一种基于遗传算法的通信传输环网结构设置方法与流程

本发明涉及一种传输网络节点成环规划方法，特别是对于已知一个区域内1对或多对汇聚节点、多个接入节点位置，以及节点间光缆路由信息的场景，该方法可以快速、稳定的选择1个或多个成环路由、同时有效避免同路由。

背景技术：

城域传输网一般可分为三层结构：核心层、汇聚层、接入层。核心层由核心节点组成，一般有交换局、长途局、数据中心及关口局等，负责核心节点间大容量中继电路，与省/本地长途网的互联互通，与其它网络的互联互通。网络结构相对稳定，业务可靠性、安全性要求高。网络节点数量少、业务容量大、电路调度频繁。汇聚层由汇聚节点组成，负责一定区域内业务汇聚和疏导，要求具有强大的业务调度能力。汇聚层的存在避免了接入点直接入核心层，导致的接入网跨度大、主干光纤消耗严重等问题。接入层处在网络末端，进行业务的接入。

多年来，传输技术迅猛发展，历经了pdh(plesiochronousdigitalhierarchy，准同步数字系列)、sdh(synchronousdigitalhierarchy，同步数字体系)、mstp(multi-servicetransferplatform，多生成树协议)、wdm(wavelengthdivisionmultiplexing，密集波分复用)、ptn(分组传送网，packettransportnetwork)、otn(光传送网，opticaltransportnetwork)等多种传输技术的洗礼，同时，上层业务拓扑结构一直保持多样性，但汇聚层和接入层网络拓扑始终以环网结构为主。环网结构最重要的优势是结构简单、容易实现，并且环网结构可以方便的实施保护，同时又比同样可以实施传输层面保护的网状网结构建设代价低得多。

影响传输汇聚环和接入环的成环的因素很多，包括节点位置、节点间光缆路由现状、节点间新建光缆的可行性和成本、电信维护部门对环网的要求(如每个环上的最大节点数、不能同路由)等。传统的规划方案基本基于网络现状的优化，大部分均为定性分析，即便有定量分析，当节点数量较多，光缆路由选择余地较大时，也无法遍历所有可能性，所规划的网络往往不是最优解。随着5g的发展，未来5g室外站的数量将比4g成倍增加，亟需一种能够稳定、快速的数学方法规划接入网络成环问题。

技术实现要素：

发明目的：本发明所要解决的技术问题是针对传统网络成环定性规划方法在节点和路径数量猛增的情况下难以实现最优解，以及难以满足未来大规模站点和路径的情况下，提供一种基于遗传算法的通信传输环网结构设置方法。

技术方案：本发明公开了一种基于遗传算法的通信传输环网结构设置方法，包括以下步骤：

步骤1，建立模型；

步骤2，根据建立的模型，随机初始化两个以上包含路径选择与长度信息的向量，作为初始节点路径样本库；

步骤3，对初始节点路径样本库进行个体评价，取1/s作为样本的适应度，并进行归一化，s为样本的路径总长；

步骤4，按照遗传算法对路径样本库进行节点和路径选择、路径交叉和重新约束、路径突变操作，形成新一代节点路径样本库；

步骤5，得到节点路径最优解。

步骤1包括：

建立如下目标函数z：

设由起点出发分出k条路径，每条路径的初始载重为1，随着深度搜索载重变为hk，k＝1，2，3……n，第i个节点的权重为di，i＝1，2，3……n，n为节点的个数，节点i到节点j之间的相关度为cij，i、j＝1，2，3……n，n为节点的个数；

设nk为第k条路径需要经过的节点总数，用集合rk{rki≤i≤nk}来对应第k条路径要经过的节点，其中rki表示第k条路径要到达的的第i个节点，rk0表示第k条路径的起始点，

使其满足如下条件：

其中，式(1)中，q为节点集合；

不等式(2)表示每条路径的权重不超过路径的载重；

不等式(3)表示每条路径经过的节点总和不大于最大要求点数，且不小于最小要求点数；

式(4)表示每条路径不走回头路，也不两次经过相同的线段，x和y分别为路径的起点与终点，kx和ky分别表示第k条路径的起始节点和终止节点，km和kl表示第k条路径当中位于起点和终点之间的节点，t表示经过的路由，tkx即第k条路径由起点出发经过的路由，tky表示第k条路径由终点返回经过的路由。

步骤2包括以下步骤：

步骤2-1，已知有起点与终点两个点以及其他n个节点，将所有n个将要成环的接入节点编号，起点为1号，终点为n号，计算各节点两两间的相关度，用一组数cij表示，若完全不相关，则取如65525等极大数，或者正无穷；

步骤2-2，生成一个路径样本的数组，用于存放路径以及每条路径经过的点，数组为二维，行存放一条路径经过的节点的号码，列存放不同路径的长度信息，数组行数不大于n/min，列数不大于max，min表示环路最小节点数，max表示环路最大节点数；

步骤2-3，对于每条路径经过节点的个数进行限制：通过在min(环路最小节点数，取1)到max(环路最大节点数，取8)之间产生一组随机整数，以此作为每条路径所经过节点的数目；

步骤2-4，对路径数以及每条路径经过的节点数进行约束，即需要满足数组内的点包含所有n个点，当要求各节点只能利用一次时，将数组调整为全部n个节点的不重复随机排列；

步骤2-5，另设一份向量描述样本的信息，即路径的选择与长度信息，将其作为一个样本基因；

步骤2-6，获得一份样本基因后，重复步骤2-1～步骤2-4得到一组样本基因空间，据此得到多个样本基因组成的基因库。需要注意，基因库中的样本基因需要根据实际情况调节，当问题复杂度较低时，样本基因数可取较少，当问题复杂度较高时需多取样。

步骤3包括以下步骤：

步骤3-1，考虑基因适应度的计算：目标是令总花费最少，每个样本的路径总长越长，与目标越远。取函数1/s作为样本基因的适应度。

步骤3-2，评价每个基因的适应度，并进行归一化，使所有基因适应度相加为1，各基因按适应度的比例调整。

步骤4包括以下步骤：

步骤4-1，对基因库进行选择，通过取随机数模拟基因被选中的概率，根据随机数落在样本适应度的空间位置判断，将适应度大(即总花费少)的基因划分为优秀基因，其余的基因为不优秀基因，选中优秀基因；

步骤4-2，对基因库进行交叉，截取选中的优秀基因的50％，将其和不优秀基因进行相互交换，按一定概率原则交换两个样本中不同路径中的50％节点的位置，进行完交叉操作后重新约束每个样本，使其满足步骤1中的模型条件；

步骤4-3，对基因库进行变异：对于不优秀基因，单独随机修改其中的数据，即路径分配以及节点的经过顺序，达到基因突变的效果，使其成为优秀基因；

步骤4-4，记录步骤4-1～步骤4-3的后生成的各类基因数据，得到新一代的基因库。

步骤5包括：循环重复步骤2～步骤4，使基因库不断更新并且遗传，记录每一代的最优解信息，当在一段时间内(如运算1分钟之后)解不再更新，判定最优解趋于稳定，此时输出该最优解。

有益效果：本发明解决了复杂网络成环问题，具有稳定、快速的特点，并且具有较强的适应性和实用性。

附图说明

下面结合附图和具体实施方式对本发明做更进一步的具体说明，本发明的上述和/或其他方面的优点将会变得更加清楚。

图1是建模流程图。

图2是本发明基于遗传算法的流程图。

图3是多汇聚点使用本发明的示意图。

图4是双汇聚点使用本发明的示意图

具体实施方式

下面结合附图及实施例对本发明做进一步说明。

1、建立数学模型

目标函数：

使得满足如下条件:

上述表达式中:

式(1)表示所有离散点都应遍历，但可重复使用；

不等式(2)表示每条路径的权重不超过路径的载重；

不等式(3)表示每条路径经过的离散点总和不大于最大要求点数，且不小于最小要求点数；

式(4)表示每条路径不走回头路，也不两次经过相同的线段，即避免成同缆环。

如图1所示，为建模流程图。以2个汇聚点为例，在环路最大节点数max＝8、同一路径不得经过2次等限定条件下，建立拓扑结构最优、建网花费最低的数学模型。图2是本发明基于遗传算法的流程图。展示了遗传算法通过对样本基因库采用复制、交叉、变异等方式进行筛选，叠加得到最优解的过程。

2、根据建立的模型，已知有起点与终点两个点，此外还分布着n个点，各点两两之间可能连通(在现实中即有必要联系)，亦可能不连通。要求由起点开始经过某些点到达终点，所经过的点有数量限制(最小设为min，最大设为max)，路径数无限制，但最终且必须遍历每个点。

首先，做一些基本处理：将所有1—n个点编号，起点为1号，终点为n号。计算各点两两间的相关度，用一组数表示，若完全不相关，则取相对较大的数，或者正无穷。

其次，要产生一组样本空间，步骤如下：

(1)生成一个样本的数组，用于存放路径以及每条路径经过的点，数组为二维，行存放一条路径经过的点的号码，列存放不同路径的信息。数组行数不大于n/min，列数不大于max。

(2)对于每条路径经过点的个数限制，本发明在min到max之间产生一组随机整数，以此作为每条路径所经过点的数目。当允许有一部分路径经过更多点时，可按照概率调节：rand()＝10％。

(3)对路径数以及每条路径经过的点数进行约束，即需要满足数组内的点包含所有n个点，当要求各点只能利用一次时，亦可以将数组调整为全部n个点的不重复随机排列。

(4)另设一份向量描述样本的信息，即路径的选择与长度等情况。

(5)以上可获得一份样本，重复(1)—(4)可得到一组样本空间，其中要检查避免各样本的相似性过大，以求获得较为全面的“基因库”。需要注意，样本空间中的样本数量需要根据实际情况调节，当问题复杂度较低时，样本数可取较少(在本例中取3)，当问题复杂度较高时需多取样。

接下来，对获得的样本空间进行个体评价，步骤如下：

(1)考虑基因适应度的计算。目标是令总花费最少，每个样本的路径总长越长，与目标越远。取函数1/s作为样本基因的适应度。

(2)评价每个基因，得到各自的适应度，并进行归一化，即使所有基因适应度相加为1，各基因按比例调整。

然后进行遗传算法中的关键操作，即对“基因库：进行选择、交叉、变异操作：

(1)选择。通过取随机数模拟基因被选中的概率，根据随机数落在样本适应度的空间位置判断，适应度大的“优秀”基因容易被选中，“不优秀”的基因也不会被完全放弃。

(2)交叉。截取选中的基因的一部分，然后相互交换。即按一定概率原则交换两个样本中不同路径中的一部分点的位置。优秀的基因可能在交叉中诞生。

(3)进行完交叉操作后需要重新约束每个样本，使其满足问题条件。

(4)变异。对于一些相比之下“不优秀”的基因，单独随机修改其中的数据，即路径分配以及点的经过顺序。此项改动可以较大，以达到“基因突变”的效果，使其有可能成为“优秀”的基因。

(5)记录(1)—(4)的数据，得到新一代的“基因库”。

最后，通过循环重复上述过程，使“基因库”不断更新并且遗传，记录每一代的最优解信息。迭代终止的条件为以下两种：

(1)人为设置迭代次数，如可设置到达1000次时迭代终止，最后的解即视为最优解。迭代次数的设置可视实际情况决定。

(2)观察每一代的最优解，当在很长一段时间内解不再更新，即可认为趋于稳定，此时可输出最优解。

图3是多汇聚点使用本发明的示意图。其中abcd为四个汇聚点，编号z1～z77为节点。在多汇聚点的场景下，采用本发明方法得到最优拓扑路径的结果。

图4是双汇聚点使用本发明的示意图，其中ab为两个汇聚点，编号1～10为节点。在双汇聚点的场景下，采用本发明方法得到最优拓扑路径的结果。

本发明提供了一种基于遗传算法的通信传输环网结构设置方法，具体实现该技术方案的方法和途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。