本发明涉及移动通信技术领域，尤其涉及一种基于sdn的智能电网切片虚拟资源分配方法和系统。
背景技术：
随着智能电网技术的发展，智能电网系统中承载的资源负荷越来越多，需要构建智能电网系统的资源优化分配模型，采用自适应的资源调度和检索方法进行智能电网系统的资源分配，提高智能电网系统的输出可靠性和稳定性。
传统网络切片虚拟资源分配方法有基于网络切片的网络效用最大化虚拟资源分配算法。它是通过采用商业话模式将频谱资源作为收益载体，并对不同切片网络进行差异化定价。同时将计算资源和回程链路作为开销，考虑了切片网络对计算资源和频谱资源的差异性需求，通过拉格朗日对偶分解设计了分布式迭代算法对效用模型进行求解。该算法优点是使得网络资源获得了收益，但缺点是特征分辨能力不强。还有一种是基于性能感知的网络切片部署方法。在网络切片实例部署时，采用先虚拟节点映射再虚拟链路映射的两阶段部署方式。在虚拟节点部署阶段，首先从资源供需的角度定义了vnf的性能影响因子，然后求出网络切片实例中所有vnf在可部署的物理服务器上的性能影响因子总和，在虚拟链路部署阶段，采用最短路径算法求出链路映射结果。该方法有效降低了其他网络切片实例对自身的服务性能影响，但缺点是虚拟资源分配的自适应性较差。
传统的网络虚拟化架构是使用flowvisor，其通过在硬件抽象层和控制层之间加入虚拟化层的方式来实现网络虚拟化，虽然此方法简单且易于部署，但由于sp(互联网应用中服务提供者)通过自身的策略，通过自身的控制器与底层交换机进行交互，这需要sp对于底层资源的分配进行了解。同时由于虚拟化层的透明性，sp无法快速的对其进行软件编程以达到动态资源配置的目的。这些都让flowvisor方案仅适用于小型网络的建设，而无法实现智能电网系统大型网络的全面部署。
技术实现要素：
本发明的目的在于提出一种基于sdn的智能电网切片虚拟资源分配方法，采用模拟退火-粒子群的方法分配智能电网系统网络切片虚拟资源并找出最优解，引入了sdn(软件定义网络)技术，能够容纳海量的智能电网数据传输，同时可以根据需求进行灵活的变动，从而适应新业务的需求，保证服务的质量。
本发明的目的在于提出一种基于sdn的智能电网切片虚拟资源分配系统，引入sdn虚拟网络架构，有利于控制平台与数据平台分离，从而更加方便网络切片资源的管理。
为达此目的，本发明采用以下技术方案：
一种基于sdn的智能电网切片虚拟资源分配方法，包括以下步骤：
步骤一：构建基于sdn的网络虚拟化架构；
步骤二：基于构建的网络虚拟化架构进行智能电网系统网络切片虚拟资源分配优化；
所述网络虚拟化架构包括sp虚拟网络对inp的底层物理网络进行映射，然后以整个网络的吞吐量为优化目标，以模拟退火-粒子群的方法对优化目标进行调试，并获得得最佳的vnf映射方案即采用模拟退火-粒子群的方法分配智能电网系统网络切片虚拟资源并找出最优解。
进一步的，采用模拟退火-粒子群的方法分配智能电网系统网络切片虚拟资源并找出最优解包括以下步骤：
模拟退火-粒子群算法的定义：以粒子群算法通过迭代的方式查找配智能电网系统网络的全网最优值，在此网络空间内完成最优值的搜索；以模拟退火算法从初始温度出发，随着温度不断下降，模拟退火算法的解逐渐稳定得到稳定解，该稳定解可能是一个局部的最优解，当找到一个局部最优解的时候模拟退火算法中会以一定概率跳出此类的局部最优解，以寻找目标函数的全局最优解；
模拟退火-粒子群算法用于网络切片虚拟资源分配优化：首先设计基本粒子初始化方法、设计基本粒子适应度评价函数和设计基本粒子更新优化方法；之后，执行上述的算法和函数，然后通过杂交运算及变异运算两个过程开展优化，所述两个过程反复进行，最终结果满意停止。
进一步的，所述以粒子群算法通过迭代的方式查找配智能电网系统网络的全网最优值，在此网络空间内完成最优值的搜索的方法为：
假设一个d维空间为本次搜索的目标区域，该空间内包括n个粒子，该空间内的第i个粒子为xi,其中每一个粒子的位置代表潜在的解，将xi带入目标函数后，可以对该值的适应值进行计算，并根据适应值的大小衡量xi的优势；vi代表粒子i对应的飞行速度；pi代表粒子i对应的最佳搜索位置；pg为整个粒子群最终搜索的最优位置，具体的模型公式为：
vi←vi c1r1(pi-xi) c2r2(pg-xi)
xi←xi vi，
其中，i＝1,2,3,..,n；学习因子c1和c2是非非负数；r1和r2是介于0和1间的随机数；
上述迭代过程中对应的停止条件为搜索的最终值或最终位置能够满足最小适应阈值。
进一步的，所述模拟退火算法中假设tk代表初始温度，得出随机初始解x0，步骤如下：
①在x领域中会产生新的可行解，将其记为x′；
②计算x′的目标函数f(x′i)与x的目标函数f(x)的差值△f；
③根据min{1,exp(-△f/tk)}＞random[0,1]得到最终平衡状态x′其中random[0,1]是[0,1]区间的随机数；
④执行退火操作：tk 1＝ctk,k←k 1,式中c∈(0,1)；
⑤若tk最终满足收敛条件，退火过程结束；未达到相应条件，继续执行上述步骤。
进一步的，所述基本粒子初始化的方法为：
假设某个智能电网功能模块为fx,则此类模块的总集合为f＝{f1,f2,f3,...,fn}，即一种流量类型；
流量的延时要求采用d∈(d1,dh)表达，d1和dh表示在延时方面对应的需求阈值；流量的带宽要求为b∈(b1,bh)，其中b1和bh表示在带宽方面对应的需求阈值；流量矩阵v表示源节点和目的节点间的流量分布情况；
根据以上流量使用情况，利用开放式最短路径算法得到两个基类网络切片，将其初始化得到基本粒子。
进一步的，将网络切片中的性能参数进行归一化处理：
所述设计基本粒子适应度评价函数为：f(α,β,d,b)＝-αed βeb，其中，d为进行归一化处理之后的时延值；b为带宽值；α代表低时延切片数量在总数量中的占比；β为高带宽切片在总切片中的占比。
进一步的，所述基本粒子更新优化方法为：
①子图杂交
对于每一次的进化过程，杂交运算需要借助对应概率，要将相应粒子放置在群体中，随机让粒子完成杂交，利用子代对父代进行替代，这种方式能够让种群数目维持不变的前提下得到优化，运算过程如下：
其中，fchild(x)和fparentk(x)代表子代和父代对应的位置；p代表随机数，一般取值在0和1之间；子代粒子速度分别由下面的公式得到：
其中，v代表速度向量；fchildk(v)和fparentk(v)分别代表子代和父代对应的速度；
②子图变异
对于每一次进化，变异运算需要根据变异概率进行选取，完成变异之后得到的新结果要将原结果进行替代，即：f(x)＝x×(1 g(σ))，上其中，g(σ)为高斯核函数；σ为核参数。
进一步的，执行算法和函数的步骤包括：
①将不同网络切片对应的相关参数进行归一化处理得到初始参数，所述相关参数包括交叉参数、变异概率参数、学习因子参数；
②利用开放式最短路径算法得到两个基类网络切片，两个所述基类网络切片分别是低时延切片和高带宽切片，得到一个杂交池，将其初始化得到基本粒子，基于基本粒子适应度评价函数完成基本粒子的操作；
③根据式(1)及交叉概率pe完成种群选择，产生新种群；从子代中选出xj和xk个体，并且结合式(1)得到新个体，分别计算f(xj)，f(xk),f(xj′)和f(xk′)；
定义初始温度t，在min{1,exp(-(f(xj′)-f(xj))/t)}＞random的前提下，xj′此时则认定为新个体，假如min{1,exp(-(f(xk′)-f(xk))/t)}＞random,认定xk′为新个体；
④交叉后得到的种群要结合变异概率pm完成子种群的进一步选择，具体过程为：将xj为新个体根据f(x)＝x×(1 g(σ))得出新个体xj′，完成f(xj)及f(xj′)的进一步计算，在min{1,exp(-(f(xj′)-f(xj))/t)}＞random的前提下，称xj′为新个体；
⑤对终止条件开展检测，若达到了设定的次数，则此过程结束，最终得到最优解ggb；
⑥若此过程未达到最优解，则将步骤③中的退火温度进行更改，再次通过步骤③进行处理，直到达成全局最优解为止。
一种基于sdn的智能电网切片虚拟资源分配系统，包括智能电网控制平台和支持sdn技术的底层网络，所述智能电网控制平台调用上述的基于sdn的智能电网切片虚拟资源分配方法进行网络虚拟资源分配。
本发明实施例的有益效果为：
sdn网络虚拟化通过统一共享的控制器平台，即智能电网控制平台，sp通过应用的方式实现对自身虚拟网络的全面管控，智能电网控制平台运行着大量的应用，每个应用对应各自的地址空间，虚拟拓扑和事件处理器。inp(基础设施提供商)只需对sp提供能力而不需要sp了解其内部的网络映射，便于inp(基础设施提供商)对于本身网络的管控也利于快速的实现重映射完成动态的资源分配，同时保证了智能电网系统中的安全性。
采用模拟退火-粒子群的方法分配智能电网系统网络切片虚拟资源并找出最优解，具有较强的特征分辨能力；入了sdn(软件定义网络)技术，能够容纳海量的智能电网数据传输，同时可以根据需求进行灵活的变动，从而适应新业务的需求，保证服务的质量。
本发明的分配系统引入sdn虚拟网络架构，有利于控制平台与数据平台分离，从而更加方便网络切片资源的管理。
附图说明
图1是本发明一个实施例的基于sdn的智能电网切片虚拟资源分配系统的架构图；
图2是sdn网络架构图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，需要理解的是，术语“纵向”、“横向”“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征，用于区别描述特征，无顺序之分，无轻重之分。
在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
下面结合图1至图2，描述本发明实施例的基于sdn的智能电网切片虚拟资源分配方法和系统。
本发明实施例的一种基于sdn的智能电网切片虚拟资源分配方法，包括以下步骤：
步骤一：构建基于sdn的网络虚拟化架构；
步骤二：基于构建的网络虚拟化架构进行智能电网系统网络切片虚拟资源分配优化；
所述网络虚拟化架构包括sp虚拟网络对inp的底层物理网络进行映射，然后以整个网络的吞吐量为优化目标，以模拟退火-粒子群的方法对优化目标进行调试，并获得得最佳的vnf映射方案即采用模拟退火-粒子群的方法分配智能电网系统网络切片虚拟资源并找出最优解。
本发明实施例使用sdn能改变传统网络对于数据流进行控制的方式。sdn是把设备的控制面从设备里面剥离出来，放到一个统一的外部服务器，由这个服务器通过统一的指令来集中管理转发路径上的所有设备，这个集中控制器知道所有必需的信息，而且这个控制器可以提供开放的api被上层应用程序通过编程控制，从而提高切片资源分配的效率。
sdn架构可以分为三层：应用平面、控制平面以及数据平面。应用平面与控制平面之间通过北向接口交互。上层应用通过北向接口交互。上层应用通过北向接口向控制器发送网络控制命令，控制器通过北向接口向上层应用提供底层网络信息。控制平面与数据平面通过南向接口交互。控制器通过南向接口搜集底层网络信息，并将流表发送到数据平面中的sdn交换机。
sdn网络架构中的控制平面等于智能电网控制平台的inp总事件处理器。sdn网络架构中的应用平面等于智能电网控制平台的sp虚拟网络应用。sdn网络架构中的数据平面等于智能电网控制平台的inp资源分配。
在sdn控制其上实现虚拟化，将虚拟网络的管理与资源分配作为nos(网络操作系统)的基础服务来实现，以此达到动态调整虚拟化配置的要求，实现更好的sdn网络虚拟化。
进一步的，步骤一：构建基于sdn的网络虚拟化架构；
步骤二：基于构建的网络虚拟化架构进行智能电网系统网络切片虚拟资源分配优化；
所述网络虚拟化架构包括sp虚拟网络对inp的底层物理网络进行映射，然后以整个网络的吞吐量为优化目标，以模拟退火-粒子群的方法对优化目标进行调试，并获得得最佳的vnf映射方案即采用模拟退火-粒子群的方法分配智能电网系统网络切片虚拟资源并找出最优解。
采用模拟退火-粒子群的方法分配智能电网系统网络切片虚拟资源并找出最优解包括以下步骤：
模拟退火-粒子群算法的定义：以粒子群算法通过迭代的方式查找配智能电网系统网络的全网最优值，在此网络空间内完成最优值的搜索；以模拟退火算法从初始温度出发，随着温度不断下降，模拟退火算法的解逐渐稳定得到稳定解，该稳定解可能是一个局部的最优解，当找到一个局部最优解的时候模拟退火算法中会以一定概率跳出此类的局部最优解，以寻找目标函数的全局最优解；
模拟退火-粒子群算法用于网络切片虚拟资源分配优化：首先设计基本粒子初始化方法、设计基本粒子适应度评价函数和设计基本粒子更新优化方法；之后，执行上述的算法和函数，然后通过杂交运算及变异运算两个过程开展优化，所述两个过程反复进行，最终结果满意停止。
粒子群算法具备全局优化功能，通过迭代的方式查找全网最优值，在初始状态下生成一种随机解，在此空间内完成最优值的搜索。具体的，所述以粒子群算法通过迭代的方式查找配智能电网系统网络的全网最优值，在此网络空间内完成最优值的搜索的方法为：
假设一个d维空间为本次搜索的目标区域，该空间内包括n个粒子，该空间内的第i个粒子为xi,其中每一个粒子的位置代表潜在的解，将xi带入目标函数后，可以对该值的适应值进行计算，并根据适应值的大小衡量xi的优势；vi代表粒子i对应的飞行速度；pi代表粒子i对应的最佳搜索位置；pg为整个粒子群最终搜索的最优位置，具体的模型公式为：
vi←vi c1r1(pi-xi) c2r2(pg-xi)
xi←xi vi，
其中，i＝1,2,3,..,n；学习因子c1和c2是非非负数；r1和r2是介于0和1间的随机数；
上述迭代过程中对应的停止条件为搜索的最终值或最终位置能够满足最小适应阈值。
模拟退火通过运算公式模拟金属的降温过程，模拟退火算法从某一较高的温度出发，即初始温度，随着温度的不断下降，该算法的解逐渐稳定，但此稳定解可能是一个局部最优解，此时模拟退火算法中会以一定概率跳出此类的局部最优解，以寻找目标函数的全局最优解。算法中pr为接受较差解的当前概率；1代表接受较好点的概率。当整个模拟过程出现初始温度较高、温度下降速度较慢的情况，则能够得到概率为1的全局最优值。
具体的，所述模拟退火算法中假设tk代表初始温度，得出随机初始解x0，步骤如下：
①在x领域中会产生新的可行解，将其记为x′；
②计算x′的目标函数f(x′i)与x的目标函数f(x)的差值△f；
③根据min{1,exp(-△f/tk)}＞random[0,1]得到最终平衡状态x′其中random[0,1]是[0,1]区间的随机数；
④执行退火操作：tk 1＝ctk,k←k 1,式中c∈(0,1)；
⑤若tk最终满足收敛条件，退火过程结束；未达到相应条件，继续执行上述步骤。
本发明实施例的方法首先定义流量的集合，对于智能电网功能模块的流量需求相同或相近情况，具体的，所述基本粒子初始化的方法为：
假设某个智能电网功能模块为fx,则此类模块的总集合为f＝{f1,f2,f3,...,fn}，即一种流量类型；
流量的延时要求采用d∈(d1,dh)表达，d1和dh表示在延时方面对应的需求阈值；流量的带宽要求为b∈(b1,bh)，其中b1和bh表示在带宽方面对应的需求阈值；流量矩阵v表示源节点和目的节点间的流量分布情况；
根据以上流量使用情况，利用开放式最短路径算法得到两个基类网络切片，将其初始化得到基本粒子。
基本粒子即最初形成的种群，每个种群有一个潜在的解，该解代表对应可选的路由策略，此网络拓扑中的节点个数用n表示。
智能电网系统的主要场景分为广域覆盖、大容量、低功耗、低延迟等各类不同的状况，其中评判的关键指标在与速度、流量密度、时延、带宽等多个角度。结合一系列指标，本发明实施例主要采用延时和带宽两项参数作为性能评判的主要指标。网络切片中性能的差异性主要有相关参数表达，参数自身存在一定取值范围，很难对其开展量化分析，本发明实施例将不同参数进行归一化处理，具体的，将网络切片中的性能参数进行归一化处理的函数为：
某一个粒子适应度对应某一个切片的适应度，设计基本粒子适应度评价函数为：f(α,β,d,b)＝-αed βeb，其中，d为进行归一化处理之后的时延值；b为带宽值；α代表低时延切片数量在总数量中的占比；β为高带宽切片在总切片中的占比。
本发明实施例的方法中，新的个体还需要经过杂交和变异运算，最后将这部分个体退火预算，这样能够让整个群体得到进一步优化，获得全局最优解，具体的，所述基本粒子(种群)更新优化方法为：
①子图杂交
对于每一次的进化过程，杂交运算需要借助对应概率，要将相应粒子放置在群体中，随机让粒子完成杂交，利用子代对父代进行替代，这种方式能够让种群数目维持不变的前提下得到优化，运算过程如下：
其中，fchild(x)和fparentk(x)代表子代和父代对应的位置；p代表随机数，一般取值在0和1之间；子代粒子速度分别由下面的公式得到：
其中，v代表速度向量；fchildk(v)和fparentk(v)分别代表子代和父代对应的速度；
②子图变异
对于每一次进化，变异运算需要根据变异概率进行选取，完成变异之后得到的新结果要将原结果进行替代，即：f(x)＝x×(1 g(σ))，上其中，g(σ)为高斯核函数；σ为核参数。
进一步的，执行算法和函数的步骤包括：
①将不同网络切片对应的相关参数进行归一化处理得到初始参数，所述相关参数包括交叉参数、变异概率参数、学习因子参数；
②利用开放式最短路径算法得到两个基类网络切片，两个所述基类网络切片分别是低时延切片和高带宽切片，得到一个杂交池，将其初始化得到基本粒子，基于基本粒子适应度评价函数完成基本粒子的操作；
③根据式(1)及交叉概率pe完成种群选择，产生新种群；从子代中选出xj和xk个体，并且结合式(1)得到新个体，分别计算f(xj)，f(xk),f(xj′)和f(xk′)；
定义初始温度t，在min{1,exp(-(f(xj′)-f(xj))/t)}＞random的前提下，xj′此时则认定为新个体，假如min{1,exp(-(f(xk′)-f(xk))/t)}＞random,认定xk′为新个体；
④交叉后得到的种群要结合变异概率pm完成子种群的进一步选择，具体过程为：将xj为新个体根据f(x)＝x×(1 g(σ))得出新个体xj′，完成f(xj)及f(xj′)的进一步计算，在min{1,exp(-(f(xj′)-f(xj))/t)}＞random的前提下，称xj′为新个体；
⑤对终止条件开展检测，若达到了设定的次数，则此过程结束，最终得到最优解ggb；
⑥若此过程未达到最优解，则将步骤③中的退火温度进行更改，再次通过步骤③进行处理，直到达成全局最优解为止。
本发明实施例研究5g智能电网网络切片定制化方案，并对带宽、时延和可靠性等多目标方式进行算法的优化，以达到降低网络能耗和提高资源利用率的目的。这个方法主要的特点在于，引入杂交和变异方法，改进了传统的基本算法，并且开展网络局部的进一步优化，也能够利用模拟退火，在局部寻求最佳值，让整个系统的搜索性能进一步提高。
相应的，本发明实施例还提供一种基于sdn的智能电网切片虚拟资源分配系统，包括智能电网控制平台和支持sdn技术的底层网络，所述智能电网控制平台调用上述的基于sdn的智能电网切片虚拟资源分配方法进行网络虚拟资源分配。
sdn架构可以分为三层：应用平面、控制平面以及数据平面。应用平面与控制平面之间通过北向接口交互。上层应用通过北向接口交互。上层应用通过北向接口向控制器发送网络控制命令，控制器通过北向接口向上层应用提供底层网络信息。控制平面与数据平面通过南向接口交互。控制器通过南向接口搜集底层网络信息，并将流表发送到数据平面中的sdn交换机。
sdn网络架构中的控制平面等于智能电网控制平台的inp总事件处理器。sdn网络架构中的应用平面等于智能电网控制平台的sp虚拟网络应用。sdn网络架构中的数据平面等于智能电网控制平台的inp资源分配。
根据本发明实施例的一种基于sdn的智能电网切片虚拟资源分配方法和系统的其他构成等以及操作对于本领域普通技术人员而言都是已知的，这里不再详细描述。
在本说明书的描述中，参考术语“实施例”、“示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
1.一种基于sdn的智能电网切片虚拟资源分配方法，其特征在于，包括以下步骤：
步骤一：构建基于sdn的网络虚拟化架构；
步骤二：基于构建的网络虚拟化架构进行智能电网系统网络切片虚拟资源分配优化；
所述网络虚拟化架构包括sp虚拟网络对inp的底层物理网络进行映射，然后以整个网络的吞吐量为优化目标，以模拟退火-粒子群的方法对优化目标进行调试，并获得得最佳的vnf映射方案即采用模拟退火-粒子群的方法分配智能电网系统网络切片虚拟资源并找出最优解。
2.根据权利要求1所述的基于sdn的智能电网切片虚拟资源分配方法，其特征在于，采用模拟退火-粒子群的方法分配智能电网系统网络切片虚拟资源并找出最优解包括以下步骤：
模拟退火-粒子群算法的定义：以粒子群算法通过迭代的方式查找配智能电网系统网络的全网最优值，在此网络空间内完成最优值的搜索；以模拟退火算法从初始温度出发，随着温度不断下降，模拟退火算法的解逐渐稳定得到稳定解，该稳定解可能是一个局部的最优解，当找到一个局部最优解的时候模拟退火算法中会以一定概率跳出此类的局部最优解，以寻找目标函数的全局最优解；
模拟退火-粒子群算法用于网络切片虚拟资源分配优化：首先设计基本粒子初始化方法、设计基本粒子适应度评价函数和设计基本粒子更新优化方法；之后，执行上述的算法和函数，然后通过杂交运算及变异运算两个过程开展优化，所述两个过程反复进行，最终结果满意停止。
3.根据权利要求2所述的基于sdn的智能电网切片虚拟资源分配方法，其特征在于，所述以粒子群算法通过迭代的方式查找配智能电网系统网络的全网最优值，在此网络空间内完成最优值的搜索的方法为：
假设一个d维空间为本次搜索的目标区域，该空间内包括n个粒子，该空间内的第i个粒子为xi,其中每一个粒子的位置代表潜在的解，将xi带入目标函数后，可以对该值的适应值进行计算，并根据适应值的大小衡量xi的优势；vi代表粒子i对应的飞行速度；pi代表粒子i对应的最佳搜索位置；pg为整个粒子群最终搜索的最优位置，具体的模型公式为：
vi←vi c1r1(pi-xi) c2r2(pg-xi)
xi←xi vi，
其中，i＝1,2,3,..,n；学习因子c1和c2是非非负数；r1和r2是介于0和1间的随机数；
上述迭代过程中对应的停止条件为搜索的最终值或最终位置能够满足最小适应阈值。
4.根据权利要求3所述的基于sdn的智能电网切片虚拟资源分配方法，其特征在于，所述模拟退火算法中假设tk代表初始温度，得出随机初始解x0，步骤如下：
①在x领域中会产生新的可行解，将其记为x′；
②计算x′的目标函数f(x′i)与x的目标函数f(x)的差值△f；
③根据min{1,exp(-△f/tk)}＞random[0,1]得到最终平衡状态x′其中random[0,1]是[0,1]区间的随机数；
④执行退火操作：tk 1＝ctk,k←k 1,式中c∈(0,1)；
⑤若tk最终满足收敛条件，退火过程结束；未达到相应条件，继续执行上述步骤。
5.根据权利要求4所述的基于sdn的智能电网切片虚拟资源分配方法，其特征在于，所述基本粒子初始化的方法为：
假设某个智能电网功能模块为fx,则此类模块的总集合为f＝{f1,f2,f3,...,fn}，即一种流量类型；
流量的延时要求采用d∈(d1,dh)表达，d1和dh表示在延时方面对应的需求阈值；流量的带宽要求为b∈(b1，bh)，其中b1和bh表示在带宽方面对应的需求阈值；流量矩阵v表示源节点和目的节点间的流量分布情况；
根据以上流量使用情况，利用开放式最短路径算法得到两个基类网络切片，将其初始化得到基本粒子。
6.根据权利要求5所述的基于sdn的智能电网切片虚拟资源分配方法，其特征在于，将网络切片中的性能参数进行归一化处理：
所述设计基本粒子适应度评价函数为：f(α,β,d,b)＝-αed βeb，其中，d为进行归一化处理之后的时延值；b为带宽值；α代表低时延切片数量在总数量中的占比；β为高带宽切片在总切片中的占比。
7.根据权利要求6所述的基于sdn的智能电网切片虚拟资源分配方法，其特征在于，所述基本粒子更新优化方法为：
①子图杂交
对于每一次的进化过程，杂交运算需要借助对应概率，要将相应粒子放置在群体中，随机让粒子完成杂交，利用子代对父代进行替代，这种方式能够让种群数目维持不变的前提下得到优化，运算过程如下：
其中，fchild(x)和fparentk(x)代表子代和父代对应的位置；p代表随机数，一般取值在0和1之间；子代粒子速度分别由下面的公式得到：
其中，v代表速度向量；fchildk(v)和fparentk(v)分别代表子代和父代对应的速度；
②子图变异
对于每一次进化，变异运算需要根据变异概率进行选取，完成变异之后得到的新结果要将原结果进行替代，即：f(x)＝x×(1 g(σ))，上其中，g(σ)为高斯核函数；σ为核参数。
8.根据权利要求7所述的基于sdn的智能电网切片虚拟资源分配方法，其特征在于，执行算法和函数的步骤包括：
①将不同网络切片对应的相关参数进行归一化处理得到初始参数，所述相关参数包括交叉参数、变异概率参数、学习因子参数；
②利用开放式最短路径算法得到两个基类网络切片，两个所述基类网络切片分别是低时延切片和高带宽切片，得到一个杂交池，将其初始化得到基本粒子，基于基本粒子适应度评价函数完成基本粒子的操作；
③根据式(1)及交叉概率pe完成种群选择，产生新种群；从子代中选出xj和xk个体，并且结合式(1)得到新个体，分别计算f(xj)，f(xk),f(xj′)和f(xk′)；
定义初始温度t，在min{1,exp(-(f(xj′)-f(xj))/t)}＞random的前提下，xj′此时则认定为新个体，假如min{1,exp(-(f(xk′)-f(xk))/t)}＞random,认定xk′为新个体；
④交叉后得到的种群要结合变异概率pm完成子种群的进一步选择，具体过程为：将xj为新个体根据f(x)＝x×(1 g(σ))得出新个体xj′，完成f(xj)及f(xj′)的进一步计算，在min{1,exp(-(f(xj′)-f(xj))/t)}＞random的前提下，称xj′为新个体；
⑤对终止条件开展检测，若达到了设定的次数，则此过程结束，最终得到最优解ggb；
⑥若此过程未找到最优解，则将步骤③中的退火温度进行更改，再次通过步骤③进行处理，直到达成全局最优解为止。
9.一种基于sdn的智能电网切片虚拟资源分配系统，其特征在于，包括智能电网控制平台和支持sdn技术的底层网络，所述智能电网控制平台调用权利要求1-8任一项所述的基于sdn的智能电网切片虚拟资源分配方法进行网络虚拟资源分配。
技术总结