专利名称：：基于改进nr-hnnr算法的通信网络路由控制方法
技术领域：
：本发明涉一种通信网络路由控制方法。
背景技术：
：通信网络由一定数量的节点和连接节点的链路构成，路由算法设计的最终目标是为通信网络中由源节点和目标节点组成的源一目标节点对(OD-pair:Originationdestinationpair)找到一条满足一系列限制条件的最优路径。从用户角度出发，这些限制条件可被称为服务等级(GoS:Gradeofservice)和服务质量(QoS:Qualityofservice),包含有时延、时延抖动、阻塞概率、丢包率和吞吐量等指标；从系统管理者角度出发，需要根据链路长短和负载状况进行网络资源分配和调度，以保证不同的GoS和QoS要求。因此，路由算法是保证通信系统有效性和可靠性的重要手段。从上世纪80年代初人工神经网络(ANN:Artificialneuralnetwork)研究再次复苏并成为研究热点以来，ANN发展迅速并扩展到许多应用领域。在通信系统中，可应用领域包括网络规划、接入控制、路由算法、广域网参数调整、差错检验、用户监测和网络稳定性提高、通信量评估、拥塞控制、编译码等。前向网络和反馈网络均被用来解决网络路由问题。Jensen和Frisiani分别应用BP(Backpropagation)网络计算自适应路由和动态路由，但是需要大量样本集训练ANN，然后根据已知输出和实际输出之间的差值来调节系统参数，实用性差。自从H叩field神经网络被用来解决旅行商问题(TSP:Travelingsalesmanproblem)以来，更多的研究集中在应用Hopfidd神经网络求解最短路径。Rauch提出的算法需要预先知道所求路径的链路数量来确定神经元矩阵中列向量的个数，这在实际中无法实现。Thomopoulos等通过忽略TSP中行约束条件的方法寻找最短路径，该方法允许同一节点在所求路径中重复出现，而每个重复节点到自身的自环长度为0，因此路径长度不增加，缺点是因为ANN中神经元数量随通信网络中通信节点呈几何关系(A。增长，对于节点数目众多的大型网络，迭代计算在有限时间内不能完成，实时性差，而且硬件实现困难。Kamoun等人提出在神经网络的能量函数加入一个特殊项，以消除不存在的链路对计算的影响。Zhang试图解决神经元数量过大的问题，并提出了消减ANN规模的方法，但在规模较大的通信网络中效果不明显。
发明内容为了克服已有通信网络路由控制方法的运算速度慢、实时性差、可靠性差、适用范围较小的不足，本发明提供一种提高运算速度、实施性良好、增强可靠性、适用范围更广的基于改进NR-HNNR算法的通信网络路由控制方法。本发明解决其技术问题所采用的技术方案是-一种基于改进NR-HNNR算法的通信网络路由控制方法，所述路由控制方法包括以下步骤歩骤l:由7V个节点构成通信网络，网络中每个节点有若干条链路同其它节点相连，网络表示为G=(『,=,"2，…"w}，|『|=W爿；e『awJ/(1)/:爿4<y,w20网络中每个节点对应于图的一个顶点"j或"j，每条链路对应于一条弧(A^)，叫j为该弧的权值，iV为节点数目；『为顶点的集合，^为弧的集合，/表示对应关系；最短路问题用下式(2)表示<formula>formulaseeoriginaldocumentpage6</formula>其中W。表示源节点，"ZP表示目标节点，Xij为从节点Wi到"j的决策变；根据罚函数法写出的HNNR算法的能量函数为<formula>formulaseeoriginaldocumentpage6</formula>(2)(7)上式(7)中，左边第一项为总路径约束，其中a为距离约束系数；左边第二项为列约束，使HNN稳定时表I中的每一列只有一个元素为1，其它元素为O，6为列约束系数；左边第三项为全局约束，使HNN稳定时表I中共有iV个元素为1，其它元素为0，c为全局约束系数；Ay表示通信节点x和y之间的距离，即弧的长度；v表示HNN网络节点；设定HNNR计算的初始值，包括a,6,c,〃,7^,,^^和收敛判决门限7fe7ioW;其中W、义、cuP为计算变量，r为神经元的时间常数，Ar为运算时间间隔；设定力j为区间均匀分布的随机数；歩骤2:读入^个通信节点之间的距离《"^，>;=1,2...]\0，对于通信网络中不存在的《y，设定为一个较大的数Z『ge"調6w，而对于自环，令《^0(x^);步骤3:按照下(14)、(15)式;w=-昏《,(《川+《,-')-鲁(i-《》《,c""Ln;"、i,2…M)(14)《，=c-//(x=l,2.-.iV;/=l,2...M)(15)计算连接矩阵r和偏置e;歩骤4:取Vx,i(0)的初始值为区间均匀分布的随机数，则均值￡[|]f>,，J=iV/2;矩阵r中第一列源节点对应的元素置为1，其余元素为0;同样最后一列目标节点对应元素为1，其余为0，；标明了OD-pair的位置，并且该两列元素在迭代过程中始终不变；步骤5:根据F-[l+tanh(;i.t/)]/2求反得函数，计算神经元输入初始值",,,(0)=-4/"(l(0)-1)(x,/=1，2…A0;步骤6:按照F=[l+tanh(;i-t/)]/2、At/=—C7/r+0).Af和t/(r+A/)-t/a)+AU进行迭代，并按照SA算法调整A值，每次迭代减小IO，直到满足收敛判决门限772eM/wW。本发明的技术构思为对于一个由W个节点构成通信网络，网络中每个节点有若干条链路同其它节点相连，网络可以用图的方式描述为<7=(『，牟7,，"2广-剩=〃/:爿~>ft),<20网络中每个节点对应于图的一个顶点";，每条链路对应于一条弧("i,"j)，"jj为该弧的权值。通信网络中的路由问题可以看成网络优化中的最短路问题，是在已知的有向网络G气『，X)中，根据给定的OD-pair，寻找一条最优的有向路径。路径所经过的所有弧的权(或费用)的合称为该有向路的权，每对OD-i)air的所有有向路中权最小的一条称为该OD-pair最短路。在不考虑网络链路带宽占用情况下，该最优路径为距离最短路径(SP:.Shcrtestpath),即"ij为弧的长度^;若考虑带宽占用.，"ij为路径权重(弧长和带宽占用的加w,a.《+々.y;/(C-力)，其中C和乂j为链路("i,"j)的归一化带宽和归一化的信息流量，"、^为加权参量)。网络不包含负有向圈时，最短路问题可以用线性规划方法描述如(2).式<formula>formulaseeoriginaldocumentpage8</formula>(2)其中，当决策变量xij-l时，表示("i"j)位于OD-pair路上，x『0表示不在OD-pair路上。对于iV个节点的通信网络，采用连续型HNN解决路由问题需要iV2个神经元，神经元的输入记为f/，偏置记为P，输出记为r。神经元输出F的意义如表I所示表1HNN神经元输出表达式<table>tableseeoriginaldocumentpage8</column></row><table>连续型HNN每个神经元的输出Vij在迭代计算过程中可以取[O,l]区间的任意值。连续型HNN动态方程可描述为<formula>formulaseeoriginaldocumentpage8</formula>(3)其中，r为神经元的时间常数，7为各个神经元之间的连接矩阵。神经元输入输出关系为<formula>formulaseeoriginaldocumentpage8</formula>(4)其中，^称为增益参数。对(3)式积分，得到<formula>formulaseeoriginaldocumentpage8</formula>(5)A/必须足够小，才能用一阶欧拉法计算下一时刻输入<formula>formulaseeoriginaldocumentpage8</formula>(6)反复用(4)(6)式进行迭代，HNN达到稳定状态时可使系统的能量函数最小，该状态就是对应问题的一个解。其中的连接矩阵r可通过构造能量函数求解如下。根据罚函数法写出的HNNR算法的能量函数为<formula>formulaseeoriginaldocumentpage9</formula>其中第一项为总路径约束，a称为距离约束系数；第二项为列约束，使HNN稳定时表I中的每一列只有一个元素为1，其它元素为0，6称为列约束系数；第三项为全局约束，使HNN稳定时表I中共有7V个元素为1，其它元素为0，c称为全局约束系数。Ay表示通信节点x和y之间的距离，即弧的长度。(3)式可以另写为<formula>formulaseeoriginaldocumentpage9</formula>(8)将(7)式带入下面神经网络微分方程(9)中=-~"^(x,/^l，2…A0令式(8)、(9)相等，得到r和^为7;w,—f《,(《川+《,-,)——广c"乂"二-l,2…A0(9)(10)(11)《，=c.iV(.w'=l,2-"iV)其中c^为Kronecker-《函数。为了不失一般性，式(ll)改写为《，=c.//(x,/=l,2.-.iV)(12)其中A为变量。对于并行工作的HNN，矩阵r对称，迭代会收敛到一个稳定点(全局稳定)或一个长度为2的震荡环(局部稳定)，在仿真过程中收敛于局部稳定的情况较多，而且对于参数值选取不当的Hopfield网络，HNNR算法甚至不能工作。解决的办法是采用全局优化的模拟退火算法(SA:Simulatedannealing),消除局部禾急定点、。对于一个确定的网络，可以知道距离最远的OD-pair路径上弧的数量M，也就是说表I中列的数量不必要为iV，可以取M<iV，这样就减少了神经元的数量和迭代运算时间，则上式(7)、(10)和(12)分别改写为WA/1aA/WW"WM工义=1"1/=2二/=1x=l,v-lz_v=l/=10一鲁H)《,广c(x,"l，2…iV;/,^l，2…M)(14)《，=c-a(;c=1,2.--A^/=1，2.'-M)(15)NR-HNNR算法步骤同上所述，但是仿真结果表明迭代计算的次数和时间大为减少。仿真选用16个节点的格形网络，网络模型如图1所示，弧长dxy=2。采用Matlab仿真软件，程序运行的PC配置了InterCeleron1.2G的处理器和256MB内存。本发明的有益效果主要表现在提高运算速度、实施性良好、增强可靠性、适用范围更广，性能更加稳定。图1表示16个节点的格形网络模型的示意图。图2表示原始HNNR算法的不同OD-pair能量随迭代次数变化的坐标示意图，其中横坐标表示迭代次数，纵坐标表示能量函数公式(7)的运算结果。图3表示改进NR-HNNR算法的不同OD-pair能量随迭代次数变化的坐标示意图，其中横坐标表示迭代次数，纵坐标表示能量函数公式(13)的运算结果。具体实施例方式下面结合附图对本发明作进一歩描述。参照图1图3，一种基于改进NR-HNNR算法的通信网络路由控制方法，所述路由控制方法包括以下步骤步骤l:由iV个节点构成通信网络，网络中每个节点有若干条链路同其它节点相连，网络表示为G=(『,"2，…剩二W爿S((",，"》I",，",e^awd''"}(1)/:」—<y,S;0网络中每个节点对应于图的一个顶点"i或nj，每条链路对应于一条弧(",，Wj)，叫j为该弧的权值，iV为节点数目；『为顶点的集合，^为弧的集合，/表示对应关系；最短路问题用下式(2)表示minZZ、_ZU="。O,",^"(""fl(2)其中"。表示源节点，"D表示目标节点，xy为从节点"i到"j的决策变;根据罚函数法写出的HNNR算法的能量函数为"WWW—1^JV7VWZx=i户i/=2Z/=11=1"l力；c=l/=1(7)上式(7)中，左边第一项为总路径约束，其中"为距离约束系数；左边第二项为列约束，使HNN稳定时表I中的每一列只有一个元素为1，其它元素为0，Z)为列约束系数；左边第三项为全局约束，使HNN稳定时表I中共有7V个元素为1，其它元素为0，c为全局约束系数；式y表示通信节点x和y之间的距离，即弧的长度；v表示HNN网络节点；设定HNNR计算的初始值，包括"，Z),c^，r,义,a,AA/和收敛判决门限77^"/w站其中A、A、cc、y为计算变量，r为神经元的时间常数，"为运算时间间隔；设定力为区间均匀分布的随机数；步骤2:读入iV个通信节点之间的距离《y(x^l,2…A0,对于通信网络中不存在的《y，设定为一个较大的数Z^ge",6er，而对于自环，令《广0(x-力；步骤3:按照下(14)、(15)式<formula>formulaseeoriginaldocumentpage12</formula>计算连接矩阵r和偏置e;步骤4:取Vx,i(0)的初始值为区间均匀分布的随机数，则均值￡[￡i>w]=iV/2;矩阵F中第一列源节点对应的元素置为1，其余元素为0;同样最后一列目标节点对应元素为1，其余为0，；标明了OD-pair的位置，并且该两列元素在迭代过程中始终不变；步骤5:根据F:[l+tanh(;i.[/)]/2求反得函数，计算神经元输入初始值<formula>formulaseeoriginaldocumentpage12</formula>歩骤6:按照<formula>formulaseeoriginaldocumentpage12</formula>进行迭代，并按照SA算法调整义值，每次迭代减小10，直到满足收敛判决门限772eny/wW。本实施例的仿真选用16个节点的格形网络，网络模型如图1所示，弧长Jxy=2。采用Matlab仿真软件，程序运行的PC配置了InterCeleron1.2G的处理器和256MB内存。选定网络中距离最远的两个节点1和16构成一个OD-pair，依照HNNR算法，设定参数"=1禾1]"=1，按照SA算法，义=250(初值)和"=20(终值)。得到最优路径如表2所示，行表示通信节点编号，列表示该节点在最优路径上的次序。同样，按照NR-HNNR算法，得到最优路径如表3所示。若选择节点1和12、14、16，节点13和8构成OD-pairs，采用HNNR和NR-HNNR算法得到的最优路由及其仿真性能如表4所示。<table>tableseeoriginaldocumentpage13</column></row><table>后陡降，最终趋于平稳，如图3。神经网络的计算对各种运算参数非常敏感，参数选择不当，会造成路由计算迭代次数的增加，延长仿真时间，甚至导致收敛错误，表格5~12分别分析了通信网络和神经网络参数对HNNR和NR-HNNR算法迭代性能的影响，均以OD-pair(1,16)为例。<table>tableseeoriginaldocumentpage14</column></row><table><table>tableseeoriginaldocumentpage15</column></row><table>表12注表512中"一"表示算法在该参数条件下迭代错误、路由计算有i乂。"/"前、后两数字表示HNNR、NR-HNNR算法参数。对于Hopfield神经网络，存在参数变化最优参数值和取值区间，使得路由计算正确，算法稳定。通过式(7)、(13)和上述各表，发现参数a,6,c，/z和r的取值不但能够影响迭代次数，进而影响仿真时间，还能影响迭代稳定时的系统能量；而其它三个参数不能影响稳定能量。因为神经元数量减少，NR-HNNR算法的参数可取之范围比HNNR算法的取值范围宽，因此在网络结构发生变化的情况下，NR-HNNR算法具有更加优越的适应性。对于本文中16的节点的网络模型，各参数最优值和取值区间列于表13中，收敛判决门限7^n/zoW可根据需要选定。并且，建议依照下面关系选择约束系数fl<<6，ac，6^2c。<table>tableseeoriginaldocumentpage15</column></row><table>表13本实施例的反馈型神经网络能够用来计算通信网络中的路由问题，应用连续型Hopfield神经网络并行运算选取最优路径，并采用全局优化的模拟退火算法解决H叩fidd网络局部收敛问题。本文提出神经网络规模縮小化的路由算法，更加快速的完成路由解算，便于硬件实现。分析表明NR-HNNR算法迭代性能优于HNNR算法，神经元的减少不但提高了迭代运算速度，而且增强了运算的可靠性，同时RN-HNNR算法对于网络参数的敏感性降低，适用范围更广泛，性能更稳定。虽然本发明已经参照各个具体的例子进行了描述，但是应当理解，对它的各种变形和修改没有超出本发明的精神和范围。权利要求1、一种基于改进NR-HNNR算法的通信网络路由控制方法，所述路由控制方法包括以下步骤步骤1由N个节点构成通信网络，网络中每个节点有若干条链路同其它节点相连，网络表示为G＝(W，A)，W＝{n1，n2，…nN}，|W|＝N<mathsid="math0001"num="0001"><math><![CDATA[<mrow><mi>A</mi><mo>⊆</mo><mo>{</mo><mrow><mo>(</mo><msub><mi>n</mi><mi>i</mi></msub><mo>,</mo><msub><mi>n</mi><mi>j</mi></msub><mo>)</mo></mrow><mo>|</mo><msub><mi>n</mi><mi>i</mi></msub><mo>,</mo><msub><mi>n</mi><mi>j</mi></msub><mo>∈</mo><mi>Wandi</mi><mo>≠</mo><mi>j</mi><mo>}</mo><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></mrow>]]></math></maths>fA→ω，ω≥0网络中每个节点对应于图的一个顶点ni或nj，每条链路对应于一条弧(ni，nj)，ωij为该弧的权值，N为节点数目；W为顶点的集合，A为弧的集合，f表示对应关系；最短路问题用下式(2)表示<mathsid="math0002"num="0002"><math><![CDATA[<mrow><mi>min</mi><munder><mi>Σ</mi><mrow><mrow><mo>(</mo><msub><mi>n</mi><mi>i</mi></msub><mo>,</mo><msub><mi>n</mi><mi>j</mi></msub><mo>)</mo></mrow><mo>∈</mo><mi>A</mi></mrow></munder><msub><mi>ω</mi><mi>ij</mi></msub><msub><mi>x</mi><mi>ij</mi></msub></mrow>]]></math></maths><mathsid="math0003"num="0003"><math><![CDATA[<mrow><munder><mi>Σ</mi><mrow><mrow><mo>(</mo><msub><mi>n</mi><mi>i</mi></msub><mo>,</mo><msub><mi>n</mi><mi>j</mi></msub><mo>)</mo></mrow><mo>∈</mo><mi>A</mi></mrow></munder><msub><mi>x</mi><mi>ij</mi></msub><mo>-</mo><munder><mi>Σ</mi><mrow><mrow><mo>(</mo><msub><mi>n</mi><mi>i</mi></msub><mo>,</mo><msub><mi>n</mi><mi>j</mi></msub><mo>)</mo></mrow><mo>∈</mo><mi>A</mi></mrow></munder><msub><mi>x</mi><mi>ji</mi></msub><mo>=</mo><mfencedopen='{'close=''><mtable><mtr><mtd><mn>1</mn><mo>,</mo><msub><mi>n</mi><mi>i</mi></msub><mo>=</mo><msub><mi>n</mi><mi>O</mi></msub></mtd></mtr><mtr><mtd><mo>-</mo><mn>1</mn><mo>,</mo><msub><mi>n</mi><mi>i</mi></msub><mo>=</mo><msub><mi>n</mi><mi>D</mi></msub></mtd></mtr><mtr><mtd><mn>0</mn><mo>,</mo><msub><mi>n</mi><mi>i</mi></msub><mo>≠</mo><msub><mi>n</mi><mi>O</mi></msub><mo>,</mo><msub><mi>n</mi><mi>D</mi></msub></mtd></mtr></mtable></mfenced><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>2</mn><mo>)</mo></mrow></mrow>]]></math></maths>xij≥0其中no表示源节点，nD表示目标节点，xij为从节点ni到nj的决策变；根据罚函数法写出的HNNR算法的能量函数为<mathsid="math0004"num="0004"><math><![CDATA[<mrow><mi>E</mi><mo>=</mo><mfrac><mi>a</mi><mn>2</mn></mfrac><munderover><mi>Σ</mi><mrow><mi>x</mi><mo>=</mo><mn>1</mn></mrow><mi>N</mi></munderover><munderover><munder><mi>Σ</mi><mrow><mi>y</mi><mo>=</mo><mn>1</mn></mrow></munder><mrow><mi>y</mi><mo>≠</mo><mi>x</mi></mrow><mi>N</mi></munderover><munderover><mi>Σ</mi><mrow><mi>i</mi><mo>=</mo><mn>2</mn></mrow><mrow><mi>N</mi><mo>-</mo><mn>1</mn></mrow></munderover><msub><mi>d</mi><mrow><mi>x</mi><mo>,</mo><mi>y</mi></mrow></msub><msub><mi>v</mi><mrow><mi>x</mi><mo>,</mo><mi>i</mi></mrow></msub><mrow><mo>(</mo><msub><mi>v</mi><mrow><mi>y</mi><mo>,</mo><mi>i</mi><mo>+</mo><mn>1</mn></mrow></msub><mo>+</mo><msub><mi>v</mi><mrow><mi>y</mi><mo>,</mo><mi>i</mi><mo>-</mo><mn>1</mn></mrow></msub><mo>)</mo></mrow><mo>+</mo><mfrac><mi>b</mi><mn>2</mn></mfrac><munderover><mi>Σ</mi><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>N</mi></munderover><munderover><mi>Σ</mi><mrow><mi>x</mi><mo>=</mo><mn>1</mn></mrow><mi>N</mi></munderover><munderover><munder><mi>Σ</mi><mrow><mi>y</mi><mo>=</mo><mn>1</mn></mrow></munder><mrow><mi>y</mi><mo>≠</mo><mi>x</mi></mrow><mi>N</mi></munderover><msub><mi>v</mi><mrow><mi>x</mi><mo>,</mo><mi>i</mi></mrow></msub><msub><mi>v</mi><mrow><mi>y</mi><mo>,</mo><mi>i</mi></mrow></msub><mo>+</mo><mfrac><mi>c</mi><mn>2</mn></mfrac><msup><mrow><mo>(</mo><munderover><mi>Σ</mi><mrow><mi>x</mi><mo>=</mo><mn>1</mn></mrow><mi>N</mi></munderover><munderover><mi>Σ</mi><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>N</mi></munderover><msub><mi>v</mi><mrow><mi>x</mi><mo>,</mo><mi>i</mi></mrow></msub><mo>-</mo><mi>N</mi><mo>)</mo></mrow><mn>2</mn></msup><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>7</mn><mo>)</mo></mrow></mrow>]]></math></maths>上式(7)中，左边第一项为总路径约束，其中a为距离约束系数；左边第二项为列约束，使HNN稳定时表I中的每一列只有一个元素为1，其它元素为0，b为列约束系数；左边第三项为全局约束，使HNN稳定时表I中共有N个元素为1，其它元素为0，c为全局约束系数；dxy表示通信节点x和y之间的距离，即弧的长度；v表示HNN网络节点；设定HNNR计算的初始值，包括a，b，c，μ，τ，λ，α，β，Δt和收敛判决门限Thershold；其中μ、λ、α、β为计算变量，τ为神经元的时间常数，Δt为运算时间间隔；设定fij为区间均匀分布的随机数；步骤2读入N个通信节点之间的距离dx，y(x，y＝1，2...N)，对于通信网络中不存在的dx，y，设定为一个较大的数Largenumber，而对于自环，令dx，y＝0(x＝y)；步骤3按照下(14)、(15)式<mathsid="math0005"num="0005"><math><![CDATA[<mrow><msub><mi>T</mi><mrow><mi>xi</mi><mo>,</mo><mi>y</mi><mo>·</mo><mi>j</mi></mrow></msub><mo>=</mo><mo>-</mo><mfrac><mi>a</mi><mn>2</mn></mfrac><msub><mi>d</mi><mrow><mi>x</mi><mo>,</mo><mi>y</mi></mrow></msub><mrow><mo>(</mo><msub><mi>δ</mi><mrow><mi>j</mi><mo>,</mo><mi>i</mi><mo>+</mo><mn>1</mn></mrow></msub><mo>+</mo><msub><mi>δ</mi><mrow><mi>j</mi><mo>,</mo><mi>i</mi><mo>-</mo><mn>1</mn></mrow></msub><mo>)</mo></mrow><mo>-</mo><mfrac><mi>b</mi><mn>2</mn></mfrac><mrow><mo>(</mo><mn>1</mn><mo>-</mo><msub><mi>δ</mi><mrow><mi>x</mi><mo>,</mo><mi>y</mi></mrow></msub><mo>)</mo></mrow><msub><mi>δ</mi><mrow><mi>i</mi><mo>,</mo><mi>j</mi></mrow></msub><mo>-</mo><mi>c</mi><mrow><mo>(</mo><mi>x</mi><mo>,</mo><mi>y</mi><mo>=</mo><mn>1,2</mn><mo>.</mo><mo>.</mo><mo>.</mo><mi>N</mi><mo>;</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>=</mo><mn>1,2</mn><mo>.</mo><mo>.</mo><mo>.</mo><mi>M</mi><mo>)</mo></mrow><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>14</mn><mo>)</mo></mrow></mrow>]]></math></maths>θx，i＝c·μ(x＝1，2…N；i＝1，2…M)(15)计算连接矩阵T和偏置θ；步骤4取vx，i(0)的初始值为区间均匀分布的随机数，则均值id="icf0006"file="A2009101011530003C2.tif"wi="34"he="10"top="106"left="28"img-content="drawing"img-format="tif"orientation="portrait"inline="yes"/>矩阵V中第一列源节点对应的元素置为1，其余元素为0；同样最后一列目标节点对应元素为1，其余为0，；标明了OD-pair的位置，并且该两列元素在迭代过程中始终不变；步骤5根据V＝[1+tanh(λ·U)]/2求反得函数，计算神经元输入初始值<mathsid="math0006"num="0006"><math><![CDATA[<mrow><msub><mi>u</mi><mrow><mi>x</mi><mo>,</mo><mi>i</mi></mrow></msub><mrow><mo>(</mo><mn>0</mn><mo>)</mo></mrow><mo>=</mo><mo>-</mo><mfrac><mn>1</mn><mi>λ</mi></mfrac><mi>ln</mi><mrow><mo>(</mo><mn>1</mn><mo>/</mo><msub><mi>v</mi><mrow><mi>x</mi><mo>,</mo><mi>i</mi></mrow></msub><mrow><mo>(</mo><mn>0</mn><mo>)</mo></mrow><mo>-</mo><mn>1</mn><mo>)</mo></mrow><mrow><mo>(</mo><mi>x</mi><mo>,</mo><mi>i</mi><mo>=</mo><mn>1,2</mn><mo>.</mo><mo>.</mo><mo>.</mo><mi>N</mi><mo>)</mo></mrow><mo>;</mo></mrow>]]></math></maths>步骤6按照V＝[1+tanh(λ·U)]/2、ΔU＝(T·V-U/τ+θ)·Δt和U(t+Δt)＝U(t)+ΔU进行迭代，并按照SA算法调整λ值，每次迭代减小10，直到满足收敛判决门限Thershold。全文摘要一种基于改进NR-HNNR算法的通信网络路由控制方法，设定HNNR计算的初始值，包括收敛判决门限Thershold；设定f<sub>ij</sub>为区间均匀分布的随机数；读入N个通信节点之间的距离d<sub>x，y</sub>(x，y＝1，2…N)，如通信网络中不存在的d<sub>x，y</sub>，设定为一个较大的数Largenumber，而对于自环，令d<sub>x，y</sub>＝0(x＝y)；按照(14)、(15)计算连接矩阵T和偏置θ；取v<sub>x，i</sub>(0)的初始值为区间均匀分布的随机数，均值E[∑∑v<sub>x，i</sub>]＝N/2；根据V＝[1+tanh(λ·U)]/2求反得函数，计算神经元输入初始值u<sub>x，i</sub>(0)＝-(1/λ)ln(1/v<sub>x，i</sub>(0)-1)(x，i＝1，2…N)；按照V＝[1+tanh(λ·U)]/2、ΔU＝(T·V-U/τ+θ)·Δt和U(t+Δt)＝U(t)+ΔU进行迭代，直到满足收敛判决门限Thershold。本发明能提高运算速度、实时性良好、增强可靠性、适用范围更广。文档编号H04L12/56GK101651618SQ20091010115公开日2010年2月17日申请日期2009年7月23日优先权日2009年7月23日发明者晖李申请人:浙江大学