CN103685020B - 一种基于遗传算法的光多播树最小代价路由方法 - Google Patents
一种基于遗传算法的光多播树最小代价路由方法 Download PDFInfo
- Publication number
- CN103685020B CN103685020B CN201310606366.9A CN201310606366A CN103685020B CN 103685020 B CN103685020 B CN 103685020B CN 201310606366 A CN201310606366 A CN 201310606366A CN 103685020 B CN103685020 B CN 103685020B
- Authority
- CN
- China
- Prior art keywords
- chromosome
- gene
- fitness function
- multicast tree
- node
- 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
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种基于遗传算法的光多播树最小代价路由方法,包括网络的边初始化和最小代价多播树迭代两部分,网络的边初始化主要是完成网络中边的初始化,将整数倍单位容量的边用多条单位容量边表示,便于应用遗传算法优化信息传输路径和编码方法。最小代价光多播树的迭代部分主要由选择、交叉、变异、去除劣质基因等步骤构成,在每次迭代的过程中都根据设计的适应度函数值将一些劣质基因从基因库中去除,这样可以极大的缩小算法搜索空间的大小,有利于加速算法的收敛速度,寻找到代价更小的光多播树。本发明是提供一种寻找所需满足多播请求速率要求的信息传输链路数目总和最少、编码操作次数最少的一种信息传输路由方法。
Description
技术领域
本发明涉及通信技术领域,具体涉及一种基于遗传算法的光多播树最小代价路由方法。
背景技术
随着视频会议、网络电视、多媒体远程教育等多播业务的快速发展,网络带宽的消耗以及拥塞发生的快速增加,传统通信网正面临着带宽资源不足、网络吞吐量低、业务阻塞率上升等严重的问题,网络的资源日趋紧张。由于光网络具有高带宽和高速率的信息传输能力,其暂时解决了传统电域网络中带宽资源不足等问题。不过,近年来随着宽带业务和多播应用的持续快速增长,光网络再次面临带宽资源不足、网络阻塞率持续增高等诸多问题。网络编码有提高网络吞吐量、均衡网络负载、增加网络带宽利用率、减少网络资源损耗、提高网络安全性、减少能量消耗等优点,因而,基于网络编码的路由方式越来越受到研究者的重视。将网络编码引入到光网络中,利用网络编码的优点来解决光网络带宽资源不足等问题不失为一个有效的方法。因此,我们提出一种单源多宿最小代价多播树的构造方法解决最小代价光多播树路由选择问题。
不同于传统的路由方式,基于网络编码的路由方式不仅允许网络的中间节点对收到的信息进行存储和转发,还能进行信息编码压缩操作。基于网络编码构造光多播树路由一般包括2个步骤:(1)确定网络目的节点的信息接收速率;(2)根据目的节点的信息接收速率为每个目的节点确定边分离路径数目。为了使网络目的节点正确的解码出原始信息,所有目的节点接收速率相同,该速率一般小于等于所有目的节点的最大流中的最小值。但是,在通信网络的中间节点进行网络编码操作,将会增加通信网络相应的开销和代价,如:增加中间节点计算的复杂度;增加缓存器的需求量,用于储存解码输入边的信息;带来网络时延增加等。因而,本申请的最小代价多播树是寻找满足光多播路由所需链路数目总和最少、编码操作次数最少的一种信息传输方法。
现在研究证明:最小代价光多播树是一个NP-complete问题,目前的解决方法大部分是采用启发式算法来解决这一问题。但是,现有启发式算法一般在特定网络中效果较好,而在其他的网络中效果却不理想,而智能优化算法在解决NP-complete问题时,效果将会优于启发式算法,遗传算法是智能优化算法中较为成熟的一种算法。因此,我们提出一种基于遗传算法的光多播树最小代价路由方法。
发明内容
针对以上现有技术中的不足,本发明的目的在于提供一种可以明显地提高光网络的带宽资源利用率,减少网络编码操作次数的基于遗传算法的光多播树最小代价路由方法。本发明的技术方案如下:一种基于遗传算法的光多播树最小代价路由方法,其包括以下步骤:
101、获取网络拓扑G(V,E),其中V表示网络拓扑G的节点集,E表示网络中节点之间的连接边,当连接边的容量n≥2时,则将该连接边转化为n条并列且容量为1的边,完成初始化,跳转至步骤102;
102、获取步骤101中经过初始化后网络拓扑G(V,E)的源节点S及目的节点集t,构造源节点S到目的节点集t的多播树,确定源节点S到目的节点集t的最大多播速率T,并设定目的节点的接收速率为k,其中1≤k≤T;获取源节点S到目的节点ti所有存在的N条路径,其中目的节点ti为目的节点集t中的一个元素,计算出该目的节点ti的k条边路径组合的方式mi,产生基因库,并采用遗传算法构造源节点S到目的节点集t的染色体种群,每个染色体表示网络的一种路由方式,其中每个染色体由与目的节点的个数相等的U个基因组成,每个基因表示源节点S到对应目的节点ti的一种路径;
103、构造步骤102中染色体的适应度函数
f=a1*NC(R)+a2*NCL,且a1>a2
式中,f为适应度函数值;NC(R)为满足多播请求速率的多播树的链路代价,NCL为编码链路数目;a1、a2为权重系数;
当适应度函数f根据遗传算法迭代更新的次数大于或者等于设定次数N1时,则输出该最优染色体的路径及适应度函数值f,跳转至步骤106;或当适应度函数f根据遗传算法迭代更新的次数大于N2且适应度函数值f不变时,则输出该最优染色体的路径及适应度函数值f,跳转至步骤106,结束;否则,跳转至步骤104;
104、采用比例选择法对步骤103中的染色体加入到初始染色体种群中,并依次经过交叉步骤、变异步骤求得最优染色体及适应度函数值;
105、对步骤104中求得的最优染色体及适应度函数值代入步骤102建立的染色体种群中,删除掉适应度函数值大于该最优染色体适应度函数值的基因;
106、输出最终的最优染色体及其适应度值,并按照该最优染色体所代表的源节点到目的节点的路径进行路由。
进一步的,步骤104中的比例选择法为轮盘选择或蒙特卡罗选择法。
进一步的,步骤104中的交叉步骤包括:
A1、随机选取2个染色体作为父代染色体;
A2、对染色体中的每一个基因产生一个0到1之间随机数字,用于随机判断2个父代染色体是否进行交叉操作;
A3、当步骤A2中随机产生的数字小于pc时,2个染色体进行染色体交叉操作产生2个子代染色体,判断步骤A2随机产生的数字是否小于pc,若该随机值小于pc,则将2个父代染色体中对应的基因进行交叉互换;否则,2个父代染色体中对应的基因保持不变;其中pc为交叉概率,其中交叉概率pc取值范围为0.6~0.98;
A4、判断步骤A3中产生的子代染色体的适应度函数值是否小于父代染色体的适应度函数值,若是,跳转至步骤A5;
A5、用子代染色体代替父代中适应度函数值较大的父代染色体。
进一步的,步骤104中的变异步骤包括:
B1、选择一个染色体,对染色体中的每一个基因产生一个0到1之间随机数字;
B2、判断步骤B1中每个基因的随机数字是否小于变异概率pm,若是,在该目的节点对应的基因库中随机选择一个整数代替原始基因位上的数字,即选择另一种边分离路径组合方式;否则,该基因位上的数字保持不变。
本发明的优点及有益效果如下:
本发明首先在网络边容量初始化的图中,搜索源节点到每个多播目的节点的所有通路,并在这些通路中寻找满足多播请求速率的所有边分离路径的组合方式,然后以边分离路径组合方式来构造染色体,一种满足多播速率请求的边分离路径组合方式对应一个染色体的一个基因,这样,一个染色体代表一棵光多播树,遗传算法进行选择、交叉、变异操作都基于染色体;为了防止遗传算法的进化毫无目的,因而本专利根据最小代价多播树优化目标设置了相应的适应度函数来控制光多播树的进化方向,使光多播树朝着链路数目总和最少、编码操作次数最少的方向进化;为了防止一些不好的基因被遗传到下一代染色体中,本专利通过将这些劣质基因去除来达到降低所求光多播树的代价的目的。
附图说明
图1一种基于遗传算法的光多播树最小代价路由方法流程图;
图2网络边的初始化;
图3基因库构造方式;
图4染色体交叉操作;
图5染色体变异操作。
具体实施方式
下面结合附图给出一个非限定性的实施例对本发明作进一步的阐述。
本发明提出一种基于遗传算法的光多播树最小代价路由方法。对到达光网络输入节点的光多播请求,首先根据光多播请求速率初始化网络的边,在边初始化后的网络中找到所有满足多播速率请求的边分离路径的组合方式,构造基因库,并构造满足多播请求的多播树染色体,对染色体进行选择、交叉、变异、去除劣质基因的迭代过程寻找最小代价光多播树。其中,去除劣质基因是通过计算基因对应的适应度函数值是否高于本轮迭代中最优染色体的适应度函数值决定该基因是否为劣质基因。
下面结合附图对本发明的技术方案作进一步说明。
一种基于遗传算法的光多播树最小代价路由方法的流程图如图1所示,其具体实施步骤如下:
第1步:读取网络拓扑G(V,E),网络中边容量全部为单位流量的整数倍,将网络中边容量为n(n≥2)的边转化为n条容量为1的边,即单位流量边,完成网络边的初始化过程。
第2步:确定多播目的节点的信息接收速率,构造染色体种群。首先根据网络拓扑和多播请求,确定目的节点的接收速率,假设为k(1≤k≤T,T为最大多播速率);然后,寻找源节点到每个目的节点的所有路径,为每个目的节点确定k条边分离路径组合的方式,假设目的节点i具有mi种组合方式,即该目的节点有mi种基因。本发明中每个染色体由t个基因组成,其中t为目的节点的个数,随机从[1,mi]中选取一个整数作为基因i的取值。
第3步:判断算法是否满足终止条件。这里终止条件为2个,满足其中任意一个就输出最优染色体及适应度函数值:(1)迭代的次数达到预先设定次数N1,预先设定次数是根据网络规模大小确定,如14节点网络可设置迭代200次;(2)最优染色体的适应度值连续N2代都未发生变化,这里N2优选取值20。满足上述其中一个条件,则跳转到第9步。
第4步:染色体选择。染色体选择的作用是从第2步中产生的染色体种群里选取一部分适应度函数值≤N3的染色体加入到初始染色体种群中,这里N3优选取值我们采用比例选择方法选择染色体,比例选择法也被称作轮盘选择或蒙特卡罗选择法。比例选择法的基本思想是让适应度函数值(这里为fj)较小的个体被选中的概率较大,适应度函数值较大的个体被选中的概率较小。设染色体j被选择的概率为pj,其表达式为:
上式中,N为染色体的个数,fi为染色体i的适应度函数值,所有染色体适应度函数值是一个确定值,所以,分子fj越小pj就越大,则染色体j被选中的概率就越大。
第5步:染色体交叉。染色体交叉操作在遗传算法中起到一个基因重组的作用,对生物不断进化起到至关重要的作用,其实质是将父代的基因以某种规则进行互换,产生新的个体,具体操作过程如图4所示。
第6步:染色体变异。染色体变异是防止遗传算法迭代过程中陷入局部最优解,导致无法找到最小代价的多播树,染色体变异过程如图5所示。
第7步:储存最优染色体及适应度函数值,即保存本轮迭代中找到的最小代价光多播树。为了有效的寻找到满足光多播请求速率所需链路数目总和最少,编码操作次数最少的一种信息传输方式,适应度函数的设计就尤为关键,根据本申请的优化目标,我们设计一种适应度函数评价多播树的代价:
f=a1*NC(R)+a2*NCL,且a1>a2
式中,f为适应度函数值;NC(R)为满足多播请求速率R的一棵多播树的链路代价;NCL为编码链路数目;a1、a2为设置的权重系数,且a1大于a2,从而使a1*NC(R)对适应度函数f起到主导性作用。这样,算法首先将会去寻找总代价最小的多播树,然后,在此基础上通过a2*NCL来调节网络中编码节点的个数,最终,寻找到编码链路数目最少的方案。比如,a1取值10,a2取值1。
第8步:去除基因库中的劣质基因。根据第7步中最优染色体的适应度函数值,可以将基因库里基因适应度函数值大于最优染色体适应度函数值的基因删除,这样,可以减小遗传算法搜索空间的大小,加速算法的收敛速度,快速寻找到更优的解。劣质基因删除后,算法跳转到第3步;
第9步:输出最终的最优染色体及其适应度值。
在一种基于遗传算法的光多播树最小代价路由方法中,首先需要将整数边容量的网络G的边初始化,网络边初始化过程如附图2所示。
在附件图2中,在网络图2(a)中,边上的数字代表图边的容量,首先找出网络图G中容量大于等于2的边,边(3,5)是容量为2的边,其它都是容量为1的边;然后将边(3,5)的父节点3和子节点5之间用2条容量为1平等边替代,如网络图2(b)所示。
为了寻找最小代价光多播树,需要构建构成染色体的基因库,即寻找所有边分离路径的组合方式。图3为基因库构造的示例图,图3(a)为一个网络拓扑图,网络中所有边经过初始化后容量都为1,源节点为s,目的节点t1和t2,则网络图3(a)的基因库构造过程如下:
第1步:计算图3(a)中目的节点的最大多播速率为3(源节点s到目的节点t1的最大流为3,源节点s到目的节点t2的最大流为3,所以,最大多播速率为min(3,3)),为了能正确解码出接收信息,则目的节点接收速率需要小于等于3,这里我们设目的节点的接收速率为2;
第2步:确定源节点s到目的节点t1所有可能存在的路径,如图3(b)所示,包括7条路径,并对所有路径数字编号;同样方法,寻找源节点s到目的节点t2所有可能存在的路径,如图3(c)所示,包括7条路径,并对这7条路径数字编号;
第3步:为目的节点t1确定2条边分离路径组合的方式,构造目的节点t1的基因库,如图3(d)所示,包括9种组合方式(代表该目的节点基因的9种取值),组合中的数字代表编号路径;同样方法,为目的节点t2寻找2条边分离路径组合的方式,如图3(e)所示,包括9种组合方式(代表该目的节点基因的9种取值);第4步:由于染色体的基因个数对应目的节点的个数,所以,图3(a)中染色体的基因个数为2。染色体中的第1个基因从图3(d)所示的数字中(这里是1到9)随机选择一个;染色体的第2基因从图3(e)所示的数字中(这里是1到9)随机选择一个。例如染色体(1,8)中,基因1表示目的节点t1选取的路由方式是(1,4)的组合,即:S→A→t1和S→B→D→t1;同理,基因8表示目的节点t2选取的路由方式是(4,5)的组合,即:S→B→E→F→G→t2和S→C→t2,染色体(1,8)就对应的图3(f)所示的路由方式。
通过上述4步,我们可以为网络中满足多播速率请求的业务构造一个染色体。对已经选择好的染色体进行交叉操作实现基因重组,产生新的子代染色体,起到优化染色体的作用,促进多播树代价减小。染色体交叉操作过程如图4所示。染色体交叉具体操作的流程如图4(a)所示,过程为:
第1步:随机选取2个染色体作为父代染色体;
第2步:对染色体中的每一个基因产生一个0到1之间随机数字,用于随机判断2个父代染色体是否进行交叉操作;
第3步:当步骤(2)中随机产生的数字小于pc时,2个染色体进行染色体交叉操作产生2个子代染色体,子代染色体产生规则为:判断步骤(2)随机产生的数字是否小于pc,若该随机值小于pc,则将2个父代染色体中对应的基因进行交叉互换,如图4(b)中从上往下数的第3个基因产生的数字小于pc,因而将2个父代染色体中从上往下数的第3个基因对应的数字交换,同理从上往下数的第7个基因也进行了数字交换;若该随机值不小于pc,2个父代染色体中对应的基因保持不变。pc为交叉概率。交叉概率pc取值要适当,如果交叉概率pc值太大,染色体种群中的优秀个体将会迅速消失;如果交叉概率pc值太小,又会导致搜索速度太慢。因此,一般交叉概率pc取值范围为0.6~0.98,我们在这个过程中取pc=0.8。
第4步:判断步骤(3)中产生的子代染色体的适应度函数值是否小于父代染色体的适应度函数值,若是,跳到第5步;否则,算法结束。
第5步:用子代染色体代替父代中适应度函数值较大的父代染色体。
为了防止染色体在迭代中陷入局部最优,从而无法找到最小代价光多播树,需要对染色体进行变异操作,增加染色体的多样性,使备选的光多播树增加。染色体变异操作流程如图5所示,具体步骤为:
第1步:选择一个染色体,对染色体中的每一个基因产生一个0到1之间随机数字,用于判断该基因是否进行变异。
第2步:判断步骤(1)中每个基因的随机数字是否小于pm(pm为变异概率),若是,在该目的节点对应的基因库中随机选择一个整数代替原始基因位上的数字,即选择另一种边分离路径组合方式;否则,该基因位上的数字保持不变。。研究表明:当pm=0.1时效果比较好,pm为变异概率;因而,我们这里也取pm=0.1。
以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后,技术人员可以对本发明作各种改动或修改,这些等效变化和修饰同样落入本发明基于遗传算法的光多播树最小代价路由方法权利要求所限定的范围。
Claims (4)
1.一种基于遗传算法的光多播树最小代价路由方法,其特征在于,包括以下步骤:
101、获取网络拓扑G(V,E),其中V表示网络拓扑G的节点集,E表示网络中节点之间的连接边,当连接边的容量n≥2时,则将该连接边转化为n条并列且容量为1的边,完成初始化,跳转至步骤102;
102、获取步骤101中经过初始化后网络拓扑G(V,E)的源节点S及目的节点集t,构造源节点S到目的节点集t的多播树,确定源节点S到目的节点集t的最大多播速率T,并设定目的节点的接收速率为k,其中1≤k≤T;获取源节点S到目的节点ti所有存在的N条路径,其中目的节点ti为目的节点集t中的一个元素,计算出该目的节点ti的k条边路径组合的方式,产生基因库,并采用遗传算法构造源节点S到目的节点集t的染色体种群,每个染色体表示网络的一种路由方式,其中每个染色体由与目的节点的个数相等的U个基因组成,每个基因表示源节点S到对应目的节点ti的一种路径;
103、构造步骤102中染色体的适应度函数
f=a1*NC(R)+a2*NCL,且a1>a2
式中,f为适应度函数值;NC(R)为满足多播请求速率的多播树的链路代价,NCL为编码链路数目;a1、a2为权重系数;
当适应度函数f根据遗传算法迭代更新的次数大于或者等于设定次数N1时即对应最优染色体,则输出该最优染色体的路径及适应度函数值f,跳转至步骤106;或当适应度函数f根据遗传算法迭代更新的次数大于N2且适应度函数值f不变时,则输出该最优染色体的路径及适应度函数值f,跳转至步骤106,结束;否则,跳转至步骤104;
104、采用比例选择法对步骤103中的染色体加入到初始染色体种群中,并依次经过交叉步骤、变异步骤求得最优染色体及适应度函数值;
105、对步骤104中求得的最优染色体及适应度函数值代入步骤102建立的染色体种群中,删除掉适应度函数值大于该最优染色体适应度函数值的基因;
106、输出最终的最优染色体及其适应度值,并按照该最优染色体所代表的源节点到目的节点的路径进行路由。
2.根据权利要求1所述的一种基于遗传算法的光多播树最小代价路由方法,其特征在于:步骤104中的比例选择法为轮盘选择或蒙特卡罗选择法。
3.根据权利要求1所述的一种基于遗传算法的光多播树最小代价路由方法,其特征在于,步骤104中的交叉步骤包括:
A1、随机选取2个染色体作为父代染色体;
A2、对染色体中的每一个基因产生一个0到1之间随机数字,用于随机判断2个父代染色体是否进行交叉操作;
A3、当步骤A2中随机产生的数字小于pc时,2个染色体进行染色体交叉产生2个子代染色体,判断步骤A2随机产生的数字是否小于pc,若该随机值小于pc,则将2个父代染色体中对应的基因进行互换;否则,2个父代染色体中对应的基因保持不变;其中pc为交叉概率,其中交叉概率pc取值范围为0.6~0.98;
A4、判断步骤A3中产生的子代染色体的适应度函数值是否小于父代染色体的适应度函数值,若是,跳转至步骤A5;
A5、用子代染色体代替父代中适应度函数值较大的父代染色体。
4.根据权利要求1所述的一种基于遗传算法的光多播树最小代价路由方法,其特征在于,步骤104中的变异步骤包括:
B1、选择一个染色体,对染色体中的每一个基因产生一个0到1之间随机数字;
B2、判断步骤B1中每个基因的随机数字是否小于变异概率pm,若是,在该目的节点对应的基因库中随机选择一个整数代替原始基因位上的数字,即选择另一种边分离路径组合方式;否则,该基因位上的数字保持不变。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310606366.9A CN103685020B (zh) | 2013-11-25 | 2013-11-25 | 一种基于遗传算法的光多播树最小代价路由方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310606366.9A CN103685020B (zh) | 2013-11-25 | 2013-11-25 | 一种基于遗传算法的光多播树最小代价路由方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103685020A CN103685020A (zh) | 2014-03-26 |
CN103685020B true CN103685020B (zh) | 2017-07-28 |
Family
ID=50321380
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310606366.9A Active CN103685020B (zh) | 2013-11-25 | 2013-11-25 | 一种基于遗传算法的光多播树最小代价路由方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103685020B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107294658B (zh) * | 2017-07-03 | 2020-07-07 | 电子科技大学 | 一种网控编码中的编码节点选取方法 |
CN107749819B (zh) * | 2017-09-14 | 2020-07-21 | 北京东土科技股份有限公司 | 一种栅格网络条件下的路由选择方法及装置 |
CN108400940B (zh) * | 2018-02-27 | 2019-11-05 | 西南交通大学 | 一种基于分布估计算法的组播虚拟网络功能部署方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102244840A (zh) * | 2011-06-17 | 2011-11-16 | 中南大学 | 一种认知无线Mesh网络中的组播路由及频谱分配方法 |
CN102880186A (zh) * | 2012-08-03 | 2013-01-16 | 北京理工大学 | 基于稀疏a*算法和遗传算法的航迹规划方法 |
-
2013
- 2013-11-25 CN CN201310606366.9A patent/CN103685020B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102244840A (zh) * | 2011-06-17 | 2011-11-16 | 中南大学 | 一种认知无线Mesh网络中的组播路由及频谱分配方法 |
CN102880186A (zh) * | 2012-08-03 | 2013-01-16 | 北京理工大学 | 基于稀疏a*算法和遗传算法的航迹规划方法 |
Non-Patent Citations (5)
Title |
---|
Multicast Routing Based on Genetic Algorithms;REN-HUNG HWANG.etc;《JOURNAL OF INFORMATION SCIENCE AND ENGINEERING》;20001231;全文 * |
一种最小化编码节点的网络编码优化算法;郝琨;《电子与信息学报》;20110228;全文 * |
支持网络编码的认知无线自组网拓扑控制算法;刘军等;《通信学报》;20130531;正文第2章 * |
无线移动自组织网络QoS路由协议研究;郑四海;《中国博士学位论文电子期刊网》;20121115;全文 * |
遗传算法在QoS多播路由算法中的应用;姜华;《中国优秀硕士论文电子期刊网》;20120430;正文第3-4章 * |
Also Published As
Publication number | Publication date |
---|---|
CN103685020A (zh) | 2014-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101777990B (zh) | 多目标免疫优化组播路由路径选择方法 | |
Chitra et al. | A nondominated sorting genetic algorithm solution for shortest path routing problem in computer networks | |
CN103685020B (zh) | 一种基于遗传算法的光多播树最小代价路由方法 | |
CN103701702A (zh) | 一种电力载波通信中的动态路由算法 | |
CN115460130A (zh) | 一种时间敏感网络中的多路径联合调度方法 | |
CN106656598A (zh) | 电力通信网关键业务备选路由配置方法及*** | |
CN104853399B (zh) | 基于改进的遗传‑粒子群混合算法的协作中继选择方法 | |
CN106535012B (zh) | 基于遗传算法优化组播光森林的能效路由频谱分配方法 | |
CN113285832B (zh) | 基于nsga-ii的电力多模态网络资源优化分配方法 | |
CN105704025B (zh) | 基于混沌搜索和人工免疫算法的路由优化方法 | |
CN105472484A (zh) | 一种电力骨干光传输网波道均衡路由波长分配方法 | |
CN104219154B (zh) | 一种基于蚁群优化算法的网络编码环境下资源优化方法 | |
Chitra et al. | A nondominated sorting genetic algorithm for shortest path routing problem | |
CN115134928B (zh) | 频段路由优化的无线Mesh网络拥塞控制方法 | |
Ibraheem et al. | A multi QoS genetic-based adaptive routing in wireless mesh networks with Pareto solutions | |
Kim et al. | Hierarchical spanning tree network design with Nash genetic algorithm | |
Zhu et al. | Using genetic algorithm to optimize mixed placement of 1R/2R/3R regenerators in translucent lightpaths for energy-efficient design | |
Chen et al. | A degree-delay-constrained genetic algorithm for multicast routing tree | |
CN108200623A (zh) | 一种基于遗传算法的集中式路径计算和节能方法 | |
CN106981874A (zh) | 基于和声算法的配电网重构避免不可行解的编码方法 | |
CN113747535A (zh) | 一种基于遗传算法的能量异构无线传感器路由*** | |
CN104767683B (zh) | 基于改进nsga‑ⅱ的光组播编码‑链路代价折中方法 | |
CN107302497B (zh) | 一种基于遗传算法的电力线载波通信路由自适应优选方法 | |
CN105142198A (zh) | 一种使用微分进化求解无线传感器网络最优路径的方法 | |
Ji et al. | A new model and algorithm for RSA problem in elastic optical networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |