[發明專利]一種基于信息熵感知的超多目標控制器放置方法

有效

• 申請號: 202110667269.5
• 申請日: 2021-06-16
• 公開（公告）號: CN113452552B
• 公開（公告）日: 2022-10-21
• 發明（設計）人: 徐展琦;李興;朱宇豪;陳婷婷
• 申請（專利權）人: 西安電子科技大學
• 主分類號: H04L41/0823
• 分類號: H04L41/0823;H04L41/12
• 代理公司: 西安嘉思特知識產權代理事務所(普通合伙) 61230
• 代理人: 劉長春

1.一種基于信息熵感知的超多目標控制器放置方法，其特征在于，包括：

步驟1：初始化廣域網對應的網絡信息和配置信息，所述網絡信息包括：網絡節點經度信息λ_i、網絡節點緯度信息網絡拓撲節點數量信息|N|、網絡拓撲鏈路數量信息|E|、信息熵網格數a_i,i＝1,2,…,5、直連鏈路源節點信息A_i和直連鏈路宿節點信息O_i，其中，i為1，2，……，|N|，網絡中第i個節點的可靠性r_i^node，其中，i為1，2，……，|N|，網絡中第i條鏈路的可靠性r_i^edge，其中，i為1，2，……，|E|；所述配置信息包括：種群規模信息Num、控制器數量上限信息maxCNum、進化感知閾值信息τ、控制器的部署成本控制器管理所屬交換節點產生的成本新建控制鏈路產生的成本控制鏈路成本的權重ψ和最大進化代數信息G_max；

步驟2：獲取所述廣域網對應的拓撲鏈路長度信息；

步驟3：獲取初始種群；

步驟4：按照預設最大進化代數信息G_max，對初始種群進行迭代優化處理，以得到最優種群；

步驟5：根據所述最優種群，計算得到最優解集和最優控制器放置方案集；

所述步驟3包括：

步驟3-1：根據所述控制器數量上限信息maxCNum，隨機生成一個整數，其中，所述整數范圍在[1,maxCNum]之間，所述整數作為第i個個體的控制器數量C_num(i)；

步驟3-2：獲取第i個長度|N|的隨機向量R_v(i)，并對所述隨機向量由大到小排序，以得到R_v1(i)，其中所述隨機向量中每個位置的值均為(0，1)之間隨機數，所述R_v1(i)中第C_num(i)個數字為初始種群閾值ε_i；

步驟3-3：將R_v(i)中小于初始種群閾值εi的數修改為0，以及大于或等于εi的數修改成1，以得到第i個初始個體；

步驟3-4：重復步驟3-1至步驟3-3，直到i＝Num，得到初始種群P₀；

所述步驟4，包括：

步驟4-1：確定待優化種群

步驟4-2：計算所述待優化種群中全部個體對應的目標函數值；

步驟4-3：對所述待優化種群進行非支配排序，以得到所述待優化種群對應的帕累托最優解集Ω、全部個體排序等級的總數Deg和待優化種群第r個排序等級中的個體總數D_sum(r)，其中，r＝1,2，…；

步驟4-4：計算信息熵感知系數H_par；

步驟4-5：將待優化種群的編碼方式由二進制編碼轉換為格雷碼，以得到格雷碼形式的待優化種群

步驟4-6：對所述格雷碼形式的待優化種群進行優化，以得到新種群；

步驟4-7：分析所述新種群對應的迭代次數，當所述新種群對應的迭代次數小于預設迭代次數時，將所述新種群確定為新的待優化種群，并重復執行步驟4-2至步驟4-7；或者，當所述新種群對應的迭代次數等于所述預設迭代次數時，將所述新種群確定為最優種群；

所述步驟4-2包括：

步驟4-21：依次從待優化種群中按從小到大順序選出第i個個體x_i，i＝1，2，…，Num，根據交換節點由距離最近的控制器控制的原則，將交換節點分配給控制器節點，得到該個體的控制器部署數量m、第i個節點控制器的個數k_i，i＝1，2，…，|N|、第i個控制器控制交換節點的個數w_i，i＝1，2，…，m、節點i部署控制器且交換節點j的交換機是否由節點i的控制器控制的布爾變量c_ij，i，j＝1，2，…，|N|、網絡中第i個節點是否部署控制器的布爾變量h_i，i＝1，2，…，|N|、第i條網絡鏈路是否位于第j個控制器的控制網絡區域中的布爾變量i＝1，2，…，|E|，j＝1，2，…，|N|、第i個交換節點是否位于第j個控制器的控制網絡區域中的布爾變量i，j＝1，2，…，|N|；

步驟4-22：計算待優化種群中第i個個體x_i的目標函數，i＝1，2，…，Num，表示為：

其中，F(x_i)表示待優化種群中第i個個體x_i的目標函數，f₁(x_i)表示待優化種群中第i個個體x_i的控制器部署成本，f₂(x_i)表示待優化種群中第i個個體x_i的負載差異，f₃(x_i)表示待優化種群中第i個個體x_i的控制網絡中控制器與交換節點之間的平均傳播時延，f₄(x_i)表示待優化種群中第i個個體x_i的控制網絡中控制器之間的平均傳播時延，f₅(x_i)表示待優化種群中第i個個體x_i的控制網絡的不可靠性；

步驟4-23：重復步驟4-11至步驟4-12，直到待優化種群中全部個體的目標函數值均完成計算；

所述步驟4-4包括：

步驟4-41：將帕累托最優解集Ω中全部個體目標函數中的每一個優化目標均歸一化，表示為：

F'(x_i)＝{f'₁(x_i),f'₂(x_i),…,f'_M(x_i)},i＝1,2,…,|Ω|，

其中，F'(x_i)為帕累托最優解集Ω中第i個個體歸一化后的目標函數值，i的取值范圍i＝1,2,…,|Ω|，|Ω|為帕累托最優解集Ω的個體數，M為優化目標數量，取值M＝5，f'_k(x_i)為帕累托最優解集Ω中第i個個體x_i中第k個歸一化后的優化目標，表示為：

其中，f_k(x_i)為個體的x_i目標函數中第k個優化目標值，k的取值范圍為k＝1,2,…,M，M為優化目標個數(M＝5)；

步驟4-42：計算帕累托最優解集Ω中任意兩個不同個體間的影響距離，具體計算方式如下：

其中，d(x_i,x_j)為個體x_i和個體x_j之間的影響距離，f'_k(x_i)為種群中第i個個體x_i中第k個歸一化后的優化目標，f'_k(x_j)為種群中第j個個體x_j中第k個歸一化后的優化目標，k的取值范圍為k＝1,2,…,M，M為優化目標個數；

步驟4-43：計算帕累托最優解集Ω中任意兩個不同個體間的高斯影響函數值，具體計算方式如下：

其中，d(x_i,x_j)為個體x_i和個體x_j之間的影響距離，σ為分布度的標準差，π為圓周率，i和j的取值范圍為i≠j，i，j＝1,2,…,|Ω|；

步驟4-44：計算種群中每個個體的密度值，具體計算方式如下：

單個個體的密度值是指目標空間中所有非支配個體對該個體影響函數值的總和，假設目標空間內帕累托最優解集的規模為|Ω|，則第j個個體x_j的密度值：

其中，D_m(x_j)表示種群中第j個個體的密度值，j的取值范圍為j＝1,2,…，|Ω|，Ω表示目標空間中種群的帕累托最優解集，該帕累托最優解集的規模為|Ω|；

步驟4-45：將目標空間劃分為a₁×a₂×a₃×a₄×a₅個網格，并統計帕累托最優解集在每一個網格中的個體數|Ω_ijkbd|，其中，i,j,k,b,d的取值范圍為i＝1,2,…,a₁，j＝1,2,…,a₂，k＝1,2,…,a₃，b＝1,2,…,a₄，d＝1,2,…,a₅；

步驟4-46：計算帕累托最優解集在目標空間的每個網格內全部個體的密度值之和D_ijkbd，具體計算方式如下：

步驟4-47：計算帕累托最優解集的密度函數，具體計算方式如下：

其中，ρ_ijkbd表示在第ijkbd網格空間內帕累托最優解集的密度函數值，i,j,k,b,d的取值范圍為i＝1,2,…,a₁，j＝1,2,…,a₂，k＝1,2,…,a₃，b＝1,2,…,a₄，d＝1,2,…,a₅；

步驟4-48：計算帕累托最優解集的信息熵，具體計算方式如下：

其中，H_Par為帕累托最優解集Ω的信息熵；

所述步驟4-6包括：

步驟4-61：計算種群的擁擠度C(x_i)；

步驟4-62：計算格雷碼形式的待優化種群的排序等級平均信息熵H_re，并選擇壓力閾值進行比較；

步驟4-63：使用基于非支配排序的進化算法進化格雷碼形式的待優化種群