CN102238670A - 下一代互联网中多用户移动终端向接入网切换方法 - Google Patents

Abstract

本发明提供一种下一代互联网中多用户移动终端向接入网切换方法，采用智能算法在一定时间内找到满足要求的可行解：多个移动终端在多个接入网中做出切换决策，需要得到同时满足多个用户的特殊需求，包括用户QoS需求、用户对网络供应商和网络编码方式的偏好、用户运动速度和移动终端电池电量对于网络覆盖范围的偏好等，实现每个提出切换请求的用户在用户效用和网络效用上的优化，且均衡用户和网络双方的利益。

Description

下一代互联网中多用户移动终端向接入网切换方法

技术领域 本发明涉及互联网领域，尤其涉及下一代互联网中多用户移动终端向接入网切换的方法。

背景技术

随着社会的进步，技术的发展，人们的需求不断增加，不时变化的需求驱动着互联网的高速发展。1996年，美国国家科学基金会设立了下一代互联网(Next Generation Internet，NGI)研究计划，与此同时，美国的几十所学校也发起了下一代互联网项目。随后，欧洲各国，日本等也迅速推出自己的下一代互联网计划，我国也于1998年开始了NGI的研究。在中国，对于下一代互联网的研究是十分必要的。首先，是国民经济发展的需要。启动下一代互联网的研究、开发和建设，可以推进国家信息基础设施的建设，提供给网络设备制造商新的发展机遇，给国家的信息服务产业带来巨大的发展空间。其次，是社会发展的需要。例如电子政务和社会公共基本保障系统都需要安全可靠的网络基础设施和多样化的应用服务。再次，是国防和国家安全的需要。未来的国家信息安全保障，国家重大的基础设施等都依赖于高可靠、可信赖的复杂网络环境。

下一代互联网是一个建立在IP技术基础上的新型公共网络，能够容纳各种形式的信息，在一个统一的管理平台之下，实现音频、视频、数据信号的传输和管理，提供各种宽带应用和传统电信业务，是一个真正实现宽带窄带一体化、有线无线一体化、有源无源一体化、传输接入一体化的综合业务网络。在NGI的异构网络环境下，移动终端用户的切换决策就是这样一个多目标决策问题。在切换决策过程中，需要综合权衡多个方面的因素。例如，对于用户来说，好的切换决策最基本的要满足应用的QoS需求，其次还要保证服务的价格在用户可以接受的范围内，并且价格尽可能的低，另外也需要尽可能的考虑到用户的移动终端的状态等；对于网络一方来说，好的切换决策要能够最大化已有网络资源的利用率，使网络资源发挥最大的作用，从而从经济上最小化供应商的成本投入，最大化供应商的盈利等。

混合杂草入侵及粒子群优化算法(Hybrid IWO/PSO Algorithm)是在入侵杂草优化算法(Invasive Weed Optimization，IWO)的基础上加入了粒子群算法(Particle Swarm Optimize，PSO)的粒子更新操作。IWO算法是借鉴了农业生产中杂草的特性。杂草是入侵性极强，生命力旺盛的植物，对农业生产是具有危害性的，千百年来不曾灭绝，杂草体现了很好的鲁棒性和对于外部环境极强的适应性。适应性越强的杂草能够不断地繁殖更多的个体，占领有限的土地，并且在多代的繁殖过程中，能够根据外部环境的变化来改变自身的基因，使自己具有更好的适应性。算法中将固定规模的种群看作是一块大小有限的土地，通过模拟杂草的上述特性来完成寻优过程，将具有较好目标函数值的个体看作是具有优质基因生命力强的杂草，使得这样的个体能够在多次迭代中保存下来，并在规模有限的种群中占据较多位置，甚至像杂草改变自身基因适应外部环境变化一样使其不断地进行自身的优化。算法的基本过程包括根据个体的适值函数值的优劣进行个体的繁殖产生种子，产生种子的多少与个体的优劣有关，这符合农业生产中生命力顽强的物种能够更多地占有有限的资源，对克隆产生的种子进行空间扩散操作将种子分散到解空间中，将产生的种子加入到种群，当种群中个体数达到最大值时，通过竞争排斥，保留适值函数值较优的个体，这一点符合杂草优胜劣汰的特性。

IWO/PSO算法是在IWO算法进行克隆操作产生种子后，对种子进行PSO算法中的粒子位置更新操作，如式(1)和(2)，这样能够把种子个体按照最优解的方向分配到解空间中，使算法获得更好的性能。设X_i为粒子i的当前位置，V_i为粒子i的当前位置，P_i为粒子i所经历的最好位置，也就是粒子i所经历过的具有最好适应值得位置，称为个体最好位置。对于最小化问题，目标函数值越小，对应的适应值越好。设群体中的粒子数为s，群体中所有的粒子所经历过的最好位置P_g(t)，称为全局最好位置。

V_ij(t+1)＝V_ij(t)+C₁R_1j(t)(P_ij(t)-X_ij(t))+C₂R_2j(t)(P_gj(t)-X_ij(t))    (1)

X_ij(t+1)＝X_ij(t)+V_ij(t+1)                                           (2)

其中：下标“j”表示粒子的第j维，“i”表示粒子i，t表示第t代，C₁、C₂为加速常数，通常在0～2间取值，r₁～U(0，1)，r₂～U(0，1)为两个相互独立的随机函数。

从上述粒子进化方程可以看出，C₁调节粒子飞向自身最好位置方向的步长，C₂调节粒子向全局最好位置飞行的步长。为了减少在进化过程中，粒子离开搜索空间的可能性，v_i，s通常限定于一定范围内，即v_i，s∈[-v_max，v_max]。如果问题的搜索空间限定在[-x_max，x_max]内，则可设定v_max＝k·x_max，0.1≤k≤1.0。

基本粒子群算法的初始化过程为：

1)设定群体规模N

2)对任意i，j，在[-x_max，x_max]内服从均匀分布产生x_ij；

3)对任意i，j，在[-v_max，v_max]内服从均匀分布产生v_ij；

4)对任意i，设y_i＝x_i。

基本粒子算法流程如下：

步骤1，依照初始化过程，对粒子群的随机位置和速度进行初始设定；

步骤2，计算每个微粒的适应值；

步骤3，对于每个粒子，将其适应值与所经历过的最好位置P_i的适应值进行比较，若较好，则将其作为当前的最好位置；

步骤4，对每个粒子，将其适应值与全局所经历的最好位置P_g的适应值进行比较，若较好，则将其作为当前的全局最好位置；

步骤5，根据方程式(1)，(2)对粒子的速度和位置进行进化；

步骤6，如未达到结束条件通常为足够好的适应值或达到一个预设最大代数，则返回步骤2。

发明内容

基于混合入侵杂草及粒子群优化算法，本发明提供一种下一代互联网中多用户移动终端向接入网切换方法，在一定时间内找到满足要求的可行解：N个移动终端向M个接入网切换，需要得到同时满足多个用户的特殊需求，包括应用的QoS需求，用户期望的服务花费等，且双方效用最优。随着M和N的增大，解空间也扩大，逐一比较解空间内的所有取值来获得最优切换方案是不可取的，本发明方法实现每个提出切换请求的用户在用户效用和网络效用优化，且均衡用户和网络双方的利益，优化目标具体表示如式(3)～(7)所示。

$\mathrm{Maximize}:{\mathrm{uu}}_{t_{j}j}---\left(3\right)$

$\mathrm{Maximize}:{\mathrm{nu}}_{t_{i}j}---\left(4\right)$

$\mathrm{Maximize}:\underset{t=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{uu}}_{t_{i}j}---\left(5\right)$

$\mathrm{Maximize}:\underset{t=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{nu}}_{t_{i}j}---\left(6\right)$

$\mathrm{Maximize}:\underset{t=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{M}{\mathrm{\Σ}}}{\mathrm{uu}}_{t_{i}j}+{\mathrm{nu}}_{t_{i}j}---\left(7\right)$

其中

和

表示移动终端，移动终端t的应用类型为AT_i，选择接入网j时的移动终端用户效用和网络效用，t满足移动终端用户的QoS需求。

下一代互联网中多用户移动终端向接入网切换的方法具体包括如下步骤：

步骤1：初始化：

初始化种群规模S，算法迭代次数上限iter_max，最大种群规模p_max，学习因子c₁和c₂，惯性权重ω。

设定种群规模为S，每个个体

对应问题的一个解，表示N个移动终端向M个接入网切换的一种切换方案。

每个个体的每一维

表示移动终端t切换到接入网AN_qt，且接入网为移动终端提供的服务等级为sl_qt。其中，AN_qt的取值范围是[0，M-1]之间的整数；sl_qt的取值范围是[0，|SL|-1]之间的整数，其中，SL为服务等级集合。

步骤2：随机生成初始种群：

随机为种群X₀的每个抗体的每一维赋值，iter＝0。

步骤3：寻求最优个体；

步骤31：计算种群X_iter中每个个体的适值函数值，适值函数如下

计算适值函数值的过程按以下步骤进行：

步骤3.1.1：对个体进行可行性判断，过程如下：

步骤3.1.1.1：令t＝1。

步骤3.1.1.2：判断移动终端t和接入网AN_qt的相关参数是否满足以下条件：

其中，表示接入网AN_qt所支持的应用类型的集合，TAS_t表示移动终端t所支持的应用类型的集合，

是接入网j支持的编码制式集合，MCS_t为移动终端t支持编码制式集合，CV_t表示移动终端t的运动速率，

代表接入网j的支持移动终端最大移动速率，

是接入网发出信号的最低强度，RS_t表示移动终端t接收信号强度下限，WF_t移动终端t工作频率，

为接入网j的频谱范围，

表示该服务策略的单位时间单位带宽价格，单位时间单位带宽用户可接受最高价格为HP_ti，

表示剩余带宽阈值，

为接入网的剩余带宽，

是接入网提供的带宽区间上限。

如果满足，则移动终端t的切换方案可行，为该移动终端预分配带宽资源，令

如果不满足，则个体

是一个不可行解，跳至步骤3.1.1.4。

步骤3.1.1.3：t＝t+1，如果t≤N跳至步骤2；如果t＞N，则个体

是一个可行解。

步骤3.1.1.4：令每一个接入网的剩余带宽值复位，用于对以后个体的可行性判断。

步骤3.1.2：对可行解个体的每一维对应的移动终端和接入网进行博弈分析，更新博弈因子Ω。

步骤3.1.3：根据适值函数公式计算个体的适值函数值。

步骤3.2：计算种群中最大和最小的适值函数值f_max和f_min。

步骤3.3：选取种群中适值函数值最大的个体作为历史最优解，保存为<P_AN_g，P_sl_g>。

步骤3.4：将种群X_iter中的每一个个体作为种群W中的一员，对种群W中的每个个体w，执行以下操作：

步骤3.4.1：<P_AN^w，P_sl^w>保存为个体w经历过的最优位置。

步骤3.4.2：根据个体w的适值函数值计算产生种子数num_w。

计算产生种子数：将种群中每个个体的适值函数值排序，最大的适值函数值为f_max，对应的繁殖种子数为num_max，最小的适值函数值为f_min，对应的繁殖种子数为num_min，每个个体繁殖种子数num_i由其适值函数值决定，

${\mathrm{num}}_i=\frac{{\mathrm{num}}_{\max }-{\mathrm{num}}_{\min }}{f_{\max }-f_{\min }}\&CenterDot;f_i+\frac{{\mathrm{num}}_{\min }{f}_{\max }-{\mathrm{num}}_{\max }{f}_{\min }}{f_{\max }-f_{\min }}---\left(9\right)$

步骤3.4.3：产生num_w个种子，对于每个种子根据公式(10)～(13)，计算速度，完成位置更新操作。

(a)计算速度

为[0，1]之间随机数，<P_AN_g，P_sl_g>表示当前获得的历史最优解，<P_AN^q，P_sl^q>表示第q个个体达到的最优解，个体q的第s个种子的第t维的速度计算如式(10)和(11)。

(b)更新位置操作

按照式(12)和(13)，根据粒子当前位置和速度，完成粒子位置更新。

步骤3.4.4：执行空间扩散操作。

a)计算正态分布的标准差

${\mathrm{\&sigma;}}_{\mathrm{iter}}=\frac{{({\mathrm{iter}}_{\max }-\mathrm{iter})}^n}{{\left({\mathrm{iter}}_{\max }\right)}^n}({\mathrm{\&sigma;}}_{\mathrm{initial}}-{\mathrm{\&sigma;}}_{\mathrm{final}})+{\mathrm{\&sigma;}}_{\mathrm{final}}---\left(14\right)$

b)更新个体位置

步骤3.4.5：将产生的种子加入到种群W中。

步骤3.5：判断种群W中的个体数，如果大于p_max，则执行竞争排斥。将种群W中个体按适值函数值大小排序，删除适值函数值较小的个体，直到种群W的个体数等于p_max。

步骤4：判断是否达到最大迭代次数，若是，则在种群中选择适值函数值最优的个体作为最终解，算法结束。若不是，则跳至步骤3。

有益效果：

在下一代互联网中移动终端向接入网切换时，本发明方法实现每个提出切换请求的用户在用户效用和网络效用优化，且均衡用户和网络双方的利益，采用智能算法在一定时间内找到满足要求的可行解。多个移动终端在多个接入网中做出切换决策，需要得到同时满足多个用户的特殊需求，包括用户QoS需求、用户对网络供应商和网络编码方式的偏好、用户运动速度和移动终端电池电量对于网络覆盖范围的偏好等，得到双方效用最优的切换方案。

附图说明

图1本发明实施例的种子繁殖曲线图；

图2本发明实施例的流程图；

图3本发明实施例双方效用和比较；

图4本发明实施例网络方效用和比较；

图5本发明实施例用户方效用和比较；

图6本发明实施例用户QoS满意度比较；

图7本发明实施例用户价格满意度比较；

图8本发明实施例供应商偏好度比较；

图9本发明实施例用户的编码方式偏好满意度比较；

图10本发明实施例速度适合度比较；

图11本发明实施例高速用户满足率比较；

图12本发明实施例电池电量适合度比较；

图13本发明实施例低电量用户满足率比较；

图14本发明实施例运行时间比较。

具体实施方式

下面结合附图和仿真过程对本发明进行详细说明。

本实施例是通过在Linux虚拟机下采用开放源代码的网络模拟软件NS2(NetworkSimulator 2)实现移动终端和接入网的切换。NS2是一个离散事件模拟器，其中包含一个虚拟时钟，所有的模拟都由离散事件驱动进行。

使用NS2进行网路模拟仿真的基本操作流程如图2所示，整个仿真过程主要包括三部分：

1、修改源代码：修改源代码只在需要时进行，NS2是采用C++和OTcl两种语言编写的，在修改源代码时，应修改相应的OTcl代码。

2、编写Tcl模拟脚本：Tcl代码是描述网络结构、网络构件属性和控制调度网络模拟事件的启停过程。

3、分析结果：结果分析是仿真过程的核心，在熟悉Trace文件的结构的基础上对结果文件进行分析并根据分析结果数据绘制汇总表。

本实施例所使用的数据结构和函数由两部分组成：一是后台的类和函数，用C++实现，二是前台的类和模块，用Otcl语言实现，下面分别进行介绍。

(1)主要C++类和函数

后台类(即C++中的类)见表1，主要分为4个部分：用于描述网络拓扑的相关信息、用于描述移动终端的相关信息、用于描述各应用类型对应的QoS需求和QoS参数的权重和用于描述算法中的个体定义。

后台函数(即C++中的函数)见表2，主要包括随机产生切换用户的函数、算法中需要用到的各种随机数函数、用于效用计算的相关评价函数、解的可行性判断和切换决策算法主体函数等。

表1 主要C++类及功能

表2 主要C++函数及功能

(2)主要Otcl类和模块

Otcl类的主要功能是运动场景的建立、配置和模拟，并与C++的后台算法通信，将拓扑信息以及用户接入信息返回前台的图形界面。Otcl类采用TclCL机制进行通信，使C++能直接调用Otcl解释器的功能，Otcl和C++互相直接操作对方定义的数据，主要的Otcl模块及功能如表3所示。

表3 主要的Otcl模块及功能

下一代互联网中多用户移动终端向接入网切换决策方法，具体按如下步骤执行：

步骤1：初始化：

初始化种群规模S，算法迭代次数上限iter_max，最大种群规模p_max，学习因子c₁和c₂，惯性权重ω。

设定种群规模为S，每个个体

对应问题的一个解，表示N个移动终端向M个接入网切换的一种切换方案。

每个个体的每一维表示移动终端t切换到接入网AN_qt，且接入网为移动终端提供的服务等级为sl_qt。其中，AN_qt的取值范围是[0，M-1]之间的整数；sl_qt的取值范围是[0，|SL|-1]之间的整数。

步骤2：随机生成初始种群：

随机为种群X₀的每个抗体的每一维赋值，iter＝0。

步骤3：寻优过程：

步骤3.1：计算种群X_iter中每个个体的适值函数值，适信函数

计算适值函数值的过程按以下步骤进行：

步骤3.1.1：对个体进行可行性判断，过程如下：

步骤3.1.1.1：令t＝1。

步骤3.1.1.2：判断移动终端t和接入网AN_qt的相关参数是否满足以下条件：

如果满足，则移动终端t的切换方案可行，为该移动终端预分配带宽资源，令

如果不满足，则个体

是一个不可行解，跳至步骤3.1.1.4。

步骤3.1.1.3：t＝t+1，如果t≤N跳至步骤2；如果t＞N，则个体

是一个可行解。

步骤3.1.1.4：令每一个接入网的剩余带宽值复位，用于对以后个体的可行性判断。

步骤3.1.2：对可行解个体的每一维对应的移动终端和接入网进行博弈分析，更新博弈因子Ω。

步骤3.1.3：根据适值函数公式计算个体的适值函数值。

步骤3.2：计算种群中最大和最小的适值函数值f_max和f_min。

步骤3.3：选取种群中适值函数值最大的个体作为历史最优解，保存为<P_AN_g，P_sl_g>。

步骤3.4：将种群X_iter中的每一个个体作为种群W中的一员，对种群W中的每个个体w，执行以下操作：

步骤3.4.1：<P_AN^w，P_sl^w>保存为个体w经历过的最优位置。

步骤3.4.2：根据个体w的适值函数值计算产生种子数num_w。

计算繁殖种子数：将种群中每个个体的适值函数值排序，最大的适值函数值为f_max，对应的繁殖种子数为num_max，最小的适值函数值为f_min，对应的繁殖种子数为num_min，每个个体繁殖种子数num_i由其适值函数值决定，种子繁殖曲线如图1所示，

${\mathrm{num}}_i=\frac{{\mathrm{num}}_{\max }-{\mathrm{num}}_{\min }}{f_{\max }-f_{\min }}\&CenterDot;f_i+\frac{{\mathrm{num}}_{\min }{f}_{\max }-{\mathrm{num}}_{\max }{f}_{\min }}{f_{\max }-f_{\min }}---\left(9\right)$

步骤3.4.3：产生num_w个种子，对于每个种子根据公式(10)～(13)，计算速度，完成位置更新操作。

(a)计算速度

为[0，1]之间随机数，<P_AN_g，P_sl_g>表示当前获得的历史最优解，<P_AN^q，P_sl^q>表示第q个个体达到的最优解，个体q的第s个种子的第t维的速度计算如式(2.6)和(2.7)。

(b)更新位置操作

按照式(12)和(13)，根据粒子当前位置和速度，完成粒子位置更新。

步骤3.4.4：执行空间扩散操作。

a)计算正态分布的标准差

${\mathrm{\&sigma;}}_{\mathrm{iter}}=\frac{{({\mathrm{iter}}_{\max }-\mathrm{iter})}^n}{{\left({\mathrm{iter}}_{\max }\right)}^n}({\mathrm{\&sigma;}}_{\mathrm{initial}}-{\mathrm{\&sigma;}}_{\mathrm{final}})+{\mathrm{\&sigma;}}_{\mathrm{final}}---\left(14\right)$

b)更新个体位置

步骤3.4.5：将产生的种子加入到种群W中。

步骤3.5：判断种群W中的个体数，如果大于p_max，则执行竞争排斥。将种群W中个体按适值函数值大小排序，删除适值函数值较小的个体，直到种群W的个体数等于p_max。

步骤4：判断是否达到最大迭代次数，若是，则在种群中选择适值函数值最优的个体作为最终解，算法结束。若不是，则跳至步骤3。

设定本发明提出的基于混合入侵杂草及粒子群优化算法的多用户移动终端向接入网切换方法为方法1，作为基准算法1的基于VIKOR排序方法的切换方法为方法2，作为基准算法2的基于效用与博弈的切换方法为方法3。种子繁殖曲线如图1所示。

设定相同的随机函数种子，分别针对用户数为3、5、10、20、30、50的情况对切换决策方法1、2、3执行500次，分别计算每个评价指标的平均值进行比较。

(1)效用值

由图3至图5可以看出，方法1在网络方和用户方效用两个方面均高于方法2和方法3。方法2考虑了QoS参数、价格、网络负载、覆盖范围等参数，方法3考虑了QoS参数、网络负载和用户运动速度状况，这两种方法都缺少对用户偏好的考虑，获得的效用要小于方法1。随着切换用户数量的增多，由于网络资源有限，用户之间存在资源的竞争，用户提出的QoS请求，特殊的偏好等不能完全得到满足，因此网络方和用户方的效用均有小幅的下降，其中方法2的下降幅度不明显。

(2)用户QoS满意度

由图6可以看出，方法3能够得到最高的用户QoS满意度，方法1比方法3的用户QoS满意度低一些，方法2的用户QoS满意度最低。

产生该结果的原因主要是因为方法3是在不考虑价格因素的前提下，实现QoS效用最大，因此多数情况下会选择低于用户最高可接受价格的服务等级之中能够提供最高QoS的服务策略，而方法2考虑到了价格因素，它的评价指标中将最低价格作为理想解，寻找价格最便宜的服务策略，因此方法2多数情况选择价格较低的、服务等级低的策略，这样的策略提供的QoS较低。方法1是要达到总体效用的最大化，总体效用中同时包含QoS满意度和价格满意度，间接达到了两者的平衡。随着切换用户数量的增加，网络的资源紧张，方法1和方法3的QoS满意度均有所下降，而由于方法2多数情况选择的都是最低等级的服务策略，因此受到的影响较小，下降趋势不明显。

(3)用户价格满意度

由图7可以看出，方法2能够获得最高的价格满意度，方法3的价格满意度最低，方法1的价格满意度居中。这是因为，方法3选取的多是价格较贵的提供较高QoS的服务策略，价格均比较贴近用户的最高可接受价格，因此价格满意度低，而方法2选择的多是价格最便宜的最低等级的服务，因此价格满意度最高，这一趋势与用户的QoS满意度相对应。随着切换用户数量的增加，网络的资源紧张，方法1和方法3选择的服务策略的等级有所下降，因此需要支付的费用有所降低，所以价格满意度均有所上升，而由于方法2多数情况选择的都是最低等级的服务策略，因此受到的影响较小，上升趋势不明显。

(4)用户偏好满意度

由图8和图9可以看出，方法1能够得到较好的用户偏好满意度，而方法2和方法3在决策指标中没有对用户的供应商偏好和编码制式偏好进行考虑，因此，这两个机制的两个用户偏好满意度均较低，而且随着用户数目的增加，变化趋势不明显，方法1由于网络资源的竞争，不能够完全满足用户的偏好需求，因此两个用户偏好满意度都逐渐下降。

(5)移动终端速度适合度

由图10可以看出，方法1的速度适合度最好；方法3在计算网络偏好值时考虑到了移动终端的运动速度，分别针对高速运动和低速运动两种情况设置惩罚系数来影响网络偏好值，因此在此项适合度方面较好；方法2的切换决策指标中没有考虑移动终端的运动速度，因此方法2的此项适合度较差。随着用户数的增加，方法1和方法3的速度适合度均逐步降低，方法2的变化平缓。

图11中的高速用户满足率定义如式(17)，处于高速运动的用户接入到覆盖范围大的接入网能够有效的减少切换发生的次数。

条件1：用户最终选择的目标接入网络的覆盖范围是该用户能够使用的网络中最大的。由图11可以看出，方法1能够保证大多数高速运动用户接入到覆盖范围较大的网络中，以此减少用户的切换次数；方法3在计算网络偏好时对于高速运动的用户，考虑了估计驻留时间，对于驻留时间长的网络给予较大的网络偏好值。但这种选择都是通过追求总体效用最大来间接达到了，随着切换用户数量的增加，资源竞争激烈，在总效用最大的目标下，为了平衡所有影响因子，不能够完全保证将高速运动的用户接入到覆盖范围最大的蜂窝，因此高速用户满足率均有所降低。

(6)移动终端电池电量适合度

由图12可以看出，方法1的电池电量适合度最好；方法3由于在切换决策过程中缺乏对移动终端电池电量因素的考虑，在此项适合度方面较差；方法2的切换决策指标中的网络覆盖范围一项与移动终端的电池电量状态有关，因此方法2的电池电量适合度较好。

图13中的低电量用户满足率定义如式(18)所示，处于低电量状态的用户接入到覆盖范围小的接入网能够降低移动终端的耗电量，延长移动终端的使用时间。

条件2：用户最终选择的目标接入网络的覆盖范围是该用户能够使用的网络中最小的。

由图13可以看出，方法1能够保证大多数低电量用户接入到耗电量较小的网络中，但这种选择是通过追求总体效用最大来间接达到的，随着切换用户数量的增加，资源竞争激烈，在总效用最大的目标下，为了平衡其他效用，不能够做到完全保证低电量用户接入到耗电量小的网络，因此低电量用户满足率降低。

(7)切换决策方法综合对比分析

根据以上各项性能评价指标的比较可知，本发明多用户切换决策方法法在大部分指标上优于两个基准方法。由图14可以看出，方法1运行时间优于方法2和方法3。

方法1适用于对于性能、运行时间和空间占用要求比较均衡的情况，对网络设备的运算速度和空间要求一般。

Claims (5)

1.下一代互联网中多用户移动终端向接入网切换方法，其特征在于：

具体包括如下步骤：

步骤1：初始化：

初始化种群规模S，算法迭代次数上限iter_max，最大种群规模p_max，学习因子c₁和c₂，惯性权重ω；

设定种群规模为S，每个个体

对应问题的一个解，表示N个移动终端向M个接入网切换的一种切换方案；

每个个体的每一维

表示移动终端t切换到接入网AN_qt，且接入网为移动终端提供的服务等级为sl_qt，其中，AN_qt的取值范围是[0，M-1]之间的整数；sl_qt的取值范围是[0，|SL|-1]之间的整数；

步骤2：随机生成初始种群：

随机为种群X₀的每个抗体的每一维赋值，iter＝0；

步骤3：寻求最优个体；

步骤4：判断是否达到最大迭代次数，若是，则在种群中选择适值函数值最优的个体作为最终解，算法结束；若不是，则跳至步骤3。

2.根据权利要求1所述的下一代互联网中多用户移动终端向接入网切换方法，其特征在于：所述步骤3寻求最优个体按如下步骤进行：

步骤3.1：计算种群X_iter中每个个体的适值函数值；

步骤3.2：计算种群中最大和最小的适值函数值f_max和f_min；

步骤3.3：选取种群中适值函数值最大的个体作为历史最优解，保存为<P_AN_g，P_sl_g>；

步骤3.4：将种群X_iter中的每一个个体作为种群W中的一员，对种群W中的每个个体w，执行以下操作：

步骤3.4.1：<P_AN^w，P_sl^w>保存为个体w经历过的最优位置；

步骤3.4.2：根据个体w的适值函数值计算产生种子数num_w；

步骤3.4.3：产生num_w个种子，对于每个种子根据公式(10)～(13)，计算速度，完成位置更新操作；

(a)计算速度

为[0，1]之间随机数，<P_AN_g，P_sl_g>表示当前获得的历史最优解，<P_AN^q，P_sl^q>表示第q个个体达到的最优解，个体q的第s个种子的第t维的速度计算如式(2.6)和(2.7)，

(b)更新位置操作

按照式(12)和(13)，根据粒子当前位置和速度，完成粒子位置更新；

步骤3.4.4：执行空间扩散操作；

a)计算正态分布的标准差

${\mathrm{\&sigma;}}_{\mathrm{iter}}=\frac{{({\mathrm{iter}}_{\max }-\mathrm{iter})}^n}{{\left({\mathrm{iter}}_{\max }\right)}^n}({\mathrm{\&sigma;}}_{\mathrm{initial}}-{\mathrm{\&sigma;}}_{\mathrm{final}})+{\mathrm{\&sigma;}}_{\mathrm{final}}---\left(14\right)$

b)更新个体位置

步骤3.4.5：将产生的种子加入到种群W中；

步骤3.5：判断种群W中的个体数，如果大于p_max，则执行竞争排斥，将种群W中个体按适值函数值大小排序，删除适值函数值较小的个体，直到种群W的个体数等于p_max。

3.根据权利要求2所述的下一代互联网中多用户移动终端向接入网切换方法，其特征在于：所述步骤3.1所述计算种群X_iter中每个个体的适值函数值，按以下步骤进行：

步骤3.1.1：对个体进行可行性判断；

步骤3.1.2：对可行解个体的每一维对应的移动终端和接入网进行博弈分析，更新博弈因子Ω；

步骤3.1.3：根据适值函数公式计算个体的适值函数值。

4.根据权利要求3所述的下一代互联网中多用户移动终端向接入网切换方法，其特征在于：所述步骤3.1.1对个体进行可行性判断的过程如下：

步骤3.1.1.1：令t＝1；

步骤3.1.1.2：判断移动终端t和接入网AN_qt的相关参数是否满足以下条件：

如果满足，则移动终端t的切换方案可行，为该移动终端预分配带宽资源，令如果不满足，则个体

是一个不可行解，跳至步骤3.1.1.4；

步骤3.1.1.3：t＝t+1，如果t≤N跳至步骤2；如果t＞N，则个体

是一个可行解；

步骤3.1.1.4：令每一个接入网的剩余带宽值复位，用于对以后个体的可行性判断。

5.根据权利要求2所述的下一代互联网中多用户移动终端向接入网切换方法，其特征在于：所述步骤3.4.2根据个体w的适值函数值计算产生种子数num_w是：将种群中每个个体的适值函数值排序，最大的适值函数值为f_max，对应的繁殖种子数为num_max，最小的适值函数值为f_min，对应的繁殖种子数为num_min，每个个体繁殖种子数num_i由其适值函数值决定，

${\mathrm{num}}_i=\frac{{\mathrm{num}}_{\max }-{\mathrm{num}}_{\min }}{f_{\max }-f_{\min }}\&CenterDot;f_i+\frac{{\mathrm{num}}_{\min }{f}_{\max }-{\mathrm{num}}_{\max }{f}_{\min }}{f_{\max }-f_{\min }}---\left(9\right).$

Images