CN104202777B - 移动自组网中基于增广拉格朗日的资源协商方法 - Google Patents
移动自组网中基于增广拉格朗日的资源协商方法 Download PDFInfo
- Publication number
- CN104202777B CN104202777B CN201410472026.6A CN201410472026A CN104202777B CN 104202777 B CN104202777 B CN 104202777B CN 201410472026 A CN201410472026 A CN 201410472026A CN 104202777 B CN104202777 B CN 104202777B
- Authority
- CN
- China
- Prior art keywords
- agent
- resource
- seller
- buyer
- business
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种移动自组网中基于增广拉格朗日的资源协商机制,包括:对多用户与网络构成的系统优化和均衡架构的泛在业务进行分解,生成多个原子业务;定义多种类型的代理,建立资源定价模型,对资源定价模型进行求解;通过增广拉格朗日的资源协商机制对资源市场中的信息交互进行描述。本发明一方面能够综合考虑用户和网络的效益,在有限的资源约束下尽可能保证业务质量同时使整个网络获得尽量多的收益;另一方面,能够均衡竞争环境下的多用户效益,不会造成某些用户效益的提高是以其他用户效益的下降为代价,基于增广拉格朗日的协商机制通过多轮迭代过程,不断调整买方竞价和卖方出价,最终在资源市场的调控下完成资源的最佳配置。
Description
技术领域
本发明涉及通信领域,尤其涉及一种移动自组网中基于增广拉格朗日的资源协商方法。
背景技术
随着泛在计算的快速发展,移动终端已被集成到泛在环境中来为复杂的泛在业务提供更加丰富的资源。在过去的几十年中,移动设备的纳入备受关注,众多研究者一直探索其在现代医疗、移动电子商务等领域的广泛应用前景。然而,将移动终端集成到传统网络中并不是一个简单的问题,它可能会带来很多挑战,尤其是对移动自组网(Mobile Ad hocNetworks,MANETs)而言。
在无线自组网中,每个用户的请求都被当作是一个分布式的泛在业务,这样的泛在业务往往可以分解为许多相对独立、功能简单的原子业务。分布式的泛在业务需要多种异构终端协同完成。然而,移动设备具有一些固有特性,电池寿命有限,处理能力低,存储空间有限。这些特性给多个用户同时请求时的移动自组网的资源管理造成了极大的困难。由于网络资源可以被用户共享和协调来满足不同用户在特定时间的业务需求,因此如何合理有效地处理多用户竞争环境中的资源分配冲突问题是至关重要的。
为了解现有技术的发展状况,对现有的论文以及专利进行了检索、比较与分析,筛选出如下与本发明相关度较高的技术信息:
专利1:专利号为201010573679.5的专利《一种基于历史角色的信任协商构建方法及系统》,公开了一种基于历史角色的信任协商构建方法;专利2:专利号为201110110129.4的专利《一种资源导向服务组合选择方法》,公开了一种资源导向服务组合选择方法;专利3:专利号为201210387470.9的专利《泛在无线网络下基于协同优化的多域资源分配方法》,涉及泛在无线网络下基于协同优化的多域资源分配问题,通过泛在无线网络协同优化机制的运行实现资源的均衡分配;专利4:专利号为201310162241.1的专利《一种基于重复博弈的融合泛在网多终端协同信任机制》,涉及融合泛在网多终端协同技术领域,公开了一种基于重复博弈的融合泛在网多终端协同信任机制。
上述专利分别使用不同的方法和流程解决了泛在网络环境中的资源分配问题。专利1采用自动信任协商,能有效控制与约束用户跨域资源访问行为,在双方再次进行协商时,只要历史信息库中记录的角色有权访问被请求的资源,则无需再次进行协商,但是该协商策略没有考虑多用户竞争的场景;专利2能够统筹考虑网络、计算资源等一些底层资源的实际状况,与服务节点和服务过程进行合理的协商,提高服务效用值,但是该方案只考虑QoS指标,没有从经济学的角度出发对资源进行定价;专利3以泛在无线网络社会福利最大化为目标,考虑泛在无线网络的复杂性、混沌性和协同性,对网络进行优化,但是在每个调度帧中用户的数目都是一定的,灵活性较差;专利4通过一种基于重复博弈的融合泛在网多终端协同信任机制,从根本上解决自私节点之间的协同问题,但该机制中定义的支付函数较为简单,不能很好地描述节点的效用。
发明内容
本发明所要解决的技术问题是提供一种MANET下能够平衡网络和用户效益的资源协商方法,有效解决竞争条件下网络资源分配冲突的关键问题。
为此目的,本发明提出了一种移动自组网中基于增广拉格朗日的资源协商方法,包括具体以下步骤:
S1:对多用户与网络构成的系统优化和均衡架构的泛在业务进行分解,生成多个原子业务;
S2:定义多种类型的代理,建立资源定价模型(Resource Pricing Model,RPM),其中,所述多种类型的代理包括:买方代理(Buyer Agent,BA)和卖方代理(Seller Agent,SA);
S3:对所述资源定价模型进行求解;
S4:通过增广拉格朗日的资源协商方法对资源市场中的信息交互进行描述。
具体地,所述买方代理为从网络购买资源的一个原子业务;所述卖方代理为出售空闲能量资源获取收益的终端设备。
具体地,所述终端设备包括移动终端和/或固定终端。
具体地,所述资源定价模型包括买方代理模型和卖方代理模型。
进一步地,所述步骤S2进一步包括:买方代理模型的建立,包括具体以下步骤:
S21:定义所述买方代理模型的多个参数,其中,所述多个参数包括:所述买方代理id(AgentId),用来标识BA,符号表示为i(i=1,…,N),其中,每个BA由一个7元组<AgentId,Position,Budget,Deadline,ResourceReq,Payment,Utility>表示;所述买方代理代表的用户的二维坐标,Position;所述买方代理为支付请求能量资源的最大预算,Budget,符号表示为Bi;所述买方代理完成相应所述原子业务的最大截止时间,Deadline,符号表示为Ti;所述买方代理向所有所述卖方代理请求的能量资源向量,ResourceReq,符号表示为Ri={Rij|j=1,…,M};所述买方代理为请求的能量资源向所有所述卖方代理的支付向量,Payment,符号表示为BPi={BPij|j=1,…,M};每个所述买方代理都有一个效益函数Ui,Utility,用作评估所述买方代理收益的评分函数,所述买方代理根据自身的效益函数值来调整支付向量;
S22:通过所述买方代理的效益函数进行计算,公式如下:
其中,K1为响应延迟的权重,K2为业务距离的权重,Dij为买方代理i和卖方代理j之间的二维距离,K1和K2分别代表响应延迟和业务距离这两项指标在买方代理效益中相对花费的重要程度;
S23:建立所述买方代理优化子问题模型,所述买方代理优化子问题模型如下:
(BA)
其中,每个所述买方代理的目标为在预算和截止时间约束的条件下最大化自身的效益函数。
进一步地,所述步骤S2还包括:卖方代理模型的建立,包括具体以下步骤:
S21’:定义所述卖方代理模型的多个参数,其中,所述多个参数包括:卖方代理id(AgentId),用来惟一地标识SA,符号表示为j(j=1,…,M),其中,每个SA由一个6元组<AgentId,Position,Capacity,ResourceAlloc,UnitCharge,Utility>表示;所述卖方代理代表的移动设备的二维坐标,Position;所述卖方代理能够出售的空闲能量资源最大容量,Capacity,符号表示为Cj;所述卖方代理分配给所有所述买方代理的能量资源单位分配向量,ResourceAlloc,符号表示为vj={Vij|i=1,…,N};所述卖方代理出售能量资源的单位价格,UnitCharge,符号表示为SPj;每个所述卖方代理都有一个效益函数Uj,Utility,用来计算所述卖方代理通过出售能量资源所获得的效益,所述卖方代理根据收入来决定自身的资源分配向量;
S22’:通过所述卖方代理效益函数进行计算,公式如下:
S23’:建立所述卖方代理优化子问题模型,所述卖方代理优化子问题模型如下:
(SA)
其中,每个所述卖方代理的目标为在能量资源容量的约束下最大化自身的效益函数。
具体地,所述买方代理模型与卖方代理模型通过价格变量SPj进行交互,其中SPj为所述卖方代理索要的单位能量资源价格。
进一步地,所述步骤S3进一步包括:买方代理模型求解,包括具体以下步骤:
S31:将Ui对变量BPij进行一次、二次求导,得到公式(5)、(6):
S32:引入松弛变量y1和y2,将所述公式(2)变换为公式(7)所示的最小化优化问题;
S33:通过GLM技术,将所述公式(7)按照拉格朗日形式表示如公式(8)所示:
其中,γ和λm(m=1,2)为增广拉格朗日乘子;
S34:通过配方法对所述公式(8)进行变换,得到结果如公式(9)所示:
S35:综合两种情况,当γgm(x)-λm≥0时,当γgm(x)-λm<0时,ym=0,对变量ym,进行L(BPi)的最小值计算,
S36:消去变量ym.对L(BPi)进行重新定义,所述公式(2)变换成如公式(10)所示的易于求解的无约束问题:
进一步地,所述步骤S3还包括:卖方代理模型求解,包括具体以下步骤:
S31’:将所述公式(4)的最优解等同于如下公式:
其中,f=-Uj,
S32’:执行第一预设算法求得所述卖方代理j对所述买方代理i的最佳单位能量资源配置,记为
进一步地,所述步骤S4进一步包括:
S41:用户注册,登记请求的所述泛在业务的相关信息,其中,所述相关信息包括:业务类型和/或业务逻辑;
S42:根据业务层协议(Service Layer Agreement,SLA)确定所有用户登记的所述泛在业务的优先级,并按优先级对所述泛在业务进行分批排序,其中,所述优先级相同的归为一批;
S43:所述优先级最高的一批所述泛在业务向资源市场发出接入请求;
S44:检查所述泛在业务的接入是否成功;若所述泛在业务与资源市场成功建立连接,则执行步骤S45;否则用户的业务请求失败,返回所述步骤S41;
S45:进入资源协商阶段,对成功接入的泛在业务建立所述买方代理模型,对网络建立所述卖方代理模型,在资源市场的协调下进行资源协商,协商过程通过第二预设算法实现;
S46:若买卖双方成功达成协议,则指定步骤S47;否则协商失败,返回所述步骤S41;
S47:对协商成功的所述泛在业务已分配好相应的能量资源,转为就绪状态等待执行;
S48:查看是否还有未进行分批的所述泛在业务,若有则返回所述步骤S43;否则继续;
S49:执行处于就绪状态的所述泛在业务。
通过采用本发明所公开一种移动自组网中基于增广拉格朗日的资源协商方法,通过采用经济学的概念,赋予移动终端上的能量资源一个价格属性,用户和网络分别作为资源的买卖双方通过价格的相互作用来使自身效益最大化。一方面能够综合考虑用户和网络的效益,在有限的资源约束下尽可能保证业务质量同时使整个网络获得尽量多的收益;另一方面,能够均衡竞争环境下的多用户效益,不会造成某些用户效益的提高是以其他用户效益的下降为代价。研究模型中,系统优化问题被分解为两类独立的子问题,使得问题求解可以在每个代理上分布式地单独进行,降低了复杂度。基于增广拉格朗日的协商方法通过多轮迭代过程,不断调整买方竞价和卖方出价,最终在资源市场的调控下完成资源的最佳配置。
附图说明
通过参考附图会更加清楚的理解本发明的特征和优点,附图是示意性的而不应理解为对本发明进行任何限制,在附图中:
图1示出了本发明实施例中的一种移动自组网中基于增广拉格朗日的资源协商方法的步骤流程图;
图2示出了本发明实施例中的一种移动自组网中基于增广拉格朗日的资源协商方法的部署结构图。
具体实施方式
本发明提出的一种移动自组网中基于增广拉格朗日的资源协商方法,主要提供一种MANET下能够平衡网络和用户效益的资源协商方法,有效解决竞争条件下网络资源分配冲突的关键问题。该方法有效弥补了不适用于多用户场景的不足,同时引入了经济学概念,对能量资源进行定价,且具有更强的灵活性,能够对不同用户区分优先级,支付函数也更加完善。
进一步地,本发明建立的资源定价模型(Resource Pricing Model,PRM),将原子业务当作资源买方,将网络中的终端设备,其中,终端设备包括移动终端和/或固定终端,当作资源卖方,每个原子业务具有一个买方代理,同时每个终端设备具有一个卖方代理,在资源市场的调节下,买方代理和卖方代理通过交互来使各自的效用函数最大化。提出的基于增广拉格朗日的资源协商方法(Generalized Lagrange based Resource NegotiationMechanism,GLRNM)主要包括两部分:采用增广拉格朗日乘子技术(Generalized LagrangeMultiplier,GLM)求解两类代理的优化问题;针对能量资源的多轮协商策略。在协商过程中,每次迭代都允许多个买方代理和多个卖方代理基于最新的能量价格同时进行交互,并由资源市场决定最终的协商结果。该方法从经济学角度出发,有效解决了资源约束条件下用户和网络效益的均衡问题。
更进一步地,在MANET中,有限的电池寿命是制约移动终端能够持续提高质量业务的关键因素。一个有效的能量资源定价模型应在满足花费预算、响应延时、终端能量约束的条件下同时保证用户和网络效益的最大化。为此,本发明从经济学的角度出发,建立了基于代理的多个买方对多个卖方的RPM模型。
下面将结合附图对本发明的实施例进行详细描述。
如图1所示,本发明提供了一种移动自组网中基于拉格朗日的资源协商方法,包括具体以下步骤:
步骤S1:对多用户与网络构成的系统优化和均衡架构的泛在业务进行分解,生成多个原子业务。
步骤S2:定义多种类型的代理,建立资源定价模型(Resource Pricing Model,RPM),其中,多种类型的代理包括:买方代理(Buyer Agent,BA)和卖方代理(Seller Agent,SA),且资源定价模型包括买方代理模型和卖方代理模型。
具体地,买方代理为从网络购买资源的一个原子业务,卖方代理为出售空闲能量资源获取收益的终端设备,其中,终端设备包括移动终端和/或固定终端。
进一步地,针对MANET中的资源协商问题,将分别从买方代理和卖方代理的角度建立子问题模型。每个代理的收益都用一个效益函数来表示,部分符号定义和说明在如表1所示:
表1.符号说明
进一步地,步骤S2进一步包括:买方代理模型的建立,包括具体以下步骤:
步骤S21:定义买方代理模型的多个参数,其中,多个参数包括:买方代理id(AgentId),用来标识BA,符号表示为i(i=1,…,N),其中,每个BA由一个7元组<AgentId,Position,Budget,Deadline,ResourceReq,Payment,Utility>表示;买方代理代表的用户的二维坐标,Position;买方代理为支付请求能量资源的最大预算,Budget,符号表示为Bi;买方代理完成相应原子业务的最大截止时间,Deadline,符号表示为Ti;买方代理向所有卖方代理请求的能量资源向量,ResourceReq,符号表示为Ri={Rij|j=1,…,M};买方代理为请求的能量资源向所有卖方代理的支付向量,Payment,符号表示为BPi={BPij|j=1,…,M};每个买方代理都有一个效益函数Ui,Utility,用作评估买方代理收益的评分函数,买方代理根据自身的效益函数值来调整支付向量。
步骤S22:通过买方代理的效益函数进行计算,公式如下:
其中,K1为响应延迟的权重,K2为业务距离的权重,Dij为买方代理i和卖方代理j之间的二维距离,K1和K2分别代表响应延迟和业务距离这两项指标在买方代理效益中相对花费的重要程度。
步骤S23:建立买方代理优化子问题模型,买方代理优化子问题模型如下:
(BA)
其中,每个买方代理的目标为在预算和截止时间约束的条件下最大化自身的效益函数。
更进一步地,步骤S2还包括:卖方代理模型的建立,包括具体以下步骤:
步骤S21’:定义卖方代理模型的多个参数,其中,多个参数包括:卖方代理id(AgentId),用来惟一地标识SA,符号表示为j(j=1,…,M),其中,每个SA由一个6元组<AgentId,Position,Capacity,ResourceAlloc,UnitCharge,Utility>表示;卖方代理代表的移动设备的二维坐标,Position;卖方代理能够出售的空闲能量资源最大容量,Capacity,符号表示为Cj;卖方代理分配给所有买方代理的能量资源单位分配向量,ResourceAlloc,符号表示为vj={Vij|i=1,…,N};卖方代理出售能量资源的单位价格,UnitCharge,符号表示为SPj;每个卖方代理都有一个效益函数Uj,Utility,用来计算卖方代理通过出售能量资源所获得的效益,卖方代理根据收入来决定自身的资源分配向量。
步骤S22’:通过卖方代理效益函数进行计算,公式如下:
步骤S23’:建立卖方代理优化子问题模型,卖方代理优化子问题模型如下:
(SA)
其中,每个卖方代理的目标为在能量资源容量的约束下最大化自身的效益函数。
买方代理模型与卖方代理模型通过价格变量SPj进行交互,其中SPj为卖方代理索要的单位能量资源价格。基于此,买方可以自适应地调整它们的支付金额,卖方可以灵活分配它们的空闲能量资源。
步骤S3:对资源定价模型进行求解。
进一步地,步骤S3进一步包括:买方代理模型求解,包括具体以下步骤:
步骤S31:将Ui对变量BPij进行一次、二次求导,得到公式(5)、(6):
步骤S32:引入松弛变量y1和y2,将公式(2)变换为公式(7)所示的最小化优化问题。
步骤S33:通过GLM技术,将公式(7)按照拉格朗日形式表示如公式(8)所示:
其中,γ和λm(m=1,2)为增广拉格朗日乘子。
步骤S34:通过配方法对公式(8)进行变换,得到结果如公式(9)所示:
步骤S35:综合两种情况,当γgm(x)-λm≥0时,当γgm(x)-λm<0时,ym=0,对变量ym,进行L(BPi)的最小值计算,
步骤S36:消去变量ym.对L(BPi)进行重新定义,公式(2)变换成如公式(10)所示的易于求解的无约束问题:
更进一步地,步骤S3还包括:卖方代理模型求解,包括具体以下步骤:
步骤S31’:将公式(4)的最优解等同于如下公式:
其中,f=-Uj,
具体地,如公式(4)所示的子问题模型(SA),同样是一个不等式约束下的非线性规划问题,因此对买方代理的求解方法同样适用于卖方代理。
步骤S32’:执行第一预设算法求得卖方代理j对买方代理i的最佳单位能量资源配置,记为其中,第一预设算法如下:
步骤S4:通过增广拉格朗日的资源协商方法对资源市场中的信息交互进行描述。
进一步地,步骤S4进一步包括:
步骤S41:用户注册,登记请求的泛在业务的相关信息,其中,相关信息包括:业务类型和/或业务逻辑。
步骤S42:根据业务层协议(Service Layer Agreement,SLA)确定所有用户登记的泛在业务的优先级,并按优先级对泛在业务进行分批排序,其中,优先级相同的归为一批。
步骤S43:优先级最高的一批泛在业务向资源市场发出接入请求。
步骤S44:检查泛在业务的接入是否成功;若泛在业务与资源市场成功建立连接,则执行步骤S45;否则用户的业务请求失败,返回步骤S41。
步骤S45:进入资源协商阶段,对成功接入的泛在业务建立买方代理模型,对网络建立卖方代理模型,在资源市场的协调下进行资源协商,协商过程通过第二预设算法实现,其中,第二预设算法如下:
步骤S46:若买卖双方成功达成协议,则指定步骤S47;否则协商失败,返回步骤S41。
步骤S47:对协商成功的泛在业务已分配好相应的能量资源,转为就绪状态等待执行。
步骤S48:查看是否还有未进行分批的泛在业务,若有则返回步骤S43;否则继续。
步骤S49:执行处于就绪状态的泛在业务。
为了更好的理解与应用本发明提出的一种移动自组网中基于拉格朗日的资源协商方法,进行以下示例,且本发明不局限以下示例。
具体地,由于一个复杂的泛在业务可以分解为许多相对独立、功能简单的原子业务,由多用户和网络构成的系统优化和均衡架构就可以分解为两类独立的子问题:分别对每个原子业务和每个移动终端而言。为了建立RPM模型,首先定义两种类型的代理:买方代理(Buyer Agent,BA)和卖方代理(Seller Agent,SA)。其中,每个买方代理代表愿意从基础网络购买资源的一个原子业务,每个卖方代理代表愿意出售空闲能量资源来获取收益的一个移动设备。买方代理基于最新的价格信息来决定自己的购买行为,卖方代理对买方代理占用的部分能量资源进行索价。所有的信息交互和交易都是在资源市场中进行的,如图2所示。
进一步地,有8个用户和15个移动终端设备随机分布在150m*150m的MANET环境中,每个用户和移动终端设备的运动遵循平均速度为3m/s的随机游走移动模型。假设根据业务网络拓扑共产生25个买方代理和15个卖方代理,所有用户请求的泛在业务具有相同的优先级。参数如表2所示:
表2.参数设置
参数 | 值 |
买方代理预算Budget | [100,800] |
买方代理截止时间Deadline(ms) | [50,100] |
初始买方代理请求资源量ResourceReq | [30,100] |
卖方代理能量资源容量Capacity | [100,300] |
初始卖方代理单位资源价格UnitCharge | [10,20] |
进一步地,本发明提出基于增广拉格朗日的资源协商方法,具体步骤如下:用户注册,登记8个用户同时请求的泛在业务的相关信息;根据SLA协议确定用户登记的泛在业务的优先级,由于这8个泛在业务优先级相同,因此归为同一批;同一批的8个泛在业务向资源市场发出接入请求;检查泛在业务的接入是否成功,假设所有泛在业务与资源市场成功建立连接,则进入资源协商阶段,对成功接入的8个泛在业务建立买方代理模型,对网络建立卖方代理模型,包括25个买方代理和15个卖方代理,在资源市场的协调下,买方代理和卖方代理使用第二预设算法进行多轮资源协商;判断是否达成协议,假设买卖双方经有限次的多轮迭代过程成功达成协议,执行卖方代理已为买方代理分配好相应的资源量,将买方代理代表的泛在业务转为就绪状态并等待执行,否则返回最初重新执行;继而查看是否还有别的泛在业务分批,执行处于就绪状态的泛在业务。
本发明公开的一种移动自组网中基于增广拉格朗日的资源协商方法,从经济学的角度出发,定义了三种经济角色:买方代理、卖方代理和资源市场。对不同的代理定义不同的效益函数,能够准确地评估代理的收益。其中,在定义买方代理的效益函数时,考虑了花费预算和截止时间的约束,在定义卖方代理的效益函数时,考虑了终端能量的约束;进一步地,将MANET中的资源分配问题抽象为一个多对多、基于代理的资源定价模型,系统的全局优化和均衡目标分解为每个代理的效益函数优化;引入增广拉格朗日乘子求解每个独立的子问题模型;在提出的GLRNM方法中,引入业务优先级和多轮迭代规则。
通过采用本发明所公开的一种移动自组网中基于增广拉格朗日的资源协商方法,通过采用经济学的概念,赋予移动终端上的能量资源一个价格属性,用户和网络分别作为资源的买卖双方通过价格的相互作用来使自身效益最大化。一方面能够综合考虑用户和网络的效益,在有限的资源约束下尽可能保证业务质量同时使整个网络获得尽量多的收益;另一方面,能够均衡竞争环境下的多用户效益,不会造成某些用户效益的提高是以其他用户效益的下降为代价。研究模型中,系统优化问题被分解为两类独立的子问题,使得问题求解可以在每个代理上分布式地单独进行,降低了复杂度。基于增广拉格朗日的协商方法通过多轮迭代过程,不断调整买方竞价和卖方出价,最终在资源市场的调控下完成资源的最佳配置。
虽然结合附图描述了本发明的实施方式,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (4)
1.一种移动自组网中基于增广拉格朗日的资源协商方法,其特征在于,包括具体以下步骤:
S1:对多用户与网络构成的系统优化和均衡架构的泛在业务进行分解,生成多个原子业务;
S2:定义多种类型的代理,建立资源定价模型(Resource Pricing Model,RPM),其中,所述多种类型的代理包括:买方代理(Buyer Agent,BA)和卖方代理(Seller Agent,SA),所述资源定价模型包括买方代理模型和卖方代理模型,所述步骤S2进一步包括:买方代理模型的建立,包括具体以下步骤:
S21:定义所述买方代理模型的多个参数,其中,所述多个参数包括:所述买方代理id(AgentId),用来标识BA,符号表示为i(i=1,…,N),其中,每个BA由一个7元组<AgentId,Position,Budget,Deadline,ResourceReq,Payment,Utility>表示;所述买方代理代表的用户的二维坐标,Position;所述买方代理为支付请求能量资源的最大预算,Budget,符号表示为Bi;所述买方代理完成相应所述原子业务的最大截止时间,Deadline,符号表示为Ti;所述买方代理向所有所述卖方代理请求的能量资源向量,ResourceReq,符号表示为Ri={Rij|j=1,…,M};所述买方代理为请求的能量资源向所有所述卖方代理的支付向量,Payment,符号表示为BPi={BPij|j=1,…,M};每个所述买方代理都有一个效益函数Ui,Utility,用作评估所述买方代理收益的评分函数,所述买方代理根据自身的效益函数值来调整支付向量;
S22:通过所述买方代理的效益函数进行计算,公式如下:
其中,K1为响应延迟的权重,K2为业务距离的权重,Dij为买方代理i和卖方代理j之间的二维距离,K1和K2分别代表响应延迟和业务距离这两项指标在买方代理效益中相对花费的重要程度,Cj表示卖方代理能够出售的空闲能量资源最大容量,SPj表示卖方代理出售能量资源的单位价格;
S23:建立所述买方代理优化子问题模型,所述买方代理优化子问题模型如下:
(BA)
其中,每个所述买方代理的目标为在预算和截止时间约束的条件下最大化自身的效益函数;
所述步骤S2还包括:卖方代理模型的建立,包括具体以下步骤:
S21’:定义所述卖方代理模型的多个参数,其中,所述多个参数包括:卖方代理id(AgentId),用来惟一地标识SA,符号表示为j(j=1,…,M),其中,每个SA由一个6元组<AgentId,Position,Capacity,ResourceAlloc,UnitCharge,Utility>表示;所述卖方代理代表的移动设备的二维坐标,Position;所述卖方代理能够出售的空闲能量资源最大容量,Capacity,符号表示为Cj;所述卖方代理分配给所有所述买方代理的能量资源单位分配向量,ResourceAlloc,符号表示为Vj={Vij|i=1,…,N};所述卖方代理出售能量资源的单位价格,UnitCharge,符号表示为SPj;每个所述卖方代理都有一个效益函数Uj,Utility,用来计算所述卖方代理通过出售能量资源所获得的效益,所述卖方代理根据收入来决定自身的资源分配向量;
S22’:通过所述卖方代理效益函数进行计算,公式如下:
S23’:建立所述卖方代理优化子问题模型,所述卖方代理优化子问题模型如下:
(SA)
其中,每个所述卖方代理的目标为在能量资源容量的约束下最大化自身的效益函数;
S3:对所述资源定价模型进行求解,所述步骤S3进一步包括:买方代理模型求解,包括具体以下步骤:
S31:将Ui对变量BPij进行一次、二次求导,得到公式(5)、(6):
S32:引入松弛变量y1和y2,将所述公式(2)变换为公式(7)所示的最小化优化问题;
S33:通过GLM技术,将所述公式(7)按照拉格朗日形式表示如公式(8)所示:
其中,γ和λm(m=1,2)为增广拉格朗日乘子;
S34:通过配方法对所述公式(8)进行变换,得到结果如公式(9)所示:
S35:综合两种情况,当γgm(x)-λm≥0时,当γgm(x)-λm<0时,ym=0,对变量ym,进行L(BPi)的最小值计算,m=1,2;
S36:消去变量ym.对L(BPi)进行重新定义,所述公式(2)变换成如公式(10)所示的易于求解的无约束问题:
所述步骤S3还包括:卖方代理模型求解,包括具体以下步骤:
S31’:将所述公式(4)的最优解等同于如下公式:
其中,f=-Uj,
S32’:执行第一预设算法求得所述卖方代理j对所述买方代理i的最佳单位能量资源配置,记为
S4:通过增广拉格朗日的资源协商方法对资源市场中的信息交互进行描述,所述步骤S4进一步包括:
S41:用户注册,登记请求的所述泛在业务的相关信息,其中,所述相关信息包括:业务类型和/或业务逻辑;
S42:根据业务层协议(Service Layer Agreement,SLA)确定所有用户登记的所述泛在业务的优先级,并按优先级对所述泛在业务进行分批排序,其中,所述优先级相同的归为一批;
S43:所述优先级最高的一批所述泛在业务向资源市场发出接入请求;
S44:检查所述泛在业务的接入是否成功;若所述泛在业务与资源市场成功建立连接,则执行步骤S45;否则用户的业务请求失败,返回所述步骤S41;
S45:进入资源协商阶段,对成功接入的泛在业务建立所述买方代理模型,对网络建立所述卖方代理模型,在资源市场的协调下进行资源协商,协商过程通过第二预设算法实现;
S46:若买卖双方成功达成协议,则指定步骤S47;否则协商失败,返回所述步骤S41;
S47:对协商成功的所述泛在业务已分配好相应的能量资源,转为就绪状态等待执行;
S48:查看是否还有未进行分批的所述泛在业务,若有则返回所述步骤S43;否则继续;
S49:执行处于就绪状态的所述泛在业务。
2.如权利要求1所述的方法,其特征在于,所述买方代理为从网络购买资源的一个原子业务;所述卖方代理为出售空闲能量资源获取收益的终端设备。
3.如权利要求2所述的方法,其特征在于,所述终端设备包括移动终端和/或固定终端。
4.如权利要求1所述的方法,其特征在于,所述买方代理模型与卖方代理模型通过价格变量SPj进行交互,其中SPj为所述卖方代理索要的单位能量资源价格。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410472026.6A CN104202777B (zh) | 2014-09-16 | 2014-09-16 | 移动自组网中基于增广拉格朗日的资源协商方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410472026.6A CN104202777B (zh) | 2014-09-16 | 2014-09-16 | 移动自组网中基于增广拉格朗日的资源协商方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104202777A CN104202777A (zh) | 2014-12-10 |
CN104202777B true CN104202777B (zh) | 2019-07-26 |
Family
ID=52087988
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410472026.6A Active CN104202777B (zh) | 2014-09-16 | 2014-09-16 | 移动自组网中基于增广拉格朗日的资源协商方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104202777B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104639631B (zh) * | 2015-02-03 | 2018-02-09 | 浙江工商大学 | 基于mas价格协商的sdn资源交易方法 |
CN106230827B (zh) * | 2016-08-02 | 2019-03-05 | 南京工程学院 | 一种基于成本效益优化的多目标服务组合方法 |
CN113709809B (zh) * | 2021-08-16 | 2023-04-07 | 电子科技大学 | 一种基于协同通信的移动自组网广播方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101815311A (zh) * | 2010-03-10 | 2010-08-25 | 北京航空航天大学 | 一种认知无线电场景中以用户为中心的链路建立方法 |
US8280824B1 (en) * | 2005-06-21 | 2012-10-02 | Amazon Technologies, Inc. | Method and system for dynamic pricing of web services utilization |
-
2014
- 2014-09-16 CN CN201410472026.6A patent/CN104202777B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8280824B1 (en) * | 2005-06-21 | 2012-10-02 | Amazon Technologies, Inc. | Method and system for dynamic pricing of web services utilization |
CN101815311A (zh) * | 2010-03-10 | 2010-08-25 | 北京航空航天大学 | 一种认知无线电场景中以用户为中心的链路建立方法 |
Non-Patent Citations (2)
Title |
---|
Resource Pricing Strategy in Wireless Grid Using Non-cooperative Bargaining Game;Mahantesh N. Birje等;《IEEE》;20121231;全文 |
Theil Utility Based Multi-Device Cooperation Mechanism for Service Quality Equilibrium in Ubiquitous Stub Environments;RUI Lanlan等;《China Communications》;20140630;全文 |
Also Published As
Publication number | Publication date |
---|---|
CN104202777A (zh) | 2014-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Stackelberg game-based computation offloading in social and cognitive industrial Internet of Things | |
Shakarami et al. | A review on the computation offloading approaches in mobile edge computing: A g ame‐theoretic perspective | |
Wang et al. | An evolutionary game approach for manufacturing service allocation management in cloud manufacturing | |
Liu et al. | Strategy configurations of multiple users competition for cloud service reservation | |
Qiu et al. | Applications of auction and mechanism design in edge computing: A survey | |
Iosifidis et al. | Double auction mechanisms for resource allocation in autonomous networks | |
Iosifidis et al. | Challenges in auction theory driven spectrum management | |
Teng et al. | Efficient blockchain-enabled large scale parked vehicular computing with green energy supply | |
Mokni et al. | Multi-objective fuzzy approach to scheduling and offloading workflow tasks in Fog–Cloud computing | |
Chuang et al. | TIDES: A trust-aware IoT data economic system with blockchain-enabled multi-access edge computing | |
Zou et al. | Resource allocation game under double-sided auction mechanism: Efficiency and convergence | |
CN104202777B (zh) | 移动自组网中基于增广拉格朗日的资源协商方法 | |
Liang et al. | A combinatorial auction resource trading mechanism for cybertwin-based 6g network | |
Baghban et al. | Edge-ai: Iot request service provisioning in federated edge computing using actor-critic reinforcement learning | |
Wang et al. | Market-based model in CR-IoT: A Q-probabilistic multi-agent reinforcement learning approach | |
Huang et al. | Incentive mechanisms for mobile edge computing: Present and future directions | |
Xiao et al. | Multi-round auction-based resource allocation for edge computing: Maximizing social welfare | |
Qiu et al. | AImers-6G: AI-driven region-temporal resource provisioning for 6G immersive services | |
Nguyen et al. | Blockchain as a service for multi-access edge computing: A deep reinforcement learning approach | |
Mak et al. | Two-stage auction mechanism for long-term participation in crowdsourcing | |
Kim | A new triple bargaining game-based energy management scheme for hierarchical smart grids | |
Xu et al. | IDADET: iterative double-sided auction-based data-energy transaction ecosystem in internet of vehicles | |
Kim | Cognitive radio bandwidth sharing scheme based on the two-way matching game | |
Kim | Bargaining Game Based Offloading Service Algorithm for Edge-Assisted Distributed Computing Model | |
Sterz et al. | Multi-stakeholder service placement via iterative bargaining with incomplete information |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |