OTN技術(shù)在電力通信網(wǎng)業(yè)務(wù)路由優(yōu)化中的應(yīng)用

龍致遠(yuǎn)， 鄭丁， 黃美琴， 馮斯德， 朱明斯

(海南電網(wǎng)有限責(zé)任公司 信息通信分公司， 海口 570203)

0 引言

隨著智能電網(wǎng)技術(shù)的發(fā)展和成熟，融合了同步數(shù)字體系(Synchronous Digital Hierarchy，SDH)和傳統(tǒng)密集波分復(fù)用(Wavelength Division Multiplexing，WDM)技術(shù)優(yōu)勢(shì)的光傳送網(wǎng)(Optical Transmission Networks，OTN)技術(shù)越來越廣泛地應(yīng)用于電力通信場(chǎng)景中[1]。OTN具有大顆粒調(diào)度、大容量傳輸、適配多種業(yè)務(wù)等特點(diǎn)[2]，不僅催生了諸多新的電力通信業(yè)務(wù)，也使得網(wǎng)絡(luò)中對(duì)大容量高速率業(yè)務(wù)的處理性能大幅提升[3]。電力通信OTN業(yè)務(wù)關(guān)系到電力系統(tǒng)的生產(chǎn)調(diào)度和管理控制，對(duì)業(yè)務(wù)可靠性、服務(wù)質(zhì)量和傳輸穩(wěn)定性都有特定的要求。但由于網(wǎng)絡(luò)在進(jìn)行業(yè)務(wù)路由分配時(shí)缺乏全局考慮和長遠(yuǎn)規(guī)劃，隨著業(yè)務(wù)量的急劇增加，影響OTN可靠性的主要問題已不是突發(fā)性擁塞，而是業(yè)務(wù)分布的不均衡導(dǎo)致的網(wǎng)絡(luò)運(yùn)行風(fēng)險(xiǎn)提高。因此，限制高風(fēng)險(xiǎn)事件的發(fā)生，將風(fēng)險(xiǎn)差異化的業(yè)務(wù)均衡地分布到網(wǎng)絡(luò)中，對(duì)提高OTN的可靠性及風(fēng)險(xiǎn)運(yùn)行水平有重要意義。

針對(duì)電力OTN業(yè)務(wù)路由優(yōu)化問題，現(xiàn)階段主要采用經(jīng)典尋路算法或啟發(fā)式算法來解決。文獻(xiàn)[4]提出了一種KSP多路徑綜合代價(jià)算法，利用Dijkstra找出兩點(diǎn)間K條最短路徑，從中選出最優(yōu)的一條進(jìn)行業(yè)務(wù)部署。由于KSP只能對(duì)業(yè)務(wù)進(jìn)行單次輪流部署，部署次序不同導(dǎo)致結(jié)果差異較大，無法適用于全局路由優(yōu)化問題；文獻(xiàn)[5]將路由選擇轉(zhuǎn)化成一個(gè)整數(shù)線性規(guī)劃問題，通過遺傳算法解決多目標(biāo)的路由優(yōu)化。雖然實(shí)現(xiàn)了多目標(biāo)優(yōu)化，但算法收斂性和隨機(jī)性較差，受限于局部最優(yōu)，不能有效地尋找最優(yōu)解；文獻(xiàn)[6]使用蟻群算法解決路由與資源分配問題，但在考慮路由可用性時(shí)并未涉及OTN中特有的光信噪比約束，并且僅從資源角度實(shí)現(xiàn)業(yè)務(wù)的負(fù)載均衡，未考慮業(yè)務(wù)重要度和鏈路風(fēng)險(xiǎn)本身對(duì)可靠性的影響，不適用于解決電力OTN中基于風(fēng)險(xiǎn)均衡的業(yè)務(wù)路由優(yōu)化問題。

針對(duì)上述算法存在的問題，本文提出了一種面向可靠性的路由優(yōu)化算法，算法以全網(wǎng)業(yè)務(wù)風(fēng)險(xiǎn)均衡度為優(yōu)化目標(biāo)，綜合考慮網(wǎng)絡(luò)傳輸時(shí)延以及光信噪比約束。在算法的實(shí)現(xiàn)上，以遺傳算法原理為基礎(chǔ)，在進(jìn)化過程中融合模擬退火和小生境演化思想，旨在提升算法運(yùn)行效率并獲取較高的求解質(zhì)量，從而對(duì)網(wǎng)絡(luò)中已有業(yè)務(wù)的業(yè)務(wù)路由進(jìn)行全局規(guī)劃和重新部署。通過仿真驗(yàn)證了算法的可靠性及路由優(yōu)化能力，該算法在大規(guī)模網(wǎng)絡(luò)拓?fù)渲心軌蛴行?yōu)化全網(wǎng)業(yè)務(wù)風(fēng)險(xiǎn)均衡度，提升OTN網(wǎng)絡(luò)運(yùn)行的可靠性。

1 問題描述

電力OTN網(wǎng)絡(luò)架構(gòu)基于電力通信網(wǎng)網(wǎng)架，電力通信網(wǎng)架構(gòu)又基于電網(wǎng)網(wǎng)架[7]，因此電力OTN拓?fù)浣Y(jié)構(gòu)相對(duì)穩(wěn)定。并且電力OTN屬于靜態(tài)網(wǎng)絡(luò)[8]，網(wǎng)絡(luò)中的業(yè)務(wù)在建立后數(shù)據(jù)流基本保持不變，網(wǎng)絡(luò)業(yè)務(wù)運(yùn)行風(fēng)險(xiǎn)由傳統(tǒng)的突發(fā)性擁塞轉(zhuǎn)變?yōu)闃I(yè)務(wù)在傳輸鏈路上的過度集中分布[9]。因此，與傳統(tǒng)增加資源冗余的方法不同，對(duì)電力通信OTN可靠性的優(yōu)化更偏向從業(yè)務(wù)路由角度探索能夠均衡網(wǎng)絡(luò)風(fēng)險(xiǎn)、提高網(wǎng)絡(luò)運(yùn)行安全性和可靠性的路由分配機(jī)制。

本文所設(shè)計(jì)的面向可靠性的路由優(yōu)化算法，主要針對(duì)網(wǎng)絡(luò)中業(yè)務(wù)分布不合理問題，從全局角度進(jìn)行現(xiàn)網(wǎng)業(yè)務(wù)路由的重分配，通過將風(fēng)險(xiǎn)差異化的業(yè)務(wù)均衡地分布到網(wǎng)絡(luò)中，降低網(wǎng)絡(luò)風(fēng)險(xiǎn)，提高電力OTN可靠性。本章在算法設(shè)計(jì)過程中，基于遺傳算法，以風(fēng)險(xiǎn)均衡度為目標(biāo)，綜合考慮網(wǎng)絡(luò)傳輸時(shí)延和OTN光信噪比約束，保證算法在路由選擇過程中趨向于選擇滿足時(shí)延約束且光信噪比參數(shù)指標(biāo)好的光通道，將重要度高的業(yè)務(wù)分布到風(fēng)險(xiǎn)值低的傳輸鏈路上，均衡網(wǎng)絡(luò)局部之間的風(fēng)險(xiǎn)差異，使網(wǎng)絡(luò)可靠性得到提升。

2 模型建立

為了抽象面向可靠性的電力OTN的路由優(yōu)化問題，首先定義電力光傳輸網(wǎng)拓?fù)錇闊o向帶權(quán)圖G(V,E)，其中V={v1,v2,…,vn}為網(wǎng)絡(luò)中節(jié)點(diǎn)集合，E={e1,e2,…,em}為網(wǎng)絡(luò)中的無向邊集合，ek表示網(wǎng)絡(luò)中第k條邊。圖中任意一條連接節(jié)點(diǎn)vi和vj的邊eij上定義了一個(gè)二元組(Pe,Le)，Pe表示鏈路風(fēng)險(xiǎn)度(即光纖鏈路的失效概率)，Le表示鏈路的長度，根據(jù)鏈路的長度，可以相應(yīng)地計(jì)算該光纖段的傳輸時(shí)延和信號(hào)功率衰減。然后定義網(wǎng)絡(luò)中的業(yè)務(wù)請(qǐng)求集合為S={S1,S2,…,SM}，對(duì)于每一個(gè)業(yè)務(wù)請(qǐng)求Sk(k=1,2,…,M)定義了一個(gè)四元組(Vs,Vd,Ts,Q)，分別表示該業(yè)務(wù)請(qǐng)求的起始節(jié)點(diǎn)、終止節(jié)點(diǎn)、時(shí)延約束和光信噪比約束。構(gòu)造上述網(wǎng)絡(luò)模型的目的是根據(jù)電力OTN業(yè)務(wù)請(qǐng)求，獲取一個(gè)滿足該業(yè)務(wù)請(qǐng)求的路徑集合，保證業(yè)務(wù)路由可用的同時(shí)滿足該業(yè)務(wù)的QoS約束。

信號(hào)在網(wǎng)絡(luò)中傳輸時(shí)，傳輸距離的長度、通道媒介的種類、途徑交換網(wǎng)絡(luò)設(shè)備的數(shù)量都會(huì)對(duì)信號(hào)的傳輸時(shí)延產(chǎn)生影響。若節(jié)點(diǎn)vi到節(jié)點(diǎn)vj之間經(jīng)過網(wǎng)絡(luò)跳數(shù)為m，傳輸路徑總長度為lij，節(jié)點(diǎn)交換設(shè)備的交換延時(shí)為tv，信號(hào)總時(shí)延Tij表示如式(1)。

(1)

其中，c為信號(hào)在通道中的傳輸速度，Δt為隨機(jī)延時(shí)抖動(dòng)。

(2)

(3)

若已知網(wǎng)絡(luò)中業(yè)務(wù)分布，可知邊eij上承載的業(yè)務(wù)集合Seij是S的子集。定義綜合業(yè)務(wù)風(fēng)險(xiǎn)度為OTN中某一光纖段上承載的所有業(yè)務(wù)的風(fēng)險(xiǎn)度總和，表達(dá)式如式(4)。

(4)

其中，M表示集合S中的業(yè)務(wù)請(qǐng)求總數(shù)，α表示邊eij是否承載某一業(yè)務(wù)，若承載有該業(yè)務(wù)則α為1，反之為0。

全網(wǎng)業(yè)務(wù)風(fēng)險(xiǎn)均衡度能夠反映網(wǎng)絡(luò)中各邊所承載的業(yè)務(wù)風(fēng)險(xiǎn)均衡分布情況。該指標(biāo)值越低，說明網(wǎng)絡(luò)中每條通道的綜合業(yè)務(wù)風(fēng)險(xiǎn)度差異越小，網(wǎng)絡(luò)中業(yè)務(wù)分布越均衡，網(wǎng)絡(luò)整體的可靠性較好，網(wǎng)絡(luò)運(yùn)行風(fēng)險(xiǎn)較小；該指標(biāo)值越高，說明網(wǎng)絡(luò)中業(yè)務(wù)的分布均衡性較差，部分鏈路上承載的業(yè)務(wù)數(shù)量過多或者關(guān)鍵業(yè)務(wù)集中，而部分鏈路負(fù)載少。全網(wǎng)風(fēng)險(xiǎn)均衡度可表示為式(5)。

(5)

3 算法基本流程

本文提出一種面向可靠性的電力OTN路由優(yōu)化算法，該算法以遺傳算法[11]的原理為基礎(chǔ)，在種群進(jìn)化過程中融合模擬退火[12]和小生境演化[13]思想。算法主要步驟概括如下：

步驟1：參數(shù)初始化。初始化待優(yōu)化的業(yè)務(wù)請(qǐng)求集合，設(shè)置算法最大迭代次數(shù)(即終止條件)、個(gè)體適應(yīng)度函數(shù)f(x)及相關(guān)計(jì)算因子、模擬退火機(jī)制中的初始溫度T0和和降溫因子Δ。

步驟2：樣本空間初始化。通過某種路由求解策略隨機(jī)生成初代種群并計(jì)算其適應(yīng)度。根據(jù)適應(yīng)度大小對(duì)初代種群進(jìn)行排序，按照f(x)梯度將初代種群劃分為N個(gè)子集合(即小生境數(shù)量為N)。對(duì)各子集合中適應(yīng)度最大的個(gè)體xk(k=1,2,…,N)進(jìn)行標(biāo)記。

步驟3：當(dāng)代種群中，適應(yīng)度最大的個(gè)體xk直接進(jìn)入下一代候選種群，對(duì)小生境中其余個(gè)體進(jìn)行選擇、交叉及變異等一系列標(biāo)準(zhǔn)遺傳操作，生成下一代候選種群。需要注意的是，小生境意味著種群隔離，不同小生境中種群的處理過程相互獨(dú)立，互不影響。

步驟4：在各小生境的下一代候選種群中，選取適應(yīng)度最優(yōu)個(gè)體進(jìn)入模擬退火流程：對(duì)個(gè)體xk(k=1,2,…,N)產(chǎn)生隨機(jī)擾動(dòng)Δx(類似遺傳算法變異過程)，生成新的個(gè)體xk，計(jì)算兩個(gè)個(gè)體之間適應(yīng)度函數(shù)的差值Δf=f(xk)-f(xk-1)。當(dāng)Δf≤0時(shí)，接受個(gè)體xk，即對(duì)其予以保留；當(dāng)Δf>0時(shí)，令接受概率為式(6)。

(6)

產(chǎn)生在[0,1]區(qū)間上均勻分布的偽隨機(jī)數(shù)r，若P(Δf)≥r，則用新生成個(gè)體xk替換個(gè)體xk-1，否則仍然接受個(gè)體xk并對(duì)其予以保留。

步驟5：重新評(píng)價(jià)適應(yīng)度函數(shù)，從各小生境候選種群中選取最優(yōu)個(gè)體形成新一代種群，并取各小生境中適應(yīng)度最大的個(gè)體xk(k=1,2,…,N)進(jìn)行標(biāo)記。

步驟6：若迭代次數(shù)達(dá)到最高限制，則滿足終止條件算法結(jié)束，輸出目標(biāo)結(jié)果；否則更新退火溫度T=ΔT，迭代次數(shù)加1，跳轉(zhuǎn)到步驟3。

4 算法詳細(xì)設(shè)計(jì)

對(duì)所提算法進(jìn)行詳細(xì)設(shè)計(jì)和說明，包括遺傳算法的具體實(shí)現(xiàn)、模擬退火機(jī)制的運(yùn)用以及小生境的控制等。

4.1 編碼與種群初始化

本文首先采用基于路徑表示法的染色體編碼方式，分別為每個(gè)業(yè)務(wù)獨(dú)立地進(jìn)行染色體編碼，從而形成染色體編碼段。每個(gè)染色體段中基因的位置表示業(yè)務(wù)路由經(jīng)過的節(jié)點(diǎn)，所有染色體段拼接成一條染色體，代表網(wǎng)絡(luò)中一套完整的業(yè)務(wù)路由分配方案。其次，采用以下路徑求解的思路生成初始種群：

步驟1：確定當(dāng)前網(wǎng)絡(luò)拓?fù)錉顟B(tài)和業(yè)務(wù)請(qǐng)求，將具有相同源匯節(jié)點(diǎn)的業(yè)務(wù)請(qǐng)求綁定為一組。

步驟2：根據(jù)每一個(gè)電力OTN業(yè)務(wù)請(qǐng)求的源匯節(jié)點(diǎn)，利用路徑搜索算法獲取端到端之間的所有路徑作為候選路徑。

步驟3：計(jì)算候選路徑集中各路徑的光信噪比OSNRJk和信號(hào)延時(shí)TJk，同時(shí)根據(jù)光信噪比和時(shí)延約束條件將不符合兩者要求的路徑從候選路徑中刪除。針對(duì)每個(gè)業(yè)務(wù)請(qǐng)求，保留最多k條路徑作為備選路由，在此基礎(chǔ)上構(gòu)建一個(gè)備選路徑集合J(S)。

步驟4：對(duì)每個(gè)業(yè)務(wù)Sk(k=1,2,…,M)，從其對(duì)應(yīng)的備選路徑集J(Sk)中隨機(jī)選取一條路徑形成個(gè)體。由此方式生成不同的個(gè)體從而形成初始種群。

4.2 適應(yīng)度函數(shù)的選取

算法的目標(biāo)是均衡網(wǎng)絡(luò)運(yùn)行風(fēng)險(xiǎn)，因此把全網(wǎng)風(fēng)險(xiǎn)均衡度作為適應(yīng)度函數(shù)的重要組成部分，當(dāng)全網(wǎng)風(fēng)險(xiǎn)均衡度越小，網(wǎng)絡(luò)業(yè)務(wù)的分布趨于分散，一定程度上體現(xiàn)網(wǎng)路風(fēng)險(xiǎn)低可靠性好。此外，針對(duì)多重QoS約束條件下的尋優(yōu)問題[14]，還應(yīng)當(dāng)結(jié)合相關(guān)QoS性能參數(shù)來設(shè)計(jì)適應(yīng)度函數(shù)。所以，我們的算法中定義個(gè)體X的適度函數(shù)表示如式(7)。

(7)

其中，RB(X)為個(gè)體X的全網(wǎng)風(fēng)險(xiǎn)均衡度，ψ(Δ)是懲罰函數(shù)，當(dāng)某條業(yè)務(wù)路由滿足約束時(shí)(時(shí)延約束或者光信噪比約束)，ψ(Δ)取值為1,否則值域?qū)儆?0,1)。λ和μ分別為信號(hào)時(shí)延和光信噪比的懲罰函數(shù)的正加權(quán)系數(shù)。

4.3 種群的迭代

為了算法能收斂于最優(yōu)解，在選擇個(gè)體進(jìn)行種群迭代時(shí)，需要保證適應(yīng)度高的個(gè)體以較大概率被選中。通常可以采用簡(jiǎn)單輪盤賭機(jī)制[15]進(jìn)行個(gè)體的選擇，即樣本空間中個(gè)體的選擇概率與其適應(yīng)度成正比。對(duì)于適度函數(shù)值為f(xi)的個(gè)體，其選擇概率Pc如式(8)，其中，Nk為組成當(dāng)代種群的第k個(gè)小生境中的個(gè)體個(gè)數(shù)。特別指出，父代群體中適應(yīng)度最高的若干個(gè)體可直接進(jìn)入子代樣本空間，不需經(jīng)過交叉和變異過程如式(8)。

(8)

為了提高算法搜索能力，選取兩個(gè)個(gè)體作為父母?jìng)€(gè)體，把父母?jìng)€(gè)體中的部分結(jié)構(gòu)進(jìn)行替換和重組，生成新的個(gè)體，并將新生成的個(gè)體加入到子代種群中，這一過程稱為交叉。本文采用如下交叉規(guī)則：對(duì)選定的父母?jìng)€(gè)體xm和xf，對(duì)應(yīng)的適應(yīng)度為f(xm)和f(xf)，針對(duì)某一業(yè)務(wù)請(qǐng)求，以選擇概率如式(9)所示，選取父親個(gè)體或母親個(gè)體相應(yīng)染色體段，組合生成新個(gè)體xc為式(9)。

(9)

若新個(gè)體適應(yīng)度f(xc)大于父母?jìng)€(gè)體任一方，則接受新個(gè)體并進(jìn)入子代種群；若f(xc)僅大于父母?jìng)€(gè)體一方，則以一定概率接受新個(gè)體；若f(xc)小于父母?jìng)€(gè)體任一方，則重新進(jìn)行交叉過程生成另一新個(gè)體xc。

變異過程能夠保證遺傳算法的隨機(jī)搜索能力[16]，保證樣本空間物種的多樣性，避免算法過早收斂。算法變異規(guī)則設(shè)計(jì)如下：完成交叉過程后，新生成的子代個(gè)體以某一變異概率隨機(jī)對(duì)其中某一個(gè)染色體段進(jìn)行變異。若變異操作確定發(fā)生，則從子代業(yè)務(wù)路由集合{JS1,JS2,…,JSM}中條選擇JSk作為變異點(diǎn)，將其與業(yè)務(wù)Sk的備選路徑集J(Sk)中的某一條備選路徑進(jìn)行置換，形成新的子代業(yè)務(wù)路由集合并進(jìn)入子代群體。

4.4 模擬退火機(jī)制

模擬退火有良好的局部搜索性能。本文所提算法在每代種群進(jìn)化完成之后，對(duì)各小生境的最優(yōu)個(gè)體施行退火操作，以降低算法陷入局部最優(yōu)的概率。

首先進(jìn)行初始溫度T0的設(shè)置，T0設(shè)置過低時(shí)，退火操作無法有效進(jìn)行，算法很可能迅速進(jìn)入局部最優(yōu)陷阱；而當(dāng)T0設(shè)置過高時(shí)，出現(xiàn)冗余的迭代，降低算法執(zhí)行效率。本文將T0設(shè)為式(10)。

(10)

其中，fmax和fmin分別表示初始種群中適應(yīng)度的最大和最小值，0

4.5 小生境的控制

通過將種群劃分為若干小生境并進(jìn)行獨(dú)立的遺傳操作，一方面細(xì)分樣本空間能更好地發(fā)揮模擬退火機(jī)制的局部搜索優(yōu)勢(shì)，另一方面，將遺傳算法的的單峰尋優(yōu)轉(zhuǎn)變?yōu)槎喾鍖?yōu)，加快了算法的收斂[17]。本文算法為了簡(jiǎn)化分析，僅對(duì)種群的小生境劃分問題作出說明。給出業(yè)務(wù)路由優(yōu)化算法流程圖如1所示。

圖1 業(yè)務(wù)路由優(yōu)化算法流程圖

首先對(duì)初始化種群時(shí)產(chǎn)生的N個(gè)體進(jìn)行適應(yīng)度排序，即{x1,x2,…,xN}。其次采用首尾交替等分法對(duì)排序結(jié)果進(jìn)行劃分。若劃分為M個(gè)小生境，則每組小生境的個(gè)體數(shù)為N/M，每組個(gè)體依次從序列頭尾交替選取。這樣做能夠保持多樣性，避免小生境之間種群差異過于顯著，并為后續(xù)的局部尋優(yōu)創(chuàng)造條件。

5 實(shí)驗(yàn)仿真與結(jié)果分析

運(yùn)用上述仿真算法，分別在經(jīng)典實(shí)驗(yàn)網(wǎng)絡(luò)拓?fù)浼碞SFnet網(wǎng)絡(luò)以及某省電力通信公司所提供的現(xiàn)網(wǎng)數(shù)據(jù)上進(jìn)行仿真。首先給拓?fù)淙鐖D2所示：

圖2 NSFnet網(wǎng)絡(luò)拓?fù)鋱D

圖3 某省現(xiàn)網(wǎng)OTN網(wǎng)絡(luò)拓?fù)鋱D

假設(shè)網(wǎng)絡(luò)中的業(yè)務(wù)請(qǐng)求都是單向業(yè)務(wù)。用于算法仿真的業(yè)務(wù)請(qǐng)求集合都是通過業(yè)務(wù)生成程序隨機(jī)均勻生成的，為了簡(jiǎn)化分析，將業(yè)務(wù)時(shí)延約束均設(shè)置為10，OSNR約束設(shè)置為18 dB，業(yè)務(wù)重要度隨機(jī)取[1,5]之間的整數(shù)值。同時(shí)網(wǎng)絡(luò)拓?fù)渲械逆溌返娘L(fēng)險(xiǎn)度也由程序隨機(jī)產(chǎn)生，均勻分布在區(qū)間[0,0.3]內(nèi)。對(duì)于算法中各項(xiàng)參數(shù)，將λ和μ均設(shè)為0.5，P0為0.8，降溫因子Δ設(shè)為0.9。此外，令小生境數(shù)目N為5，設(shè)置業(yè)務(wù)備選路徑集合大小k為8，路由解搜索在200次迭代內(nèi)完成，即算法終止條件為迭代次大于等于200。

5.1 基于NSFnet網(wǎng)絡(luò)拓?fù)涞膶?shí)驗(yàn)分析

為了充分驗(yàn)證本文所設(shè)計(jì)的面向可靠性業(yè)務(wù)路由優(yōu)化算法的業(yè)務(wù)路由配置能力和業(yè)務(wù)風(fēng)險(xiǎn)均衡能力，本文基于NSFnet拓?fù)溥M(jìn)行了15組對(duì)比實(shí)驗(yàn)。在每個(gè)實(shí)驗(yàn)組中，隨機(jī)生成M個(gè)業(yè)務(wù)請(qǐng)求，M在區(qū)間[15,30]內(nèi)以等概率隨機(jī)取值。15組實(shí)驗(yàn)分別對(duì)應(yīng)的業(yè)務(wù)請(qǐng)求數(shù)量如下表所示：

在每一組實(shí)驗(yàn)中，分別應(yīng)用最短路徑算法、遺傳算法以及本文所提的路由優(yōu)化算法，為M個(gè)業(yè)務(wù)請(qǐng)求進(jìn)行路由選擇。實(shí)驗(yàn)仿真結(jié)果如下圖4所示，柱狀圖橫坐標(biāo)為實(shí)驗(yàn)組號(hào)，對(duì)應(yīng)于15個(gè)包含不同業(yè)務(wù)請(qǐng)求集合的實(shí)驗(yàn)組；柱狀圖縱坐標(biāo)為路由選擇方案的風(fēng)險(xiǎn)均衡度。

表1 15組實(shí)驗(yàn)的業(yè)務(wù)請(qǐng)求數(shù)量

圖4 算法風(fēng)險(xiǎn)均衡度對(duì)比圖

根據(jù)對(duì)比結(jié)果可以看出，在上述仿真場(chǎng)景下，應(yīng)用最短路徑算法時(shí)的全網(wǎng)業(yè)務(wù)風(fēng)險(xiǎn)均衡度高，業(yè)務(wù)分布不均衡的問題較為嚴(yán)重；應(yīng)用遺傳算法和本文所提方法所獲取的風(fēng)險(xiǎn)均衡度相對(duì)較低，業(yè)務(wù)路由分布集中的問題在一定程度上得到改善，兩者的目標(biāo)函數(shù)計(jì)算結(jié)果基本一致，后者略優(yōu)于前者。其根本原因在于，最短路徑算法雖然在解決最短距離問題以及求解效率上有極大優(yōu)勢(shì)，但未考慮業(yè)務(wù)分布過于集中的風(fēng)險(xiǎn)，因此求解路由時(shí)趨向于選擇少數(shù)看似“性能好”的路徑為業(yè)務(wù)路由，導(dǎo)致業(yè)務(wù)分布較為擁擠，網(wǎng)絡(luò)局部運(yùn)行風(fēng)險(xiǎn)大。遺傳算法和本文所提方法均從全局角度控制風(fēng)險(xiǎn)過度集中，而本文所提算法結(jié)合了遺傳算法和模擬退火機(jī)制，相比簡(jiǎn)單的遺傳算法，能夠考察更為豐富的樣本空間，并且兼具了良好的全局和局部尋優(yōu)能力。

此外，在仿真中還隨機(jī)選取了一個(gè)實(shí)驗(yàn)組來驗(yàn)證算法的效率，仿真結(jié)果如圖5所示。

圖5 算法收斂曲線

不難看出，由于本文設(shè)計(jì)算法利用小生境思想，將遺傳進(jìn)化的單峰尋優(yōu)轉(zhuǎn)化為多峰尋優(yōu)，在一定程度上加快了算法的收斂速度，同時(shí)也能夠獲取更高質(zhì)量的解空間。

5.2 基于某省電力通信OTN的實(shí)驗(yàn)分析

在已知某省電力通信OTN的網(wǎng)絡(luò)拓?fù)洹I(yè)務(wù)分布以及節(jié)點(diǎn)/鏈路物理參數(shù)的情況下，根據(jù)前述內(nèi)容，可以計(jì)算當(dāng)前網(wǎng)絡(luò)狀態(tài)下的風(fēng)險(xiǎn)均衡度、平均OSNR值、業(yè)務(wù)平均時(shí)延等指標(biāo)。本實(shí)驗(yàn)基于某省電力通信OTN網(wǎng)絡(luò)拓?fù)浜蜆I(yè)務(wù)分布，利用所設(shè)計(jì)算法對(duì)網(wǎng)絡(luò)中現(xiàn)有業(yè)務(wù)路由進(jìn)行全局優(yōu)化，仿真對(duì)比結(jié)果如下表2所示。

表2 路由算法優(yōu)化前后性能對(duì)比

由對(duì)比結(jié)果可以看出，利用該算法對(duì)網(wǎng)絡(luò)現(xiàn)有業(yè)務(wù)進(jìn)行優(yōu)化，可以有效均衡網(wǎng)絡(luò)風(fēng)險(xiǎn)，提高電力OTN業(yè)務(wù)運(yùn)行的可靠性。此外，由于本文所設(shè)計(jì)算法針對(duì)多重QoS約束條件下(主要是光信噪比和信號(hào)時(shí)延)的尋優(yōu)問題，算法也會(huì)對(duì)業(yè)務(wù)路由的平均時(shí)延和平均OSNR造成影響。算法中適應(yīng)度函數(shù)的設(shè)計(jì)，使業(yè)務(wù)路由分配時(shí)更趨向于選擇光信噪比參數(shù)值高的光通道，因此經(jīng)過該路由優(yōu)化算法，平均OSNR值得到提高；而不同于最短路徑算法，該算法趨向于將業(yè)務(wù)分散部署，因此路由的選擇未必是最短距離，在一定程度上也就導(dǎo)致業(yè)無信號(hào)的傳輸時(shí)延增加。

6 總結(jié)

針對(duì)網(wǎng)絡(luò)風(fēng)險(xiǎn)不均衡的問題，以網(wǎng)絡(luò)風(fēng)險(xiǎn)均衡度為優(yōu)化目標(biāo)，綜合考慮時(shí)延約束和OTN網(wǎng)絡(luò)所特有的光信噪比約束，本文提出了一種面向可靠性的電力OTN業(yè)務(wù)路由優(yōu)化算法。算法在實(shí)現(xiàn)上將遺傳算法的全局搜索能力與模擬退火機(jī)制的局部尋優(yōu)能力有機(jī)結(jié)合，并利用小生境思想，可以以較快的收斂速度獲取一組全網(wǎng)風(fēng)險(xiǎn)均衡度較好的業(yè)務(wù)路由解。最后通過仿真實(shí)驗(yàn)，驗(yàn)證了算法能夠有效降低對(duì)全網(wǎng)業(yè)務(wù)路由進(jìn)行優(yōu)化，達(dá)到最佳風(fēng)險(xiǎn)均衡目標(biāo)，同時(shí)也具有較好的算法效率和收斂性。