CN102394904A - 异构泛在网络环境下的终端聚合系统及方法 - Google Patents

Abstract

本发明涉及无线通信技术领域，公开了一种异构泛在网络环境下的终端聚合系统及方法。根据不同终端能力集合中的终端的个体信息和协同信息，通过TOPSIS多属性决策计算终端与最优终端的贴近度，采用多目标进化算法计算得到一组Pareto最优解集，最后根据对终端个体表现和协同表现的要求，确定所述最优解集中各最优解的综合表现，按照综合表现最大的最优解来选择终端形成聚合终端群。本发明充分考虑了终端的个体能力和协同能力，因而最终形成的聚合终端群的整体效能最优，可有效支持终端聚合问题；此外，本发明还自动确定多指标参数的权重，可以减轻用户负担且通用性较好。

Description

异构泛在网络环境下的终端聚合系统及方法

技术领域

本发明涉及无线通信技术领域，特别涉及一种异构泛在网络环境下的终端聚合系统及方法。

背景技术

随着无线通信技术的迅猛发展和人们对业务需求的不断增加，终端的定义得到极大的扩展，各种终端具有了越来越多的不同的业务能力，如接入能力、计算能力、播放能力甚至供电能力等，因此终端的异构性问题将更加突出。此外，终端发展的另一个趋势是泛在化，即用户周边的终端通过灵活的互联和协同技术实现交互，为用户提供智能化业务。

由于受到硬件复杂度及终端能力的制约，仅具备单一业务能力的终端不能最优地支持所有类型的业务应用，因而需要异构终端之间合作形成逻辑上的终端能力集合，即聚合终端群，以支持内容更加丰富业务应用，最大可能满足用户的业务应用需求。终端聚合首先要解决的问题是从不同业务能力的终端能力集合中，分别选择若干个终端聚合形成一个新的聚合终端群，同时考虑终端的个体能力(可用带宽、剩余能量，覆盖范围，通信费用等)与终端之间的协同能力(连接稳定性、协同功耗、系统容错性等)，在每个终端能力集合中至少选择一个终端，同时要求所形成的聚合终端群具有最优非劣的个体和协同能力。在这种情况下，如何应对终端的业务能力异构性以实现其协同工作进而满足多样化的业务应用需求，对聚合终端系统的有效性和高效性提出了更高要求。

现有的终端聚合方法通常是将多个决策因素线性加权转化为单目标函数，将多目标优化转化为单目标优化，这种方式不可避免地存在一些缺陷：(1)单目标优化只能产生满足约束条件的单目标最优解，不能解决多目标问题，并且各决策因素权重的确定需要用户对问题有一定先验知识，特别是普通用户并不熟悉各个决策因素，很难给出合理的权重；(2)单目标最优解是单一的，用户没有其他选择余地，因此在终端聚合执行过程中发生意外时没有其他可替代方案，而通常情况下，用户更关心能否获得一组可以接受的最优非劣解，根据实际业务应用需求选择最满意的终端聚合方案；(3)终端聚合大多仅考虑终端的个体能力，而缺乏考虑终端之间的协同能力，导致终端聚合整体效能下降。

发明内容

(一)要解决的技术问题

本发明为了解决现有技术中终端聚合未充分考虑多目标协同的问题，提供了一种异构泛在网络环境下的终端聚合系统及方法，在选择聚合终端的同时保证了所形成的聚合终端群具有最优非劣的个体能力和协同能力。

(二)技术方案

为实现上述目的，本发明采用如下技术方案：

一种异构泛在网络环境下的终端聚合系统，所述系统包括：

上下文感知模块，用于获取不同终端能力集合中终端的个体信息和协同信息并提供给聚合决策模块；

多目标模块，根据终端的综合能力将用户聚合需求转化为可衡量的0-1二次整数规划双目标；

聚合决策模块，根据所述上下文感知模块提供的信息以及所述双目标进行决策，获得终端与最优终端的贴近度，通过多目标进化得到系统的一组最优解集；

终端聚合模块，根据对终端个体表现和协同表现的要求，确定所述最优解集中各最优解的综合表现，根据综合表现最大的最优解来选择终端形成聚合终端群。

优选地，所述个体信息包括终端当前状态下的可用带宽、剩余能量、覆盖范围和通信费用信息；所述协同信息包括终端间的连接稳定性、协同功耗、系统容错性和匹配满意度信息。

优选地，所述聚合决策模块根据TOPSIS多属性决策计算的贴近度和来自所述多目标模块的双目标，采用多目标进化算法计算得到一组Pareto最优解集。

优选地，所述聚合决策模块根据规范化后的终端个体信息和协同信息，使用多指标权重生成算法自动生成各指标的权重，并基于TOPSIS多属性决策构架评价终端的最优终端和最差终端，计算各终端到理想最优终端的贴近度。

优选地，所述终端到理想最优终端的贴近度用于衡量选定终端与理论最优终端的贴近程度以及与理论最差终端的远离程度。

更进一步地，本发明还同时提供一种异构泛在网络环境下的终端聚合方法，所述方法包括步骤：

S1，获取不同终端能力集合中终端的个体信息和协同信息；

S2，根据终端的综合能力将用户聚合需求转化为可衡量的0-1二次整数规划双目标；

S3，对所述终端的个体信息和协同信息以及所述双目标进行决策，获得终端与最优终端的贴近度，通过多目标进化得到系统的一组最优解集；

S4，根据对终端个体表现和协同表现的要求，确定所述最优解集中各最优解的综合表现，根据综合表现最大的最优解来选择终端形成聚合终端群。

优选地，步骤S1中，所述个体信息包括终端当前状态下的可用带宽、剩余能量、覆盖范围和通信费用信息；所述系统信息包括终端间的连接稳定性、协同功耗、系统容错性和匹配满意度信息。

优选地，步骤S3中，根据TOPSIS多属性决策计算的贴近度和来自所述多目标模块的双目标，采用多目标进化算法计算得到一组Pareto最优解集。

优选地，所述贴近度的计算具体为：首先根据规范化后的终端个体信息和协同信息，使用多指标权重生成算法自动生成各指标的权重；随后基于TOPSIS多属性决策构架评价终端的最优终端和最差终端，计算各终端到理想最优终端的贴近度。

优选地，所述终端到理想最优终端的贴近度用于衡量选定终端与理论最优终端的贴近程度以及与理论最差终端的远离程度。

(三)有益效果

本发明提出的一种异构泛在网络环境下的终端聚合系统和方法，可根据不同终端能力集合中的终端的个体信息和协同信息进行决策，基于实际业务需求确定最满足用户聚合需求的终端聚合方案，充分考虑了终端的个体能力和协同能力，因而最终形成的聚合终端群的整体效能最优。此外，本发明还自动确定多指标参数的权重，可以减轻用户负担且通用性较好。

附图说明

图1为本发明中的终端聚合系统的模块结构图；

图2为本发明中的终端聚合方法的流程图；

图3为本发明优选的实施例中，多目标算法的流程图；

图4为本发明优选的实施例中，多目标算法进行种群选择的处理流程图；

图5为本发明中异构泛在网络环境下示例性的一个典型终端聚合场景。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明提出了一种异构泛在网络环境下的终端聚合系统和方法，根据不同终端能力集合中的终端的个体信息和协同信息，通过TOPSIS多属性决策计算终端与最优终端的贴近度，采用多目标进化算法计算得到一组具有Pareto最优性的最优解集，再根据对终端个体表现和协同表现的用户偏好和实际业务需要确定最优解的综合表现，选择综合表现最大的最优解来形成聚合终端群。

本发明可有效支持终端聚合问题，其最优解中充分考虑了终端的个体能力和协同能力，因而最终形成的聚合终端群的整体效能最优。此外，解集其他没有被选用的可作为备选方案，在终端聚合执行过程中发生意外时启用。本发明中同时采用多指标权重自生成算法获得各个指标的权重，不需要用户对问题有一定先验知识，特别是普通用户并不熟悉各项指标，很难给出合理的权重，从而可以减轻用户负担，通用性比较好。

如图1所示，本发明中提供一种异构泛在网络环境下的终端聚合系统包括：上下文感知模块，聚合决策模块和多目标模块。

上下文感知模块，一方面探测不同终端能力集合中终端的个体信息(包括可用带宽、剩余能量、覆盖范围和通信费用等)；另一方面，探测终端之间的协同信息(包括连接稳定性、协同功耗、系统容错性和匹配满意度等)。将探测得到的终端个体指标I₁，I₂，...，I_l组成个体能力矩阵D＝[d_ig]_n×l，其中d_ig为终端T_i(i＝1，...，n)在个体指标I_g(g＝1，...，l)下的能力参数；将探测得到的协同指标C₁，C₂，...，C_m组成协同能力矩阵

其中为在协同指标C_k(k＝1，...，m)下终端T_i协同T_j的能力参数，一般情况下，不考虑终端自身的协同能力，即

最终将得到的终端个体信息(个体能力矩阵)和协同信息(协同能力矩阵)发送给聚合决策模块。

多目标模块，通过一定数学建模将用户聚合需求转化为可以衡量比较的0-1二次整数规划双目标。在一般终端聚合情况下，用户更关心能否获得一组可以接受的最优非劣解，因而本发明中根据用户需求和实际业务应用需求确定最满意的终端聚合方案。

聚合决策模块，根据所述上下文感知模块提供的信息以及所述双目标进行决策，获得终端与最优终端的贴近度，通过多目标进化得到系统的一组最优解集。

终端聚合模块，根据对终端个体表现和协同表现的要求，确定所述最优解集中各最优解的综合表现，根据综合表现最大的最优解来选择终端形成聚合终端群。

其中，为了使不同类型指标的参数能够相互比较，聚合决策模块需要先根据参数的特点对其进行无量纲规范化处理。一般来说，根据不同指标的取值特点，将其分成效益型参数、成本型参数、门限型参数及模糊型参数，对不同类型的参数采用不同的归一化公式进行规范化。通过下面的公式规范化D＝[d_ig]_n×l得到其中定义 $d_g^{+}=\max \left\{d_{\mathrm{ig}}\right|i=1,...,n\},g=1,...,l$ 和 $d_g^{-}=\min \left\{d_{\mathrm{ig}}\right|i=1,...,n\},g=1,...,l.$

1、效益型参数：其取值越大越好，典型的如覆盖范围，可用带宽等，使用如下的公式进行规范化：

$d_{\mathrm{ig}}^{\′}=\left\{\begin{array}{ccc}\frac{d_{\mathrm{ig}}-d_g^{-}}{d_g^{+}-d_g^{-}},& \mathrm{if}& d_g^{+}-d_g^{-}\≠0\\ 1,& \mathrm{if}& d_g^{+}-d_g^{-}=0\end{array}\right.$

2、成本型参数：其取值越小越好，典型的如通信费用、传输功耗等，使用如下的公式进行规范化：

$d_{\mathrm{ig}}^{\′}=\left\{\begin{array}{ccc}\frac{d_g^{+}-d_{\mathrm{ig}}}{d_g^{+}-d_g^{-}},& \mathrm{if}& d_g^{+}-d_g^{-}\≠0\\ 1,& \mathrm{if}& d_g^{+}-d_g^{-}=0\end{array}\right.$

3、门限型参数：其取值具有强制性，即必须大于等于(或者小于等于)某一门限值t，典型的如带宽需求，使用如下的公式进行规范化：

$d_{\mathrm{ig}}^{\′}=\left\{\begin{array}{cc}1,& d_{\mathrm{ig}}\≥(\≤)t\\ 0,& d_{\mathrm{ig}}\≤(\≥)t\end{array}\right.$

4、模糊型参数：其通常不便于使用精确的数值来描述，但可以用言语变量描述为“很好”、“一般”、“差”等，典型的如安全性等，对于该类参数，可以借助模糊数学的工具，采用重心法、最大最小值法等方法将其去模糊化，转化为清晰数值。

根据类似于个体能力参数的规范化公式处理

得到

其中

的计算公式类似于个体能力参数

在此不再详述，不同之处在于定义

和 $a_k^{-}=\min \left\{a_{\mathrm{ij}}^k\right|i,j=1,...,n;i\≠j\},k=1,...,m.$

在确定各终端的优劣性时，必须确定影响聚合决策的各项指标的权重，以往通常由用户指定权重，然而这对缺少背景知识的普通用户来说是一件难以完成的工作，为了减少用户负担，本发明优选采用拉格朗日乘法求解各项指标的权重。

即，聚合决策模块根据规范化后的终端的个体信息和协同信息，使用多指标参数权重自动生成算法计算个体指标权重V＝(υ₁，...，υ_l)和协同指标权重W＝(ω₁，...，ω_m)，其中，υ_g为终端个体指标I_g的权重值，ω_k为协同指标C_k的权重值：

${\mathrm{\υ}}_g=\frac{1}{{\mathrm{\Σ}}_{g=1}^l\frac{1}{{\mathrm{\Σ}}_{i=1}^n{(d_{\mathrm{ig}}^{\′}-d_g^{\′+})}^2}\×{\mathrm{\Σ}}_{i=1}^n{(d_{\mathrm{ig}}^{\′}-d_g^{\′+})}^2}$

${\mathrm{\ω}}_k=\frac{1}{{\mathrm{\Σ}}_{k=1}^m\frac{1}{{\mathrm{\Σ}}_{i-1}^n{\mathrm{\Σ}}_{\begin{array}{c}j=1\\ j\≠i\end{array}}^n{(a_{\mathrm{ij}}^{\′k}-a_k^{\′+})}^2}\×{\mathrm{\Σ}}_{i=1}^n{\mathrm{\Σ}}_{\begin{array}{c}j=1\\ j\≠i\end{array}}^n{(a_{\mathrm{ij}}^{\′k}-a_k^{\′+})}^2}.$

然后聚合决策模块根据终端能力信息和各项指标权重，基于TOPSIS多属性决策构架评价终端的最优终端和最差终端，计算各终端到理想最优终端的贴近度。

其中，贴近度是用于衡量选定终端与理论最优解贴近度以及与理论最差解远离程度的变量；贴近度的取值越大说明终端的能力越强。

在个体能力方面，贴近度体现为个体综合能力：对

进行加权得到个体综合能力矩阵R＝[r_ig]_n×l，其中

构建评价问题的正理想解

和负理想解其中，

$r_g^{+}=\max \left\{r_{\mathrm{ig}}\right|i=1,...,n\}={\mathrm{\υ}}_g\max \{d_{\mathrm{ig}}^{\′}|i=1,...,n\}={\mathrm{\υ}}_g{d}_g^{\′+},g=1,...,l$

$r_g^{-}=\min \left\{r_{\mathrm{ig}}\right|i=1,...,n\}={\mathrm{\υ}}_g\min \{d_{\mathrm{ig}}^{\′}|i=1,...,n\}={\mathrm{\υ}}_g{d}_g^{\′-},g=1,...,l,$

计算终端T_i与正理想解R⁺和负理想解R^-的距离

和

得到终端T_i个体综合能力的贴近度

$y_i^{+}={\mathrm{\Σ}}_{g=1}^l{(r_{\mathrm{ig}}-r_g^{+})}^2={\mathrm{\Σ}}_{g=1}^l{\mathrm{\υ}}_g^2{(d_{\mathrm{ig}}^{\′}-d_g^{\′+})}^2,i=1,...,n$

$y_i^{-}={\mathrm{\Σ}}_{g=1}^l{(r_{\mathrm{ig}}-r_g^{-})}^2={\mathrm{\Σ}}_{g=1}^l{\mathrm{\υ}}_g^2{(d_{\mathrm{ig}}^{\′}-d_g^{\′-})}^2,i=1,...,n$

在仅考虑个体能力的情况下，越大，终端T_i的能力就越强。

在协同能力方面，贴近度体现为协同综合能力：对

进行加权得到协同综合能力矩阵

其中

构建评价问题的正理想解

和负理想解

其中，

$q_k^{+}=\max \left\{q_{\mathrm{ij}}^k\right|i,j=1,...,n;i\≠j\}={\mathrm{\ω}}_k\max \{a_{\mathrm{ij}}^{\′k}|i,j=1,...,n;i\≠j\}={\mathrm{\ω}}_k{a}_k^{\′+},k=1,...,m$

$q_k^{-}=\min \left\{q_{\mathrm{ij}}^{-}\right|i,j=1,...,n;i\≠j\}={\mathrm{\ω}}_k\min \{a_{\mathrm{ij}}^{\′k}|i,j=1,...,n;i\≠j\}={\mathrm{\ω}}_k{a}_k^{\′-},k=1,...,m$

计算终端T_i与T_j的协同能力与正理想解Q⁺和负理想解Q^-的距离

和

，得到终端T_i与T_j协同综合能力的贴近度φ_ij：

$b_{\mathrm{ij}}^{+}={\mathrm{\Σ}}_{k=1}^m{(q_{\mathrm{ij}}^k-q_k^{+})}^2={\mathrm{\Σ}}_{k=1}^m{\mathrm{\ω}}_k^2{(a_{\mathrm{ij}}^{\′k}-a_k^{\′+})}^2,i,j=1,...,n;i\≠j$

$b_{\mathrm{ij}}^{-}={\mathrm{\Σ}}_{k=1}^m{(q_{\mathrm{ij}}^k-q_k^{-})}^2={\mathrm{\Σ}}_{k=1}^m{\mathrm{\ω}}_k^2{(a_{\mathrm{ij}}^{\′k}-a_k^{\′-})}^2,i,j=1,...,n;i\≠j$

${\mathrm{\φ}}_{\mathrm{ij}}=b_{\mathrm{ij}}^{-}/(b_{\mathrm{ij}}^{+}+b_{\mathrm{ij}}^{-}),i,j=1,...,n;i\≠j$

根据个体综合能力的贴近度

和协同综合能力的贴近度φ_ij，可得到下面的双目标0-1二次整数规划模型：

$\mathrm{Max}{Z}_2={\mathrm{\Σ}}_{i=1}^n{\mathrm{\Σ}}_{j=1,j\≠i}^n{\mathrm{\φ}}_{\mathrm{ij}}{x}_i{x}_j$

$s.t.{\mathrm{\Σ}}_{i\∈n_z}{x}_i=p_z,z=1,...,h$

x_i∈{0，1}，i＝1，...，n

其中，Z₁为个体表现，Z₂为协同表现，p_z为终端能力集合z中的需要聚合终端数，p为需要聚合终端的总数，x_i为决策变量，x_i＝1表示终端T_i被选中，否则x_i＝0，n_z为终端能力集合z中的终端总数，且

根据TOPSIS多属性决策计算的贴近度和来自所述多目标模块的双目标，采用多目标进化算法计算得到一组Pareto最优解集。

最后，终端聚合模块根据用户偏好和实际业务需要指定个体表现Z₁的权重θ₁和协同表现Z₂的权重θ₂，对每个Pareto最优解进行线性加权得到综合表现

选择综合表现Z最大的方案对终端进行聚合，从而形成一个具有最优非劣的个体和协同能力的聚合终端群。

图2示出了本发明的一种异构泛在网络环境下的终端聚合方法，该方法包括步骤：

根据现有的测量方法，测量不同终端能力集合中的终端当前状态，一方面要测量可用带宽、剩余能量、覆盖范围和通信费用等终端个体信息；另一方面要测量连接稳定性、协同功耗、系统容错性和匹配满意度等终端间协同信息。

在确定各终端的优劣性时，必须确定影响聚合决策的各项指标的权重，以往通常由用户指定权重，然而这对缺少背景知识的普通用户来说是一件难以完成的工作，为了减少用户负担。本发明采用多指标权重自动生成算法求解各项指标的权重。

一般每个终端的能力信息都是通过多个指标来描述，为了使不同类型指标的参数能够相互比较，需要根据参数的特点对其进行无量纲处理。根据规范化后的终端能力信息和各项指标权重，基于TOPSIS多属性决策构架评价终端的最优终端和最差终端，计算各终端到理想最优终端的贴近度(综合能力)。根据TOPSIS多属性决策计算的贴近度和来自所述多目标模块的双目标，采用多目标进化算法计算得到一组Pareto最优解集。

根据对终端个体表现和协同表现的用户偏好和实际业务需要确定最优解的综合表现，选择综合表现最大的方案聚合终端，其他没有被选用的可作为备选方案，在终端聚合执行过程中发生意外时启用。

更进一步地，如图3所示，本发明一个优选的实施例中，多目标进化算法采用基于精英策略的遗传算法进行：

参数设定：设定种群进化代数Gen，种群大小Size，交叉概率p_c和变异概率p_m等。采用二进制编码，每个个体的基因共有n位，其中1代表被选中，0代表未被选中。随机产生初始化种群P(t)，t＝0，确定个体的适应度。

选择、交叉和变异：使用锦标赛选择策略从P(t)选择个体。在给定的p_c和p_m下进行双节点交叉和逆转变异，产生子代种群P^*(t)，其中对于双节点交叉所产生的非可行解，采用修复策略进行处理。种群合并：将P(t)和P^*(t)合并后的新种群进行非劣快速排序计算个体适应度，并计算个体与其他所有个体染色体的基因距离，比较其所有基因距离，将其中最小距离作为个体的拥挤度。

该过程中采用非劣快速排序法计算个体的适应度，在目标解空间中根据贴近度和双目标0-1二次整数规划模型获得个体表现Z₁和协同表现Z₂，基于Pareto支配关系将个体的个体表现Z₁和协同表现Z₂进行两两比较，靠前的前沿中个体优于靠后的，从而将个体分成多个依次支配的前沿。定义拥挤度为在种群中给定点周围的个体密度。拥挤度小表示个体周围有较多的点，其分布较密集。在每个前沿F_i中根据拥挤度再进行优劣划分。其中计算拥挤度采用如下的步骤：(a)计算基因距离：设任意两个体i和j的染色体分别为x_i＝[x_i1，x_i2，...，x_in]和x_j＝[x_j1，x_j2，...，x_jn]，则两个个体的基因距离(b)比较基因距离：比较个体i与其他个体的所有基因距离，将其中最小距离minX_ij作为个体i的拥挤度。

基于精英策略选取下一代种群：首先选取第一前沿F₁，遗弃一个个体后填充到P(t+1)中；接着选取后面的前沿，当选取到F_i时，P(t+1)的个数超过Size时，选取拥挤度大的个体优先填充，从而产生由较优的Size个个体组成的P(t+1)。

该过程的详细处理如图4所示。对父代种群P(t)和子代种群P^*(t)合并后的新种群进行非劣快速排序得到第一前沿F₁，即Pareto解，将适当地“遗弃”部分个体后的Pareto解填充到P(t+1)中，对剩余的个体种群再次进行非劣快速排序得到第二前沿F₂，按照上述“遗弃”操作填充P(t+1)，直到第i前沿时，前沿F_i大于P(t+1)的剩余填充空间，则计算拥挤度，优先选择拥挤度较大的个体填充P(t+1)剩余空间，选择出的Size个个体组成P(t+1)。

判定算法是否停止：如果迭代次数超过Gen，算法停止，将P(t+1)中的解和相应的目标函数值作为Pareto最优解和Pareto最优前沿返回；否则进化代数计数器加一，返回选择、交叉和变异的处理。

图5示出了本发明中异构泛在网络环境下示例性的一个典型终端聚合场景。在该场景中，如图5中的实线连接的终端所示，有两个不同终端能力集合(下载终端能力集合和显示终端能力集合)，由于下载终端的能力(比如带宽和功耗等)制约，仅依靠单一终端无法保证视频播放的流畅性和清晰性，不能最优地支持多媒体业务应用。因而终端聚合系统同时考虑终端的个体能力(比如带宽等)和协同能力(比如协同功耗等)进行决策，从下载终端能力集合和显示终端能力集合中分别选择3和1个终端聚合形成一个新的聚合终端群，最大可能满足用户的业务应用需求，提供用户的业务体验度，最终形成的聚合终端群如图5中的虚线和实线连接的终端所示。

本发明使得以下情况成为可能：无线通信技术的迅猛发展导致终端的异构性更加突出，面对内容更加丰富的业务应用，单一终端的业务能力有限，不能最优的支持所有类型的业务应用。于是，可以根据用户的业务应用需求，从不同业务能力的终端能力集合中，分别选择数个终端聚合形成一个新的聚合终端群，同时考虑终端的个体能力与终端之间的协同能力，使得聚合终端群具有最优非劣的个体和协同能力，满足用户的业务应用需求。

此外，本发明提出的多目标进算法，可以有效支持终端聚合问题，得到一组Pareto最优解集，用户根据对终端个体表现和协同表现的个人偏好和实际业务需要确定最优解的综合表现，选择综合表现最大的方案聚合终端，其他没有被选用的可作为备选方案，在终端聚合执行过程中发生意外时启用。

以上实施方式仅用于说明本发明，而并非对本发明的限制，有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明的范畴，本发明的专利保护范围应由权利要求限定。

Claims (10)

1.一种异构泛在网络环境下的终端聚合系统，其特征在于，所述系统包括：

上下文感知模块，用于获取不同终端能力集合中终端的个体信息和协同信息并提供给聚合决策模块；

多目标模块，根据终端的综合能力将用户聚合需求转化为可衡量的0-1二次整数规划双目标；

聚合决策模块，根据所述上下文感知模块提供的信息以及所述双目标进行决策，获得终端与最优终端的贴近度，通过多目标进化得到系统的一组最优解集；

终端聚合模块，根据对终端个体表现和协同表现的要求，确定所述最优解集中各最优解的综合表现，根据综合表现最大的最优解来选择终端形成聚合终端群。

2.根据权利要求1所述的系统，其特征在于，所述个体信息包括终端当前状态下的可用带宽、剩余能量、覆盖范围和通信费用信息；所述协同信息包括终端间的连接稳定性、协同功耗、系统容错性和匹配满意度信息。

3.根据权利要求1所述的系统，其特征在于，所述聚合决策模块根据TOPSIS多属性决策计算的贴近度和来自所述多目标模块的双目标，采用多目标进化算法计算得到一组Pareto最优解集。

4.根据权利要求3所述的系统，其特征在于，所述聚合决策模块根据规范化后的终端个体信息和协同信息，使用多指标权重生成算法自动生成各指标的权重，并基于TOPSIS多属性决策构架评价终端的最优终端和最差终端，计算各终端到理想最优终端的贴近度。

5.根据权利要求4所述的系统，其特征在于，所述终端到理想最优终端的贴近度用于衡量选定终端与理论最优终端的贴近程度以及与理论最差终端的远离程度。

6.一种异构泛在网络环境下的终端聚合方法，其特征在于，所述方法包括步骤：

S1，获取不同终端能力集合中终端的个体信息和协同信息；

S2，根据终端的综合能力将用户聚合需求转化为可衡量的0-1二次整数规划双目标；

S3，对所述终端的个体信息和协同信息以及所述双目标进行决策，获得终端与最优终端的贴近度，通过多目标进化得到系统的一组最优解集；

S4，根据对终端个体表现和协同表现的要求，确定所述最优解集中各最优解的综合表现，根据综合表现最大的最优解来选择终端形成聚合终端群。

7.根据权利要求6所述的方法，其特征在于，步骤S1中，所述个体信息包括终端当前状态下的可用带宽、剩余能量、覆盖范围和通信费用信息；所述系统信息包括终端间的连接稳定性、协同功耗、系统容错性和匹配满意度信息。

8.根据权利要求6所述的方法，其特征在于，步骤S3中，根据TOPSIS多属性决策计算的贴近度和来自所述多目标模块的双目标，采用多目标进化算法计算得到一组Pareto最优解集。

9.根据权利要求8所述的方法，其特征在于，所述贴近度的计算具体为：首先根据规范化后的终端个体信息和协同信息，使用多指标权重生成算法自动生成各指标的权重；随后基于TOPSIS多属性决策构架评价终端的最优终端和最差终端，计算各终端到理想最优终端的贴近度。

10.根据权利要求9所述的方法，其特征在于，所述终端到理想最优终端的贴近度用于衡量选定终端与理论最优终端的贴近程度以及与理论最差终端的远离程度。

Images