本發(fā)明涉及一種傳輸網(wǎng)絡(luò)節(jié)點(diǎn)成環(huán)規(guī)劃方法，特別是對(duì)于已知一個(gè)區(qū)域內(nèi)1對(duì)或多對(duì)匯聚節(jié)點(diǎn)、多個(gè)接入節(jié)點(diǎn)位置，以及節(jié)點(diǎn)間光纜路由信息的場(chǎng)景，該方法可以快速、穩(wěn)定的選擇1個(gè)或多個(gè)成環(huán)路由、同時(shí)有效避免同路由。

背景技術(shù)：

城域傳輸網(wǎng)一般可分為三層結(jié)構(gòu)：核心層、匯聚層、接入層。核心層由核心節(jié)點(diǎn)組成，一般有交換局、長(zhǎng)途局、數(shù)據(jù)中心及關(guān)口局等，負(fù)責(zé)核心節(jié)點(diǎn)間大容量中繼電路，與省/本地長(zhǎng)途網(wǎng)的互聯(lián)互通，與其它網(wǎng)絡(luò)的互聯(lián)互通。網(wǎng)絡(luò)結(jié)構(gòu)相對(duì)穩(wěn)定，業(yè)務(wù)可靠性、安全性要求高。網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)量少、業(yè)務(wù)容量大、電路調(diào)度頻繁。匯聚層由匯聚節(jié)點(diǎn)組成，負(fù)責(zé)一定區(qū)域內(nèi)業(yè)務(wù)匯聚和疏導(dǎo)，要求具有強(qiáng)大的業(yè)務(wù)調(diào)度能力。匯聚層的存在避免了接入點(diǎn)直接入核心層，導(dǎo)致的接入網(wǎng)跨度大、主干光纖消耗嚴(yán)重等問(wèn)題。接入層處在網(wǎng)絡(luò)末端，進(jìn)行業(yè)務(wù)的接入。

多年來(lái)，傳輸技術(shù)迅猛發(fā)展，歷經(jīng)了pdh(plesiochronousdigitalhierarchy，準(zhǔn)同步數(shù)字系列)、sdh(synchronousdigitalhierarchy，同步數(shù)字體系)、mstp(multi-servicetransferplatform，多生成樹(shù)協(xié)議)、wdm(wavelengthdivisionmultiplexing，密集波分復(fù)用)、ptn(分組傳送網(wǎng)，packettransportnetwork)、otn(光傳送網(wǎng)，opticaltransportnetwork)等多種傳輸技術(shù)的洗禮，同時(shí)，上層業(yè)務(wù)拓?fù)浣Y(jié)構(gòu)一直保持多樣性，但匯聚層和接入層網(wǎng)絡(luò)拓?fù)涫冀K以環(huán)網(wǎng)結(jié)構(gòu)為主。環(huán)網(wǎng)結(jié)構(gòu)最重要的優(yōu)勢(shì)是結(jié)構(gòu)簡(jiǎn)單、容易實(shí)現(xiàn)，并且環(huán)網(wǎng)結(jié)構(gòu)可以方便的實(shí)施保護(hù)，同時(shí)又比同樣可以實(shí)施傳輸層面保護(hù)的網(wǎng)狀網(wǎng)結(jié)構(gòu)建設(shè)代價(jià)低得多。

影響傳輸匯聚環(huán)和接入環(huán)的成環(huán)的因素很多，包括節(jié)點(diǎn)位置、節(jié)點(diǎn)間光纜路由現(xiàn)狀、節(jié)點(diǎn)間新建光纜的可行性和成本、電信維護(hù)部門(mén)對(duì)環(huán)網(wǎng)的要求(如每個(gè)環(huán)上的最大節(jié)點(diǎn)數(shù)、不能同路由)等。傳統(tǒng)的規(guī)劃方案基本基于網(wǎng)絡(luò)現(xiàn)狀的優(yōu)化，大部分均為定性分析，即便有定量分析，當(dāng)節(jié)點(diǎn)數(shù)量較多，光纜路由選擇余地較大時(shí)，也無(wú)法遍歷所有可能性，所規(guī)劃的網(wǎng)絡(luò)往往不是最優(yōu)解。隨著5g的發(fā)展，未來(lái)5g室外站的數(shù)量將比4g成倍增加，亟需一種能夠穩(wěn)定、快速的數(shù)學(xué)方法規(guī)劃接入網(wǎng)絡(luò)成環(huán)問(wèn)題。

技術(shù)實(shí)現(xiàn)要素：

發(fā)明目的：本發(fā)明所要解決的技術(shù)問(wèn)題是針對(duì)傳統(tǒng)網(wǎng)絡(luò)成環(huán)定性規(guī)劃方法在節(jié)點(diǎn)和路徑數(shù)量猛增的情況下難以實(shí)現(xiàn)最優(yōu)解，以及難以滿(mǎn)足未來(lái)大規(guī)模站點(diǎn)和路徑的情況下，提供一種基于遺傳算法的通信傳輸環(huán)網(wǎng)結(jié)構(gòu)設(shè)置方法。

技術(shù)方案：本發(fā)明公開(kāi)了一種基于遺傳算法的通信傳輸環(huán)網(wǎng)結(jié)構(gòu)設(shè)置方法，包括以下步驟：

步驟1，建立模型；

步驟2，根據(jù)建立的模型，隨機(jī)初始化兩個(gè)以上包含路徑選擇與長(zhǎng)度信息的向量，作為初始節(jié)點(diǎn)路徑樣本庫(kù)；

步驟3，對(duì)初始節(jié)點(diǎn)路徑樣本庫(kù)進(jìn)行個(gè)體評(píng)價(jià)，取1/s作為樣本的適應(yīng)度，并進(jìn)行歸一化，s為樣本的路徑總長(zhǎng)；

步驟4，按照遺傳算法對(duì)路徑樣本庫(kù)進(jìn)行節(jié)點(diǎn)和路徑選擇、路徑交叉和重新約束、路徑突變操作，形成新一代節(jié)點(diǎn)路徑樣本庫(kù)；

步驟5，得到節(jié)點(diǎn)路徑最優(yōu)解。

步驟1包括：

建立如下目標(biāo)函數(shù)z：

設(shè)由起點(diǎn)出發(fā)分出k條路徑，每條路徑的初始載重為1，隨著深度搜索載重變?yōu)閔k，k＝1，2，3……n，第i個(gè)節(jié)點(diǎn)的權(quán)重為di，i＝1，2，3……n，n為節(jié)點(diǎn)的個(gè)數(shù)，節(jié)點(diǎn)i到節(jié)點(diǎn)j之間的相關(guān)度為cij，i、j＝1，2，3……n，n為節(jié)點(diǎn)的個(gè)數(shù)；

設(shè)nk為第k條路徑需要經(jīng)過(guò)的節(jié)點(diǎn)總數(shù)，用集合rk{rki≤i≤nk}來(lái)對(duì)應(yīng)第k條路徑要經(jīng)過(guò)的節(jié)點(diǎn)，其中rki表示第k條路徑要到達(dá)的的第i個(gè)節(jié)點(diǎn)，rk0表示第k條路徑的起始點(diǎn)，

使其滿(mǎn)足如下條件：

其中，式(1)中，q為節(jié)點(diǎn)集合；

不等式(2)表示每條路徑的權(quán)重不超過(guò)路徑的載重；

不等式(3)表示每條路徑經(jīng)過(guò)的節(jié)點(diǎn)總和不大于最大要求點(diǎn)數(shù)，且不小于最小要求點(diǎn)數(shù)；

式(4)表示每條路徑不走回頭路，也不兩次經(jīng)過(guò)相同的線(xiàn)段，x和y分別為路徑的起點(diǎn)與終點(diǎn)，kx和ky分別表示第k條路徑的起始節(jié)點(diǎn)和終止節(jié)點(diǎn)，km和kl表示第k條路徑當(dāng)中位于起點(diǎn)和終點(diǎn)之間的節(jié)點(diǎn)，t表示經(jīng)過(guò)的路由，tkx即第k條路徑由起點(diǎn)出發(fā)經(jīng)過(guò)的路由，tky表示第k條路徑由終點(diǎn)返回經(jīng)過(guò)的路由。

步驟2包括以下步驟：

步驟2-1，已知有起點(diǎn)與終點(diǎn)兩個(gè)點(diǎn)以及其他n個(gè)節(jié)點(diǎn)，將所有n個(gè)將要成環(huán)的接入節(jié)點(diǎn)編號(hào)，起點(diǎn)為1號(hào)，終點(diǎn)為n號(hào)，計(jì)算各節(jié)點(diǎn)兩兩間的相關(guān)度，用一組數(shù)cij表示，若完全不相關(guān)，則取如65525等極大數(shù)，或者正無(wú)窮；

步驟2-2，生成一個(gè)路徑樣本的數(shù)組，用于存放路徑以及每條路徑經(jīng)過(guò)的點(diǎn)，數(shù)組為二維，行存放一條路徑經(jīng)過(guò)的節(jié)點(diǎn)的號(hào)碼，列存放不同路徑的長(zhǎng)度信息，數(shù)組行數(shù)不大于n/min，列數(shù)不大于max，min表示環(huán)路最小節(jié)點(diǎn)數(shù)，max表示環(huán)路最大節(jié)點(diǎn)數(shù)；

步驟2-3，對(duì)于每條路徑經(jīng)過(guò)節(jié)點(diǎn)的個(gè)數(shù)進(jìn)行限制：通過(guò)在min(環(huán)路最小節(jié)點(diǎn)數(shù)，取1)到max(環(huán)路最大節(jié)點(diǎn)數(shù)，取8)之間產(chǎn)生一組隨機(jī)整數(shù)，以此作為每條路徑所經(jīng)過(guò)節(jié)點(diǎn)的數(shù)目；

步驟2-4，對(duì)路徑數(shù)以及每條路徑經(jīng)過(guò)的節(jié)點(diǎn)數(shù)進(jìn)行約束，即需要滿(mǎn)足數(shù)組內(nèi)的點(diǎn)包含所有n個(gè)點(diǎn)，當(dāng)要求各節(jié)點(diǎn)只能利用一次時(shí)，將數(shù)組調(diào)整為全部n個(gè)節(jié)點(diǎn)的不重復(fù)隨機(jī)排列；

步驟2-5，另設(shè)一份向量描述樣本的信息，即路徑的選擇與長(zhǎng)度信息，將其作為一個(gè)樣本基因；

步驟2-6，獲得一份樣本基因后，重復(fù)步驟2-1～步驟2-4得到一組樣本基因空間，據(jù)此得到多個(gè)樣本基因組成的基因庫(kù)。需要注意，基因庫(kù)中的樣本基因需要根據(jù)實(shí)際情況調(diào)節(jié)，當(dāng)問(wèn)題復(fù)雜度較低時(shí)，樣本基因數(shù)可取較少，當(dāng)問(wèn)題復(fù)雜度較高時(shí)需多取樣。

步驟3包括以下步驟：

步驟3-1，考慮基因適應(yīng)度的計(jì)算：目標(biāo)是令總花費(fèi)最少，每個(gè)樣本的路徑總長(zhǎng)越長(zhǎng)，與目標(biāo)越遠(yuǎn)。取函數(shù)1/s作為樣本基因的適應(yīng)度。

步驟3-2，評(píng)價(jià)每個(gè)基因的適應(yīng)度，并進(jìn)行歸一化，使所有基因適應(yīng)度相加為1，各基因按適應(yīng)度的比例調(diào)整。

步驟4包括以下步驟：

步驟4-1，對(duì)基因庫(kù)進(jìn)行選擇，通過(guò)取隨機(jī)數(shù)模擬基因被選中的概率，根據(jù)隨機(jī)數(shù)落在樣本適應(yīng)度的空間位置判斷，將適應(yīng)度大(即總花費(fèi)少)的基因劃分為優(yōu)秀基因，其余的基因?yàn)椴粌?yōu)秀基因，選中優(yōu)秀基因；

步驟4-2，對(duì)基因庫(kù)進(jìn)行交叉，截取選中的優(yōu)秀基因的50％，將其和不優(yōu)秀基因進(jìn)行相互交換，按一定概率原則交換兩個(gè)樣本中不同路徑中的50％節(jié)點(diǎn)的位置，進(jìn)行完交叉操作后重新約束每個(gè)樣本，使其滿(mǎn)足步驟1中的模型條件；

步驟4-3，對(duì)基因庫(kù)進(jìn)行變異：對(duì)于不優(yōu)秀基因，單獨(dú)隨機(jī)修改其中的數(shù)據(jù)，即路徑分配以及節(jié)點(diǎn)的經(jīng)過(guò)順序，達(dá)到基因突變的效果，使其成為優(yōu)秀基因；

步驟4-4，記錄步驟4-1～步驟4-3的后生成的各類(lèi)基因數(shù)據(jù)，得到新一代的基因庫(kù)。

步驟5包括：循環(huán)重復(fù)步驟2～步驟4，使基因庫(kù)不斷更新并且遺傳，記錄每一代的最優(yōu)解信息，當(dāng)在一段時(shí)間內(nèi)(如運(yùn)算1分鐘之后)解不再更新，判定最優(yōu)解趨于穩(wěn)定，此時(shí)輸出該最優(yōu)解。

有益效果：本發(fā)明解決了復(fù)雜網(wǎng)絡(luò)成環(huán)問(wèn)題，具有穩(wěn)定、快速的特點(diǎn)，并且具有較強(qiáng)的適應(yīng)性和實(shí)用性。

附圖說(shuō)明

下面結(jié)合附圖和具體實(shí)施方式對(duì)本發(fā)明做更進(jìn)一步的具體說(shuō)明，本發(fā)明的上述和/或其他方面的優(yōu)點(diǎn)將會(huì)變得更加清楚。

圖1是建模流程圖。

圖2是本發(fā)明基于遺傳算法的流程圖。

圖3是多匯聚點(diǎn)使用本發(fā)明的示意圖。

圖4是雙匯聚點(diǎn)使用本發(fā)明的示意圖

具體實(shí)施方式

下面結(jié)合附圖及實(shí)施例對(duì)本發(fā)明做進(jìn)一步說(shuō)明。

1、建立數(shù)學(xué)模型

目標(biāo)函數(shù)：

使得滿(mǎn)足如下條件:

上述表達(dá)式中:

式(1)表示所有離散點(diǎn)都應(yīng)遍歷，但可重復(fù)使用；

不等式(2)表示每條路徑的權(quán)重不超過(guò)路徑的載重；

不等式(3)表示每條路徑經(jīng)過(guò)的離散點(diǎn)總和不大于最大要求點(diǎn)數(shù)，且不小于最小要求點(diǎn)數(shù)；

式(4)表示每條路徑不走回頭路，也不兩次經(jīng)過(guò)相同的線(xiàn)段，即避免成同纜環(huán)。

如圖1所示，為建模流程圖。以2個(gè)匯聚點(diǎn)為例，在環(huán)路最大節(jié)點(diǎn)數(shù)max＝8、同一路徑不得經(jīng)過(guò)2次等限定條件下，建立拓?fù)浣Y(jié)構(gòu)最優(yōu)、建網(wǎng)花費(fèi)最低的數(shù)學(xué)模型。圖2是本發(fā)明基于遺傳算法的流程圖。展示了遺傳算法通過(guò)對(duì)樣本基因庫(kù)采用復(fù)制、交叉、變異等方式進(jìn)行篩選，疊加得到最優(yōu)解的過(guò)程。

2、根據(jù)建立的模型，已知有起點(diǎn)與終點(diǎn)兩個(gè)點(diǎn)，此外還分布著n個(gè)點(diǎn)，各點(diǎn)兩兩之間可能連通(在現(xiàn)實(shí)中即有必要聯(lián)系)，亦可能不連通。要求由起點(diǎn)開(kāi)始經(jīng)過(guò)某些點(diǎn)到達(dá)終點(diǎn)，所經(jīng)過(guò)的點(diǎn)有數(shù)量限制(最小設(shè)為min，最大設(shè)為max)，路徑數(shù)無(wú)限制，但最終且必須遍歷每個(gè)點(diǎn)。

首先，做一些基本處理：將所有1—n個(gè)點(diǎn)編號(hào)，起點(diǎn)為1號(hào)，終點(diǎn)為n號(hào)。計(jì)算各點(diǎn)兩兩間的相關(guān)度，用一組數(shù)表示，若完全不相關(guān)，則取相對(duì)較大的數(shù)，或者正無(wú)窮。

其次，要產(chǎn)生一組樣本空間，步驟如下：

(1)生成一個(gè)樣本的數(shù)組，用于存放路徑以及每條路徑經(jīng)過(guò)的點(diǎn)，數(shù)組為二維，行存放一條路徑經(jīng)過(guò)的點(diǎn)的號(hào)碼，列存放不同路徑的信息。數(shù)組行數(shù)不大于n/min，列數(shù)不大于max。

(2)對(duì)于每條路徑經(jīng)過(guò)點(diǎn)的個(gè)數(shù)限制，本發(fā)明在min到max之間產(chǎn)生一組隨機(jī)整數(shù)，以此作為每條路徑所經(jīng)過(guò)點(diǎn)的數(shù)目。當(dāng)允許有一部分路徑經(jīng)過(guò)更多點(diǎn)時(shí)，可按照概率調(diào)節(jié)：rand()＝10％。

(3)對(duì)路徑數(shù)以及每條路徑經(jīng)過(guò)的點(diǎn)數(shù)進(jìn)行約束，即需要滿(mǎn)足數(shù)組內(nèi)的點(diǎn)包含所有n個(gè)點(diǎn)，當(dāng)要求各點(diǎn)只能利用一次時(shí)，亦可以將數(shù)組調(diào)整為全部n個(gè)點(diǎn)的不重復(fù)隨機(jī)排列。

(4)另設(shè)一份向量描述樣本的信息，即路徑的選擇與長(zhǎng)度等情況。

(5)以上可獲得一份樣本，重復(fù)(1)—(4)可得到一組樣本空間，其中要檢查避免各樣本的相似性過(guò)大，以求獲得較為全面的“基因庫(kù)”。需要注意，樣本空間中的樣本數(shù)量需要根據(jù)實(shí)際情況調(diào)節(jié)，當(dāng)問(wèn)題復(fù)雜度較低時(shí)，樣本數(shù)可取較少(在本例中取3)，當(dāng)問(wèn)題復(fù)雜度較高時(shí)需多取樣。

接下來(lái)，對(duì)獲得的樣本空間進(jìn)行個(gè)體評(píng)價(jià)，步驟如下：

(1)考慮基因適應(yīng)度的計(jì)算。目標(biāo)是令總花費(fèi)最少，每個(gè)樣本的路徑總長(zhǎng)越長(zhǎng)，與目標(biāo)越遠(yuǎn)。取函數(shù)1/s作為樣本基因的適應(yīng)度。

(2)評(píng)價(jià)每個(gè)基因，得到各自的適應(yīng)度，并進(jìn)行歸一化，即使所有基因適應(yīng)度相加為1，各基因按比例調(diào)整。

然后進(jìn)行遺傳算法中的關(guān)鍵操作，即對(duì)“基因庫(kù)：進(jìn)行選擇、交叉、變異操作：

(1)選擇。通過(guò)取隨機(jī)數(shù)模擬基因被選中的概率，根據(jù)隨機(jī)數(shù)落在樣本適應(yīng)度的空間位置判斷，適應(yīng)度大的“優(yōu)秀”基因容易被選中，“不優(yōu)秀”的基因也不會(huì)被完全放棄。

(2)交叉。截取選中的基因的一部分，然后相互交換。即按一定概率原則交換兩個(gè)樣本中不同路徑中的一部分點(diǎn)的位置。優(yōu)秀的基因可能在交叉中誕生。

(3)進(jìn)行完交叉操作后需要重新約束每個(gè)樣本，使其滿(mǎn)足問(wèn)題條件。

(4)變異。對(duì)于一些相比之下“不優(yōu)秀”的基因，單獨(dú)隨機(jī)修改其中的數(shù)據(jù)，即路徑分配以及點(diǎn)的經(jīng)過(guò)順序。此項(xiàng)改動(dòng)可以較大，以達(dá)到“基因突變”的效果，使其有可能成為“優(yōu)秀”的基因。

(5)記錄(1)—(4)的數(shù)據(jù)，得到新一代的“基因庫(kù)”。

最后，通過(guò)循環(huán)重復(fù)上述過(guò)程，使“基因庫(kù)”不斷更新并且遺傳，記錄每一代的最優(yōu)解信息。迭代終止的條件為以下兩種：

(1)人為設(shè)置迭代次數(shù)，如可設(shè)置到達(dá)1000次時(shí)迭代終止，最后的解即視為最優(yōu)解。迭代次數(shù)的設(shè)置可視實(shí)際情況決定。

(2)觀(guān)察每一代的最優(yōu)解，當(dāng)在很長(zhǎng)一段時(shí)間內(nèi)解不再更新，即可認(rèn)為趨于穩(wěn)定，此時(shí)可輸出最優(yōu)解。

圖3是多匯聚點(diǎn)使用本發(fā)明的示意圖。其中abcd為四個(gè)匯聚點(diǎn)，編號(hào)z1～z77為節(jié)點(diǎn)。在多匯聚點(diǎn)的場(chǎng)景下，采用本發(fā)明方法得到最優(yōu)拓?fù)渎窂降慕Y(jié)果。

圖4是雙匯聚點(diǎn)使用本發(fā)明的示意圖，其中ab為兩個(gè)匯聚點(diǎn)，編號(hào)1～10為節(jié)點(diǎn)。在雙匯聚點(diǎn)的場(chǎng)景下，采用本發(fā)明方法得到最優(yōu)拓?fù)渎窂降慕Y(jié)果。

本發(fā)明提供了一種基于遺傳算法的通信傳輸環(huán)網(wǎng)結(jié)構(gòu)設(shè)置方法，具體實(shí)現(xiàn)該技術(shù)方案的方法和途徑很多，以上所述僅是本發(fā)明的優(yōu)選實(shí)施方式，應(yīng)當(dāng)指出，對(duì)于本技術(shù)領(lǐng)域的普通技術(shù)人員來(lái)說(shuō)，在不脫離本發(fā)明原理的前提下，還可以做出若干改進(jìn)和潤(rùn)飾，這些改進(jìn)和潤(rùn)飾也應(yīng)視為本發(fā)明的保護(hù)范圍。本實(shí)施例中未明確的各組成部分均可用現(xiàn)有技術(shù)加以實(shí)現(xiàn)。