CN116545853A - 基于量子粒子群的一体化网络多目标优化资源管理方法 - Google Patents

基于量子粒子群的一体化网络多目标优化资源管理方法 Download PDF

Info

Publication number
CN116545853A
CN116545853A CN202310806716.XA CN202310806716A CN116545853A CN 116545853 A CN116545853 A CN 116545853A CN 202310806716 A CN202310806716 A CN 202310806716A CN 116545853 A CN116545853 A CN 116545853A
Authority
CN
China
Prior art keywords
integrated network
data stream
data
network node
particle swarm
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.)
Granted
Application number
CN202310806716.XA
Other languages
English (en)
Other versions
CN116545853B (zh
Inventor
杨力
刘浩文
戚耀文
黄琦龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Science and Technology
Original Assignee
Nanjing University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Science and Technology filed Critical Nanjing University of Science and Technology
Priority to CN202310806716.XA priority Critical patent/CN116545853B/zh
Publication of CN116545853A publication Critical patent/CN116545853A/zh
Application granted granted Critical
Publication of CN116545853B publication Critical patent/CN116545853B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0803—Configuration setting
    • H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • H04L41/12—Discovery or management of network topologies
    • 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
    • H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
    • 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)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明公开了一种基于量子粒子群的一体化网络多目标优化资源管理方法，包括以下步骤：通过分析确定性业务的数据信息，结合一体化网络节点运动轨迹，建立基于多业务多需求的动态一体化网络节点通信***模型；定义丢包率、时延、业务接受率为目标函数，建立问题约束模型，通过改进量子粒子群方法求解不同业务需求下网络切片优化方案。本发明在尽力满足确定性业务QoS需求的基础上，能够有效提高业务接受率、降低业务丢包率。

Description

基于量子粒子群的一体化网络多目标优化资源管理方法
技术领域
本发明涉及一体化网络节点网络资源管理领域，具体涉及一种基于量子粒子群的一体化网络多目标优化资源管理方法。
背景技术
随着天地一体化信息网络的发展，确定性业务增长迅速，由于一体化网络节点的资源有限，导致业务的QoS需求越来越难得到保障。在进行资源分配时，需要考虑多种资源，例如，带宽资源、计算资源和存储资源等。而差异化的业务对于每种资源的需求也不同。因此，要考虑不同业务的不同资源需求，以保证资源分配的合理性和有效性。
为了在进行资源分配的同时，满足对确定性业务需求，专家学者提出了网络切片这一概念。从逻辑上来说，每个网络切片是一个独立的端到端网络，由一组网络功能(Network Function，NF) 及相应资源组成，针对特定的业务场景优化，提供端到端的按需定制服务。由于采用人工智能的方法构建网络切片求解时间过长，难以满足实际天地一体化网络中确定性业务的时延要求。在有限时间内，启发式算法与人工智能方法相比，能够求得更优的网络切片方案。
发明内容
本发明的目的在于提出一种基于量子粒子群的一体化网络多目标优化资源管理方法，用于满足确定性业务的时延、带宽需求，提高业务的接受率，降低网络丢包率。
实现本发明目的技术解决方案为：第一方面，本发明提供一种基于量子粒子群的一体化网络多目标优化资源管理方法，包括：
通过分析确定性业务的数据信息，结合一体化网络节点运动轨迹，建立一体化网络节点通信***模块用于模拟真实一体化网络节点运动轨迹，通过轨迹求得每一时间段内的路由规划策略；
建立丢包率、时延、业务接受率构建模块用于构建带宽、存储、计算这三种资源与丢包率、业务接受率之间的关系，建立问题约束模型；
通过Levy飞行改进的量子粒子群算法求解不同路由策略下的资源分配策略。
第二方面，本发明提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现第一方面所述方法的步骤。
第三方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面所述方法的步骤。
与现有技术相比，本发明的有益效果为：
（1）因为采用量子粒子群算法，能够根据业务需求改变、一体化网络节点运动运动拓扑改变，从而动态调整网络切片配置，找到最优的网络切片方案，所以能提高业务接受率；
（2）因为采用Levy飞行随机行走策略控制粒子的更新步长，与概率密度函数控制步长相比，更加符合粒子寻优策略，所以能够提高算法的收敛速度。
附图说明
图1是量子粒子群求解过程示意图。
图2是多算法收敛效果对比图。
图3是算法平均丢包率对比图。
图4是算法平均业务接受率对比图。
图5是不同数据量下的丢包率对比图。
图6是不同数据量下的业务接受率对比图。
具体实施方式
一种基于量子粒子群的一体化网络多目标优化资源管理方法，包括多业务多需求的一体化网络节点通信***模块，丢包率、时延、业务接受率构建模块，量子粒子群求解模块。
所述一体化网络节点通信***模块用于模拟真实一体化网络节点运动轨迹，进而通过轨迹求得每一时间段内的路由规划策略，进而为资源分配提供路径约束；所述丢包率、时延、业务接受率构建模块用于构建带宽、存储、计算3种资源与丢包率、业务接受率之间的关系，2种指标能够客观评价资源分配方案的好坏；所述量子粒子群求解模块通过量子粒子群算法求解资源分配方案，定义以丢包率、业务接受率为目标函数，建立问题约束模型，最终求解资源分配方案能够保证资源分配的合理性，降低丢包率，提升业务接受率。
进一步的，所述一体化网络节点网络的运行周期为T，将T划分为时间间隔为的 时间片，假设一体化网络节点网络运行的初始时间为，一体化网络节点在时间间隔内可以看作是一个静止的网络拓扑，网络中数据流在一个时间间隔内存在条可选 路径，将条可选路径经过的节点记作集合，其中为条可选路径经过 的节点数目。个节点中，每个节点被条可选路径经过的次数记作集合。
进一步的，假设控制器中存在一批待处理的数据流，将其用表示，其 中，为当前待处理的未知数据流个数。将第条数据流表示为。 其中表示当前数据流的类别，分为3类：时延敏感型、带宽敏感型、普通数据流，表示该 数据流在第几组发送，表示要传输的数据量，表示数据流可以忍受的最小延迟，表 示数据流可以忍受的最大延迟，表示数据流可以接受的最小带宽，表示数据流可以 接受的最大带宽。
进一步的，设这批数据流传输所需要的时间为，当数据流在时间片内没 有传输完成时，将剩余数据流增加到下个时间片进行处理。这批数据流在低轨一体化网络 节点的路径方案表示为集合。每条数据流在对应的路径方案所经过的节 点表示为，其中为经过的节点数目，表示第个一体化网络节点的编 号。所述丢包率、时延、业务接受率构建模块是将路径上的计算、带宽、存储资源可用量分别 表示为，，来表示。通过3种资源建立时延模型，丢包率模型，业务接受率 模型。
进一步的，所述量子粒子群求解模块能够在第t次迭代时，将一体化网络节点拓扑结构和数据量作为输入，根据以Levy飞行为基础的3种步长搜索策略来调整3种资源的网络切片方案，以此在尽力满足确定性业务QoS需求的基础上，提高业务接受率、降低业务丢包率。
下面结合附图对本发明进行详细说明。
由于确定性业务的***式增长，一体化网络节点可分配资源多样。如何考虑在确定性业务的多样需求前提下构建多资源网络切片方案成为资源分配的工作重点。本发明先建立一体化网络节点运动快照模型和确定性业务的多样需求模型，然后对多资源网络切片进行建模并优化。
A.一体化网络节点运动快照模型，确定性业务模型
本文采用类铱星星座作为一体化网络节点网络模型，假设一体化网络节点网络的 运行周期为，将划分为时间间隔为的时间片，一体化网络节点网络运行的初始时间 时间间隔的一体化网络节点拓扑可以看作是一个静止的一体化网络节点网络拓扑， 网络中数据流在一个时间间隔内存在条可选路径，将条可选路径经过的节点记作集合，其中为条可选路径经过的节点数目。个节点中，每个节点被条 可选路径经过的次数记作集合。
假设控制器中存在一批待处理的数据流，将其用表示，其中，为 当前待处理的未知数据流个数。将第条数据流表示为。 其中表示当前数据流的类别，分为3类：1.时延敏感型(TS) 2.带宽敏感型(BS) 3.普通数 据流(CD)，其中，时延敏感型数据流有明确的最低时延要求，由于本身数据量较小，因此对 带宽的要求不高；带宽敏感型数据流由于本身数据量较大，导致使用的带宽较多，这类数据 流有较高的带宽要求；普通数据流没有较高的时延，带宽要求，这类数据流QoS需求尽力满 足即可。表示该数据流在第几组发送，表示要传输的数据量， 表示数据流可以忍受 的最小延迟，表示数据流可以忍受的最大延迟，表示数据流可以接受的最小带宽， 表示数据流可以接受的最大带宽。
B.时延建模
假设这批数据流传输所需要的时间为，当数据流在时间片内没有传输 完成时，将剩余数据流增加到下个时间片进行处理。这批数据流在低轨一体化网络节点的 路径方案表示为集合。每条数据流在对应的路径方案所经过的节点表示 为，其中为经过的节点数目，表示第个一体化网络节点的编号。路 径上的计算、带宽、存储资源可用量分别表示为，，，其中第条候选路径记为，为数据流分配的计算资源表示为，带宽资源表示为， 存储资源表示为。数据流在路径上的资源分配为。分配好资源后可计算时延， 主要考虑传输过程中的三个主要延迟组成部分：发送时延，传播时延，计算时延。计算时延公式如下：
其中，表示第i条数据流经过个节点所累计的计算时延总和，表示第i条数 据流经过条链路所累计的传播时延总和，表示第i条数据流经过后个节点所累 计的发送时延总和，为计算时延，为第i条数据流的数据量大小，为第条数据 流在第条候选路径的第个节点分配的计算资源的大小；为发送时延，为第i条 数据流在第条候选路径的第个节点分配的带宽资源的大小；为传播时延， 为一条路径上相邻两节点之间的距离，为光速。
C.丢包率与业务接受率建模
资源分配之后考虑数据包丢失的情况，在一个时间间隔内，等待输入的数据包大小大于分配的存储资源的大小。
首先我们计算第条数据流在第条候选路径的第个节点下，当前时间片内等待 输入的数据包大小，再根据等待输入的数据包大小与分配存储资源的差值，就是丢 包大小。其中，表示第条数据流在第个节点预丢失的数据包的大小，表示第 条数据流在第条候选路径下实际丢失的数据包数量的大小，表示第条数据流要传输 的数据量，表示条数据流的平均丢包率大小。
将业务接受率考虑为第条数据流实际分配的带宽资源与数据流的带宽要求越接 近，并且实际时延与数据流的时延要求越接近，则该业务的接受率越高。
实际分配的带宽资源考虑为一条路径上的所有节点中，分配带宽资源最小节点的 带宽大小，用来表示，。表示数据流可以忍受的最 小延迟，表示数据流可以忍受的最大延迟，表示数据流可以接受的最小带宽，表 示数据流可以接受的最大带宽。表示条数据流实际分配的带宽资源与数据流的带宽要 求差值的平均值，表示s条数据流实际时延与数据流的时延要求差值的平均值。
上式中，表示s条数据流实际分配的带宽资源与数据流的带宽需求差值的方差。表示s条数据流实际时延与数据流的时延需求差值的方差。
业务接受率表示为s条数据流中实际分配的带宽资源和时延与数据流的带宽需 求和时延需求差值的方差归一化表示。，为权重值，。最终，将资源分 配问题考虑为多约束的多维资源优化问题。
目标函数为：
约束条件为：
其中，为第条数据流在第条候选路径的第个节点分配的计算资源的大 小，为第条数据流在第条候选路径的第个节点与第个节点之间链路上分配 的带宽资源的大小，为第条数据流在第条候选路径的第个节点分配的存储资源的 大小，表示一体化网络节点在第个节点可用的总计算资源，表示一体化网络节点在 第个节点可用的总存储资源，表示一体化网络节点在第个节点与第个节点之间 链路上可用的总带宽资源；上述约束条件保证分配的资源不超过当前实际可分配的资源总 量；
表示在第/>条路径方案上对第/>个节点实际分配的计算资源大小，/>表示在第/>条路径方案上对第/>个节点实际分配的存储资源大小；上述约束条件保证一个节点上给每条经过该节点的路径方案分配的计算和存储资源等于该节点的计算资源和存储资源总量；
表示在第条路径方案上对第个节点与第个节点之间链路上实际分配 的带宽资源大小；上述约束条件保证节点之间给每条经过该节点的路径方案分配的带宽资 源等于该链路的带宽资源总量。
D.量子粒子群算法求解
标准PSO算法收敛速度快，但对于维度高的目标函数来说，求解结果极易陷入局部最优。而QPSO算法的全局搜索能力要远远优于一般的PSO算法。在QPSO算法中，因为粒子参考了量子力学中的量子不确定性原理，并且具有量子行为，因此无法同时确定粒子的位置与速度的精确值。QPSO 算法中粒子的更新是通过观测得到新个体，首先利用蒙特卡罗思想进行观测，得到多个个***置，然后选取个体最优，并依次评价其余个体，最终得到下代个体，QPSO求解过程如图1所示。QPSO进化方程如下:
式中:N为种群个数，t为迭代次数; 为种群的最优平均位置，为第i个 粒子在目标函数中的历史最优位置，为一种局部步长的更新公式，为种群 中所有粒子在在目标函数中的最优位置，为第个粒子的当前位置，为第i个 粒子的下一时刻位置; ,和均满足(0,1)正态分布,即.
本发明提出的基于花授粉的改进量子粒子群方法如下，将从满足(0,1)正态分 布的随机数改进成为花授粉算法中异花授粉的局部步长求解公式，改进公式如下：
其中，表示标准的伽马函数，其中=1.5，s满足(0,10)的随机数，通过该公式 求解的步长运用到改进的量子粒子群算法中，能够有效的提升收敛速度和收敛精度。
在QPSO算法中，粒子的历史最优位置之所以持续不断改善,与局部吸引子的更新 方程具有密切关联。中通过获取“优良基因”,从而使自身变的“优秀”,但是也会在一 定程度上破坏粒子自身的“属性”,从而导致整个种群的多样性出现“萎缩”,进而会使得种 群粒子过早的“成熟”。因此提出一种多策略局部步长更新机制。设粒子的邻域中的最优粒 子位置记为，则本发明提出3种调整局部步长的搜索策略更新方程如下:
上式是QPSO算法中的原始局部步长更新方程,表示从种群最优位置中吸收“优秀基因”;
上式将全局最优位置替换为邻域最优位置,表示从邻域最优位置中吸收“优秀基 因”，其中，。
上式将全局最优位置替换为了全局最优位置与邻域最优位置的差,表示从两者的差中吸收“优秀基因”.本发明中提出的多策略局部吸引子更新方程丰富了粒子进化的方向,能够有效的抑制粒子“早熟”。
多策略局部步长更新算法
输入:种群数量N，全局最优粒子，个体历史最优粒子，粒 子邻域最优粒子，，权重
输出：粒子的局部步长
过程：
for do
=rand
=rand
if
else if
else
end if
end for
实施例
本发明将利用数字实验结果来验证所提算法的有效性，首先考虑每一时间片下的一体化网络节点拓扑结构，并计算每一拓扑结构下的可选路径。以可选路径和每一一体化网络节点的剩余资源为基础，计算确定性业务多样需求下的网络切片方案。
本发明基于MATLAB搭建了一个类铱星星座仿真，星座共有6个轨道平面，每个轨道 11颗一体化网络节点，共66颗一体化网络节点均匀分布，轨道高度780km，轨道倾角86.4 度。算法共迭代100次，最终迭代结果作为本次网络切片方案，并计算网络***丢包率，业 务接受率，***仿真参数如表1所示。
表1 仿真参数
数据流的参数设置中，每分钟平均20个数据包中，时延敏感型业务占比10%，带宽敏感型业务占比30%，普通业务占比60%，时延敏感型业务的时延要求设置为[100,150]Ms，带宽要求设置为[5,10] Mbps，数据量设置为[10,100] Mb。带宽敏感型业务的时延要求设置为[300,550] Ms，带宽要求设置为[25,70] Mbps，数据量设置为[500,2000] Mb。普通业务的时延要求设置为[150,500] Ms，带宽要求设置为[10,25] Mbps，数据量设置为[100,500] Mb。实验进行10个不同时间片的资源分配方案求解，每个时间片设置为5分钟，再将求解结果平均化。
如图2所示，PSO为标准粒子群算法，NDPSO为非线性动态粒子群算法，IQPSO为改进的量子粒子群算法，FIQPSO为本发明的基于花授粉的量子粒子群算法。进行10个不同时间片的网络切片方案求解，再将求解结果平均化，以PSO算法的表现为基准，横坐标表示迭代次数，纵坐标表示每次迭代计算的目标函数值。从图中可以看出，NDPSO算法在仿真初期求解时间相对较慢，但随着仿真的进行，具有一定跳出局部最优解的能力，所以在最后的计算结果上，优于经典PSO。IQPSO算法和FIQPSO在仿真初期就有较好的收敛速度，而本文提出的FIQPSO算法能够进一步提高收敛速度并最终求得较其他方法更好的目标函数值，即更优的资源分配方案。
如图3所示，在得到时间片内的资源分配方案后，再根据时间片内不同数据包时延、带宽需求以及分配的存储资源情况，计算丢包率的大小。从结果上来看，通过Levy飞行控制步长的FIQPSO算法较IQPSO算法能够降低4.7%的丢包率。
如图4所示，在得到时间片内的资源分配方案后，再计算时间片内每一条路径上分配的最小带宽资源与数据流的带宽需求差值的方差，最后进行归一化表示业务接受率。从结果上来看，通过Levy飞行控制步长的FIQPSO算法较IQPSO算法能够提高5.1%的业务接受率。
如图5所示，表示不同时间片不同发包大小的丢包率比较，在8000MB以内的数据大小，本发明提出的网络切片优化算法，具有良好的效果。但是在10000MB数据量发送时，由于一体化网络节点的资源有限，数据量的大小接近了节点的承受能力，因此，在数据量过大时，优化效果并不明显。
如图6所示，表示不同时间片不同发包大小的业务接收率比较，与图5的丢包率具有类似的情况，当数据量过大时，业务接收率下降严重，在节点的承受能力之内，本发明提出的改进量子粒子群算法具有良好的效果。
以上所述，仅为本发明创造较佳的具体实施方式，但本发明创造的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明创造披露的技术范围内，根据本发明创造的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明创造的保护范围之内。

Claims (7)

1.一种基于量子粒子群的一体化网络多目标优化资源管理方法，其特征在于，包括：
通过分析确定性业务的数据信息，结合一体化网络节点运动轨迹，建立一体化网络节点通信***模块用于模拟真实一体化网络节点运动轨迹，通过轨迹求得每一时间段内的路由规划策略；
建立丢包率、时延、业务接受率构建模块用于构建带宽、存储、计算这三种资源与丢包率、业务接受率之间的关系，建立问题约束模型；
通过Levy飞行改进的量子粒子群算法求解不同路由策略下的资源分配策略。
2.根据权利要求1所述的基于量子粒子群的一体化网络多目标优化资源管理方法，其特征在于，一体化网络节点网络的运行周期为T，将T划分为时间间隔为的时间片，假设一体化网络节点网络运行的初始时间为/>，一体化网络节点在时间间隔/>内看作是一个静止的网络拓扑，网络中数据流在一个时间间隔内存在/>条可选路径，将/>条可选路径经过的节点记作集合/>，其中/>为/>条可选路径经过的节点数目；/>个节点中，每个节点被/>条可选路径经过的次数记作集合/>。
3.根据权利要求2所述的基于量子粒子群的一体化网络多目标优化资源管理方法，其特征在于，假设控制器中存在一批待处理的数据流，将其用表示，其中，/>为当前待处理的未知数据流个数；将第/>条数据流表示为/>；其中/>表示当前数据流的类别，分为3类：时延敏感型、带宽敏感型、普通数据流，/>表示该数据流在第几组发送，/>表示要传输的数据量，/>表示数据流可以忍受的最小延迟，/>表示数据流可忍受的最大延迟，/>表示数据流可接受的最小带宽，/>表示数据流可接受的最大带宽。
4.根据权利要求1所述的基于量子粒子群的一体化网络多目标优化资源管理方法，其特征在于，设这批数据流传输所需要的时间为，当数据流在时间片/>内没有传输完成时，将剩余数据流增加到下个时间片进行处理；这批数据流在低轨一体化网络节点的路径方案表示为集合/>；每条数据流在对应的路径方案所经过的节点表示为/>，其中/>为经过的节点数目，/>表示第/>个一体化网络节点的编号；将路径上的计算、带宽、存储资源可用量分别表示为/>，/>，；通过3种资源建立时延模型，丢包率模型，业务接受率模型。
5.根据权利要求1所述的基于量子粒子群的一体化网络多目标优化资源管理方法，其特征在于，所述量子粒子群求解模块能够在第t次迭代时，将一体化网络节点拓扑结构和数据量作为输入，根据以Levy飞行为基础的3种步长搜索策略来调整3种资源的网络切片方案。
6.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-5任一所述的方法的步骤。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-5任一所述的方法的步骤。
CN202310806716.XA 2023-07-04 2023-07-04 基于量子粒子群的一体化网络多目标优化资源管理方法 Active CN116545853B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310806716.XA CN116545853B (zh) 2023-07-04 2023-07-04 基于量子粒子群的一体化网络多目标优化资源管理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310806716.XA CN116545853B (zh) 2023-07-04 2023-07-04 基于量子粒子群的一体化网络多目标优化资源管理方法

Publications (2)

Publication Number Publication Date
CN116545853A true CN116545853A (zh) 2023-08-04
CN116545853B CN116545853B (zh) 2023-10-13

Family

ID=87449133

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310806716.XA Active CN116545853B (zh) 2023-07-04 2023-07-04 基于量子粒子群的一体化网络多目标优化资源管理方法

Country Status (1)

Country Link
CN (1) CN116545853B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103699446A (zh) * 2013-12-31 2014-04-02 南京信息工程大学 基于量子粒子群优化算法的多目标工作流动态调度方法
CN104536828A (zh) * 2014-12-26 2015-04-22 湖南强智科技发展有限公司 基于量子粒子群算法的云计算的任务调度方法和***
CN105960024A (zh) * 2016-06-08 2016-09-21 北京邮电大学 一种d2d通信中基于社交感知的用户发现及资源分配方法
CN108809860A (zh) * 2018-05-03 2018-11-13 北京航空航天大学 基于业务可靠性的网络节点资源分配方法
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
CN111314889A (zh) * 2020-02-26 2020-06-19 华南理工大学 车联网中基于移动边缘计算的任务卸载与资源分配方法
US20210293881A1 (en) * 2017-11-09 2021-09-23 Hefei University Of Technology Vector-valued regularized kernel function approximation based fault diagnosis method for analog circuit
CN113572686A (zh) * 2021-07-19 2021-10-29 大连大学 一种基于SDN的天地一体化自适应动态QoS路由方法
CN114466407A (zh) * 2022-01-04 2022-05-10 中国船舶重工集团公司第七一六研究所 一种基于粒子群遗传的网络切片编排算法
CN115633033A (zh) * 2022-10-08 2023-01-20 南京邮电大学 融合射频能量采集的协同节能计算迁移方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103699446A (zh) * 2013-12-31 2014-04-02 南京信息工程大学 基于量子粒子群优化算法的多目标工作流动态调度方法
CN104536828A (zh) * 2014-12-26 2015-04-22 湖南强智科技发展有限公司 基于量子粒子群算法的云计算的任务调度方法和***
CN105960024A (zh) * 2016-06-08 2016-09-21 北京邮电大学 一种d2d通信中基于社交感知的用户发现及资源分配方法
US20210293881A1 (en) * 2017-11-09 2021-09-23 Hefei University Of Technology Vector-valued regularized kernel function approximation based fault diagnosis method for analog circuit
CN108809860A (zh) * 2018-05-03 2018-11-13 北京航空航天大学 基于业务可靠性的网络节点资源分配方法
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
CN111314889A (zh) * 2020-02-26 2020-06-19 华南理工大学 车联网中基于移动边缘计算的任务卸载与资源分配方法
CN113572686A (zh) * 2021-07-19 2021-10-29 大连大学 一种基于SDN的天地一体化自适应动态QoS路由方法
CN114466407A (zh) * 2022-01-04 2022-05-10 中国船舶重工集团公司第七一六研究所 一种基于粒子群遗传的网络切片编排算法
CN115633033A (zh) * 2022-10-08 2023-01-20 南京邮电大学 融合射频能量采集的协同节能计算迁移方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MEITONG CHEN: "Micro grid scheduling optimization based on quantum particle swarm optimization（QPSO）algorithm", 2018 CHINESE CONTROL AND DECISION CONFERENCE *
赵莉;: "基于改进量子粒子群算法的云计算资源调度", 南京理工大学学报, vol. 40, no. 02, pages 223 - 228 *

Also Published As

Publication number Publication date
CN116545853B (zh) 2023-10-13

Similar Documents

Publication Publication Date Title
CN109818865B (zh) 一种sdn增强路径装箱装置及方法
Liu et al. Fluid models and solutions for large-scale IP networks
CN110717300B (zh) 面向电力物联实时在线监测业务的边缘计算任务分配方法
CN114143264B (zh) 一种SRv6网络下基于强化学习的流量调度方法
CN111984419B (zh) 一种边缘环境可靠性约束的复杂任务计算迁移方法
CN113225370B (zh) 一种基于物联网的区块链多目标优化方法
CN107948083A (zh) 一种基于增强学习的sdn数据中心拥塞控制方法
CN116541106B (zh) 计算任务卸载方法、计算设备及存储介质
CN114710410B (zh) 基于深度强化学习的网络数据采集效率优化方法及***
CN113938415A (zh) 一种基于链路状态估计的网络路由转发方法及***
CN114710439B (zh) 基于深度强化学习的网络能耗与吞吐量联合优化路由方法
Raeis et al. A deep reinforcement learning approach for fair traffic signal control
CN110049018B (zh) 基于增强学习的spma协议参数优化方法、***及介质
Abdel-Kader An improved discrete PSO with GA operators for efficient QoS-multicast routing
CN113672372B (zh) 一种基于强化学习的多边缘协同负载均衡任务调度方法
Dai et al. Iqor-lse: An intelligent qos on-demand routing algorithm with link state estimation
CN116545853B (zh) 基于量子粒子群的一体化网络多目标优化资源管理方法
Ikeda et al. Performance evaluation of an intelligent CAC and routing framework for multimedia applications in broadband networks
Sun et al. Fuzzy controller based QoS routing algorithm with a multiclass scheme for MANET
Nyirenda et al. Multi-objective particle swarm optimization for fuzzy logic based active queue management
Jin et al. Joint qos control and bitrate selection for video streaming based on multi-agent reinforcement learning
Nair et al. Particle swarm optimization for realizing intelligent routing in networks with quality grading
CN115314399A (zh) 一种基于逆强化学习的数据中心流量调度方法
CN111555978B (zh) 智能电网中具有节能和服务质量保证的sdn路由布置方法
CN115115064A (zh) 一种半异步联邦学习方法及***

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