A Lagrangean Relaxation and Subgradient Framework for the Routing and Wavelength Assignment Problem in WDM Networks
Notice bibliographique
Résumé
Unlike traditional heuristics, we provide in this paper an optimization framework for the routing and wavelength assignment (RWA) problems with the objective of minimizing the rejection penalty of the connection demands in an all-optical wavelength-division-multiplexing (WDM) network. Our new link-based formulation takes the fairness issue and the limited wavelength conversion into consideration. The framework employs a decomposition approach to decide on the rejection/selection of the route and wavelength assignment for a semilightpath, by appropriately relaxing some of the constraints in the Lagrangean relaxation (LR) method. At the higher level, we update Lagrange multipliers iteratively with the subgradient method. At the lower level, we propose the modified minimum cost semilightpath (MMCSLP) algorithm to solve all the subproblems. A heuristic algorithm is also proposed to generate a feasible RWA scheme based on the solution to the dual problem. When compared with some latest methodology in the literature, we demonstrate that our framework can achieve better performance in terms of the computation time and the number of connection demands rejected. The much shorter computation time is due to the polynomial time complexity of our framework. In addition to achieving a very good (near-optimal) solution, the influence from the change of the number of converters is studied. Finally, we demonstrate that our framework produces fairer routing decisions by adjusting some design parameters in our framework.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».