Nghiên cứu định tuyến và gán bước sóng trong mạng WDM sử dụng phương pháp tính toán tiến hóa lai

1

HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNG





TIÊU VĂN GIANG

NGHIÊN CỨU ĐỊNH TUYẾN VÀ GÁN BƯỚC SÓNG
TRONG MẠNG WDM SỬ DỤNG PHƯƠNG PHÁP
TÍNH TOÁN TIẾN HÓA LAI


NGÀNH : KHOA HỌC MÁY TÍNH
MÃ SỐ : 60.48.01

TÓM TẮT LUẬN VĂN THẠC SĨ



HÀ NỘI - 2012


LỜI NÓI ĐẦU
Sự bùng nổ của mạng Internet, sự phát triển số lượng người
sử dùng, sự phát triển của các ứng dụng và dịch vụ mới trên nền IP,
đó là những gì mà chúng ta đã chứng kiến trong vòng gần một thập
kỉ qua [7]. Mạng truyền dẫn quang đã đáp ứng được rất nhiều yêu
cầu về dung lượng, chi phí xây dựng và tính bảo mật thông tin. Hai

công nghệ quan trọng gần đây giúp tăng dung lượng mạng quang
đó là ghép kênh theo bước sóng WDM và khuếch đại sợi quang
EDFA [25].
Định tuyến và gán bước sóng (RWA) có thể được coi là một
bài toán cổ điển trong mạng quang WDM [17]. Trong đó nó có thể
được phân thành hai bài toán con: (i) định tuyến và (ii) gán bước
sóng. Bài toán con định tuyến là tìm đường từ nguồn tới đích, còn
bài toán con gán bước sóng thực hiện gán một bước sóng cho tuyến
được thiết lập bởi bài toán con định tuyến. Bài toán RWA có tính
kết hợp bởi bản chất của nó và thuộc lớp bài toán tối ưu hóa, do
vậy phù hợp với cách tiếp cận heuristic [13].
Đối với vấn đề RWA ta có thể xem xét nhiều mục tiêu thiết
kế mạng đồng thời như tối đa hóa số lượng yêu cầu liên lạc để
được phục vụ và giảm thiểu số lượng kênh bước sóng được chỉ
định[3][6].
Để giải bài toán thiết kế đa mục tiêu, các kỹ thuật tối ưu hóa
đa mục tiêu thường được sử dụng. Một số phương pháp sử dụng
các gần đúng đơn mục tiêu để giải các bài toán đa mục tiêu như
ràng buộc

và tổng trọng số [1]. Tuy nhiên các gần đúng đơn mục
tiêu có một nhược điểm là rất khó tìm được các nghiệm tối ưu[16].
Do vậy mà các thuật toán tiến hóa đa mục tiêu được áp dụng để
giải các bài toán thiết kế đa mục tiêu này [18] sẽ thu được những
kết quả quan trọng cho việc thiết kế mạng toàn quang trên cơ sở
công nghệ WDM.
2

Qua đây tôi xin trân trọng cảm ơn TS.Nguyễn Đức Nhân và
các thầy cô trong hội đồng khoa học nhà trường, Khoa Quốc tế và

sau đại học đã giúp đỡ rất nhiều cho tôi để hoàn thiện luận văn này.
Tuy nhiên, do thời gian và trình độ còn giới hạn, tôi kính mong
được các thầy cô tiếp tục đóng góp, giúp đỡ để luận văn được hoàn
thiện tốt hơn và được ứng dụng vào thực tế.
Tôi xin trân trọng cảm ơn!

TÁC GIẢ
TIÊU VĂN GIANG



CHƯƠNG 1: TỔNG QUAN
Hệ thống thông tin của con người có lịch sử phát triển từ rất
lâu. Cho tới nay, đã có rất nhiều các hệ thống thông tin dưới các
hình thức đa dạng. Các hệt hống thông tin này được gán cho các
tên gọi nhất định theo môi trường truyền dẫn và đôi khi theo cả tính
chất dịch vụ của hệ thống. So với hệ thống thông tin hiện đại đầu
tiên là thông tin điện báo (đưa vào khai thác năm 1844) thì hệ
thống thông tin quang (mới được khai thác từ những năm 1980) là
hệ thống có tuổi đời còn khá trẻ. Tuy vậy cùng với sự phát triển của
các dịch vụ mạng và đòi hỏi ngày càng cao về dung lượng và băng
thông, hệ thống thông tin quang cũng đã phát triển rất mạnh mẽ về
công nghệ trong gần 3 thập niên qua. Do có ưu điểm như vậy nên
các hệ thống thông tin quang nhanh chóng được áp dụng rộng rãi
trên mạng lưới. Chúng còn tiềm tàng những khả năng rất lớn trong
việc hiện đại hoá các mạng lưới viễn thông trên thế giới.
1.1. Mạng WDM.
1.1.1. Định nghĩa:
WDM (Wavelength Division Multiplexing – Ghép kênh theo
bước sóng) là công nghệ “trong một sợi quang truyền dẫn đồng

thời nhiều tín hiệu quang với nhiều bước sóng khác nhau”. ở đầu
phát, nhiều tín hiệu quang có bước sóng khác nhau được tổ hợp lại
(ghép kênh) để truyền đi trên một sợi quang. ở đầu thu, tín hiệu tổ
hợp đó được phân giải ra (tách kênh), khôi phục lại tín hiệu gốc rồi
đưa vào các đầu cuối khác nhau.
1.1.2. Các công nghệ dùng trong mạng thông tin quang.
Phần này sẽ trình bày về các công nghệ đã, đang và sẽ được
dùng trong hệ thống thông tin quang.
1.1.2.1. TDM (Time Division Multiplexing):
TDM là phương pháp ghép kênh phân chia theo thời gian.
Đây là phương pháp giúp tăng số lượng tín hiệu được gửi trên
đường truyền vật lý.


Hình 1.1 : Ghép kênh theo thời gian
3

1.1.2.2. SONET/SDH:
SONET (Sychronous Optical Network : Mạng quang đồng
bộ) là một chuẩn của American National Standards Institute để
truyền dữ liệu đồng bộ trên môi trường truyền là cáp sợi quang.
Tương đương với SONET về mặt quốc tế là SDH.
SONET/SDH lấy các luồng n bit, ghép chúng lại, điều chế quang
tín hiệu và sử dụng thiết bị phát quang để gửi nó ra ngoài với một
tốc độ bit tương đương với : (tốc độ bit đi vào)

n . Vì vậy lưu
lượng đi đến bộ ghép kênh SONET tù bốn đầu vào với tốc độ 2,5
Gbps sẽ đi ra như một luồng đơn ở tốc độ 4


2,5 Gbps = 10 Gbps.
Nguyên tắc này được minh họa trong hình 1.2.


Hình 1.2 : Nguyên tắc ghép kênh trong mạng SONET

SONET cung cấp các chuẩn cho một số lượng lớn các tốc độ
truyền (tốc độ truyền thực tế vào khoảng 20 Gbps).
1.1.2.3. Gigabit Ethernet:
Công nghệ Ethernet 10 Gigabit được xây dựng trên nghi thức
Ethernet, nhưng có tốc độ nhanh gấp 10 lần Ethernet (1000 Mbps).
Ethernet Gigabit được triển khai như một công nghệ xương sống
cho các mạng đô thị. Đối với mạng diện rộng WAN, Ethernet 10
Gigabit cho phép các ISP (Internet Service Provider) và NSP
(Network Service Provider) tạo ra các liên kết tốc độ rất cao với giá
thành thấp từ các bộ chuyển mạch và các bộ định tuyến trong phạm
vi công ty cho đến thiết bị quang gán trực tiếp vào SONET/SDH.
Công nghệ Ethernet Gigabit hỗ trợ cả cáp sợi quang đơn mode và
đa mode. Tuy vậy, các khoảng cách được hỗ trợ tùy vào các kiểu
cáp sợi quang và bước sóng được thực thi trong ứng dụng.
1.1.3. Hệ thống thông tin quang nhiều kênh
Trên thực tế, sự ra đời của các hệ thống quang đa kênh đã giải
quyết được những hạn chế của hệ thống đơn kênh, đồng thời cũng
tận dụng được những công nghệ hiện có để phát triển mạnh mẽ. Cụ
thể là :
Thứ nhất, đối với hệ thống đơn kênh, khi tốc độ đạt tới mức
khoảng vài chục Gbit/s thì khoảng cách tuyến truyền dẫn sẽ bị rút
ngắn lại, các thiết bị điện tử sẽ đạt đến giới hạn của nó và không
đáp ứng được các xung tín hiệu cực kì hẹp; thêm vào đó chi phí
dành cho các giải pháp trên tuyến truyền dẫn trở nên tốn kém vì

cấu trúc, thuật toán phức tạp và đòi hỏi các thiết bị có công nghệ
cao.
Thứ hai, kỹ thuật ghép kênh quang được sử dụng sẽ tận
dụng được phổ hẹp của Laser, tận dụng được băng tần rất lớn của
sợi quang.
1.1.4. Nguyên lý cơ bản của ghép kênh theo bước sóng quang.
Nguyên lý cơ bản của ghép kênh theo bước sóng mang có
thể minh họa như hình 1.3.


Hình 1.3 : Quá trình ghép và giải ghép WDM
4

1.1.5. Mục đích công nghệ WDM.
Do băng thông quang rất lớn nên nếu chỉ sử dụng cho mục
đích đơn lẻ sẽ rất hao phí. Vì vậy sử dụng công nghệ WDM nhằm
mục đích tận dụng băng tần truyền dẫn của sợi quang bằng cách
truyền đồng thời nhiều kênh bước sóng trên cùng một sợi quang.
1.1.6. Phân loại hệ thống truyền dẫn WDM.
1.1.6.1. Hệ thống ghép bước sóng đơn hướng:
Chỉ thực hiện truyền theo một chiều trên sợi quang. Do vậy
để truyền thông tin giữa hai điểm cần hai sợi quang.



Hình 1.4: Hệ thống WDM đơn hướng
1.1.6.2. Hệ thống ghép bước sóng song hướng:
Có thể truyền theo hai chiều trên một sợi quang nên chỉ cần
một sợi quang để có thể trao đổi thông tin giữa hai điểm.

Hình 1.5: Hệ thống WDM song hướng
1.2. Định tuyến và gán bước sóng trong mạng WDM.
1.2.1. Định tuyến (Routing)
1.2.1.1. Giới thiệu
Định tuyến được coi là thành phần cốt yếu của kiến trúc
mạng, thiết kế mạng và điều hành mạng của mọi mạng thông tin, là
thành phần không thể thiếu trong mạng viễn thông.
1.2.1.2. Phân loại định tuyến
Có nhiều cách phân loại định tuyến, có thể đưa ra một số
loại định tuyến như sau:
 Dựa vào chức năng thích nghi với trạng thái hiện thời của
mạng để phân loại thành: định tuyến tĩnh và định tuyến động
+ Định tuyến tĩnh: với định tuyến tĩnh, đường dẫn được
chọn trước cho mỗi cặp nguồn – đích của các node trong mạng.
+ Định tuyến động: định tuyến động lựa chọn tuyến dựa trên
thông tin trạng thái hiện thời của mạng.
 Dựa vào phạm vi định tuyến, ta phân loại thành: định tuyến
trong và định tuyến ngoài.
Định tuyến trong: định tuyến xảy ra bên trong một hệ thống
độc lập (AS – Autonomous System), các giao thức thường dùng là
RIP (Router Information Protocol), IGRP (Interior Gateway
Routing Protocol), OSPF (Open Shortest Path First), EIGRP
(Enhanced IGRP),…
Định tuyến ngoài: định tuyến xảy ra giữa các hệ thống độc
lập (AS), liên quan tới dịch vụ của nhà cung cấp mạng sử dụng
giao thức định tuyến ngoài rộng và phức tạp. Giao thức thường
dùng là BGP (Border Gateway Protocol).
5

Hình 1.6: Định tuyến trong và định tuyến ngoài

1.2.2. Định tuyến và gán bước sóng (Routing and
Wavelength Assignment - RWA).
Tìm đường được hiểu theo hai khía cạnh, đó là tìm đường
vật lí mang được mẫu lưu lượng yêu cầu (Routing) và đưa ra bước
sóng phù hợp để mang lưu lượng trên mỗi link dọc path
(Wavelength Assignment) trong số các bước sóng cho phép (bởi
mỗi path gồm một số fiber, mà trên mỗi fiber này, bạn có thể có W
sub-chanels, cũng là W bưóc sóng và W lựa chọn cho yêu cầu kết
nối hiện tại). Vấn đề này được viết tắt là RWA. Rắc rối đặt ra đối
với bài toán RWA là nó đưa ra hai điều kiện sau:
Điều kiện tính liên tục bước sóng: một lightpath phải sử
dụng chung một bước sóng trên tất cả các link dọc theo đường đi
của nó từ nguồn đến đích.

Hình 1.7: Điều kiện tính liên tục bước sóng
Điều kiện tính riêng biệt về bước sóng: tất cả các lightpath
sử dụng cùng một link (fiber) phải được gán các bước sóng riêng
biệt.

Hình 1.8: Mạng WDM định tuyến bước sóng
1.3. Động cơ và mục tiêu nghiên cứu.
1.3.1. Động Cơ

Để giải bài toán thiết kế đa mục tiêu, các kỹ thuật tối ưu hóa
đa mục tiêu thường được sử dụng. Một số phương pháp sử dụng
các gần đúng đơn mục tiêu để giải các bài toán đa mục tiêu như
ràng buộc


và tổng trọng số. Tuy nhiên các gần đúng đơn mục tiêu
có một nhược điểm là rất khó tìm được các nghiệm tối ưu. Do vậy
mà các thuật toán tiến hóa đa mục tiêu được áp dụng để giải các bài
toán thiết kế đa mục tiêu này.
1.3.2. Mục tiêu nghiên cứu

Nghiên cứu giải quyết bài toán định tuyến và gán bước sóng
đa mục tiêu trong mạng WDM bao gồm:
+ Xây dựng bài toán RWA như là một bài toán tối ưu đa
mục tiêu.
6

+ Giải bài toán RWA được xây dựng ở trên bằng thuật toán
di truyền để tối ưu hóa các tham số mạng khác nhau.
1.4. Nội dung và đóng góp của luận văn.
1.4.1. Nội dung của luận văn
Nội dung của luận văn dự kiến sẽ được chia thành 4 chương
với những nội dung cụ thể như sau:
Chương 1: Trình bày tổng quan về mạng WDM, các vấn đề
cơ bản về định tuyến và gán bước sóng trong mạng WDM, nhiệm
vụ, hướng nghiên cứu và những đóng góp của luận văn.
Chương 2: Giới thiệu bài toán RWA, các mục tiêu thiết kế,
các phương pháp tiếp cận bài toán RWA: heuristic và meta-
heuristic.
Chương 3: Trình bày bài toán tối ưu hóa đa mục tiêu, các
giải thuật tiến hóa trong tối ưu hóa đa mục tiêu, các giải thuật di
truyền trong RWA đa mục tiêu.
Chương 4: Trình bày mô hình mô phỏng RWA đa mục tiêu,
cách thức giải bài toán RWA đa mục tiêu bằng phương pháp tính

toán tiến hóa lai và kết quả mô phỏng bài toán RWA.
1.4.2. Những đóng góp của luận văn.
Kết quả của đề tài có thể ứng dụng cho thiết kế mạng quang
định tuyến bước sóng WDM hiệu quả hơn. Bằng việc sử dụng tiếp
cận đa mục tiêu thay cho chỉ xem xét từng mục tiêu một cách độc
lập, nghiệm thu được trong việc giải bài toán RWA bằng phương
pháp tiến hóa lai cho kết quả khả thi tốt hơn, hay nói cách khác nó
cung cấp cho nhà thiết kế mạng những thông tin bù trừ bổ ích giữa
nhiều mục tiêu khác nhau. Hơn nữa các thuật toán tiến hóa được
nghiên cứu có thể áp dụng cho việc điều khiển mạng quang định
tuyến bước sóng động một cách hiệu quả hơn.
Đề tài cũng làm cơ sở định hướng nghiên cứu cho các đề tài
tốt nghiệp của sinh viên đại học và cho các nghiên cứu chuyên sâu
tiếp theo đối với sinh viên cao học.
CHƯƠNG 2:ĐỊNH TUYẾN VÀ GÁN BƯỚC
SÓNG TRONG MẠNG WDM

2.1. Giới thiệu bài toán RWA.
Phân loại bài toán RWA được thể hiện trong Bảng 2.1.
Bảng 2.1: Phân loại RWA
Phân loại RWA
Kiểu lưu lượng Static,Dynamic
Hàm mục tiêu Max-RWA,Min-RWA
Công thức ILP Link-based, Path-based
Chuyển đổi bước sóng Full,Sparse,None
Cáp quang Single,Multiple
Yêu cầu Request multiplicity
RWA bài toán được coi là một bài toán NP-đầy đủ. Phức tạp
của bài toán RWA phát sinh từ hai sự kiện sau đây:
(i) Ràng buộc bước sóng liên tục : Một lightpath phải chiếm

cùng bước sóng trên tất cả các sợi liên kết mà qua đó nó đi qua.
(ii) Ràng buộc bước sóng riêng biệt: Hai lightpaths phải
không được chỉ định cùng một bước sóng trên một liên kết nào.
7

2.2. Cách tiếp cận heuristic đối với bài toán RWA.
Chlamtac[8] đề xuất khái niệm về Lightnet kiến trúc để đối
phó với các vấn đề không phù hợp giữa tốc độ xử lý điện tử và
truyền dẫn quang băng thông trong WDM dựa trên các mạng diện
rộng.
Zhang và Acampora[26] đã đề xuất một thuật toán hiệu quả
để gán một số giới hạn các bước sóng giữa các trạm truy cập của
mạng trong đó các phương tiện vật lý bao gồm các phân đoạn sợi
quang được kết nối qua các thiết bị chuyển mạch bước sóng quang
chọn lọc.
Banerjee [4] đã xem xét các vấn đề thiết kế một cấu trúc liên
kết mạng quang học hợp lý cho một mô hình vật lý và một ma trận
nhu cầu giao thông giữa những người sử dụng cuối cùng.
Banerjee và Mukherjee[2] đã trình bày một công thức lập
trình tuyến tính số nguyên để đưa ra một giải pháp tối thiểu khoảng
cách bước nhảy đến các vấn đề thiết kế cấu trúc liên kết ảo trong
một mạng bước sóng định tuyến quang học, trong trường hợp
không có ràng buộc bước sóng liên tục.
2.3. Cách tiếp cận meta-heuristic đối với bài toán RWA.
Các giải pháp meta Heuristic thiết kế các cấu trúc liên kết
trong khu vực mạng mesh diện rộng để giảm thiểu chi phí mạng.
Các thuật toán di truyền đã được sử dụng để giải quyết bài toán
RWA theo giả định khác nhau. Các tác giả đã xây dựng các vấn đề
RWA tĩnh trong các mạng quang học là một vấn đề tối ưu hóa mục
tiêu duy nhất và giải quyết nó bằng cách sử dụng một thuật toán

tiến hóa.
MC Sinclair[23] đã đề xuất một chi phí tối thiểu định tuyến
đường đi bước sóng và phương án phân bổ bước sóng bằng cách sử
dụng một thuật toán di truyền / Heuristic dựa trên thuật toán lai
ghép.
Zhong Pan [21] phát triển một chức năng phù hợp mới để
giải quyết các bài toán con của của bài toán RWA bằng cách sử
dụng thuật toán di truyền. Mục tiêu là để định tuyến mỗi lightpath
theo cách để giảm thiểu số lượng bước sóng cần thiết để nhường
quyền tất cả các lightpaths tĩnh. Các mục tiêu thứ yếu là giảm thiểu
chi phí trong việc thiết lập các lightpaths.
D. Bisbal[5] đề xuất một thuật toán di truyền để thực hiện
định tuyến động và gán bước sóng trong định tuyến bước sóng
mạng quang không có bước sóng chuyển đổi.
Le[15] đã đề xuất một thuật toán di truyền cải tiến để giải
quyết bài toán RWA động. Để đạt được cân bằng tải tốt hơn giữa
các cá thể, họ đã xây dựng một hàm thích hợp mới, đồng thời liên
quan đến chiều dài đường đi, số bước sóng tự do và khả năng
chuyển đổi bước sóng trong tuyến đường đánh giá.
2.4. Các mục tiêu thiết kế trong bài toán RWA.
Bài toán thiết kế đa mục tiêu được thể hiện với các hàm đa
mục tiêu thường được giải quyết với "kỹ thuật tối ưu hóa đa mục
tiêu". Tối ưu hóa đa mục tiêu là một kỹ thuật để tìm ra giải pháp tốt
nhất từ các giải pháp lớn có thể xem xét tất cả các mục tiêu cùng
một lúc.
Có một số nghiên cứu[20] được lồng ghép trong các tài liệu
mà hình thành heuristics và meta-heuristics cho việc thiết kế hiệu
quả của biểu đồ tổng quát dựa trên các cấu trúc liên kết mạng.
CHƯƠNG 3:
MÔ HÌNH ĐA MỤC TIÊU CHO BÀI TOÁN RWA

8

3.1. Xây dựng bài toán đa mục tiêu.
Bài toán RWA là một bài toán tối ưu hóa tổ hợp và một loạt
các phương pháp tối ưu đã được sử dụng để giải quyết bài toán này.
Các bài toán RWA có thể được mô hình hóa như một bài toán lập
trình số nguyên tuyến tính (ILP) và giải quyết ILP được đảm bảo
để cung cấp cho các tối ưu toàn phần
3.1.1.
ký hiệu sử dụng.
Ký hiệu được sử dụng trong việc xây dựng ILP được quy
định như sau:
+ V = Thiết lập các nút trong mạng.
+ E = Thiết lập các liên kết sợi hai chiều trong mạng.
+ W = Thiết lập các kênh bước sóng không nhiễu hỗ trợ bởi
tất cả các liên kết sợi trong mạng.
+ (i,j) Là cặp nút nguồn-đich; {i,j}  V.
+ D = Ma trận nhu cầu của các yêu cầu kết nối, nơi D
ij
dùng
để chỉ một giá trị đầy đủ ghi rõ nhu cầu tối đa giữa các cặp nút (i, j)
và D
ij
= D
ji
.
+ 
-
(v) = Thiết lập các liên kết sợi được sử dụng bởi

lightpath vào nút v.
+ +(v) = Thiết lập các liên kết sợi được sử dụng bởi
lightpath rời khởi nút v.
3.1.2. Các biến sử dụng
Các biến được sử dụng trong việc xây dựng ILP được quy
định như sau:









3.1.3. Xây dựng ILP đa mục tiêu.
Trong phần này, xây dựng các bài toán RWA như là một bài
toán đa mục tiêu ILP. Lightpaths được nhóm lại theo cặp nút
nguồn-đích của nó. K là tập hợp các yêu cầu lightpath. Thì K được
tính theo công thức:
jiandijKjiKjiKK
VVji



),(
|),(),();,(

2



 

Vi Vj
ij
D
K

jiij
DDijKjiK  ),(),(
3.1
Các hàm mục tiêu mà chúng ta muốn tối ưu hóa được quy định như
sau:
+ Giảm thiểu ách tắc của nhiều nhất liên kết tắc nghẽn trong
mạng:




  

0:),( ),(
,
),(max
ij
DVVji jiKk Ww
ew
k
Ee
jibMinimize

(3.4)
B
k
(i,j) =

1 nếu lightpath k giữa cặp nút (i, j) được thiết lập
0 nếu không
),( jiB
k

1 nếu lightpath k giữa cặp nút (i, j) được thiết lập bước
sóng w

0 nếu không
),(
,
jiB
e
k

(i,j) =
1 nếu lightpath k giữa cặp nút (i, j) được thiết
l
ập
bư
ớc sóng w với liên kết e

0 nếu không
9

+ Giảm thiểu sự khác biệt giữa tắc nghẽn nhiều nhất và tắc
nghẽn ít nhất liên kết trong mạng:







    




0:),( ),( 0:),( ),(
,,
}),(min),(max{
ij ij
DVVji jiKk DVVji jiKk Ww
ew
k
Ee
Ww
ew
k
Ee
jibjibMin
(3.5)
+ Giảm thiểu sự khác biệt giữa các liên kết tắc nghẽn nhiều
nhất và ùn tắc trung bình của tất cả các liên kết trong mạng:

Min {
E
jib
jib
ij
ij
DVVji jiKk Ww
ew
k
DVVji jiKk Ww
ew
k
Ee



  
  
  


0:),( ),(
,
0:),( ),(
,
),(
),(max
} (3.6)
+ Hạn chế số lượng tối đa của bước nhảy đi qua trung gian:



 


Ee Ww
ew
k
jiKk
jibMinimize
ij
Dji
),(max
,
),(
0:),(

(3.7)
+ Giảm thiểu số lượng các liên kết sợi được sử dụng để cho
tất cả các lightpaths:

  
  

0:),( ),(
,
}0),(|{
ij
Dji jiKk Ww
ew

k
jibEeMinimize
(3.8)
+ Hạn chế chiều dài tuyến đường tối đa:



 



Ee Ww
ew
ke
jiKk
jibdMinimize
ij
Dji
0),(|(max
,
),(
0:),(

(3.9)
Trong đó d
e
= Trễ liên quan đến liên kết e.
+ Hạn chế tối đa tổng chiều dài tuyến đường:






   

0:),( ),(
,
)0),(|(
ij
Dji jiKk Ee Ww
ew
ke
jibdMinimize
(3.10)
3.2. Các giải thuật tiến hóa trong tối ưu hóa đa mục tiêu.
3.2.1. Thuật toán đáp ứng tiến hóa.
EA là một thủ tục lặp ngẫu nhiên để tạo ra các nghiệm thăm dò
cho một bài toán P nào đó. Thuật toán điều khiển một bộ sưu tập P
của các cá nhân (quần thể), một trong số đó bao gồm một hoặc
nhiều nhiễm sắc thể. Các nhiễm sắc thể này cho phép mỗi cá nhân
đại diện cho một nghiệm tiềm năng cho các bài toán đang được
xem xét.
Toàn bộ quá trình được phác thảo trong hình 3.1.

Hình 3.1: Tác giả của phương pháp tiến hóa để tối ưu hóa.
Thuật toán tiến hóa như sau:
1. P ← áp dụng ι trên G để có được các cá nhân μ (quản thể
ban đầu);
10

2. while Tiêu chuẩn kết cuối không được đáp ứng do
(a) P0 ← áp dụng σ trên P; / * lựa chọn * /
(b) P00 ← áp dụng ω1, · · ·, ωk P0; / * sinh sản * /
(c) P ← áp dụng ψ trên P và P00; thay thế / * /
Endwhile.
Quá trình này được lặp đi lặp lại cho đến khi một tiêu chí
chấm dứt nhất định (thường là đạt được một số lượng tối đa lần lặp
lại) được thỏa mãn. Mỗi lần lặp của quá trình này thường được gọi
là một thế hệ.
3.2.2. Giải thuật SPEA2
Thuật toán tiến hóa cải tiến đầy đủ Pareto (SPEA2) ) là nổi
tiếng như là một kỹ thuật hiệu quả để tìm kiếm tập hợp Pareto tối
ưu trong bài toán tối ưu hóa đa mục tiêu chung. SPEA2 đã được đề
xuất bởi Zitzler[29]. SPEA2 là một thuật tiến hóa đa mục tiêu toán
thế hệ thứ hai (MOEA), thành công của thuật toán được sử dụng để
giải quyết một số vấn đề kỹ thuật.
N đại diện cho kích thước quần thể,
N
là kích thước lưu trữ.
1. Tạo một cá thể ban đầu P
0
và tạo khoảng trống lưu trữ
0
P
.
2. Tính toán số lượng yêu cầu kết nối được chấp nhận và các
kênh bước sóng yêu cầu, bằng cách sử dụng GA-MDF.
3. Tính toán giá trị sức mạnh của các cá nhân trong P
t
và

t
P
.
4. Xếp hạng cá nhân theo giá trị sức mạnh của họ và k-
khoảng cách hàng xóm gần nhất nơi
NNk 
(3.26)
5. Môi trường lựa chọn
a.Nếu kích thước của
1t
P
vượt quá thì loại bỏ các
cá nhân có tối thiểu k- khoảng cách hàng xóm gần nhất trong
1t
P

cho đến khi
1t
P
=
N

b.Nếu kích thước của
1t
P
là ít hơn so với
N
thì Điền
1t
P

với các cá nhân chiếm ưu thế trong P
t
và
t
P
.
6. Biến đổi và đảo chéo các cá nhân trong P
t
.
7. Lặp lại các bước 2-6, cho đến khi thỏa mãn với số lượng
tối đa của lặp.
3.3. Các giải thuật di truyền trong RWA đa mục tiêu.
Thuật toán di truyền (GA) đã được sử dụng để giải quyết bài toán
tối ưu hóa đa mục tiêu ở một số lĩnh vực. Khả năng GA đa mục
tiêu được khuyến khích để tìm kiếm theo hướng đúng Pareto trước
trong khi vẫn duy trì sự đa dạng trong quần thể. Đầu tiên,
Schaffer[24] đề xuất đánh giá thuật toán di truyền vector tiến
hóa(VEGA) để giải quyết tối ưu hóa đa mục tiêu trong từng mục
tiêu riêng biệt và kết hợp các con hoặc các quần thể của từng mục
tiêu lại với nhau. Các nghiệm thu được từ VEGA vô cùng nhiều
cho từng mục tiêu. Fonseca và Fleming[11] đề xuất một thuật toán
tiêu di truyền đa mục (MOGA) để tìm kiếm các nghiệm trong tất cả
các hướng có thể không gian mục tiêu.
Ví dụ về GA thảo luận bởi Konak trong[13] bao gồm các
thuật toán di truyền đa mục tiêu khác nhau. Thảo luận này phân
loại các thuật toán di truyền đa mục tiêu dựa trên các tính năng của
gán độ hợp lý và xếp hạng nghiệm thành bốn nhóm:
1. Hàm tổng hợp các mục tiêu chuẩn hóa.
a. GA dựa trên trọng số (WBGA).
11

b. GA trọng số ngẫu nhiên (RWGA).
2. So sánh trực tiếp của độ chi phối Pareto.
a. GA đánh giá vector (VEGA).
b. Niched Pareto GA (NPGA).
3. Tiếp cận xếp hạng cụ thể.
a. GA Đa mục tiêu (MOGA).
b. GA xếp loại không bị chi phối (NSGA) và GA xếp
loại nhanh không bị chi phối (NSGA-II).
c. Thuật toán tiến hóa đầy đủ Pareto (SPEA) và bản
cải thiện SPEA là (SPEA2).
4. Phương pháp tiếp cận dựa trên không dân cư.
a. Chiến lược tiến hóa Pareto lưu trữ (PAES).
CHƯƠNG 4: MÔ PHỎNG VÀ ĐÁNH GIÁ KẾT
QUẢ
4.1. Mô hình mô phỏng.
Trong phần này, bài toán thiết kế RWA đa mục tiêu và mô
hình thiết kế sẽ được trình bày. Bài toán RWA trong thiết kế mạng
quang WDM được xem xét để hỗ trợ nhiều yêu cầu liên lạc đồng
thời (bài toán luồng đa yêu cầu kết nối) Mỗi yêu cầu kết nối có rất
nhiều tuyến có thể và mỗi tuyến có một số lựa chọn gán kênh bước
sóng. Bài toán thiết kế mạng trong chương này là để tối đa hóa số
yêu cầu được chấp nhận từ một tập các yêu cầu đã định sẵn và để
giảm thiểu số lượng bước sóng yêu cầu. Điều này cho phép một số
yêu cầu liên lạc nhất định bị chặn để tiết kiệm một số kênh bước
sóng. Yêu cầu liên lạc đã được gán thành công với một bước sóng
được gọi là "yêu cầu được chấp nhận". Hàm mục tiêu của bài toán
bao gồm:
1. Mục tiêu thiết kế đầu tiên là để tối đa hóa số lượng yêu
cầu kết nối được chấp nhận. Một số lượng lớn các yêu cầu chắc

chắn đòi hỏi một số lượng lớn các kênh truyền dẫn (hay được gọi là
các kênh bước sóng). Mục tiêu thiết kế này là tùy vào số lượng giới
hạn kênh bước sóng trên mỗi cạnh mạng.
2. Mục tiêu thiết kế thứ hai là để giảm thiểu số lượng bước
sóng yêu cầu trên mỗi cạnh trong khi thỏa mãn một giá trị mục tiêu
về yêu cầu kết nối được chấp nhận. Ta giả định rằng mỗi cạnh
mạng có cùng số lượng bước sóng. Mục tiêu thiết kế này là để
giảm thiểu số lượng các bước sóng trong khi đáp ứng được lượng
yêu cầu được chấp nhận.
Thông tin đã cho:
- Cấu hình mạng
- Tập các yêu cầu (tức là, các cặp nút nguồn đích với yêu
cầu băng thông).
12

Tối thiểu hóa:
-
}min{
wcobi
fff 
(4.1)
-
Q
QQ
f
A
c


(4.2)

-
max
K
K
f
A
w

(4.3)
Tùy theo:

NiQq
otherwise
Desti
sourcei
qq
qq
iEe Kk
ke
q
iEe Kk
ke
q










  
  
,
,0
,
,
,*)(
,
)(*,
,



(4.4)

KkEeQq
k
q
ke
q
 ,,;
,

(4.5)





Kk
k
q
Qq;1

(4.6)

EeQq
Kk
q
ke
q



,;
,

(4.7)




Qq
qA
Q

(4.8)





Qq
k
ke
q
KkEe ,;
,

(4.9)




Kk
kA
K

(4.10)

T
Q
Q
A

(4.11)





Ee
ke
q
KkQqH ,;
,

(4.12)

KkQqLD
Ee
ke
qe



,;).(
,

(4.13)

Qq
q
 };1,0{

(4.14)

Kk
k
 };1,0{


(4.15)

KkQq
k
q
 ,};1,0{

(4.16)

EeKkQq
ke
q
 ,,};1,0{
,


(4.17)

4.2. Định tuyến và gán bước sóng sử dụng phương pháp
tiến hóa lai.
Phần này sẽ trình bày các thuật toán được sử dụng để giải
quyết bài toán định tuyến gán bước sóng đa mục tiêu. Ta xem xét
bài toán RWA tối đa hóa số lượng yêu cầu được chấp nhận và giảm
thiểu số lượng các kênh bước sóng yêu cầu cùng một lúc. Bài toán
RWA có thể được phân loại vào hai vấn đề, định tuyến và gán
bước sóng. Cả hai đều cùng phụ thuộc vào nhau.
4.2.1.
Thuật toán NSGA-II
13

Thuật toán di truyền phân loại nhanh không bị chi phối
(NSGA-II) được biết như là một kỹ thuật hiệu quả để tìm kiếm tập
hợp tối ưu Pareto trong bài toán tối ưu hóa đa mục tiêu chung.
NSGA-II là một thuật toán rất nhanh để có thể hội tụ nhanh chóng
về mặt trước Pareto. NSGA-II đã được đề xuất bởi Deb[11] và
được mô tả như sau.
Gọi R
t
là đại diện cho tổng số quần thể, P
t
là quần thể được
bảo tồn, Q
t
là quần thể được tái tổ hợp của thế hệ t. F
i
là mặt trước
i, trong đó i là một số nguyên dương. Lưu ý rằng các nghiệm trong
mặt trước F
1
là tốt hơn so với những nghiệm trong mặt trước của
F
2
, và cứ như vậy tiếp tục.
1. Kết hợp P
t
và Q
t
để R
t
.

2. Tính toán số lượng yêu cầu kết nối được chấp nhận và các
kênh bước sóng yêu cầu, bằng cách sử dụng GA-MDF (được mô tả
trong Phần 4.2.2)
3. Gán mỗi quần thể trong R
t
cho mặt trước (F
1
, F
2
, F
3
, )
bằng cách sử dụng thuật toán sắp xếp nhanh không bị chi phối
(R
t
).
4.
Tính khoảng cách tạo đám trong mỗi F
i
bằng cách sử dụng
thuật toán gán khoảng cách tạo đám (F
i
).
5.
Xếp loại quần thể R
t
(sắp xếp theo bậc mặt trước (F
i
) theo
thứ tự tăng dần và khoảng cách tạo đám theo thứ tự giảm dần.

6. Chọn lựa chỉ có một nửa đầu tiên của quần thể R
t
và gán
cho P
t+1
.
7. Tái kết hợp (qua lai tạo và đột biến) quần thể P
t +1
và gán
cho Q
t+1
.
8. Tăng vòng lặp (t = t + 1).
9. Lặp lại bước 1-8, cho đến quá trình lặp được thỏa mãn
bởi số lần lặp tối đa.
Từ thuật toán NSGA-II, hai thủ tục quan trọng của NSGA-II
bao gồm thủ tục gán độ hợp (xếp loại không bị chi phối nhanh và
gán khoảng cách tạo đám) và thủ tục lựa chọn. Quần thể xem xét
bao gồm nhiều cá thể. Mỗi cá thể trong quần thể sẽ luôn được gán
một thứ hạng hoặc bậc vì lý do đó mà các cá thể ưu tú được duy trì
cho thế hệ sau. Các cá thể ưu tú sẽ có một thứ hạng thấp hơn hoặc
tốt hơn so với những cá thể khác. Thứ hạng của các nghiệm được
tính toán từ sắp xếp không bị chi phối nhanh trước. Sau đó, các
nghiệm trong cùng một mặt trước được sắp xếp bằng việc sử dụng
thuật tóan gán khoảng cách tạo đám Việc phân hạng được thể hiện
trong thủ tục 1 và 2 trong hình 4.2.

Hình 4.2: Thủ tục NSGA-II

4.2.1.1. Gán độ hợp (Fitness assignment)

NSGA-II xếp thứ hạng cho cá thể i trong quần thể sử dụng
bậc mặt trước (F
i
) và khoảng cách tạo đám (D
i
). Các bậc mặt trước
(F
i
) được gán bằng cách sử dụng thuật toán sắp xếp không bị chi
14

phối nhanh [11] và khoảng cách tạo đám được tính bằng thuật toán
gán khoảng cách tạo đám [11].
Phương pháp sắp xếp nhanh không bị chi phối
Gọi F
i
là mặt trước i trong đó i là số nguyên dương.
1. Đối với mỗi cá thể p trong quần thể
a. Tìm tập các cá thể bị chi phối bởi p.
b. Tìm các thể không bị chiếm ưu thế và gán cho mặt
trước F
1
trước tiên.
2. Gán các cá thể khác cho mặt trước thứ hai, thứ ba, và tiếp
đó, cho đến khi tất cả các cá thể đều có mặt trước của chúng.
Gán khoảng cách tạo đám (Crowding-distance-
assignment
)
Gọi F

i
là mặt trước i trong đó i là số nguyên dương, D
i
là
khoảng cách tạo đám của nghiệm i trong mặt trước F
i
, N là số
lượng nghiệm trong mặt trước F
i
,
max
m
f
và
min
m
f
là các giá trị cực đại
và cực tiểu của mục tiêu m.
1. Thiết lập khoảng cách tạo đám của cá thể i (D
i
) = 0, cho
tất cả các cá thể trong F
i
.
2. Đối với mỗi mục tiêu m
a. Sắp xếp theo thứ tự tăng dần các cá thể i theo giá
trị mục tiêu f
m
.

b. Đặt khoảng cách tạo đám (D
i
) của các cá thể trong
bậc đầu tiên và bậc cuối cùng =  (tức là, D
1
=  và D
N
= )
c. Đối với tất cả các cá thể khác (i = 2 tới N-1). Tính
khoảng cách tạo đám của cá thể i sử dụng
minmax
(
))1()1((
mm
mm
ii
ff
ifif
DD






Cá thể có giá trị khoảng cách nhỏ có nghĩa là nó được tạo
đám nhiều hơn so với những cá thể khác. Cá thể mà cách xa khỏi
những cá thể khác sẽ được lựa chọn trước tiên. Thủ tục lựa chọn
này được trình bày như sau.

4.2.1.2. Thủ tục lựa chọn
Ban đầu, cá thể có một bậc mặt trước thấp hơn sẽ được
chọn. Nếu không gian có sẵn của quần thể trong thế hệ tiếp theo
không thể hỗ trợ toàn bộ các cá thể trong mặt trước F
i
, cá thể trong
cùng một mặt trước có khoảng cách tạo đám lớn hơn sẽ được lựa
chọn trước tiên như thể hiện trong thủ tục 3 hình. 4.2.
Thủ tục lựa chọn
1.Đối với mỗi cá thể i
a. Chọn toàn bộ các cá thể có bậc mặt trước thấp hơn
trước tiên.
b. Nếu toàn bộ các cá thể trong mặt trước F
i
không
thể được lấp đầy trong không gian có sẵn trong các thế hệ tiếp theo,
thì chọn các cá thể có số khoảng cách tạo đám lớn hơn trước tiên.
4.2.2.Thuật toán di truyền cho việc định tuyến và gán bước sóng
theo bậc tối thiểu trước tiên (GA-MDF)
Thuật toán này là một thuật toán heuristic gọi là thuật toán
di truyền cho việc định tuyến với việc gán bước sóng bậc tối thiểu
trước tiên (GA-MDF). GA-MDF có hai phần là định tuyến bằng
thuật toán di truyền và gán bước sóng theo bậc tối thiểu trước tiên.
4.2.2.1. Thuật toán di truyền cho định tuyến
Trước đây, thuật toán di truyền được sử dụng để giải quyết
bài toán định tuyến trong mạng quang WDM [3]. Banerjee và
Sharan đã đề xuất một thuật toán di truyền dựa trên tiếp cận định
tuyến luân phiên cố định.
Mã hóa chuỗi: Mã hóa chuỗi là một quá trình mã hóa bài
toán tổ hợp thành một tập hợp các gen hoặc nhiễm sắc thể. Mã hóa

chuỗi ở đây, là một tập hợp các số nguyên cái chỉ ra tuyến đường
15

của mỗi yêu cầu kết nối. Giả sử rằng trong bài toán thiết kế mạng
có 5 nút mạng như hình 4.4

Hình 4.4: Một mẫu 5-node mạng

Hình 4.5: Một ví dụ về mã hóa chuỗi
Lai tạo: Lai tạo là quá trình khám phá các nghiệm mới từ
các nghiệm hiện có. Một ví dụ về quá trình lai tạo được cho thấy
trong hình 4.6.

Hình 4.6: Một ví dụ của quá lai tạo.
Đột biến: Đột biến là quá trình khai thác các nghiệm mới từ
các nghiệm hiện có. Một ví dụ của quá trình đột biến được thể hiện
trong hình 4.7

Hình 4.7: Một ví dụ của quá trình đột biến
4.2.2.2. Gán bước sóng mức độ tối thiểu trước tiên
(MDF).
Trong gán bước sóng, thuật toán độ tối thiểu trước tiên
(MDF) được đề xuất để gán một kênh bước sóng giới hạn cho một
tập các yêu cầu. Thuật toán gán độ hợp trước tiên thực hiện gán
bước sóng từ chỉ số kênh nhỏ nhất đển chỉ số kênh cao nhất [11].
Còn trong thuật toán này, mức độ tối thiểu ít nhất được gán trước
16

tiên. Giả định rằng mức độ tối thiểu của một đồ thị phụ trợ thể hiện
cho số lượng ít nhất các yêu cầu bị chồng lấn nhau.

Thuật toán MDF có thể được trình bày như sau:
1.Sắp xếp tất cả các yêu cầu theo số lượng các mức độ từ
mức độ nhỏ nhất đến mức độ lớn nhất.
2. Tại hạng đầu tiên (số lượng mức độ ít nhất, hoặc bị chồng
lấn ít nhất bởi yêu cầu khác), gán bước sóng đầu tiên.
3. Tại yêu cầu tiếp theo, nếu yêu cầu không bị chồng lấn với
các yêu cầu trước đó, gán cùng kênh bước sóng tương tự như yêu
cầu trước đó, nếu không thì gán bước sóng tiếp theo.
4. Lặp lại bước 3, cho đến khi tất cả các yêu cầu được xem
xét.
Ví dụ MDF
Yêu cầu 2 (
2
): từ nút 2 đến nút 4  kênh bước sóng 1.
Yêu cầu 3 (
3
): từ nút 3 nút 4  kênh bước sóng 1.
Bởi vì nó không chồng chéo với yêu cầu kết nối trước
đó.
Yêu cầu 1 (
1
): từ nút 1 đến nút 3  kênh bước sóng2.
Bởi vì nó bị chồng chéo với 
2
và 
3


Hình 4.8: Một đồ thị phụ trợ cho thuật toán mức độ tối thiểu trước
tiên (MDF)

MDF có thể được kiểm tra bởi một mạng nhỏ có quan hệ kiểu sao
chồng lấn như hình 4.9. Mối quan hệ chồng lấn thu được từ tập sáu
yêu cầu trong NFSNET như thể hiện trong hình 4. 10. Sáu yêu cầu
đó là:
Yêu cầu 0: có tuyến đường từ nút 1 đến 12: 1 3 4
67 8 12
Yêu cầu 1: từ nút 0 đến 3: 0  1  3
Yêu cầu 2: từ nút 3 đến 5: 3 4 5
Yêu cầu 3: từ nút 6 0: 6 7 0
Yêu cầu 4: từ nút 7 9: 7 8 9
Yêu cầu 5: từ nút 11 đến 12: 11 8 12

Hình 4.9: Một biểu đồ phụ trợ cho các thuật toán gán bước sóng.


Hình 4.10: NFSNET với 14 nút và 42 cạnh.
17

4.2.2.3. Cơ chế xén tỉa
Trước đây, Konak[14], Taboada và Coit[26] đã đề xuất cơ chế để
cắt giảm nhiều nghiệm không bị chiếm ưu thế trong hai phương
pháp tiếp cận, đó là thuật toán mức độ ưu tiên xếp hạng và tạo đám
dữ liệu. Trong phương pháp đầu tiên, người ra quyết định có biết
mức ưu tiên của từng mục tiêu, xem xét nó theo trật tự để tìm ra
nghiệm ưu tiên. Trong phương pháp thứ hai, cắt tỉa bằng cách sử
dụng phân nhóm dữ liệu được coi là phù hợp hơn bởi vì người ra
quyết định không cần phải biết mức ưu tiên của từng mục tiêu.
Trong phần này, nhiều nghiệm (các nghiệm không bị chi phối) thu
được từ NSGA-II được cắt bỏ bớt bằng cách sử dụng một thuật
toán nổi tiếng phân nhóm dữ liệu (tức thuật toán K-means).

Thuật toán K-means cơ bản được thể hiện như sau:
1. Chọn K điểm như là trọng tâm ban đầu.
2. Repeat (Lặp lại)
a. Hình thành K cụm bằng cách gán mỗi điểm cho
trọng tâm gần nhất với nó.
b. Tính toán lại trọng tâm của mỗi cụm
3. Until (Cho đến khi) các trọng tâm không thay đổi.
Độ gần của các nghiệm so với trọng tâm của nó chính là
khoảng cách Euclide. Vấn đề chính trong thuật toán K-means là để
tìm giá trị thích hợp của K.
4.3 Kết quả mô phỏng.
Thiết kế mạng RWA đa mục tiêu với một cấu hình mạng và
một tập các yêu cầu đã cho sẽ được xem xét trong một số thí
nghiệm. Một số lượng giới hạn các kênh bước sóng trong mỗi cạnh
hoặc liên kết của mạng sẽ được áp đặt và ít nhất 80% các yêu cầu
phải được chấp nhận. Một tập hợp các bài toán kiểm tra với số
lượng các yêu cầu khác nhau sẽ được tạo ngẫu nhiên theo phân bố
đều trong mỗi bài kiểm tra. Các mạng ví dụ khác nhau được chọn
trong các thí nghiệm như cho thấy trong các hình 4.10, 4.11 và 4.12
bao gồm mạng NFSNET với 14 nút và 42 cạnh định hướng, mạng
CHNNET với 15 nút và 54 cạnh định hướng và mạng ARPANET
với 20 nút và 64 cạnh hướng [30]. Đối với mỗi kích thước bài toán,
một tập hợp các nhu cầu thông tin liên lạc được khảo sát bằng một
tập hợp các kênh bước sóng. Ở đây giả định rằng tất cả các cạnh có
cùng một số khả năng bước sóng.


Hình 4.11: Mạng lưới Quốc gia Trung Quốc (CHNNET) với 15 nút
và 54 cạnh hướng

Hình 4.12: ARPANET với 20 nút và 64 cạnh hướng.
18

Thuật toán GA-MDF được chuẩn hóa với các thuật toán
FAR-FF để so sánh. Các kết quả mô phỏng được cho thấy trong
các hình 4.13, 4.14, 4.15 và bảng 4.1 chi ra GA-MDF thực hiện tốt
hơn so với FAR-FF với 5 tuyến ngắn nhất tiềm năng trong tất cả ba
cấu trúc mạng.

Hình 4.13: Các nghiệm không bị chi phối của GA-MDF và
FAR-FF thu được từ NFSNET.

Hình 4.14: Các nghiệm không bị chi phối của GA-MDF và FAR-FF
thu được từ CHNNET.

Hình 4.15: Các nghiệm không bị chi phối của GA-MDF và FAR-FF
thu được từ ARPANET.

S
ố kênh b
ư
ớc sóng

S
ố yêu cầu
đư
ợc chấp nhậ
n

S
ố kênh b
ư
ớc sóng

S
ố yêu cầu
đư
ợc chấp nhận

S
ố kênh b
ư
ớc sóng

Số yêu cầu được chấp nhận

19

Bảng 4.1:Thời gian tính toán của GA-MDF và FAR-FF trong mạng khác nhau cấu trúc liên kết với 150 mặt hàng
.
Degree CPU times
Network
topologies
No.of (non-
driection)
edge
No.of
Nodes
Noof edges
no.of nodes

Total
deg
Averge
deg
Min
deg
Max
deg
RWA
techniques
Average cpu
time(s)
Total cpu
time (s)

NPSNET 21 14 15 42 3 2 4 GA-MDF
FAR-FF
14,806.3
11,986.7
44,419.0
35,960.0
CHN 27 15 18 54 3.6 3 5 GA-MDF
FAR-FF
16,512.7
12,344.7
49,538.0
37,034.0
ARPANET

32 20 1.6 64 3.2 3 4 GA-MDF
FAR-FF
29,435.0
21,540.3
88,305.0
64,621.0
Bảng 4.2 cho thấy các kết quả thu được với tổng số 150 yêu cầu sử dụng tiếp cận Weighted-Sum, trong đó 11 trường hợp giá trị trọng số
được xem xét. Những kết quả này (được hiển thị là "○" ) được so sánh với kết quả thu được từ NSGA-II (hiển thị là "×") trong hình 4.16.



Hình 4.16: Kết quả từ phương pháp tiếp cận Weighted-Sum trong các trường hợp khác nhau của trọng số và NSGA-II.

Bảng 4.2: Kết quả từ cách tiếp Weighted-Sum với các trường hợp khác nhau của các thông số trọng số (150 mặt hàng).
{W
0

,W
w
}
No.of accepted
comodities
No.of wavelengths
used
{W
0
,W
w
}
No.of accepted
comodities
No.of wavelengths used

{1.0,0.0} 123.0 9.0 {0.4,0.6} 127.0 10.0
S
ố kênh b
ư
ớc sóng

Số yêu cầu được chấp nhận

150 yêu c
ầu

20

{0.9,0.1}

{0.8,0.2}
{0.7,0.3}
{0.6,0.4}
{0.5,0.5}
123.0
121.0
122.0
122.0
123.0
9.0
9.0
9.0
9.0
9.0
{0.3,0.7}
{0.2,0.8}
{0.1,0.9}
{0.0,1.0}

127.0
127.0
140.0
150.0
10.0
11.0
13.0
17.0
Như được thấy trong Bảng 4.3, thuật toán NSGA-II đòi hỏi nhiều tính toán, với thời gian CPU tính toán trung bình là 14806,3 s đối
với trường hợp của 150 yêu cầu thu được từ thuật toán NSGA-II, trong khi thời gian tính toán thu được từ cách tiếp cận Weighted-Sum (với
11 trường hợp trọng số) chỉ là 349,0 x 11 = 3839 s.

Bảng 4.3: Số lần lặp lại và thời gian tính toán của tổng trọng (nhiều trọng số) và phương pháp tiếp cận NSGA-II.
Weighted-Sum (multiple weights) NSGA-II
No.of total comodity
Iteration CPU time(s) Iteration CPU time(s)
Average (per 1 replication run) 10
30
50
100
150
33.0
39.2
50.2
51.0
58.2
1.0
9.1
32.6
132.2
349.0
2400.0
2400.0
2400.0
2400.0
2400.0
85.0

6.503
1617.7
6403.3
14806.3
Total 10
30
50
100
150
1090.0
1293.0
1656.0
1684.0
1921.0
33.0
300.0
1077.0
4363.0
11518.0
7200.0
7200.0
7200.0
7200.0
7200.0
255.0
1816.0
4853.0
19210.0
44419.0
Đối với các cơ chế xén tỉa, phân nhóm dữ liệu bằng K-means được

chọn bởi vì các mục tiêu không được ưu tiên hóa trong phương
pháp này. Số lượng các nghiệm thu được từ NSGA-II trong cách
tiếp cận này là 31 nghiệm như hình 4.16. Tất cả trong số đó có thể
được phân cụm lại bằng cách sử dụng thuật toán K-means.
Nghiệm với K = 1 là dễ dàng để đưa ra quyết định và nó được đặt
ở giữa của mặt trước như hình.4.17 (a). Đối với các trường hợp K
= 3 và K = 5, các trọng tâm hoặc các đại diện của tất cả các cụm
được thể hiện bằng ký hiệu .
21


Hình 4.17: Kết quả từ thuật toán K-tính chất với (a) K=1, (b)K= 3
và (c)K= 5.
Trong kết quả đưa ra ở đây, giá trị của K được lựa chọn
bằng cách xem xét cả hai tổng của các sai số bình phương (SSE)
và tỷ lệ phần trăm của các nghiệm thu được. SSE nhỏ đòi hỏi một
giá trị K lớn sẽ làm khó khăn cho việc lựa chọn quyết định cuối
cùng. Trong khi K nhỏ sẽ cho SSE lớn cái có thể không thể hiện
chính xác nhóm các nghiệm trong các cụm. Các quan hệ của SSE
và số lượng trọng tâm (K giá trị) được thể hiện trong Bảng 4.4.

Bảng 4.4: Tổng của Sai số bình phương (SSE) và tỷ lệ phần trăm của các nghiệm thu được với số lượng khác nhau của trọng tâm (K giá trị).
No.of centriods % of obtained solutions Best case SSE (A) Average SSE (B) (B/2612.19)*100
1
3
5
7
9
11
13

15
17
19
21
23
3.23
9.68
16.13
22.58
29.03
35.48
41.94
48.39
54.84
61.29
67.74
74.19
2612.19
301.25
107.50
54.62
32.92
24.58
17.33
15.67
8.50
6.50
5.00
4.00
2612.19

301.25
109.32
55.97
34.94
26.83
18.78
16.86
9.56
7.83
5.83
4.50
100.00
11.53
4.18
2.14
1.34
1.03
0.72
0.65
0.37
0.30
0.22
0.17
22

25
27
29
31
80.65

87.10
93.55
100.00
3.00
2.00
1.00
0.00
3.00
2.00
1.00
0.00
0.11
0.08
0.04
0.00



Từ hình 4.18 cho thấy, SSE giảm nhanh khi K được thay
đổi từ 1 đến 3 và 5. Đồ thị hình chiếu cho thấy SSE thay đổi nhẹ từ
K = 7 tới 31. Đối với bài toán RWA đa mục tiêu đã được xét này,
K = 5 hoặc 7 là tối ưu bởi vì những giá trị này không phải mất
nhiều thời gian để đưa ra một sự lựa chọn và các SSE có thể chấp
nhận được. Với K = 5, đó là khoảng 16% trong những nghiệm thu
được, trong khi nó là khoảng 23% trong những nghiệm được cho
K = 7.


Hình 4.18: Mối quan hệ giữa SSE và số lượng trọng tâm.
% Kết quả thu được

23

CHƯƠNG V:
KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
5.1. Kết luận.
Bài toán định tuyến và gán bước sóng trong mạng quang
WDM với tiếp cận thiết kế đa mục tiêu trong ràng buộc về tính
liên tục của bước sóng đã được tìm hiểu trong đề tài này. Mỗi yêu
cầu kết nối chỉ sử dụng một bước sóng được gán xuyên suốt tuyến
quang. Cụ thể các mục tiêu thiết kế được xem xét trong đề tài là để
tối đa hóa số lượng các yêu cầu được chấp nhận và tối thiểu hóa số
lượng bước sóng đòi hỏi. Do vậy một tiếp cận tính toán tiến hóa lai
đã được nghiên cứu tìm hiểu trong đề tài này cho việc giải bài toán
RWA đa mục tiêu một cách hiệu quả. Cụ thể thuật toán GA-MDF
được sử dụng để giải bài toán RWA một cách hiệu quả, sau đó
thuật toán NSGA-II được áp dụng để tìm kiếm các nghiệm không
bị chi phối, cơ chế xén tỉa cũng được áp dụng để lọc bớt một số
lượng lớn nghiệm không bị chi phối trợ giúp cho người quyết định
lựa chọn được nghiệm cuối cùng trong bài toán thiết kế tối ưu
RWA đa mục tiêu.
Kết quả của đề tài có thể ứng dụng cho thiết kế mạng quang
định tuyến bước sóng WDM hiệu quả hơn. Bằng việc sử dụng tiếp
cận đa mục tiêu thay cho chỉ xem xét từng mục tiêu một cách độc
lập, nghiệm thu được trong việc giải bài toán RWA bằng phương
pháp tiến hóa lai cho kết quả khả thi tốt hơn, hay nói cách khác nó
cung cấp cho nhà thiết kế mạng những thông tin bù trừ bổ ích giữa
nhiều mục tiêu khác nhau. Hơn nữa các thuật toán tiến hóa được
nghiên cứu có thể áp dụng cho việc điều khiển mạng quang, định
tuyến bước sóng động một cách hiệu quả hơn.
Đề tài cũng làm cơ sở định hướng nghiên cứu cho các đề tài

tốt nghiệp của sinh viên đại học và cho các nghiên cứu chuyên sâu
tiếp theo đối với sinh viên cao học.
5.2. Hướng nghiên cứu, phát triển
Nghiên cứu trong đề tài có một số đóng góp như sau: (1)
Phương pháp GA-MDF hiệu quả được đề xuất cho bài toán RWA.
(2) NSGA-II cùng với thuật toán GA-MDF là có hiệu quả được áp
dụng để giải quyết bài toán RWA đa mục tiêu thiết kế mạng. (3)
Cơ chế được xén tỉa được áp dụng để lọc một số lượng lớn các
nghiệm chủ yếu để giúp người ra quyết định trong việc lựa chọn
nghiệm cuối cùng trong tối ưu hóa bài toán RWA đa mục tiêu
thiết kế mạng.
Đề tài có thể được mở rộng để giải quyết bài toán RWA
động nhận biết được suy giảm chất lượng truyền dẫn hoặc/và có sử
dụng các bộ chuyển đổi bước sóng ở trên mạng.