2、MPLS技术:发展、机制与应用

MPLS技术:发展、机制与应用

在技术的发展历程中,有许多技术从最初的鲜为人知逐渐发展成为行业的主流,Multi - Protocol Label Switching(MPLS)就是这样一项技术。在短短几年内,MPLS 已经从一种奇特的技术演变成服务提供商用于创造创收服务的主流工具。

致谢与背景

在这个过程中,有许多人做出了重要贡献。Yakov Rekhter 鼓励相关项目的开展,并在整个写作过程中提供了宝贵的见解,从书籍提案到许多主题的深入讨论,特别是对 L3VPN 中的组播支持以及众多章节的详细技术评审。他对团队能力的信任是推动项目前进的主要因素之一。Aviva Garrett 是第一个听说这个想法的人,她给予鼓励并在 Juniper Networks 内安排了所有必要的支持,还提供了详细的编辑评审。Patrick Ames 指导团队完成了从书籍提案到出版的复杂过程,在必要时提供了精神支持和适当的督促,并且完成了准备手稿(特别是艺术手稿)以供编辑的艰苦工作。

此外,还有众多同事也为相关工作做出了贡献,如 Pedro Marques 对几乎所有章节进行了全面评审,进行了许多技术讨论,并对 VPN 扩展和 RR 扩展进行了分析;Arthi Ayyangar 在 RSVP 和 TE 相关的所有主题上提供了深刻见解,进行了多年的技术讨论,并仔细评审了众多章节等。同时,Juniper Networks 的 Jim Murphy、Rob Enns、Andy Heffernan、Nischal Sheth 和 Hector Avalos 鼓励团队开展项目并提供了必要的资源。最后,Wiley 的 Sarah Hinton、Anna Smart 等团队成员也提供了支持和指导。作者们还向家人和朋

先展示下效果 https://pan.quark.cn/s/a4b39357ea24 遗传算法 - 简书 遗传算法的理论是根据达尔文进化论而设计出来的算法: 人类是朝着好的方向(最优解)进化,进化过程中,会自动选择优良基因,淘汰劣等基因。 遗传算法(英语:genetic algorithm (GA) )是计算数学中用于解决最佳化的搜索算法,是进化算法的一种。 进化算法最初是借鉴了进化生物学中的一些现象而发展起来的,这些现象包括遗传、突变、自然选择、杂交等。 搜索算法的共同特征为: 首先组成一组候选解 依据某些适应性条件测算这些候选解的适应度 根据适应度保留某些候选解,放弃其他候选解 对保留的候选解进行某些操作,生成新的候选解 遗传算法流程 遗传算法的一般步骤 my_fitness函数 评估每条染色体所对应个体的适应度 升序排列适应度评估值,选出 前 parent_number 个 个体作为 待选 parent 种群(适应度函数的值越小越好) 从 待选 parent 种群 中随机选择 2 个个体作为父方和母方。 抽取父母双方的染色体,进行交叉,产生 2 个子代。 (交叉概率) 对子代(parent + 生成的 child)的染色体进行变异。 (变异概率) 重复3,4,5步骤,直到新种群(parentnumber + childnumber)的产生。 循环以上步骤直至找到满意的解。 名词解释 交叉概率:两个个体进行交配的概率。 例如,交配概率为0.8,则80%的“夫妻”会生育后代。 变异概率:所有的基因中发生变异的占总体的比例。 GA函数 适应度函数 适应度函数由解决的问题决定。 举一个平方和的例子。 简单的平方和问题 求函数的最小值,其中每个变量的取值区间都是 [-1, ...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值