一种用于FiWi网络中光网络单元布点的优化无监督学习模型

《Optical Fiber Technology》:An optimized unsupervised learning model for optical network unit placement in FiWi networks

【字体: 大 中 小 】 时间:2026年09月26日 来源:Optical Fiber Technology 2.7

编辑推荐:

   •BWFCM算法的开发:提出了一种新型混合优化方法,将回溯搜索算法(BSA)的全局搜索能力与加权模糊C均值(WFCM)的快速局部收敛特性相结合。•将ONU放置建模为无监督学习问题:将FiWi网络中的ONU放置问题表述为聚类任务,最小化ONU与其分配的无线用户之间的平均距离以及

  

•BWFCM算法的开发:提出了一种新型混合优化方法,将回溯搜索算法(BSA)的全局搜索能力与加权模糊C均值(WFCM)的快速局部收敛特性相结合。•将ONU放置建模为无监督学习问题:将FiWi网络中的ONU放置问题表述为聚类任务,最小化ONU与其分配的无线用户之间的平均距离以及ONU之间的负载不均衡。•全面的性能评估:在四个标准放置场景上进行的广泛实验表明,BWFCM始终优于当前最优方法(AOFCM、HHO、MPA和CLSLFD)。

1. 引言

电子商务、自动驾驶交通、娱乐、教育和远程医疗等广泛服务需要鲁棒、高速、高带宽、低成本且灵活的通信技术。光纤-无线(FiWi)接入网络作为一种有前景的宽带接入方案应运而生,以低成本满足这些需求。FiWi是一种混合基础设施,将无源光网络(PON)与无线Mesh网络(WMN)相结合,集成两者优势,随时随地提供互联网接入[1]。WMN(如Wi-Fi、WiMAX)在覆盖范围、灵活性和成本方面具有优势,但在高带宽和长距离数据传输中受限于带宽和干扰。PON提供卓越的带宽和数据速率,但移动性较差、灵活性较低且部署成本更高。FiWi网络中仍有若干挑战尚未解决,包括降低能耗、拥塞管理、带宽分配、生存性、ONU放置、调度、路由和流控[2]。ONU放置尤为关键,因为它在部署成本和网络资源高效利用中起重要作用。该任务涉及确定ONU节点的最佳位置,以使所有用户通过最小化成本函数或最大化某些指标连接到其主要ONU。

最近,各种ONU放置方法被提出。基于放置模型,这些方法可分为五大类:基于随机、基于确定性、元启发式、贪心和混合模型。元启发式和贪心算法使用一个引导,通常建模为目标函数。相比之下,随机和确定性方法在搜索空间中缺乏特定引导。

随机算法采用随机分布将ONU均匀散布在整个环境中。其显著优势在于实现简单,但由于ONU在区域内分布不均,该算法解质量较低,无法保证节点连接鲁棒性。相关参考文献见[1]、[2]、[3]、[4]。

确定性算法将ONU节点放置在预设的空间坐标上。当无线用户在网络拓扑中分布均匀时,该算法因其简单性和生成高质量解的能力而具有优势。相反,当无线用户密度不均匀时,确定性策略可能产生次优结果。采用该策略的方法示例见[5]、[6]。

贪心算法涉及一个初始配置,ONU节点位于预设或随机选择的坐标上[2]。在每次迭代中,求解器将无线用户分配给最近的ONU。具体而言,在每个阶段,贪心技术计算可用ONU节点与用户之间的距离,识别出最近ONU作为每个用户的主节点。虽然该策略所需的处理复杂度最低,但倾向于生成本地最优解而非全局最优替代方案[7]。

元启发式是受生物群体行为、自然现象、生物过程和人类系统启发的强大求解器。总体而言,所有元启发式的主要目标是在合理的时间内以最小的计算成本实现最优解。这些算法的特点包括相对较低的计算复杂度、对问题的先验知识需求有限、具有全局最优性潜力以及易于实现。ONU放置是一个多模态且复杂的优化/搜索问题,特别是在大规模区域中。这凸显了使用元启发式来有效探索潜在放置方案并找到最优解的重要性。元启发式在单个解或解群体上工作,每个解表示ONU节点的候选放置方案。该算法迭代地改进这些放置方案以实现最优解。一些使用元启发式的知名ONU放置策略包括回溯搜索优化算法(BSA)[1]、算术优化(AO)[2]、鲸鱼优化算法(WOA)[4]、蚱蜢优化算法(GOA)[5]、哈里斯鹰优化(HHO)[5]、基于混沌局部搜索的莱维飞行分布(CLSLFD)[6]、灰狼优化(GWO)[8]、模拟退火(SA)[9]、 moth flame优化(MFO)[10]、增强回溯搜索算法(EBSA)[11]、基于教学学习的优化(TLBO)[12]、蚁群优化(ACO)[13]、水母群算法(SSA)[14]、海象算法(MPA)[15]和基于反向学习的海星优化算法(OSOA)[16]。这些求解器取得了令人鼓舞的性能;然而,其性能远非理想状态,在某些放置基准中会陷入局部最优。

另一条研究路线是使用混合和特定技术来解决ONU放置问题。一些技术包括混合整数规划(MIP)[17]、拉格朗日松弛(LR)[18]和整数线性规划(ILP)[19]。这些算法在特定情况下可能实现强劲性能,但其性能高度依赖于问题的性质。

表1列出了ONU放置方法及其特性。根据无免费午餐(NFL)定理[20],没有单一方法能有效地解决每个问题,这凸显了开发新算法或增强算法的重要性。不存在将功率变异回溯搜索算法(PBSA)[21]与加权模糊C均值(WFCM)用于ONU放置的技术,加之NFL原则的含义,促使了名为BWFCM的新策略的开发。

除了最小化平均通信距离外,负载平衡也成为ONU放置中的重要指标,因为用户分布不均衡会导致延迟增加、网络拥塞和资源利用效率低下。一些现有方法已从不同角度处理FiWi网络中的负载平衡。Liu等人[22]提出了一种负载平衡的ONU放置(LBOP)策略,在平衡每个ONU服务的用户数量的同时最小化光纤总长度。然而,他们的方案依赖贪心策略,可能收敛到次优解。Sarkar等人[17]、[18]将BS/ONU联合放置问题建模为混合整数规划(MIP)问题,并使用拉格朗日松弛法平衡网络节点的负载,但其方法假设固定网络拓扑,需要求解计算成本高昂的优化问题。最近,一些方法将负载平衡作为元启发式算法中的次级目标。例如,Singh和Prakash[5]、[15]在应用HHO和MPA进行ONU放置时考察了负载分布与平均距离,尽管他们提出的成本函数通常使用需要手动参数调整的加权增量公式。Chauhan等人[14]在其基于SSA的放置算法中考虑了负载平衡任务,但未将其作为优化过程的自适应组件进行整合。尽管有这些努力,现有方法或将负载平衡视为次级评估函数,或依赖缺乏跨不同放置场景一致性的启发式加权方法。据我们所知,现有方法尚未提供无参数机制来在优化过程中平衡负载最大化与平均距离最小化之间的内在权衡。这一差距促使了所提出的BWFCM算法的开发。

当前方法往往仅关注最小化平均距离,而忽略了放置问题中的负载平衡。为解决这一局限,当前研究提出了一种自适应、无参数的目标函数,将负载不均衡与平均距离结合起来指导搜索过程走向最优平衡放置方案。与常规方法不同,BWFCM在优化过程中自动调整负载不均衡与距离之间的权衡,消除了手动参数调整的需要。目标是降低部署成本并改善网络性能——包括延迟、吞吐量和可扩展性——同时保持鲁棒性和可扩展性。所提出的BWFCM算法能快速收敛到最优解并有效逃离局部最优。

主要贡献如下:

•BWFCM算法的开发:一种新型混合优化方法,将回溯搜索算法(BSA)的全局搜索能力与加权模糊C均值(WFCM)的快速局部收敛特性相结合。该算法具备动态自适应加权目标函数,无需手动参数调整即可自动平衡负载不均衡与平均通信距离。这种组合能够高效探索解空间,有助于防止WFCM陷入局部最优,并与现有基于算术优化的方法相比实现更快的收敛。

•将ONU放置建模为无监督学习:FiWi网络中的ONU放置问题被表述为聚类任务,同时最小化ONU与其分配的无线用户之间的平均距离以及ONU之间的负载不均衡。该框架桥接了元启发式优化与机器学习,产生了一种有效且系统的放置策略。

•全面的性能评估:在四个标准放置场景上进行的广泛实验表明,BWFCM始终优于当前最优方法(AOFCM、HHO、MPA和CLSLFD)。它实现了最佳组合成本(低至0.3956),是ONU放置的高竞争力解决方案。

本文其余部分结构如下。第2节描述FiWi网络结构并正式定义ONU放置问题。第3节详细描述所提出的方法及其组件。第4节展示实验结果与讨论。最后,第5节总结主要发现并提出未来研究的潜在方向。

表1. 文献中相关的ONU放置方法列表。

| 年份 | 文献 | 算法 | 目标 | 优势 | 劣势 |
|------|------|------|------|------|------|
| 2012 | Liu等人[23] | SA | 最小化备份光纤总长度 | 易于实现 | 陷入局部最优 |
| 2012 | Yu等人[24] | GA + TS | 降低传感器能耗 | 易于实现 | 陷入局部最优 |
| 2012 | Pengboon和Kaewplung[25] | Greedy | 减少ONU数量 | 简单快速,计算复杂度低 | 易陷入局部最优 |
| 2013 | Liu等人[22] | TS | 最小化ONU数量 | 易于实现 | 收敛速度慢 |
| 2015 | Bhatt等人[26] | GA | 最小化ONU数量 | 易于实现 | 陷入局部最优 |
| 2015 | Bhatt等人[27] | Greedy | 减少ONU数量 | 简单快速,计算复杂度低 | 易陷入局部最优 |
| 2017 | Bhatt等人[12] | TLBO | 最小化总体平均距离和ONU数量 | 全局收敛 | 可能遭受早熟收敛 |
| 2017 | Kana等人[28] | SA | 最小化总体平均距离 | 易于实现 | 陷入局部最优 |
| 2018 | Bhatt等人[13] | ACO | 最小化ONU数量 | 全局收敛,实时适应变化 | 收敛速度慢 |
| 2018 | Singh和Prakash[29] | MFO | 用户与ONU之间的平均距离 | 全局收敛 | 过早停滞于最优 |
| 2019 | Bhatt等人[8] | WOA | 最小化总体平均距离 | 在某些基准上全局收敛 | 易陷入局部最优 |
| 2019 | Chouhan等人[30] | WOA | 最小化ONU数量 | 在某些放置测试用例上全局收敛 | 易陷入局部最优 |
| 2020 | Singh和Prakash[5] | GOA, HHO | 最小化总体平均距离 | 在放置测试用例上全局收敛 | 可能陷入局部最优 |
| 2021 | Emami和Alipour[6] | CLSLFD | 最小化总体平均距离 | 全局收敛 | 计算搜索代理间距离时耗时 |
| 2021 | Chouhan等人[14] | SSA | 最小化总体平均距离 | 易于实现 | 某些场景下陷入局部最优;收敛速度慢 |
| 2021 | Chouhan等人[31] | GWO | 最小化总体平均距离 | 全局收敛;参数少 | 早熟收敛 |
| 2022 | Emami[11] | BSA | 最小化总体平均距离 | 全局收敛 | 对变异因子敏感 |
| 2022 | Singh和Prakash[15] | MPA | 最小化总体平均距离 | 易于并行实现;简单 | 某些场景下陷入局部最优 |
| 2023 | Emami等人[2] | AOFCM | 最小化总体平均距离 | 全局收敛 | 需要仔细的参数调整 |
| 2024 | Emami和Pashazadeh[1] | BKHM | 最小化总体平均距离 | 全局收敛 | – |
| 2025 | Taleb等人[16] | OSOA | 最小化总体平均距离 | 全局收敛 | – |

2. FiWi结构与ONU放置

图1展示了FiWi网络的概览,该网络由两段组成:光后端和无线前端。整体架构采用树-Mesh配置,将基于树的PON集成在光部分,并在接入层集成无线Mesh[7]。FiWi网络开发中的一个关键设计问题是在给定服务网络中确定预定数量ONU的地理位置,以最小化部署成本,同时提高网络吞吐量和服务质量。

FiWi结构被视为有向图??=(??,??),其中顶点列表??包括一组??个无线用户、??个ONU列表以及光线路终端(OLT)。边列表??由节点之间的通信链路组成。假设网络在二维区域中运行,无线用户位于预定义坐标上。网络的基本组件如下:

??={???,???,…,????}:??个ONU的列表。

第??个ONU的位置由二维空间中的坐标(????,????)表示。??={??1,??2,…,????}:??个无线用户的集合,第??个用户的位置由坐标(????,????)表示。????:分配给ONU ????的主用户集合。若用户????在地理上最接近ONU ????,则该用户被视为????的主用户。参数????=|????|表示ONU ????服务的主用户数量。文献中,ONU部署被表述为单目标优化问题,旨在最小化每个主ONU与其用户之间的平均通信距离。目标是找到ONU坐标列表???={???1,???2,…,?????},使得以下函数最小化。(2.1) ???=argmin?? ??(??,??),其中??(??,??)定义如下:(2.2) ??(??,??)=∑_{??=1}^{??} ????(????,????),其中????(????,????)表示ONU ????到其所有分配主用户????的平均欧几里得距离,数学表达为:(2.3) ????(????,????)=(1/????)∑_{??=1}^{????} √((?????????)2+(?????????)2)。用户分配按照最近邻规则进行,构成对用户集合的Voronoi划分,每个ONU是其所属区域的中心。

**图1 FiWi接入网络架构**

**3 方法**

本节首先描述基于功率变异的回溯搜索算法(PBSA),然后阐述所提出的加权模糊C均值(WFCM)算法的工作原理,最后介绍用于ONU部署问题的回溯搜索加权模糊C均值(BWFCM)算法。

**3.1 PBSA**

回溯搜索算法(BSA)[32]是一种成熟的元启发式算法,在求解复杂数值和工程优化问题方面表现优异。BSA的控制参数较少,其性能对参数初始值不太敏感。基于记忆搜索、非均匀变异和交叉算子的智能运用赋予BSA强大的探索和开发能力,使其与当前最优元启发式算法具有竞争力。近年来,一种标准BSA的有效变体被提出,即基于功率变异的回溯搜索算法(PBSA)[21],它使用改进的功率变异算子进一步增强探索能力。算法1展示了PBSA的伪代码。在算法中,??,??∈(0,1)且??+??=1。变量Mean??是群体的平均值。

**3.2 WFCM**

WFCM通过在标准模糊C均值(FCM)[2]中嵌入每个数据点的权重进行增强。这些权重使算法能够对个别样本分配不同级别的影响,当网络空间的某些区域比其他区域更密集或更重要时,这一特性尤为有用。所提出的算法基于用户的局部密度使用高斯核计算权重。附近用户较多的区域获得更大的权重,从而使算法能够专注于准确聚类这些区域。WFCM的目标函数定义为:(3.4) ??=∑_{??=1}^{??}∑_{??=1}^{??} ????·????????·‖?????????‖2,其中??表示簇数,??表示数据点(用户)数量,????为数据点????的权重,??????为????对簇??的模糊隶属度,参数??>1为模糊度参数,????为簇??的中心。

参数????通过高斯核从数据点的局部密度中推导得出。对于每个数据点????,权重????计算为所有数据点的高斯贡献之和,反映在特征距离??内有多少邻居:(3.5) ????=∑_{??=1}^{??} exp(?‖?????????‖2/(2??2)),其中??>0为核带宽(控制"局部密度"概念的参数)。在实验中,我们基于在区间(0.05, 0.5]上的初步配置将??设为0.2,该设置能产生稳定的性能和均衡的负载分布。隶属度和中心更新分别定义如下:(3.6) ??????=1/∑_{??=1}^{??} (‖?????????‖/‖?????????‖)^{2/(???1)},(3.7) ????=(∑_{??=1}^{??} ????·????????·????)/(∑_{??=1}^{??} ????·????????)。在算法收敛(隶属度和中心变化较小)之前,反复更新簇中心和隶属度矩阵。WFCM的伪代码如算法2所示。

通过强调高密度区域,WFCM生成的簇更能反映潜在的空间分布。这一特性保证了该算法对于ONU部署等用户密度在网络上各区域变化的应用是有效的。

**3.3 BWFCM**

WFCM是一种局部细化聚类方法,而PBSA是一种随机全局搜索策略。单独将任何一种策略应用于ONU部署揭示了关键的研究空白。WFCM虽然局部收敛效率高,但本质上容易陷入次优局部极小值——这对于ONU部署等多模态优化问题是重大缺陷,因为用户空间分布会产生多个较差的局部最优解。相反,虽然PBSA擅长全局探索,但缺乏精确地将ONU定位在高密度用户簇中心所需的专门局部细化能力,往往导致平均距离略大的解。为克服这些局限性,本文提出BWFCM,将PBSA与WFCM相结合,使WFCM能够逃离局部最优,从而整合PBSA和WFCM两者的优势。BWFCM流程如图2所示。

此外,现有部署算法(包括孤立的元启发式算法和经典聚类)主要优化单一目标:最小化平均通信距离。这种狭窄的关注经常导致高度不均衡的负载分布,一些ONU服务不成比例的大量用户,而其他ONU服务的用户很少,导致网络拥塞、延迟增加和资源利用效率低下。据我们所知,现有技术尚未提供无参数的动态机制来平衡负载公平性与距离最小化之间的固有权衡。

BWFCM在统一的优化框架中协同整合PBSA和WFCM的潜力。核心原则是顺序混合:PBSA在解空间中进行鲁棒的全局搜索以识别ONU部署的有希望区域,所得候选解随后由WFCM细化,WFCM在各有希望区域内有效收敛到局部最优。该策略有效防止WFCM陷入局部最优,同时为PBSA提供强大的局部搜索能力。

选择PBSA与WFCM集成,基于它相比其他元启发式算法的三个关键优势:(i) 控制参数较少,对参数初始值不敏感,提高了鲁棒性;(ii) 其功率变异算子和基于记忆的搜索有效平衡了开发和探索,对于逃离多模态部署问题的局部最优至关重要;(iii) 它有效缓解了PSO、GWO、DE、HHO和MPA中常见的过早收敛问题,以及其他算法(包括CLSLFD)中高成本的距离计算,在基准场景中表现出更稳定的收敛性和较低的计算开销。需要注意的是,WFCM细化本质上不依赖于PBSA,因此可以与任何基于种群的元启发式算法结合使用。

**3.4 用于ONU部署的BWFCM**

BWFCM应用于ONU部署仅需两项调整:解编码方案和适应度计算,算法的所有其他算子无需更改。算法3总结了用于ONU部署的混合BWFCM伪代码。

**3.4.1 解编码方案**

每个解????编码为ONU坐标的向量:(3.8) ????={??1,??2,…,????},其中??表示ONU节点数量,????∈????表示网络中第??个ONU的坐标。在二维空间中,????可定义为(3.9) ????={???1,??1?,???2,??2?,…,?????,?????}。坐标?????,?????通过确定性或随机方案初始化。在随机模型中,首先将网络划分为若干个等大小的网格单元,然后每个ONU随机位于网格单元????内的任意位置:(3.10) ????=rand·(?????????????)+??????, ????=rand·(?????????????)+??????,其中??????和??????表示网络区域的上下边界范围。例如,在1000×1000m2的网络中有3个ONU,使用随机初始化方案的一个可能解可编码为????={?105,235.7?,?369.1,567.35?,?52.07,680.75?}。在确定性模型中,每个ONU放置在其分配网格单元的中心:(3.11) ????=center??(????), ????=center??(????),其中center(????)表示网格????的中心。使用确定性方案,在1000×1000m2网络中3个ONU的一个可能解表示为????={(450,450),(650,250),(150,850)}。

**3.4.2 适应度计算**

代价函数定义如下:(3.12) Cost=√?????????? × √??????????,(3.13) ??????????=???/(??√2),(3.14) ??????????=1+??????????????????=1+(1???)=2???,(3.15) ??=(∑_{??=1}^{??}????)2/(??∑_{??=1}^{??}????2),(3.16) ???=(1/??)∑_{??=1}^{??}‖???????_{??????????????}(??)‖,其中:??_{??????????????}(??)是与用户??最接近的ONU;????是在Voronoi(最近邻)分配下由ONU ??服务的用户数量;???是用户与其主ONU之间的平均欧几里得距离;??是正方形区域的边长;??是Jain公平性指数;??是用户数量;??是ONU数量;????是用户??的位置;????是ONU ??的位置。

公式(3.12)中代价函数的乘积形式基于三点考虑构建:(i) 避免了增量公式所需的手动权重调整,保持了所提算法的无参数特性;(ii) 引入了同时改善距离和公平性指标的增量惩罚——不同于增量形式中一个目标的弱化由另一个目标补偿;(iii) 两个目标自然有界(??????????∈[0,1],??????????∈[1,2]),确保代价幅值的可解释性。虽然替代公式如加权可调乘积(??^α????????·??^β????????)或(??·??????????+(1???)·??????????)可提供更明确的权衡控制,但它们需要逐案调整的额外参数。表4和表7的仿真结果证明,所采用的乘积形式在不同部署场景中有效地引导搜索趋向既均衡又距离高效的解。

所提出的代价函数实现了负载公平性与距离最小化之间的自适应平衡。与静态权重方案不同,该公式随着搜索进程自动调整每个目标的相对影响,高效地作为自调整策略。

选择Jain公平性指数??作为负载平衡指标基于四个关键原因:规模不变性:F的范围为1/??(最不公平,所有用户分配到一个ONU)到1(完全公平,在所有ONU间平均分配),独立于ONU/用户数量,这一特性对于比较不同部署场景中算法的性能至关重要;对不平衡的敏感性:该指数以可微的方式惩罚负载不平衡,有助于无梯度优化算法收敛到最优解;直观的可达性:指数F计算总负载平方与个体负载平方和的比值,具有清晰的物理意义,产生直接对应公平水平的数值;在文献中的广泛使用:Jain指数F是网络资源分配文献中事实上的公平性评估标准,广泛用于评估用户分配、负载平衡和带宽分配问题中的公平性[33][34][35]。虽然存在其他公平性指标,但它们的特性使其不太适合ONU部署任务。表2列出了公平性指标及其特性。选择Jain指数是因为它在可达性、计算效率和规模不变性之间提供了适当的平衡,这些特性使其成为无参数优化方法的最合适选项。

**表2 文献中提出的一些公平性指数的特性**

| 公平性指数 | ONU部署问题的局限性 |
|---|---|
| 最小-最大比率 | 过于粗糙;许多不同分布产生相同值;忽略非极端ONU之间的分布 |
| 基于熵 | 对零负载情况敏感 |
| Gini系数 | 需要排序;计算成本高 |
| 变异系数 | 无界;对公平性比较的可解释性较差 |
| 方差 | 依赖规模;未归一化 |

通过分析目标函数的行为,可以得出以下观察结果:平衡的惩罚结构:由于两个分量均归一化到固定区间(??????????∈[0,1],??????????∈[1,2]),在优化过程中,任何一个分量都不能主导另一个;递减收益特性:平方根变换产生凹响应面,减少每个分量的代价会减少算法总代价。因此,不是以牺牲另一个目标为代价过度优化一个目标,而是两个指标同时减少;增量惩罚效应:乘积形式强调两个目标的同步减少。当两个目标都未达到最优时,会产生超线性惩罚。例如,??????????=0.4且??????????=1.4的解产生√0.4×√1.4≈0.748,而??????????=0.5且??????????=1.5的解产生代价√0.5×√1.5≈0.866。这表明仅减少其中一个目标并不能有效降低总代价。相比之下,同时改善两个目标所提供的代价减少大于单独改善任何一个目标。组合代价函数之所以前景广阔,是因为其归一化特性——平均距离和负载不平衡因子均限制在固定范围内——以及其无参数特性,消除了权重调谐的需要。此外,它利用几何平均改善了平均距离与负载分布之间的权衡,从而避免了任意线性加权。

然而,其局限性在于仅使用纯欧几里得距离,这无法考虑网络传播以及ONU的数量。将这些方面纳入综合成本函数凸显了未来研究的一个有趣方向。下载:下载高分辨率图片(405KB)下载:下载全尺寸图片

**4. 实验结果与讨论**

**4.1 基准场景**

我们研究了部署算法在四种不同部署场景中的性能。这些测试案例的详细信息描述在文献[1]中。网络覆盖面积为1000×1000 m2,包含100个无线用户和3个ONU。该区域被划分为100个不重叠的小区,每个小区面积为100×100 m2。根据ONU和用户的初始位置,四种部署场景定义如下:

- **UserDet_ONUDet**:ONU和用户均初始放置在确定性方案确定的位置,它们位于小区的中心。
- **UserDet_ONURand**:ONU随机放置,而用户遵循确定性方案。用户位于小区中心,而ONU随机位于小区内的任意位置。
- **UserRand_ONUDet**:ONU确定性分布,而用户随机放置。
- **UserRand_ONURand**:ONU和用户均初始随机分布。

**4.2 性能指标**

为研究求解器的有效性,采用了六项指标[7]:所需光纤长度、吞吐量、平均传播时延、平均通信距离、负载不平衡度和收敛性能。在文献中,这些标准通常被用来评估部署技术的正确性、搜索能力和收敛性能。算法应最小化所需光纤长度以及ONU与其主用户之间的平均通信距离,同时最大化吞吐量和负载均衡。

**4.3 对比算法**

所提出的BWFCM算法与四种知名的ONU部署求解器进行比较,包括AOFCM [2]、HHO [5]、CLSLFD [6]和MPA [15]。此外,BWFCM还与几种其他部署算法进行了比较,包括WOA [4]、GOA [5]和MFO [10]。然而,由于这些算法相对于对比技术和BWFCM表现不佳,其结果未予呈现。

**4.4 实验配置**

我们将所提出的BWFCM和所有竞争求解器的种群规模配置为100,最大迭代次数为150。对于每个基准测试,我们通过取30次独立执行中的最佳结果来评估其性能,其中每次运行均从不同的初始种群开始。所有求解器均在Python 3.10中使用Google Colab框架实现(配备Intel Xeon 2.30 GHz(2 vCPU)CPU、25 GB RAM、NVIDIA Tesla T4(16 GB)GPU)以及标准机器学习库。竞争算法的控制参数根据原始出版物中的建议进行调优,如表3所示。

表3. 各算法的控制参数。

| 算法 | 参数 |
|------|------|
| AOFCM [2] | ε=0.001, v=3, μ=0.5, α=5 |
| HHO [5] | J=2.75(1?re), re∈[0,1], E0∈[?1,1], β=1.5 |
| CLSLFD [6] | ?1=0.8, ?2=0.3, T=2, r3∈[0,1] |
| MPA [15] | F′=0.2, P=0.5 |
| BWFCM | mix_rate=0.5, s=3 |

**4.5 数值结果**

表4展示了BWFCM及其对比算法在每个部署基准测试中产生的性能。每个测试案例中的最佳结果以粗体显示。从结果中得出以下观察:

- 在测试案例UserDet_ONUDet中,在所有求解器中,BWFCM实现了最低的平均距离(234.085),优于AOFCM(236.233)、CLSLFD(238.728)、HHO(271.733)和MPA(240.074)。BWFCM还产生了较低的负载不平衡度(0.004)和最低的综合成本(0.408)。CLSLFD实现了最低负载不平衡度(0.003),但成本略高(0.411)。总体而言,BWFCM在该基准测试中的总平均距离和综合成本方面均优于其他算法。

- 在测试案例UserDet_ONURand中,BWFCM获得了最小距离(234.099)和最低总成本(0.408),同时产生了具有竞争力的负载不平衡度(0.004)。BWFCM实现了最低负载不平衡度(0.004),而HHO获得了最差的负载不平衡度(0.037)。AOFCM产生的距离为238.017,成本为0.412;MPA产生的距离为236.374,成本为0.41。HHO产生了较高的距离(258.591)和成本(0.435),表明当ONU随机放置而用户遵循确定性方案时表现较差。CLSLFD产生的距离为236.708,成本为0.410。

- 关于测试案例UserRand_ONUDet,BWFCM获得了最小距离(219.675)和最低成本(0.396),优于所有其他算法。HHO产生了最佳负载不平衡度(0.001),但距离较高(229.533),成本为0.403。AOFCM实现的距离为226.982,不平衡度为0.004,成本为0.401。MPA(距离220.732,不平衡度0.007,成本0.397)紧随BWFCM之后,而CLSLFD在该场景中产生了最差的距离(231.183)和成本(0.407)。

- 关于基准测试UserRand_ONURand,BWFCM产生了最佳距离(221.170)和最低成本(0.396),负载不平衡度为0.003。AOFCM实现了略差的距离(228.070)和成本(0.402),不平衡度为0.003。MPA(距离223.925,不平衡度0.016,成本0.401)和HHO(236.738,0.004,0.410)产生了较高的成本,而CLSLFD表现明显较差(229.638,0.038,0.404)。总体而言,BWFCM在该基准测试的所有指标中始终优于所有对比算法。

图3展示了各算法为每个测试案例生成的部署方案布局图。

表4. BWFCM及其对比求解器在测试基准上的部署成本。

| 场景 | 算法 | 平均距离 | 负载不平衡度 | 综合成本 |
|------|------|----------|--------------|----------|
| UserDet_ONUDet | BWFCM | **234.085** | 0.004 | **0.408** |
| | AOFCM | 236.233 | 0.010 | 0.411 |
| | CLSLFD | 238.728 | 0.003 | 0.411 |
| | HHO | 271.733 | 0.121 | 0.464 |
| | MPA | 240.074 | 0.009 | 0.414 |
| UserDet_ONURand | BWFCM | **234.099** | **0.004** | **0.408** |
| | AOFCM | 238.017 | 0.009 | 0.412 |
| | CLSLFD | 236.708 | 0.006 | 0.410 |
| | HHO | 258.591 | 0.037 | 0.435 |
| | MPA | 236.374 | 0.006 | 0.410 |
| UserRand_ONUDet | BWFCM | **219.675** | 0.007 | **0.396** |
| | AOFCM | 226.982 | 0.004 | 0.401 |
| | CLSLFD | 231.183 | 0.012 | 0.407 |
| | HHO | 229.533 | 0.001 | 0.403 |
| | MPA | 220.732 | 0.007 | 0.397 |
| UserRand_ONURand | BWFCM | **221.170** | 0.003 | **0.396** |
| | AOFCM | 228.070 | 0.003 | 0.402 |
| | CLSLFD | 229.638 | 0.003 | 0.404 |
| | HHO | 236.738 | 0.004 | 0.410 |
| | MPA | 223.925 | 0.016 | 0.401 |

各算法产生的综合成本热力图如图4所示。BWFCM在所有四个基准测试中始终产生最低(最佳)的综合成本,特别是在UserRand_ONURand和UserRand_ONUDet案例中(0.3956)。结果清楚地证明了其相对于所有对比算法的优越性,确认了混合方法能产生高效且始终最优的部署方案。

下载:下载高分辨率图片(1MB)下载:下载全尺寸图片
下载:下载高分辨率图片(1MB)下载:下载全尺寸图片

图3. 分类模型获得的性能比较。
下载:下载高分辨率图片(291KB)下载:下载全尺寸图片
图4. 各算法产生的综合成本热力图。

**4.6 改进率分析**

表5展示了BWFCM相对于AOFCM、CLSLFD、HHO和MPA在所有测试案例中的改进率。负值表示BWFCM优于其对比算法(其他求解器)。BWFCM始终产生较低的成本(0.3956–0.4076),并且在每个测试案例中都优于所有四个竞争对手。最大改进出现在UserDET_ONUDet和UserDET_ONURand测试案例中,其中BWFCM相对于HHO获得了12.17%和6.4%的提升。在UserRand_ONUDet中,BWFCM相对于其他算法的改进率不显著,但产生了具有竞争力的结果。

相对于AOFCM和MPA的一些改进相对较小(0.24%至1.52%);这些增强在实际FiWi部署中具有实际意义,原因如下。首先,在大量用户中累积影响显著:平均1%的距离改进相当于所有终端用户信号质量改善约1%和传播时延降低约1%。其次,BWFCM的持续负载均衡能力(表4)可以防止拥塞并减少数据包丢失,从而降低维护成本并提高网络可靠性。第三,光纤长度节省(表14)表明BWFCM可以减少部署成本,这等于每次部署数千美元,对于大型运营商而言则是数百万美元。这些好处虽然单独看来微不足道,但总体上有助于提高服务质量、降低运营成本并增加网络鲁棒性——这些都是实际网络规划中的关键目标。然而,我们承认AOFCM和MPA在较小规模网络中的优势可能不那么明显。

表5. BWFCM与其对比算法的改进率。

| 场景 | BWFCM vs. | AOFCM (%) | CLSLFD (%) | HHO (%) | MPA (%) |
|------|-----------|-----------|------------|---------|---------|
| UserDet_ONUDet | | 0.78 | 0.92 | 12.17 | 1.49 |
| UserDet_ONURand | | 1.06 | 0.67 | 6.4 | 0.6 |
| UserRand_ONUDet | | 1.45 | 2.75 | 1.88 | 0.24 |
| UserRand_ONURand | | 1.52 | 1.89 | 3.4 | 1.25 |

**4.7 收敛性分析**

图5展示了BWFCM及其对比算法在所有测试案例中的收敛曲线。虽然所有算法几乎从相同的初始成本开始,但BWFCM始终产生最低且最稳定的成本。相比之下,CLSLFD和HHO的收敛性较差,存在波动并趋向于局部最优的迹象,导致最终成本较高。AOFCM与CLSLFD和HHO相比表现出更好的开发-探索平衡,呈现更稳定的收敛;然而,它仍未能达到BWFCM的性能。MPA算法表现出中等行为,但也落后于BWFCM。总体而言,BWFCM在所有四个基准测试中始终保持优越,证明了其在寻找近最优部署方案方面的有效性和鲁棒性。

下载:下载高分辨率图片(638KB)下载:下载全尺寸图片
图5. 各优化器在ONU部署基准场景中的收敛曲线。

**4.8 统计分析**

图6展示了四个测试案例中30次独立运行的解分布。对图形的分析表明,BWFCM在所有基准测试中始终产生最低的解分布,证明了其相对于对比算法的优越能力、收敛性能和稳定性。AOFCM获得第二低的值,其次是CLSLFD和MPA算法。HHO的变异性大得多,使其在每个场景中都不太鲁棒。各算法从最低到最高分布的相对排名为:BWFCM > AOFCM > CLSLFD ≥ MPA > HHO。

为了提供算法性能的严格统计评估,我们利用Friedman检验[36]根据测试案例的结果对算法进行排名。表6列出了每个求解器的平均排名,由平均成本值计算得出。结果确定BWFCM是测试算法中表现最佳的部署替代方案,总体性能排序为:BWFCM > AOFCM > MPA > HHO > CLSLFD。Friedman排名结果在统计上支持了所提出的BWFCM相对于竞争方法的优越性。

下载:下载高分辨率图片(411KB)下载:下载全尺寸图片
图6. 四种部署基准上对比算法在30次独立运行中的箱须图。

表6. Friedman检验中各算法在基准场景中的平均排名。

| 场景 | BWFCM | AOFCM | CLSLFD | HHO | MPA |
|------|-------|-------|--------|-----|-----|
| UserDet_ONUDet | 1.03 | 2.60 | 3.50 | 4.40 | 3.47 |
| UserDet_ONURand | 1.00 | 2.60 | 3.53 | 4.33 | 3.53 |
| UserRand_ONUDet | 1.00 | 2.87 | 3.53 | 4.63 | 2.97 |
| UserRand_ONURand | 1.00 | 2.80 | 3.40 | 4.37 | 3.43 |
| 平均排名 | **1.01** | 2.72 | 3.49 | 4.43 | 3.35 |

**4.9 可扩展性分析**

随着搜索空间大小和问题维度的增长,算法的部署性能可能会下降。因此,在大规模区域中确定具有更多用户和ONU节点的最佳ONU位置时,评估这些算法的可扩展性至关重要。为此,我们在一个面积为1,000,000×1,000,000 m2的网络中测试了这些算法,考虑不同的用户和ONU节点数量,初始随机放置。表7总结了各算法在UserRand_ONURand基准上产生的结果。研究结果表明,所提出的BWFCM算法在所有测试案例中始终优于其他算法。这表明BWFCM不仅在小型部署问题中表现出色,在大规模设置中也取得了良好结果。图7展示了各算法在涉及1000个无线用户和30个ONU的测试案例中的部署结果。

表7. 各算法在具有不同用户和ONU数量的UserRand_ONURand基准上的可扩展性能。

| 用户数 | ONU数 | 算法 | BWFCM | HHO | CLSLFD | MPA | AOFCM |
|--------|-------|------|-------|-----|--------|-----|-------|
| 100 | 10 | | 0.2923 | 0.3594 | 0.3212 | 0.3058 | 0.3278 |
| 100 | 20 | | 0.2559 | 0.3352 | 0.2920 | 0.2668 | 0.2838 |
| 100 | 30 | | 0.2297 | 0.2948 | 0.2685 | 0.2472 | 0.2658 |
| 100 | 40 | | 0.2175 | 0.2640 | 0.2566 | 0.2414 | 0.2479 |
| 100 | 50 | | 0.2147 | 0.2461 | 0.2401 | 0.2224 | 0.2406 |
| 1000 | 10 | | 0.2951 | 0.3541 | 0.3134 | 0.3112 | 0.3289 |
| 1000 | 20 | | 0.2535 | 0.3208 | 0.2898 | 0.2651 | 0.2842 |
| 1000 | 30 | | 0.2307 | 0.2796 | 0.2617 | 0.2497 | 0.2612 |
| 1000 | 40 | | 0.2215 | 0.2397 | 0.2609 | 0.2382 | 0.2498 |
| 1000 | 50 | | 0.2095 | 0.2492 | 0.2354 | 0.2229 | 0.2413 |

下载:下载高分分辨率图片(1MB)下载:下载全尺寸图片
图7. 具有1000个无线用户和30个ONU的UserRand_ONURand测试案例中各算法的结果。

**4.10 传播时延**

传播时延——即信号从发送方到接收方所需的时间——直接取决于节点之间的距离。在FiWi网络中,增加ONU的数量可以缩短ONU与其关联无线用户之间的平均距离,从而降低平均传播时延。为评估这种效应,我们模拟了一个具有100个用户、数据传输速率为200 Mbps的网络,并改变了ONU的数量。图8展示了在不同ONU数量下不同部署算法的平均传播时延。BWFCM始终产生低于其他算法的时延。MPA和CLSLFD分别排名第二和第三。HHO产生的结果最差,而AOFCM产生的结果中等。在所有测试案例中,随着ONU数量的增加,时延都会降低。

下载:下载高分辨率图片(803KB)下载:下载全尺寸图片
图8. 100个用户的不同测试案例中平均传播时延与ONU总数的关系。

**4.11 吞吐量分析**

网络吞吐量是从所有无线用户成功传输到其关联ONU的总数据速率。每个用户的吞吐量是到其关联ONU距离的函数,其中较短的距离由于信号质量增强而能实现更高的传输速率。

总网络吞吐量表述为公式(4.17):

$$\kappa = \sum_{i=1}^{m} T_i(d_i)$$

其中:
- $m$:无线用户的总数
- $d_i$:在Voronoi分配下用户 $i$ 到其最近ONU的欧几里得距离
- $T_i(d_i)$:用户 $i$ 对吞吐量的贡献,是关于其到所关联ONU距离 $d_i$ 的函数
- $\kappa$:总网络吞吐量(Mbps)

按照既定的FiWi吞吐量分析流程[15],基于以下假设,将每个用户的吞吐量贡献调整为恒定传输速率 $T_i = 200$ Mbps:

- 光回传链路提供充足的带宽,不会成为瓶颈
- 网络在饱和条件下运行,所有用户都有持续的数据要发送
- 无线干扰由底层MAC协议控制

考虑到这些假设,总网络吞吐量可以写为 $\kappa = m \cdot T_r$,其中 $T_r = 200$ Mbps。这一公式在所有放置算法中保持一致,确保对其相对性能进行公平比较。

在FiWi网络中,增加ONU数量会缩短ONU与其主要用户之间的距离。此外,无线-光-无线点对点通信避免了无线干扰,并利用PON的高带宽,共同提升网络吞吐量。表8列出了不同ONU数量下,比较算法在测试用例UserRand_ONURand中获得的吞吐量值。在所有算法中,BWFCM和CLSLFD在大多数场景下实现了最高的系统吞吐量,尤其是当ONU数量超过10时。值得注意的是,BWFCM在18个测试用例中的8个场景下提供了最优结果。它呈现出稳定的上升趋势,在19个ONU时达到最大值135.25,使其适用于密集区域。CLSLFD在某些ONU数量下产生峰值吞吐量(例如11个ONU时为133.75);然而,它表现出较高的变异性,在15和16个ONU时结果较差。HHO达到了最高吞吐量(14个ONU时为136.29),但由于出现大幅下降而不可靠。MPA和AOFCM产生的吞吐量适中,在大多数场景下不如BWFCM和CLSLFD。对于需要在不同ONU数量下保持一致高通量的应用,BWFCM是最稳健的选择。

结果证实,增加ONU数量通常会导致所有算法的网络吞吐量提高。这一趋势支持了理论上的优势,即ONU与其主要无线用户之间更短的距离有助于减少干扰。尽管偶尔出现下降(例如BWFCM在ONU={15, 16}时),但整体吞吐量趋势支持了增加ONU的理论优势,而优化器的选择主要影响增益。

**表8. 测试用例UserRand_ONURand在不同ONU数量下的网络吞吐量与ONU总数关系。**

| ONU数 | AOFCM | BWFCM | CLSLFD | HHO | MPA |
|-------|-------|-------|--------|-----|-----|
| 2 | 86.938 | 89.381 | 105.969 | 90.559 | 94.903 |
| 3 | 115.571 | 102.211 | 102.921 | 115.711 | 106.114 |
| 4 | 97.128 | 88.089 | 90.759 | 94.959 | 91.075 |
| 5 | 103.059 | 99.191 | 107.249 | 97.861 | 102.356 |
| 6 | 101.251 | 118.041 | 104.521 | 106.049 | 92.977 |
| 7 | 108.931 | 114.331 | 103.859 | 99.551 | 125.977 |
| 8 | 120.771 | 121.491 | 105.891 | 102.841 | 107.189 |
| 9 | 116.581 | 119.691 | 104.481 | 108.171 | 131.331 |
| 10 | 124.031 | 121.551 | 133.391 | 122.181 | 114.541 |
| 11 | 111.991 | 124.711 | 133.759 | 98.021 | 115.181 |
| 12 | 128.211 | 123.541 | 115.331 | 103.751 | 119.351 |
| 13 | 104.121 | 124.621 | 120.861 | 123.931 | 114.891 |
| 14 | 126.491 | 123.491 | 110.391 | 136.291 | 117.751 |
| 15 | 111.741 | 117.871 | 90.951 | 118.411 | 122.601 |
| 16 | 105.851 | 119.571 | 96.701 | 106.151 | 115.541 |
| 17 | 116.801 | 128.151 | 117.611 | 108.841 | 113.511 |
| 18 | 120.621 | 130.661 | 105.871 | 115.831 | 109.341 |
| 19 | 110.611 | 135.251 | 121.291 | 134.451 | 131.531 |
| 20 | 119.361 | 129.441 | 104.431 | 113.261 | 123.821 |

需要区分流量均衡(实际数据流量的分布,受用户需求和距离影响)与拓扑均衡(用户数量在各ONU之间的分布)。公式(3.12)中的目标函数通过Jain公平指数优化拓扑均衡,其中 $W_k$ 表示ONU $k$ 服务的用户数量。然而,吞吐量(表8)取决于个别用户的实际数据传输速率,这受信号质量和距离相关的路径损耗影响。即使用户数量完全均衡,当用户到其分配ONU的距离不同时,流量均衡也可能不均衡。表8中的结果证明,随着ONU数量增加,BWFCM产生一致的吞吐量提升(例如从2个ONU的89.38提升到19个ONU的135.25),反映了其稳定的距离优化和拓扑均衡能力。公式(3.15)中的Jain公平指数 $F$ 基于Voronoi划分下分配给每个ONU的用户数 $W_k$ 计算拓扑均衡。这与流量均衡不同,流量均衡考虑了用户特定的流量需求和实际数据传输速率。虽然拓扑均衡保证了公平的用户分布,但吞吐量性能取决于距离相关的传输速率和拓扑均衡,这证实了为什么具有相似拓扑均衡的算法可能实现不同的吞吐量。

在2–6个ONU时,BWFCM的负载均衡约束强加更公平的用户分布,偶尔会增加平均距离,因此与仅考虑距离的优化器(如CLSLFD和HHO)相比降低了吞吐量。这是有意为之的:该算法避免拥塞并保证公平性。随着ONU数量增加(>6),该约束减弱,BWFCM始终优于所有对比算法。

**4.12 所需光纤长度**

ONU放置中的一个主要挑战是最小化连接OLT与其关联ONU所需的光纤长度。为评估放置算法在减少光纤长度方面的有效性,我们在文献[6]中的标准基准上进行了测试,遵循UserRand_ONURand测试用例,如图9(a)所示。该测试用例包含100个无线用户和10个随机分布的ONU,OLT位于坐标?x, y?=(500, 500),网络采用星型拓扑排列。表14总结了BWFCM及其对比算法实现的估计光纤长度(单位:米)。在每个ONU数量下,BWFCM在10个测试用例中的8个实现了最低总光纤长度,与最佳竞争者的改进范围从0.25%(10个ONU)到13.7%(6个ONU)。CLSLFD排名第二,在1、3和4个ONU时获得最低光纤长度;MPA在2和5个ONU时最优;HHO在7个ONU时取得最佳结果。图9展示了放置算法在UserRand_ONURand基准测试中(10个ONU和100个无线用户)所需的光纤长度。这些图表清楚地表明,在给定ONU数量下,BWFCM在最小化所需光纤长度方面优于其对比算法,证实了其在降低部署成本方面的有效性。总光纤长度随ONU数量增加而增加,因为在星型拓扑中,每个额外的ONU都需要一条到OLT的新连接,而额外的ONU被放置在远离中心OLT的区域以服务分散的用户。对于BWFCM,总光纤长度从543.9米(2个ONU)增加到3858.7米(10个ONU),分别对应每个ONU的长度为271.95米和385.87米(见表9)。

光纤长度和吞吐量可以通过多目标目标函数纳入公式(3.12)。然而,我们有意忽略这一点,原因有以下几个重要方面:(i) 聚类(Voronoi划分)可解释性的丧失;(ii) 计算成本高昂,需要昂贵的吞吐量模拟;(iii) 需要逐例调优的额外权重参数,削弱了我们的无参数设计;(iv) 目标冲突(例如,最小化光纤长度可能将ONU推向OLT,从而增加无线距离)。我们计划进行的未来工作之一是将此问题建模为基于Pareto的多目标优化。

**表9. 放置算法计算出的估计光纤长度(单位:米)。**

| ONU数 | AOFCM | BWFCM | CLSLFD | HHO | MPA |
|-------|-------|-------|--------|-----|-----|
| 1 | 50.458 | 246.134 | 654.688 | 686.177 | 510.955 |
| 2 | 588.529 | 1543.926 | 4523.565 | 43.468 | 4511.268 |
| 3 | 1018.474 | 1013.011 | 1011.693 | 1012.333 | 1055.016 |
| 4 | 410.041 | 405.406 | 387.531 | 588.467 | 477.035 |
| 5 | 1955.449 | 1906.086 | 1908.375 | 2127.051 | 1873.072 |
| 6 | 2644.783 | 2181.489 | 2299.971 | 2261.529 | 2424.937 |
| 7 | 2644.366 | 2705.441 | 2673.975 | 2445.929 | 2802.432 |
| 8 | 3186.823 | 3071.306 | 3086.316 | 3194.903 | 3243.906 |
| 9 | 3832.573 | 3505.413 | 791.957 | 3810.757 | 3675.819 |
| 10 | 3884.952 | 3858.698 | 3894.449 | 4384.590 | 3960.437 |

*图9. 各放置算法在UserRand_ONURand中(10个ONU和100个无线用户)产生的总光纤长度。*

**4.13 计算效率评估**

表10列出了各算法的时间和空间复杂度(每次迭代的 worst case)。每种方法的时间复杂度由三个组件控制:种群初始化、适应度函数评估和解决方案更新。种群初始化对所有方法的开销为 $O(Pn)$,其中 $n$ 表示ONU数量,$P$ 表示种群规模。适应度评估计算 $m$ 个用户与 $n$ 个ONU之间的距离矩阵($O(nm)$),然后计算用户分配和负载均衡($O(n+m)$),每次评估的开销为 $O(nm)$。对于 $P$ 个个体,主要开销为 $O(Pnm)$。解决方案更新增加了算法特定的开销,详见表10。

每次迭代存储 $P$ 个大小为 $1 \times 2n$ 的个体(每个ONU表示为?$X_i$, $Y_i$?)和 $m$ 个用户坐标?$x_i$, $y_i$?。所有算法的空间复杂度为 $O(P \cdot n + m)$,使其可扩展至大规模放置场景。

表11列出了各求解器在四个基准场景下经过30次独立运行的平均运行时间(单位:秒)。每次执行由150次迭代和100的种群规模组成。结果证明,BWFCM在4个测试用例中的3个产生了最低的平均运行时间(9.12秒)——比CLSLFD(22.10秒)快2.42倍,与MPA(9.16秒)相当。表12展示了每个放置基准中各算法产生的平均峰值内存使用量(MB)。对结果的分析表明,内存使用量适中(0.045 MB),与MPA和CLSLFD相当,但高于AOFCM和HHO(约0.026 MB)。这种适度的内存开销由BWFCM优越的解决方案质量所证实,使其成为实际FiWi开发中最佳的整体权衡方案。

**表10. 各算法的总体时间和空间复杂度。**

| 算法 | 时间复杂度(每次迭代) | 空间复杂度 |
|------|----------------------|-----------|
| AOFCM | $O(Pn + Pnm + Pn + nm)$,其中AO算法部分为 $O(Pnm + Pn)$,FCM精化部分为 $O(nm)$ | $O(P \cdot n + m)$ |
| BWFCM | $O(Pn + Pnm + Pn + nm)$,其中BSA算法部分为 $O(Pnm + Pn)$,WFCM精化部分为 $O(nm)$ | |
| CLSLFD | $O(P^2 \cdot n)$,用于计算种群内邻居的成对距离;$O(n^2 m)$,用于CLS阶段 | |
| HHO | $O(Pn + Pnm + Pn)$ | |
| MPA | $O(Pn + Pnm + Pn)$ | |

**表11. 各算法在放置基准上的执行时间。**

| 场景 | AOFCM | BWFCM | CLSLFD | HHO | MPA |
|------|-------|-------|--------|-----|-----|
| UserDet_ONUDet | 11.5208 | 8.3929 | 22.9707 | 10.7725 | 9.3694 |
| UserDet_ONURand | 10.6073 | 8.5474 | 21.1709 | 10.5881 | 8.5532 |
| UserRand_ONUDet | 10.1073 | 9.5337 | 21.9245 | 10.7629 | 9.2844 |
| UserRand_ONURand | 10.6936 | 9.1135 | 22.3221 | 10.8957 | 9.4372 |

**表12. 各算法在每个放置基准上产生的平均峰值内存使用量(MB)。**

| 场景 | AOFCM | BWFCM | CLSLFD | HHO | MPA |
|------|-------|-------|--------|-----|-----|
| UserDet_ONUDet | 0.0257 | 0.0539 | 0.0448 | 0.0256 | 0.0477 |
| UserDet_ONURand | 0.0257 | 0.0425 | 0.0443 | 0.0257 | 0.0476 |
| UserRand_ONUDet | 0.0257 | 0.0426 | 0.0445 | 0.0256 | 0.0476 |
| UserRand_ONURand | 0.0258 | 0.0425 | 0.0443 | 0.0257 | 0.0478 |

**4.14 消融分析**

BWFCM算法依赖于两个关键参数:$mix\_rate$ 和模糊度参数($s$)。为确定最优配置,我们测试了各种组合并测量了所有场景下的平均综合代价。图10展示了BWFCM算法在不同参数值下所有场景的平均综合代价。对结果的分析表明,最低平均代价(最佳性能)约为0.04016。$s$ 的值1.5和3倾向于产生最低代价,而值2和2.5则产生较高代价。总体而言,代价值大多接近,表明该算法对参数变化具有鲁棒性。根据热力图数据,算法在 $mix\_rate$ 为0.5和0.6时产生了最佳值。在仿真中,BWFCM被调参为 $s=3$ 和 $mix\_rate=0.5$。

表13总结了BSA、WFCM和BWFCM在所有测试用例中的表现。每个基准测试的最佳结果以粗体表示。结果一致显示,BWFCM在几乎所有放置测试用例中几乎优于BSA和WFCM,证明了BSA与WFCM的组合产生了一种有效的放置方法。

*图10. BWFCM算法在所有测试用例中不同模糊度参数($s$)和 $mix\_rate$ 参数值下的平均综合代价。*

为验证乘法公式防止公平性与距离目标之间补偿的能力,进行了一项有限的消融研究,将其与加权加法公式在两个代表性场景(UserDet_ONUDet和UserRand_ONURand)上进行比较,使用归一化加权加法公式:

$$Cost_{add} = \alpha \cdot d_{norm} + (1 - \alpha) \cdot imbalance \quad (4.18)$$

其中 $\alpha \in \{0.3, 0.5, 0.7\}$。表14列出了BWFCM算法产生的实际平均距离和负载均衡(由于加法代价尺度不同,因此省略了直接代价比较)。结果表明,$\alpha = 0.3$ 的加法公式获得了更优的负载均衡(imbalance = 0.0002),但牺牲了平均距离(在UserDet_ONUDet中为236.069 vs. 234.085,性能下降0.85%)。相反,$\alpha = 0.7$ 增强了平均距离(235.153),但产生了较弱的负载均衡(0.0004)。相比之下,所提出的乘法公式同时获得了具有竞争力的负载均衡(0.004)和最佳平均距离(234.085),无需手动权重配置。这种行为表明,乘法方程通过联合改进要求,自然地阻止了补偿并引导搜索收敛到均衡解决方案。值得注意的是,在UserRand_ONURand场景下,乘法公式相比最佳加法变体在平均距离上获得了2.14%的改进(221.170 vs. 225.897),同时产生了具有竞争力的负载均衡(0.003 vs. 0.0013)。这些发现表明,乘法公式在负载公平性和距离最小化之间产生了稳健的平衡。加法公式($\alpha = 0.3$)强烈优先考虑不平衡(权重0.7),自然产生更低的失衡,但以更大的平均距离为代价。乘法公式要求同时改进两个目标,防止了补偿并实现了更好的整体权衡,无需手动调参。

**表13. WFCM、BSA和BWFCM在放置测试用例上的结果。**

| 场景 | 算法 | 平均距离 | 负载均衡 | 综合代价 |
|------|------|---------|---------|---------|
| UserDet_ONUDet | BSA | 235.748 | 0.006 | 0.410 |
| | WFCM | 237.362 | 0.003 | 0.410 |
| | **BWFCM** | **234.085** | 0.004 | **0.408** |
| UserDet_ONURand | BSA | 237.758 | 0.003 | 0.411 |
| | WFCM | 237.362 | 0.003 | 0.410 |
| | **BWFCM** | **234.099** | 0.004 | **0.408** |
| UserRand_ONUDet | BSA | 223.453 | 0.001 | 0.398 |
| | WFCM | 221.788 | 0.009 | 0.398 |
| | **BWFCM** | **219.675** | 0.007 | **0.396** |
| UserRand_ONURand | BSA | 232.331 | 0.004 | 0.406 |
| | WFCM | 221.788 | 0.009 | 0.398 |
| | **BWFCM** | **221.170** | 0.003 | **0.396** |

**表14. BWFCM乘法公式与加法公式的消融研究结果。**

| 场景 | 代价公式 | 平均距离 | 负载均衡 |
|------|---------|---------|---------|
| UserDet_ONUDet | 乘法 | 234.085 | 0.004 |
| | $\alpha = 0.3$ | 236.069 | 0.0002 |
| | $\alpha = 0.5$ | 235.423 | 0.0002 |
| | $\alpha = 0.7$ | 235.153 | 0.0004 |
| UserRand_ONURand | 乘法 | 221.170 | 0.003 |
| | $\alpha = 0.3$ | 229.076 | 0.0002 |
| | $\alpha = 0.5$ | 227.730 | 0.0007 |
| | $\alpha = 0.7$ | 225.897 | 0.0013 |

**4.15 实际适用性与局限性**

结果是由放置算法在静态部署条件下产生的。然而,有若干实际考虑因素和局限性需要在真实世界的FiWi部署中加以解决。

- **动态用户分布**:在实际网络中,无线用户是移动的,其位置可能随时间变化。为了控制这种动态性,应在计划的时间间隔(例如每小时、每天或每周)重新运行BWFCM,以适应环境变化。WFCM的高斯核加权自然地强调高密度区域,使算法即使在中度用户移动情况下也能保持稳健。

- **ONU数量与成本权衡**:增加ONU数量通常会改善平均用户到ONU的距离或吞吐量,但也会引入额外的运营和部署成本。

综合成本指标(公式3.12)作为放置质量的归一化指标,使运营商能够评估每增加一个光网络单元(ONU)所带来的性能提升。在30个ONU的1000用户、1000×1000 m2测试案例中,BWFCM相比同等数量ONU下的对比算法获得了高达12.17%的性能提升,表明BWFCM无需额外硬件即可获得卓越性能。

• 大规模部署中的实际意义:BWFCM产生的适度提升(相比最先进算法为0.24%–2.14%)在大规模FiWi部署中通过累积的网络性能优势变得具有实际意义:(i) 给定ONU数量下降低光纤长度需求,从而减少基础设施成本;(ii) 通过更好的负载分配提高资源利用率,减少丢包并防止拥塞;(iii) 在密集城市场景中增强所有用户的服务质量公平性;(iv) 降低传播时延并提升实时服务质量。

• 局限性:当前模型假设无障碍的二维区域、静态用户分布和固定数量的ONU。实际环境包含地形、建筑物和其他障碍物等物理约束,这些约束影响ONU的安装能力和信号传播。任何扩展都应考虑障碍物感知的距离指标和约束处理机制,以将ONU放置限制在合适的位置。此外,当前研究未探讨监管要求和电源约束等运营方面的问题,这些问题可能使所提出的方法面临额外的放置约束。

表A.15 BSA、WFCM和BWFCM生成的结果。

| 场景 | 最大迭代率 | BSA | WFCM | BWFCM |
|------|-----------|------|------|-------|
| UserDet_ONUDet | 1.5×0.1 | 0.4082 | 0.4111 | 0.4076 |
| UserRand_ONUDet | 1.5×0.1 | 0.3971 | 0.4005 | 0.3956 |
| UserDet_ONUDet | 1.5×0.2 | 0.4095 | 0.4133 | 0.4076 |
| UserRand_ONUDet | 1.5×0.2 | 0.3971 | 0.3982 | 0.3956 |
| UserDet_ONUDet | 1.5×0.3 | 0.4091 | 0.4132 | 0.4076 |
| UserRand_ONUDet | 1.5×0.3 | 0.3964 | 0.4005 | 0.3956 |
| UserDet_ONUDet | 1.5×0.4 | 0.4085 | 0.4134 | 0.4076 |
| UserRand_ONUDet | 1.5×0.4 | 0.3994 | 0.3988 | 0.3956 |
| UserDet_ONUDet | 1.5×0.5 | 0.4092 | 0.4102 | 0.4076 |
| UserRand_ONUDet | 1.5×0.5 | 0.3973 | 0.3984 | 0.3956 |
| UserDet_ONUDet | 1.5×0.6 | 0.4079 | 0.4131 | 0.4076 |
| UserRand_ONUDet | 1.5×0.6 | 0.3976 | 0.4006 | 0.3956 |
| UserDet_ONUDet | 1.5×0.7 | 0.4087 | 0.4123 | 0.4076 |
| UserRand_ONUDet | 1.5×0.7 | 0.3969 | 0.3979 | 0.3959 |
| UserDet_ONUDet | 1.5×0.8 | 0.4087 | 0.4102 | 0.4076 |
| UserRand_ONUDet | 1.5×0.8 | 0.3977 | 0.3989 | 0.3955 |
| UserDet_ONUDet | 1.5×0.9 | 0.4089 | 0.4117 | 0.4080 |
| UserRand_ONUDet | 1.5×0.9 | 0.3968 | 0.3988 | 0.3956 |
| UserDet_ONUDet | 1.5×1 | 0.4113 | 0.4119 | 0.4076 |
| UserRand_ONUDet | 1.5×1 | 0.4027 | 0.3993 | 0.3956 |
| UserDet_ONUDet | 2×0.1 | 0.4080 | 0.4117 | 0.4076 |
| UserRand_ONUDet | 2×0.1 | 0.4004 | 0.3983 | 0.3956 |
| UserDet_ONUDet | 2×0.2 | 0.4086 | 0.4121 | 0.4076 |
| UserRand_ONUDet | 2×0.2 | 0.3991 | 0.3989 | 0.3956 |
| UserDet_ONUDet | 2×0.3 | 0.4079 | 0.4104 | 0.4076 |
| UserRand_ONUDet | 2×0.3 | 0.3980 | 0.3977 | 0.3960 |
| UserDet_ONUDet | 2×0.4 | 0.4090 | 0.4111 | 0.4080 |
| UserRand_ONUDet | 2×0.4 | 0.3978 | 0.3970 | 0.3956 |
| UserDet_ONUDet | 2×0.5 | 0.4091 | 0.4114 | 0.4076 |
| UserRand_ONUDet | 2×0.5 | 0.3973 | 0.3995 | 0.3956 |
| UserDet_ONUDet | 2×0.6 | 0.4118 | 0.4145 | 0.4076 |
| UserRand_ONUDet | 2×0.6 | 0.4073 | 0.3998 | 0.3955 |
| UserDet_ONUDet | 2×0.7 | 0.4096 | 0.4099 | 0.4080 |
| UserRand_ONUDet | 2×0.7 | 0.3977 | 0.4008 | 0.3956 |
| UserDet_ONUDet | 2×0.8 | 0.4088 | 0.4108 | 0.4076 |
| UserRand_ONUDet | 2×0.8 | 0.3961 | 0.3975 | 0.3956 |
| UserDet_ONUDet | 2×0.9 | 0.4103 | 0.4142 | 0.4079 |
| UserRand_ONUDet | 2×0.9 | 0.3983 | 0.3995 | 0.3956 |
| UserDet_ONUDet | 2×1 | 0.4077 | 0.4119 | 0.4079 |
| UserRand_ONUDet | 2×1 | 0.3961 | 0.3975 | 0.3956 |
| UserDet_ONUDet | 2.5×0.1 | 0.4082 | 0.4108 | 0.4080 |
| UserRand_ONUDet | 2.5×0.1 | 0.3973 | 0.3984 | 0.3956 |
| UserDet_ONUDet | 2.5×0.2 | 0.4096 | 0.4123 | 0.4077 |
| UserRand_ONUDet | 2.5×0.2 | 0.3969 | 0.4013 | 0.3956 |
| UserDet_ONUDet | 2.5×0.3 | 0.4084 | 0.4118 | 0.4077 |
| UserRand_ONUDet | 2.5×0.3 | 0.3988 | 0.3986 | 0.3956 |
| UserDet_ONUDet | 2.5×0.4 | 0.4092 | 0.4118 | 0.4077 |
| UserRand_ONUDet | 2.5×0.4 | 0.4031 | 0.4001 | 0.3956 |
| UserDet_ONUDet | 2.5×0.5 | 0.4094 | 0.4131 | 0.4076 |
| UserRand_ONUDet | 2.5×0.5 | 0.4001 | 0.3979 | 0.3956 |
| UserDet_ONUDet | 2.5×0.6 | 0.4096 | 0.4124 | 0.4076 |
| UserRand_ONUDet | 2.5×0.6 | 0.3992 | 0.3976 | 0.3957 |
| UserDet_ONUDet | 2.5×0.7 | 0.4091 | 0.4117 | 0.4076 |
| UserRand_ONUDet | 2.5×0.7 | 0.3995 | 0.3985 | 0.3956 |
| UserDet_ONUDet | 2.5×0.8 | 0.4086 | 0.4126 | 0.4076 |
| UserRand_ONUDet | 2.5×0.8 | 0.3993 | 0.3979 | 0.3955 |
| UserDet_ONUDet | 2.5×0.9 | 0.4089 | 0.4120 | 0.4078 |
| UserRand_ONUDet | 2.5×0.9 | 0.3968 | 0.4013 | 0.3956 |
| UserDet_ONUDet | 2.5×1 | 0.4115 | 0.4135 | 0.4076 |
| UserRand_ONUDet | 2.5×1 | 0.3999 | 0.4012 | 0.3955 |
| UserDet_ONUDet | 3×0.1 | 0.4092 | 0.4119 | 0.4077 |
| UserRand_ONUDet | 3×0.1 | 0.3995 | 0.3978 | 0.3955 |
| UserDet_ONUDet | 3×0.2 | 0.4088 | 0.4124 | 0.4076 |
| UserRand_ONUDet | 3×0.2 | 0.3981 | 0.4007 | 0.3956 |
| UserDet_ONUDet | 3×0.3 | 0.4087 | 0.4140 | 0.4076 |
| UserRand_ONUDet | 3×0.3 | 0.3971 | 0.4002 | 0.3956 |
| UserDet_ONUDet | 3×0.4 | 0.4089 | 0.4113 | 0.4076 |
| UserRand_ONUDet | 3×0.4 | 0.4014 | 0.4007 | 0.3955 |
| UserDet_ONUDet | 3×0.5 | 0.4083 | 0.4106 | 0.4076 |
| UserRand_ONUDet | 3×0.5 | 0.3993 | 0.3984 | 0.3956 |
| UserDet_ONUDet | 3×0.6 | 0.4085 | 0.4127 | 0.4076 |
| UserRand_ONUDet | 3×0.6 | 0.3995 | 0.3977 | 0.3955 |
| UserDet_ONUDet | 3×0.7 | 0.4087 | 0.4099 | 0.4076 |
| UserRand_ONUDet | 3×0.7 | 0.4021 | 0.3978 | 0.3955 |
| UserDet_ONUDet | 3×0.8 | 0.4082 | 0.4111 | 0.4076 |
| UserRand_ONUDet | 3×0.8 | 0.3967 | 0.3976 | 0.3957 |
| UserDet_ONUDet | 3×0.9 | 0.4099 | 0.4112 | 0.4076 |
| UserRand_ONUDet | 3×0.9 | 0.3996 | 0.3988 | 0.3956 |
| UserDet_ONUDet | 3×1 | 0.4087 | 0.4122 | 0.4076 |
| UserRand_ONUDet | 3×1 | 0.4022 | 0.3982 | 0.3962 |
| UserDet_ONURand | 1.5×0.1 | 0.4090 | 0.4111 | 0.4076 |
| UserRand_ONURand | 1.5×0.1 | 0.3972 | 0.4005 | 0.3956 |
| UserDet_ONURand | 1.5×0.2 | 0.4095 | 0.4133 | 0.4076 |
| UserRand_ONURand | 1.5×0.2 | 0.4008 | 0.3982 | 0.3955 |
| UserDet_ONURand | 1.5×0.3 | 0.4090 | 0.4132 | 0.4079 |
| UserRand_ONURand | 1.5×0.3 | 0.3963 | 0.4005 | 0.3957 |
| UserDet_ONURand | 1.5×0.4 | 0.4091 | 0.4134 | 0.4076 |
| UserRand_ONURand | 1.5×0.4 | 0.4006 | 0.3988 | 0.3962 |
| UserDet_ONURand | 1.5×0.5 | 0.4105 | 0.4102 | 0.4076 |
| UserRand_ONURand | 1.5×0.5 | 0.4002 | 0.3984 | 0.3956 |
| UserDet_ONURand | 1.5×0.6 | 0.4083 | 0.4131 | 0.4076 |
| UserRand_ONURand | 1.5×0.6 | 0.3992 | 0.4006 | 0.3956 |
| UserDet_ONURand | 1.5×0.7 | 0.4085 | 0.4123 | 0.4076 |
| UserRand_ONURand | 1.5×0.7 | 0.3989 | 0.3979 | 0.3960 |
| UserDet_ONURand | 1.5×0.8 | 0.4091 | 0.4102 | 0.4076 |
| UserRand_ONURand | 1.5×0.8 | 0.3990 | 0.3989 | 0.3956 |
| UserDet_ONURand | 1.5×0.9 | 0.4083 | 0.4117 | 0.4076 |
| UserRand_ONURand | 1.5×0.9 | 0.3984 | 0.3988 | 0.3956 |
| UserDet_ONURand | 1.5×1 | 0.4092 | 0.4119 | 0.4076 |
| UserRand_ONURand | 1.5×1 | 0.3967 | 0.3993 | 0.3957 |
| UserDet_ONURand | 2×0.1 | 0.4083 | 0.4117 | 0.4076 |
| UserRand_ONURand | 2×0.1 | 0.3984 | 0.3983 | 0.3956 |
| UserDet_ONURand | 2×0.2 | 0.4092 | 0.4121 | 0.4076 |
| UserRand_ONURand | 2×0.2 | 0.3975 | 0.3989 | 0.3956 |
| UserDet_ONURand | 2×0.3 | 0.4089 | 0.4104 | 0.4076 |
| UserRand_ONURand | 2×0.3 | 0.3974 | 0.3977 | 0.3956 |
| UserDet_ONURand | 2×0.4 | 0.4084 | 0.4111 | 0.4076 |
| UserRand_ONURand | 2×0.4 | 0.4006 | 0.3970 | 0.3956 |
| UserDet_ONURand | 2×0.5 | 0.4110 | 0.4114 | 0.4076 |
| UserRand_ONURand | 2×0.5 | 0.3967 | 0.3995 | 0.3956 |
| UserDet_ONURand | 2×0.6 | 0.4105 | 0.4145 | 0.4077 |
| UserRand_ONURand | 2×0.6 | 0.4075 | 0.3998 | 0.3956 |
| UserDet_ONURand | 2×0.7 | 0.4082 | 0.4099 | 0.4076 |
| UserRand_ONURand | 2×0.7 | 0.3981 | 0.4008 | 0.3957 |
| UserDet_ONURand | 2×0.8 | 0.4086 | 0.4108 | 0.4076 |
| UserRand_ONURand | 2×0.8 | 0.3967 | 0.3975 | 0.3956 |
| UserDet_ONURand | 2×0.9 | 0.4087 | 0.4142 | 0.4076 |
| UserRand_ONURand | 2×0.9 | 0.3969 | 0.3995 | 0.3956 |
| UserDet_ONURand | 2×1 | 0.4081 | 0.4119 | 0.4079 |
| UserRand_ONURand | 2×1 | 0.3965 | 0.3975 | 0.3957 |
| UserDet_ONURand | 2.5×0.1 | 0.4086 | 0.4108 | 0.4076 |
| UserRand_ONURand | 2.5×0.1 | 0.4001 | 0.3984 | 0.3956 |
| UserDet_ONURand | 2.5×0.2 | 0.4098 | 0.4123 | 0.4076 |
| UserRand_ONURand | 2.5×0.2 | 0.3979 | 0.4013 | 0.3962 |
| UserDet_ONURand | 2.5×0.3 | 0.4088 | 0.4118 | 0.4076 |
| UserRand_ONURand | 2.5×0.3 | 0.3968 | 0.3986 | 0.3956 |
| UserDet_ONURand | 2.5×0.4 | 0.4088 | 0.4118 | 0.4077 |
| UserRand_ONURand | 2.5×0.4 | 0.3965 | 0.4001 | 0.3956 |
| UserDet_ONURand | 2.5×0.5 | 0.4098 | 0.4131 | 0.4076 |
| UserRand_ONURand | 2.5×0.5 | 0.3982 | 0.3979 | 0.3956 |
| UserDet_ONURand | 2.5×0.6 | 0.4088 | 0.4124 | 0.4079 |
| UserRand_ONURand | 2.5×0.6 | 0.3981 | 0.3976 | 0.3957 |
| UserDet_ONURand | 2.5×0.7 | 0.4099 | 0.4117 | 0.4080 |
| UserRand_ONURand | 2.5×0.7 | 0.4027 | 0.3985 | 0.3956 |
| UserDet_ONURand | 2.5×0.8 | 0.4087 | 0.4126 | 0.4080 |
| UserRand_ONURand | 2.5×0.8 | 0.3973 | 0.3979 | 0.3956 |
| UserDet_ONURand | 2.5×0.9 | 0.4084 | 0.4120 | 0.4076 |
| UserRand_ONURand | 2.5×0.9 | 0.3974 | 0.4013 | 0.3956 |
| UserDet_ONURand | 2.5×1 | 0.4102 | 0.4135 | 0.4077 |
| UserRand_ONURand | 2.5×1 | 0.4018 | 0.4012 | 0.3956 |
| UserDet_ONURand | 3×0.1 | 0.4097 | 0.4119 | 0.4076 |
| UserRand_ONURand | 3×0.1 | 0.3968 | 0.3978 | 0.3957 |
| UserDet_ONURand | 3×0.2 | 0.4099 | 0.4124 | 0.4076 |
| UserRand_ONURand | 3×0.2 | 0.3981 | 0.4007 | 0.3957 |
| UserDet_ONURand | 3×0.3 | 0.4091 | 0.4140 | 0.4076 |
| UserRand_ONURand | 3×0.3 | 0.3971 | 0.4002 | 0.3956 |
| UserDet_ONURand | 3×0.4 | 0.4108 | 0.4113 | 0.4076 |
| UserRand_ONURand | 3×0.4 | 0.4010 | 0.4007 | 0.3960 |
| UserDet_ONURand | 3×0.5 | 0.4103 | 0.4106 | 0.4076 |
| UserRand_ONURand | 3×0.5 | 0.4022 | 0.3984 | 0.3956 |
| UserDet_ONURand | 3×0.6 | 0.4089 | 0.4127 | 0.4076 |
| UserRand_ONURand | 3×0.6 | 0.3999 | 0.3977 | 0.3958 |
| UserDet_ONURand | 3×0.7 | 0.4094 | 0.4099 | 0.4076 |
| UserRand_ONURand | 3×0.7 | 0.3966 | 0.3978 | 0.3956 |
| UserDet_ONURand | 3×0.8 | 0.4082 | 0.4111 | 0.4076 |
| UserRand_ONURand | 3×0.8 | 0.3974 | 0.3976 | 0.3956 |
| UserDet_ONURand | 3×0.9 | 0.4095 | 0.4112 | 0.4076 |
| UserRand_ONURand | 3×0.9 | 0.3972 | 0.3988 | 0.3956 |
| UserDet_ONURand | 3×1 | 0.4096 | 0.4122 | 0.4076 |
| UserRand_ONURand | 3×1 | 0.3996 | 0.3982 | 0.3956 |

## 5. 结论

本研究提出了一种优化的无监督方法,命名为BWFCM,用于FiWi接入网络中的ONU放置问题。所提出的算法智能地结合了基于功率变异的回溯搜索算法(PBSA)的全局探索能力与加权模糊C均值(WFCM)聚类的局部精细化能力。所提出的算法针对四个放置测试案例,与包括MPA、CLSLFD、AOFCM和HHO在内的最先进算法进行了对比。仿真结果表明,与对比算法相比,BWFCM具有显著的有效性。在四个基准算法中,BWFCM在大多数测试案例中产生了最佳性能,相对于这四种算法的提升范围为0.24%至12.17%。具体而言,在UserDet_ONURand场景下相比MPA提升了0.60%,在UserDet_ONUDet场景下相比HHO提升了12.17%,并在AOFCM和CLSLFD上获得了中间水平的提升。令人惊讶的是,BWFCM在所有评估的基准中均实现了具有竞争力的负载均衡,证明了其鲁棒性和效率。这一问题验证了BSA与WFCM的集成以及自适应加权策略在通过均匀分配用户来最小化通信距离和负载不均衡方面的成功。

通过可扩展性分析验证了所提出的BWFCM在大规模放置场景中的鲁棒性。在10000个无线用户和50个ONU的测试案例上的仿真结果表明,BWFCM始终优于所有对比算法。计算复杂度分析证明,BWFCM对于实际网络规划具有线性空间复杂度和多项式时间复杂度。尽管所提出的方法性能优异,但仍存在若干局限性:假设用户分布为静态、忽略了能耗和生存性等额外约束,且需要预先知道ONU的数量。未来的研究方向包括:开发自适应综合成本函数以动态配置平均距离和负载不均衡、进行实地验证、处理动态流量、融入多目标优化、探索基于深度学习的初始化策略,以及集成软件定义网络以实现自适应ONU放置。

### CRediT作者贡献声明

Mina Zolfy Lighvan:撰写 – 审阅与编辑,验证,方法论,调查研究,概念构思。

Hojjat Emami:撰写 – 审阅与编辑,撰写 – 初稿,指导,软件,方法论,调查研究,概念构思。

### 伦理批准

本文不涉及作者对人类参与者或动物开展的研究。

### 资助

作者声明,在准备本文稿期间未获得任何资金、拨款或其他支持。

Mina Zolfy Lighvan | Hojjat Emami
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号