CN105072687B - 基于人工蜂群算法的wlan信道分配方法 - Google Patents
基于人工蜂群算法的wlan信道分配方法 Download PDFInfo
- Publication number
- CN105072687B CN105072687B CN201510455693.8A CN201510455693A CN105072687B CN 105072687 B CN105072687 B CN 105072687B CN 201510455693 A CN201510455693 A CN 201510455693A CN 105072687 B CN105072687 B CN 105072687B
- Authority
- CN
- China
- Prior art keywords
- solution
- access point
- channel
- neighborhood
- assigned
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 25
- 239000011159 matrix material Substances 0.000 claims abstract description 58
- 238000009826 distribution Methods 0.000 claims abstract description 24
- 101100172132 Mus musculus Eif3a gene Proteins 0.000 claims description 21
- 230000035772 mutation Effects 0.000 claims description 8
- 101150096839 Fcmr gene Proteins 0.000 claims description 3
- 230000006978 adaptation Effects 0.000 claims description 2
- 241000256844 Apis mellifera Species 0.000 description 19
- 230000005540 biological transmission Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000002860 competitive effect Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 235000009508 confectionery Nutrition 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 235000012907 honey Nutrition 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/04—Wireless resource allocation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/50—Allocation or scheduling criteria for wireless resources
- H04W72/54—Allocation or scheduling criteria for wireless resources based on quality criteria
- H04W72/541—Allocation or scheduling criteria for wireless resources based on quality criteria using the level of interference
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/50—Allocation or scheduling criteria for wireless resources
- H04W72/54—Allocation or scheduling criteria for wireless resources based on quality criteria
- H04W72/542—Allocation or scheduling criteria for wireless resources based on quality criteria using measured or perceived quality
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W74/00—Wireless channel access
- H04W74/08—Non-scheduled access, e.g. ALOHA
- H04W74/0808—Non-scheduled access, e.g. ALOHA using carrier sensing, e.g. carrier sense multiple access [CSMA]
- H04W74/0816—Non-scheduled access, e.g. ALOHA using carrier sensing, e.g. carrier sense multiple access [CSMA] with collision avoidance
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于人工蜂群算法的WLAN信道分配方法,其特征是按如下步骤进行:1数据采集;2建立邻接关系矩阵和干扰关系矩阵;3信道分配的判定;4基于人工蜂群算法的信道分配。本发明能为会产生干扰的接入点分配不同的信道,从而提高整个网络系统的吞吐量以及系统的整体性能。
Description
技术领域
本发明涉及无线通信技术领域,更具体地说是一种基于人工蜂群算法的WLAN信道分配方法。
背景技术
在无线通信领域,随着无线技术的发展和无线终端设备的普及,基于IEEE802.11标准的WLAN越来越受欢迎。通常为了增大WLAN通信覆盖区域,需要部署大量的AP。然而无论2.4G频段还是5G频段,可提供的正交信道往往是有限的,在密集部署的AP环境中,许多AP工作在同一信道是不可避免的。工作在同一信道的AP,它们之间在数据传输过程中会产生干扰,从而影响整个WLAN系统的吞吐量,使得WLAN系统性能降低。目前,许多信道分配方法只是单纯地考虑了如何降低接入点之间干扰。但很少从WLAN的MAC层使用CSMA/CA协议竞争信道特性及WLAN整个网络的运行机制上,考虑如何提高WLAN的网络吞吐量。
而人工蜂群算法是通过模拟蜜蜂寻蜜行为而提出的一种群智能优化方法。算法中种群的各个个体寻找的蜜源代表一个可行解,蜜源的蜂蜜含量及远近程度代表解的质量。该算法具有低复杂度等特点,目前在许多优化问题中都取得了成功应用。
发明内容
本发明为了解决现有技术存在的不足之处,提出了一种基于人工蜂群算法的WLAN信道分配方法,以期能为会产生干扰的接入点分配不同的信道,从而提高整个网络系统的吞吐量以及系统的整体性能。
本发明为解决技术问题采用如下技术方案:
本发明一种基于人工蜂群算法的WLAN信道分配方法,是应用于由N个接入点AP={AP1,AP2,…,APi,…,APN}和一个控制中心AC所组成的WLAN网络中,APi表示第i个接入点,1≤i≤N;其特点是按如下步骤进行:
步骤1、数据采集:
所述N个接入点AP采集自身工作信道构成信道集合f={f1,f2,…,fi,…,fN}及其他接入点的接收信号强度指示构成信号强度指示集合R={R1,R2,…,Ri,…,RN},并发送给所述控制中心AC;fi表示第i个接入点APi自身的工作信道;Ri表示第i个接入点APi所扫描到的其他接入点的接收信号强度指示;并有 表示第i个接入点APi所扫描到的其他接入点中第j个接入点APj的接收信号强度指示;mi表示第i个接入点APi所扫描到的其他接入点的个数;i≠j,1≤mi≤N;
步骤2、建立邻接关系矩阵Ad和干扰关系矩阵Id:
步骤2.1、设定接收信号强度指示阈值β;
步骤2.2、所述控制中心AC根据所接收的信号强度指示集合R,将第i个接入点APi所扫描到的第j个接入点APj的接收信号强度指示与所述接收信号强度指示阈值β进行比较,若则令所述邻接关系矩阵Ad中第i行第j列的元素Adij=1,表示第i个接入点APi与第j个接入点APj是相邻的;否则,令Adij=0;从而构建所述邻接关系矩阵Ad;1≤j≤N;
步骤2.3、所述控制中心AC根据所接收的信道集合f和所述邻接关系矩阵Ad,判断第i个接入点APi的工作信道fi与第k个接入点APk的工作信道fk是否相同:
若相同,则判断第i行第k列的元素Adik=1是否成立,若成立,则令所述干扰关系矩阵Id中第i行第k列的元素Idik=1,表示第i个接入点APi与第k个接入点APk是干扰关系;否则Idik=0;
若不相同,则令Idik=0;从而构建所述干扰关系矩阵Id;1≤k≤N;
步骤3、信道分配的判定:
步骤3.1、设定吞吐量效用阈值φ′;
步骤3.2、所述控制中心AC根据所述干扰关系矩阵Id和信道集合f,由理想CSMA网络模型计算所述WLAN网络中第i个接入点APi的吞吐量thi,从而获得所有接入点AP的吞吐量{th1,th2,…,thi,…,thN};
步骤3.3、利用式(1)计算所述WLAN网络的归一化吞吐量效用φ:
式(1)中,μ表示凸函数,且二阶可导;
步骤3.4、将所述WLAN网络的归一化吞吐量效用φ与所述吞吐量效用阈值φ′进行比较,若φ<φ′,表示所述WLAN网络需要重新给所述N个接入点AP进行信道分配,并执行步骤4;否则,表示不需要重新进行信道分配;
步骤4、基于人工蜂群算法的信道分配:
步骤4.1、参数定义:
定义迭代次数表示为Len、跟踪解连续变化次数的阈值表示为Limit、种群规模表示为M、二次邻域搜索循环次数表示为U、正交信道集合表示为C、定义全局循环次数表示为v,并初始化v=1;
步骤4.2、初始化M个解{x1,x2,…,xp,…,xM}:
随机生成M个解{x1,x2,…,xp,…,xM}中的第p个解xp,xp表示第p种信道分配方案,并有 表示在第p个解xp中给第i个接入点APi分配的工作信道,并从所述正交信道集合C中,随机选择一个正交信道获得,即p=1,2,···,M;从而获得M个解{x1,x2,…,xp,…,xM};
步骤4.3、利用式(2)计算所述第p个解xp的适应度函数值从而得到所述M个解所对应的适应度函数值
式(2)中,表示在第p个解xp中第i个接入点APi的吞吐量;
步骤4.4、定义跟踪所述M个解{x1,x2,…,xp,…,xM}变化的变量参数为{l1,l2,…,lp,…,lM},lp为第p个解xp变化的变量参数,并初始化第p个变量参数lp=0;
步骤4.5、定义所述M个解{x1,x2,…,xp,…,xM}的邻域解集合为{G1,G2,…,Gp,…,GM},Gp为第p个解xp的邻域解集合,并初始化第p个邻域解集合值
步骤4.6、定义局部变量最优解为maxf,并初始化所述局部变量最优解max f的适应度函数值
步骤4.7、对所述第p个解xp进行第v次迭代的邻域操作,获得所述第p个解xp的第v次迭代的邻域解从而得到所述M个解{x1,x2,…,xp,…,xM}所对应的第v次迭代的邻域解
步骤4.8、根据式(2)计算所述第p个解xp的第v次迭代的邻域解的适应度函数值从而得到所述M个解{x1,x2,…,xp,…,xM}所对应的第v次迭代的邻域解的适应度函数值
判断是否成立,若成立,则将赋值给xp,将赋值给令lp=0;否则,将lp+1赋值给lp;
步骤4.9、定义局部循环次数为u,较优解记为并初始化u=1;
步骤4.10、从所述M个解{x1,x2,…,xp,…,xM}中随机选择两个解,分别记为和并判断是否成立,若成立,则将赋值给否则将赋值给从而获得较优解
步骤4.11、对所述较优解进行邻域操作,获得所述较优解的邻域解并将赋值给所述较优解的邻域解集合从而更新所述较优解所对应的邻域解集合
步骤4.12、将u+1的值赋给u,并判断u≤U是否成立,若成立,则返回步骤4.10顺序执行;否则执行步骤4.13;
步骤4.13、在第v次迭代中更新所述M个解{x1,x2,…,xp,…,xM}的邻域解集合{G1,G2,…,Gp,…,GM}:
步骤a、初始化p=1;
步骤b、对所述M个解{x1,x2,…,xp,…,xM}的邻域解集合{G1,G2,…,Gp,…,GM}中第p个解xp的邻域解集合Gp进行判断,若成立,则利用式(3)获得所述第p个解xp的邻域解的最大适应度函数
式(3)表示从所述第p个解xp的邻域解集合Gp中选择一个最大的适应度函数;
判断是否成立,若成立,则将赋值给xp,将赋值给令lp=0,否则将lp+1的值赋给lp,并令
步骤c、将p+1赋值给p;判断p≤M是否成立,若成立,则返回步骤b执行,否则执行步骤4.14;
步骤4.14、在第v次迭代中从所述M个解{x1,x2,…,xp,…,xM}中选择一个适应度函数最大的解作为最优解,记为并判断是否成立,若成立,则将赋值给maxf,将赋值给否则执行步骤4.15;
步骤4.15、在第v次迭代中更新所述M个解{x1,x2,…,xp,…,xM}:
步骤a、初始化p=1;
步骤b、对所述跟踪所述M个解变化的变量参数{l1,l2,…,lp,…,lM}中第p个解xp变化的变量参数lp进行判断,当lp≥Limit成立时,令lp=0,并随机生成第p个新解代替第p个解xp,即将赋值给xp;
步骤c、将p+1赋值给p;判断p≤M是否成立,若成立,则返回步骤b执行,否则执行步骤4.16;
步骤4.16、将v+1的值赋给v,并判断v≤Len是否成立,若成立,则返回步骤4.7顺序执行;否则获得所述局部变量最优解max f,即为最优信道分配方案。
本发明所述的基于人工蜂群算法的WLAN信道分配方法的特点也在于,
步骤3.2中获得所有接入点AP的吞吐量{th1,th2,…,thi,…,thN}是按如下步骤进行:
步骤3.2.1、根据所述信道集合f,将所述N个接入点中工作信道相同的接入点划分为一类,从而获得同频信道集合{Q1,Q2,…,Qg,…,QNum};Qg表示第g个同频信道,并有 表示第g个同频信道Qg中第τ个接入点;hω表示第g个同频信道Qg中接入点的总数;1≤g≤Num;
步骤3.2.2、根据所述干扰关系矩阵Id和理想CSMA网络模型,计算所述第g个同频信道Qg中第τ个接入点的吞吐量从而所述第g个同频信道Qg中hω个接入点的吞吐量;从而获得同频信道集合{Q1,Q2,…,Qg,…,QNum}中Num个同频信道的吞吐量,即为所述WLAN网络中所有接入点的吞吐量{th1,th2,…,thi,…,thN}。
步骤4.3中第p个解xp中第i个接入点APi的吞吐量是按如下步骤获得:
步骤4.3.1、建立第p个解xp的干扰关系矩阵Id(p):
步骤4.3.1.1、根据所述邻接关系矩阵Ad和所述第p个解xp对应的信道分配方案判断第p个解xp中第i个接入点APi的工作信道与第k个接入点APk的工作信道是否相同;
若相同,则判断第i行第k列的元素Adik=1是否成立,若成立,则令所述第p个解xp的干扰关系矩阵Id(p)中第i行第k列的元素表示在第p个解xp的中第i个接入点APi与第k个接入点APk是干扰关系;否则,令
若不相同,则令从而构建所述第p个解xp的干扰关系矩阵Id(p);
步骤4.3.2、根据所述第p个解xp的干扰关系矩阵Id(p)和第p个解xp,由理想CSMA网络模型计算获得所述第p个解xp中所有接入点的吞吐量从而获得第p个解xp中第i个接入点APi的吞吐量
所述步骤4.7中对第p个解xp的邻域操作是按如下步骤进行:
步骤4.7.1、设置一个突变概率mp;
步骤4.7.2、初始化i=1;
步骤4.7.3、对第p个解中的第i个接入点APi所分配的工作信道生成一个0~1之间的随机数,记为第p个解的第i个随机数
步骤4.7.4、对第p个解的第i个随机数进行判断,当成立时,则从所述正交信道分配集合C重新选择一个正交信道,记为并将赋值给
步骤4.7.5、将i+1赋值给i,判断i≤N是否成立,若成立,则返回步骤4.7.3顺序执行,否则,表示获得第p个解xp的邻域解
与已有技术相比,本发明有益效果体现在:
1、本发明是基于WLAN的MAC层使用CSMA/CA协议竞争信道的特性,并考虑WLAN整个网络的运行机制,以获得网络吞吐量的效用最大为目标的信道分配问题,从而能够提高WLAN网络的吞吐量和系统整体性能;构造了基于接收信号强度指示的邻接关系矩阵和干扰关系矩阵,以便分析WLAN中接入点之间的干扰关系和网络吞吐量的计算;将WLAN所有接入点中工作信道相同的接入点归为一类,以便利用理想CSMA网络模型计算网络的吞吐量,降低了网络吞吐量的计算复杂度;利用改进的人工蜂群算法求解WLAN信道分配问题,并能够得到最优信道分配方案;在利用人工蜂群算法求解WLAN信道分配问题中,采用基于突变策略的邻域操作方式,提高了局部搜索能力。
2、本发明以网络吞吐量的效用最大为信道分配问题的设计目标,利用理想CSMA网络模型计算在不同信道分配方案下可获得的网络吞吐量及吞吐量效用,从而遴选出可获得最大吞吐量效用的信道分配方案,体现了本发明在进行信道分配时,充分利用了WLAN系统的内在运行规律,亦即WLAN的MAC层使用CSMA/CA协议竞争信道的特性。
3、本发明根据接入点的工作信道和接收其它接入点的接受信号强度指示,构造了基于接收信号强度指示的邻接关系矩阵和干扰关系矩阵,以便分析WLAN中接入点之间的干扰关系及WLAN网络吞吐量的计算。
4、本发明在利用理想CSMA网络模型计算在不同信道分配方案下可获得的网络吞吐量之前,首先按照分配给接入点的工作信道是否相同,将工作信道相同的接入点归为一类;然后针对每一类中接入点所组成的同频信道网络利用理想CSMA网络模型计算网络的吞吐量;最终得到整个网络的吞吐量,这种方式降低了利用理想CSMA网络模型计算网络的吞吐量的复杂度。
5、本发明利用改进的人工蜂群算法解决WLAN信道分配问题,算法种群中每一个解均表示一种信道分配方案;通过在迭代过程中对解的适应度函数值进行评估和对解进行邻域操作,得到局部最优解;最终得到全局最优解,即最优信道分配方案;且该算法计算简单,具有低复杂度等特点,易于工程实践。
6、本发明在利用人工蜂群算法求解WLAN信道分配问题中,根据WLAN信道分配问题的特点,采用了基于突变策略的操作方式对解进行邻域操作,这种方式能够有效地提高算法的局部搜索能力。
附图说明
图1为现有技术中随机生成10个接入点所构成的WLAN网络示意图;
图2为本发明WLAN系统信道分配整体结构示意图;
图3为本发明利用人工蜂群算法求解最优信道分配方案的流程图。
具体实施方式
本实施例中,如图2所示,一种基于人工蜂群算法的WLAN信道分配方法,是应用于由N个接入点AP={AP1,AP2,…,APi,…,APN}和一个控制中心AC所组成的WLAN网络中;并按如下步骤进行:
步骤1、数据采集:
N个接入点AP采集自身工作信道构成信道集合f={f1,f2,…,fi,…,fN}及其他接入点的接收信号强度指示构成信号强度指示集合R={R1,R2,…,Ri,…,RN},并发送给控制中心AC;fi表示第i个接入点APi自身的工作信道;Ri表示第i个接入点APi所扫描到的其他接入点的接收信号强度指示;并有 表示第i个接入点APi所扫描到的其他接入点中第j个接入点APj的接收信号强度指示;mi表示第i个接入点APi所扫描到的其他接入点的个数;i≠j,1≤mi≤N;
步骤2、建立邻接关系矩阵Ad和干扰关系矩阵Id:
步骤2.1、设定接收信号强度指示阈值β;接收信号强度指示阈值β的选择取决于WLAN中所有接入点AP部署的密集程度。一般而言,若WLAN中所有接入点AP的部署非常密集,阈值β取值应越小,这有利益于判决接入点与附近其它接入点是否会产生干扰,从而能够提高网络的吞吐量;反之,阈值β取值应较大。可通过仿真实验测试,得到合理的接收信号强度指示阈值β。
步骤2.2、控制中心AC根据所接收的信号强度指示集合R,将第i个接入点APi所扫描到的第j个接入点APj的接收信号强度指示与接收信号强度指示阈值β进行比较,若则令邻接关系矩阵Ad中第i行第j列的元素Adij=1,表示第i个接入点APi与第j个接入点APj是相邻的;否则,令Adij=0;从而构建邻接关系矩阵Ad;1≤j≤N;
步骤2.3、控制中心AC根据所接收的信道集合f和邻接关系矩阵Ad,判断第i个接入点APi的工作信道fi与第k个接入点APk的工作信道fk是否相同:
若相同,则判断第i行第k列的元素Adik=1是否成立,若成立,则令干扰关系矩阵Id中第i行第k列的元素Idik=1,表示第i个接入点APi与第k个接入点APk是干扰关系;否则Idik=0;
若不相同,则令Idik=0;从而构建干扰关系矩阵Id;1≤k≤N;
邻接关系矩阵Ad主要用来描述接入点之间邻接关系,很显然,给相邻的接入点之间分配不同的信道,可以提高网络的吞吐量。干扰关系矩阵Id主要用来描述接入点之间的干扰关系,它是由邻接关系矩阵Ad和分配给接入点的信道所决定的。因此,通过邻接关系矩阵Ad和干扰关系矩阵Id可以利用理想CSMA网络模型计算此时网络的吞吐量,从而判断是否需要重新给接入点AP分配信道。例如针对图1所示,图中接入点之间的连线表示它们之间是相邻关系。因此,可以得到图1中邻接关系矩阵为:
Ad=[0,1,1,0,0,0,0,0,0,0;1,0,1,1,0,0,0,0,0,0;1,1,0,1,1,0,0,0,0,0;0,1,1,0,1,1,0,0,0,0;0,0,1,1,0,1,0,0,0,0;0,0,0,1,1,0,1,1,0,0;0,0,0,0,0,1,0,0,1,0;0,0,0,0,0,1,0,0,1,0;0,0,0,0,0,0,1,1,0,1;0,0,0,0,0,0,0,0,0,1,0],
假设图1中10个接入点工作在同一信道,则此时图1中的干扰关系矩阵为:
Id=[0,1,1,0,0,0,0,0,0,0;1,0,1,1,0,0,0,0,0,0;1,1,0,1,1,0,0,0,0,0;0,1,1,0,1,1,0,0,0,0;0,0,1,1,0,1,0,0,0,0;0,0,0,1,1,0,1,1,0,0;0,0,0,0,0,1,0,0,1,0;0,0,0,0,0,1,0,0,1,0;0,0,0,0,0,0,1,1,0,1;0,0,0,0,0,0,0,0,0,1,0]。
步骤3、信道分配的判定:
步骤3.1、设定吞吐量效用阈值φ′;吞吐量效用阈值φ′取决于WLAN的网络性能。一般而言,若某时刻WLAN的网络性能非常差,网络获得的吞吐量非常低,则此时应考虑重新给接入点分配信道,以获得更好的网络性能。吞吐量效用阈值φ′可以通过实验测试得到合理的数值。例如针对图1,吞吐量效用阈值φ′可以取值为φ′=0.429661。
步骤3.2、控制中心AC根据干扰关系矩阵Id和信道集合f,由理想CSMA网络模型计算WLAN网络中第i个接入点APi的吞吐量thi,从而获得所有接入点AP的吞吐量{th1,th2,…,thi,…,thN};因基于IEEE802.11标准的WLAN采用载波侦听多路访问/冲突避免(CSMA/CA)协议来进行数据传输,所以可以根据理想CSMA网络(Ideal CSMANetwork,ICN)模型来计算网络中链路的吞吐量,详细内容请参S.Liew,C.Kai等发表的《Back-of-the-envelopecomputationofthroughput distributions inCSMAwireless networks》论文;并作如下假设:网络是饱和的,即所有链路发送终端的发送队列中,总有分组数据在等待发送;每个AP和其关联的所有用户视为一条链路;链路的退避时间和传输时间服从指数分布。
其中,获得所有接入点AP的吞吐量{th1,th2,…,thi,…,thN}是按如下步骤进行:
步骤3.2.1、根据信道集合f,将N个接入点中工作信道相同的接入点划分为一类,从而获得同频信道集合{Q1,Q2,…,Qg,…,QNum};Qg表示第g个同频信道,并有 表示第g个同频信道Qg中第τ个接入点;hω表示第g个同频信道Qg中接入点的总数;1≤g≤Num;
步骤3.2.2、根据干扰关系矩阵Id和理想CSMA网络模型,计算第g个同频信道Qg中第τ个接入点的吞吐量从而第g个同频信道Qg中hω个接入点的吞吐量;从而获得同频信道集合{Q1,Q2,…,Qg,…,QNum}中Num个同频信道的吞吐量,即为WLAN网络中所有接入点的吞吐量{th1,th2,…,thi,…,thN}。其中,利用ICN模型计算网络中链路的吞吐量的详细内容如下:
首先,根据接入点AP的干扰关系矩阵Id及第g个同频信道Qg,可以得到第g个同频信道Qg中所有接入点构成的网络链路竞争图G(g)。其映射关系为:若 之间存在干扰,则由构成的链路τ和由构成的链路τ′之间存在竞争关系,在竞争图G(g)中表现为链路τ与链路τ′之间存在一条边;否则链路τ与链路τ′之间不存在竞争关系,在竞争图G(g)中表现为链路τ和链路τ′之间没有边。
其次,根据得到的链路竞争图G(g),从而得到整个竞争图G(g)的系统可行状态s(g),系统的可行状态s(g)描述了竞争图G(g)中所有链路在该状态中的活动情况(即是正在进行数据传输还是处于退避或冻结状态)。可行状态hw为链路的总数即为第g个同频信道Qg中接入点的个数,为链路τ在可行状态s(g)中的状态,其定义如下:若表示链路τ此时正在传输数据;若表示链路τ正处于退避或者冻结状态。
最后,将链路竞争图中所有可行状态构成的集合记为S(g),即任何一个可行状态s(g)∈S(g)。则可以由如下公式计算网络中链路τ的吞吐量,即为第g个同频信道Qg中第τ个接入点的吞吐量
式(1)-(3)中,为链路τ的竞争强度,其定义为链路τ的数据平均传输时间E[ttr]与平均退避时间E[tcd]的比值,即在ICN模型下,饱和网络中是一个常数,且最终得到的吞吐量即为第g个同频信道Qg中第τ个接入点的吞吐量从而获得第g个同频信道Qg中hω个接入点的吞吐量;从而获得同频信道集合{Q1,Q2,…,Qg,…,QNum}中Num个同频信道的吞吐量,即为WLAN网络中所有接入点的吞吐量{th1,th2,…,thi,…,thN}。
例如针对图1,假设WLAN中所有接入点工作在同一信道,根据图1的干扰关系矩阵Id,利用理想CSMA网络模型得到所有接入点的吐吞量为:
{0.542792,0.299545,0.056298,0.288673,0.531920,0.034647,0.796818,0.796818,0.035575,0.812662}。
步骤3.3、利用式(4)计算WLAN网络的归一化吞吐量效用φ:
式(4)中,μ表示凸函数,且二阶可导;如μ可以取μ(·)=1+ln(·);
步骤3.4、将WLAN网络的归一化吞吐量效用φ与吞吐量效用阈值φ′进行比较,若φ<φ′,表示WLAN网络需要重新给N个接入点AP进行信道分配,并执行步骤4;否则,表示不需要重新进行信道分配;
步骤4、如图3所示,基于人工蜂群算法的信道分配:
步骤4.1、参数定义:定义迭代次数表示为Len、跟踪解连续变化次数的阈值表示为Limit、种群规模表示为M、二次邻域搜索循环次数表示为U、正交信道集合表示为C、定义全局循环次数表示为v,并初始化v=1;
根据IEEE802.11b协议标准工作在2.4G频段的信道中只有3个正交信道(1,6,11),即正交信道集合C可以表示为C={1,6,11}。在人工蜂群算法寻优搜索过程中,解的邻域操作以及解的二次邻域搜索操作是一个局部寻优的过程,易陷入局部最优出现算法收敛早熟情况,为此人工蜂群算法中定义了一个特有的参数用于跳出陷入局部最优情况,即跟踪解连续变化次数的阈值Limit。算法规定若一个解经过多次迭代仍然没有找到更好的解,为了防止迭代陷入局部最优,此解将被丢弃,重新随机生成一个新解代替。算法中通过阈值Limit来决定此解是否被丢弃(亦即若经过了Limit次连续迭代,此解仍没有找到更优的邻域解,则放弃该解)。例如针对图1,以上参数可以取值为:Len=20,Limit=6,M=U=30。
步骤4.2、初始化M个解{x1,x2,…,xp,…,xM}:随机生成M个解{x1,x2,…,xp,…,xM}中的第p个解xp,xp表示第p种信道分配方案,并有 表示在第p个解xp中给第i个接入点APi分配的工作信道,并从正交信道集合C中,随机选择一个正交信道获得,即p=1,2,···,M;从而获得M个解{x1,x2,…,xp,…,xM}。算法中一个解代表了一种信道分配方案,即随机生成一个解的过程就是生成一种信道分配方案的过程。例如针对图1中10个接入点,随机生成解xp具体过程是:
从正交信道集合C={1,6,11}中随机选择一个信道,依次循环操作10次;如得到10个随机值为{1,6,1,6,1,1,1,11,11,1},即解xp={1,6,1,6,1,1,1,11,11,1};从解xp中可以看出,给第二个接入点AP2分配的信道为6。
步骤4.3、利用式(5)计算第p个解xp的适应度函数值从而得到M个解所对应的适应度函数值
式(5)中,表示在第p个解xp中第i个接入点APi的吞吐量;其中,第p个解xp中第i个接入点APi的吞吐量是按如下步骤获得:
步骤4.3.1、建立第p个解xp的干扰关系矩阵Id(p):因为每种信道分配方案下接入点AP的干扰关系矩阵是不同的,因此,需要重新计算出解xp所对应的接入点AP的干扰关系矩阵Id(p),具体的步骤如下所示;
步骤4.3.1.1、根据邻接关系矩阵Ad和第p个解xp对应的信道分配方案判断第p个解xp中第i个接入点APi的工作信道与第k个接入点APk的工作信道是否相同;其中,邻接关系矩阵Ad是步骤2中所得到的;
若相同,则判断第i行第k列的元素Adik=1是否成立,若成立,则令第p个解xp的干扰关系矩阵Id(p)中第i行第k列的元素表示在第p个解xp的中第i个接入点APi与第k个接入点APk是干扰关系;否则,令
若不相同,则令从而构建第p个解xp的干扰关系矩阵Id(p);
步骤4.3.2、根据第p个解xp的干扰关系矩阵Id(p)和第p个解xp,由理想CSMA网络模型计算获得第p个解xp中所有接入点的吞吐量从而获得第p个解xp中第i个接入点APi的吞吐量具体计算第p个解xp中第i个接入点APi的吞吐量的方法可以参考步骤3.2。
步骤4.4、定义跟踪M个解{x1,x2,…,xp,…,xM}变化的变量参数为{l1,l2,…,lp,…,lM},lp为第p个解xp变化的变量参数,并初始化第p个变量参数lp=0;lp记录了解xp经过连续多次邻域搜索,仍未找到更优的解的次数。算法中将lp与跟踪解连续变化次数的阈值Limit进行比较,判断是否需要放弃对解xp的搜索,重新随机生成一个解来代替;
步骤4.5、定义M个解{x1,x2,…,xp,…,xM}的邻域解集合为{G1,G2,…,Gp,…,GM},Gp为第p个解xp的邻域解集合,并初始化第p个邻域解集合值
步骤4.6、定义局部变量最优解为max f,并初始化局部变量最优解maxf的适应度函数值为了防止在算法迭代过程中,局部最优解被丢弃,用局部变量最优解max f来保存当前迭代过程中最优解,从而避免在求解过程中发生局部丢失最优解的情况;
步骤4.7、对第p个解xp进行第v次迭代的邻域操作,获得第p个解xp的第v次迭代的邻域解从而得到M个解{x1,x2,…,xp,…,xM}所对应的第v次迭代的邻域解在人工蜂群算法搜索最优解过程中,为了判断一个解的附近是否存在一个比当前解更优的解,需要通过某种方法获取该解,该方法称为邻域操作方法,得到的新解称为邻域解。该算法采用基于突变策略的方式对解进行邻域操作,就WLAN信道分配而言,通过多次仿真实验测试,验证了该邻域操作方式能够提高解的局部搜索能力。其中,对第p个解xp的邻域操作是按如下步骤进行:
步骤4.7.1、设置一个突变概率mp;此处需要对算法进行多次测试得到一个合理的突变概率mp,例如针对图1,经过多次测试突变概率mp可以取值为mp=0.01;
步骤4.7.2、初始化i=1;
步骤4.7.3、对第p个解中的第i个接入点APi所分配的工作信道生成一个0~1之间的随机数,记为第p个解的第i个随机数
步骤4.7.4、对第p个解的第i个随机数进行判断,当成立时,则从正交信道分配集合C重新选择一个正交信道,记为并将赋值给
步骤4.7.5、将i+1赋值给i,判断i≤N是否成立,若成立,则返回步骤4.7.3顺序执行,否则,表示获得第p个解xp的邻域解
步骤4.8、根据式(2)计算第p个解xp的第v次迭代的邻域解的适应度函数值从而得到M个解{x1,x2,…,xp,…,xM}所对应的第v次迭代的邻域解的适应度函数值并判断是否成立,若成立,则将赋值给xp,将赋值给令lp=0;否则,将lp+1赋值给lp;
步骤4.9、定义局部循环次数为u,较优解记为并初始化u=1;算法中为了能够进一步提高算法找到最优解的速度,基于最优解以比较大的概率落在较优解的附近特点,引入了一个基于适应度函数值的二次邻域操作过程,即从种群中选择一些较优解,然后判断这些解的附近是否存在一个更优的邻域解;此处采用锦标赛选择方式来选择这些较优解,如步骤4.10所示;
步骤4.10、从M个解{x1,x2,…,xp,…,xM}中随机选择两个解,分别记为和并判断是否成立,若成立,则将赋值给否则将赋值给从而获得较优解
步骤4.11、对较优解进行邻域操作,获得较优解的邻域解并将赋值给较优解的邻域解集合从而更新较优解所对应的邻域解集合
步骤4.12、将u+1的值赋给u,并判断u≤U是否成立,若成立,则返回步骤4.10顺序执行;否则执行步骤4.13;
步骤4.13、在第v次迭代中更新M个解{x1,x2,…,xp,…,xM}的邻域解集合{G1,G2,…,Gp,…,GM},此处针对每个解的邻域解集合进行操作,即从每个解邻域解集合中选择一个最好的邻域解,然后判断是否需要更新此解,具体步骤如下所示:
步骤a、初始化p=1;
步骤b、对M个解{x1,x2,…,xp,…,xM}的邻域解集合{G1,G2,…,Gp,…,GM}中第p个解xp的邻域解集合Gp进行判断,若成立,则利用式(6)获得第p个解xp的邻域解的最大适应度函数
式(6)表示从第p个解xp的邻域解集合Gp中选择一个最大的适应度函数;
判断是否成立,若成立,则将赋值给xp,将赋值给令lp=0,否则将lp+1的值赋给lp,并令
步骤c、将p+1赋值给p;判断p≤M是否成立,若成立,则返回步骤b执行,否则执行步骤4.14;
步骤4.14、在第v次迭代中从M个解{x1,x2,…,xp,…,xM}中选择一个适应度函数最大的解作为最优解,记为并判断是否成立,若成立,则将赋值给maxf,将赋值给从而避免在求解过程中发生局部丢失最优解的情况;否则执行步骤4.15;
步骤4.15、在第v次迭代中更新M个解{x1,x2,…,xp,…,xM}:将算法中lp与跟踪解连续变化次数的阈值Limit进行比较,判断是否需要放弃对解xp的搜索,重新随机生成一个解来代替,避免算法陷入局部最优现象,具体步骤如下所示;
步骤a、初始化p=1;
步骤b、对跟踪M个解变化的变量参数{l1,l2,…,lp,…,lM}中第p个解xp变化的变量参数lp进行判断,当lp≥Limit成立时,令lp=0,并随机生成第p个新解代替第p个解xp,即将赋值给xp;
步骤c、将p+1赋值给p;判断p≤M是否成立,若成立,则返回步骤b执行,否则执行步骤4.16;
步骤4.16、将v+1的值赋给v,并判断v≤Len是否成立,若成立,则返回步骤4.7顺序执行;否则获得局部变量最优解max f,即为最优信道分配方案。例如针对图1,通过人工蜂群算法最终得到的最优解max f为:max f={1,6,11,1,6,11,6,6,1,11}。即10个接入点的信道分别为:AP1的信道为1,AP2的信道为6,AP3的信道为11,AP4的信道为1,AP5的信道为6,AP6的信道为11,AP7的信道为6,AP8的信道为6,AP9的信道为1,AP10的信道为11。
Claims (3)
1.一种基于人工蜂群算法的WLAN信道分配方法,是应用于由N个接入点AP={AP1,AP2,…,APi,…,APN}和一个控制中心AC所组成的WLAN网络中,APi表示第i个接入点,1≤i≤N;其特征是按如下步骤进行:
步骤1、数据采集:
所述N个接入点AP采集自身工作信道构成信道集合f={f1,f2,…,fi,…,fN}及其他接入点的接收信号强度指示构成信号强度指示集合R={R1,R2,…,Ri,…,RN},并发送给所述控制中心AC;fi表示第i个接入点APi自身的工作信道;Ri表示第i个接入点APi所扫描到的其他接入点的接收信号强度指示;并有 表示第i个接入点APi所扫描到的其他接入点中第j个接入点APj的接收信号强度指示;mi表示第i个接入点APi所扫描到的其他接入点的个数;i≠j,1≤mi≤N;
步骤2、建立邻接关系矩阵Ad和干扰关系矩阵Id:
步骤2.1、设定接收信号强度指示阈值β;
步骤2.2、所述控制中心AC根据所接收的信号强度指示集合R,将第i个接入点APi所扫描到的第j个接入点APj的接收信号强度指示与所述接收信号强度指示阈值β进行比较,若则令所述邻接关系矩阵Ad中第i行第j列的元素Adij=1,表示第i个接入点APi与第j个接入点APj是相邻的;否则,令Adij=0;从而构建所述邻接关系矩阵Ad;1≤j≤N;
步骤2.3、所述控制中心AC根据所接收的信道集合f和所述邻接关系矩阵Ad,判断第i个接入点APi的工作信道fi与第k个接入点APk的工作信道fk是否相同:
若相同,则判断第i行第k列的元素Adik=1是否成立,若成立,则令所述干扰关系矩阵Id中第i行第k列的元素Idik=1,表示第i个接入点APi与第k个接入点APk是干扰关系;否则Idik=0;
若不相同,则令Idik=0;从而构建所述干扰关系矩阵Id;1≤k≤N;
步骤3、信道分配的判定:
步骤3.1、设定吞吐量效用阈值φ′;
步骤3.2、所述控制中心AC根据所述干扰关系矩阵Id和信道集合f,由理想CSMA网络模型计算所述WLAN网络中第i个接入点APi的吞吐量thi,从而获得所有接入点AP的吞吐量{th1,th2,…,thi,…,thN};
步骤3.3、利用式(1)计算所述WLAN网络的归一化吞吐量效用φ:
式(1)中,μ表示凸函数,且二阶可导;
步骤3.4、将所述WLAN网络的归一化吞吐量效用φ与所述吞吐量效用阈值φ′进行比较,若φ<φ′,表示所述WLAN网络需要重新给所述N个接入点AP进行信道分配,并执行步骤4;否则,表示不需要重新进行信道分配;
步骤4、基于人工蜂群算法的信道分配:
步骤4.1、参数定义:
定义迭代次数表示为Len、跟踪解连续变化次数的阈值表示为Limit、种群规模表示为M、二次邻域搜索循环次数表示为U、正交信道集合表示为C、定义全局循环次数表示为v,并初始化v=1;
步骤4.2、初始化M个解{x1,x2,…,xp,…,xM}:
随机生成M个解{x1,x2,…,xp,…,xM}中的第p个解xp,xp表示第p种信道分配方案,并有fi (p)表示在第p个解xp中给第i个接入点APi分配的工作信道,并从所述正交信道集合C中,随机选择一个正交信道获得,即fi (p)∈C,p=1,2,···,M;从而获得M个解{x1,x2,…,xp,…,xM};
步骤4.3、利用式(2)计算所述第p个解xp的适应度函数值从而得到所述M个解所对应的适应度函数值
式(2)中,表示在第p个解xp中第i个接入点APi的吞吐量;
步骤4.4、定义跟踪所述M个解{x1,x2,…,xp,…,xM}变化的变量参数为{l1,l2,…,lp,…,lM},lp为第p个解xp变化的变量参数,并初始化第p个变量参数lp=0;
步骤4.5、定义所述M个解{x1,x2,…,xp,…,xM}的邻域解集合为{G1,G2,…,Gp,…,GM},Gp为第p个解xp的邻域解集合,并初始化第p个邻域解集合值
步骤4.6、定义局部变量最优解为maxf,并初始化所述局部变量最优解maxf的适应度函数值
步骤4.7、对所述第p个解xp进行第v次迭代的邻域操作,获得所述第p个解xp的第v次迭代的邻域解从而得到所述M个解{x1,x2,…,xp,…,xM}所对应的第v次迭代的邻域解
步骤4.7.1、设置一个突变概率mp;
步骤4.7.2、初始化i=1;
步骤4.7.3、对第p个解中的第i个接入点APi所分配的工作信道fi (p)生成一个0~1之间的随机数,记为第p个解的第i个随机数ri (p);
步骤4.7.4、对第p个解的第i个随机数ri (p)进行判断,当ri (p)<mp成立时,则从所述正交信道分配集合C重新选择一个正交信道,记为并将赋值给fi (p);
步骤4.7.5、将i+1赋值给i,判断i≤N是否成立,若成立,则返回步骤4.7.3顺序执行,否则,表示获得第p个解xp的邻域解
步骤4.8、根据式(2)计算所述第p个解xp的第v次迭代的邻域解的适应度函数值从而得到所述M个解{x1,x2,…,xp,…,xM}所对应的第v次迭代的邻域解的适应度函数值
判断是否成立,若成立,则将赋值给xp,将赋值给令lp=0;否则,将lp+1赋值给lp;
步骤4.9、定义局部循环次数为u,较优解记为并初始化u=1;
步骤4.10、从所述M个解{x1,x2,…,xp,…,xM}中随机选择两个解,分别记为和并判断是否成立,若成立,则将赋值给否则将赋值给从而获得较优解
步骤4.11、对所述较优解进行邻域操作,获得所述较优解的邻域解并将赋值给所述较优解的邻域解集合从而更新所述较优解所对应的邻域解集合
步骤4.12、将u+1的值赋给u,并判断u≤U是否成立,若成立,则返回步骤4.10顺序执行;否则执行步骤4.13;
步骤4.13、在第v次迭代中更新所述M个解{x1,x2,…,xp,…,xM}的邻域解集合{G1,G2,…,Gp,…,GM}:
步骤a、初始化p=1;
步骤b、对所述M个解{x1,x2,…,xp,…,xM}的邻域解集合{G1,G2,…,Gp,…,GM}中第p个解xp的邻域解集合Gp进行判断,若成立,则利用式(3)获得所述第p个解xp的邻域解的最大适应度函数
式(3)表示从所述第p个解xp的邻域解集合Gp中选择一个最大的适应度函数;
判断是否成立,若成立,则将赋值给xp,将赋值给令lp=0,否则将lp+1的值赋给lp,并令
步骤c、将p+1赋值给p;判断p≤M是否成立,若成立,则返回步骤b执行,否则执行步骤4.14;
步骤4.14、在第v次迭代中从所述M个解{x1,x2,…,xp,…,xM}中选择一个适应度函数最大的解作为最优解,记为并判断是否成立,若成立,则将赋值给maxf,将赋值给否则执行步骤4.15;
步骤4.15、在第v次迭代中更新所述M个解{x1,x2,…,xp,…,xM}:
步骤a、初始化p=1;
步骤b、对所述跟踪所述M个解变化的变量参数{l1,l2,…,lp,…,lM}中第p个解xp变化的变量参数lp进行判断,当lp≥Limit成立时,令lp=0,并随机生成第p个新解代替第p个解xp,即将赋值给xp;
步骤c、将p+1赋值给p;判断p≤M是否成立,若成立,则返回步骤b执行,否则执行步骤4.16;
步骤4.16、将v+1的值赋给v,并判断v≤Len是否成立,若成立,则返回步骤4.7顺序执行;否则获得所述局部变量最优解maxf,即为最优信道分配方案。
2.根据权利要求1所述的基于人工蜂群算法的WLAN信道分配方法,其特征是,步骤3.2中获得所有接入点AP的吞吐量{th1,th2,…,thi,…,thN}是按如下步骤进行:
步骤3.2.1、根据所述信道集合f,将所述N个接入点中工作信道相同的接入点划分为一类,从而获得同频信道集合{Q1,Q2,…,Qg,…,QNum};Qg表示第g个同频信道,并有 表示第g个同频信道Qg中第τ个接入点;hω表示第g个同频信道Qg中接入点的总数;1≤g≤Num;
步骤3.2.2、根据所述干扰关系矩阵Id和理想CSMA网络模型,计算所述第g个同频信道Qg中第τ个接入点的吞吐量从而所述第g个同频信道Qg中hω个接入点的吞吐量;从而获得同频信道集合{Q1,Q2,…,Qg,…,QNum}中Num个同频信道的吞吐量,即为所述WLAN网络中所有接入点的吞吐量{th1,th2,…,thi,…,thN}。
3.根据权利要求2所述的基于人工蜂群算法的WLAN信道分配方法,其特征是,步骤4.3中第p个解xp中第i个接入点APi的吞吐量是按如下步骤获得:
步骤4.3.1、建立第p个解xp的干扰关系矩阵Id(p):
步骤4.3.1.1、根据所述邻接关系矩阵Ad和所述第p个解xp对应的信道分配方案判断第p个解xp中第i个接入点APi的工作信道fi (p)与第k个接入点APk的工作信道是否相同;
若相同,则判断第i行第k列的元素Adik=1是否成立,若成立,则令所述第p个解xp的干扰关系矩阵Id(p)中第i行第k列的元素表示在第p个解xp的中第i个接入点APi与第k个接入点APk是干扰关系;否则,令
若不相同,则令从而构建所述第p个解xp的干扰关系矩阵Id(p);
步骤4.3.2、根据所述第p个解xp的干扰关系矩阵Id(p)和第p个解xp,由理想CSMA网络模型计算获得所述第p个解xp中所有接入点的吞吐量从而获得第p个解xp中第i个接入点APi的吞吐量
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510455693.8A CN105072687B (zh) | 2015-07-28 | 2015-07-28 | 基于人工蜂群算法的wlan信道分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510455693.8A CN105072687B (zh) | 2015-07-28 | 2015-07-28 | 基于人工蜂群算法的wlan信道分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105072687A CN105072687A (zh) | 2015-11-18 |
CN105072687B true CN105072687B (zh) | 2018-07-06 |
Family
ID=54501930
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510455693.8A Active CN105072687B (zh) | 2015-07-28 | 2015-07-28 | 基于人工蜂群算法的wlan信道分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105072687B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106060946B (zh) * | 2016-05-31 | 2020-04-03 | 新华三技术有限公司 | 一种信道分配方法及装置 |
US20190005435A1 (en) * | 2017-06-28 | 2019-01-03 | Hcl Technologies Limited | System and method for allocating human resources based on bio inspired models |
CN108495347B (zh) * | 2018-03-05 | 2021-01-12 | 江苏创通电子股份有限公司 | 一种无缝漫游的方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104284433A (zh) * | 2014-10-11 | 2015-01-14 | 南京理工大学 | 基于速率限制的异构网络每比特能量最小化资源分配方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8340904B2 (en) * | 2006-01-08 | 2012-12-25 | Bo-In Lin | Transmission of wireless messages of current vehicle location and estimated arrival time to requestors |
-
2015
- 2015-07-28 CN CN201510455693.8A patent/CN105072687B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104284433A (zh) * | 2014-10-11 | 2015-01-14 | 南京理工大学 | 基于速率限制的异构网络每比特能量最小化资源分配方法 |
Non-Patent Citations (3)
Title |
---|
Channel assignment based on bee algorithms in multi-hop cognitive radio networks;Ahmad Ghasemi,等;《IEEE Xplore Digital Library》;20140911;全文 * |
Spectrum allocation based on Artificial Bee Colony in Cognitive Radio networks;Ahmad Ghasemi,等;《IEEE Xplore Digital Library》;20121108;全文 * |
改进人工蜂群算法求解信道分配问题;高珊,等;《计算机与应用化学》;20150128;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN105072687A (zh) | 2015-11-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109729528A (zh) | 一种基于多智能体深度强化学习的d2d资源分配方法 | |
CN109803269A (zh) | 组网方法和装置、网络接入方法、以及用户设备 | |
CN105072687B (zh) | 基于人工蜂群算法的wlan信道分配方法 | |
CN105493545B (zh) | 网络能效仿真及评估方法、装置 | |
CN110233755A (zh) | 一种物联网中雾计算的计算资源和频谱资源分配方法 | |
Yang et al. | Deep reinforcement learning based wireless network optimization: A comparative study | |
Xu et al. | Joint user scheduling and beam selection in mmWave networks based on multi-agent reinforcement learning | |
EP4122260A1 (en) | Radio resource allocation | |
Nie et al. | Pilot allocation and power optimization of massive MIMO cellular networks with underlaid D2D communications | |
CN106792995A (zh) | 一种未来5g网络中保障内容低时延传输的用户接入方法 | |
CN108924934A (zh) | 基于多维资源分配的异构网络干扰管理方法 | |
Naderializadeh et al. | Energy-aware multi-server mobile edge computing: A deep reinforcement learning approach | |
Yu et al. | Energy-aware device scheduling for joint federated learning in edge-assisted internet of agriculture things | |
CN114375058A (zh) | 任务队列感知的边缘计算实时信道分配和任务卸载方法 | |
Lam et al. | Scheduling problems in interference-aware wireless sensor networks | |
Gao et al. | Reinforcement learning based resource allocation in cache-enabled small cell networks with mobile users | |
US20240086715A1 (en) | Training and using a neural network for managing an environment in a communication network | |
CN116567667A (zh) | 一种基于深度强化学习的异构网络资源能效优化方法 | |
CN113890653B (zh) | 面向多用户利益的多智能体强化学习功率分配方法 | |
Li et al. | An efficient multi-model training algorithm for federated learning | |
Neogi et al. | Multi-player multi-armed bandit based resource allocation for D2D communications | |
CN109195222A (zh) | 一种基于统计特性参考的功率分配方法 | |
Jiang et al. | Dynamic spectrum access for femtocell networks: A graph neural network based learning approach | |
Ganesan et al. | Efficient sensor node connectivity and target coverage using genetic algorithm with Daubechies 4 lifting wavelet transform | |
Zhou et al. | Intelligent Spectrum Allocation for mmWave Integrated Backhaul and Access Network |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220817 Address after: 230001 floor 6, block B, blue diamond Shangjie, No. 335, Suixi Road, Bozhou road street, Luyang District, Hefei City, Anhui Province Patentee after: Hefei Luyang Technology Innovation Group Co.,Ltd. Address before: Tunxi road in Baohe District of Hefei city of Anhui Province, No. 193 230009 Patentee before: Hefei University of Technology |