CN101442835B - 基于模糊控制器的移动互联网终端的优化方法 - Google Patents

Abstract

本发明涉及一种基于模糊控制器的移动互联网终端的优化方法，具体的说是在第三代、第四代无线网络中移动互联网终端的优化技术。该方法采用模糊控制器调整优化参数，所述模糊控制器包括四个单元，分别是模糊化、模糊规则、隶属函数和解模糊化；所述模糊控制器采用遗传算法进行自我学习，并调整所述各单元的参数；所述遗传算法的输入为用户满意度，以所述用户满意度为判据，所述遗传算法用于优化所述模糊化、模糊规则、隶属函数和解模糊化；所述模糊控制器的输入还包括用户选择的参数；所述模糊控制器输出控制量，向MID发出命令；所述用户满意度和所述用户选择的参数均由用户在MID上设置，并由MID接口发出。

Description

基于模糊控制器的移动互联网终端的优化方法

技术领域

本发明涉及一种基于模糊控制器的移动互联网终端的优化方法，具体的说是在第三代、第四代无线网络中移动互联网终端的优化技术。

背景技术

第三代、第四代无线网络也称3G、4G。移动互联网终端通常通过不同的无线网络访问互联网，如WiFi、GSM、3G(包括TD-SCDMA，WCDMA，CDMA2000，WiMax等)，3G LTE和4G等。终端移动到不同区域将根据网络覆盖不同选择不同的无线网络。如何选择一个网络，以满足客户在服务质量、速度、成本、安全和能耗的要求，成为一个关键的技术。

移动网络设备(MID)是一款具有无线互联网接入的多媒体手提计算机。早期MID指由英特尔针对消费者开发的超级移动式计算机(UMPC)，通常专为有移动使用需求的专业人士设计的，而现在的MID是指所有能够上网环境的移动终端，尤其是指通过高速接入，如3G，3G LTE和4G，的移动终端。

发明内容

本发明的目的在于帮助用户在考虑速度、价格和安全的基础上，选择最合适的互联网流量，提供一种基于模糊控制器的移动互联网终端的优化方法。本发明基于采用遗传算法的模糊控制器和自我学习算法，以用户满意度为基础，利用遗传算法优化的自动模糊逻辑来优化网络参数配置。

按照本发明提供的技术方案，一种基于模糊控制器的移动互联网终端的优化方法，采用模糊控制器调整优化参数，所述模糊控制器包括四个单元，分别是模糊化、模糊规则、隶属函数和解模糊化。

所述模糊控制器采用遗传算法进行自我学习，并调整所述各单元的参数。

所述遗传算法的输入为用户满意度，以所述用户满意度为判据，所述遗传算法用于优化所述模糊化、模糊规则、隶属函数和解模糊化。

所述模糊控制器的输入还包括用户选择的参数。

所述模糊控制器输出控制量，向MID发出命令。

所述用户满意度和所述用户选择的参数均由用产在MID上设置，并由MID接口发出。

所述模糊控制器发出的命令，根据不同目的为改变无线通信流量的命令、无线网络转换的命令，或对显示、时钟及电源管理的控制命令。

本发明具有以下优点：根据用户的满意度，用一种优化的遗传算法实现模糊控制器三个核心过程，模糊化，推理引擎和去模糊化；模糊控制器根据用户满意度的变化进行调整，以满足用户对速度、价格、安全等的需求。

附图说明

图1为采用模糊控制器优化移动互联网终端的原理图。

图2为被编码的变量的坐标图。

图3为隶属函数的编码方式。

具体实施方式

下面结合附图和实施例对本发明作进一步说明。

本发明根据用户的满意度，采用一种优化的遗传算法实现模糊控制器三个核心过程：模糊化，推理引擎和去模糊化。模糊控制器将根据用户满意度的变化进行调整，以满足用户对速度、价格、安全等的需求。

如图1所示，一种实施方式为：(1)处是MID接口发出的所述用户选择的参数，即为用户需求的速度、价格、安全性参数，这些参数都有不同的档次(如高、中、低)。(2)处是模糊控制器输出的控制量，也即是模糊控制器向MID发出的命令。(3)处是MID接口发出的用户满意度，也是遗传算法的输入。

所述模糊控制器包括四个单元，分别是模糊化、模糊规则、隶属函数和解模糊化，采用模糊控制器调整优化参数。模糊控制器采用遗传算法进行自我学习，并调整所述各单元的参数。所述遗传算法以所述用户满意度为判据，调整模糊控制器中不同的模糊化、模糊规则、隶属函数和解模糊化，以适应目前的网络状况。所述模糊控制器的输入还包括用户选择的参数。所述模糊控制器输出控制量，向MID发出命令。

所述用户满意度是输出期望值。所述用户满意度和所述用户选择的参数均由用户在MID上设置，并由MID接口发出。

图1是基于用户需求通过一个优化的遗传算法实现的具有自我学习能力的模糊控制器来控制MID。

隶属函数：我们选择了一种基于横坐标差值的二进制编码方式。被编码的变量是在一个狭窄的横坐标区间[a，b]中，如图2所示。优化后的模糊控制器在中间是三角形，两端是梯形。图2中的d₁，d₂，d₃，…是待优化的参数。其中，d₁，d₂，d₃，…满足

d₁+…+d₅≤(b-a)

根据上述的隶属函数的设计我们有如图3所示的染色体的编码方式。其中b_i是模糊规则的编号，cm，[a，b](d)是具有如下格式的隶属函数。其中x₁，x₂，…，x_n是横坐标x轴上的n个数值，x₁≤x₂≤…≤x_n。

${\mathrm{\&mu;}}_{A_1}\left(x\right)=\left\{\begin{array}{cc}0,& x<x_1\\ \frac{x_2-x}{x_2-x_1},& x_1\&le;x\&le;x_2\\ 0,& x>x_2\end{array}\right.$

${\mathrm{\&mu;}}_{A_i}\left(x\right)=\left\{\begin{array}{ccc}0,& x<x_i& \\ \frac{x-x_{i-1}}{x_i-x_{i-1}},& x_{i-1}\&le;x\&le;x_i& i=2,...,n-1\\ \frac{x_i+1-x}{x_{i+1}-x_i},& x_i\&le;x\&le;x_{i+1}& \\ 0,& x>x_{i+1}& \end{array}\right.$

${\mathrm{\&mu;}}_{A_n}\left(x\right)=\left\{\begin{array}{cc}0,& x<x_{n-1}\\ \frac{x-x_{n-1}}{x_n-x_{n-1}},& x_{n-1}\&le;x\&le;x_n\\ 0,& x>x_n\end{array}\right.$

模糊规则编码：

我们使用基数n的染色体的编码方式对模糊规则进行编码。其中N_e个输入，每个输入包含N_te项语言规则。N_s个输出，每个输出包含N_ts项语言规则。模糊规则定义如下：

规则i₁，i₂，…，i_Ne：如果(X₁是A_1i1)和…和(X_Ne是A_Nei Ne)，

则(Y₁是Y_1i1)和…和(Y_Ns是A_Nsi Ns)。

该模糊规则被编码成基数为N_ts+1的代码B_j，其形式为B₁…B_j…B_NS。

每个代码B_j个N_te ^Ne个基数为N_ts+1的数字组成。而第j个输出的模糊规则被编码成如下：

$R_{1...1}^j,...,R_{N_{\mathrm{ie}}...N_{\mathrm{ie}}}^j$

其中

(i1＝1，…，N_te，…，i_Ne＝1，…，N_te)是基数为N_ts+1的数字。

解模糊化函数：

解模糊化将使用在如下的M-SLIDE方法：

M-SLIDE $T_i=\left\{\begin{array}{cc}1-\mathrm{\&beta;},& (i\&NotElement;M)\\ 1+\mathrm{\&beta;}{\mathrm{\&Sigma;}}_{j\&NotElement;m}\frac{{\mathrm{\&mu;}}_B\left(y_j\right)}{H\left(B\right)},& (i\&Element;M)\end{array}\right.$

其中M定义为

M＝{i|μ_B(y_i)＝H(B)}，i＝1，…，n

H定义为

H(B)＝max{μ_B(y_i)}，i＝1，…，n

B是在Y＝{y₁，y₂，…，y_n}域上具有隶属函数μ_B一个子集。其定义为

$B=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&mu;}}_B\left(y_i\right)/y_i$

其中β染色体的编码方式为实数。

遗传算法操作：

由于该优化算法包含三种不同的染色体的编码方式，因此该算法包含三种不同的遗传算法操作：

·标准二进制交叉和变异用于模糊化和解模糊化

·基数为N的交叉和变异用于模糊规则

·实数交叉和变异用于解模糊化

遗传算法评价函数：

假设矢量

$\stackrel{\&RightArrow;}{E}={(E_1,E_2,...,E_{N_e})}^T$

是该模糊控制器的输入，

$\stackrel{\&RightArrow;}{S}={(S_1,S_2,...,s_{N_e})}^T$

是该模糊控制器的输出。如果每个E_i在[a_i，b_i]间，则矢量E是N_e维空间R^Ne的一个方块H_e。矢量E是N_s维空间R^Ns的一个方块H_s。模糊控制器定义了一个空间R^Ne到空间R^Ns的函数f。而该函数由模糊控制器用于前述构建隶属函数，模糊规则和解模糊化加起来的N_p个参数决定。该N_p个参数用矢量P表示。则函数f定义如下：

$f:H_e\&times;R^{N_p}\&RightArrow;H_s$

$(\stackrel{\&RightArrow;}{E},\stackrel{\&RightArrow;}{P})\&RightArrow;\stackrel{\&RightArrow;}{S}$

为评估一个由矢量P构造的模糊控制器，我们给该控制器输入矢量E_k得到输出矢量S_k，如果期望的输出是S_k’则遗传算法评价函数为

$\mathrm{Eval}\underset{k=1}{\overset{l}{\mathrm{\&Sigma;}}}\left|\right|{\stackrel{\&RightArrow;}{S}}_k^l-f({\stackrel{\&RightArrow;}{E}}_k,\stackrel{\&RightArrow;}{P})\left|\right|$

本发明还可以应用于其他方面的MID的应用，如电池续航时间控制，使用本发明来优化移动网络终端的能耗。

在这个应用中，(1)处模糊控制器的输入，即MID接口发出的所述用户选择的参数是电池的续航时间(分为长、中、短)。(2)处是模糊控制器输出的控制量则是对显示、时钟及电源管理的控制。(3)处是MID接口发出的用户满意度，用于作为遗传算法的判据。

除上述两种情况，本发明还可以应用于任何类型的移动网络终端或3G手机、平板显示设备等。

Claims (2)

1.一种基于模糊控制器的移动互联网终端的优化方法，其特征是：采用模糊控制器调整优化参数，所述模糊控制器包括四个单元，分别是模糊化、模糊规则、隶属函数和解模糊化；

所述模糊控制器采用遗传算法进行自我学习，并调整所述各单元的参数；

所述遗传算法的输入为用户满意度，以所述用户满意度为判据，所述遗传算法用于优化所述模糊化、模糊规则、隶属函数和解模糊化；

所述模糊控制器的输入还包括用户选择的参数；

所述模糊控制器输出控制量，向移动网络设备MID发出命令；

所述用户满意度和所述用户选择的参数均由用户在MID上设置，并由MID接口发出。

2.根据权利要求1所述的基于模糊控制器的移动互联网终端的优化方法，其特征在于，所述模糊控制器发出的命令，根据不同目的为改变无线通信流量的命令、无线网络转换的命令，或对显示、时钟及电源管理的控制命令。

Images