CN104684095A - 一种异构网络融合场景中基于遗传运算的资源分配方法 - Google Patents

Abstract

本发明提供了一种异构网络融合场景中基于遗传运算的资源分配方法，其主要包括建立优化目标函数、遗传运算处理和无线网络资源分配三个阶段。首先，根据获取的异构网络资源信息、移动终端数量、业务种类及其服务质量QoS要求来建立优化目标函数和其所需要满足的约束条件；其次，将优化目标函数映射为遗传运算的适值函数，初始化种群并设置遗传参数，通过选择、交叉、变异，种群更新等一系列迭代操作后找到适应值最大的个体即为最佳资源分配方案；最后，根据遗传运算求得的最佳资源分配方案，给移动终端的每个业务请求分配最佳的资源块数。本发明所提供的方法解决了异构网络中能最大化资源利用率和网络效用，同时满足业务服务质量的最佳资源分配问题。

Description

一种异构网络融合场景中基于遗传运算的资源分配方法

技术领域

本发明属于移动通信技术领域，具体涉及一种以最大化资源利用率和网络效用为目标的异构网络融合场景中基于遗传运算的资源分配方法。

背景技术

无线通信技术的迅猛发展形成了异构通信网络，在多种接入技术、组网方式、无线终端并存的场景下，实现多种无线通信技术的有机融合，是技术发展的必然趋势，也是实现最优网络资源使用和最佳用户服务质量保障的有效途径。随着宽带无线应用的推广，无线资源日趋紧张，资源分配技术成为实现异构网络融合的关键技术之一。在异构网络中，除了无线接入技术的多样性，还包括业务类型的多样性。相应地，资源分配技术既要考虑不同无线接入技术的特点也要考虑多种业务的不同需求。

在异构网络环境下，不同的无线网络在传输速率、覆盖范围、系统容量及提供的服务水平方面有很大的差异。传统的基于用户移动性和业务特征的资源分配方法不能有效地应用到泛在网络中，这些算法通常仅考虑一种业务类型，没有考虑支持多种业务的情景以及资源分配对网络性能和用户QoS的重要作用。现有的异构网络中的资源分配方法，往往仅从用户端或者仅从网络端考虑，缺乏对网络资源和业务特性的清晰把握，从而导致资源分配存在很多的不足，无法适应网络资源的动态变化和不同QoS需求。

本发明采用基于遗传运算的资源分配方法，该方法结合不同无线网络和业务类型特点，既考虑网络整体的资源使用效率，且从用户的角度考虑，最大化网络效用，并满足各类业务的QoS要求。采用遗传运算求解资源优化问题，不仅能够清晰描述移动终端在使用有限资源时的竞争关系与相互作用，而且降低了复杂优化问题的实现复杂度，提高了模型的准确度。

发明内容

本发明提供了异构网络融合场景中一种基于遗传运算的资源分配方法，其目的以最大化系统资源使用效率和网络效用为目标，同时保证各类业务QoS需求，寻求面向异构网络中覆盖范围内所有移动终端的最佳资源分配方案。

本发明给出了在异构网络融合场景中，采用遗传运算寻求最佳资源分配方案的方法。其中，异构网络融合系统包括N种RANs(Radio Access Networks,无线接入网络)，每种RAN具有不同的覆盖范围和带宽支持能力，如图1所示。假设RAN-1具有最大的覆盖范围但提供的带宽最低，RAN-n(n＝2,…,N)提供的带宽较高但覆盖范围较小，B_n表示RAN-n含有的带宽单元数，不同的RAN其带宽单元提供的带宽不同，覆盖面积越大，带宽单元提供的带宽越小，设RAN-1的带宽单元为基本带宽单元(BBU，Basic Bandwidth Unit)，一个B_n(n＝2,…,N)等于β_n(n＝2,…,N)个BBUs，β_n>1。每种网络都支持J类业务，满足j类业务的最少BBUs数为最多为在研究区域有M个随机分布的MTs(MobileTerminals,移动终端),MT是多模终端，即可以同时接入多种RANs，用表示由RAN-n(n＝1,…,N)分配给移动终端m(m＝1,…,M)的j(j＝1,…,J)类业务的BBUs，表示网络分配给业务的优先级参数。本发明以最大化资源使用率和网络效用为目标建立优化目标函数，再将其转化为遗传算法的适值函数，种群中个体用矢量表示， $\stackrel{\‾}{S}=[b_{1_1}^1,...,b_{1_1}^N,...,b_{1_J}^1,...,b_{1_J}^N,...,b_{i_1}^1,...,b_{i_1}^N,...,b_{i_J}^1,...,b_{}^{i_J},...,b_{M_1}^1,...,b_{M_1}^N,...,b_{M_J}^1,...,b_{M_J}^N],$ 再经过种群初始化、计算适值函数、选择、交叉、变异、种群更新等一系列迭代运算后，可以得到全局最优的资源分配方案。本方法的框图如图2所示。

具体步骤分为三个阶段：

(1)建立优化目标函数阶段

根据获取的研究区域内RANs种类及其提供的带宽、用户数量、业务种类及其QoS要求等信息确定优化目标函数及其约束条件。C_n表示RAN-n的系统容量，即RAN-n所包含的BBUs数量表示系统资源利用率函数， $u\left(b_{m_j}^n\right)=\underset{n=1}{\overset{N}{\mathrm{\Σ}}}\underset{m=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{J}{\mathrm{\Σ}}}[w\ln (1+\mathrm{\α}{b}_{m_j}^n{x}_{m_j}^n)-(1-p_{m_j}^n)b_{m_j}^n{x}_{m_j}^n]$ 表示网络总效用函数，则资源分配优化问题应满足：

$\begin{array}{c}\max \mathrm{\η}\left(b_{m_j}^n\right)+u\left(b_{m_j}^n\right)\\ s.t{B}_j^{\min }\≤b_{m_j}^n\≤B_j^{\max }\\ {\mathrm{\Σ}}_{m=1}^M{\mathrm{\Σ}}_{j=1}^J{b}_{m_j}^n{x}_{m_j}^n\≤C_n\\ {\mathrm{\Σ}}_{n=1}^N{x}_{m_j}^n=1,x_{m_j}^n\∈\left\{\mathrm{0,1}\right\}\end{array}---\left(1\right)$

其中是二进制数，取1时表示第m个用户的j类业务接入RAN-n，是为了保证一个业务只能由一个网络为其分配资源，ω和α是常数，用来调整效用函数的规模和形状，的取值与业务种类和所接入的RAN有关，例如：对于蜂窝网，语音业务比数据业务有更高的优先级，则语音业务的取值大于数据业务的；对于WLAN，数据业务比语音业务有更高的优先级，则数据业务的取值大于语音业务的。效用函数减号左边的式子表示网络通过给用户分配资源获得的效用，减号右边的式子表示用户为所分配的资源付出的代价，最大化网络效用等价于最大程度提高用户满意度。

(2)遗传运算处理阶段

首先将优化问题转换为无约束的适值函数，这里采用引入惩罚函数的方法，个体扩展目标函数：

σ_n是一个充分大的罚因子，F_max表示所有个体扩展目标函数的最大值，则个体k的适值函数：γ是为了让适应值较小的个体也能以很小的概率产生下一代，确定适值函数后，再经过种群初始化、计算适值函数、选择、交叉、变异、种群更新等一系列迭代运算后，可以得到全局最优的资源分配方案。

(3)无线网络资源分配阶段

根据遗传运算求得的最佳资源分配方案为移动终端的每个业务分配相应的带宽资源。其中最佳的资源分配方案即为遗传运算收敛后得到的全局最优个体，个体中每个元素对应于RAN-n为移动终端的每个业务分配的带宽，元素的取值满足相应业务的QoS要求。

附图说明

图1为异构网络融合场景图。

图2为基于遗传运算的资源分配方法结构框图。

图3为遗传运算过程中的交叉示意图。

图4为基于遗传运算的资源分配方法实现流程图。

具体实施方式

基于遗传运算的资源分配方法具体实施过程如图4所示。首先获取当前研究区域内可接入的RANs种类及其容量，网络支持的业务种类及QoS；然后根据优化目标建立优化目标函数(1)，在效用函数中，引入业务优先级和用户代价，就是从用户的角度出发，提高用户满意度。由于遗传运算常见的是用来处理不带约束的问题，所以引入了惩罚函数(2)，将其转换为不带约束的适值函数，最后遗传运算求解获得最优个体即为最佳的资源分配方案。

遗传算法的实施主要包括以下几个步骤：

第一步：设置遗传算法的参数，包括种群规模NP、最大迭代代数NG、交叉概率P_c、变异概率P_m。

第二步：产生初始种群，种群个体采用整数编码，个体基因且取整数，为了保证移动终端的每个业务仅由一个RAN为其分配带宽，对于每个个体生成矢量 $\stackrel{\‾}{V}=[x_{1_1}^1,...,x_{1_1}^N,...,x_{1_J}^1,...,x_{1_J}^N,...,x_{i_1}^1,...,x_{i_1}^N,{...,x}_{i_J}^1,...,x_{i_J}^N,...,x_{M_1}^N,...,x_{M_1}^N,...,x_{M_J}^1,...,x_{M_J}^N],$ 矢量每个元素的取值要考虑业务的优先级，例如：假设RAN-1是蜂窝网，j＝1对应于语音业务，则以更大的概率取1。

第三步：按照适值函数计算每个个体的适应值，并按照适应值由大到小进行排序，其中前NP×(1-P_c)个个体直接进入到下一代，下一代剩下的个体由交叉产生。

第四步：按照正比选择法，选出NP×P_c个个体，然后随机两两构成父代，并进行单点交叉，如图3所示，产生的子代进入下一代。

第五步：按照变异概率P_m，随机选取变异的基因位置，改变其值，改变后的值必须满足 $b_{m_j}^n\∈[B_j^{\min },B_j^{\max }].$

第六步：更新种群。

第七步：判断迭代代数是否达到最大迭代代数NG，如果是则计算种群个体适应值，得到适应值最大的个体即全局最优解；否则转到第二步，开始下一轮遗传运算。

最后根据遗传运算处理获得的最佳资源分配方案为移动终端的每个业务进行资源分配。

Claims (4)

1.一种异构网络融合场景中基于遗传运算的资源分配方法，其特征在于该方法包括建立优化目标函数，遗传运算处理，无线网络资源分配三个主要阶段；

其中，

建立优化目标函数阶段：首先获取异构网络资源信息、移动终端数量、业务种类及其服务质量（Quality of Service, QoS）要求信息，然后以最大化资源利用率和网络效用为目的建立优化目标函数，同时确定相应的约束条件；

遗传运算处理阶段：首先根据优化目标函数建立评价个体的适值函数，然后经选择、交叉、变异、种群更新这些遗传操作多次迭代求得全局最优解；

无线网络资源分配阶段：根据遗传运算求得的最佳资源分配方案为移动终端的每个业务请求分配相应的带宽资源。

2.根据权利要求1所述的异构网络融合场景中基于遗传运算的资源分配方法，其特征在于：建立优化目标函数阶段根据获取的无线网络资源信息、移动终端数量、业务种类及其QoS要求，以最大化系统资源利用率和网络效用为目标，以满足网络容量限制和不同业务QoS要求为条件来建立优化目标函数和相应的约束条件；其中，最大化网络效用不仅要考虑业务优先级，还要从移动终端的角度考虑不同业务对网络分配资源所付出的代价。

3.根据权利要求1所述的异构网络融合场景中基于遗传运算的资源分配方法，其特征在于：遗传运算处理阶段主要包括建立适值函数、种群初始化、遗传操作处理过程；引入惩罚函数将带约束的优化问题转换为无约束的优化问题，进而建立评价个体好坏的适值函数；随机产生规定数量的个体构成初始种群，个体中元素的取值满足业务QoS要求；所述遗传操作主要包括：选择、交叉、变异、种群更新，其中选择是从当前种群中选取适应值最高的个体以生成交配池的过程，选择策略使用正比选择策略，交叉采用单点交叉。

4.根据权利要求1所述的异构网络融合场景中基于遗传运算的资源分配方法，其特征在于：无线网络资源分配阶段主要是根据遗传运算处理阶段获得的最佳资源分配方案，为移动终端的每个业务请求分配相应的带宽资源。