CN115225139B - 一种卫星网络sdn多控制域的规划方法 - Google Patents
一种卫星网络sdn多控制域的规划方法 Download PDFInfo
- Publication number
- CN115225139B CN115225139B CN202210832203.1A CN202210832203A CN115225139B CN 115225139 B CN115225139 B CN 115225139B CN 202210832203 A CN202210832203 A CN 202210832203A CN 115225139 B CN115225139 B CN 115225139B
- Authority
- CN
- China
- Prior art keywords
- satellite network
- satellite
- planning
- individual
- sdn
- 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
- 238000013439 planning Methods 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000005457 optimization Methods 0.000 claims abstract description 13
- 238000010521 absorption reaction Methods 0.000 claims abstract description 12
- 230000007246 mechanism Effects 0.000 claims abstract description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 229910052741 iridium Inorganic materials 0.000 claims description 6
- GKOZUEZYRPOHIO-UHFFFAOYSA-N iridium atom Chemical compound [Ir] GKOZUEZYRPOHIO-UHFFFAOYSA-N 0.000 claims description 6
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 2
- 238000010845 search algorithm Methods 0.000 abstract description 16
- 230000006872 improvement Effects 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 13
- 230000009471 action Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 6
- 239000002245 particle Substances 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000004774 atomic orbital Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 108091026890 Coding region Proteins 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000005426 magnetic field effect Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/14—Relay systems
- H04B7/15—Active relay systems
- H04B7/185—Space-based or airborne stations; Stations for satellite systems
- H04B7/1851—Systems using a satellite or space-based relay
- H04B7/18519—Operations control, administration or maintenance
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Astronomy & Astrophysics (AREA)
- Aviation & Aerospace Engineering (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Radio Relay Systems (AREA)
Abstract
本发明涉及一种卫星网络SDN多控制域的规划方法,包括如下的步骤:S1:对LEO卫星网络中的卫星控制器节点和交换机节点进行编码,在约束关系下随机初始化多控制域规划方案;S2:进行个体适应度值计算;S3:确定各个层级的结合能和结合态;S4:在光子的发射、吸收部分的更新策略中引入自适应权重和反向学习机制,更新电子状态;S5:循环步骤S3至S4进行迭代寻优,直至达到最大迭代次数,输出最佳结合能和结合态;S6:解码,形成最优的卫星网络SDN多控制域的规划策略。本发明使用原子轨道搜索算法并进行优化改进,引入自适应权重和反向学习机制更新电子状态以适用于卫星网络多控制域的规划问题,以提升网络时延性能并实现网络均衡负载。
Description
技术领域
本发明属于卫星网络技术,具体是一种基于改进原子轨道搜索算法的卫星网络SDN多控制域的规划方法。该方法需在基于SDN的卫星网络架构,构建了卫星网络的时延和网络负载均衡模型,通过改进的原子轨道搜索算法优化多控制域的规划的效果,进一步降低网络时延和提高控制器的负载均衡效果。
背景技术
软件定义网络(Software Define Network,SDN)解耦了控制平面和数据平面,能够以全局视角分配网络资源,并制定有效的资源分配策略,同时具有灵活集中控制的优势特征。SDN抽象了网络的不同、可区分的层,使网络变得敏捷和灵活。SDN由应用平面、数据平面和控制平面共同组成。应用平面由各种网络应用组成;数据平面由网络中的物理交换机组成;控制平面作为SDN的核心,管理整个网络的策略和流量。这SDN的三个平面主要通过API接口实现通信,北向接口建立了应用平面和控制平面的通信,控制平面和数据平面的通信与交互主要由南向接口得以实现。SDN的出现,改变了传统网络分布式管理的思路,可通过控制平面的控制器来管理底层硬件设备,编排网络业务,同时降低了运维成本,提升了运维效率。
随着卫星互联网技术的迅猛发展和卫星网络用户的快速增长,传统卫星网络存在的网络配置不灵活、多种协议并存、不同网络异构等弊端逐渐显现。借鉴SDN在地面网络的成熟经验,考虑将SDN引入卫星网络,使得数据平面的卫星仅需完成简单的数据转发和硬件配置,控制平面的卫星完成流表的下发和资源配置等功能,简化了卫星网络配置,降低了网络成本。
原子轨道搜索算法(Atomic orbital search,AOS)是于2021年提出的一种新型智能优化算法,该算法主要是基于量子原子理论而提出的,该算法借鉴了电子密度构型、原子对能量的吸收及发射的基本原理进行迭代寻优,具有寻优能力强,收敛速度较快的优势。原子轨道搜索算法中的一个电子代表一个个体种群,电子的能量状态对应个体种群的目标函数值,通过光子速率来代表光子对电子作用的概率,若随机概率大于光子速率则说明光子对电子存在一定的作用,否则认为光子对电子不存在作用,可能为粒子或磁场作用等。光子对电子的作用又可基于各层的结合能进行判断,当该电子的能量状态大于所有电子能量状态的平均值时,体现了光子的发射作用,否则为光子的吸收作用。
即使采用了原子轨道搜索算法,现有的卫星网络SDN多控制域的规划问题仍然体现在卫星网络时延长,负载不够均衡。
基于此,特提出本发明。
发明内容
本发明的目的在于解决卫星网络时延和负载均衡因素共同影响下的卫星网络多控制域的规划问题,提出一种基于改进原子轨道搜索算法的卫星网络SDN多控制域的规划方法。本发明使用原子轨道搜索算法并进行优化改进,引入自适应权重和反向学习机制更新电子状态以适用于卫星网络多控制域的规划问题,根据多控制域的规划方法匹配控制器与交换机的关系,以提升网络时延性能并实现网络均衡负载。
本发明提供的一种卫星网络SDN多控制域的规划方法,采用基于SDN的卫星网络架构,基于改进原子轨道算法对卫星网络时延和负载均衡模型进行求解,根据输出具有最低能量状态的电子,解码成卫星网络多控制域的规划方法,其包括如下的步骤:
S1:对LEO卫星网络中的卫星控制器节点和交换机节点进行编码,在约束关系下随机初始化多控制域规划方案;
S2:进行个体适应度值计算;
S3:确定各个层级的结合能和结合态;
S4:在光子的发射、吸收部分的更新策略中引入自适应权重和反向学习机制,更新电子状态;
S5:循环步骤S3至S4进行迭代寻优,直至达到最大迭代次数,输出最佳结合能和结合态;
S6:解码,形成最优的卫星网络SDN多控制域的规划策略。
进一步的,所述卫星网络SDN的控制平面采用分布式部署方式,主控制器部署在地面站,在GEO卫星部署区域控制器,并选择部分LEO卫星部署从控制器,采用LEO卫星铱星网络拓扑结构,并将所有的LEO卫星均视为交换机节点。
进一步的,所述卫星网络时延包括星间传播时延、控制域内的排队时延和控制器节点的任务处理时延。
进一步的,所述负载均衡情况通过负载均衡参数BL得以表示,负载均衡参数用于评价LEO卫星控制器节点负载的差异程度,其由公式(10)表示:
式中,fi表示控制器ci其控制域内的流量请求情况,fp表示控制器cp其控制域内的流量请求情况。
进一步的,所述S3中,将各层中的电子编码序列的平均值记为结合态,结合能为各个个体适应度值的平均值。
进一步的,所述S4中,自适应权重采用式(12)表示
其中,mgen为最大迭代次数,gen为当前迭代次数。
进一步的,所述S4中,光子的发射作用采用式(13)表示
光子的吸收作用采用式(14)表示
其中,与分别为第k层第i个电子的当前个体和更新的个体,αi、γi为(0,1)之间的随机数向量,LE为原子中最低能量状态的个体,BS为原子的结合态;LEk为第k层中最低能量状态的个体,BSk为第k层中的结合态,w为自适应权重。
进一步的,所述S4中的反向学习机制包括:
1)针对整体最优个体,对LE进行反向学习,如式(15)所示
2)针对各层最优个体,对LEk进行反向学习,如式(16)所示
3)通过比较与的适应度值,保留适应度值较小的个体作为(代表第k层第i个电子更新后变成的第k层第(i+1)个电子的个体);对于整体最优个体和各层最优个体进行反向学习,通过比较得到第(i+1)个电子的个体但可能会破坏了个体的约束条件,当出现这种情况时,要对更新后破坏了约束条件的个体进行约束修复(约束修复是指随机生成一组新的满足约束条件的多控制域规划方法),使其适用于卫星网络多控制域的规划。
本发明的优点:该卫星网络SDN控制域规划方法主要综合LEO卫星具有低时延、信号质量优等优势特征,着重研究LEO卫星控制域的规划方法,采用经典的LEO卫星铱星网络拓扑结构,并将所有的LEO卫星均视为交换机节点,以优化卫星网络时延和网络负载均衡为目标构建模型,使用改进的原子轨道搜索算法,求得最优的控制域规划方法,根据规划方法匹配控制器与交换机的关系,以提升网络时延性能并实现网络均衡负载。
附图说明
图1是本发明一种卫星网络SDN多控制域的规划方法的流程图。
图2是本发明所采用的基于SDN的卫星网络架构示意图。
图3是本发明所采用的电子编码系列示意图。
图4是本发明所采用的自适应权重w的变化示意图。
图5是三种算法的运行结果对比图。
图6是不同数量的控制域的目标函数值分析图。
图7是不同数量的控制域的网络负载均衡参数分析图。
图8是不同数量的控制域的网络时延分析图。
具体实施方式
以下结合附图1-8,对本发明一种卫星网络SDN多控制域的规划方法做进一步地说明。显然,所描述的实施例仅是本发明的一部分实施例,而不是所有实施例的穷举。需要说明的是,在不冲突的情况下,本方案中的实施例及实施例中的特征可以相互组合。
如图1所示,为本发明提供的一种卫星网络SDN多控制域的规划方法的流程示意图,本发明采用基于SDN的卫星网络架构,基于改进原子轨道算法对卫星网络时延和负载均衡模型进行求解,根据输出具有最低能量状态的电子,解码成卫星网络多控制域的规划方法,其包括如下的步骤:
S1:对LEO卫星网络中的卫星控制器节点和交换机节点进行编码,在约束关系下随机初始化多控制域规划方案;
S2:进行个体适应度值计算;
S3:确定各个层级的结合能和结合态;
S4:对光子的发射、吸收部分的更新策略进行改进,引入自适应权重和反向学习机制,更新电子状态;
S5:循环步骤S3至S4进行迭代寻优,直至达到最大迭代次数,输出最佳结合能和结合态;
S6:解码,形成最优的卫星网络SDN多控制域的规划策略。
具体实施例1
一、基于SDN的卫星网络架构
如图2所示,为本发明所采用的基于SDN的卫星网络架构示意图。基于SDN的卫星网络的控制平面采用分布式部署方式,主控制器部署在地面站,在GEO卫星部署区域控制器,并选择部分LEO卫星部署从控制器。综合LEO卫星具有低时延、信号质量优等优势特征,本发明一个实施例以LEO卫星控制域的规划方法为例,采用经典的LEO卫星铱星网络拓扑结构,并将所有的LEO卫星均视为交换机节点。
二、SDN控制域规划方法模型分析
本实施例对LEO卫星控制域的规划方法进行分析,针对卫星网络时延和网络负载均衡情况构建问题模型,为LEO卫星控制域的规划提供依据。
(1)约束描述
为形成有效的卫星控制域规划方案,需结合LEO卫星网络现状和SDN原理,综合分析控制域规划问题存在的约束关系,约束关系描述如下
①控制域管理约束。各个控制域由各控制器所管理且各控制域互不重叠。
式中,控制器集合C=[c1,c2...ci...cm],控制域集合D=[D1,D2...Di...Dm],Da表示控制器ca的控制域,Db表示控制器ca的控制域,每个控制域对应相应的一个控制器,每个控制域内可拥有多个交换机。
②控制域与交换机的管控约束。Xij表示控制域与交换机的关联关系,Xij可取值为“0”或“1”,若交换机sj在ci控制域内则用“1”表示,sj不在ci控制域内用“0”表示。任意交换机仅能归属于单一控制域的管控。S=[s1,s2,...sj...sn]为交换机节点的集合。
此外,每个控制器可支配多个交换机。
③控制器处理能力约束。任意控制域内的总负载不能超过当前控制器的处理能力。μj为交换机sj的数据流请求速率,λi为控制器ci的处理能力。
(2)模型构建
1)卫星网络时延主要由星间传播时延、控制域内的排队时延和控制器节点的任务处理时延组成。
①星间传播时延。由于卫星网络规模庞大、拓扑结构复杂,由星间链路距离而产生的传播时延不容忽视,主要由控制域Di内的LEO卫星交换机节点与控制器ci的传播时延Tci和卫星网络中LEO卫星控制器节点间的传播时延Tcc组成:
式中,dij表示节点i与节点j的最短链路距离,同理dir表示节点i与节点r的最短链路距离。
②控制域内排队时延。可通过Little原理求得LEO卫星控制域内排队时延Qi:
③任务处理时延。卫星控制器节点ci的为控制器处理其控制域内数据流所产生的时间,任务处理时延Wi表示为
综上,卫星网络的平均总时延表示为T:
2)对于当前网络的负载均衡情况可通过负载均衡参数BL得以表示,负载均衡参数可评价LEO卫星控制器节点负载的差异程度:
式中,fi表示控制器ci其控制域内的流量请求情况,fp表示控制器cp其控制域内的流量请求情况。
本实施例建立的以优化卫星网络时延和网络负载均衡的LEO卫星网络多控制器部署问题模型如下:
min F=α*BL+β*T (11)
式中,α+β=1,0≤α,β≤1。
三、基于改进原子轨道搜索算法的卫星网络SDN控制域规划方法的实施步骤
基于原子轨道搜索算法的卫星网络SDN多控制域的规划方法的整体流程如图1所示。
基于改进原子轨道算法对卫星网络时延和负载均衡模型进行求解,根据输出具有最低能量状态的电子,解码成卫星网络多控制域的规划方法。
1)对LEO卫星网络中的卫星控制器节点和交换机节点进行编码,在约束关系下随机初始化多控制域规划方案。
根据铱星网络拓扑可知,铱星星座中LEO卫星共有66颗,因此将这66颗LEO均视为卫星交换机节点,卫星交换机节点集合可表示为S=[s1,s2...sj...s66],卫星控制器节点集合C=[c1,c2...ci...cm],卫星控制器域集合D=[D1,D2...Di...Dm],卫星控制器节点数量为m。为将66个交换机分配给m个控制器节点,即为将66个交换机规划至m个控制域,通过设置一个长度为66、数组元素大小为1~m的数组得以实现,并基于本实施例的约束关系,进行约束限制后形成一个有效数组,即为一个电子的编码序列,一个电子代表一个可行解,如图3所示一个电子的编码序列X=[m,3,3,2,4,1…5,4,m]。随后根据种群数量npop,产生npop个电子编码序列。
图3中,“X[1]=m”说明了将第一个交换机分至控制域Dm中,“X[2]=3”说明了将第二个交换机分至控制域D3中,依次进行控制域规划。
2)个体适应度值计算
由于每个电子都有一个能量状态,对应一个个体的适应度值,因此计算种群的个体适应度值。
3)确定各个层级的结合能和结合态
将各层中的电子编码序列的平均值记为结合态,结合能为各个个体适应度值的平均值。
4)更新电子状态
光子、粒子或磁场对电子的作用,都会改变电子个体及其能量状态。由于原始算法中是基于光子速率来判断光子是否对电子产生作用,若产生的随机数大于光子速率则考虑是光子作用的影响。光子对电子可进行吸收和发射,判断这两个的作用又是基于该层级的结合能作为依据。当大于该层级的结合能时,则为发射作用,否则为吸收作用。为适应本发明的多控制域规划方法,对光子的发射、吸收部分的更新策略进行改进。
①光子作用
式(12)表示w为自适应权重,式中mgen为最大迭代次数,gen为当前迭代次数,w由1随着迭代次数的增加降到0,在迭代前期w变化幅度较小,迭代后期变化幅度加大,变化如图4所示。
式(13)(14)中,与分别为第k层第i个电子的当前个体和更新的个体,αi、γi为(0,1)之间的随机数向量,w为自适应权重。式(13)表示为光子的发射作用,其中LE为原子中最低能量状态的个体,BS为原子的结合态。式(14)表示为光子的吸收作用,其中LEk为第k层中最低能量状态的个体,BSk为第k层中的结合态。考虑到原子轨道算法在后期的局部搜索中易出现早熟现象,且电子个体的更新主要在原始个体上围绕整体最优个体或是各层最优个体进行随机探索,因此考虑在最低能量状态个体上加自适应权重,以提升算法收敛速度和精度。本实施例将自适应权重主要应用在光子对电子作用阶段如式(13)和(14)所示,迭代前期w变化幅度较小,电子个体主要围绕最优个体或是各层最优个体进行变化,迭代后期w变化幅度加大,避免陷入局部极值。
②粒子或磁场等作用
当产生的随机数小于光子速率则表示光子对电子的作用是不可能的,此时电子在原子核周围不同层之间的运动是基于粒子或磁场等作用而考虑,此时也会产生能量的吸收或是发射。由于传统原子轨道搜索算法中考虑粒子或磁场等作用下,电子是随机变化的,本发明改变传统的更新公式,引入反向学习机制,同时对整体最优个体和各层最优个体进行反向学习,进一步扩展搜索范围,增加全局搜索能力。
针对整体最优个体,对LE进行反向学习,如式所示
式(15)中,lb为最小控制域的编号,这里为1,m为控制域的数量,r为(0,1)的随机数。
针对各层最优个体,对LEk进行反向学习,如式所示
式(16)中,lb为最小控制域的编号,这里为1,m为控制域的数量,r为(0,1)的随机数。
5)输出最佳结合能和结合态
循环步骤3)至4)进行迭代寻优,直至达到最大迭代次数mgen,输出最佳结合能和结合态。
6)解码
根据最后输出的最佳结合态并进行解码,形成最优的卫星网络多控制域的规划策略。
具体实施例2
仿真与性能评估
本发明是基于原子轨道搜索算法的卫星网络SDN控制域规划方法,通过对传统的原子轨道搜索算法进行改进,以求解卫星网络SDN控制域的合理规划。本发明所提出的改进的原子轨道搜索算法(IAOS)与粒子群算法(PSO)、原子轨道搜索算法(AOS)进行实验仿真,设定迭代次数mgen为200,种群数量npop为200。当卫星控制域的数量m为12时,不同算法的运行结果如图5所示。IAOS相比于PSO和AOS,寻优结果最好,IAOS相比于AOS无论是全局探索能力和收敛速度方面均显著提升。
通过设置不同的控制域数量并随机选取一次仿真结果。如图6-8所示,随着控制域数量的增加,目标函数值、网络时延均呈下降趋势,负载均衡参数呈现上升的趋势,这是由于星间控制器节点与交换机节点的可连接途径随着控制域数量增加而增多,控制器处理交换机请求的可选择性增大,采用就近原则处理交换机请求,各控制器间的负载均衡参数由此变大,从整体性能上看IAOS的寻优优势不受控制域数量的影响,依旧可以获得较好的卫星网络SDN控制域规划方法。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定,对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动,这里无法对所有的实施方式予以穷举,凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
Claims (7)
1.一种卫星网络SDN多控制域的规划方法,采用基于SDN的卫星网络架构,基于改进原子轨道算法对卫星网络时延和负载均衡模型进行求解,根据输出具有最低能量状态的电子,解码成卫星网络多控制域的规划方法,其特征在于,包括如下的步骤:
S1:对LEO卫星网络中的卫星控制器节点和交换机节点进行编码,在约束关系下随机初始化多控制域规划方案;
S2:进行个体适应度值计算;
S3:确定各个层级的结合能和结合态,将各层中的电子编码序列的平均值记为结合态,结合能为各个个体适应度值的平均值;
S4:在光子的发射、吸收部分的更新策略中引入自适应权重和反向学习机制,更新电子状态;
S5:循环步骤S3至S4进行迭代寻优,直至达到最大迭代次数,输出最佳结合能和结合态;
S6:解码,形成最优的卫星网络SDN多控制域的规划策略。
2.如权利要求1所述的卫星网络SDN多控制域的规划方法,其特征在于,所述卫星网络SDN的控制平面采用分布式部署方式,主控制器部署在地面站,在GEO卫星部署区域控制器,并选择部分LEO卫星部署从控制器,采用LEO卫星铱星网络拓扑结构,并将所有的LEO卫星均视为交换机节点。
3.如权利要求1所述的卫星网络SDN多控制域的规划方法,其特征在于,所述卫星网络的时延包括星间传播时延、控制域内的排队时延和控制器节点的任务处理时延。
7.如权利要求1所述的卫星网络SDN多控制域的规划方法,其特征在于,所述S4中的反向学习机制包括:
1)针对整体最优个体LE,对LE进行反向学习,如式(15)所示
2)针对各层最优个体LEk,对LEk进行反向学习,如式(16)所示
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210832203.1A CN115225139B (zh) | 2022-07-15 | 2022-07-15 | 一种卫星网络sdn多控制域的规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210832203.1A CN115225139B (zh) | 2022-07-15 | 2022-07-15 | 一种卫星网络sdn多控制域的规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115225139A CN115225139A (zh) | 2022-10-21 |
CN115225139B true CN115225139B (zh) | 2023-03-10 |
Family
ID=83610956
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210832203.1A Active CN115225139B (zh) | 2022-07-15 | 2022-07-15 | 一种卫星网络sdn多控制域的规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115225139B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107046501A (zh) * | 2017-05-16 | 2017-08-15 | 北京邮电大学 | 用于sdn的路径确定方法、装置、计算机设备及存储介质 |
CN108880663A (zh) * | 2018-07-20 | 2018-11-23 | 大连大学 | 基于改进遗传算法的天地一体化网络资源分配方法 |
CN110688219A (zh) * | 2019-09-05 | 2020-01-14 | 浙江理工大学 | 基于反向混沌布谷鸟搜索的自适应权重负载均衡算法 |
CN113852562A (zh) * | 2021-09-23 | 2021-12-28 | 华北电力大学 | 一种基于改进粒子群算法的通信与负荷资源联合优化装置 |
CN114422366A (zh) * | 2022-03-28 | 2022-04-29 | 中国人民解放军战略支援部队航天工程大学 | 一种卫星网络sdn多控制器部署方法及*** |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9503691B2 (en) * | 2008-02-19 | 2016-11-22 | Time Warner Cable Enterprises Llc | Methods and apparatus for enhanced advertising and promotional delivery in a network |
CN109981169B (zh) * | 2019-04-11 | 2021-06-29 | 重庆邮电大学 | 一种vlc-rf网络基于干扰抑制的子信道分配方法 |
-
2022
- 2022-07-15 CN CN202210832203.1A patent/CN115225139B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107046501A (zh) * | 2017-05-16 | 2017-08-15 | 北京邮电大学 | 用于sdn的路径确定方法、装置、计算机设备及存储介质 |
CN108880663A (zh) * | 2018-07-20 | 2018-11-23 | 大连大学 | 基于改进遗传算法的天地一体化网络资源分配方法 |
CN110688219A (zh) * | 2019-09-05 | 2020-01-14 | 浙江理工大学 | 基于反向混沌布谷鸟搜索的自适应权重负载均衡算法 |
CN113852562A (zh) * | 2021-09-23 | 2021-12-28 | 华北电力大学 | 一种基于改进粒子群算法的通信与负荷资源联合优化装置 |
CN114422366A (zh) * | 2022-03-28 | 2022-04-29 | 中国人民解放军战略支援部队航天工程大学 | 一种卫星网络sdn多控制器部署方法及*** |
Non-Patent Citations (1)
Title |
---|
5G地面移动通信技术在低轨星座的适应性分析;孙晨华等;《无线电工程》;20180227(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115225139A (zh) | 2022-10-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Randhawa et al. | MLBC: Multi-objective load balancing clustering technique in wireless sensor networks | |
CN109544998B (zh) | 一种基于分布估计算法的航班时隙分配多目标优化方法 | |
WO2021036414A1 (zh) | 一种低轨移动卫星星座下星地下行链路同频干扰预测方法 | |
CN115242295B (zh) | 一种卫星网络sdn多控制器部署方法及*** | |
CN114629543B (zh) | 一种基于深度监督学习的卫星网络自适应流量调度方法 | |
CN105323166A (zh) | 一种面向云计算的基于网络能效优先的路由方法 | |
CN112817605A (zh) | 一种软件定义卫星网络控制器部署方法、装置及相关设备 | |
CN116781139A (zh) | 一种基于强化学习的流量预测卫星路径选择方法及*** | |
CN115225139B (zh) | 一种卫星网络sdn多控制域的规划方法 | |
CN116319355A (zh) | 一种基于深度强化学习的卫星网络拓扑生成方法 | |
CN115842768A (zh) | 一种基于图神经网络的时空特征融合的sdn路由优化方法 | |
Abraham et al. | Optimal design of neural nets using hybrid algorithms | |
Girgis et al. | Routing and capacity assignment problem in computer networks using genetic algorithm | |
CN116886176A (zh) | 一种基于链路效用函数的可预测星间路由方法 | |
CN116847425A (zh) | 一种基于高维数据联合优化的多资源路由优化方法 | |
Ibraheem et al. | A multi QoS genetic-based adaptive routing in wireless mesh networks with Pareto solutions | |
CN111542069B (zh) | 一种基于快速非支配遗传算法实现无线ap部署优化方法 | |
Galal et al. | Hybrid Ant Optimization System for Multiobjective Optimal Power Flow Problem Under Fuzziness | |
CN105117796B (zh) | 基于量子进化算法的微网孤岛划分方法 | |
Wan et al. | An improved space information networks topology algorithm | |
CN117320027B (zh) | 卫星网络的控制器部署方法 | |
CN116938322B (zh) | 一种天基时变拓扑的组网通信方法、***及存储介质 | |
CN118041852A (zh) | 一种大规模卫星互联网多任务路由设计方法 | |
Srivastava et al. | An Innovative Hybrid Biologically Inspired Method for Traffic Optimization Problem | |
CN112511453B (zh) | Sdn控制器部署方法、设备和存储介质 |
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 |