[发明专利]一种基于小生境的多目标粒子群优化的虚拟网络映射方法

摘要

本发明公开了一种基于小生境的多目标粒子群优化的虚拟网络映射方法，实现本方法的过程如下：对虚拟网络映射中节点映射结果进行离散编码为粒子的位置，定义粒子的位置和速度，以及粒子之间的运算规则；通过聚集策略，归一化处理虚拟网络映射中的收益和能量消耗，把多目标的约束问题转变为单目标的约束问题，给出多目标的适应度函数；通过小生境粒子群优化算法解决优化过程中容易陷入局部最优的问题，定义了小生境的半径和合并的条件；通过GT‑TIM网络拓扑生成工具生成虚拟网络拓扑和物理网络拓扑，并通过仿真实验测试，结果表明，运用本方法进行虚拟网络映射实验，虽然在运行时间上稍微长一些，但该方法提高了运算速度，并减少了能量消耗。

主权项

1.一种基于小生境的多目标粒子群优化的虚拟网络映射方法，其特征在于：本方法的实施步骤如下，对虚拟节点映射方案进行离散编码为粒子的位置；将虚拟网络映射的收益和资源消耗作为适应度函数以评价当前方案；每个粒子在迭代过程中根据个体最优信息和全局最优信息来调整自己的位置，以获得虚拟网络映射的近似最优解；通过聚类策略把多约束的问题转变为单约束的问题，利用一个适应度函数来完成；并通过实验模拟仿真验证该算法的有效性；具体包括如下步骤：(1)对虚拟节点映射方案进行离散编码粒子的位置向量被定义为第i个可能的映射方案，D表示该虚拟网络请求中共包含D个虚拟网络节点；取正整数，其值表示第j个虚拟节点从其底层网络候选节点列表中选择的底层网络节点编号；(2)通过聚类策略确定多目标的适应度函数首先，假设收益为E(G_v)，资源消耗为C(G_v)，对上述两个度量指标进行归一化得到E(G_v)_n和C(G_v)_n；然后，加权求和给出多目标的适应度函数：f(G_v)＝αC(G_v)_n+(1‑α)E(G_v)_n这样，就通过聚类策略把多目标的优化问题转变为单目标的优化问题；(3)利用小生境粒子群优化算法解决局部最优问题本方法利用小生境粒子群优化算法，把整个搜索空间划分为多个局部的子空间；在每个子空间中，并行地独立地运行基本的粒子群优化算法；(4)多目标增强的小生境粒子群优化算法的过程如下：步骤1：初始化M粒子作为的粒子；步骤2：利用基本的粒子群优化算法训练M个粒子，通过N步迭代过程；步骤3：对于这些主要的粒子，如果它们的适应度函数比S还要小，这些粒子将被认为是小生境的中心；半径就是中心和另一个解决方案之间的距离；步骤4：对于每一个小生境；步骤5：使用基本粒子群优化算法完成每一次的迭代过程；步骤6：更新每一个小生境的半径；步骤7：允许一个小生境吸收移动到它的粒子，并且和小生境融入一体；步骤8：如果达到结束的标准，就转向步骤9，否则转向步骤4；步骤9：输出虚拟网络映射解决方案并停止；(5)计算收益和能量消耗通过GT‑ITM网络拓扑生成工具生成虚拟网络和物理网络的拓扑结构；虚拟网络和物理网络都是以文件的形式存储，通过C++实现多目标增强的粒子群优化的虚拟网络映射算法。