学术报告：关于弹性光网络中计算智能在路由与频谱分配问题应用的系统性文献综述

本文档属于类型b（系统性文献综述）。

作者与发表信息

本文由Renan V. B. Carvalho（巴西伯南布哥大学理工学院）、Henrique A. Dinarte（同校）、Raul C. Almeida Jr.（巴西伯南布哥联邦大学电子与系统系）和Carmelo J. A. Bastos-Filho（伯南布哥大学理工学院）合作完成，发表于2025年3月的Journal of Microwaves, Optoelectronics and Electromagnetic Applications（Vol. 24, No. 1）。

研究背景与目标

本文聚焦弹性光网络（Elastic Optical Networks, EONs）中的路由与频谱分配（Routing and Spectrum Assignment, RSA）问题。随着5G、物联网（IoT）和云计算等技术的普及，网络流量呈指数级增长，传统波分复用（WDM）网络的固定频谱网格难以满足动态需求，而EONs通过灵活频谱分配提升了资源利用率。然而，RSA问题属于NP难问题，需借助计算智能（Computational Intelligence, CI）技术（如机器学习、元启发式算法）优化解决。

本文的目标是通过系统性文献综述（Systematic Literature Review, SLR），梳理CI在RSA问题中的应用现状，分析现有方法的局限性，并提出未来研究方向。

主要观点与论据

1. RSA问题的复杂性与CI的应用潜力

RSA问题需满足频谱的连续性（continuity）和邻接性（contiguity）约束，且动态流量场景下还需考虑阻塞概率和频谱碎片化。传统方法（如整数线性规划）计算复杂度高，而CI技术（如遗传算法、人工神经网络）能高效逼近最优解。
- 支持证据：
- 文献[4]指出，RSA问题在EONs中比WDM网络的RWA（路由与波长分配）问题更复杂，因频谱分配需动态调整。
- 文献[10]提出混合排序策略（HRSA），通过遗传算法动态选择“先路由后频谱分配（R-SA）”或“先频谱分配后路由（SA-R）”策略，降低阻塞率。

2. 计算智能技术的分类与效能

CI技术分为三大支柱：机器学习（Machine Learning, ML）、元启发式算法（Metaheuristics）和模糊系统（Fuzzy Systems）。
- 机器学习：
- 监督学习（如K近邻、随机森林）用于流量预测和资源分配。
- 强化学习（如DeepRMSA[52]）通过动态交互优化RSA决策。
- 支持证据：文献[12]结合卷积神经网络（CNN）和深度强化学习（DRL），实现非线性损伤感知的RSA。
- 元启发式算法：
- 遗传算法（GA）和粒子群优化（PSO）在静态流量中表现优异（文献[40][50]）。
- 蚁群优化（ACO）适用于多目标优化（文献[30]）。
- 模糊系统：文献[32]提出基于模糊逻辑的损伤感知RSA方案，提升信号传输质量。

3. 动态与静态流量场景的差异

• 动态流量（占研究87.5%）：需实时响应连接请求，DRL和在线学习算法更适用（文献[38][44]）。
  
• 静态流量：侧重于全局优化，常用GA和模拟退火（SA）（文献[7][61]）。
  
• 支持证据：文献[45]提出基于DRL的预分配策略，显著降低动态场景的频谱碎片。
  

4. 未来研究方向与挑战

• 开放问题：
  
  • RSA子问题（路由与频谱分配）的顺序灵活性未被充分探索（仅文献[10]涉及）。
    
  • 多纤芯空分复用（SDM-EONs）中的串扰（crosstalk）管理需结合CI（文献[5][46]）。
    
• 挑战：数据质量、实时性、与现有网络架构的兼容性（文献[1][62]）。
  

文献综述方法与结果

1. 检索策略：
   
   • 数据库：Web of Science、Scopus等6个平台，初筛659篇文献，最终纳入40篇。
     
   • 检索词：("elastic optical network" AND "routing and spectrum assignment" AND "algorithm")。
     
2. 质量评估：
   
   • 采用PICOC框架（Population, Intervention, Comparison, Outcome, Context）定义研究问题。
     
   • 通过H5指数（Google Scholar）和引用量筛选高影响力文献。
     
3. 关键发现：
   
   • 技术分布：人工神经网络（17篇）、遗传算法（12篇）为主流。
     
   • 拓扑局限性：75%研究仅测试1-2种网络拓扑，泛化性不足。
     

意义与价值

1. 学术价值：
   
   • 首次系统梳理CI在RSA中的应用，揭示机器学习与元启发式算法的互补性。
     
   • 提出“动态子问题顺序选择”新研究方向（如HRSA算法）。
     
2. 应用价值：
   
   • 为EONs的自动化资源管理提供算法选型参考。
     
   • 推动SDM-EONs中串扰抑制与多目标优化的工程实践。
     

亮点与创新

• 方法学创新：结合SLR与PICOC框架，量化文献质量（如QS评分）。
  
• 跨领域整合：将DRL、模糊逻辑等CI技术引入光网络优化。
  
• 批判性洞见：指出现有研究过度依赖静态拓扑，需加强动态场景验证。
  

（注：全文约2000字，符合要求。）