數(shù)就是步驟(1)中輸入的迭代次數(shù)。

7b)否則，即迭代次數(shù)t+1不等于初始資源配置的最大進(jìn)化代數(shù)，返回執(zhí)行步驟(4)，繼續(xù)對(duì)染色體進(jìn)行相關(guān)操作，直至迭代次數(shù)達(dá)到最大進(jìn)化代數(shù)，結(jié)束彈性光網(wǎng)絡(luò)中基于進(jìn)化多目標(biāo)的路由頻隙分配。

本發(fā)明同時(shí)最小化彈性光網(wǎng)絡(luò)中使用的頻隙數(shù)和阻塞率這兩個(gè)互相牽制的目標(biāo)，在滿足網(wǎng)絡(luò)阻塞率要求的情況下，降低資源占用，可為運(yùn)營(yíng)商或數(shù)據(jù)中心互連等需求提供帶寬變化范圍大或頻譜利用率高的多種資源分配方案，滿足前述不同網(wǎng)絡(luò)和應(yīng)用的帶寬需求。

實(shí)施例2

彈性光網(wǎng)絡(luò)中基于進(jìn)化多目標(biāo)的路由頻隙分配方法同實(shí)施例1，步驟(3)采用選路與頻譜分配染色體編碼方法進(jìn)行編碼，生成染色體，每條染色體代表網(wǎng)絡(luò)資源的一種分配方案。編碼方法的具體步驟包括有：

3a)：采用基于選擇的K條路徑的染色體編碼方法編碼，每條染色體表示所有業(yè)務(wù)的一種選路方案；

3b)：染色體的基因個(gè)數(shù)等于業(yè)務(wù)請(qǐng)求總數(shù)，每個(gè)基因位對(duì)應(yīng)一個(gè)業(yè)務(wù)，基因值表示業(yè)務(wù)的K條最短路徑中的一條，染色體的所有初始基因值隨機(jī)生成。根據(jù)初始配置的資源信息，生成相應(yīng)數(shù)量的染色體，染色體組成的集合構(gòu)成父代種群。

例如，圖2中每個(gè)業(yè)務(wù)都有K＝4條最短路徑，每個(gè)業(yè)務(wù)的所選路徑都是K條最短路徑中的一條；第一個(gè)業(yè)務(wù)(1,6)對(duì)應(yīng)基因值為3表示源結(jié)點(diǎn)1到宿結(jié)點(diǎn)6的業(yè)務(wù)選擇第三條最短路徑，即路徑1→2→3→4→6。

本發(fā)明通過(guò)這樣的編碼方式，可以實(shí)現(xiàn)同時(shí)為網(wǎng)絡(luò)中的業(yè)務(wù)選路和資源分配，避免了傳統(tǒng)方法中先選路，再進(jìn)行頻譜分配的繁瑣操作，提高了效率。

實(shí)施例3

彈性光網(wǎng)絡(luò)中基于進(jìn)化多目標(biāo)的路由頻隙分配方法同實(shí)施例1-2，步驟4a)所述交叉方法的具體步驟包括有：

4a1)：如圖3所示，采用單點(diǎn)交叉，從交配池中隨機(jī)選擇兩個(gè)父代染色體，產(chǎn)生一個(gè)隨機(jī)數(shù)P_random∈(0,1)，若P_random小于預(yù)設(shè)的交叉概率P_crossover，隨機(jī)選擇一個(gè)基因位作為交叉點(diǎn)，對(duì)兩個(gè)個(gè)體進(jìn)行交叉操作，即兩個(gè)染色體的前一部分保持不變，二者的后一部分相互交換；若P_random大于等于交叉概率，則兩個(gè)個(gè)體保持不變，最后將交叉后的染色體放入子代種群中；

4a2)：當(dāng)進(jìn)化代數(shù)達(dá)到初始資源配置時(shí)設(shè)定的進(jìn)化代數(shù)的一半后，調(diào)節(jié)P_crossover隨著進(jìn)化代數(shù)的增加而增大，則與進(jìn)化代數(shù)i相關(guān)聯(lián)的第i代的交叉概率函數(shù)P_crossover(i)：

P_crossover(i)＝P_{c_min}+(P_{c_max}-P_{c_min})×i/Max_Gen

式中P_{c_min}和P_{c_max}是設(shè)定的最小交叉概率和最大交叉概率，即初始資源配置時(shí)給出的選路與頻譜分配方法染色體交叉概率，Max_Gen是本發(fā)明初始資源配置時(shí)設(shè)定的最大進(jìn)化代數(shù)，即迭代次數(shù)。

本發(fā)明通過(guò)這種交叉策略，保持種群中個(gè)體的多樣性，避免陷入局部最優(yōu)和克服早熟收斂。

實(shí)施例4

彈性光網(wǎng)絡(luò)中基于進(jìn)化多目標(biāo)的路由頻隙分配方法同實(shí)施例1-3，步驟4b)所述變異方法的具體步驟包括有：

4b1)：如圖4所示，采用均勻變異，針對(duì)每條染色體中的每個(gè)基因生成(0,1)之間的一個(gè)隨機(jī)數(shù)，即P_random∈(0,1)，若P_random小于預(yù)設(shè)變異概率P_mutation，則將染色體中該基因位上的值等概率變?yōu)槠渌蛇x值中的一個(gè)；否則，該基因位上的值保持不變；

4b2)：本發(fā)明采用的變異概率P_mutation與遺傳代數(shù)i相關(guān)聯(lián)的函數(shù)P_mutation(i)：

P_mutation(i)＝P_{m_min}+(P_{m_max}-P_{m_min})×i/Max_Gen

式中P_{m_min}和P_{m_max}是設(shè)定的最小變異概率和最大變異概率，即初始資源配置時(shí)給出的選路與頻譜分配方法染色體變異概率，Max_Gen是本發(fā)明初始資源配置時(shí)設(shè)定的最大進(jìn)化代數(shù)，即迭代次數(shù)。

本發(fā)明通過(guò)這樣的變異策略，保持了種群多樣性，有利于查找最優(yōu)解。

實(shí)施例5

彈性光網(wǎng)絡(luò)中基于進(jìn)化多目標(biāo)的路由頻隙分配方法同實(shí)施例1-4，步驟6所述精英策略的具體步驟包括有：

6a)：如圖6所示，設(shè)種群規(guī)模為N，本發(fā)明首先將第t代種群P_t與其進(jìn)化產(chǎn)生的種群Q_t合并成種群R_t，其種群大小變?yōu)?N；

6b)：對(duì)種群R_t中的所有個(gè)體計(jì)算其適應(yīng)度值并進(jìn)行快速非支配排序，產(chǎn)生一系列非支配集合F_i；

6c)：n_j表示非支配集合F_i(i＝1～j)的種群數(shù)，當(dāng)n_K-1<N和n_K>N，則對(duì)F_K中的個(gè)體進(jìn)行擁擠距離排序；

6d)：選取前N-|P_t+1|個(gè)個(gè)體填充到P_t+1，使P_t+1種群規(guī)模達(dá)到N。

通過(guò)引入精英策略，在選取最優(yōu)解的同時(shí)，保證了種群的多樣性，增加了找到最優(yōu)解的可能，避免早熟收斂。

實(shí)施例6

彈性光網(wǎng)絡(luò)中基于進(jìn)化多目標(biāo)的路由頻隙分配方法同實(shí)施例1-5，步驟6b)所述快速非支配排序步驟如下：

6b1)首先令種群中每個(gè)解x∈Pop對(duì)應(yīng)的支配數(shù)n_x＝0，即支配解x的所有個(gè)體的數(shù)量為零；設(shè)解x對(duì)應(yīng)的集合S_x＝φ，即解x所支配的個(gè)體的集合為空集。

6b2)然后對(duì)種群Pop中的每個(gè)個(gè)體q，如果則S_x＝S_x∪{q}，如果則n_x＝n_x+1。重復(fù)此操作得到種群中每個(gè)解對(duì)應(yīng)的支配數(shù)n_x和集合S_x，并將n_x＝0的解放入到非支配解集前端F₁中，且解x的非支配等級(jí)x_rank＝1，初始化前端計(jì)數(shù)i＝1；

6b3)最后令集合Q為空集，對(duì)于每個(gè)x∈F_i,執(zhí)行如下操作：

對(duì)于每個(gè)解q∈S_x，n_q＝n_q-1；如果n_q＝0，則q_rank＝i+1且Q＝Q∪{q}；

如果Q不為空集，則i＝i+1，F(xiàn)_i＝Q，轉(zhuǎn)到第三步；否則，停止進(jìn)化迭代；

該方法將種群Pop中的所有個(gè)體都進(jìn)行了比較之后，留在集合F₁中的個(gè)體組成非支配排序等級(jí)為1的非支配集合。將集合F₁從種群Pop中去除，并重復(fù)以上步驟可對(duì)所有的個(gè)體進(jìn)行非支配排序。

實(shí)施例7

彈性光網(wǎng)絡(luò)中基于進(jìn)化多目標(biāo)的路由頻隙分配方法同實(shí)施例1-6，步驟6c)所述擁擠距離排序步驟如下：

如圖5所示，有兩個(gè)優(yōu)化目標(biāo)，對(duì)于每個(gè)目標(biāo)函數(shù)，將非劣解集中的解根據(jù)該目標(biāo)函數(shù)值的大小進(jìn)行排序，對(duì)每個(gè)解點(diǎn)i計(jì)算由解點(diǎn)i+1和i-1構(gòu)成矩形的平均邊長(zhǎng)，最終的結(jié)果就是解i的擁擠距離d_distance(i)。本發(fā)明方法將邊界解點(diǎn)(某個(gè)目標(biāo)函數(shù)的最大或最小值)的擁擠距離設(shè)為無(wú)窮大，因?yàn)檫@樣邊界解點(diǎn)更能優(yōu)先進(jìn)入到下一代種群，增加種群的多樣性。

6c1)一般情況，當(dāng)有r個(gè)目標(biāo)時(shí)，第i個(gè)個(gè)體的擁擠距離計(jì)算如下：

$d_{dis\tan ce}\left(i\right)=\underset{k=1}{\overset{r}{\mathrm{\&Sigma;}}}|f_k(i+1)-f_k(i-1)|$

令r＝2可得：

d_distance(i)＝|f₁(i+1)-f₁(i-1)|+|f₂(i+1)-f₂(i-1)|

為了保證個(gè)體擁擠距離的計(jì)算不會(huì)受到各個(gè)目標(biāo)函數(shù)取值范圍和量綱不同的影響，本發(fā)明方法對(duì)參與計(jì)算的各個(gè)目標(biāo)函數(shù)間的距離根據(jù)擁擠距離計(jì)算機(jī)制進(jìn)行了歸一化處理。

6c2)擁擠距離排序建立在擁擠比較算子的基礎(chǔ)上，其定義如下：

if(i_rank<j_rank)or(i_rank＝j(luò)_rank)∩(d_{dis tan ce}(i)>d_{dis tan ce}(j))

then

當(dāng)兩個(gè)體的非支配等級(jí)相同時(shí)，則優(yōu)先考慮擁擠距離大的個(gè)體。因此，擁擠比較機(jī)制可保證種群的多樣性。

下邊給出一個(gè)更加詳盡的例子，對(duì)本發(fā)明進(jìn)一步描述：

實(shí)施例8

彈性光網(wǎng)絡(luò)中基于進(jìn)化多目標(biāo)的路由頻隙分配方法同實(shí)施例1-7，參見(jiàn)圖1，具體步驟包括：

步驟1，輸入網(wǎng)絡(luò)拓?fù)湫畔⒑统跏假Y源配置信息。

輸入各個(gè)網(wǎng)絡(luò)拓?fù)浣Y(jié)點(diǎn)的位置及其之間連接關(guān)系和各條鏈路物理長(zhǎng)度等網(wǎng)絡(luò)結(jié)構(gòu)信息，輸入靜態(tài)業(yè)務(wù)流及靜態(tài)業(yè)務(wù)個(gè)數(shù)、總頻隙個(gè)數(shù)、種群規(guī)模、選路與頻譜分配方法染色體交叉概率、變異概率、迭代次數(shù)等信息。

步驟2在網(wǎng)絡(luò)拓?fù)渲袨槊總€(gè)靜態(tài)業(yè)務(wù)計(jì)算候選路徑。采用K最短路方法，為每個(gè)靜態(tài)業(yè)務(wù)計(jì)算初始資源并配置K條物理路徑長(zhǎng)度最短的路徑作為其候選路徑，每條路徑經(jīng)過(guò)多個(gè)結(jié)點(diǎn)，路徑上每?jī)蓚€(gè)相鄰結(jié)點(diǎn)間的連接稱為鏈路。

K最短路徑方法的具體步驟如下：

第一步：采用迪杰斯特拉算法，得到一條物理長(zhǎng)度最短的路徑a；

第二步：將路徑a作為屏蔽路徑；

第三步：從路徑a的源結(jié)點(diǎn)到路徑a的宿結(jié)點(diǎn)，依次對(duì)路徑a的結(jié)點(diǎn)間鏈接編號(hào)；

第四步：按照路徑a的結(jié)點(diǎn)間鏈接的編號(hào)，依次斷開(kāi)路徑a的結(jié)點(diǎn)間鏈接，采用迪杰斯特拉算法，得到一條路徑；

第五步：判斷路徑a的結(jié)點(diǎn)間鏈接斷開(kāi)次數(shù)是否等于路徑a的結(jié)點(diǎn)間鏈接總數(shù)，若等于，執(zhí)行第6步，否則，執(zhí)行第4步；

第六步：判斷路徑數(shù)量是否小于初始資源配置的候選路徑數(shù)K，若是，執(zhí)行第7步，否則，執(zhí)行第8步；

第七步：選取路徑a的下一條鄰居路徑作為路徑a，執(zhí)行第3步；

第八步：根據(jù)初始資源配置的候選路徑路數(shù)K，任意取出K條路徑作為一個(gè)靜態(tài)業(yè)務(wù)的候選路徑。

步驟3采用選路與頻譜分配染色體編碼方法編碼，產(chǎn)生父代種群P_t：

采用如圖2所示的染色體編碼結(jié)構(gòu)，每條染色體表示所有業(yè)務(wù)的一種選路方案。染色體的基因個(gè)數(shù)等于業(yè)務(wù)請(qǐng)求總數(shù)，每個(gè)基因位對(duì)應(yīng)一個(gè)業(yè)務(wù)，基因值表示業(yè)務(wù)的K條最短路徑中的一條，染色體的所有初始基因值隨機(jī)生成。例如，圖2中每個(gè)業(yè)務(wù)都有K＝4條最短路徑，每個(gè)業(yè)務(wù)的所選路徑都是K條最短路徑中的一條；第一個(gè)業(yè)務(wù)(1,6)對(duì)應(yīng)基因值為3表示源結(jié)點(diǎn)1到宿結(jié)點(diǎn)6的業(yè)務(wù)選擇第三條最短路徑，即路徑1→2→3→4→6。再如第二個(gè)基因位的基因值為2，表示從源結(jié)點(diǎn)1到宿結(jié)點(diǎn)5的業(yè)務(wù)選擇K條最短路徑中的第二條。

步驟4經(jīng)過(guò)交叉變異操作產(chǎn)生優(yōu)化種群Q_t：

第一步：參見(jiàn)圖3，采用單點(diǎn)交叉策略對(duì)染色體進(jìn)行交叉操作。圖中所示Crossover point即為交叉點(diǎn)，兩條染色體交叉點(diǎn)前部分不變，交叉點(diǎn)后部分互換。

第二步：參見(jiàn)圖4，采用均勻變異策略對(duì)染色體進(jìn)行變異操作；若P_random小于預(yù)設(shè)變異概率P_mutation，則將染色體中該基因位上的值等概率變?yōu)槠渌蛇x值中的一個(gè)。與傳統(tǒng)遺傳算法不同，本發(fā)明通過(guò)自適應(yīng)交叉變異策略優(yōu)化染色體，避免種群早熟和陷入局部最優(yōu)，解決了傳統(tǒng)遺傳算法普遍存在的問(wèn)題。

步驟5將初始父代種群P_t和優(yōu)化后得到的種群Q_t結(jié)合生成新的種群R_t＝P_t∪Q_t。

步驟6計(jì)算新種群中個(gè)體的適應(yīng)度值并排序，采取精英策略形成下一代種群P_t+1，參見(jiàn)圖6，采用精英策略選擇優(yōu)秀染色體的過(guò)程包括：

第一步：設(shè)種群規(guī)模為N，本發(fā)明MOGA-RSA算法首先將第t代種群P_t與其進(jìn)化產(chǎn)生的種群Q_t合并成種群R_t，其種群大小變?yōu)?N，即步驟5完成的工作。

第二步：對(duì)種群R_t中的所有個(gè)體計(jì)算其適應(yīng)度值并進(jìn)行快速非支配排序，產(chǎn)生一系列非支配集合F_i。本發(fā)明根據(jù)種群中個(gè)體之間的支配關(guān)系進(jìn)行排序以決定個(gè)體之間的優(yōu)劣關(guān)系，用表達(dá)式表示個(gè)體p支配個(gè)體q，稱為支配算子。

第三步：n_j表示非支配集合F_i(i＝1～j)的種群數(shù)，當(dāng)n_K-1<N和n_K>N，則對(duì)F_K中的個(gè)體進(jìn)行擁擠距離排序。擁擠距離(crowding distance)是用來(lái)估計(jì)一個(gè)解點(diǎn)周圍其他解點(diǎn)密集程度的一個(gè)指標(biāo)，計(jì)算方法參見(jiàn)圖5。圖5表示的是個(gè)體i的擁擠距離計(jì)算方法，擁擠距離取決于與個(gè)體i相鄰的兩個(gè)個(gè)體，如圖所示，個(gè)體i的擁擠距離計(jì)算為：

d_distance(i)＝|f₁(i+1)-f₁(i-1)|+|f₂(i+1)-f₂(i-1)|

第四步：選取前N-|P_t+1|個(gè)個(gè)體填充到P_t+1，使P_t+1種群規(guī)模達(dá)到N。

具體的實(shí)現(xiàn)可參見(jiàn)圖1右側(cè)擴(kuò)展部分。

步驟7判斷是否繼續(xù)優(yōu)化下一代種群P_t+1，完成資源分配流程：

判斷迭代次數(shù)是否等于初始資源配置的最大進(jìn)化代數(shù)，若相等，終止染色體優(yōu)化，得到最優(yōu)選路和頻譜資源分配方案；否則，執(zhí)行步驟4，再行交叉變異等操作優(yōu)化染色體，直至迭代結(jié)束，得到彈性光網(wǎng)絡(luò)中最優(yōu)選路和頻譜資源分配方案。

本發(fā)明借助多目標(biāo)進(jìn)化算法的優(yōu)勢(shì)，將Pareto優(yōu)化與遺傳算法GA結(jié)合，對(duì)彈性光網(wǎng)絡(luò)中路由與頻譜分配RSA問(wèn)題進(jìn)行了優(yōu)化，為運(yùn)營(yíng)商提供了多種網(wǎng)絡(luò)資源分配方案。

實(shí)施例9

彈性光網(wǎng)絡(luò)中基于進(jìn)化多目標(biāo)的路由頻隙分配方法同實(shí)施例1-8，通過(guò)對(duì)本發(fā)明進(jìn)行仿真，進(jìn)一步驗(yàn)證了發(fā)明方法的優(yōu)化效果。仿真具體包括：

1.仿真條件

使用圖7所示的NSFNet拓?fù)?14個(gè)結(jié)點(diǎn)，21條雙向鏈路)進(jìn)行仿真。仿真參數(shù)設(shè)置如下：光纖雙向鏈路的最大頻隙數(shù)均為100個(gè)；請(qǐng)求帶寬從{5,10,15,20,25,30}Gbps中均勻隨機(jī)選取，每頻隙(FS)帶寬5Gbps，業(yè)務(wù)最大請(qǐng)求頻隙數(shù)為6，保護(hù)帶寬GF＝1FS；隨機(jī)產(chǎn)生120個(gè)業(yè)務(wù)請(qǐng)求，業(yè)務(wù)請(qǐng)求在所有源宿結(jié)點(diǎn)對(duì)間隨機(jī)均勻分布，其丟棄率控制在10％以內(nèi)；編碼中的基因數(shù)或可選路由數(shù)K＝5，交叉概率為0.9，變異概率為0.08，種群規(guī)模是200，最大進(jìn)化代數(shù)6000。仿真得到的仿真圖中的橫坐標(biāo)表示使用的頻隙數(shù)，縱坐標(biāo)表示丟棄的業(yè)務(wù)數(shù)即阻塞數(shù)目，二者都是越小越好，即解點(diǎn)越靠近左下方越優(yōu)。

2.仿真內(nèi)容：

為了驗(yàn)證效果，本發(fā)明進(jìn)行了3項(xiàng)仿真。

仿真采用FAR-FF(Fixed Alternate Routing and First-Fit Wavelength Assignment)算法和加權(quán)求和法作為本發(fā)明的對(duì)比算法。FAR-FF算法采用固定可替代路由方式進(jìn)行選路，采用首次命中方法進(jìn)行頻譜資源分配。加權(quán)求和是將多目標(biāo)問(wèn)題轉(zhuǎn)化為單目標(biāo)問(wèn)題的常用方法，其目標(biāo)函數(shù)的權(quán)重對(duì)解影響巨大，在仿真中設(shè)ω₁和ω₂表示分別使用頻隙數(shù)和阻塞率的權(quán)重，且ω₁+ω₂＝1。在同樣的仿真條件下，實(shí)現(xiàn)本發(fā)明MOGA-RSA算法與加權(quán)求和法及FAR-FF的性能對(duì)比，加權(quán)求和法的解編號(hào)1到11分別是權(quán)重ω₂從0.0以逐點(diǎn)遞增0.1的方式遞增到1.0后計(jì)算得到的。如圖8所示，3號(hào)解點(diǎn)和8號(hào)解點(diǎn)所得到的解相同，即(ω₁＝0.8,ω₂＝0.2)所得到的解和(ω₁＝0.3,ω₂＝0.7)所得到的解相同。

計(jì)算過(guò)程中會(huì)受到進(jìn)化代數(shù)的影響，仿真中為算法設(shè)置不同的進(jìn)化代數(shù)，驗(yàn)證在不同進(jìn)化代數(shù)下，路由頻隙分配的性能優(yōu)劣。圖9顯示進(jìn)化代數(shù)對(duì)仿真結(jié)果的影響，仿真中K＝5，即染色體中基因的取值為1到5之間隨機(jī)變化。

3.仿真結(jié)果分析：

從圖8中可以看到，本發(fā)明MOGA-RSA算法與加權(quán)求和法相比，結(jié)果明顯優(yōu)于加權(quán)求和法和FAR-FF算法。本發(fā)明的解集是一個(gè)Pareto非劣前端，這條線上的解都是非劣解，沒(méi)有一個(gè)解點(diǎn)比其他解點(diǎn)更好。最優(yōu)方案取決于目標(biāo)函數(shù)，如圖8中所示，如果網(wǎng)絡(luò)考慮最多使用70個(gè)頻隙，則最少丟棄5個(gè)業(yè)務(wù)；如果目標(biāo)是傳輸所有業(yè)務(wù)，則最少使用78個(gè)頻隙。本發(fā)明的另一個(gè)優(yōu)點(diǎn)是一次運(yùn)行可以得到多個(gè)解，而加權(quán)求和法一次運(yùn)行只能得到Pareto最優(yōu)解集中一個(gè)解，想要得到多個(gè)解需要改變兩個(gè)目標(biāo)的相對(duì)權(quán)重并進(jìn)行多次運(yùn)算，增加了運(yùn)算復(fù)雜度和運(yùn)算時(shí)間。

從圖8中可以看出，除了本發(fā)明MOGA-RSA算法解點(diǎn)(a,b)，加權(quán)求和法的解Pareto前端(解點(diǎn)1,3/8,10,11)完全被解點(diǎn)(c～g)支配，即MOGA-RSA算法所得非劣前端在FAR-FF算法所得非劣前端的左下方。在本發(fā)明MOGA-RSA算法和加權(quán)求和法可比較的Pareto前端“解”中，當(dāng)丟棄的業(yè)務(wù)數(shù)相等時(shí)，本發(fā)明MOGA-RSA算法可減少頻隙數(shù)(2.90％,6.85％,5.41％)；在使用頻隙數(shù)同為73時(shí)，本發(fā)明可減少業(yè)務(wù)丟棄率75％。

由圖9可看出隨著進(jìn)化代數(shù)的增加，搜索到的非劣前端解集不斷向左下方靠攏，且隨著進(jìn)化代數(shù)的增加，解集改進(jìn)的幅度越來(lái)越小。當(dāng)進(jìn)化代數(shù)達(dá)到5000、6000、7000時(shí)，解集中大部分個(gè)體都不變，僅有位于最左邊和最右邊的個(gè)別解不同，這說(shuō)明當(dāng)進(jìn)化代數(shù)達(dá)到一定值時(shí)，解集的收斂性趨于穩(wěn)定。

圖10給出本發(fā)明中K參數(shù)取值對(duì)仿真結(jié)果的影響：當(dāng)K增大時(shí)，搜索到的非劣前端向左下方移動(dòng)，源于較大K可使基因的變化范圍增大，每個(gè)業(yè)務(wù)可以選擇的路徑數(shù)增多。隨著K的增大，當(dāng)使用頻隙數(shù)或丟棄的業(yè)務(wù)數(shù)相同時(shí)，丟棄的業(yè)務(wù)數(shù)或使用頻隙數(shù)會(huì)減小。當(dāng)K等于1時(shí)，本發(fā)明等效于FR-FF(Fixed Routing and First-Fit Wavelength Assignment)算法，結(jié)果只有一個(gè)解點(diǎn)。

簡(jiǎn)而言之，本發(fā)明公開(kāi)的彈性光網(wǎng)絡(luò)中基于進(jìn)化多目標(biāo)的路由頻隙分配方法，主要針對(duì)彈性光網(wǎng)絡(luò)中的RSA問(wèn)題，提出一種基于多目標(biāo)遺傳的路由頻隙指派算法MOGA-RSA，實(shí)現(xiàn)同時(shí)最小化彈性光網(wǎng)絡(luò)中的使用的頻隙數(shù)和阻塞率這兩個(gè)目標(biāo)。具體步驟包括：1.輸入網(wǎng)絡(luò)拓?fù)湫畔⒑统跏假Y源配置信息；2.采用K最短路方法，為每個(gè)靜態(tài)業(yè)務(wù)選擇初始資源配置數(shù)K條候選路徑；3.采用選路與頻譜分配染色體編碼方法編碼，得到父代種群P_t；4.通過(guò)交叉變異操作產(chǎn)生新種群Q_t；5.將初始父代種群P_t和優(yōu)化后得到的種群Q_t結(jié)合生成新的種群R_t＝P_t∪Q_t；6.計(jì)算新種群中個(gè)體的適應(yīng)度值并排序，采取精英策略形成下一代種群P_t+1；7.判斷迭代是否終止。本發(fā)明通過(guò)采用自適應(yīng)交叉變異策略，非支配排序機(jī)制和擁擠距離排序機(jī)制，同時(shí)最小化彈性光網(wǎng)絡(luò)中的使用的頻隙數(shù)和阻塞率這兩個(gè)目標(biāo)，減少鏈路擁塞，均衡分配頻譜資源，降低業(yè)務(wù)阻塞率，提高網(wǎng)絡(luò)資源利用率，可為運(yùn)營(yíng)商或數(shù)據(jù)中心互連等需求提供帶寬變化范圍大或頻譜利用率高的多種資源分配方案，滿足前述不同網(wǎng)絡(luò)和應(yīng)用的帶寬需求。