A computation method for scenario studies in WDM network planning
Notice bibliographique
Résumé
Purpose The purpose of this paper is to present the benefits of using the Lagrangian relaxation (LR) and subgradient methods in scenario studies for wavelength division multiplexing (WDM) network planning. The problem of WDM network planning for a given set of lightpath demands in a mesh topology network is to select lightpath routes and then allocate wavelength channels to the lightpaths. In WDM network planning, a scenario study is to find out the network performance under different lightpath demands and/or different network resource configurations. Design/methodology/approach A scenario study must solve a series of related static WDM network planning problems. Each static WDM network planning problem is an optimization problem, and may be formulated as an integer linear programming problem, which can be solved by the proposed Lagrangian relaxation and subgradient methods. This paper uses the Lagrange multipliers that are obtained from previous scenarios as initial Lagrange multiplier values for other related scenarios. Findings This approach dramatically reduces the computation time for related scenarios. For small to medium variations of scenarios, the method reduces the computation time by several folds. The proposed method is the first method that effectively considers the relations between related scenarios, and uses such relations to improve the computation efficiency of scenario studies in WDM network planning. Practical implications The method improves the efficiency of a scenario study in WDM network planning. By using it, many “what-if” type of scenario study questions can be answered quickly. Originality/value Unlike other existing methods that treat each scenario individually, this method effectively uses the information of the relation between different scenarios to improve the overall computation efficiency.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».