CN102970714B - 一种认知无线自组织网络多径路由的流量分配方法及装置 - Google Patents

Abstract

本发明公开了一种认知无线自组织网络多径路由的流量分配方法及装置，降低认知无线自组织网络中存在的数据流量到达率及节点服务速率的动态变化对端到端通信服务质量的影响，该方法中：采用多径路由算法获得端到端数据传输的源端次用户与目的端次用户之间的路径数量；源端次用户收集各路径上各跳节点的服务速率和频谱可用率，根据各路径上各跳节点的服务速率、频谱可用率以及多径路由协议，生成多径路由的路径列表；通过拉格朗日方法将流量分配最优化问题转化为求解拉格朗日乘子和分配给路径列表中各路径的流量的凸优化问题，根据降梯度法迭代求解结果在路径列表中的各路径上采用最优速率进行传输。本申请的实施例提高了端到端传输性能及效率。

Description

一种认知无线自组织网络多径路由的流量分配方法及装置

技术领域

本发明涉及认知无线自组织网络的流量控制技术，尤其涉及一种认知无线自组织网络多径路由的流量分配方法及装置。

背景技术

随着无线网络技术的飞速发展，传统静态频谱分配规定已导致频谱使用率出现严重不均。

认知无线网络的提出，旨在通过具有频谱感知能力的节点(简称：次用户)探测授权频谱中的传输机会，动态切换传输信道，在不干扰授权频谱用户(简称：主用户)的前提下伺机接入传输。该技术能有效缓解非授权频谱资源占用压力，提高授权频谱使用率。国际频谱管理组织也出台相关规定鼓励科研机构对于认知无线网络相关技术的研究与开发。

认知无线网络频谱探测策略、频谱共享机制及相关功率分配、干扰控制已成为学术界研究的热点，但已有研究多数针对物理层及链路层单跳范围内资源分配。

基于自组织网络形式的认知无线自组织网络将次用户组网方式扩展至自组织结构，充分利用次用户网络可扩展结构，灵活共享授权频谱资源，提高认知无线自组织网络资源利用率，优化网络传输性能，增进认知无线网络中用户间相互协作，满足主次用户服务质量需求，从而为认知无线网络提供机制基础。

目前针对认知无线自组织网络已有技术大多根据动态环境建立端到端的通信路径，但一般主要考虑在认知无线自组织网络中通信环境的动态变化，进而提出建路策略以及性能新标量。

然而，认知无线自组织网络中存在的数据流量到达率及节点服务速率的动态变化，同样影响端到端通信服务质量，现有技术对此未作深入研究。

发明内容

本发明所要解决的技术问题是降低认知无线自组织网络中存在的数据流量到达率及节点服务速率的动态变化对端到端通信服务质量的影响。

为了解决上述技术问题，本发明提供了一种认知无线自组织网络多径路由的流量分配方法，包括如下内容：

在该认知无线自组织网络中采用多径路由算法，获得端到端数据传输的源端次用户与目的端次用户之间的路径数量；

该源端次用户收集各路径上各跳节点的服务速率和频谱可用率；

该源端次用户根据所述各路径上各跳节点的服务速率和频谱可用率，以及多径路由协议，生成多径路由的路径列表；

通过拉格朗日方法将流量分配最优化问题转化为求解拉格朗日乘子和分配给该路径列表中各路径的流量的凸优化问题，根据降梯度法迭代求解结果在该路径列表中的各路径上采用最优速率进行传输。

其中，通过拉格朗日方法将流量分配最优化问题转化为求解拉格朗日乘子和分配给该路径列表中各路径的流量的凸优化问题，包括根据如下表达式确定目标函数：

其中，λ表示源端业务到达率，λ_p表示第p条路径的业务到达率，μ_pi表示第p条路径第i跳的服务速率，ρ_pi表示第p条路径第i跳的频谱可用率，β和为非负拉格朗日乘子，ε为所有路径最大时延限制，k_p为第p条路径上的总跳数；p大于等于1小于等于该路径数量，i大于等于1。

其中，根据降梯度法迭代求解结果在该路径列表中的各路径上采用最优速率进行传输，包括：

采用降梯度迭代方法对所述目标函数中的拉格朗日乘子和各路径分配流量的凸优化问题进行主从迭代处理，在该路径列表中的各路径上采用最优速率进行传输。

其中，采用降梯度迭代方法对所述目标函数中的拉格朗日乘子和各路径分配流量的凸优化问题进行主从迭代处理，包括：

对非负拉格朗日乘子和β进行从迭代，对第p条路径的业务到达率λ_p及所有路径最大时延限制ε进行主迭代；

在所述主迭代或者从迭代到达最大循环数或者λ_p(k)达到收敛条件时，该源端次用户采用λ_p(k)在第p条路径上发送数据；

其中，λ_p(k)表示第k次迭代时的第p条路径上的业务到达率。

其中：

对非负拉格朗日乘子和β进行从迭代，包括根据如下表达式进行：

$\mathrm{\α}(k+1)={\[\mathrm{\α}\left(k\right)-\mathrm{\ξ}\left(k\right)\frac{\∂L}{\∂\mathrm{\α}}\]}^{+}$

$\mathrm{\β}(k+1)={\[\mathrm{\β}\left(k\right)-\mathrm{\ζ}\left(k\right)\frac{\∂L}{\∂\mathrm{\β}}\]}^{+}$

对第p条路径的业务到达率λ_p及所有路径最大时延限制ε进行主迭代，包括根据如下表达式进行：

${\mathrm{\λ}}_p(k+1)={\[{\mathrm{\λ}}_p\left(k\right)-\mathrm{\θ}\left(k\right)\frac{\∂L}{\∂{\mathrm{\λ}}_p}\]}^{+}$

$\mathrm{\ϵ}(k+1)={\[\mathrm{\ϵ}\left(k\right)-\mathrm{\κ}\left(k\right)\frac{\∂L}{\∂\mathrm{\ϵ}}\]}^{+}$

其中，k表示所述主迭代过程中的循环次数，ξ(k)和ζ(k)分别表示所述从迭代第k次循环的步长，[z]⁺＝max(z,0)，θ(k)和κ(k)表示所述主迭代第k次循环的步长。

其中，在所述主迭代或者从迭代到达最大循环数或者λ_p(k)达到收敛条件时，该源端次用户采用λ_p(k)在第p条路径上发送数据，包括：

该源端次用户执行该从迭代后，判断所述主迭代或者从迭代到达最大循环数或者λ_p(k)达到收敛条件，是则该源端次用户采用λ_p(k)在第p条路径上发送数据，否则该源端次用户执行该主迭代后进行下一次循环。

本申请实施例提供的认知无线自组织网络多径路由的流量分配装置，包括：

计算模块，设置为在该认知无线自组织网络中采用多径路由算法，获得端到端数据传输的源端次用户与目的端次用户之间的路径数量；

收集模块，设置为收集各路径上各跳节点的服务速率和频谱可用率；

生成模块，设置为根据所述各路径上各跳节点的服务速率和频谱可用率，以及多径路由协议，生成多径路由的路径列表；

选择模块，设置为通过拉格朗日方法将流量分配最优化问题转化为求解拉格朗日乘子和分配给该路径列表中各路径的流量的凸优化问题，根据降梯度法迭代求解结果在该路径列表中的各路径上采用最优速率进行传输。

其中，该选择模块包括转换单元及迭代单元，其中：

该转换单元设置为根据如下表达式确定目标函数：

其中，λ表示源端业务到达率，λ_p表示第p条路径的业务到达率，μ_pi表示第p条路径第i跳的服务速率，ρ_pi表示第p条路径第i跳的频谱可用率，β和为非负拉格朗日乘子，ε为所有路径最大时延限制，k_p为第p条路径上的总跳数；p大于等于1小于等于该路径数量，i大于等于1；

该迭代单元设置为采用降梯度迭代方法对所述目标函数中的拉格朗日乘子和各路径分配流量的凸优化问题进行主从迭代处理，在该路径列表中的各路径上采用最优速率进行传输。

其中，该迭代单元包括：

迭代子单元，设置为对非负拉格朗日乘子和β进行从迭代，对第p条路径的业务到达率λ_p及所有路径最大时延限制ε进行主迭代；

判断子单元，设置为执行该从迭代后，判断所述主迭代或者从迭代到达最大循环数或者λ_p(k)达到收敛条件，是则采用λ_p(k)在第p条路径上发送数据，否则执行该主迭代后进行下一次循环；

其中，λ_p(k)表示第k次迭代时的第p条路径上的业务到达率。

其中，该迭代子单元包括：

从迭代子单元，设置为根据如下表达式对非负拉格朗日乘子和β进行该从迭代：

$\mathrm{\α}(k+1)={\[\mathrm{\α}\left(k\right)-\mathrm{\ξ}\left(k\right)\frac{\∂L}{\∂\mathrm{\α}}\]}^{+}$

$\mathrm{\β}(k+1)={\[\mathrm{\β}\left(k\right)-\mathrm{\ζ}\left(k\right)\frac{\∂L}{\∂\mathrm{\β}}\]}^{+}$

主迭代子单元，设置为根据如下表达式对第p条路径的业务到达率λ_p及所有路径最大时延限制ε进行该主迭代：

${\mathrm{\λ}}_p(k+1)={\[{\mathrm{\λ}}_p\left(k\right)-\mathrm{\θ}\left(k\right)\frac{\∂L}{\∂{\mathrm{\λ}}_p}\]}^{+}$

$\mathrm{\ϵ}(k+1)={\[\mathrm{\ϵ}\left(k\right)-\mathrm{\κ}\left(k\right)\frac{\∂L}{\∂\mathrm{\ϵ}}\]}^{+}$

其中，k表示所述主迭代过程中的循环次数，ξ(k)和ζ(k)分别表示所述从迭代第k次循环的步长，[z]⁺＝max(z,0)，θ(k)和κ(k)表示所述主迭代第k次循环的步长。

与现有技术相比，本申请的实施例采用排队论对问题进行建模，将研究问题转化为最小最大求解优化问题，并通过降梯度法寻找最优策略，在建立多径路由的基础上，根据认知无线自组织网络多径传输中频谱可用性和每跳节点服务速度，最优化动态分配流量传输，提高端到端传输性能及传输效率。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

附图说明

附图用来提供对本发明技术方案的进一步理解，并且构成说明书的一部分，与本申请的实施例一起用于解释本发明的技术方案，并不构成对本发明技术方案的限制。

图1为一个认知无线自组织网络的多径拓扑结构图例。

图2为本申请实施例的认知无线自组织网络多径路由的流量分配方法的流程示意图。

图3为图2所示实施例中主从迭代处理的流程示意图。

图4为本申请实施例的认知无线自组织网络多径路由的流量分配装置的构造示意图。

图5为图4所示实施例中选择模块的构造示意图。

具体实施方式

以下将结合附图及实施例来详细说明本发明的实施方式，借此对本发明如何应用技术手段来解决技术问题，并达成技术效果的实现过程能充分理解并据以实施。本申请实施例以及实施例中的各个特征在不相冲突前提下的相互结合，均在本发明的保护范围之内。

另外，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行。并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

图1为一个认知无线自组织网络的多径拓扑结构图例。

如图1所示的多径拓扑结构中，SU_s表示端到端数据传输的源端次用户，SU_d表示端到端数据传输的目的端次用户。中间5个次用户(SecondaryUser，SU)形成3条路径，即|P|＝3，同时与认知无线自组织网络共享频谱的主用户存在与该网络中，PU_Rx表示主用户数据传输的收端，PU_Tx表示主用户数据传输的发端。

图1所示的场景，设定子信道可用概率在0.9-1.0之间随机分布，第p条路径第i跳的服务速率按照矩阵μ_pi＝[765；860；654]设定；其中，p大于等于1，i大于等于1。SU_s端数据到达速率为λ，SU_s根据多径拓扑中各路径的传输状况动态将λ分别给各路径，进而达到端到端传输时延最短。

结合图1所示的多径拓扑结构示意，如图2所示的本申请实施例的流量分配方法主要包括如下内容。

步骤S210，在认知无线自组织网络中采用多径路由算法，获得端到端数据传输的源端次用户与目的端次用户之间的路径数量|P|。图1所示的多径拓扑结构，源端次用户与目的端次用户之间的路径数量为3。

步骤S220，源端次用户收集各路径上各跳节点的服务速率和频谱可用率，根据各路径上各跳节点的服务速率和频谱可用率，以及多径路由协议，生成多径路由所需的路径列表。

本申请的实施例中，源端次用户收集源端业务到达率λ、第p条路径的业务到达率λ_p、第p条路径第i跳的服务速率μ_pi以及第p条路径第i跳的频谱可用率ρ_pi。其中p大于等于1小于等于路径数量|P|，i大于等于1。

步骤S230，通过拉格朗日方法将流量分配最优化问题进行转化，变为求解拉格朗日乘子和各路径分配流量的凸优化问题，根据降梯度法迭代求解结果在该路径列表中的各路径上采用最优速率进行传输。

本申请的实施例中，将流量分配最优化问题转化为求解拉格朗日乘子和各路径分配流量的凸优化问题，可以确认如表达式(1)所示的目标函数。

式(1)

其中，β和为非负拉格朗日乘子，ε为所有路径最大时延限制，k_p为第p条路径上的总跳数。

本申请的实施例采用降梯度迭代方法，对上述目标函数中的拉格朗日乘子和各路径分配流量的凸优化问题进行主从迭代处理，在该路径列表中的各路径上采用最优速率进行传输。

如图3所示，上述采用降梯度迭代方法，对拉格朗日乘子和各路径分配流量的凸优化问题进行主从迭代处理的过程，主要包括如下内容。

步骤S310，确定主从迭代过程。

本申请实施例所确定的从迭代过程，是采用如下表达式(2)和表达式(3)对非负拉格朗日乘子和β进行迭代求解。

$\mathrm{\α}(k+1)={\[\mathrm{\α}\left(k\right)-\mathrm{\ξ}\left(k\right)\frac{\∂L}{\∂\mathrm{\α}}\]}^{+}$ 式(2)

$\mathrm{\β}(k+1)={\[\mathrm{\β}\left(k\right)-\mathrm{\ζ}\left(k\right)\frac{\∂L}{\∂\mathrm{\β}}\]}^{+}$ 式(3)

其中，k表示循环次数；ξ(k)和ζ(k)分别为从迭代第k次循环的步长；[z]⁺＝max(z,0)。

本申请实施例所确定的主迭代过程，是采用如下表达式(4)和表达式(5)对第p条路径的业务到达率λ_p及非负拉格朗日乘子ε进行迭代求解的过程。

${\mathrm{\λ}}_p(k+1)={\[{\mathrm{\λ}}_p\left(k\right)-\mathrm{\θ}\left(k\right)\frac{\∂L}{\∂{\mathrm{\λ}}_p}\]}^{+}$ 式(4)

$\mathrm{\ϵ}(k+1)={\[\mathrm{\ϵ}\left(k\right)-\mathrm{\κ}\left(k\right)\frac{\∂L}{\∂\mathrm{\ϵ}}\]}^{+}$ 式(5)

其中，k表示循环次数；θ(k)和κ(k)为主迭代第k次循环的步长。

步骤S320，将循环次数k的初始值为0。

步骤S330，判断k＝0是否成立，是则转步骤S340，否则转步骤S350。

步骤S340，对λ_p(0),ε(0),α(0),β(0)进行初始化，获得各自的初始值；其中其中，表示所有路径的集合，p是表示第P条路径。转步骤S350。

步骤S350，采用从迭代求解α(k+1)和β(k+1)。

步骤S360，判断是否到达最大循环数或者λ_p(k)达到收敛条件，是则转步骤S370，否则转步骤S380；其中，λ_p(k)表示第k次迭代时的第p条路径上的业务到达率。

步骤S370，源端次用户采用流量速率λ_p(k)在第p条路径上发送数据；结束。

步骤S380，源端次用户采用主迭代对λ_p(k)和ε(k)进行更新；转步骤S390。

步骤S390，增加迭代计数器k＝k+1，转步骤S330进入下一次循环。

如图4所示，本申请实施例的流量分配装置，主要包括计算模块41、收集模块42、生成模块43以及选择模块44。

计算模块41，设置为在该认知无线自组织网络中采用多径路由算法，获得端到端数据传输的源端次用户与目的端次用户之间的路径数量。

收集模块42，与计算模块41相连，设置为收集各路径上各跳节点的服务速率和频谱可用率。

生成模块43，与收集模块42相连，设置为根据所述各路径上各跳节点的服务速率和频谱可用率，以及多径路由协议，生成多径路由的路径列表。

选择模块44，与生成模块43相连，设置为通过拉格朗日方法将流量分配最优化问题转化为求解拉格朗日乘子和分配给该路径列表中各路径的流量的凸优化问题，根据降梯度法迭代求解结果在该路径列表中的各路径上采用最优速率进行传输。

需要说明的是，虽然本申请的实施例描述了部分模块之间的连接关系，但是并不排除这些模块之间未加描述的其他连接关系，本领域的普通技术人员能够根据本申请实施例的描述，自行获得其余所必需的连接关系。

如图5所示，该选择模块44包括转换单元51及迭代单元52，其中：

该转换单元51与生成模块43相连，设置为根据如下表达式确定目标函数：

其中，λ表示源端业务到达率，λ_p表示第p条路径的业务到达率，μ_pi表示第p条路径第i跳的服务速率，ρ_pi表示第p条路径第i跳的频谱可用率，β和为非负拉格朗日乘子，ε为所有路径最大时延限制，k_p为第p条路径上的总跳数；p大于等于1小于等于该路径数量，i大于等于1；

该迭代单元52与生成模块43及转换单元51相连，设置为采用降梯度迭代方法对所述目标函数中的拉格朗日乘子和各路径分配流量的凸优化问题进行主从迭代处理，在该路径列表中的各路径上采用最优速率进行传输。

如图5所示，该迭代单元52包括：

迭代子单元521，与转换单元51相连设置为对非负拉格朗日乘子和β进行从迭代，对第p条路径的业务到达率λ_p及非负拉格朗日乘子ε进行主迭代；

判断子单元522，与生成模块43及迭代子单元521相连，设置为执行该从迭代后，判断所述主迭代或者从迭代到达最大循环数或者λ_p(k)达到收敛条件，是则采用流量速率λ_p(k)在第p条路径上发送数据，否则执行该主迭代后进行下一次循环；

其中，λ_p(k)表示第k次迭代时的第p条路径上的业务到达率。

如图5所示，该迭代子单元521包括与转换单元51及判断子单元522相连的从迭代子单元5211及主迭代子单元5212。

从迭代子单元5211，设置为根据如下表达式对非负拉格朗日乘子和β进行该从迭代：

$\mathrm{\α}(k+1)={\[\mathrm{\α}\left(k\right)-\mathrm{\ξ}\left(k\right)\frac{\∂L}{\∂\mathrm{\α}}\]}^{+}$

$\mathrm{\β}(k+1)={\[\mathrm{\β}\left(k\right)-\mathrm{\ζ}\left(k\right)\frac{\∂L}{\∂\mathrm{\β}}\]}^{+}$

主迭代子单元5212，设置为根据如下表达式对第p条路径的业务到达率λ_p及非负拉格朗日乘子ε进行该主迭代：

${\mathrm{\λ}}_p(k+1)={\[{\mathrm{\λ}}_p\left(k\right)-\mathrm{\θ}\left(k\right)\frac{\∂L}{\∂{\mathrm{\λ}}_p}\]}^{+}$

$\mathrm{\ϵ}(k+1)={\[\mathrm{\ϵ}\left(k\right)-\mathrm{\κ}\left(k\right)\frac{\∂L}{\∂\mathrm{\ϵ}}\]}^{+}$

其中，k表示所述主迭代过程中的循环次数，ξ(k)和ζ(k)分别表示所述从迭代第k次循环的步长，[z]⁺＝max(z,0)，θ(k)和κ(k)表示所述主迭代第k次循环的步长。

本申请的实施例针对认知无线自组织网络中传输环境的动态变化，综合服务到达速率与节点服务速度动态规划流量分配问题，达到了端到端传输的稳定性和传输性能的提升。本申请的实施例采用排队论对端到端多跳传输进行建模，并将传输问题建模为最大最小最优化问题，最终通过降梯度方式迭代寻找最优分配策略。本申请提出的技术方案能有效保证端到端传输的稳定性，并能有效降低端到端传输时延，保证了认知无线自组织多跳传输的传输质量。

本申请的实施例采用迭代式降梯度法达到了流量分配的最优化。本申请的实施例综合频谱可用率及节点服务速率的动态变化，通过循环迭代求解的方式为每条路径动态分配数据流量传输，进一步提高端到端传输质量。本申请的实施例，可以在认知无线自组织网络中得到广泛应用。

本领域的技术人员应该明白，上述的本申请实施例所提供的装置的各组成部分，以及方法中的各步骤，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上。可选地，它们可以用计算装置可执行的程序代码来实现。从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。

虽然本发明所揭露的实施方式如上，但所述的内容仅为便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属领域内的技术人员，在不脱离本发明所揭露的精神和范围的前提下，可以在实施的形式及细节上进行任何的修改与变化，但本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims (7)

1.一种认知无线自组织网络多径路由的流量分配方法，其特征在于，包括如下内容：

在该认知无线自组织网络中采用多径路由算法，获得端到端数据传输的源端次用户与目的端次用户之间的路径数量；

该源端次用户收集各路径上各跳节点的服务速率和频谱可用率；

该源端次用户根据所述各路径上各跳节点的服务速率和频谱可用率，以及多径路由协议，生成多径路由的路径列表；

通过拉格朗日方法将流量分配最优化问题转化为求解拉格朗日乘子和分配给该路径列表中各路径的流量的凸优化问题，根据降梯度法迭代求解结果在该路径列表中的各路径上采用最优速率进行传输；

其中，通过拉格朗日方法将流量分配最优化问题转化为求解拉格朗日乘子和分配给该路径列表中各路径的流量的凸优化问题，包括根据如下表达式确定目标函数：

其中，λ表示源端业务到达率，λ_p表示第p条路径的业务到达率，μ_pi表示第p条路径第i跳的服务速率，ρ_pi表示第p条路径第i跳的频谱可用率，β和为非负拉格朗日乘子，ε为所有路径最大时延限制，k_p为第p条路径上的总跳数；p大于等于1小于等于该路径数量，i大于等于1；|P|表示该路径数量；

其中，根据降梯度法迭代求解结果在该路径列表中的各路径上采用最优速率进行传输，包括：

采用降梯度迭代方法对所述目标函数中的拉格朗日乘子和各路径分配流量的凸优化问题进行主从迭代处理，根据降梯度法迭代求解结果在该路径列表中的各路径上采用最优速率进行传输。

2.根据权利要求1所述的方法，其中，采用降梯度迭代方法对所述目标函数中的拉格朗日乘子和各路径分配流量的凸优化问题进行主从迭代处理，包括：

对非负拉格朗日乘子和β进行从迭代，对第p条路径的业务到达率λ_p及所有路径最大时延限制ε进行主迭代；

在所述主迭代或者从迭代到达最大循环数或者λ_p(k)达到收敛条件时，该源端次用户采用λ_p(k)在第p条路径上发送数据；

其中，λ_p(k)表示第k次迭代时的第p条路径上的业务到达率。

3.根据权利要求2所述的方法，其中：

对非负拉格朗日乘子和β进行从迭代，包括根据如下表达式进行：

$\mathrm{\α}(k+1)={\[\mathrm{\α}\left(k\right)-\mathrm{\ξ}\left(k\right)\frac{\∂L}{\∂\mathrm{\α}}\]}^{+}$

$\mathrm{\β}(k+1)={\[\mathrm{\β}\left(k\right)-\mathrm{\ζ}\left(k\right)\frac{\∂L}{\∂\mathrm{\β}}\]}^{+}$

对第p条路径的业务到达率λ_p及所有路径最大时延限制ε进行主迭代，包括根据如下表达式进行：

${\mathrm{\λ}}_p(k+1)={\[{\mathrm{\λ}}_p\left(k\right)-\mathrm{\θ}\left(k\right)\frac{\∂L}{\∂{\mathrm{\λ}}_p}\]}^{+}$

$\mathrm{\ϵ}(k+1)={\[\mathrm{\ϵ}\left(k\right)-\mathrm{\κ}\left(k\right)\frac{\∂L}{\∂\mathrm{\ϵ}}\]}^{+}$

其中，k表示所述主迭代过程中的循环次数，ξ(k)和ζ(k)分别表示所述从迭代第k次循环的步长，[z]⁺＝max(z,0)，θ(k)和κ(k)表示所述主迭代第k次循环的步长。

4.根据权利要求2所述的方法，其中，在所述主迭代或者从迭代到达最大循环数或者λ_p(k)达到收敛条件时，该源端次用户采用λ_p(k)在第p条路径上发送数据，包括：

该源端次用户执行该从迭代后，判断所述主迭代或者从迭代是否到达最大循环数或者λ_p(k)是否达到收敛条件，是则该源端次用户采用λ_p(k)在第p条路径上发送数据，否则该源端次用户执行该主迭代后进行下一次循环。

5.一种认知无线自组织网络多径路由的流量分配装置，其特征在于，包括：

计算模块，设置为在该认知无线自组织网络中采用多径路由算法，获得端到端数据传输的源端次用户与目的端次用户之间的路径数量；

收集模块，设置为收集各路径上各跳节点的服务速率和频谱可用率；

生成模块，设置为根据所述各路径上各跳节点的服务速率和频谱可用率，以及多径路由协议，生成多径路由的路径列表；

选择模块，设置为通过拉格朗日方法将流量分配最优化问题转化为求解拉格朗日乘子和分配给该路径列表中各路径的流量的凸优化问题，根据降梯度法迭代求解结果在该路径列表中的各路径上采用最优速率进行传输；

其中，该选择模块包括转换单元及迭代单元，其中：

该转换单元设置为根据如下表达式确定目标函数：

其中，λ表示源端业务到达率，λ_p表示第p条路径的业务到达率，μ_pi表示第p条路径第i跳的服务速率，ρ_pi表示第p条路径第i跳的频谱可用率，β和为非负拉格朗日乘子，ε为所有路径最大时延限制，k_p为第p条路径上的总跳数；p大于等于1小于等于该路径数量，i大于等于1；|P|表示该路径数量；

该迭代单元设置为采用降梯度迭代方法对所述目标函数中的拉格朗日乘子和各路径分配流量的凸优化问题进行主从迭代处理，根据降梯度法迭代求解结果在该路径列表中的各路径上采用最优速率进行传输。

6.根据权利要求5所述的装置，其中，该迭代单元包括：

迭代子单元，设置为对非负拉格朗日乘子和β进行从迭代，对第p条路径的业务到达率λ_p及所有路径最大时延限制ε进行主迭代；

判断子单元，设置为执行该从迭代后，判断所述主迭代或者从迭代是否到达最大循环数或者λ_p(k)是否达到收敛条件，是则采用λ_p(k)在第p条路径上发送数据，否则执行该主迭代后进行下一次循环；

其中，λ_p(k)表示第k次迭代时的第p条路径上的业务到达率。

7.根据权利要求6所述的装置，其中，该迭代子单元包括：

从迭代子单元，设置为根据如下表达式对非负拉格朗日乘子和β进行该从迭代：

$\mathrm{\α}(k+1)={\[\mathrm{\α}\left(k\right)-\mathrm{\ξ}\left(k\right)\frac{\∂L}{\∂\mathrm{\α}}\]}^{+}$

$\mathrm{\β}(k+1)={\[\mathrm{\β}\left(k\right)-\mathrm{\ζ}\left(k\right)\frac{\∂L}{\∂\mathrm{\β}}\]}^{+}$

主迭代子单元，设置为根据如下表达式对第p条路径的业务到达率λ_p及所有路径最大时延限制ε进行该主迭代：

${\mathrm{\λ}}_p(k+1)={\[{\mathrm{\λ}}_p\left(k\right)-\mathrm{\θ}\left(k\right)\frac{\∂L}{\∂{\mathrm{\λ}}_p}\]}^{+}$

$\mathrm{\ϵ}(k+1)={\[\mathrm{\ϵ}\left(k\right)-\mathrm{\κ}\left(k\right)\frac{\∂L}{\∂\mathrm{\ϵ}}\]}^{+}$

其中，k表示所述主迭代过程中的循环次数，ξ(k)和ζ(k)分别表示所述从迭代第k次循环的步长，[z]⁺＝max(z,0)，θ(k)和κ(k)表示所述主迭代第k次循环的步长。