[发明专利]电力通信网络业务路由方法及设备有效
| 申请号: | 200910180524.2 | 申请日: | 2009-10-19 |
| 公开(公告)号: | CN101667972A | 公开(公告)日: | 2010-03-10 |
| 发明(设计)人: | 刘建明;张杰;黄善国;李军;陈希;赵子岩;顾畹仪;李茂;罗沛;汪洋 | 申请(专利权)人: | 国网信息通信有限公司;北京邮电大学;中国电力科学研究院 |
| 主分类号: | H04L12/56 | 分类号: | H04L12/56;H04L12/24 |
| 代理公司: | 北京集佳知识产权代理有限公司 | 代理人: | 赵景平;逯长明 |
| 地址: | 100761*** | 国省代码: | 北京;11 |
| 权利要求书: | 查看更多 | 说明书: | 查看更多 |
| 摘要: | |||
| 搜索关键词: | 电力通信 网络 业务 路由 方法 设备 | ||
技术领域
本发明涉及电力通信网络技术领域,具体涉及一种电力通信网络业务路由方法及设备。
背景技术
电力通信网络中的业务路径规划是指在网络环境与业务矩阵确定的条件下,以一定的优化目标,为业务矩阵中的每个业务计算工作或者保护路由并合理配置资源,在满足业务需求的前提下最小化网络的建设成本。此问题本身是一个复杂的多目标优化问题,解决此问题的传统方法一般为整数线性规划法以及一些启发式方法。其中整数线性规划法具有较高的时间复杂度,因此在实际应用中逐渐被启发式算法取代。
在对电力通信网络中的业务路径进行规划时,虽然可以借鉴现有通信网络中的业务规划方法,但这些方法都具有其局限性。比如,整数线性规划法缺乏对搜索空间的控制,所以时间复杂度相对较高,应用困难;而遗传算法所产生解代与代之间的相似度较高,因此容易陷入局部最优解;人工免疫算法的模型简单,易于实现,但性能和可移植性相对较弱;模拟退火算法的全局搜索能力较强,且能有效地跳出局部最优解,但计算量较大,算法时间复杂度较高,收敛速度较慢且存在容易丢失近似最优解的问题,因此往往无法满足网络需返回多条路由的要求。
发明内容
本发明实施例提供一种电力通信网络业务路由方法及设备,以满足电力通信网络中多业务路由的并行计算,并保证工作路由的性能最优。
为此,本发明实施例提供如下技术方案:
一种电力通信网络业务路由方法,包括以下步骤:
A、根据网络优化目标生成目标优化函数;
B、确定业务的起始节点,并将其作为当前节点;
C、利用蚁群算法计算与当前节点相连的各条链路的转移概率,所述转移概率是根据当前各条链路上的信息素计算得到的;
D、依据所述转移概率选择下一跳节点;
E、判断选择的下一跳节点是否为所述业务的目的节点;如果是,则将选择的下一跳节点作为当前节点,并根据所述目标优化函数确定当前各条链路上的信息素,然后重复执行步骤C至步骤E;否则,根据业务的起始节点、以及选择的所有下一跳节点生成对应所述业务的路由。
一种电力通信网络业务路由装置,包括:
优化函数生成单元,用于根据网络优化目标生成目标优化函数;
节点选择单元,用于确定业务的起始节点,并将其作为蚁群所在的当前节点;
信息素确定单元,用于根据所述目标优化函数确定各条链路上的信息素;
转移概率计算单元,利用蚁群算法计算与所述当前节点相连的各条链路的转移概率,所述转移概率是根据当前各条链路上的信息素计算得到的;
所述节点选择单元,还用于依据所述转移概率确定下一跳节点,并将其作为蚁群所在的当前节点;
路由生成单元,用于根据业务的起始节点、以及选择的所有下一跳节点生成对应所述业务的路由;
判断单元,用于判断所述节点选择单元选择的下一跳节点是否为所述业务的目的节点,如果否,则通知所述信息素确定单元根据所述目标优化函数确定当前各条链路上的信息素;如果是,则通知所述路由生成单元根据业务的起始节点、以及选择的所有下一跳节点生成对应所述业务的路由。
本发明实施例提供的电力通信网络业务路由方法及装置,借鉴蚁群算法的解搜索原理,根据网络优化目标生成目标优化函数;利用蚁群算法计算业务路由过程中,根据所述目标优化函数确定当前各条链路上的信息素,根据当前各条链路上的信息素,计算与当前节点相连的各条链路的转移概率,依据所述转移概率选择下一跳节点,实现电力通信网络中多业务路由的规划,并保证工作路由的性能最优。
附图说明
图1是本发明实施例电力通信网络业务路由方法的流程图;
图2是本发明实施例中利用蚁群算法生成业务路由的流程图;
图3是本发明实施例电力通信网络业务路由装置的一种结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明实施例的方案,下面结合附图和实施方式对本发明实施例作进一步的详细说明。
下面首先对蚁群算法的基本原理作简单说明。
蚁群算法是优化领域中新出现的一种仿生进化算法,该算法采用分布式并行计算机制,易与其他方法结合,具有较强的鲁棒性。蚁群算法包含两个基本阶段:适应阶段和协作阶段,在适应阶段,各候选根据积累的信息不断调整自身结构;在协作阶段,候选解之间通过信息交流,以期产生性能更好的解,这类似于学习自动机的学习机制。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于国网信息通信有限公司;北京邮电大学;中国电力科学研究院,未经国网信息通信有限公司;北京邮电大学;中国电力科学研究院许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/200910180524.2/2.html,转载请声明来源钻瓜专利网。
- 上一篇:一种辅酶Q10自乳化微囊及制备方法
- 下一篇:洗衣机/干燥机





