一种解决光网络中动态 RWA 问题的改进蚁群算法

一种解决光网络中动态 RWA 问题的改进蚁群算法付依俊;陆月明【摘要】动态 RWA(路由与波长分配)问题是光网络中的重要问题，关系到网络的服务质量。

文章提出一种改进 ACO(蚁群优化)算法，通过对蚂蚁进行编组，实现组内最优解的信息素加强，且按组内最优解收敛，增强了全局信息对蚁群的指导作用，以取得更优结果。

仿真结果表明，相比于传统 ACO 算法，该改进算法能显著降低阻塞率，提高网络的服务质量。

%Dynamic Routing and Wavelength Assignment (RWA)is important in optical networks,which have a direct bearing on their QoS.This paper presents an improved Ant Colony Optimization (ACO)algorithm for this issue,which enhances the optimum pheromones of the ant colonies and converges them in accordance with the optimal solution in these colonies and in-creases the guiding role of the global information for them so as to achieve still betterresults.Simulation results indicate that compared with the conventional ACO algorithms,this improved one significantly reduces the blocking rate and improves the network QoS.【期刊名称】《光通信研究》【年(卷),期】2013(000)006【总页数】3页(P1-3)【关键词】光网络;波分复用;动态路由与波长分配;蚁群优化算法;阻塞率【作者】付依俊;陆月明【作者单位】北京邮电大学可信分布式计算与服务教育部重点实验室，北京100876;北京邮电大学可信分布式计算与服务教育部重点实验室，北京 100876【正文语种】中文【中图分类】TN915.010 引言光通信网络对互联网的发展起到了巨大作用，尤其是上世纪90年代WDM（波分复用）技术的兴起，使网络带宽提高了几个数量级。

但传统的OCS（光路交换）网络采用面向连接的管理方式，需要控制平面建立路由、分配资源后进行数据传输，其交换粒度过大，因而存在一定的资源浪费［1］。

OPS（光分组交换）和OBS （光突发交换）技术的提出为实现光路统计复用提供了可能，采用此类技术的网络交换颗粒减小，资源利用率得以提高，并且网络组网更为灵活，易于建立大规模网络［2］。

当网络规模扩大后，集中路由策略逐渐显露弊端，如无法实时获取网络资源状态，无法快速计算路由结果等。

因此，此类网络需要分布式路由策略。

RWA（路由与波长分配）问题是WDM 网络的重要问题，用于为连接建立端到端的路由并分配可用波长。

在没有波长转换功能的网络中，波长分配还要遵循波长一致性约束。

RWA 问题分为静态和动态两类：静态RWA 问题是指在给定网络拓扑和连接后，在离线状态下根据约束条件为所有连接建立路由并分配波长；动态RWA 问题是指在在线状态下为动态到达的连接建立路由并分配波长［3］。

静态RWA 问题属于NP 完全问题，动态RWA 问题更为困难，通常使用启发式算法求解［4］。

ACO（蚁群优化）算法是一种由仿生学发展来的启发式算法，利用蚂蚁在路上留下信息素以形成最佳觅食路径的行为模式，解决了在图中寻找最优路径的问题［5］；同时，蚁群算法支持分布式计算，因此可用于分布式求解RWA 问题。

网络连接请求的阻塞率是衡量动态RWA 问题算法的重要参数之一［6］，本文在蚁群算法的基础上，针对无波长转换功能的WDM 网络提出一种改进的蚁群算法，增强全局信息对蚁群的指导作用，其改善效果由该算法的网络路由阻塞率体现。

1 算法实现本文基于经典ACO算法，结合RWA问题的实际情况以及该领域的其他研究成果，提出一种AGRWA（分组蚂蚁路由与波长分配）算法。

该算法相对之前研究成果的主要特点是，对算法中释放的蚂蚁进行分组管理，取组内最优结果用于蚂蚁的信息素引导，并使用组内最优结果收敛作为算法收敛条件，这些特点为蚁群的行为提供了更强的全局指导。

1.1 蚂蚁行为及分组规则在蚁群算法中，每一只蚂蚁的行为都互相独立，且具有一定程度的随机性；同时，每一只蚂蚁的行为又受到全局信息的指导，避免了盲目性。

启动算法后，每一只蚂蚁被放置在起始节点，根据转移规则（1.3节将详述）选择下一条路径。

蚂蚁在任何节点上只能选择通向未到达过节点的路径，即蚂蚁需要规避已经走过的节点，避免出现循环。

由于RWA 问题需要同时考虑路由选择与波长分配，因此蚂蚁只能选择拥有可用波长的下一条路径［7］。

例如，蚂蚁经过的a路径有1、2、3和4号波长可用，那么蚂蚁的可用波长为1～4号，如果下一条路径b的可用波长为2、3号，那么当蚂蚁选择走到b上时，其可用波长便缩减为2、3号，如果接下来的路径c只拥有1、4号波长，那么蚂蚁将无法走上这条路径。

上述思路将路由选择和波长分配整合考虑，提高了算法性能。

如果蚂蚁没有可走的下一条路径，且未到达目的节点，则认为此蚂蚁无路可走，其选路结果不被采用。

如果蚂蚁到达了目的节点，则认为此蚂蚁选路成功，其选路结果被储存，并用于信息素更新（1.2节将详述）。

为了提高全局信息对蚂蚁的指导作用，对蚂蚁将实行分组管理。

一次计算中，算法总共提供n 组蚂蚁，每组分配m 只，其中n应该比m 高出至少一个数量级。

一组内的蚂蚁将被依次释放，并完成选路过程，当一组蚂蚁用完后，根据一定规则计算出来的组内最优的选路结果将被用于信息素更新以及算法收敛的判定（1.4节将详述）。

释放完一组蚂蚁后再释放下一组蚂蚁，直到所有组被用完。

1.2 信息素更新规则信息素是蚂蚁在它走过的路径上留下的引导信息，用于指引之后的蚂蚁。

信息素残留较多的路径更容易被随后赶到的蚂蚁选择，这只蚂蚁如果选择了此路径也将留下信息素，由此逐渐形成信息素数量的正反馈，吸引更多的蚂蚁选择这条路径。

为避免由于一条路径上的信息素无限累积，导致算法过早收敛于局部最优解而忽略了其他可能途径，信息素的累积速度需要受到一定程度的限制。

这样，信息素的影响力大小将与其他因素（如启发信息）的影响力大小相匹配，使信息素和启发信息等因素同时发挥影响力，共同决定蚂蚁对路径的选择。

算法中，设系统初始时刻信息素数量都为0，τij（t）表示t时刻链路Lij 上留下的信息素数量，其变化规律如下：即下一时刻链路Lij 上信息素的数量由当前时间Lij上的信息素数量，以及是否有到达目的节点的蚂蚁经过Lij 来决定。

式中，ρ为挥发系数，用于削弱之前蚂蚁留下来的影响力；Δτij 为链路Lij 上走过蚂蚁留下来的信息素。

此处采用“蚁周模型”，故Δτij =Q／J，Q 为信息素定额，J 为路径长度。

算法中只有到达目的节点的蚂蚁才能留下信息素。

为了强化全局信息的影响力，算法中组内最优路径（如组内最短路径）将被再释放一次信息素：其含义类似式（1）。

式中，T 表示组数，Δτ′ij 为组信息素增量，其大小设定为合适的常数。

1.3 转移规则转移规则决定了走到某一个节点上的蚂蚁如何选择下一个节点。

该规则须同时考虑信息素的影响、启发因素的影响和随机性。

状态转移规则描述如下：在时刻t，第k 只蚂蚁位于节点i上，根据下式选择节点s作为下一跳：式中，j代表可能选择的下一个节点，其取值范围为a（k，t），也就是此时该蚂蚁的可选节点集合，蚂蚁的可选链路为Lij；τij 为可选链路Lij 上的信息素大小，α控制其影响力；ηβij 为启发因子，为可选链路Lij 的可用光波百分比，β 控制其影响力；Random 为随机函数，其以式（4）为概率随机选择下一个节点；r为随机值，用以增加随机性。

当r＜r0 时，蚂蚁根据信息素和启发因子的影响力大小选择下一个节点；当r≥r0 时，则根据转移概率随机进行下一节点的选择，这种方式扩展了蚂蚁发现新路径的可能。

随机函数Random 的转移概率由下式描述，其意义为一只蚂蚁由节点i跳转至节点u 的概率：1.4 算法收敛规则算法收敛是指蚂蚁选择的路径逐渐趋于一个结果或几个极其相近的结果，可具体定义为连续数只蚂蚁选择同样的路径，或连续数只蚂蚁选择的路径误差低于某阈值。

该改进算法取每一组蚂蚁所得路径中最短的路径作为组内最优解，并以连续两个组内最优解相同作为收敛条件。

当算法未产生满足收敛条件的结果，且蚂蚁分组用完时，取所有组内最优解中的最短路径作为结果。

2 算法仿真及分析本文对上述改进分组蚁群RWA 算法和经典蚁群算法进行了对比测试，测试环境为NSFNET（美国科学基金会网络）［8］，网络节点间存在16个波长，每个节点都不具备波长转换能力。

为了模仿动态RWA 问题中离散到达的业务请求，仿真系统产生源节点和目的节点随机分布的业务请求，并且单位时间产生的业务请求数服从泊松分布。

业务请求到达后，算法将对其进行RWA，如分配失败，则丢弃此业务请求。

图1和图2所示分别为网络连接阻塞率和网络资源利用率的仿真结果。

图1 NSFNET 中网络连接阻塞率图2 NSFNET 中网络资源利用率从图1可以看到，随着业务强度的增大，两种算法下，业务请求的阻塞率都逐步增大，但改进蚁群算法下的业务请求阻塞率一直低于经典蚁群算法下的阻塞率，可见在阻塞率方面改进算法性能较好。

但是，从图1也能看到，经典蚁群算法连接阻塞率的起伏相对该改进蚁群算法要小，稳定性更高。

从图2可以看到，该改进蚁群算法下的网络资源利用率与经典蚁群算法下的利用率基本保持一致，虽然在业务强度较大时出现一定的差异和起伏，但无明显优劣。

3 结束语本文提出的分组蚁群RWA 算法通过在算法中引入更多的全局指导信息，在一定条件下能提供比经典蚁群算法更低的业务请求阻塞率，可以用于提高网络业务质量，解决光网络RWA 问题。

由于蚁群算法的运算需要与网络的参数匹配，因此要得到稳定的计算结果就必须让算法的参数与网络状况相匹配，而如何让参数匹配的过程自动化、智能化，仍是需要深入研究的课题。

参考文献：［1］ Zang H，Jue J P，Mukherjee B.A review of routing and wavelength assignment approaches for wavelengthrouted optical WDM networks ［J］.Optical Networks Magazine，2000，1（1）：47-60.［2］纪越峰，李慧，陆月明.自动交换光网络原理与应用［M］.北京：北京邮电大学出版社，2005.［3］刘爱波，陆月明，纪越峰.智能光网络路由及其关键技术分析［J］.光通信技术，2004，28（8）：29-31.［4］ Triay J，Cervelló-Pastor C.An ant-based algorithm for distributed routing and wavelength assignment in dynamic optical networks［J］.IEEE Journal on Selected Areas in Communications，2010，28（4）：542-552. ［5］ Dorigo M，Gambardella L M.Ant colony system：A cooperative learning approach to the traveling salesman problem ［J］.IEEE Transactions on Evolutionary Computation，1997，1（1）：53-66. ［6］ Ngo S H，Jiang X，Horiguchi S.An ant-based approach for dynamic RWA in optical WDM networks［J］.Photonic Network Communications，2006，11（1）：39-48.［7］郑滟雷，顾畹仪，连伟华，等.采用蚁群算法解决光网络中动态及分布式RWA 问题的方法［J］.北京理工大学学报，2009，（12）：1104-1109. ［8］ Mills D L，Braun H W.The NSFNET backbone network［J］.ACM SIGCOMM Computer Communication Review，1987，17（5）：191-196.。