專利名稱::基于改進nr-hnnr算法的通信網(wǎng)絡路由控制方法
技術(shù)領(lǐng)域:
:本發(fā)明涉一種通信網(wǎng)絡路由控制方法。
背景技術(shù):
:通信網(wǎng)絡由一定數(shù)量的節(jié)點和連接節(jié)點的鏈路構(gòu)成,路由算法設(shè)計的最終目標是為通信網(wǎng)絡中由源節(jié)點和目標節(jié)點組成的源一目標節(jié)點對(OD-pair:Originationdestinationpair)找到一條滿足一系列限制條件的最優(yōu)路徑。從用戶角度出發(fā),這些限制條件可被稱為服務等級(GoS:Gradeofservice)和服務質(zhì)量(QoS:Qualityofservice),包含有時延、時延抖動、阻塞概率、丟包率和吞吐量等指標;從系統(tǒng)管理者角度出發(fā),需要根據(jù)鏈路長短和負載狀況進行網(wǎng)絡資源分配和調(diào)度,以保證不同的GoS和QoS要求。因此,路由算法是保證通信系統(tǒng)有效性和可靠性的重要手段。從上世紀80年代初人工神經(jīng)網(wǎng)絡(ANN:Artificialneuralnetwork)研究再次復蘇并成為研究熱點以來,ANN發(fā)展迅速并擴展到許多應用領(lǐng)域。在通信系統(tǒng)中,可應用領(lǐng)域包括網(wǎng)絡規(guī)劃、接入控制、路由算法、廣域網(wǎng)參數(shù)調(diào)整、差錯檢驗、用戶監(jiān)測和網(wǎng)絡穩(wěn)定性提高、通信量評估、擁塞控制、編譯碼等。前向網(wǎng)絡和反饋網(wǎng)絡均被用來解決網(wǎng)絡路由問題。Jensen和Frisiani分別應用BP(Backpropagation)網(wǎng)絡計算自適應路由和動態(tài)路由,但是需要大量樣本集訓練ANN,然后根據(jù)已知輸出和實際輸出之間的差值來調(diào)節(jié)系統(tǒng)參數(shù),實用性差。自從H叩field神經(jīng)網(wǎng)絡被用來解決旅行商問題(TSP:Travelingsalesmanproblem)以來,更多的研究集中在應用Hopfidd神經(jīng)網(wǎng)絡求解最短路徑。Rauch提出的算法需要預先知道所求路徑的鏈路數(shù)量來確定神經(jīng)元矩陣中列向量的個數(shù),這在實際中無法實現(xiàn)。Thomopoulos等通過忽略TSP中行約束條件的方法尋找最短路徑,該方法允許同一節(jié)點在所求路徑中重復出現(xiàn),而每個重復節(jié)點到自身的自環(huán)長度為0,因此路徑長度不增加,缺點是因為ANN中神經(jīng)元數(shù)量隨通信網(wǎng)絡中通信節(jié)點呈幾何關(guān)系(A。增長,對于節(jié)點數(shù)目眾多的大型網(wǎng)絡,迭代計算在有限時間內(nèi)不能完成,實時性差,而且硬件實現(xiàn)困難。Kamoun等人提出在神經(jīng)網(wǎng)絡的能量函數(shù)加入一個特殊項,以消除不存在的鏈路對計算的影響。Zhang試圖解決神經(jīng)元數(shù)量過大的問題,并提出了消減ANN規(guī)模的方法,但在規(guī)模較大的通信網(wǎng)絡中效果不明顯。
發(fā)明內(nèi)容為了克服已有通信網(wǎng)絡路由控制方法的運算速度慢、實時性差、可靠性差、適用范圍較小的不足,本發(fā)明提供一種提高運算速度、實施性良好、增強可靠性、適用范圍更廣的基于改進NR-HNNR算法的通信網(wǎng)絡路由控制方法。本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是-一種基于改進NR-HNNR算法的通信網(wǎng)絡路由控制方法,所述路由控制方法包括以下步驟歩驟l:由7V個節(jié)點構(gòu)成通信網(wǎng)絡,網(wǎng)絡中每個節(jié)點有若干條鏈路同其它節(jié)點相連,網(wǎng)絡表示為G=(『,=,"2,…"w},|『|=W爿;e『awJ/(1)/:爿4<y,w20網(wǎng)絡中每個節(jié)點對應于圖的一個頂點"j或"j,每條鏈路對應于一條弧(A^),叫j為該弧的權(quán)值,iV為節(jié)點數(shù)目;『為頂點的集合,^為弧的集合,/表示對應關(guān)系;最短路問題用下式(2)表示<formula>formulaseeoriginaldocumentpage6</formula>其中W。表示源節(jié)點,"ZP表示目標節(jié)點,Xij為從節(jié)點Wi到"j的決策變;根據(jù)罰函數(shù)法寫出的HNNR算法的能量函數(shù)為<formula>formulaseeoriginaldocumentpage6</formula>(2)(7)上式(7)中,左邊第一項為總路徑約束,其中a為距離約束系數(shù);左邊第二項為列約束,使HNN穩(wěn)定時表I中的每一列只有一個元素為1,其它元素為O,6為列約束系數(shù);左邊第三項為全局約束,使HNN穩(wěn)定時表I中共有iV個元素為1,其它元素為0,c為全局約束系數(shù);Ay表示通信節(jié)點x和y之間的距離,即弧的長度;v表示HNN網(wǎng)絡節(jié)點;設(shè)定HNNR計算的初始值,包括a,6,c,〃,7^,,^^和收斂判決門限7fe7ioW;其中W、義、cuP為計算變量,r為神經(jīng)元的時間常數(shù),Ar為運算時間間隔;設(shè)定力j為區(qū)間均勻分布的隨機數(shù);歩驟2:讀入^個通信節(jié)點之間的距離《"^,>;=1,2...]\0,對于通信網(wǎng)絡中不存在的《y,設(shè)定為一個較大的數(shù)Z『ge"調(diào)6w,而對于自環(huán),令《^0(x^);步驟3:按照下(14)、(15)式;w=-昏《,(《川+《,-')-魯(i-《》《,c""Ln;"、i,2…M)(14)《,=c-//(x=l,2.-.iV;/=l,2...M)(15)計算連接矩陣r和偏置e;歩驟4:取Vx,i(0)的初始值為區(qū)間均勻分布的隨機數(shù),則均值£[|]f>,,J=iV/2;矩陣r中第一列源節(jié)點對應的元素置為1,其余元素為0;同樣最后一列目標節(jié)點對應元素為1,其余為0,;標明了OD-pair的位置,并且該兩列元素在迭代過程中始終不變;步驟5:根據(jù)F-[l+tanh(;i.t/)]/2求反得函數(shù),計算神經(jīng)元輸入初始值",,,(0)=-4/"(l(0)-1)(x,/=1,2…A0;步驟6:按照F=[l+tanh(;i-t/)]/2、At/=—C7/r+0).Af和t/(r+A/)-t/a)+AU進行迭代,并按照SA算法調(diào)整A值,每次迭代減小IO,直到滿足收斂判決門限772eM/wW。本發(fā)明的技術(shù)構(gòu)思為對于一個由W個節(jié)點構(gòu)成通信網(wǎng)絡,網(wǎng)絡中每個節(jié)點有若干條鏈路同其它節(jié)點相連,網(wǎng)絡可以用圖的方式描述為<7=(『,牟7,,"2廣-剩=〃/:爿~>ft),<20網(wǎng)絡中每個節(jié)點對應于圖的一個頂點";,每條鏈路對應于一條弧("i,"j),"jj為該弧的權(quán)值。通信網(wǎng)絡中的路由問題可以看成網(wǎng)絡優(yōu)化中的最短路問題,是在已知的有向網(wǎng)絡G氣『,X)中,根據(jù)給定的OD-pair,尋找一條最優(yōu)的有向路徑。路徑所經(jīng)過的所有弧的權(quán)(或費用)的合稱為該有向路的權(quán),每對OD-i)air的所有有向路中權(quán)最小的一條稱為該OD-pair最短路。在不考慮網(wǎng)絡鏈路帶寬占用情況下,該最優(yōu)路徑為距離最短路徑(SP:.Shcrtestpath),即"ij為弧的長度^;若考慮帶寬占用.,"ij為路徑權(quán)重(弧長和帶寬占用的加w,a.《+々.y;/(C-力),其中C和乂j為鏈路("i,"j)的歸一化帶寬和歸一化的信息流量,"、^為加權(quán)參量)。網(wǎng)絡不包含負有向圈時,最短路問題可以用線性規(guī)劃方法描述如(2).式<formula>formulaseeoriginaldocumentpage8</formula>(2)其中,當決策變量xij-l時,表示("i"j)位于OD-pair路上,x『0表示不在OD-pair路上。對于iV個節(jié)點的通信網(wǎng)絡,采用連續(xù)型HNN解決路由問題需要iV2個神經(jīng)元,神經(jīng)元的輸入記為f/,偏置記為P,輸出記為r。神經(jīng)元輸出F的意義如表I所示表1HNN神經(jīng)元輸出表達式<table>tableseeoriginaldocumentpage8</column></row><table>連續(xù)型HNN每個神經(jīng)元的輸出Vij在迭代計算過程中可以取[O,l]區(qū)間的任意值。連續(xù)型HNN動態(tài)方程可描述為<formula>formulaseeoriginaldocumentpage8</formula>(3)其中,r為神經(jīng)元的時間常數(shù),7為各個神經(jīng)元之間的連接矩陣。神經(jīng)元輸入輸出關(guān)系為<formula>formulaseeoriginaldocumentpage8</formula>(4)其中,^稱為增益參數(shù)。對(3)式積分,得到<formula>formulaseeoriginaldocumentpage8</formula>(5)A/必須足夠小,才能用一階歐拉法計算下一時刻輸入<formula>formulaseeoriginaldocumentpage8</formula>(6)反復用(4)(6)式進行迭代,HNN達到穩(wěn)定狀態(tài)時可使系統(tǒng)的能量函數(shù)最小,該狀態(tài)就是對應問題的一個解。其中的連接矩陣r可通過構(gòu)造能量函數(shù)求解如下。根據(jù)罰函數(shù)法寫出的HNNR算法的能量函數(shù)為<formula>formulaseeoriginaldocumentpage9</formula>其中第一項為總路徑約束,a稱為距離約束系數(shù);第二項為列約束,使HNN穩(wěn)定時表I中的每一列只有一個元素為1,其它元素為0,6稱為列約束系數(shù);第三項為全局約束,使HNN穩(wěn)定時表I中共有7V個元素為1,其它元素為0,c稱為全局約束系數(shù)。Ay表示通信節(jié)點x和y之間的距離,即弧的長度。(3)式可以另寫為<formula>formulaseeoriginaldocumentpage9</formula>(8)將(7)式帶入下面神經(jīng)網(wǎng)絡微分方程(9)中=-~"^(x,/^l,2…A0令式(8)、(9)相等,得到r和^為7;w,—f《,(《川+《,-,)——廣c"乂"二-l,2…A0(9)(10)(11)《,=c.iV(.w'=l,2-"iV)其中c^為Kronecker-《函數(shù)。為了不失一般性,式(ll)改寫為《,=c.//(x,/=l,2.-.iV)(12)其中A為變量。對于并行工作的HNN,矩陣r對稱,迭代會收斂到一個穩(wěn)定點(全局穩(wěn)定)或一個長度為2的震蕩環(huán)(局部穩(wěn)定),在仿真過程中收斂于局部穩(wěn)定的情況較多,而且對于參數(shù)值選取不當?shù)腍opfield網(wǎng)絡,HNNR算法甚至不能工作。解決的辦法是采用全局優(yōu)化的模擬退火算法(SA:Simulatedannealing),消除局部禾急定點、。對于一個確定的網(wǎng)絡,可以知道距離最遠的OD-pair路徑上弧的數(shù)量M,也就是說表I中列的數(shù)量不必要為iV,可以取M<iV,這樣就減少了神經(jīng)元的數(shù)量和迭代運算時間,則上式(7)、(10)和(12)分別改寫為WA/1aA/WW"WM工義=1"1/=2二/=1x=l,v-lz_v=l/=10一魯H)《,廣c(x,"l,2…iV;/,^l,2…M)(14)《,=c-a(;c=1,2.--A^/=1,2.'-M)(15)NR-HNNR算法步驟同上所述,但是仿真結(jié)果表明迭代計算的次數(shù)和時間大為減少。仿真選用16個節(jié)點的格形網(wǎng)絡,網(wǎng)絡模型如圖1所示,弧長dxy=2。采用Matlab仿真軟件,程序運行的PC配置了InterCeleron1.2G的處理器和256MB內(nèi)存。本發(fā)明的有益效果主要表現(xiàn)在提高運算速度、實施性良好、增強可靠性、適用范圍更廣,性能更加穩(wěn)定。圖1表示16個節(jié)點的格形網(wǎng)絡模型的示意圖。圖2表示原始HNNR算法的不同OD-pair能量隨迭代次數(shù)變化的坐標示意圖,其中橫坐標表示迭代次數(shù),縱坐標表示能量函數(shù)公式(7)的運算結(jié)果。圖3表示改進NR-HNNR算法的不同OD-pair能量隨迭代次數(shù)變化的坐標示意圖,其中橫坐標表示迭代次數(shù),縱坐標表示能量函數(shù)公式(13)的運算結(jié)果。具體實施例方式下面結(jié)合附圖對本發(fā)明作進一歩描述。參照圖1圖3,一種基于改進NR-HNNR算法的通信網(wǎng)絡路由控制方法,所述路由控制方法包括以下步驟步驟l:由iV個節(jié)點構(gòu)成通信網(wǎng)絡,網(wǎng)絡中每個節(jié)點有若干條鏈路同其它節(jié)點相連,網(wǎng)絡表示為G=(『,"2,…剩二W爿S((",,"》I",,",e^awd''"}(1)/:」—<y,S;0網(wǎng)絡中每個節(jié)點對應于圖的一個頂點"i或nj,每條鏈路對應于一條弧(",,Wj),叫j為該弧的權(quán)值,iV為節(jié)點數(shù)目;『為頂點的集合,^為弧的集合,/表示對應關(guān)系;最短路問題用下式(2)表示minZZ、_ZU="。O,",^"(""fl(2)其中"。表示源節(jié)點,"D表示目標節(jié)點,xy為從節(jié)點"i到"j的決策變;根據(jù)罰函數(shù)法寫出的HNNR算法的能量函數(shù)為"WWW—1^JV7VWZx=i戶i/=2Z/=11=1"l力;c=l/=1(7)上式(7)中,左邊第一項為總路徑約束,其中"為距離約束系數(shù);左邊第二項為列約束,使HNN穩(wěn)定時表I中的每一列只有一個元素為1,其它元素為0,Z)為列約束系數(shù);左邊第三項為全局約束,使HNN穩(wěn)定時表I中共有7V個元素為1,其它元素為0,c為全局約束系數(shù);式y(tǒng)表示通信節(jié)點x和y之間的距離,即弧的長度;v表示HNN網(wǎng)絡節(jié)點;設(shè)定HNNR計算的初始值,包括",Z),c^,r,義,a,AA/和收斂判決門限77^"/w站其中A、A、cc、y為計算變量,r為神經(jīng)元的時間常數(shù),"為運算時間間隔;設(shè)定力為區(qū)間均勻分布的隨機數(shù);步驟2:讀入iV個通信節(jié)點之間的距離《y(x^l,2…A0,對于通信網(wǎng)絡中不存在的《y,設(shè)定為一個較大的數(shù)Z^ge",6er,而對于自環(huán),令《廣0(x-力;步驟3:按照下(14)、(15)式<formula>formulaseeoriginaldocumentpage12</formula>計算連接矩陣r和偏置e;步驟4:取Vx,i(0)的初始值為區(qū)間均勻分布的隨機數(shù),則均值£[£i>w]=iV/2;矩陣F中第一列源節(jié)點對應的元素置為1,其余元素為0;同樣最后一列目標節(jié)點對應元素為1,其余為0,;標明了OD-pair的位置,并且該兩列元素在迭代過程中始終不變;步驟5:根據(jù)F:[l+tanh(;i.[/)]/2求反得函數(shù),計算神經(jīng)元輸入初始值<formula>formulaseeoriginaldocumentpage12</formula>歩驟6:按照<formula>formulaseeoriginaldocumentpage12</formula>進行迭代,并按照SA算法調(diào)整義值,每次迭代減小10,直到滿足收斂判決門限772eny/wW。本實施例的仿真選用16個節(jié)點的格形網(wǎng)絡,網(wǎng)絡模型如圖1所示,弧長Jxy=2。采用Matlab仿真軟件,程序運行的PC配置了InterCeleron1.2G的處理器和256MB內(nèi)存。選定網(wǎng)絡中距離最遠的兩個節(jié)點1和16構(gòu)成一個OD-pair,依照HNNR算法,設(shè)定參數(shù)"=1禾1]"=1,按照SA算法,義=250(初值)和"=20(終值)。得到最優(yōu)路徑如表2所示,行表示通信節(jié)點編號,列表示該節(jié)點在最優(yōu)路徑上的次序。同樣,按照NR-HNNR算法,得到最優(yōu)路徑如表3所示。若選擇節(jié)點1和12、14、16,節(jié)點13和8構(gòu)成OD-pairs,采用HNNR和NR-HNNR算法得到的最優(yōu)路由及其仿真性能如表4所示。<table>tableseeoriginaldocumentpage13</column></row><table>后陡降,最終趨于平穩(wěn),如圖3。神經(jīng)網(wǎng)絡的計算對各種運算參數(shù)非常敏感,參數(shù)選擇不當,會造成路由計算迭代次數(shù)的增加,延長仿真時間,甚至導致收斂錯誤,表格5~12分別分析了通信網(wǎng)絡和神經(jīng)網(wǎng)絡參數(shù)對HNNR和NR-HNNR算法迭代性能的影響,均以O(shè)D-pair(1,16)為例。<table>tableseeoriginaldocumentpage14</column></row><table><table>tableseeoriginaldocumentpage15</column></row><table>表12注表512中"一"表示算法在該參數(shù)條件下迭代錯誤、路由計算有i乂。"/"前、后兩數(shù)字表示HNNR、NR-HNNR算法參數(shù)。對于Hopfield神經(jīng)網(wǎng)絡,存在參數(shù)變化最優(yōu)參數(shù)值和取值區(qū)間,使得路由計算正確,算法穩(wěn)定。通過式(7)、(13)和上述各表,發(fā)現(xiàn)參數(shù)a,6,c,/z和r的取值不但能夠影響迭代次數(shù),進而影響仿真時間,還能影響迭代穩(wěn)定時的系統(tǒng)能量;而其它三個參數(shù)不能影響穩(wěn)定能量。因為神經(jīng)元數(shù)量減少,NR-HNNR算法的參數(shù)可取之范圍比HNNR算法的取值范圍寬,因此在網(wǎng)絡結(jié)構(gòu)發(fā)生變化的情況下,NR-HNNR算法具有更加優(yōu)越的適應性。對于本文中16的節(jié)點的網(wǎng)絡模型,各參數(shù)最優(yōu)值和取值區(qū)間列于表13中,收斂判決門限7^n/zoW可根據(jù)需要選定。并且,建議依照下面關(guān)系選擇約束系數(shù)fl<<6,ac,6^2c。<table>tableseeoriginaldocumentpage15</column></row><table>表13本實施例的反饋型神經(jīng)網(wǎng)絡能夠用來計算通信網(wǎng)絡中的路由問題,應用連續(xù)型Hopfield神經(jīng)網(wǎng)絡并行運算選取最優(yōu)路徑,并采用全局優(yōu)化的模擬退火算法解決H叩fidd網(wǎng)絡局部收斂問題。本文提出神經(jīng)網(wǎng)絡規(guī)??s小化的路由算法,更加快速的完成路由解算,便于硬件實現(xiàn)。分析表明NR-HNNR算法迭代性能優(yōu)于HNNR算法,神經(jīng)元的減少不但提高了迭代運算速度,而且增強了運算的可靠性,同時RN-HNNR算法對于網(wǎng)絡參數(shù)的敏感性降低,適用范圍更廣泛,性能更穩(wěn)定。雖然本發(fā)明已經(jīng)參照各個具體的例子進行了描述,但是應當理解,對它的各種變形和修改沒有超出本發(fā)明的精神和范圍。權(quán)利要求1、一種基于改進NR-HNNR算法的通信網(wǎng)絡路由控制方法,所述路由控制方法包括以下步驟步驟1由N個節(jié)點構(gòu)成通信網(wǎng)絡,網(wǎng)絡中每個節(jié)點有若干條鏈路同其它節(jié)點相連,網(wǎng)絡表示為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網(wǎng)絡中每個節(jié)點對應于圖的一個頂點ni或nj,每條鏈路對應于一條弧(ni,nj),ωij為該弧的權(quán)值,N為節(jié)點數(shù)目;W為頂點的集合,A為弧的集合,f表示對應關(guān)系;最短路問題用下式(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表示源節(jié)點,nD表示目標節(jié)點,xij為從節(jié)點ni到nj的決策變;根據(jù)罰函數(shù)法寫出的HNNR算法的能量函數(shù)為<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,左邊第一項為總路徑約束,其中a為距離約束系數(shù);左邊第二項為列約束,使HNN穩(wěn)定時表I中的每一列只有一個元素為1,其它元素為0,b為列約束系數(shù);左邊第三項為全局約束,使HNN穩(wěn)定時表I中共有N個元素為1,其它元素為0,c為全局約束系數(shù);dxy表示通信節(jié)點x和y之間的距離,即弧的長度;v表示HNN網(wǎng)絡節(jié)點;設(shè)定HNNR計算的初始值,包括a,b,c,μ,τ,λ,α,β,Δt和收斂判決門限Thershold;其中μ、λ、α、β為計算變量,τ為神經(jīng)元的時間常數(shù),Δt為運算時間間隔;設(shè)定fij為區(qū)間均勻分布的隨機數(shù);步驟2讀入N個通信節(jié)點之間的距離dx,y(x,y=1,2...N),對于通信網(wǎng)絡中不存在的dx,y,設(shè)定為一個較大的數(shù)Largenumber,而對于自環(huán),令dx,y=0(x=y(tǒng));步驟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)計算連接矩陣T和偏置θ;步驟4取vx,i(0)的初始值為區(qū)間均勻分布的隨機數(shù),則均值id="icf0006"file="A2009101011530003C2.tif"wi="34"he="10"top="106"left="28"img-content="drawing"img-format="tif"orientation="portrait"inline="yes"/>矩陣V中第一列源節(jié)點對應的元素置為1,其余元素為0;同樣最后一列目標節(jié)點對應元素為1,其余為0,;標明了OD-pair的位置,并且該兩列元素在迭代過程中始終不變;步驟5根據(jù)V=[1+tanh(λ·U)]/2求反得函數(shù),計算神經(jīng)元輸入初始值<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>步驟6按照V=[1+tanh(λ·U)]/2、ΔU=(T·V-U/τ+θ)·Δt和U(t+Δt)=U(t)+ΔU進行迭代,并按照SA算法調(diào)整λ值,每次迭代減小10,直到滿足收斂判決門限Thershold。全文摘要一種基于改進NR-HNNR算法的通信網(wǎng)絡路由控制方法,設(shè)定HNNR計算的初始值,包括收斂判決門限Thershold;設(shè)定f<sub>ij</sub>為區(qū)間均勻分布的隨機數(shù);讀入N個通信節(jié)點之間的距離d<sub>x,y</sub>(x,y=1,2…N),如通信網(wǎng)絡中不存在的d<sub>x,y</sub>,設(shè)定為一個較大的數(shù)Largenumber,而對于自環(huán),令d<sub>x,y</sub>=0(x=y(tǒng));按照(14)、(15)計算連接矩陣T和偏置θ;取v<sub>x,i</sub>(0)的初始值為區(qū)間均勻分布的隨機數(shù),均值E[∑∑v<sub>x,i</sub>]=N/2;根據(jù)V=[1+tanh(λ·U)]/2求反得函數(shù),計算神經(jīng)元輸入初始值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進行迭代,直到滿足收斂判決門限Thershold。本發(fā)明能提高運算速度、實時性良好、增強可靠性、適用范圍更廣。文檔編號H04L12/56GK101651618SQ20091010115公開日2010年2月17日申請日期2009年7月23日優(yōu)先權(quán)日2009年7月23日發(fā)明者暉李申請人:浙江大學