CN110390395A - 一种适用于sdn多控制器部署问题的自适应变异交叉的改进遗传算法 - Google Patents
一种适用于sdn多控制器部署问题的自适应变异交叉的改进遗传算法 Download PDFInfo
- Publication number
- CN110390395A CN110390395A CN201910636571.7A CN201910636571A CN110390395A CN 110390395 A CN110390395 A CN 110390395A CN 201910636571 A CN201910636571 A CN 201910636571A CN 110390395 A CN110390395 A CN 110390395A
- Authority
- CN
- China
- Prior art keywords
- chromosome
- population
- fitness
- controller
- algorithm
- 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.)
- Pending
Links
- 230000035772 mutation Effects 0.000 title claims description 3
- 230000002068 genetic effect Effects 0.000 title abstract description 6
- 210000000349 chromosome Anatomy 0.000 claims abstract description 141
- 238000000034 method Methods 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims abstract description 12
- 108090000623 proteins and genes Proteins 0.000 claims description 27
- 230000006872 improvement Effects 0.000 claims description 7
- 238000004043 dyeing Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 230000002759 chromosomal effect Effects 0.000 claims description 3
- 230000001351 cycling effect Effects 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 229910017435 S2 In Inorganic materials 0.000 claims 1
- 239000007787 solid Substances 0.000 claims 1
- 238000013507 mapping Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 101150000810 BVES gene Proteins 0.000 description 1
- 101150025129 POP1 gene Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/142—Network analysis or design using statistical or mathematical methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Pure & Applied Mathematics (AREA)
- Biomedical Technology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种适用于SDN多控制器部署问题的自适应变异交叉的改进遗传算法，它包括以下步骤：获取网络拓扑G，所需的控制器数量k以及需要优化的性能指标函数f1和f2，随机生成m个染色体，形成一个染色体种群；根据性能指标函数f1和f2评估计算染色体种群的适应度，并计算出染色体种群的平均适应度；根据种群中染色体的适应度进行不同的变异、交叉操作；并设置终止算法，当算法达到终止条件时，终止算法并输出当前解集，即解决方案，本发明可以根据种群的不同适应度采用不同的变异、交叉策略，加速种群进化的过程，该算法能够在短时间内为多控制器部署问题寻找合适的解决方案，有效提升网络的整体性能，优化用户体验。
Description
技术领域
本发明涉及软件定义网络(SDN)技术领域，特别是一种适用于SDN多控制器部署问题的自适应变异交叉的改进遗传算法。
背景技术
从2016年到2021年，全球的IP网络数据流量将增长近三倍，由思科主导的网络流量预测项目表示，整体互联网的网络流量将从每年1000EB上升至每年2.3ZB。
由于预测到未来网络流量大大增加，因此，传统IP网络架构已经不适应未来网络的需求。软件定义网络作为一个新近提出的网络架构，相比于传统网络具备许多优势，更能适应未来网络场景的挑战。
有关SDN发展的研究表明，在大型的广域网中，单个控制器不能满足网络的需求，因此，在2012年，Heller等人提出了广域网中的多控制器部署问题。控制器部署问题通常指的是在软件定义网络中，如何确定控制器的数量，分配控制器的位置及控制器和交换机的映射关系，以优化网络性能。考虑到网络的可靠性、网络数据流在网络中的时延、控制器间的通信时延、控制器间的负载均衡性等性能指标，它是一个NP-Hard问题，在多控制器环境中，控制器的不同部署位置将影响上述性能指标的表现。因此，选择合适的控制器位置，确定控制器与交换机间合适的映射关系，可以有效提升网络的整体性能，优化用户体验。
发明内容
为了解决多控制器部署问题这一NP-Hard问题，同时兼顾解决方案具有良好的性能表现及求解时间，本发明提出一种基于遗传算法的优化算法，该算法对遗传算法做了一定的改进，可以根据种群的不同适应度采用不同的交叉、变异策略，加速种群进化的过程。该算法能够在较短时间内为多控制器部署问题寻找合适的解决方案，并同时对多个目标进行优化。
本发明解决其技术问题所采用的技术方案是：
一种适用于SDN多控制器部署问题的自适应变异交叉的改进遗传算法，包括以下步骤：
步骤S1、获取网络拓扑G，所需的控制器数量k以及需要优化的性能指标函数f1和f2，随机生成m个染色体，形成一个染色体种群，其中，每一个染色体代表一个多控制器部署问题的解决方案(即每一个粒子代表一组控制器的位置)。
步骤S2、根据性能指标函数f1和f2评估计算染色体种群的适应度，并计算出染色体种群的平均适应度。
步骤S3、随机选取染色体种群中的两个染色体，计算出两个染色体的适应度，与步骤S2中的染色体种群的平均适应度比较，对染色体种群中的染色体进行多次不同的变异操作，得到新的染色体种群。
步骤S4、在新的染色体种群中，随机选取两个染色体，计算出两个染色体的适应度，与染色体种群的平均适应度比较，对新的染色体种群中的染色体进行多次不同的交叉操作，得到新的染色体种群。
步骤S5、设置算法终止条件，循环迭代步骤S3-S4，判断是否达到算法终止条件，若是，则终止循环迭代，并输出当前解集，即为多控制器部署问题的解决方案；若否，则将步骤S4中得到的新的染色体种群作为步骤S3的染色体种群，继续循环迭代步骤S3-S4。
进一步地，所述步骤S1中，性能指标函数选择为网络的平均时延f1和控制器间的负载均衡指标f2，染色体种群的产生过程包括以下步骤：
步骤A1、对网络拓扑G中的网络节点进行整数编号，每个编号代表一个节点，并计算各个节点之间的最短路径距离。
步骤A2、随机选择k个数量的编号，作为一个染色体，也表示为一组控制器位置，在这些位置上同时部署控制器及交换机。
步骤A3、依据最短路径原则，为网络中的其他交换机分配控制器，确保每个交换机只与离其最近的控制器连接。
步骤A4、重复步骤A2-A3，得到m个染色体，形成一个染色体种群。
进一步地，所述步骤S2中，适应度表示为在平面坐标系中，性能指标函数f1和f2所形成的坐标点(f1，f2)离原点的距离。
进一步地，所述步骤S3中，染色体变异操作的过程包括：
步骤B1、对适应度高于染色体种群的平均适应度的染色体，取一条基因(即一个节点)进行随机变异，保留其他基因，由此产生新的染色体。
步骤B2、对适应度低于染色体种群的平均适应度的染色体，取一半以上基因进行随机变异，保留其他基因，由此产生新的染色体。
步骤B3、依据帕累托最优原则，选择m个处于帕累托最优的染色体组成新的种群。
进一步地，所述步骤S4中，交叉操作的过程包括：
步骤C1、当两个适应度高于染色体种群的平均适应度的染色体进行交叉时，保留两个染色体上相同的基因，对其他基因进行随机交叉，产生新的染色体。
步骤C2、当两个适应度低于染色体种群的平均适应度的染色体进行交叉时，对两个染色体上的所有基因进行随机交叉，产生新的染色体。
步骤C3、当一个适应度低于染色体种群的平均适应度的染色体与一个适应度高于染色体种群的平均适应度的染色体交叉时，保留适应度较高的染色体的一半以上的基因，对余下的基因进行随机交叉，产生新的染色体。
步骤C4、依据帕累托最优原则，选择m个处于帕累托最优的染色体组成新的种群。
进一步地，所述步骤S5中，算法的终止条件为：
当算法循环迭代次数超过50时，算法终止；
或是当步骤S4中得到的新的染色体种群与步骤S1中形成的染色体种群中的不同染色体的数量不超过(即小于或等于)10％时，算法终止。
本发明的有益效果是：本发明的具备以下优点：
1、采用遗传算法得到的解决方案，接近穷举算法所得到的最优值，并且能够同时对多个目标进行优化；
2、算法运算复杂度低，能够快速得出解决方案，有效降低了求解所需的时间。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本发明的原理框图。
具体实施方式
参照图1，一种适用于SDN多控制器部署问题的自适应变异交叉的改进遗传算法，包括以下步骤：
步骤S1、获取网络拓扑G，所需的控制器数量k以及需要优化的性能指标函数f1和f2，随机生成m个染色体(即为父代)，形成一个染色体种群(即为父代pop1)，其中，每一个染色体代表一个多控制器部署问题的解决方案(即每一个粒子代表一组控制器的位置)。
步骤S2、根据性能指标函数f1和f2评估计算染色体种群的适应度，并计算出染色体种群的平均适应度。
步骤S3、随机选取染色体种群中的两个染色体，计算出两个染色体的适应度，与步骤S2中的染色体种群的平均适应度比较，对染色体种群中的染色体进行多次不同的变异操作，得到新的染色体种群。
步骤S4、在新的染色体种群中，随机选取两个染色体，计算出两个染色体的适应度，与染色体种群的平均适应度比较，对新的染色体种群中的染色体进行多次不同的交叉操作，得到新的染色体种群。
步骤S5、设置算法终止条件，循环迭代步骤S3-S4，判断是否达到算法终止条件，若是，则终止循环迭代，并输出当前解集，即为多控制器部署问题的解决方案；若否，则将步骤S4中得到的新的染色体种群作为步骤S3的染色体种群，继续循环迭代步骤S3-S4。
进一步地，所述步骤S1中，性能指标函数选择为网络的平均时延f1和控制器间的负载均衡指标f2，染色体种群的产生过程包括以下步骤：
步骤A1、对网络拓扑G中的网络节点进行整数编号，每个编号代表一个节点，并计算各个节点之间的最短路径距离。
步骤A2、随机选择k个数量的编号，作为一个染色体，也表示为一组控制器位置，在这些位置上同时部署控制器及交换机。
步骤A3、依据最短路径原则，为网络中的其他交换机分配控制器，确保每个交换机只与离其最近的控制器连接。
步骤A4、重复步骤A2-A3，得到m个染色体，形成一个染色体种群。
本实施例中，网络的平均时延f1和控制器间的负载均衡指标f2均属于现有技术，二者均可通过确定控制器位置、交换机位置、交换机与控制器之间的映射关系以及各个节点之间的最短路径距离来计算得到。
进一步地，所述步骤S2中，适应度表示为在平面坐标系中，性能指标函数f1和f2所形成的坐标点(f1，f2)离原点的距离。
进一步地，所述步骤S3中，染色体变异操作的过程包括：
步骤B1、对适应度高于染色体种群的平均适应度的染色体，取一条基因(即一个节点)进行随机变异，保留其他基因，由此产生新的染色体。
步骤B2、对适应度低于染色体种群的平均适应度的染色体，取一半以上基因进行随机变异，保留其他基因，由此产生新的染色体。
步骤B3、依据帕累托最优原则，选择m个处于帕累托最优的染色体组成新的种群(即对染色体进行排序)。
进一步地，所述步骤S4中，交叉操作的过程包括：
步骤C1、当两个适应度高于染色体种群的平均适应度的染色体进行交叉时，保留两个染色体上相同的基因，对其他基因进行随机交叉，产生新的染色体。
步骤C2、当两个适应度低于染色体种群的平均适应度的染色体进行交叉时，对两个染色体上的所有基因进行随机交叉，产生新的染色体。
步骤C3、当一个适应度低于染色体种群的平均适应度的染色体与一个适应度高于染色体种群的平均适应度的染色体交叉时，保留适应度较高的染色体的一半以上的基因，对余下的基因进行随机交叉，产生新的染色体。
步骤C4、依据帕累托最优原则，选择m个处于帕累托最优的染色体组成新的种群(即对染色体进行排序)。
进一步地，所述步骤S5中，算法的终止条件为：
当算法循环迭代次数超过50时，算法终止；
或是当步骤S4中得到的新的染色体种群与步骤S1中形成的染色体种群中的不同染色体的数量不超过(即小于或等于)10％时，算法终止。
本发明可以根据种群的不同适应度采用不同的变异、交叉策略，加速种群进化的过程，该算法能够在较短时间内为多控制器部署问题寻找合适的解决方案，有效提升网络的整体性能，优化用户体验。
以上的实施方式不能限定本发明创造的保护范围，专业技术领域的人员在不脱离本发明创造整体构思的情况下，所做的均等修饰与变化，均仍属于本发明创造涵盖的范围之内。
Claims (6)
1.一种适用于SDN多控制器部署问题的自适应变异交叉的改进遗传算法，其特征在于，它包括以下步骤：
步骤S1、获取网络拓扑G，所需的控制器数量k以及需要优化的性能指标函数f1和f2，随机生成m个染色体，形成一个染色体种群，其中，每一个染色体代表一个多控制器部署问题的解决方案（即每一个粒子代表一组控制器的位置）；
步骤S2、根据性能指标函数f1和f2评估计算染色体种群的适应度，并计算出染色体种群的平均适应度；
步骤S3、随机选取染色体种群中的两个染色体，计算出两个染色体的适应度，与步骤S2中的染色体种群的平均适应度比较，对染色体种群中的染色体进行多次不同的变异操作，得到新的染色体种群；
步骤S4、在新的染色体种群中，随机选取两个染色体，计算出两个染色体的适应度，与染色体种群的平均适应度比较，对新的染色体种群中的染色体进行多次不同的交叉操作，得到新的染色体种群；
步骤S5、设置算法终止条件，循环迭代步骤S3-S4，判断是否达到算法终止条件，若是，则终止循环迭代，并输出当前解集，即为多控制器部署问题的解决方案；若否，则将步骤S4中得到的新的染色体种群作为步骤S3的染色体种群，继续循环迭代步骤S3-S4。
2.根据权利要求1所述的适用于SDN多控制器部署问题的自适应变异交叉的改进遗传算法，其特征在于所述步骤S1中，性能指标函数选择为网络的平均时延f1和控制器间的负载均衡指标f2，染色体种群的产生过程包括以下步骤：
步骤A1、对网络拓扑G中的网络节点进行整数编号，每个编号代表一个节点，并计算各个节点之间的最短路径距离；
步骤A2、随机选择k个数量的编号，作为一个染色体，也表示为一组控制器位置，在这些位置上同时部署控制器及交换机；
步骤A3、依据最短路径原则，为网络中的其他交换机分配控制器，确保每个交换机只与离其最近的控制器连接；
步骤A4、重复步骤A2-A3，得到m个染色体，形成一个染色体种群。
3.根据权利要求1所述的适用于SDN多控制器部署问题的自适应变异交叉的改进遗传算法，其特征在于所述步骤S2中，适应度表示为在平面坐标系中，性能指标函数f1和f2所形成的坐标点（f1，f2）离原点的距离。
4.根据权利要求1所述的适用于SDN多控制器部署问题的自适应变异交叉的改进遗传算法，其特征在于所述步骤S3中，染色体变异操作的过程包括：
步骤B1、对适应度高于染色体种群的平均适应度的染色体，取一条基因（即一个节点）进行随机变异，保留其他基因，由此产生新的染色体；
步骤B2、对适应度低于染色体种群的平均适应度的染色体，取一半以上基因进行随机变异，保留其他基因，由此产生新的染色体；
步骤B3、依据帕累托最优原则，选择m个处于帕累托最优的染色体组成新的种群。
5.根据权利要求1所述的适用于SDN多控制器部署问题的自适应变异交叉的改进遗传算法，其特征在于所述步骤S4中，交叉操作的过程包括：
步骤C1、当两个适应度高于染色体种群的平均适应度的染色体进行交叉时，保留两个染色体上相同的基因，对其他基因进行随机交叉，产生新的染色体；
步骤C2、当两个适应度低于染色体种群的平均适应度的染色体进行交叉时，对两个染色体上的所有基因进行随机交叉，产生新的染色体；
步骤C3、当一个适应度低于染色体种群的平均适应度的染色体与一个适应度高于染色体种群的平均适应度的染色体交叉时，保留适应度较高的染色体的一半以上的基因，对余下的基因进行随机交叉，产生新的染色体；
步骤C4、依据帕累托最优原则，选择m个处于帕累托最优的染色体组成新的种群。
6.根据权利要求1所述的适用于SDN多控制器部署问题的自适应变异交叉的改进遗传算法，其特征在于所述步骤S5中，算法的终止条件为：
当算法循环迭代次数超过50时，算法终止；
或是当步骤S4中得到的新的染色体种群与步骤S1中形成的染色体种群中的不同染色体的数量不超过（即小于或等于）10%时，算法终止。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910636571.7A CN110390395A (zh) | 2019-07-15 | 2019-07-15 | 一种适用于sdn多控制器部署问题的自适应变异交叉的改进遗传算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910636571.7A CN110390395A (zh) | 2019-07-15 | 2019-07-15 | 一种适用于sdn多控制器部署问题的自适应变异交叉的改进遗传算法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110390395A true CN110390395A (zh) | 2019-10-29 |
Family
ID=68286527
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910636571.7A Pending CN110390395A (zh) | 2019-07-15 | 2019-07-15 | 一种适用于sdn多控制器部署问题的自适应变异交叉的改进遗传算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110390395A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113452540A (zh) * | 2020-03-27 | 2021-09-28 | 中国电信股份有限公司 | Sdn配置方法、装置和计算机可读存储介质 |
| CN113765718A (zh) * | 2021-09-10 | 2021-12-07 | 烽火通信科技股份有限公司 | 一种面向quic协议的测试拓扑构建方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030050902A1 (en) * | 2001-04-06 | 2003-03-13 | Buczak Anna L. | Genetic algorithm optimization method |
| CN104579454A (zh) * | 2015-01-17 | 2015-04-29 | 浙江大学 | 基于软件定义网络的多目标优化的卫星流控制方法 |
| US20160218927A1 (en) * | 2014-06-19 | 2016-07-28 | Telefonaktiebolaget L M Ericsson (Publ) | Automated placement of measurement endpoint nodes in a network |
| CN107967171A (zh) * | 2017-12-01 | 2018-04-27 | 电子科技大学 | 一种云环境下基于遗传算法的多工作流调度方法 |
| CN108900330A (zh) * | 2018-06-25 | 2018-11-27 | 电子科技大学 | 一种适用于大规模软件定义网络的多控制器部署方法 |
-
2019
- 2019-07-15 CN CN201910636571.7A patent/CN110390395A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030050902A1 (en) * | 2001-04-06 | 2003-03-13 | Buczak Anna L. | Genetic algorithm optimization method |
| US20160218927A1 (en) * | 2014-06-19 | 2016-07-28 | Telefonaktiebolaget L M Ericsson (Publ) | Automated placement of measurement endpoint nodes in a network |
| CN104579454A (zh) * | 2015-01-17 | 2015-04-29 | 浙江大学 | 基于软件定义网络的多目标优化的卫星流控制方法 |
| CN107967171A (zh) * | 2017-12-01 | 2018-04-27 | 电子科技大学 | 一种云环境下基于遗传算法的多工作流调度方法 |
| CN108900330A (zh) * | 2018-06-25 | 2018-11-27 | 电子科技大学 | 一种适用于大规模软件定义网络的多控制器部署方法 |
Non-Patent Citations (1)
| Title |
|---|
| 覃匡宇等: "SDN网络中受时延和容量限制的多控制器均衡部署", 《通信学报》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113452540A (zh) * | 2020-03-27 | 2021-09-28 | 中国电信股份有限公司 | Sdn配置方法、装置和计算机可读存储介质 |
| CN113452540B (zh) * | 2020-03-27 | 2022-08-30 | 中国电信股份有限公司 | Sdn配置方法、装置和计算机可读存储介质 |
| CN113765718A (zh) * | 2021-09-10 | 2021-12-07 | 烽火通信科技股份有限公司 | 一种面向quic协议的测试拓扑构建方法及装置 |
| CN113765718B (zh) * | 2021-09-10 | 2023-06-09 | 烽火通信科技股份有限公司 | 一种面向quic协议的测试拓扑构建方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109818865B (zh) | 一种sdn增强路径装箱装置及方法 | |
| Mendoza et al. | NSGA and SPEA applied to multiobjective design of power distribution systems | |
| CN111208796B (zh) | 一种基于聚类小生境遗传算法的车间生产作业排程方法 | |
| CN106484512B (zh) | 计算单元的调度方法 | |
| CN110149226A (zh) | 一种软件定义网络中多控制器部署问题的改进粒子群算法 | |
| CN109872046B (zh) | 混流装配线任务分配与投产排序集成优化方法 | |
| CN101777990A (zh) | 多目标免疫优化组播路由路径选择方法 | |
| CN110390395A (zh) | 一种适用于sdn多控制器部署问题的自适应变异交叉的改进遗传算法 | |
| CN105871724A (zh) | 电力通信网线路优化方法及*** | |
| CN105807609A (zh) | 一种基于多参数的矿井喷淋换热效率计算方法的喷淋*** | |
| CN110417652A (zh) | 一种基于分段路由策略的软件定义网络路由算法及应用 | |
| CN102291308A (zh) | 一种网络动态负载均衡的实现方法与*** | |
| Huang et al. | Effective scheduling function design in SDN through deep reinforcement learning | |
| CN110048411B (zh) | 基于多端口电能路由器的微电网组网方法、装置和设备 | |
| CN105976052A (zh) | 基于改进量子粒子群算法的多区域经济调度方法 | |
| CN106526450B (zh) | 一种多目标NoC测试规划优化方法 | |
| CN105656682B (zh) | 一种sdn控制器选址方法 | |
| CN113542115B (zh) | 基于sdn电力通信网络的数据路径确定方法、装置及*** | |
| CN110571791B (zh) | 一种新能源接入下的输电网规划的优化配置方法 | |
| CN111542078B (zh) | 一种nfv环境下核心网控制面弹性资源分配方法 | |
| CN111401745B (zh) | 一种基于5g的巡检机器人集群任务分配方法及*** | |
| CN107911763A (zh) | 一种基于QoS的智能配用电通信网EPON网络规划方法 | |
| CN113094857A (zh) | 一种节能的软件定义车辆网络的控制器布局方法 | |
| 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 | |
| Nguyen et al. | Joint Node-Link Algorithm for Embedding Virtual Networks with Conciliation Strategy |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191029 |
|
| RJ01 | Rejection of invention patent application after publication |