基于異構(gòu)無線網(wǎng)絡(luò)的多路存取多單元分布式資源分配方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明數(shù)據(jù)計算機網(wǎng)絡(luò)領(lǐng)域，特別是一種基于異構(gòu)無線網(wǎng)絡(luò)中的多路存取多單元 分布式的資源分配方法。
【背景技術(shù)】
[0002] 如今的無線異構(gòu)網(wǎng)絡(luò)環(huán)境中，在各種多路存取的構(gòu)造特點下，它的復(fù)雜性已經(jīng)W 一種激進的方式在發(fā)展。高效的異構(gòu)無線網(wǎng)絡(luò)中分布式資源分配觀點已經(jīng)被提出，其中多 路存取和多單元的方法正相輔相成地為達到最佳地用戶感知度怕〇巧表現(xiàn)而共存。
[0003] 完整的網(wǎng)絡(luò)可W被認知成一個全球性的，在合理單元內(nèi)部資源分配約束下的優(yōu)化 程序。多路存取的多樣性表現(xiàn)在：通過設(shè)定一個W用戶為中屯、的服務(wù)感知度的標準，使得用 戶對服務(wù)的感知度和滿意度達到最高，從而使網(wǎng)絡(luò)效用得到最大化的體現(xiàn)。
[0004] 如今現(xiàn)有的全求無線網(wǎng)絡(luò)范式，都在促進開發(fā)和建立現(xiàn)有的優(yōu)化工具，來進一步 完善無線資源管理（RRM)。W此為目的，網(wǎng)絡(luò)效用（NUM)已經(jīng)被廣泛地用作衡量資源分配方 法，通過結(jié)合大范圍的無線接入技術(shù)，來設(shè)計模塊化的，分散的，可擴展的網(wǎng)絡(luò)架構(gòu)。
[0005] 遺傳文化社會認知算法（GC巧是一種新型的混合仿生智能優(yōu)化算法。該算法具備 協(xié)同演化的=層空間。首先由基于遺傳算法的微觀層為中間層輸送具備優(yōu)良基因的個體， 位于中間層的個體基于改進的社會認知算法執(zhí)行學(xué)習(xí)演化過程，并提取中間層群體中的知 識到信仰空間，通過知識的積累沉淀，形成文化并指導(dǎo)群體的演化。然后用GCS算法對QoS 感知的云服務(wù)優(yōu)化組合問題進行了求解，通過模擬實驗驗證了GCS算法的可行性和有效 性。GCS算法具有較好的性能，并且可W用來求解其他離散型組合優(yōu)化問題。
[0006] 現(xiàn)有技術(shù)中尚無一種利用遺傳文化認知算法對異構(gòu)無線網(wǎng)絡(luò)分散資源分配的相 關(guān)報道。

【發(fā)明內(nèi)容】

[0007] 本發(fā)明的目的在于提供一種高效、可靠的解決異構(gòu)無線網(wǎng)絡(luò)中的多路存取多單元 分布式資源分配方法。
[0008] 實現(xiàn)本發(fā)明目的的技術(shù)解決方案為：一種基于異構(gòu)無線網(wǎng)絡(luò)的多路存取多單元分 布式資源分配方法，包括W下步驟：
[0009] 步驟1、異構(gòu)無線網(wǎng)絡(luò)收集所設(shè)定區(qū)域內(nèi)所有資源的物理上限，記為Wcmax;
[0010] 步驟2、異構(gòu)無線網(wǎng)絡(luò)收集節(jié)點單元數(shù)量N。和用戶數(shù)量N
[0011] 步驟3、采用遺傳社會認知算法對異構(gòu)無線網(wǎng)絡(luò)進行多路存取多單元分布式資源 分配。具體步驟為：
[0012] 步驟3-1、對算法參數(shù)進行初始化，所述的參數(shù)包括：節(jié)點單元集合C= (Cl,C2...... cj，用戶集合J=a,J'2……jw.，），節(jié)點單元C和它綁定的用戶j所能支配的資源數(shù)量W。,,， 用戶j和單元C之間的信噪比丫。, ,=G。,聲。,,/O2,，其中G。, ,表示長時間通道行為下，用戶j 和單元C之間路徑的收益，Pw表示分配給用戶j到單元C的傳送力，O2j表示移動節(jié)點的 噪聲.
[0013] 步驟3-2、在GCS算法的微觀層，按照基因變異的演化過程，選擇滿足基因 (W…)的個體到GCS算法的中間層；具體為：
[0014] 步驟3-2-1、將異構(gòu)無線網(wǎng)絡(luò)的多路存取多單元分布式資源分配到整個系統(tǒng)，所用 公式為：
(1) (2) (3) (4)
[0019] 式中所用參數(shù)為：Uj(wc，j)為用戶對服務(wù)的滿意程度；當(dāng)用戶j被分配到單元C 時X。,,為1，不然是0 ;公式（1)表示每個和單元聯(lián)系的用戶對服務(wù)滿意程度最大化，公式 (2)表示一個用戶只能和一個單元聯(lián)系，公式（3)表示單元C聚集的資源不能超過固定的上 限 (W,X)為所有可能的資源向量（W,X) = ((W,X) 1，. . .，（W,X)。，. . .，（W,X嚴）的集合， 并且用（W，X)e= ((Wc,i，...，Wc,N,)，（Xc,i，...，Xc,N,))表示每個單元C內(nèi)部的資源分配向量， (w，x)G(W，X)表示問題的最佳解決方案；
[0020] 步驟3-2-2、提出假設(shè)，并對GP問題進行優(yōu)化，所述GP問題為：把用戶分配到網(wǎng)絡(luò) 單元之中，并把它們相應(yīng)的資源最佳地分配到整個系統(tǒng)；所述假設(shè)為：
[0021] 假設(shè)1 :GP問題可行，即永遠有一個向量（取巧能使公式似、公式做成 立；
[0022] 假設(shè)2 :單個移動用戶設(shè)備U,被選擇，W使得下列兩個條件保持：
[002引 （a)U>。,,）是凹形增長的并且兩次連續(xù)可微的在區(qū)間W。,,=扣，W之間 IimU.W-,W-GG；
[0024] (b) -Wc,,U" >c,,) /U' >c,,) > 1 (' 為微分）；
[00巧]假設(shè)3 :假設(shè)單元內(nèi)部的干擾和單元之間的干擾都是相同的接入類型，都是靜態(tài) 的且可W被認為為噪聲，即高斯噪聲，運種假設(shè)不會在不同的無干擾接入方式的共存重疊 的科技單元上強加任何限制；
[0026] 假設(shè)4 :存在一種對每個單元C都有效的資源分配機制，使得每個單元可用的資源 最佳地分配到與之對應(yīng)的用戶集，與假設(shè)1-3相符；
[0027] 對GP問題進行優(yōu)化，將其優(yōu)化為全體禪合問題GD問題，所用公式為：
[0028] 定義和GP問題相關(guān)的拉格朗日函數(shù)，即：
C5)
[0030] 式中參數(shù)含義為：單個移動用戶設(shè)備Uj,y= (yl，…，yNj)為一個拉格朗日乘 數(shù)向量，相當(dāng)于公式（2)的松弛，M*定義為原問題的解得非空的集，為公式（2)中最佳地拉 格朗日乘數(shù)；
[0031] 定義禪合后的問題的目標函數(shù)： (6)
[003引對（6)處理之后即：
巧:)
[0035] 利用上述S個公式對GD問題進行優(yōu)化，結(jié)果為：
(8)
[003引式中參數(shù)含義為：.,I是用戶為了單元C的花費的和， 昨J' maxY0',(u.,. 即單元C的最大收益。 ' -切
[0040] 步驟3-3、在中間層，按照社會認知優(yōu)化算法SCO的流程，將步驟3-2得到的滿足基 因知^C記…廬的個體執(zhí)行群體的認知學(xué)習(xí)過程；具體為；
[0041] 步驟3-3-1、對GD問題進行演繹和分解：
[0042] 將GD分成兩個最優(yōu)的水平，低一點的水平下為單元內(nèi)部最優(yōu)化問題CP問題，所用 公式為：
(9)
[0046] 在高一點的水平下，確定對偶變量向量y，所用公式為：
[0047] minDL(//) =mill乙DL(.") .片 片誠e (10)
[0048] S,/,//G膠-、'。
[0049] 式中參數(shù)含義為：公L'(,沁是聚合的對偶函數(shù)；
[0050] 步驟3-3-2、解決上述問題，針對CP問題，做如下定義：
[0051] 定義1:每個用戶j和一個最小的信噪比水平定義為r,，它決定了由于連接問題 而附加在它上的單元的位置，即：
[005引 & : {c e CI 7w' > r,}，式C C U:D
[0053] 式中參數(shù)含義為：S,表示用戶潛在的依賴程度，&
[0054] 定義2 :定義只有一個子集的用戶可W與單元綁定的集合S。為：
[005引 5,':{'/G'/I六..,，>「，！ >5G../ 02)
[0056] 假設(shè)S。被每個單元C獲取，則S。是一組在單元覆蓋范圍內(nèi)的集合；
[0057] 根據(jù)公式（11)和公式（12)，將問題簡化為下列空間限制的問題，即單元內(nèi)部位置 最佳化問題（CLP)，所用公式為：
(13)
[0060] ay居{(.)，uv/臣'S'.
[0061] 式中參數(shù)含義為：(W，訝嗦示可行解的個體單元集，它表示 (W,X)S(%X) 8,給定一個乘向量= …，A',，在一個給定的時間 間隔t中，（Vl'，X)fs(M'，X)fw,E(W，義)S表示所有系統(tǒng)中單元最佳資源分配向量， ("^記,。=(叫^坤五。，...，抑，邱.二。，...，惦坤沾)是在所有化。問題上特別得到的解；
[006引步驟3-3-3、基于假設(shè)1~假設(shè)3和y，一個改進的等價的且已處理的CLP變形已 經(jīng)被廣泛利用，即：
[0065] 可通過上述公式解出唯一未知的向量是(W)法"=
[0066] 采用次梯度投影法解決公式（10)W及整個GP問題，讓乘數(shù)y被更換至相反方向 的梯度上，VDL(6')V/eJ，所用公式為
(.14)
[0068] 式中參數(shù)含義為：q(t) = ￡，是一個固定標量；
[0069] 將上述公式簡化，可得公式：
t 15)
[0071] 式中參數(shù)含義為：XjS'為聚合的對用戶j中單元的需求；
[007引步驟3-3-4、把（巧）代入（14)中，得：
[0073] （M-1)=八,(7)-講-) (16)
[0074] 完成了對整個問題的最優(yōu)化。
[00巧]步驟3-4、通過SCO算法中的接受函數(shù)將中間層優(yōu)秀的個體作為知識提取到信仰 空間，用更新函數(shù)更新信仰空間里的知識，對知識執(zhí)行基于模仿學(xué)習(xí)的進化操作；
[0076] 步驟3-5、當(dāng)信仰空間里的知識經(jīng)過化代更新后，通過影響函數(shù)來指導(dǎo)中間層群 體的演化，得到