CN103338499A - 基于离散量子进化算法的双模终端选择网络模式的方法 - Google Patents

Abstract

一种基于离散量子进化算法的双模终端选择网络模式的方法，是基站根据系统中双模终端的总数，以及每部双模终端上报的当前网络中两种网络模式的服务质量值，调用适用于组合优化问题的离散量子进化算法为每部双模终端分配适宜的网络模式，以使其同时满足两个目标：既提高每部双模终端的平均服务质量值，实现所有双模终端整体服务质量的最优化；又保证每种网络模式下的双模终端数量不超过基站在相应网络模式下能承载的终端数量上限。本发明采用能够有效求解得到全局最优解的离散量子迭代进化算法，为网络中所有双模终端选择适宜的网络模式，并自动调整每种网络模式下的终端数量，提高双模终端的平均服务质量值。且操作步骤简单，容易实现。

Description

基于离散量子进化算法的双模终端选择网络模式的方法

技术领域

本发明涉及一种基于离散量子进化算法的双模终端选择网络模式的方法，确切地说，涉及一种以提高双模终端平均服务质量值为目标，基站采用基于离散量子进化算法为双模终端选择网络模式的方法，属于无线通信技术领域。 

背景技术

在现代都市环境下，第二代与第三代两种移动通信系统和即将出现的第四代移动通信系统共存，而每种移动通信系统又都具有多种网络模式，如第二代移动通信系统包括GSM和CDMA两种网络模式，第三代移动通信系统包括TD-SCDMA、CDMA2000和WCDMA共三种网络模式，而即将广泛应用的第四代移动通信系统包括3GPP LTE、IEEE802.20和WiFi等。如此众多共存的网络模式导致现今的移动终端通常具备能够接入两种网络模式的能力。但是，在同一时刻通常只选择一种网络模式进行接入。 

近年来，随着智能化移动通信终端的迅速发展，用户对网络下载、视频点播、移动网络游戏、IP电话等多媒体实时应用的需求越来越大，这就要求终端选择的无线通信网络必须能够保证良好的服务质量QoS（Quality of Service）。 

国际电话与电报顾问委员会ITTCC（International Telephone and Telegraph Consultative Committee）对服务质量的定义为：“QoS是用于衡量使用一个服务的满意程度的综合指标”。在《RACE(RESEARCH INTO ADVANCED COMMUNICATION FOREUROPE》中，服务质量被定义为：“QoS描述了关于一个服务的某些性能特点。这些性能特点是用户可见的，它以用户可理解的语言表示为一组参数。这些参数具有客观值或主观值。客观值刻画了系统的行为性能，如延迟、抖动、失败概率、吞吐量。主观值刻 画了系统的其他服务性能，如安全性、优先级”。而在RFC2386中服务质量被定义为：“QoS是网络在传输数据流时要求满足的一系列服务请求，具体可以量化为带宽、延迟、抖动、延迟抖动、丢失率、吞吐量等性能指标。” 

本发明涉及的服务质量值是包括带宽、延迟、延迟抖动和分组丢失率等性能参数指标加权平均后的某个数值，用于反映网络在保证信息传输和满足服务要求方面的能力。为方便说明，本发明对服务质量值都进行了归一化处理，即将服务质量值归一化为0～1之间的有理数：0表示服务质量的下限：即服务质量最差，1表示服务质量的上限：即服务质量最优。因此，服务质量值越高，用户得到的服务越好。在工程实践中，根据带宽、延迟、延迟抖动、分组丢失率和用户主观数值等指标进行加权平均得到服务质量值的具体方法很多；主要有两种：对上述指标进行加权相加或加权相乘，各项权值则取决于用户的不同业务需求，因其不是本发明方法的保护要点，故不再赘述介绍如何根据带宽、延迟、延迟抖动、分组丢失率和用户主观数值等指标进行加权平均计算得到单一的服务质量值的具体方法。 

通常，基站覆盖范围内存在一部以上的双模终端。为了提高用户的服务质量，基站需要通过引导每部终端选择合适的网络模式，以使基站覆盖范围内所有双模终端的平均服务质量值最大化。同时，通常情况下，基站在每种网络模式下能够承载的双模终端总数是有限的。如果基站在某种网络模式下的终端数量超过了其承载能力，会引发网络拥塞，同时会导致新的终端无法接入该网络模式。因此，基站必须严格限制每种网络模式下的双模终端数量。 

综上所述，基站在引导双模终端选择合适的网络模式时，需要满足以下两个目标： 

目标1：每种网络模式下对应的双模终端数量不能超过基站在该网络模式下能够承载的双模终端数量上限。 

例如，某基站在GSM和TD-SCDMA两种网络模式下的终端上限分别是60部和80部，如果基站覆盖范围内有100部双模终端，则基站制定的网络模式选择方案中，接入GSM网络模式的双模终端数量不能超过60部，而接入TD-SCDMA网络模式的双模终端数量不能超过80部。这样，若100部双模终端中，分配到GSM网络模式的双模终端数量为90部，分配到 TD-SCDMA的网络中的双模终端数量为10部时，就会引发GSM网络的拥塞。因为对于该基站，GSM网络模式下的终端上限是60部，90部双模终端接入到GSM网络，就超过该基站在该网络模式下的承载能力。 

类似的，若100部双模终端中，分配到GSM网络模式的双模终端数量为10部，分配到TD-SCDMA的网络中的双模终端数量为90部，就会引发TD-SCDMA网络的拥塞。其理由是超过了基站在该网络模式下的承载能力。 

类似的，如果100部双模终端中，分别分配到GSM和TD-SCDMA两种网络模式的双模终端数量各为50部，就不会引发GSM和TD-SCDMA网络的拥塞，因为对于基站来说，GSM网络模式和TD-SCDMA网络模式下的终端都没有超过该基站在该两种网络模式的承载能力。 

目标2：在满足目标1时，使得基站覆盖范围内所有双模终端的平均服务质量值最大化。 

通常，每个基站覆盖范围内的双模终端数量为数十部到几万部不等。例如，华为的某型号3G单基站，如果组成基站级联，即3～4个基站和一个Hub基站组成级联下挂的配置，其用户数量将达到500～800个，最大允许20000～30000个3G用户在同一基站或同一组基站级联的覆盖范围内活动。 

为方便说明，给出一个双模终端数量较少的示例：某基站覆盖范围内有3部双模终端，分别为双模终端A、双模终端B和双模终端C。每部双模终端可从GSM和TD-SCDMA这两种网络模式（分别编号为0和1）中任选一种。这3部双模终端在GSM和TD-SCDMA两种网络模式下的服务质量值如下表1所示 

表1终端服务质量值与网络模式对照表 

	双模终端A	双模终端B	双模终端C
				GSM（编号0）	0.2	0.6	0.1
TD-SCDMA（编号1）	0.6	0.8	0.7

假设基站在每种网络模式下的承载能力上限是2部双模终端（基站的实际承载能力远大于此，这里是为方便说明而降低了数量级），即如果每种网络模式下的双模终端数量超过2部，都会引发其网络拥塞。 

如果基站需要通过引导终端选择合适的网络模式，以使基站覆盖范围内 所有双模终端的平均服务质量值最大化，就要从以下所有8种排列组合方案中选择一种（括号内为用二进制序列编号的方案代码）： 

方案1（000）：双模终端A、B、C均选择GSM网络模式 

方案2（001）：双模终端A、B都选择GSM，C选择TD-SCDMA。 

方案3（010）：双模终端A、C都选择GSM，B选择TD-SCDMA。 

方案4（011）：双模终端A选择GSM，B、C都选择TD-SCDMA。 

方案5（100）：双模终端B、C都选择GSM，A选择TD-SCDMA。 

方案6（101）：双模终端B选择GSM，A、C都选择TD-SCDMA。 

方案7（110）：双模终端C选择GSM，A、B都选择TD-SCDMA。 

方案8（111）：双模终端A、B、C均选择TD-SCDMA。 

因该示例中的双模终端数量较少，可以依次判断每种网络模式下对应的双模终端数量是否超过基站在该网络模式下能够承载的双模终端数量上限，并计算所有未超过上限的各种方案的服务质量值。然后，选出服务质量值最大的方案，并由基站引导终端按照该方案选择合适的网络模式，以使基站覆盖范围内所有双模终端的平均服务质量值最大化。 

以下简要介绍其计算过程： 

方案1（000）：双模终端A、B、C均选择GSM：该方案GSM网络模式下的双模终端数量为3部，超过其上限值2部，会引发GSM网络拥塞，即不满足上述两个目标中的目标1。 

方案2（001）：双模终端A和B选择GSM，C选择TD-SCDMA：该方案GSM和TD-SCDMA两种网络模式下的双模终端数量都未超过2部，因此满足目标1，其服务质量值计算如下（由表1可知）： 

双模终端A和B选择GSM网络模式的服务质量值分别为0.2和0.6，C选择TD-SCDMA网络模式的服务质量值为0.7，因此三部双模终端平均服务质量值为：（0.2+0.6+0.7）÷3=0.5。 

方案3（010）：双模终端A和C选择GSM，B选择TD-SCDMA：该方案GSM和TD-SCDMA两种网络模式下的双模终端数量都未超过2部，因此满足目标1，其服务质量值计算如下（由表1可知）： 

双模终端A和C选择GSM网络模式的服务质量值分别为0.2和0.1，B 选择TD-SCDMA网络模式的服务质量值为0.8，因此三部双模终端平均服务质量值为：（0.2+0.1+0.8）÷3=0.3667 

方案4（011）：双模终端A选择GSM，B和C选择TD-SCDMA：该方案GSM和TD-SCDMA两种网络模式下的双模终端数量都未超过2部，因此满足目标1，其服务质量值计算如下（由表1可知）： 

双模终端A选择GSM网络模式的服务质量值为0.2，B和C选择TD-SCDMA网络模式的服务质量值分别为0.8和0.7，因此三部双模终端平均服务质量值为：（0.2+0.8+0.7）÷3=0.5667 

方案5（100）：双模终端B和C选择GSM，A选择TD-SCDMA：该方案GSM和TD-SCDMA两种网络模式下的双模终端数量都未超过2部，因此满足目标1，其服务质量值计算如下（由表1可知）： 

双模终端B和C选择GSM网络模式的服务质量值分别为0.6和0.1，A选择TD-SCDMA网络模式的服务质量值为0.6，因此三部双模终端平均服务质量值为：（0.6+0.6+0.1）÷3=0.4333 

方案6（101）：双模终端B选择GSM，A和C选择TD-SCDMA：该方案GSM和TD-SCDMA两种网络模式下的双模终端数量都未超过2部，因此满足目标1，其服务质量值计算如下（由表1可知）： 

双模终端B选择GSM网络模式的服务质量值为0.6，A和C选择TD-SCDMA网络模式的服务质量值分别为0.6和0.7，因此三部双模终端平均服务质量值为：（0.6+0.6+0.7）÷3=0.6333 

方案7（110）：双模终端C选择GSM，A和B选择TD-SCDMA：该方案GSM和TD-SCDMA两种网络模式下的双模终端数量都未超过2部，因此满足目标1，其服务质量值计算如下（由表1可知）： 

双模终端C选择GSM网络模式的服务质量值为0.1，A和B选择TD-SCDMA网络模式的服务质量值分别为0.6和0.8，因此三部双模终端平均服务质量值为：（0.1+0.6+0.8）÷3=0.5 

方案8（111）：双模终端A、B、C均选择TD-SCDMA网络模式：该方案TD-SCDMA网络模式下的双模终端数量为3部，超过其上限值2部，会引发TD-SCDMA网络拥塞，即不满足2个目标中的目标1。 

为了方便表示，将不满足目标1的方案的服务质量值记为0，则这八种方案的服务质量值统计如下： 

表2方案号与服务质量值的对照表 

方案号	服务质量值
		方案1（000）	0
方案2（001）	0.5
		方案3（010）	0.3667
方案4（011）	0.5667
		方案5（100）	0.4333
方案6（101）	0.6333
		方案7（110）	0.5
方案8（111）	0

从上述统计结果可见，方案1和8不满足目标1时，会引发拥塞，故其被淘汰。方案6的服务质量值最高，即双模终端B选择GSM网络模式，A和C选择TD-SCDMA网络模式的方案服务质量值最高。基站在获知这种服务质量值最高的分配方案后，就可以引导其覆盖范围内的双模终端B选择GSM网络模式，A和C选择TD-SCDMA网络模式，从而提高其覆盖范围内终端的平均服务质量值，提升用户体验。 

综上所述，当双模终端的网络模式数为2时，网络模式选择问题是：已知双模终端数量M和该M部双模终端在每种网络模式下的服务质量值时，每次网络模式的选择过程中，每部双模终端都要从两种网络模式中选择一种，即每次的选择结果对应一个长度为M的二进制序列。找出这样一个二进制序列后，从中选择使得基站覆盖范围内所有双模终端的平均服务质量值最大化，同时每种网络模式下对应的双模终端数还不能超过基站在相应模式下能够承载的双模终端数量上限。因此，本发明实质就是在已知双模终端数量、双模终端在每种网络模式下的服务质量值、以及基站在每种网络模式下双模终端数量上限的三个约束条件情况下，以双模终端平均服务质量值最大化为目标，寻找该最优二进制序列的过程。 

然而，该问题是非确定性多项式的时间难度问题（nondeterministic polynomial hard problem），该问题的复杂度是随着双模终端的数量呈指数 级增长的，在现实中不可能依次计算出每种方案的服务质量值。例如，当基站覆盖范围内的双模终端有60部时，共有2⁶⁰=1.1529215046068×10¹⁸种方案，在现有计算能力和实时性要求下，基站无法计算每种方案的服务质量值。 

因此，许多文献提出了启发式算法来解决这类难题，例如基于遗传算法的方法和基于粒子群算法的方法。启发式算法（heuristic algorithm)是相对于最优化算法提出的。每个问题的最优算法是寻求该问题每个实例的最优解。启发式算法的定义是：一个基于直观或经验构造的算法，在可接受的花费（包括计算时间和空间）下给出待解决组合优化问题中每个实例的一个可行解，该可行解与最优解的偏离程度可以不一定事先预计。启发式算法在处理许多实际问题时，通常可以在合理时间内得到相当不错的答案。 

在基于粒子群算法解决双模终端网络模式选择问题时，首先要将每种网络模式与粒子相对应，并通过迭代优化来寻求双模终端的网络模式选择方案。然而，该方法收敛较慢，最终获得的方案的平均服务质量值较低。 

由于离散量子进化算法对组合优化问题非常有效，因此非常适合解决双模终端选择网络模式问题。再者，采用离散量子进化算法选择双模终端的网络模式，能够同时实现两个目标：使得每种网络模式下对应的双模终端数小于基站能够承载的终端数量上限，同时提高网络内所有双模终端的平均服务质量值。因此，如何采用离散量子进化算法为双模终端选择合适的网络模式，就成为目前无线通信领域业内科技人员的一个研究热点。 

为便于技术人员的理解与掌握，先介绍离散量子进化算法的基本概念： 

离散量子进化算法是从量子力学引出的一种优化算法，量子力学是研究微观粒子（包括分子、原子、电子等）性质及其运动规律的理论，微观粒子的运动不服从确定性规律，而服从统计规律。简单地说，量子进化算法是一种结合量子算法与进化算法的优化方法，它发挥了量子算法的加速作用。 

计算机中的每位数据为二进制的0或1。在量子力学中，微观粒子状态被称为量子态（quantum state）。例如，电子可处于基态：|0>态，也可处于激发态：|1>态。这里的|0>态和|1>态等价于传统计算机中的二进制数字0和1。|0>态可表示为 $\left[\begin{array}{c}1\\ 0\end{array}\right],$ 即矩阵中的上面数字表示粒子处于|0>态的概率为1，处于|1>态的概率 为0；|1>态可表示为 $\left[\begin{array}{c}0\\ 1\end{array}\right],$ 表示粒子处于|0>态的概率为0，为|1>态的概率为1。 

然而，除了|0>态和|1>态，每个量子比特可以连续、随机地处于两个极化状态的任意叠加态上。此时，如果观察量子比特的状态，叠加态会以设定概率随机地坍缩成|0>态或|1>态中的某个状态。该两种状态的出现概率可分别用两个正实数组成的概率幅 $\left[\begin{array}{c}\mathrm{\α}\\ \mathrm{\β}\end{array}\right]$ 表示；该概率幅是对应状态概率的平方根，即|α|²表示量子位被观测到为|0>态的概率，|β|²表示量子位被观测到为|1>态的概率。 

例如，一个粒子处于|0>态和处于|1>态的概率分别是50%时，则其概率幅表示为矩阵： $\left[\begin{array}{c}\sqrt{0.5}\\ \sqrt{0.5}\end{array}\right]=\left[\begin{array}{c}\frac{1}{\sqrt{2}}\\ \frac{1}{\sqrt{2}}\end{array}\right].$ 该状态类似于一枚旋转的硬币，如果此时进行观测，就相当于把硬币及时用手扣住，该硬币停留在正面（|0>态）和停留在反面（|1>态）的概率各为50%。 

如果一个粒子处于|0>态的概率是1/3，处于|1>态的概率是2/3时，则其概率幅表示为矩阵： $\left[\begin{array}{c}\sqrt{1/3}\\ \sqrt{2/3}\end{array}\right]=\left[\begin{array}{c}\frac{\sqrt{3}}{3}\\ \frac{\sqrt{6}}{3}\end{array}\right].$

如果一个粒子处于|0>态的概率是1，处于|1>态的概率是0时，则其概率幅表示为矩阵： $\left[\begin{array}{c}\sqrt{1}\\ \sqrt{0}\end{array}\right]=\left[\begin{array}{c}1\\ 0\end{array}\right].$

如果一个粒子处于|0>态的概率是0，处于|1>态的概率是1时，则其概率幅表示为矩阵： $\left[\begin{array}{c}\sqrt{0}\\ \sqrt{1}\end{array}\right]=\left[\begin{array}{c}0\\ 1\end{array}\right].$

对应于宏观世界中不确定性的实例，例如，大连市明天降雨（|0>态）的概率是1/3，晴天（|1>态）的概率是2/3，则其概率幅表示为矩阵： $\left[\begin{array}{c}\sqrt{1/3}\\ \sqrt{2/3}\end{array}\right]=\left[\begin{array}{c}\sqrt{3}/3\\ \sqrt{6}/3\end{array}\right].$

再如，某正反面对称的旋转中硬币，其停止后正面朝上（|0>态）的概率与反面朝上（|1>态）的概率各为50%，则其概率幅表示为矩阵： $\left[\begin{array}{c}\sqrt{0.5}\\ \sqrt{0.5}\end{array}\right]=\left[\begin{array}{c}1/\sqrt{2}\\ 1/\sqrt{2}\end{array}\right].$

由于观测后得到的两种状态是非|0>态、即|1>态的关系，因此概率幅满足 |α|²+|β|²=1。 

如果有多个粒子时，可表示成多列矩阵。例如，两个粒子（分别为粒子1和2）中，粒子1处于|0>态和|1>态的概率分别是1/3和2/3；粒子2处于|0>态和|1>态的概率均为50%，则其概率幅表示为矩阵： $\left[\begin{array}{cc}\sqrt{1/3}& \sqrt{0.5}\\ \sqrt{2/3}& \sqrt{0.5}\end{array}\right]=\left[\begin{array}{cc}\sqrt{3}/3& \sqrt{2}/2\\ \sqrt{6}/3& \sqrt{2}/2\end{array}\right].$

如果城市大连明天降雨（|0>态）的概率是1/3，天晴（|1>态）的概率是2/3；另一城市青岛明天降雨（|0>态）的概率是50%，天晴（|1>态）的概率是50%，则其概率幅可表示为矩阵： $\left[\begin{array}{cc}\sqrt{1/3}& \sqrt{0.5}\\ \sqrt{2/3}& \sqrt{0.5}\end{array}\right]=\left[\begin{array}{cc}\sqrt{3}/3& \sqrt{2}/2\\ \sqrt{6}/3& \sqrt{2}/2\end{array}\right].$

再如：有两枚其正反面对称的旋转中硬币，停止后每枚正面朝上（|0>态）的概率和反面朝上（|1>态）的概率都是50%时，则其概率幅可表示为矩阵：  $\left[\begin{array}{cc}\sqrt{0.5}& \sqrt{0.5}\\ \sqrt{0.5}& \sqrt{0.5}\end{array}\right]=\left[\begin{array}{cc}\sqrt{2}/2& \sqrt{2}/2\\ \sqrt{2}/2& \sqrt{2}/2\end{array}\right].$

以此类推，三个或更多个粒子的情况也是相同的，就是在右边增加列。 

直观地说，概率幅是表示一个值为0或为1的概率的平方根，基于量子进化算法进行双模终端网络模式选择的过程就是概率幅优化的过程。如果某一位为|1>态能提高其平均服务质量值，则在迭代过程中，量子旋转门就使得该位成为|1>态的概率不断增大，并使得另一位为|0>态的概率不断减小，最终使得该位成为|1>态的概率幅增加到1，使另一位|0>态的概率幅减小到0。此时，该位确定为1。如果另一位为|0>态能提高平均服务质量值，则在迭代过程中，量子旋转门同样使这一位为|0>态的概率不断增大，并使另一位为|1>态的概率不断减小，最终使得该位|0>态的概率幅增加到1，使另一位|1>态的概率幅减小到0。也就是，这一位确定为0。 

发明内容

鉴于上述背景技术，本发明的目的是提供一种基于离散量子进化算法的双模终端选择网络模式的方法，用于解决双模终端选择网络模式的问题，并提高基站覆盖范围内所有双模终端的平均服务质量值。本发明为保证服务质量，设计了一套用于双模终端选择网络模式的适应度函数，以提高算法的搜索速度，进而提高双模终端选择网络模式的实时性。该方法中，基站采用离散量子迭代 进化算法的高效优化特性，为网络中的所有双模终端选择适宜的网络模式；且操作步骤简单、明确，技术上容易实现，稳定性和可操作性也较强。 

为了达到上述发明目的，本发明提供了一种基于离散量子进化算法的双模终端选择网络模式的方法，其特征在于：基站根据系统中的双模终端的总数，以及每部双模终端上报的当前网络中两种网络模式的服务质量值，调用适用于组合优化问题的离散量子进化算法为每部双模终端分配适宜的网络模式，以使其同时满足两个目标：既提高每部双模终端的平均服务质量值，实现所有双模终端整体服务质量的最优化；又保证每种网络模式下的双模终端数量不超过基站在相应网络模式下能够承载的终端数量上限；所述方法包括以下操作步骤： 

步骤1，基站收集和统计其覆盖范围内的所有双模终端的总数为M，并根据每部双模终端的上报信息，获知每部终端在两种网络下的服务质量值分别为 

或

则全部双模终端共有2M个服务质量值，式中，自然数i是双模终端序号，其最大值为M； 

步骤2，生成量子进化算法所需要的初始概率幅； 

步骤3，执行离散量子的迭代进化操作：顺序执行观测量子位、计算二进制序列B的适应度值、更新M对概率幅

与

以及更新最优二进制序列C四项操作内容； 

步骤4，统计量子的迭代进化次数：在第一次启动量子进化的迭代操作时，设置最大迭代次数L，并设置当前迭代次数T=1；以后每次循环执行到该操作步骤时，将当前迭代次数T+1后，就判断（T+1）是否等于最大迭代次数L，若否，则返回步骤3，继续执行迭代运算；若是，则执行后续步骤5； 

步骤5，生成选择结果：负责将最优二进制序列C转换为基站覆盖范围内每部双模终端的网络模式，并将其作为选择结果，发送给基站覆盖范围内的每部双模终端，作为各双模终端选择接入不同网络的依据。 

本发明方法的创新技术是：采用了能够有效求解得到全局最优解的离散量子迭代进化算法，能够自动调整每种网络模式下的终端数量，并同时能有效帮助基站为每部双模终端选择其适宜的网络模式，有效提高双模终端的平均服务质量值。同时，与遗传算法相比较，本发明有效减少了算法循环次数，降低了计算复杂度。 

另外，计算机仿真实验的结果表明，本发明方法与传统的粒子群算法相比较，经过网络模式选择后，终端平均服务质量值有了较大提高（约提高7%）。再者，本发明的操作步骤简单、方便，其进化速度大大高于传统的遗传算法。为了达到相同的双模终端平均服务质量值，在同样参数下，本发明方法通常只需使用80%的迭代循环总次数就能达到与遗传算法相同的效果，这样，显著减少了基站的计算量，并提高了网络模式的分配速度和质量。因此，本发明具有很好的推广应用前景。 

附图说明

图1是本发明基站基于离散量子进化算法的双模终端选择网络模式的方法操作步骤流程图。 

图2是当双模终端数量为60部时，为达到相同服务质量值时，本发明实施例与传统粒子群算法的双模终端平均服务质量值的仿真曲线示意图。 

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面结合附图和仿真实施例对本发明的实施过程及性能分析作进一步的详细描述。 

本发明基于离散量子进化算法的双模终端选择网络模式的方法是由基站运行离散量子进化算法，帮助双模终端选择其适宜的网络模式，以提高网络中双模终端的平均服务质量值。 

本发明方法具体内容是：基站根据系统中的双模终端的总数，以及每部双模终端上报的当前网络中两种网络模式的服务质量值，调用适用于组合优化问题的离散量子进化算法为每部双模终端分配适宜的网络模式，以使其同时满足两个目标：既提高每部双模终端的平均服务质量值，实现所有双模终端整体服务质量的最优化；又保证每种网络模式下的双模终端数量不超过基站在相应网络模式下能够承载的终端数量上限。 

参见图1并结合仿真实施例的情况，介绍本发明方法的操作步骤（本发明仿真实施试验进行了多次，下面同时也简要说明实施例过程情况和结果）： 

步骤1，基站收集和统计其覆盖范围内的所有双模终端的总数为M，并根 据每部双模终端的上报信息，获知每部终端在两种网络下的服务质量值分别为 

或则全部双模终端共有2M个服务质量值，式中，自然数i是双模终端序号，其最大值为M。 

本发明实施例的蜂窝网络设有60部双模终端，还设有两种网络模式（分别简称为网络模式1和网络模式2）供终端选择。在实施例蜂窝网络中，基站必需给60部双模终端中的每部双模终端分配一种适宜的网络模式，即每部双模终端要从网络模式1和网络模式2中选择其中之一，以提高基站覆盖范围内双模终端平均服务质量值。同时，每种网络模式中的终端数都有上限，该实施例中每种网络模式下的终端数不超过45，即60部双模终端选择网络模式1或网络模式2的终端数都不能超过45部。因此，基站要根据终端在每种网络模式下的服务质量值和每种网络模式下的终端数上限，为网络中的每部终端从两种可选的网络模式中选出一种，以提高终端平均服务质量值。 

本发明实施例在该步骤1收集各个双模终端服务质量值时，因基站统计得到基站信号覆盖范围内的双模终端数量M=60，以及每种双模终端分别在两种网络下的服务质量值

i=1,2,…60，即共有2M=120个服务质量值。故实施例中的120个服务质量值如下表3所示： 

表3 终端序号与服务质量值对照表 

步骤2，生成量子进化算法所需要的初始概率幅：本发明基于量子进化算法进行双模终端网络模式选择操作过程的实质是概率幅优化过程。概率幅是一个数值为0或为1的概率的平方根，如果某一位为|1>态能提高其平均服务质量值，则在量子迭代进化过程中，量子旋转门就使得该位成为|1>态的概率不断增大，并使得另一位为|0>态的概率不断减小，最终使得该位成为|1>态的概率幅增加到1，使另一位|0>态的概率幅减小到0。该步骤2包括下列操作内容： 

（21）因初始概率幅由M对概率幅

和

组成，式中，右上角的0表示当前为初始概率幅，其迭代次数为0；概率幅的对数M等于基站覆盖范围内的所有双模终端的总数，且每对概率幅对应一部终端，故全部双模终端的概率幅 为一个2行M列的矩阵： ${\left[\begin{array}{cccc}{\mathrm{\α}}_1^0& {\mathrm{\α}}_2^0& ...& {\mathrm{\α}}_M^0\\ {\mathrm{\β}}_1^0& {\mathrm{\β}}_2^0& ...& {\mathrm{\β}}_M^0\end{array}\right]}_{2\×M};$

（22）初始化设置所有双模终端的概率幅

和

均为则这些双模终端的初始概率幅数值为一个2行M列的矩阵： ${\left[\begin{array}{cccc}\frac{1}{\sqrt{2}}& \frac{1}{\sqrt{2}}& ...& \frac{1}{\sqrt{2}}\\ \frac{1}{\sqrt{2}}& \frac{1}{\sqrt{2}}& ...& \frac{1}{\sqrt{2}}\end{array}\right]}_{2\×M};$

（23）概率幅α_i的平方和β_i的平方分别表示第i部双模终端选择第一种网络模式和选择第二种网络模式的两个概率值，且两者满足下述公式：(α_i)²+(β_i)²=1。 

例如，在第0次迭代进化（即初始值）时，

为表示第i部双模终端选择第一种网络模式的概率为：

为

表示第i部双模终端选择第二种网络模式的概率也为：

类似地，例如，在随后的第t次迭代中，

为

表示第i部双模终端在第t次迭代时选择第一种网络模式的概率为

为

表示第i部双模终端在第t次迭代时选择第二种网络模式的概率为

本发明实施例中的初始概率幅由60对概率幅

i=1，2，…，60，可以表示成一个2行60列的矩阵： ${\left[\begin{array}{cccc}{\mathrm{\α}}_1^0& {\mathrm{\α}}_2^0& ...& {\mathrm{\α}}_{60}^0\\ {\mathrm{\β}}_1^0& {\mathrm{\β}}_2^0& ...& {\mathrm{\β}}_{60}^0\end{array}\right]}_{60\×2};$ 故设置所有初始概率幅

为和所有初始概率幅

为

得到的初始概率幅为  ${\left[\begin{array}{cccc}\frac{1}{\sqrt{2}}& \frac{1}{\sqrt{2}}& ...& \frac{1}{\sqrt{2}}\\ \frac{1}{\sqrt{2}}& \frac{1}{\sqrt{2}}& ...& \frac{1}{\sqrt{2}}\end{array}\right]}_{2\×60}.$

步骤3，执行离散量子的迭代进化操作：顺序执行观测量子位、计算二进制序列B的适应度值、更新M对概率幅

与

以及更新最优二进制序列B四项操作内容。其中，离散量子的迭代进化操作中的二进制序列B的适应度值是执行每次迭代进化算法得到的，最优二进制序列C是用于存储当前适应度值最大的二进制序列B的存储器。 

更新最优二进制序列C的操作内容是：每次执行迭代进化算法后，都能够得到一个新的二进制序列B的适应度值，再将该新的二进制序列B的适应度值与当前最优二进制序列C的适应度值进行比较，如果该新的二进制序列B的适应度值大于当前最优二进制序列C的适应度值时，则把该新的二进制序列B的适应度值赋值给二进制序列C；否则，保持二进制序列C的适应度不变。 

该步骤3包括下列操作内容： 

（31）观测量子位：将M对概率幅观测为长度为M的二进制序列B； 

该操作具体过程是：当该二进制序列B中的第i位B(i)执行第T次迭代时，首先生成一个取值范围为[0,1]的随机小数ε，再判断

是否成立，若是，则B(i)=1；若否，则B(i)=0；反复执行M次上述迭代操作，即当该二进制序列B中的每一位都执行上述操作后，得到长度为M的二进制序列B(i)。 

本发明实施例中，反复执行上述操作60次，就得到了长度为60的二进制序列B=“11001……110”，该二进制序列B的长度与终端数量相同，即60。 

（32）按照公式

计算二进制序列B(i)的适应度值F(B)；式中，B(i)是二进制序列B(i)中第i位，其数值是0或1；当B(i)取值为0时，

是第i部双模终端在第一种网络模式下的服务质量值当B(i)取值为1时，

是第i部双模终端在第二种网络模式下的服务质量值

在完成适应度值F(B)的计算后，再统计二进制序列

之和的数值，并判断每种网络模式下的双模终端总数是否超过基站在相应网络模式下能够承载的双模终端数量上限H_α或H_β；也就是，先判断不等式：

是否成立，若是，则表明第一种网络模式中的双模终端数量超过了基站在第一种网络模式下能够承载的终端数量上限，则其适应度值F(B)=0；若否，则保持适应度值F(B)不变；接着，再判断不等式：

是否成立，若是，则表明第二种网络模式中的双模终端数量超过了基站在第二种网络模式下能够承载的双模终端数量上限；则其适应度值F(B)=0；若否，则保持适应度值F(B)不变；式中，H_α和H_β分别是基站在第一种网络模式和第二种网络模式能够承载的终端数量上限。 

实施例中的适应度值计算是按照公式：

计算二进制序列B所对应的适应度函数值F。因B(m)是二进制序列B中第m位数值，且B=“110……0”，故 $F\left(B\right)=\frac{Q_1^1+Q_2^1+Q_3^1++......+Q_{60}^1}{60}=\frac{0.3928+0.9146+0.8136+......+0.2476}{60}.$

在完成适应度函数值F的计算后，判断每种网络模式下对应的终端数是否超过了基站能够承载的终端数量上限45，如果超过，则赋值F(B)=0。即统计B中

是否超过45或小于15，如果超过45或小于15，就把F(B)的值置为0。 

（33）更新M对概率幅

和

其中，右上角T为当前算法迭代次数；具体更新操作是： 

当T=1时，不做任何操作； 

当T>1时，根据步骤（31）中生成的M的二进制序列B(i)，以及第（T-1）次迭代过程中步骤（34）生成的最优二进制序列C，按照下述公式更新概率幅

和 ${\mathrm{\β}}_i^T:\left[\begin{array}{c}{\mathrm{\α}}_i^{T+1}\\ {\mathrm{\β}}_i^{T+1}\end{array}\right]=\left[\begin{array}{cc}\cos {\mathrm{\θ}}_i& -\sin {\mathrm{\θ}}_i\\ \sin {\mathrm{\θ}}_i& \cos {\mathrm{\θ}}_i\end{array}\right]\left[\begin{array}{c}{\mathrm{\α}}_i^T\\ {\mathrm{\β}}_i^T\end{array}\right];$ 式中，

和

为更新前的概率幅，

和

是更新后的概率幅， $\left[\begin{array}{cc}\cos {\mathrm{\θ}}_i& -\sin {\mathrm{\θ}}_i\\ \sin {\mathrm{\θ}}_i& \cos {\mathrm{\θ}}_i\end{array}\right]$ 为量子旋转门矩阵，θ_i为量子旋转门矩阵的旋转角，而旋转角θ_i的查询表为公知技术（如下表4所示）； 

表4量子旋转门中旋转角查询表 

B(i)	C(i)	F(B)>F(C)	θi
				0	0	假	0
0	0	真	0
				0	1	假	+0.025π
0	1	真	-0.025π
				1	0	假	-0.025π
1	0	真	+0.025π
				1	1	假	0
1	1	真	0

其中C为T-1次迭代过程中步骤（34）生成的适应度值最大的最优二进制序列，F(C)为最优二进制序列的适应度值。 

（34）更新适应度最大、即最优的二进制序列C： 

当T=1时，二进制序列C=B，F(C)=F(B)； 

当T>1时，如果F(C)>F(B)，则C=B，F(C)=F(B)；否则，保持二进制序列C不变，即第T次迭代后的C等于第（T-1）次迭代后的C； 

完成更新后，再按照下述公式：

计算C对应的适应度函数F的数值，其中，C（i）是最优二进制序列C的第i位的值。 

实施例中该步骤的操作如同前述，不再具体说明之。需要注意的是：该步骤（34）生成的最优二进制序列C是上一次迭代操作生成的。例如，当T=5时，上述公式中的B是第5次迭代生成的，而公式中的C是第4次迭代生成的。 

步骤4，统计量子的迭代进化次数：在第一次启动量子进化的迭代操作时，设置最大迭代次数L，并设置当前迭代次数T=1；以后每次循环执行到该操作步骤时，将当前迭代次数T+1后，就判断（T+1）是否等于最大迭代次数L，若否，则返回步骤3，继续执行迭代运算；若是，则执行后续步骤5。 

步骤5，生成选择结果：负责将最优二进制序列C转换为基站覆盖范围内每部双模终端的网络模式，并将其作为选择结果，发送给基站覆盖范围内的每部双模终端。该步骤5包括下列操作内容： 

最优二进制序列C的长度为M，分别表示M部双模终端的网络模式选择结果：如果最优二进制序列C的第i位为0，则第i部双模终端选择第一种网络模式；如果最优二进制序列C的第i位为1，则第i部双模终端选择第二种网络模式。 

为了验证本发明方法，实施例分别针对本发明方法与粒子群算法进行了仿真试验，并对该两种方法的测试结果进行分析。从图2中可以看出，本发明方法相比传统的粒子群算法，经过网络模式选择后，终端平均服务质量值有了较大提高。对于60部双模终端的网络系统，本发明和传统的粒子群算法相比，双模终端的平均服务质量值提高了7%。因此，本发明具有很好的推广应用前景。 

Claims (7)

1.一种基于离散量子进化算法的双模终端选择网络模式的方法，其特征在于：基站根据系统中的双模终端的总数，以及每部双模终端上报的当前网络中两种网络模式的服务质量值，调用适用于组合优化问题的离散量子进化算法为每部双模终端分配适宜的网络模式，以使其同时满足两个目标：既提高每部双模终端的平均服务质量值，实现所有双模终端整体服务质量的最优化；又保证每种网络模式下的双模终端数量不超过基站在相应网络模式下能够承载的终端数量上限；所述方法包括以下操作步骤：

步骤1，基站收集和统计其覆盖范围内的所有双模终端的总数为M，并根据每部双模终端的上报信息，获知每部终端在两种网络下的服务质量值分别为

或

则全部双模终端共有2M个服务质量值，式中，自然数i是双模终端序号，其最大值为M；

步骤2，生成量子进化算法所需要的初始概率幅；

步骤3，执行离散量子的迭代进化操作：顺序执行观测量子位、计算二进制序列B的适应度值、更新M对概率幅

与

以及更新最优二进制序列C四项操作内容；

步骤4，统计量子进化算法的迭代进化次数：在第一次启动量子进化的迭代操作时，设置最大迭代次数L，并设置当前迭代次数T=1；以后每次循环执行到该操作步骤时，将当前迭代次数T+1后，就判断（T+1）是否等于最大迭代次数L，若否，则返回步骤3，继续执行迭代运算；若是，则执行后续步骤5；

步骤5，生成选择结果：负责将最优二进制序列C转换为基站覆盖范围内每部双模终端的网络模式，并将其作为选择结果，发送给基站覆盖范围内的每部双模终端。

2.根据权利要求1所述的方法，其特征在于：所述概率幅是一个数值为0或为1的概率的平方根；基于量子进化算法进行双模终端网络模式选择操作过程的实质是概率幅优化过程：如果某一位为|1>态能提高其平均服务质量值，则在迭代进化过程中，量子旋转门就使得该位成为|1>态的概率不断增大，并使得另一位为|0>态的概率不断减小，最终使得该位成为|1>态的概率幅增加到1，使另一位|0>态的概率幅减小到0。

3.根据权利要求1所述的方法，其特征在于：所述步骤2包括下列操作内容：

（21）因初始概率幅由M对概率幅

和组成，式中，右上角的0表示当前为初始概率幅，其迭代次数为0；概率幅的对数M等于基站覆盖范围内的所有双模终端的总数，且每对概率幅对应一部终端，故全部双模终端的概率幅为一个2行M列的矩阵： ${\left[\begin{array}{cccc}{\mathrm{\α}}_1^0& {\mathrm{\α}}_2^0& ...& {\mathrm{\α}}_M^0\\ {\mathrm{\β}}_1^0& {\mathrm{\β}}_2^0& ...& {\mathrm{\β}}_M^0\end{array}\right]}_{2\×M};$

（22）初始化设置所有双模终端的概率幅

和均为

则这些双模终端概率幅的初始值为一个2行M列的矩阵： ${\left[\begin{array}{cccc}\frac{1}{\sqrt{2}}& \frac{1}{\sqrt{2}}& ...& \frac{1}{\sqrt{2}}\\ \frac{1}{\sqrt{2}}& \frac{1}{\sqrt{2}}& ...& \frac{1}{\sqrt{2}}\end{array}\right]}_{2\×M};$

（23）概率幅α_i的平方和β_i的平方分别表示第i部双模终端选择第一种网络模式和选择第二种网络模式的两个概率值，且两者满足下述公式：(α_i)²+(β_i)²=1。

4.根据权利要求1所述的方法，其特征在于：所述离散量子的迭代进化操作中的二进制序列B的适应度值是执行每次迭代进化算法得到的，所述最优二进制序列C是用于存储当前适应度值最大的二进制序列B的存储器。

5.根据权利要求4所述的方法，其特征在于：所述更新最优二进制序列C的操作内容是：每次执行迭代进化算法后，都能够得到一个新的二进制序列B的适应度值，再将该新的二进制序列B的适应度值与当前最优二进制序列C的适应度值进行比较，如果该新的二进制序列B的适应度值大于当前最优二进制序列C的适应度值时，则把该新的二进制序列B的适应度值赋值给二进制序列C；否则，保持二进制序列C的适应度不变。

6.根据权利要求1所述的方法，其特征在于：所述步骤3包括下列操作内容：

（31）观测量子位：将M对概率幅观测为长度为M的二进制序列B；

该操作具体过程是：当该二进制序列B中的第i位B(i)执行第T次迭代时，先生成一个取值范围为[0,1]的随机小数ε，再判断

是否成立，若是，则B(i)=1；若否，则B(i)=0；反复执行M次上述迭代操作，即当该二进制序列B中的每一位都执行上述操作后，得到长度为M的二进制序列B(i)；

（32）按照公式

计算二进制序列B(i)的适应度值F(B)；式中，B(i)是二进制序列B(i)中第i位，其数值是0或1；当B(i)取值为0时，

是第部双模终端在第一种网络模式下的服务质量值当B(i)取值为1时，

是第i部双模终端在第二种网络模式下的服务质量值

在完成适应度值F(B)的计算后，再统计二进制序列

之和的数值，并判断每种网络模式下的双模终端总数是否超过基站在相应网络模式下能够承载的双模终端数量上限H_α或H_β；也就是，先判断不等式：

是否成立，若是，则表明第一种网络模式中的双模终端数量超过了基站在第一种网络模式下能够承载的终端数量上限，则其适应度值F(B)=0；若否，则保持适应度值F(B)不变；接着，再判断不等式：

是否成立，若是，则表明第二种网络模式中的双模终端数量超过了基站在第二种网络模式下能够承载的双模终端数量上限；则其适应度值F(B)=0；若否，则保持适应度值F(B)不变；式中，H_α和H_β分别是基站在第一种网络模式和第二种网络模式能够承载的终端数量上限；

（33）更新M对概率幅

和

其中，右上角T为当前算法迭代次数；具体更新操作是：

当T=1时，不做任何操作；

当T>1时，根据步骤（31）中生成的M的二进制序列B(i)，以及第（T-1）次迭代过程中步骤（34）生成的最优二进制序列C，按照下述公式更新概率幅

和 ${\mathrm{\β}}_i^T:\left[\begin{array}{c}{\mathrm{\α}}_i^{T+1}\\ {\mathrm{\β}}_i^{T+1}\end{array}\right]=\left[\begin{array}{cc}\cos {\mathrm{\θ}}_i& -\sin {\mathrm{\θ}}_i\\ \sin {\mathrm{\θ}}_i& \cos {\mathrm{\θ}}_i\end{array}\right]\left[\begin{array}{c}{\mathrm{\α}}_i^T\\ {\mathrm{\β}}_i^T\end{array}\right];$ 式中，

和

为更新前的概率幅，

和

是更新后的概率幅， $\left[\begin{array}{cc}\cos {\mathrm{\θ}}_i& -\sin {\mathrm{\θ}}_i\\ \sin {\mathrm{\θ}}_i& \cos {\mathrm{\θ}}_i\end{array}\right]$ 为量子旋转门矩阵，θ_i为量子旋转门矩阵的旋转角，而旋转角θ_i的查询表为公知技术；

（34）更新适应度最大、即最优的二进制序列C：

当T=1时，二进制序列C=B，F(C)=F(B)；

当T>1时，如果F(C)<F(B)，则二进制序列C=B；否则，保持二进制序列C不变，即第T次迭代后的C等于第（T-1）次迭代后的C；

完成更新后，再按照下述公式：

计算C对应的适应度函数F的数值，其中，C（i）是最优二进制序列C的第i位的值。

7.根据权利要求3所述的方法，其特征在于：所述步骤5包括下列操作内容：最优二进制序列C的长度为M，分别表示M部双模终端的网络模式选择结果：如果最优二进制序列C的第i位为0，则第i部双模终端选择第一种网络模式；如果最优二进制序列C的第i位为1，则第i部双模终端选择第二种网络模式。

Images