弹性光网络中基于进化多目标的路由频隙分配方法与流程

本发明属于网络通信领域，主要涉及同时优化弹性光网络中的资源消耗和阻塞率，具体是一种弹性光网络中基于进化多目标的路由频隙分配方法。适用于解决静态业务中选路与资源分配RSA问题。

技术背景

随着因特网业务的爆炸式增长，如何提高频谱利用率和满足不同用户的需求已成为一个亟待解决的工程问题。传统的波分多路复用WDM网络具有传输率高、性价比高和应用广泛等优点，它以固定大小的波长作为最小颗粒度，相邻波长间需要留有保护带宽，难以灵活地适应不同颗粒度的业务请求，且频谱利用率偏低。新型网络的应用对带宽灵活性提出日益迫切的需求，例如数据中心内部通信、不同数据中心互联、云计算、网络功能虚拟化和虚拟机迁移等。在实际应用中，为确保接收端信号质量与滤波效果，分配频谱资源时要遵守频谱一致性约束、频谱连续性约束和频谱冲突约束三个原则，链路中不满足这三个约束条件的频隙资源不能被分配。为此，近年提出频谱分割弹性光路径SLICE网络或弹性光网络，并已有一些理论探讨和实验演示系统。

目前已有的很多研究弹性光网络中的路由和频谱分配RSA问题的文献大部分都是采用启发式算法，个别研究采用智能算法或元启发式算法。智能算法适用于动态和静态业务，实现相对简单而效能较低；元启发式算法主要用于静态业务，实现复杂度和效能均有所提高。RSA问题优化目标一般为最小化资源消耗、呼损率等单目标，大多数研究将频谱资源利用率作为衡量网络性能的重要指标之一。在启发式算法研究方面，M.Jinno等人在文献“Distance-adaptive spectrum resource allocation in spectrum-sliced elastic optical path network”(IEEE Communication Magazine,vol.48,no.9,Aug.2010,pp:138-145)中已研究基于K条最短路的首次命中频谱分配FA-FF启发式算法、K.Christodoulopoulos在文献“Elastic Bandwidth Allocation in Flexible OFDM-Based Optical Networks”(IEEE Communication Magazine,vol.48,no.9,Aug.2010,pp:138-145)中提出了最多频隙数业务优先MSF算法和最长路径优先LPF算法等。T.Hashimoto等人在文献“A Study on Routing,Modulation Level,and Spectrum Allocation Algorithms for Elastic Optical Path Networks.”(IEEE 3rd International Conference on Photonics(ICP).2012.pp:395-399.)中将光路跳数与业务的带宽请求结合而提出两种算法：其一，MPSF(Most path’s slots first)算法按请求频隙数和最短路径之积的降序为业务请求选路；其二，MPKSF(Extended most K path’s slots first)算法按K条最短路径的平均请求时隙的降序为业务请求选路。以上两种自适应算法都是以最小化资源消耗为目标，没有充分考虑到业务丢弃的因素，不能在资源消耗和业务丢弃之间取一个很好的折衷，导致这些算法的相对频谱利用率不是很高。

除了启发式算法以外，还可以用整数线性规划模型ILP或混合整数线性规划模型MILP对RSA问题建模，再用ILOG、LINDO等软件获得最优解。该方法的优点是能看到所提各种算法与最优解的差距，但其计算复杂度高，在中大规模网络中时间消耗太长，仅适合于小规模网络，难以用于解决动态业务的RSA问题。Wei Lu等人在文献“Scalable Network Planning for Elastic Optical Orthogonal Frequency Division Multiplexing(OFDM)Networks.”(8th International Symposium on Communication Systems,Networks&Digital Signal Processing(CSNDSP),2012.pp:1-4.)中首次将遗传算法GA用于解决弹性光网络的RSA问题，该算法采用距离适应和自适应交叉/变异概率的GA算法来优化RSA问题，从而提高了网络性能。但传统的遗传算法存在收敛速度慢、容易陷入局部最优解等问题，有待进一步改进。

在灵活光网络的频隙总数给定时，如果网络中的业务请求非常多，就会出现频谱资源不够用的现象，导致无法为一些业务请求提供所需资源而使业务传输被阻塞，增加丢弃的业务数，从而增加了阻塞率。增加频隙总数或减少业务请求数均可降低阻塞率，由此可见使用的频隙数和业务请求阻塞率这两个性能指标互斥，一个指标的优化会导致另一个指标的劣化。光网络中运营商的需求多种多样，一个运营商考虑业务请求的重要性或收益，愿意增加频隙总数，而另一个运营商可能会考虑传输质量，选择减少业务请求数目。因此，多目标优化会给运营商提供多个资源分配方案的集合，以供不同的运营商选择或同一运营商用于不同情景。

一般解决光网络中多目标优化问题的方法可分为两大类，一类是将多目标优化转化为单目标优化，然后再用解决单目标优化问题的方法来进行求解，如加权求和法、约束求解方法等。但是由于各目标量纲不同、某些目标的最大值无法确定等因素会使得归一化无法实现，导致比例因子(即权重)难以确定，促使结果带有很大的主观性和不确定性；另外，程序的一次运行结果仅能得到一种解决方案，要想得到多个Pareto解需要程序的多次运行，比较麻烦而且耗费时间。另一类方法是使用智能进化算法来求解多目标优化问题，如多目标遗传算法、多目标蚁群算法、多目标模拟退火算法等。多目标进化算法有如下优点：1)能并行地处理一组可行解，不需要分别运算多次便能在一次算法求解过程中找到Pareto最优解集中的多个解；2)不局限于Pareto前沿的形状和连续性，易于处理不连续的凹形的Pareto前沿。

已有文献许多研究WDM网络中基于多目标的路由及波长分配(RWA)算法，WDM网络中的RWA问题是在已有光路或新建光路上为用户业务请求分配波长，而弹性光网络中的RSA问题是在同样环境下为用户业务请求分配频谱，但RSA问题求解更复杂，因为在解决该问题时要考虑保护带宽和业务所需带宽的变化幅度，目前弹性光网络中研究多目标的文献较少，多采用归一化方法，实现比较复杂，且已有的研究不能将多目标优化很好的应用到解决弹性光网络RSA实际问题中去，不能很好的实现使用资源和阻塞率之间的折衷。

技术实现要素：

本发明的目的在于克服上述现有技术的不足，针对静态业务多目标路由和频谱分配RSA问题，借助多目标进化算法的优势，将Pareto优化与遗传算法GA结合，提出一种在满足网络阻塞率要求的情况下，降低资源占用的弹性光网络中基于进化多目标的路由频隙分配方法。

本发明是一种弹性光网络中基于进化多目标的路由频隙分配方法，其特征在于，具体步骤包括有：

(1)输入网络拓扑信息和初始资源配置信息；

(2)计算候选路径：

采用K最短路方法，根据初始资源配置为每个静态业务选择K条候选路径；

(3)产生父代种群P_t：

采用选路与频谱分配染色体编码方法进行编码，得到父代种群；

(4)对染色体进行交叉变异操作产生优化染色体种群Q_t：

4a)采用单点交叉方法对染色体进行交叉操作；

4b)采用均匀变异策略对染色体基因位上的基因进行变异操作，得到优化种群Q_t；

(5)将父代种群P_t和优化后得到的种群Q_t结合生成新的种群R_t＝P_t∪Q_t；

(6)计算新种群中个体的适应度值并排序，采取精英策略形成下一代种群P_t+1：

首先对R_t中的所有个体计算其适应度值并进行快速非支配排序，然后采用拥挤距离排序机制选取合适数量的染色体填充到下一代种群P_t+1；

(7)判断是否继续优化下一代种群P_t+1，完成分配流程：

7a)判断迭代次数t+1是否等于初始资源配置的最大进化代数，若等于，终止下一代染色体种群优化，得到近似最优选路和频谱资源分配方案，结束流程；

7b)否则，返回执行步骤(4)，继续对染色体进行相关操作。

实现本发明的具体思路是：主要借鉴已有的GA算法和MOEA算法提出本发明的MOGA-RSA算法，预先为每个业务请求计算K条最短路径，根据编码方法生成染色体并为每个业务选路；在满足一个频隙仅被一个业务占用、频谱连续性约束和频谱冲突约束三个条件时，为每个业务分配频隙资源；若资源不够用，则将该业务丢弃。本发明在种群进化代数达到最大时终止，在优化了频隙使用资源和阻塞率这两个目标的同时，为现实网络RSA问题提供了多种均衡的资源分配方案。

本发明与现有技术相比具有如下优点：

第一、与加权求和法相比性能更优，本发明得到的解集是一个Pareto非劣前端，得到的曲线上的解都是非劣解，没有一个解点比其他解点更好，每个点都是一种解决方案。因此，用本发明得到的解集可以为解决网络资源分配RSA问题提供多种不同的优化方案。

第二、本发明一次运行可以得到多个解，而加权求和法一次运行只能得到Pareto最优解集中一个解，加权求和算法需要通过改变两个目标的相对权重和运行多次来得到多个解，操作繁琐且所需时间较长，比较麻烦。本发明不存在以上的问题。

第三、加权求和算法中权重值的不同会导致最后结果在Pareto“最优解集”中的位置不同，会对弹性光网络中路由和频谱资源分配带来一定的限制。本发明得到的Pareto解集中解的分布均匀，不存在上述问题。

附图说明(本发明)

图1为本发明的流程示意图；

图2为本发明采用的染色体编码示意图；

图3为本发明采用的交叉操作示意图；

图4为本发明采用的变异操作示意图；

图5为本发明采用的拥挤距离计算示意图；

图6为本发明采用的精英策略示意图；

图7为本发明仿真采用的NSFNet网络拓扑示意图；

图8为本发明仿真得到的三种算法丢弃业务数和使用频隙数对比示意图；

图9为本发明在不同进化代数情况下的性能示意图；

图10为本发明仿真得到的K取值对算法的影响示意图。

具体实施方式

以下结合附图对本发明进行详细描述。

实施例1

本发明针对通信领域中资源消耗和业务丢弃之间难以取得一个很好折衷导致频谱利用率不是很高的问题，提出一种弹性光网络中基于进化多目标的路由频隙分配方法，参见图1，具体步骤包括有：

(1)输入网络拓扑信息和初始资源配置信息，即输入初始网络信息和资源信息，具体需要输入各个网络拓扑结点的位置及其之间连接关系和各条链路物理长度等网络结构信息，输入静态业务流及静态业务个数、总频隙个数、种群规模、选路与频谱分配方法染色体交叉概率、变异概率、迭代次数等信息。

(2)计算候选路径：采用K最短路方法，根据初始资源配置为每个静态业务选择K条候选路径，具体步骤包括有：

2a)：采用迪杰斯特拉算法，得到一条物理长度最短的路径a；

2b)：将路径a作为屏蔽路径；

2c)：从路径a的源结点到路径a的宿结点，依次对路径a的结点间链接编号；

2d)：按照路径a的结点间链接的编号，依次断开路径a的结点间链接，采用迪杰斯特拉算法，得到一条路径；

2e)：判断路径a的结点间链接断开次数是否等于路径a的结点间链接总数，若等于，执行第6步，否则，执行第4步；

2f)：判断路径数量是否小于初始资源配置的候选路径数K，若是，执行第7步，否则，执行第8步；

2g)：选取路径a的下一条邻居路径作为路径a，执行第3步；

2h)：根据初始资源配置的候选路径路数K，任意取出K条路径作为一个静态业务的候选路径。

(3)产生父代种群P_t：

采用选路与频谱分配染色体编码方法进行编码，生成染色体，每条染色体代表网络资源的一种分配方案。根据初始配置的资源信息，生成相应数量的染色体，染色体组成的集合构成父代种群。

(4)对染色体进行交叉变异操作产生优化染色体种群Q_t：

4a)采用单点交叉方法对染色体进行交叉操作；

4b)采用均匀变异策略对染色体基因位上的基因进行变异操作，得到优化种群Q_t。

(5)将父代种群P_t和优化后得到的种群Q_t结合生成新的种群R_t＝P_t∪Q_t。

(6)计算新种群中个体的适应度值并排序，采取精英策略形成下一代种群P_t+1：首先对R_t中的所有个体计算适应度值并进行快速非支配排序，然后采用拥挤距离排序机制选取合适数量的染色体填充到下一代种群P_t+1。

(7)判断是否继续优化下一代种群P_t+1，完成资源分配流程：

7a)判断迭代次数t+1是否等于初始资源配置的最大进化代数，若等于，终止下一代染色体种群优化，得到近似最优选路和频谱资源分配方案，结束流程。最大进化代数就是步骤(1)中输入的迭代次数。

7b)否则，即迭代次数t+1不等于初始资源配置的最大进化代数，返回执行步骤(4)，继续对染色体进行相关操作，直至迭代次数达到最大进化代数，结束弹性光网络中基于进化多目标的路由频隙分配。

本发明同时最小化弹性光网络中使用的频隙数和阻塞率这两个互相牵制的目标，在满足网络阻塞率要求的情况下，降低资源占用，可为运营商或数据中心互连等需求提供带宽变化范围大或频谱利用率高的多种资源分配方案，满足前述不同网络和应用的带宽需求。

实施例2

弹性光网络中基于进化多目标的路由频隙分配方法同实施例1，步骤(3)采用选路与频谱分配染色体编码方法进行编码，生成染色体，每条染色体代表网络资源的一种分配方案。编码方法的具体步骤包括有：

3a)：采用基于选择的K条路径的染色体编码方法编码，每条染色体表示所有业务的一种选路方案；

3b)：染色体的基因个数等于业务请求总数，每个基因位对应一个业务，基因值表示业务的K条最短路径中的一条，染色体的所有初始基因值随机生成。根据初始配置的资源信息，生成相应数量的染色体，染色体组成的集合构成父代种群。

例如，图2中每个业务都有K＝4条最短路径，每个业务的所选路径都是K条最短路径中的一条；第一个业务(1,6)对应基因值为3表示源结点1到宿结点6的业务选择第三条最短路径，即路径1→2→3→4→6。

本发明通过这样的编码方式，可以实现同时为网络中的业务选路和资源分配，避免了传统方法中先选路，再进行频谱分配的繁琐操作，提高了效率。

实施例3

弹性光网络中基于进化多目标的路由频隙分配方法同实施例1-2，步骤4a)所述交叉方法的具体步骤包括有：

4a1)：如图3所示，采用单点交叉，从交配池中随机选择两个父代染色体，产生一个随机数P_random∈(0,1)，若P_random小于预设的交叉概率P_crossover，随机选择一个基因位作为交叉点，对两个个体进行交叉操作，即两个染色体的前一部分保持不变，二者的后一部分相互交换；若P_random大于等于交叉概率，则两个个体保持不变，最后将交叉后的染色体放入子代种群中；

4a2)：当进化代数达到初始资源配置时设定的进化代数的一半后，调节P_crossover随着进化代数的增加而增大，则与进化代数i相关联的第i代的交叉概率函数P_crossover(i)：

P_crossover(i)＝P_{c_min}+(P_{c_max}-P_{c_min})×i/Max_Gen

式中P_{c_min}和P_{c_max}是设定的最小交叉概率和最大交叉概率，即初始资源配置时给出的选路与频谱分配方法染色体交叉概率，Max_Gen是本发明初始资源配置时设定的最大进化代数，即迭代次数。

本发明通过这种交叉策略，保持种群中个体的多样性，避免陷入局部最优和克服早熟收敛。

实施例4

弹性光网络中基于进化多目标的路由频隙分配方法同实施例1-3，步骤4b)所述变异方法的具体步骤包括有：

4b1)：如图4所示，采用均匀变异，针对每条染色体中的每个基因生成(0,1)之间的一个随机数，即P_random∈(0,1)，若P_random小于预设变异概率P_mutation，则将染色体中该基因位上的值等概率变为其他可选值中的一个；否则，该基因位上的值保持不变；

4b2)：本发明采用的变异概率P_mutation与遗传代数i相关联的函数P_mutation(i)：

P_mutation(i)＝P_{m_min}+(P_{m_max}-P_{m_min})×i/Max_Gen

式中P_{m_min}和P_{m_max}是设定的最小变异概率和最大变异概率，即初始资源配置时给出的选路与频谱分配方法染色体变异概率，Max_Gen是本发明初始资源配置时设定的最大进化代数，即迭代次数。

本发明通过这样的变异策略，保持了种群多样性，有利于查找最优解。

实施例5

弹性光网络中基于进化多目标的路由频隙分配方法同实施例1-4，步骤6所述精英策略的具体步骤包括有：

6a)：如图6所示，设种群规模为N，本发明首先将第t代种群P_t与其进化产生的种群Q_t合并成种群R_t，其种群大小变为2N；

6b)：对种群R_t中的所有个体计算其适应度值并进行快速非支配排序，产生一系列非支配集合F_i；

6c)：n_j表示非支配集合F_i(i＝1～j)的种群数，当n_K-1<N和n_K>N，则对F_K中的个体进行拥挤距离排序；

6d)：选取前N-|P_t+1|个个体填充到P_t+1，使P_t+1种群规模达到N。

通过引入精英策略，在选取最优解的同时，保证了种群的多样性，增加了找到最优解的可能，避免早熟收敛。

实施例6

弹性光网络中基于进化多目标的路由频隙分配方法同实施例1-5，步骤6b)所述快速非支配排序步骤如下：

6b1)首先令种群中每个解x∈Pop对应的支配数n_x＝0，即支配解x的所有个体的数量为零；设解x对应的集合S_x＝φ，即解x所支配的个体的集合为空集。

6b2)然后对种群Pop中的每个个体q，如果则S_x＝S_x∪{q}，如果则n_x＝n_x+1。重复此操作得到种群中每个解对应的支配数n_x和集合S_x，并将n_x＝0的解放入到非支配解集前端F₁中，且解x的非支配等级x_rank＝1，初始化前端计数i＝1；

6b3)最后令集合Q为空集，对于每个x∈F_i,执行如下操作：

对于每个解q∈S_x，n_q＝n_q-1；如果n_q＝0，则q_rank＝i+1且Q＝Q∪{q}；

如果Q不为空集，则i＝i+1，F_i＝Q，转到第三步；否则，停止进化迭代；

该方法将种群Pop中的所有个体都进行了比较之后，留在集合F₁中的个体组成非支配排序等级为1的非支配集合。将集合F₁从种群Pop中去除，并重复以上步骤可对所有的个体进行非支配排序。

实施例7

弹性光网络中基于进化多目标的路由频隙分配方法同实施例1-6，步骤6c)所述拥挤距离排序步骤如下：

如图5所示，有两个优化目标，对于每个目标函数，将非劣解集中的解根据该目标函数值的大小进行排序，对每个解点i计算由解点i+1和i-1构成矩形的平均边长，最终的结果就是解i的拥挤距离d_distance(i)。本发明方法将边界解点(某个目标函数的最大或最小值)的拥挤距离设为无穷大，因为这样边界解点更能优先进入到下一代种群，增加种群的多样性。

6c1)一般情况，当有r个目标时，第i个个体的拥挤距离计算如下：

$d_{dis\tan ce}\left(i\right)=\underset{k=1}{\overset{r}{\mathrm{\&Sigma;}}}|f_k(i+1)-f_k(i-1)|$

令r＝2可得：

d_distance(i)＝|f₁(i+1)-f₁(i-1)|+|f₂(i+1)-f₂(i-1)|

为了保证个体拥挤距离的计算不会受到各个目标函数取值范围和量纲不同的影响，本发明方法对参与计算的各个目标函数间的距离根据拥挤距离计算机制进行了归一化处理。

6c2)拥挤距离排序建立在拥挤比较算子的基础上，其定义如下：

if(i_rank<j_rank)or(i_rank＝j_rank)∩(d_{dis tan ce}(i)>d_{dis tan ce}(j))

then

当两个体的非支配等级相同时，则优先考虑拥挤距离大的个体。因此，拥挤比较机制可保证种群的多样性。

下边给出一个更加详尽的例子，对本发明进一步描述：

实施例8

弹性光网络中基于进化多目标的路由频隙分配方法同实施例1-7，参见图1，具体步骤包括：

步骤1，输入网络拓扑信息和初始资源配置信息。

输入各个网络拓扑结点的位置及其之间连接关系和各条链路物理长度等网络结构信息，输入静态业务流及静态业务个数、总频隙个数、种群规模、选路与频谱分配方法染色体交叉概率、变异概率、迭代次数等信息。

步骤2在网络拓扑中为每个静态业务计算候选路径。采用K最短路方法，为每个静态业务计算初始资源并配置K条物理路径长度最短的路径作为其候选路径，每条路径经过多个结点，路径上每两个相邻结点间的连接称为链路。

K最短路径方法的具体步骤如下：

第一步：采用迪杰斯特拉算法，得到一条物理长度最短的路径a；

第二步：将路径a作为屏蔽路径；

第三步：从路径a的源结点到路径a的宿结点，依次对路径a的结点间链接编号；

第四步：按照路径a的结点间链接的编号，依次断开路径a的结点间链接，采用迪杰斯特拉算法，得到一条路径；

第五步：判断路径a的结点间链接断开次数是否等于路径a的结点间链接总数，若等于，执行第6步，否则，执行第4步；

第六步：判断路径数量是否小于初始资源配置的候选路径数K，若是，执行第7步，否则，执行第8步；

第七步：选取路径a的下一条邻居路径作为路径a，执行第3步；

第八步：根据初始资源配置的候选路径路数K，任意取出K条路径作为一个静态业务的候选路径。

步骤3采用选路与频谱分配染色体编码方法编码，产生父代种群P_t：

采用如图2所示的染色体编码结构，每条染色体表示所有业务的一种选路方案。染色体的基因个数等于业务请求总数，每个基因位对应一个业务，基因值表示业务的K条最短路径中的一条，染色体的所有初始基因值随机生成。例如，图2中每个业务都有K＝4条最短路径，每个业务的所选路径都是K条最短路径中的一条；第一个业务(1,6)对应基因值为3表示源结点1到宿结点6的业务选择第三条最短路径，即路径1→2→3→4→6。再如第二个基因位的基因值为2，表示从源结点1到宿结点5的业务选择K条最短路径中的第二条。

步骤4经过交叉变异操作产生优化种群Q_t：

第一步：参见图3，采用单点交叉策略对染色体进行交叉操作。图中所示Crossover point即为交叉点，两条染色体交叉点前部分不变，交叉点后部分互换。

第二步：参见图4，采用均匀变异策略对染色体进行变异操作；若P_random小于预设变异概率P_mutation，则将染色体中该基因位上的值等概率变为其他可选值中的一个。与传统遗传算法不同，本发明通过自适应交叉变异策略优化染色体，避免种群早熟和陷入局部最优，解决了传统遗传算法普遍存在的问题。

步骤5将初始父代种群P_t和优化后得到的种群Q_t结合生成新的种群R_t＝P_t∪Q_t。

步骤6计算新种群中个体的适应度值并排序，采取精英策略形成下一代种群P_t+1，参见图6，采用精英策略选择优秀染色体的过程包括：

第一步：设种群规模为N，本发明MOGA-RSA算法首先将第t代种群P_t与其进化产生的种群Q_t合并成种群R_t，其种群大小变为2N，即步骤5完成的工作。

第二步：对种群R_t中的所有个体计算其适应度值并进行快速非支配排序，产生一系列非支配集合F_i。本发明根据种群中个体之间的支配关系进行排序以决定个体之间的优劣关系，用表达式表示个体p支配个体q，称为支配算子。

第三步：n_j表示非支配集合F_i(i＝1～j)的种群数，当n_K-1<N和n_K>N，则对F_K中的个体进行拥挤距离排序。拥挤距离(crowding distance)是用来估计一个解点周围其他解点密集程度的一个指标，计算方法参见图5。图5表示的是个体i的拥挤距离计算方法，拥挤距离取决于与个体i相邻的两个个体，如图所示，个体i的拥挤距离计算为：

d_distance(i)＝|f₁(i+1)-f₁(i-1)|+|f₂(i+1)-f₂(i-1)|

第四步：选取前N-|P_t+1|个个体填充到P_t+1，使P_t+1种群规模达到N。

具体的实现可参见图1右侧扩展部分。

步骤7判断是否继续优化下一代种群P_t+1，完成资源分配流程：

判断迭代次数是否等于初始资源配置的最大进化代数，若相等，终止染色体优化，得到最优选路和频谱资源分配方案；否则，执行步骤4，再行交叉变异等操作优化染色体，直至迭代结束，得到弹性光网络中最优选路和频谱资源分配方案。

本发明借助多目标进化算法的优势，将Pareto优化与遗传算法GA结合，对弹性光网络中路由与频谱分配RSA问题进行了优化，为运营商提供了多种网络资源分配方案。

实施例9

弹性光网络中基于进化多目标的路由频隙分配方法同实施例1-8，通过对本发明进行仿真，进一步验证了发明方法的优化效果。仿真具体包括：

1.仿真条件

使用图7所示的NSFNet拓扑(14个结点，21条双向链路)进行仿真。仿真参数设置如下：光纤双向链路的最大频隙数均为100个；请求带宽从{5,10,15,20,25,30}Gbps中均匀随机选取，每频隙(FS)带宽5Gbps，业务最大请求频隙数为6，保护带宽GF＝1FS；随机产生120个业务请求，业务请求在所有源宿结点对间随机均匀分布，其丢弃率控制在10％以内；编码中的基因数或可选路由数K＝5，交叉概率为0.9，变异概率为0.08，种群规模是200，最大进化代数6000。仿真得到的仿真图中的横坐标表示使用的频隙数，纵坐标表示丢弃的业务数即阻塞数目，二者都是越小越好，即解点越靠近左下方越优。

2.仿真内容：

为了验证效果，本发明进行了3项仿真。

仿真采用FAR-FF(Fixed Alternate Routing and First-Fit Wavelength Assignment)算法和加权求和法作为本发明的对比算法。FAR-FF算法采用固定可替代路由方式进行选路，采用首次命中方法进行频谱资源分配。加权求和是将多目标问题转化为单目标问题的常用方法，其目标函数的权重对解影响巨大，在仿真中设ω₁和ω₂表示分别使用频隙数和阻塞率的权重，且ω₁+ω₂＝1。在同样的仿真条件下，实现本发明MOGA-RSA算法与加权求和法及FAR-FF的性能对比，加权求和法的解编号1到11分别是权重ω₂从0.0以逐点递增0.1的方式递增到1.0后计算得到的。如图8所示，3号解点和8号解点所得到的解相同，即(ω₁＝0.8,ω₂＝0.2)所得到的解和(ω₁＝0.3,ω₂＝0.7)所得到的解相同。

计算过程中会受到进化代数的影响，仿真中为算法设置不同的进化代数，验证在不同进化代数下，路由频隙分配的性能优劣。图9显示进化代数对仿真结果的影响，仿真中K＝5，即染色体中基因的取值为1到5之间随机变化。

3.仿真结果分析：

从图8中可以看到，本发明MOGA-RSA算法与加权求和法相比，结果明显优于加权求和法和FAR-FF算法。本发明的解集是一个Pareto非劣前端，这条线上的解都是非劣解，没有一个解点比其他解点更好。最优方案取决于目标函数，如图8中所示，如果网络考虑最多使用70个频隙，则最少丢弃5个业务；如果目标是传输所有业务，则最少使用78个频隙。本发明的另一个优点是一次运行可以得到多个解，而加权求和法一次运行只能得到Pareto最优解集中一个解，想要得到多个解需要改变两个目标的相对权重并进行多次运算，增加了运算复杂度和运算时间。

从图8中可以看出，除了本发明MOGA-RSA算法解点(a,b)，加权求和法的解Pareto前端(解点1,3/8,10,11)完全被解点(c～g)支配，即MOGA-RSA算法所得非劣前端在FAR-FF算法所得非劣前端的左下方。在本发明MOGA-RSA算法和加权求和法可比较的Pareto前端“解”中，当丢弃的业务数相等时，本发明MOGA-RSA算法可减少频隙数(2.90％,6.85％,5.41％)；在使用频隙数同为73时，本发明可减少业务丢弃率75％。

由图9可看出随着进化代数的增加，搜索到的非劣前端解集不断向左下方靠拢，且随着进化代数的增加，解集改进的幅度越来越小。当进化代数达到5000、6000、7000时，解集中大部分个体都不变，仅有位于最左边和最右边的个别解不同，这说明当进化代数达到一定值时，解集的收敛性趋于稳定。

图10给出本发明中K参数取值对仿真结果的影响：当K增大时，搜索到的非劣前端向左下方移动，源于较大K可使基因的变化范围增大，每个业务可以选择的路径数增多。随着K的增大，当使用频隙数或丢弃的业务数相同时，丢弃的业务数或使用频隙数会减小。当K等于1时，本发明等效于FR-FF(Fixed Routing and First-Fit Wavelength Assignment)算法，结果只有一个解点。

简而言之，本发明公开的弹性光网络中基于进化多目标的路由频隙分配方法，主要针对弹性光网络中的RSA问题，提出一种基于多目标遗传的路由频隙指派算法MOGA-RSA，实现同时最小化弹性光网络中的使用的频隙数和阻塞率这两个目标。具体步骤包括：1.输入网络拓扑信息和初始资源配置信息；2.采用K最短路方法，为每个静态业务选择初始资源配置数K条候选路径；3.采用选路与频谱分配染色体编码方法编码，得到父代种群P_t；4.通过交叉变异操作产生新种群Q_t；5.将初始父代种群P_t和优化后得到的种群Q_t结合生成新的种群R_t＝P_t∪Q_t；6.计算新种群中个体的适应度值并排序，采取精英策略形成下一代种群P_t+1；7.判断迭代是否终止。本发明通过采用自适应交叉变异策略，非支配排序机制和拥挤距离排序机制，同时最小化弹性光网络中的使用的频隙数和阻塞率这两个目标，减少链路拥塞，均衡分配频谱资源，降低业务阻塞率，提高网络资源利用率，可为运营商或数据中心互连等需求提供带宽变化范围大或频谱利用率高的多种资源分配方案，满足前述不同网络和应用的带宽需求。