路径规划方法技术

本发明专利技术涉及一种路径规划方法

【技术实现步骤摘要】
路径规划方法、装置、电子设备及存储介质


[0001]本专利技术涉及路径传输
，尤其涉及一种路径规划方法
、
装置
、
电子设备及存储介质
。

技术介绍

[0002]近年来，随着大数据的兴起，消费者行为分析的研究方兴未艾，数据库与数据挖掘
、
信息系统与信息管理
、
图像处理与计算机视觉
、
社会网络分析
、
电子商务等很多领域的学者加入消费者行为研究的队伍
。
同时，这一研究领域也受到了电子商务
、
社交网络等数字经济形态下的企业的高度关注，消费者行为分析被视为数字经济形态下企业了解其消费者并开展营销活动的有效手段之一
。
[0003]现有技术经常通常采用蚁群算法获取线上业务的传输路径，但是根据蚁群算法获得的最优路径可能是局部最优而非全局最优
。
[0004]霍普菲尔德神经网络是反馈神经网络，提供了模拟人类记忆的模型
。
然而如何利用霍普菲尔德神经网络算法获得目标最优路径，进而为线上业务选取最优传输路径是一个亟待解决的问题
。

技术实现思路

[0005]有鉴于此，有必要提供一种路径规划方法
、
装置
、
电子设备及存储介质，用以为线上业务选取最优传输路径
。
[0006]为了实现上述目的，第一方面，本专利技术提供一种路径规划方法，包括：
[0007]基于蚁群算法获取初始节点到边缘节点的多条路径；
[0008]确定每一路径的中继节点，基于预设评测指标分别对每一路径的中继节点进行评测，并根据评测结果从所述多条路径中确定多个初始最优路径；
[0009]将所述多个初始最优路径输入霍普菲尔德神经网络中，利用所述霍普菲尔德神经网络对所述多个初始最优路径进行联合计算，输出目标最优路径
。
[0010]进一步的，所述蚁群算法的公式为：
[0011][0012]为
t
代蚂蚁中蚂蚁
k
选择从节点
i
走向节点
j
的概率，
t
为迭代次数，
i
为蚂蚁
k
当前所处的节点，
j
为蚂蚁
k
下一站到达的节点，
α
为信息素的重要程度，
β
为启发因子的相对重要程度，
τ
ij
(t)
为信息素，
η
ij
(t)
为启发因子，且
d
ij
为节点
i
到节点
j
的距离，
J
k
(i)
为蚂蚁
k
当前可以选择的节点集合
。
[0013]进一步的，所述预设评测指标包括信任度指标
、
节点算力能耗指标
、
异常中继节点
指标及路径总延时指标
。
[0014]进一步的，所述基于预设评测指标分别对每一路径的中继节点进行评测，并根据评测结果从所述多条路径中确定多个初始最优路径，包括：
[0015]基于每一路径中继节点的个数计算每一路径的信任度分数，并将信任度分数在预设分数以上的路径确定为第一初始最优路径，其中，每一路径的中继节点个数越多，该路径的信任度越低；
[0016]构建算力量化模型，基于所述算力量化模型计算每一路径的算力能耗，并将算力能耗在预设能耗以上的路径确定为第二初始最优路径；
[0017]针对每一路径上的中继节点，若预设时间内的流量数据超过预设流量，将该中继节点确定为异常中继节点，并将异常中继节点个数在预设个数以下的路径确定为第三初始最优路径；
[0018]分别计算每一路径中相邻节点的延时，根据每一路径中相邻节点的延时统计每一路径的总延时，并将延时小于预设延时的路径确定为第四初始最优路径
。
[0019]进一步的，所述算力量化模型的公式为：
[0020][0021]其中，
C
br
为总的算力需求，
f(a
i
)
表示第
i
个逻辑计算芯片可提供的逻辑计算能力的映射函数，
f(b
j
)
表示第
j
个并行计算芯片可提供的并行计算能力的映射函数，
f(c
k
)
表示第
k
个神经网络芯片可提供的神经网络计算能力的映射函数，
α
i
为第
i
个逻辑计算芯片的映射比例系数，
β
j
为第
j
个并行计算芯片的映射比例系数，
γ
k
为第
k
个神经网络芯片的映射比例系数，
a
i
为第
i
个逻辑计算芯片的逻辑运算算力，
b
j
为第
j
个并行计算芯片的并行计算算力，
c
k
为第
k
个神经网络芯片的神经网络加速算力，
q1为逻辑计算的冗余算力，
q2为并行计算的冗余算力，
q3为神经网络的冗余算力，
n
为逻辑计算芯片个数，
m
为并行计算芯片个数，
p
为神经网络芯片个数
。
[0022]进一步的，所述将所述多个初始最优路径输入霍普菲尔德神经网络中，利用所述霍普菲尔德神经网络对所述多个初始最优路径进行联合计算，输出目标最优路径，包括：
[0023]利用每一预设评测指标及每一预设评测指标对应的初始最优路径构建信道关联矩阵，其中，所述信道关联矩阵中包括每个预设评测指标对应的初始最优路径；
[0024]将所述信道关联矩阵输入霍普菲尔德神经网络中，调整霍普菲尔德神经网络的网络权重，直至网络达到稳态时输出目标最优路径
。
[0025]进一步的，所述方法还包括：若所述目的最优路径为全局最优路径，将所述目的最优路径作为线上业务的传输路径；
[0026]若所述目的最优路径为局部最优路径，将所述目的最优路径作为备用路径
。
[0027]第二方面，本专利技术还提供一种路径规划装置，包括：
[0028]路径获取模块，用于基于蚁群算法获取初始节点到边缘节点的多条路径；
[0029]路径评测模块，用于确定每一路径的中继节点，基于预设评测指标分别对每一路径的中继节点进行评测，并根据评测结果从所述多条路径中确定多个初始最优路径；
[0030]路径计算模块，用于将所述多个初始最优路径输入霍普菲尔德神经网络中，利用所述霍普菲尔德神经网络对所述多个初始最优路径进行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种路径规划方法，其特征在于，包括：基于蚁群算法获取初始节点到边缘节点的多条路径；确定每一路径的中继节点，基于预设评测指标分别对每一路径的中继节点进行评测，并根据评测结果从所述多条路径中确定多个初始最优路径；将所述多个初始最优路径输入霍普菲尔德神经网络中，利用所述霍普菲尔德神经网络对所述多个初始最优路径进行联合计算，输出目标最优路径
。2.
根据权利要求1所述的路径规划方法，其特征在于，所述蚁群算法的公式为：所述的路径规划方法，其特征在于，所述蚁群算法的公式为：为
t
代蚂蚁中蚂蚁
k
选择从节点
i
走向节点
j
的概率，
t
为迭代次数，
i
为蚂蚁
k
当前所处的节点，
j
为蚂蚁
k
下一站到达的节点，
α
为信息素的重要程度，
β
为启发因子的相对重要程度，
τ
ij
(t)
为信息素，
η
ij
(t)
为启发因子，且
d
ij
为节点
i
到节点
j
的距离，
J
k
(i)
为蚂蚁
k
当前可以选择的节点集合
。3.
根据权利要求1所述的路径规划方法，其特征在于，所述预设评测指标包括信任度指标
、
节点算力能耗指标
、
异常中继节点指标及路径总延时指标
。4.
根据权利要求3所述的路径规划方法，其特征在于，所述基于预设评测指标分别对每一路径的中继节点进行评测，并根据评测结果从所述多条路径中确定多个初始最优路径，包括：基于每一路径中继节点的个数计算每一路径的信任度分数，并将信任度分数在预设分数以上的路径确定为第一初始最优路径，其中，每一路径的中继节点个数越多，该路径的信任度越低；构建算力量化模型，基于所述算力量化模型计算每一路径的算力能耗，并将算力能耗在预设能耗以上的路径确定为第二初始最优路径；针对每一路径上的中继节点，若预设时间内的流量数据超过预设流量，将该中继节点确定为异常中继节点，并将异常中继节点个数在预设个数以下的路径确定为第三初始最优路径；分别计算每一路径中相邻节点的延时，根据每一路径中相邻节点的延时统计每一路径的总延时，并将延时小于预设延时的路径确定为第四初始最优路径
。5.
根据权利要求4所述的路径规划方法，其特征在于，所述算力量化模型的公式为：
其中，
C
br
为总的算力需求，
f(a
i
)
表示第
i
个逻辑计算芯片可提供的逻辑计算能力的映射函数，
f(b
j
...

【专利技术属性】
技术研发人员：尹立超，李志报，余锦，蔡国相，虞波，沈童，邹圆，何玉雪，
申请(专利权)人：三峡智控科技有限公司，
类型：发明
国别省市：