CN105915310A - 一种基于蚁群算法的wdm光网络rwa综合优化方法 - Google Patents

Abstract

一种基于蚁群算法的波分复用光网络波长分配综合优化方法，所述方法包括如下步骤：I、业务需求的选择；II、波长分配子问题和路由分配子问题的解决；III、信息素的更新；本发明有效提高网络业务承载能力，降低网络业务阻塞率，网络负载均衡性较好，得到的方案质量更高。

Description

一种基于蚁群算法的WDM光网络RWA综合优化方法

技术领域

本发明涉及一种用于光网络路由波长分配(Routing and WavelengthAssignment，RWA)的优化方法，具体讲涉及一种基于蚁群算法的WDM光网络RWA综合优化方法。

背景技术

电力通信WDM光网络技术可以在一根光纤中同时传输多路不同波长的光信号，具有传输容量大、传输距离长、技术适应性强、易于实施和扩展等优点。随着IP业务需求的***式增长，WDM光网络将是新一代电力专网骨干传送网的必然发展趋势。同时，基于WDM技术和波长路由技术的波长路由光网络(WRON)将是实现全光网络最富前景的一种方案。WDM光网络的关键技术包括：全光节点技术、光多路传输技术、波长转换技术、光交换技术及光分插复用技术等。

波分复用(WDM)光网络中信息的传递是以不同的波长作为传输信道的，因此波长资源是网路中最重要的资源。由于光纤中存在的非线性效应以及光纤放大器带宽的有限，将会导致网络中能够使用的波长是有限的。另外，当网络的波长数增加，网络节点处所需器件的规模及成本也会显著提高，同时网络管理难度也大大的增加。因此，如何进行路由与波长分配的问题尤为重要。

电力通信光网络RWA问题即在电力专网光网络中为源宿节点间的连接需求选择合适的路由，并分配合适的波长。通过波长路由的合理分配，能够优化网络资源配置，满足实际业务需求，是近年来WDM光网络技术领域的研究热点之一。RWA问题解决方案依据路由与波长分配的解决顺序，可分为并行方案与串行方案。由于RWA问题本身是NP-C问题，前者一般用整数线性规划(ILP)等方法来求解，当网络规模不太大时，该类型方法通常可以求得最优解。当网络规模很大时，其计算时间负担将极大。因此在工程上，一般将RWA问题分为路由子问题和波长子问题分别进行解决。

在路由分配子问题中，现有方法一般釆用Dijkstra最短路径算法或者其变形算法来寻路。在波长分配子问题中，一般将其转化为辅助图的着色问题来求解。在涉及选择路由(为之分配波长)的顺序问题上，一般有邻居数最大优先、可用波长最大优先、业务量最大优先、最长通路优先、最短通路优先、随机等算法。在涉及选择波长(分配给己选路由)的规则问题上，一般有首次适应、最多使用优先、最少使用优先、随机等方式。另外，釆用组合算法求解的方法也很多，这些方法分为最优化算法和启发式算法两种。其中，最优化算法适用于中小规模网络，而启发式算法可以有效地求解图着色问题，包括遗传算法、模拟退火算法、禁忌搜索算法等。

参见附图1为常用启发式算法基本思想流程图。这种情况下，先后解决路由和波长分配问题，网络需要的波长数为最忙碌的链路上的光通道数，由于这类方法是以最短路径、最小阻塞为主要考虑因素，可能出现多条光通道占用同一链路，导致网络需要的波长数较多，在网络波长资源有限的情况下，阻塞率较高。

为此，迫切需要一种新的WDM光网络RWA综合优化方法，提高网络业务承载能力，降低网络业务阻塞率，使得网络负载均衡性较好，得到的方案质量更高。

发明内容

为了解决现有技术中所存在的上述不足，本发明提供一种基于蚁群算法的WDM光网络RWA综合优化方法。

本发明提供的技术方案是：一种基于蚁群算法的WDM光网络RWA综合优化方法：所述方法包括如下步骤：

I、业务需求的选择；

II、波长分配子问题和路由分配子问题的解决；

III、信息素的更新。

优选的，所述步骤I业务需求的选择包括：给业务需求赋予信息素，依据其信息素和启发式信息的分布选择业务需求。

优选的，所述业务需求的选择根据蚁群觅食行为的正反馈机制得到；

所述正反馈机制包括：用蚂蚁随机搜索方案空间，当能够响应某一需求的蚂蚁越多，则该需求的信息素浓度越高，信息素浓度高的需求将吸引更多的蚂蚁优先响应，，经过多次迭代得到最佳解决方案。

优选的，所述启发式信息包括：根据待响应业务需求集合中的需求的最短路径长度，确定启发式信息。

优选的，采用并行方案解决所述步骤II波长分配子问题和路由分配子问题。

优选的，所述波长的分配原则包括：选择波长，结合路由分配子问题中路由的确定方法为其所能满足的所有业务需求分配最短光通道。

优选的，所述路由的确定方法包括采用禁忌搜索最短路径思想；

所述禁忌搜索最短路径思想包括：从源节点s开始，根据链路上分布的信息素及启发式信息，在动态候选点集中迭代地选择到目的节点路径最短的节点作为下一跳，直至到达目的节点。

优选的，所述步骤III信息素的更新包括如下步骤：

(1)、更新信息素的参考方案；

(2)、根据留下的信息素量，指引之后的迭代寻找到最佳方案；

(3)、使全局信息素以固定速率ρ蒸发；

(4)、设置最佳方案中的业务需求和网络链路信息素浓度；

(5)、按照MAX-MIN***的要求将全局信息素浓度限制在设定的最小值和最大值之间。

优选的，所述步骤(1)包括：寻找到最佳迭代方案和准最佳方案，以概率分别为p和1-p随机选取最佳迭代方案或准最佳方案作为后续更新信息素的参考方案。

优选的，所述步骤(3)使全局信息素以固定速率ρ蒸发，使不属于解决方案的需求和链路的信息素随着时间而减少。

与现有技术相比，本发明具有以下有益效果：

1、本发明优先选择路由较短或准最佳方案涵盖的业务需求，一方面有效避免优先为较长路由分配波长而可能更容易导致阻塞的现象，另一方面有助于准最佳方案的收敛；

2、本发明采用的波长分配原则为：从波长集合中依次选择波长，在某一特定波长下，借助禁忌搜索最短路径思想为其所能满足的所有业务需求分配最短光通道。在该方法中，避免了先确定路由，再向路由通道分配可用波长时的复杂性，有效提高网络业务承载能力，降低网络业务阻塞率；

3、本发明将波长分配与路由分配子问题并行解决，在该方法中，结果方案质量更高，网络负载均衡性较好；

4、本发明根据MMAS机制要求将网络链路与业务需求的信息素量限制在一定范围，可有效防止网络中部分信息素太强而淹没启发式信息或陷入局部最优的情况，利于探索方案空间。

附图说明

图1现有技术中的启发式算法的基本思想流程图；

图2本发明的综合优化方法流程图。

图3 G网络拓扑结构示意图；

图4本发明的蚁群算法与经典启发式算法方案满足需求数随网络波长数变化的示意图；

图5本发明的蚁群算法与经典启发式算法方案网络阻塞率随网络总需求数变化的示意图；

其中，A-蚁群算法方案满足需求数、B-经典启发式算法方案满足需求数、C-蚁群算法方案网络阻塞率、D-经典启发式算法方案网络阻塞率。

具体实施方式

为了更好地理解本发明，下面结合说明书附图和实例对本发明的内容做进一步的说明。

本发明提出了一种基于蚁群算法的WDM光网络RWA优化方法，基于蚁群算法的启发式算法框架，其基本思想源于蚁群觅食行为的正反馈机制：派出多只蚂蚁对方案空间进行随机搜索，蚂蚁根据其它蚂蚁留下的信息素及启发式信息并行解决波长分配子问题与路由分配子问题。当选择某条路径的蚂蚁越多，则在该路径上留下的信息素浓度越高，强度大的信息素浓度将吸引更多的蚂蚁，经过多次迭代后将趋向于找到接近最佳解决方案，即满足需求数最多的解决方案，具体步骤如下所示：

(1)建立蚂蚁方案时，为需求集合Q在网络G上确定解决方案，使一个波长能够满足尽量多的需求，即当已分配波长不能再满足新的业务需求时，再启用新波长。当所有波长都被分配过之后，完成解决方案并返回。其中：

①当启用新波长时，为计算方便，将网络G′置为网络G。一旦确定某需求的路由，该路由上的所有链路都不能再重复使用这一波长，因此需将路由上的所有链路从G′中除去。

②当启用新波长时，设置Q′初值为Q，其中Q表示待响应的需求集合，Q′表示网络G′能满足的需求集合。这是因为对于新波长，网络上所有链路都是可用的且是联通的，理论上能满足任何业务需求。

③采用BFS算法计算每个需求的最短路径，并将不能响应的需求从可响应集合Q′中移除。对于可响应的需求，设置启发式信息与最短路径长度成反比。

④依据需求的信息素与启发式信息从Q′中选择业务需求进行自适应路由，在此过程中更倾向于选择其它蚂蚁选过的或路由较短的需求。

⑤当Q′为空，即利用这一波长的剩余链路网络G′均不能再满足任一连接需求，然后开始使用下一个波长。

(2)自适应路由，当波长确定时，为业务需求寻路。

①确定路由时，采用禁忌搜索最短路径思想，从源节点s开始，在动态候选点集N′中迭代地选择下一跳，直至到达目的节点d。

②对于某节点u的下一跳，其候选点集N′包括u的所有相邻节点，且这些节点不回到u能到达目的节点d。

③对于N′中的任一点v，利用BFS算法计算其到目的节点d的最短路径长度，计算启发式信息与最短路径长度成反相关。此处，当候选点就是目的节点d本身时，其长度为0，由于长度作分母，将长度+1。

④依据链路上的启发式信息和信息素，从候选节点集中选取靠近目的节点或频繁访问的边缘节点作为下一跳。

⑤当选定下一跳的节点后，将跳到该节点的链路从自由连接图表G中移除。

(3)更新信息素。

①在每次循环寻找到最佳迭代方案A^ib和准最佳方案A^bs后，以概率分别为p和1-p随机选取A^ib或A^bs作为后续更新信息素的参考，其中p是常量参数。p越高，选择A^ib的几率越大，因而更有利于探索方案空间。p越小，选择A^bs的几率越大，更利于探索最佳方案。

②方案选择完成后，令方案维度(能解决的需求数)为Δτ，即留下的信息素量。可以直观地看到，方案越好，Δτ越大，越能指引之后的迭代寻找到与其本身类似的方案。

③使全局信息素以固定速率ρ蒸发，从而保证不属于解决方案的需求和链路的信息素随着时间而减少。信息素的蒸发是整个启发式算法的关键，保证了能够随机得到的方案(可能是坏方案)不会对之后的迭代造成强烈的持续影响。

④信息素蒸发之后，为该方案中的业务需求和网络链路设置信息素浓度。最后，按照MAX-MIN***的要求将全局信息素浓度限制在[τ_min,τ_max]。

此外，理论上若MMAS***参数设置合理，在时间不限的情况下，最终将找到最佳方案。实际上找到最佳方案负担过长，一般不予采用。因此，应使启发式算法找到一定质量方案时终止。由于对最佳方案质量的精确评估并不明确，运行程序直到N_iter次循环后方案质量不再提高，即“阻塞”。引起阻塞的原因可能有两种：已经找到非常好的方案，不太可能再找到更好的；或方案空间中的某些局部的信息素太强，而不能对其他空间区域进行探索。为了避免第二种情况，当发生阻塞时，对蚁群进行重新初始化，重新开始启发式算法。

结合说明书附图图2所示，已知网络G的波长资源表示为波长集合Λ，需求集合为Q。所提出的基于蚁群算法的WDM光网络RWA优化方法，主要包括以下步骤：

步骤1：参数初始化，设置整个方案空间初值，包括业务需求和网络链路的信息素初值τ、启发式信息初值η、ACO参数提取与控制，其中ACO参数如表1所示：

表1

步骤2：顺序派出蚂蚁独立搜索方案空间。

步骤3：从波长集合Λ中选择可用波长λ_j，令G′←G；Q′←Q。

步骤4：计算未响应业务需求集合Q′中每个请求的最短路径长度l，求得业务需求的启发信息

步骤5：以概率从Q′中选择q＝(s,d)。

步骤6：判断q是否可达，若q不可达，则将q从Q′中移除，判断Q′是否为空，若不为空则返回步骤5。

步骤7：若q可达，对于当前节点u的候选点集N′中的任一节点V，利用BFS算法计算(v,d)的最短路径长度l，得到(u,v)启发式信息依据转移概率为选择下一跳。

步骤8：从源节点s开始选择下一跳，即设当前节点u为s。

步骤9：判断是否到达目的节点d，若没有到达d，返回步骤7。

步骤10：若到达d，则得到q＝(s,d)的结果(r,λ_j)。

步骤11：更新Q和Q′，移除q。更新可用链路集合G′，去除r包含的链路。判断Q′是否为空，即是否还有可响应的业务需求，若不为空，则返回步骤5。

步骤12：若Q′为空，则判断波长集合Λ是否还有可用波长。若有，则返回步骤3。

步骤13：若波长集合Λ中的波长均已分配，则所有(r_k，λ_j)构成第i只蚂蚁的解决方案A_i。

步骤14：判断是否所有蚂蚁都已建立解决方案，若不是，则转到步骤2。

步骤15：若所有蚂蚁都已建立解决方案，则根据方案所能满足的业务需求数越多，其质量越好，从众蚂蚁方案中选出本次迭代的最佳方案A^ib，并更新准最佳方案A^bs。

步骤16：根据A^bs更新全局信息素，其中网络中需求与链路上的信息素τ以式τ′＝(1-ρ)τ更新，然后对于最佳方案A^bs所涵盖需求信息素τ_q与链路信息素τ_e分别以式τ′_q＝τ_q+Δτ和τ′_e＝τ_e+Δτ更新。其中，τ′、τ′_q、τ′_e均为更新后的信息素浓度，Δτ为最佳方案A^bs所能够响应的需求数。

步骤17：判断是否满足结束条件。若不满足，则转到步骤1。若满足，则结束。

具体实施例一：

以G网络为例，该网络共有16个节点，25条链路，其拓扑结构为随机生成，如图3所示。仿真时，需求空间将由程序随机生成，其中相同节点对可能产生多个连接请求，这种情况可映射为现实网络中带宽需求较大的业务。以经典启发式算法最短路径-最多使用(SPMU)为参考，将本发明提出的基于ACO的WDM网络RWA综合优化方法结果与之相比较，其中，ACO的参数如表1所示。

网络业务阻塞率参考下式进行计算：

拥塞率＝(总业务-方案满足的业务)/总业务*100％

(1)设置需求空间大小与网络波长数成正比，考虑网络可响应的业务需求数与网络波长数的关系，其运算结果如表2所示：

表2

如图4所示，由仿真分析可得：两种方法所得方案空间大小(即所能满足需求数)与网络波长资源成正相关，且几乎成线性关系。而由本发明提出的ACO方法得到的方案随着网络波长数的增加，方案满足需求数增长速度大于经典启发式算法，网络业务拥塞率平均降低约20％。

(2)设置网络波长数一定(为40)，令需求空间大小分别为1500、2000、2500、3000、3500、4000，考虑两种方法所得方案空间的性能，运算结果如表3所示：

网络业务总数	1500	2000	2500	3000	3500	4000
							ACO方案	1500	1965	2226	2357	2452	2598
SPMU方案	1459	1505	1523	1528	1529	1525
							ACO阻塞率	0	1.175％	10.96％	21.43％	29.94％	35.05％
SPMU阻塞率	2.73％	24.75％	39.08％	49.07％	56.31％	61.88％

表3

如图5所示，由仿真分析可得，随着网络需求数增加，所得方案空间也随之变大，且变化速度越来越慢，网络状态趋于饱和。在这种情况下，比较两种方法方案的阻塞率可知，通过本发明提出的ACO方案仍能得到性能较优的方案。

综上实例验证，对于随机产生的网络G，通过考察两种方法所得方案的网络业务阻塞率，本发明提出的基于蚁群算法的波分复用光网络波长分配综合优化方法所得方案能够支撑更多的业务需求，更能充分的利用网络波长资源，其性能更优。

以上仅为本发明的实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均包含在申请待批的本发明的权利要求范围之内。

Claims (10)

1.一种基于蚁群算法的波分复用光网络波长分配综合优化方法，其特征在于，所述方法包括如下步骤：

I、业务需求的选择；

II、波长分配子问题和路由分配子问题的解决；

III、信息素的更新。

2.如权利要求1所述的综合优化方法，其特征在于，所述步骤I业务需求的选择包括：给业务需求赋予信息素，依据其信息素和启发式信息的分布选择业务需求。

3.如权利要求2所述的综合优化方法，其特征在于，所述业务需求的选择根据蚁群觅食行为的正反馈机制得到；

所述正反馈机制包括：用蚂蚁随机搜索方案空间，当能够响应某一需求的蚂蚁越多，则该需求的信息素浓度越高，信息素浓度高的需求将吸引更多的蚂蚁优先响应，经过多次迭代得到最佳解决方案。

4.如权利要求2所述的综合优化方法，其特征在于，所述启发式信息包括：根据待响应业务需求集合中的需求的最短路径长度，确定启发式信息。

5.如权利要求1所述的综合优化方法，其特征在于，采用并行方案解决所述步骤II波长分配子问题和路由分配子问题。

6.如权利要求5所述的综合优化方法，其特征在于，所述波长的分配原则包括：选择波长，结合路由分配子问题中路由的确定方法为其所能满足的所有业务需求分配最短光通道。

7.如权利要求6所述的综合优化方法，其特征在于，所述路由的确定方法包括采用禁忌搜索最短路径思想；

所述禁忌搜索最短路径思想包括：从源节点s开始，根据链路上分布的信息素及启发式信息，在动态候选点集中迭代地选择到达目的节点路径较短的节点作为下一跳，直至到达目的节点。

8.如权利要求1所述的综合优化方法，其特征在于，所述步骤III信息素的更新包括如下步骤：

(1)、更新信息素的参考方案；

(2)、根据留下的信息素量，指引之后的迭代寻找到最佳方案；

(3)、使全局信息素以固定速率ρ蒸发；

(4)、设置最佳方案中的业务需求和网络链路信息素浓度；

(5)、按照MAX-MIN***的要求将全局信息素浓度限制在设定的最小值和最大值之间。

9.如权利要求8所述的综合优化方法，其特征在于，所述步骤(1)包括：寻找到最佳迭代方案和准最佳方案，以概率分别为p和1-p随机选取最佳迭代方案或准最佳方案作为后续更新信息素的参考方案。

10.如权利要求8所述的综合优化方法，其特征在于，所述步骤(3)使全局信息素以固定速率ρ蒸发，使不属于解决方案的需求和链路的信息素随着时间而减少。