CN105407060B - 基于异构无线网络的多路存取多单元分布式资源分配方法 - Google Patents

Abstract

本发明公开了一种基于异构无线网络的多路存取多单元分布式资源分配方法，包括以下步骤：步骤1，收集所设定区域内所有资源物理上限；步骤2，确定所设定区域内所有单元节点数和用户数；步骤3，利用遗传文化社会认知算法来对异构无线网络中资源进行分配。本发明提供的资源分配方法高效、可靠，可以显著提高资源利用率以及分配方案的合理性。本发明的方法具有较快的收敛速度，搜索能力较强。

Description

基于异构无线网络的多路存取多单元分布式资源分配方法

技术领域

本发明数据计算机网络领域，特别是一种基于异构无线网络中的多路存取多单元分布式的资源分配方法。

背景技术

如今的无线异构网络环境中，在各种多路存取的构造特点下，它的复杂性已经以一种激进的方式在发展。高效的异构无线网络中分布式资源分配观点已经被提出，其中多路存取和多单元的方法正相辅相成地为达到最佳地用户感知度(QoS)表现而共存。

完整的网络可以被认知成一个全球性的，在合理单元内部资源分配约束下的优化程序。多路存取的多样性表现在：通过设定一个以用户为中心的服务感知度的标准，使得用户对服务的感知度和满意度达到最高，从而使网络效用得到最大化的体现。

如今现有的全求无线网络范式，都在促进开发和建立现有的优化工具，来进一步完善无线资源管理(RRM)。以此为目的，网络效用(NUM)已经被广泛地用作衡量资源分配方法，通过结合大范围的无线接入技术，来设计模块化的，分散的，可扩展的网络架构。

遗传文化社会认知算法(GCS)是一种新型的混合仿生智能优化算法。该算法具备协同演化的三层空间。首先由基于遗传算法的微观层为中间层输送具备优良基因的个体，位于中间层的个体基于改进的社会认知算法执行学习演化过程，并提取中间层群体中的知识到信仰空间，通过知识的积累沉淀，形成文化并指导群体的演化。然后用GCS算法对QoS感知的云服务优化组合问题进行了求解，通过模拟实验验证了GCS算法的可行性和有效性。GCS算法具有较好的性能，并且可以用来求解其他离散型组合优化问题。

现有技术中尚无一种利用遗传文化认知算法对异构无线网络分散资源分配的相关报道。

发明内容

本发明的目的在于提供一种高效、可靠的解决异构无线网络中的多路存取多单元分布式资源分配方法。

实现本发明目的的技术解决方案为：一种基于异构无线网络的多路存取多单元分布式资源分配方法，包括以下步骤：

步骤1、异构无线网络收集所设定区域内所有资源的物理上限，记为W_c ^max；

步骤2、异构无线网络收集节点单元数量N_c和用户数量N_j；

步骤3、采用遗传社会认知算法对异构无线网络进行多路存取多单元分布式资源分配。具体步骤为：

步骤3-1、对算法参数进行初始化，所述的参数包括：节点单元集合C＝(c₁，c₂……c_Nc),用户集合J＝(j₁,j₂……j_Nj)，节点单元c和它绑定的用户j所能支配的资源数量W_c,j，用户j和单元c之间的信噪比γ_c,j＝G_c,jP_c,j/σ² _j，其中G_c,j表示长时间通道行为下，用户j和单元c之间路径的收益，P_c,j表示分配给用户j到单元c的传送力，σ² _j表示移动节点的噪声；

步骤3-2、在GCS算法的微观层，按照基因变异的演化过程，选择满足基因的个体到GCS算法的中间层；具体为：

步骤3-2-1、将异构无线网络的多路存取多单元分布式资源分配到整个系统，所用公式为：

式中所用参数为：Uj(wc,j)为用户对服务的满意程度；当用户j被分配到单元c时x_c,j为1，不然是0；公式(1)表示每个和单元联系的用户对服务满意程度最大化，公式(2)表示一个用户只能和一个单元联系，公式(3)表示单元c聚集的资源不能超过固定的上限W_c ^max；(W,X)为所有可能的资源向量(w,x)＝((w,x)₁,...,(w,x)_c,...,(w,x)^Nc)的集合，并且用(w,x)^c＝((w_c,1,...,w_c,Nj),(x_c,1,...,x_c,Nj))表示每个单元c内部的资源分配向量，(w,x)∈(W,X)表示问题的最佳解决方案；

步骤3-2-2、提出假设，并对GP问题进行优化，所述GP问题为：把用户分配到网络单元之中，并把它们相应的资源最佳地分配到整个系统；所述假设为：

假设1：GP问题可行，即永远有一个向量能使公式(2)、公式(3)成立；

假设2：单个移动用户设备U_j被选择，以使得下列两个条件保持：

(a)U_j(w_c,j)是凹形增长的并且两次连续可微的在区间W_c,j＝(U,W_c ^max]之间

(b)-w_c,jU″_j(w_c,j)/U'_j(w_c,j)≥1(’为微分)；

假设3：假设单元内部的干扰和单元之间的干扰都是相同的接入类型，都是静态的且可以被认为为噪声，即高斯噪声，这种假设不会在不同的无干扰接入方式的共存重叠的科技单元上强加任何限制；

假设4：存在一种对每个单元c都有效的资源分配机制，使得每个单元可用的资源最佳地分配到与之对应的用户集，与假设1-3相符；

对GP问题进行优化，将其优化为全体耦合问题GD问题，所用公式为：

定义和GP问题相关的拉格朗日函数，即：

式中参数含义为：单个移动用户设备Uj，μ＝(μ1,…,μNj)为一个拉格朗日乘数向量，相当于公式(2)的松弛，M*定义为原问题的解得非空的集，为公式(2)中最佳地拉格朗日乘数；

定义耦合后的问题的目标函数：

对(6)处理之后即：

利用上述三个公式对GD问题进行优化，结果为：

式中参数含义为：是用户为了单元c的花费的和，即单元c的最大收益。

步骤3-3、在中间层，按照社会认知优化算法SCO的流程，将步骤3-2得到的满足基因的个体执行群体的认知学习过程；具体为：

步骤3-3-1、对GD问题进行演绎和分解：

将GD分成两个最优的水平，低一点的水平下为单元内部最优化问题CP问题，所用公式为：

在高一点的水平下，确定对偶变量向量μ，所用公式为：

式中参数含义为：是聚合的对偶函数；

步骤3-3-2、解决上述问题，针对CP问题，做如下定义：

定义1：每个用户j和一个最小的信噪比水平定义为Γ_j，它决定了由于连接问题而附加在它上的单元的位置，即：

式中参数含义为：S_j表示用户潜在的依赖程度，

定义2：定义只有一个子集的用户可以与单元绑定的集合S_c为：

假设S_c被每个单元c获取，则S_c是一组在单元覆盖范围内的集合；

根据公式(11)和公式(12)，将问题简化为下列空间限制的问题,即单元内部位置最佳化问题(CLP)，所用公式为：

式中参数含义为：(W,X)^S表示可行解的个体单元集，它表示给 定一个乘向量在一个给定的时间间隔t中，表示所有系统中单元最佳资源分配向量，是在所有CLP问题上特别得到的解；

步骤3-3-3、基于假设1～假设3和μ，一个改进的等价的且已处理的CLP变形已经被广泛利用，即：

可通过上述公式解出唯一未知的向量是

采用次梯度投影法解决公式(10)以及整个GP问题，让乘数μ被更换至相反方向的梯度上，所用公式为

式中参数含义为：q(t)＝ε,是一个固定标量；

将上述公式简化，可得公式：

式中参数含义为：为聚合的对用户j中单元的需求；

步骤3-3-4、把(15)代入(14)中，得：

完成了对整个问题的最优化。

步骤3-4、通过SCO算法中的接受函数将中间层优秀的个体作为知识提取到信仰空间，用更新函数更新信仰空间里的知识，对知识执行基于模仿学习的进化操作；

步骤3-5、当信仰空间里的知识经过Nc代更新后，通过影响函数来指导中间层群体的演化，得到满足的基因个体，把得到的μ告诉在其覆盖范围S_c内的用户，每个用户j通过公式(16)更新他们的花费μ_j,随后把新的结果告诉其所在地S_j上的所有单元c，然后循环，将每个c都进行一次求解，即进行了N_c次更新，把最终信仰空间内的μ返回到中间层里的各个用户上，完成资源分配。

本发明与现有技术相比，其显著优点为：(1)本发明的异构网络基于社会遗传认知算法进行虚拟资源分配，满足异构网络最优资源分配要求；(2)本发明的方法具有较快的收敛速度，搜索能力较强；(3)本发明的方法为拥有学习机制，可以多次迭代进行求解，从而实现资源最优分配。

附图说明

图1为本发明利用遗传文化社会认质算法来解决在异构无线网络中的多路存取多单元分布式资源分配方法的流程图。

图2为本发明异构网络资源分配示意图。

图3为本发明基于GCS算法资源分配方法示意图。

图4位本发明算法操作流程图。

具体实施方式

下面对本发明做详细的介绍：

首先，要介绍一下社会认知算法(SCO)。

近半个世纪以来，很多学者模拟生物的智慧，研发出多种进化算法，这些进化算法大多是基于昆虫系统的，从整个生物群体来看，人类社会的社会性和智能性要远远优于昆虫社会。人类学习是通过观察学习别人行为的结果，并将其符号化的过程。人类学习是通过观察学习别人行为的结果，并将其符号化的过程。班杜拉将这种通过观察和模仿他人行为而提升自身能力的行为称为观察学习，这种观察学习是发生在社会之中的，所以也称为社会学习，这也是比昆虫系统要智能得多的地方。基于此，Xie等人在2002年首先提出了社会认知优化(social cognitive optimization，SCO)算法。该算法的基本概念主要有:a)知识点。由知识空间中位置值、水平值的描述构成的点，通过对知识点的多次更新和选取，最终获得最优解。b)知识库。用来存储知识点的表。c)学习代理。学习代理是一个行为个体，用来选取知识库中的知识点参与优化过程。d)领域搜索。假设有两个知识点x_1，d和x_2，d，对x_2，d的领域搜索就是以x_1，d作为参考，选出一个新的知识点x*_d，x*_d＝x_1，d+2×Rand()×(x_2，d-x_1，d)，d表示知识点的维数，Rand()是一个在(0，1)的随机值，x_1，d和x_2，d分别为搜索行为的参考点和中心点。整个优化过程由学习代理来完成。假设库中知识点的个数是N_pop，学习代理的个数为N_c，学习的次数为T。

SCO算法的具体步骤如下:

a)初始化过程

(a)在知识库中随机生成一定数量的知识点(包括每个知识点的位置和其水平)；

(b)随机地给每个学习代理分配库中的一个知识点，但不允许把一个知识点重复分配给多个学习代理。

b)替代学习过程(对于每个学习代理)

(a)模仿学习。从知识库中随机地选出两个或者多个知识点，所选出的知识点都不能与学习代理自身的知识点相同，并根据竞争选择原则，在这几个知识点之间选出一个较好的知识点。

(b)观察学习。将所选择出的知识点与代理自身的知识点的水平对比，将水平较好的那个点定为中心点，将较差的那个点定为参考点，然后学习代理基于领域搜索的原则，移动到一个新的知识点，并且将新的知识点储存在库中。

c)库更新过程

从库中删除Nc个具有最差水平的知识点。

d)重复步骤b)～d)，直到满足停止条件。

由社会认知算法中的领域搜索规则可以看出，社会认知算法只适用于解空间为连续型的优化问题，而不能用于求解具有离散型解空间的组合优化问题，为了扩展社会认知算法的求解功能，本文对社会认知算法的学习规则进行了改进:

a)对模仿学习的改进

在社会认知算法中，模仿学习实质上是解之间的比较，并没有体现人类社会相互学习的本质。本文借鉴协作学习的思想，对模仿学习进行了改进，提出了一种针对离散型优化问题的学习方法:(a)从知识库中随机抽取出一定数量的、有别于代理自身的解；(b)将代理自身的解和抽取到的解分成若干段，代理对其他解的每一段进行学习，将其学习到的、优于自身相应段的局部解吸纳为自身的一部分。经过这样一个学习过程，代理将其他解最优的部分变成自身的一部分，从而可以改善自身的构造，通过这样的学习可以使代理身上的解成为一个优于其他解的新解。

b)对观察学习的改进

SCO算法中的观察学习是基于领域搜索的学习规则，该学习方法只适用于具有连续解空间的优化问题，而不能用于离散型解空间的优化问题。针对这一问题，本文提出了一种基于变异的观察学习方法，在代理完成模仿学习之后，对通过模仿学习得到的新解实施基于变异的解搜索，每次变异后，选出通过变异得到的解与代理自身的解之间的最优者。这样使得社会认知算法可以用来求解离散型优化问题，并且能够快速地增加解的多样性，扩大搜索空间，避免算法陷入局部最优。这里采用多点变异方法，即对构成解的点实施变异。

本文所用算法为：

在人类社会中，个体所获得的知识以一种公共认知的形式影响着社会中的其他个体，加速整体进化，帮助个体更加适应环境，从而形成文化。基于此，Reynolds提出了一种源于文化进化的双层进化模型，称为文化算法(culture algorithm，CA)。已经有文献证明，在文化加速进化作用下的进化远优于单纯依靠基因遗传的生物进化。群体智能的演化应该是由基因遗传进化、生物群体的演化、生物群体文化的积累与沉淀、文化对生物群体进化的影响构成的一个相互影响和相互促进的过程。鉴于上述思想，本文结合遗传算法(GA)、社会认知算法(SCO)和文化算法(CA)的优点，提出了遗传文化社会认知算法(GCS)算法。

该算法包括微观层、中间层和信仰层三层协同演化空间。GCS算法的构建思路为:a)将遗传算法纳入微观层，为中间层提供具有良好基因的个体；b)将改进的社会认知算法纳入文化算法框架之内，作为中间层，模拟人类群体的学习过程；c)不断地从中间层提取有用的知识存储到信仰空间，信仰空间里的知识通过积累沉淀形成文化，并应用文化来指导中间层群体的演化。

利用GCS来解决在异构无线网络中的多路存取多单元分布式资源分配问题，包括以下步骤：

步骤3-1、对算法参数进行初始化，所述的参数包括：节点单元集合C＝(c₁，c₂……c_Nc),用户集合J＝(j₁,j₂……j_Nj)，节点单元c和它绑定的用户j所能支配的资源数量W_c,j，用户j和单元c之间的信噪比γ_c,j＝G_c,jP_c,j/σ² _j，其中G_c,j表示长时间通道行为下，用户j和单元c之间路径的收益，P_c,j表示分配给用户j到单元c的传送力，σ² _j表示移动节点的噪声；

步骤3-2、在GCS算法的微观层，按照基因变异的演化过程，选择满足基因的个体到GCS算法的中间层；

步骤3-3、在中间层，按照社会认知优化算法SCO的流程，将步骤3-2得到的满足基因的个体执行群体的认知学习过程；

步骤3-4、通过SCO算法中的接受函数将中间层优秀的个体作为知识提取到信仰空间，用更新函数更新信仰空间里的知识，对知识执行基于模仿学习的进化操作；

步骤3-5、当信仰空间里的知识经过Nc代更新后，通过影响函数来指导中间层群体的演化，得到满足的基因个体，把得到的μ告诉在其覆盖范围S_c内的用户，每个用户j通过公式(16)更新他们的花费μ_j,随后把新的结果告诉其所在地S_j上的所有单元c，然后循环，将每个c都进行一次求解，即进行了N_c次更新，把最终信仰空间内的μ返回到中间层里的各个用户上，完成资源分配。

下面进行具体描述：

结合图1，本发明利用遗传文化社会认质算法来解决在异构无线网络中的多路存取多单元分布式资源分配方法，包括以下步骤：

步骤1，异构网络智能收集所设定区域内所有资源的物理上限，记为W_c ^max；

结合图2，步骤2，智能收集节点单元数量N_c和用户数量N_j；

结合图3，步骤3，智能采用遗传社会认知算法来对异构无线网络中多路存取多单元分布式资源分配，具体过程如下：

步骤3-1所述的参数包括：

节点单元集合C＝(c₁，c₂……c_Nc),用户集合J＝(j₁,j₂……j_Nj),c和它绑定的用户j所能支配的资源数量W_c,j，用户j和单元c之间的信噪比γ_c,j＝G_c,jP_c,j/σ² _j，其中σ² _j表示移动节点的噪声；用户对服务的满意程度U_j(w_c,j)；

步骤3-2、选择满足基因的个体到GCS算法的中间层，具体为：

步骤3-2-1、将异构无线网络的多路存取多单元分布式资源分配到整个系统，具体为：

问题陈述：全局主要问题(GP)

我们的目的是把用户分配到网络单元之中，并把它们相应的资源最佳地分配到整个系统。即：

其中，当用户j被分配到单元c时x_c,j为1，不然是0.

公式(2)反应出一个用户只能和一个单元联系，公式(3)反映出单元c聚集的资源不能超过固定的上限W_c ^max,让我们定义(W,X)为所有可能的资源向量(w,x)＝((w,x)₁,...,(w,x)_c,...,(w,x)^Nc)的集合，并且用(w,x)^c＝((w_c,1,...,w_c,Nj),(x_c,1,...,x_c,Nj))来表示每个单元c内部的资源分配向量。我们用(w,x)∈(W,X)来表示GP问题的最佳解决方案。

在GP问题中，从用户的分配到一个特定单元的收益并不仅是关于分配给用户资源的函数，还是基于用途的满意的函数，正式点说，就是用户的服务质量感知的情况。因此，我们用U_j(w_c,j((w,x)^c))x_c,j来代替Uj(w_c,j((w,x)^c)·x_c,j)为整个系统的目标用户，为简单起见,我们让U_j(w_c,j((w,x)^c))x_c,j≡U_j(w_c,j)xc,j。

步骤3-2-2，提出假设，并对GP问题进行优化，其具体过程为：

为了更加有效地解决GP问题，我们提出下列假设：

假设1：GP问题可行，即永远有一个向量能使公式(2)、公式(3)成立；

假设2：单个移动用户设备U_j被选择，以使得下列两个条件保持：(1)U_j(w_c,j)是凹形增长的并且两次连续可微的在区间W_c,j＝(U,W_c ^max]之间-w_c,jU″_j(w_c,j)/U′_j(w_c,j)≥1(’为微分)

假设3：我们假设单元内部的干扰和单元之间的干扰都是相同的接入类型，都是静态的且可以被认为为噪声，即高斯噪声。这种假设不会在不同的无干扰接入方式的共存重叠的科技单元上强加任何限制。

假设4：存在一种对每个单元c都有效的资源分配机制，使得每个单元可用的资源最佳地分配到与之对应的用户集，与假设1-3相符。

直观来说，GP问题目的是找到N_j个用户和N_c个单元和他们相应的资源一个收益最大化的分配方案，使得每个用户都只和一个单元绑定且相互满意。

公式(2)和(3)强加了两种耦合，在一个微观水平下，每个单元的资源都是耦合的，然而在宏观上来看，整个系统的资源是耦合的，为了解决整体的GP问题，我们从局部着手。

引申出一个新的问题：全体耦合问题(GD)

让我们定义和GP问题相关的拉格朗日函数，即：

其中μ＝(μ1,…,μ_Nj)为一个拉格朗日乘数向量，相当于(2)的松弛，其中每个元素都在(-∞，+∞)内的一个实数。耦合问题的目标函数为：

处理之后变化为：

GD问题现在可以定义成：

GD：

我们把M^*定义为GD的解得非空的集，为(2)中最佳地拉格朗日乘数。利用假设1，后者最佳价格的存在就被确定了。直观的，可以被解读成用户为了单元c的花费的和。即单元c的最大收益。我们现在就把送到中间层。

步骤3-3按照社会认知优化算法SCO的流程，将步骤3-2得到的满足基因的个体执行群体的认知学习过程，具体为：

步骤3-3-1、对GD问题进行演绎和分解，具体为：

演绎并分解：

公式(7)对C中的单元是可加的，那么，GD问题的可行性集可以轻松被写成笛卡尔积形式，那么，我们把GD分成两个最优的水平。低一点的水平下，我们有子问题，即，每个C中的单元，在公式(8)中的分耦，也被称作单元内部最优化问题(CP)。即：

CP:

在高一点的水平下，主要的问题是通过解决下面的问题来得到对偶变量向量μ：

其中，是聚合的对偶函数。

步骤3-3-2、解决上述问题，针对单元内部最优化问题，做如下定义，具体为：

为了解决公式(9)，我们先做如下定义：

定义1：每个用户j和一个最小的信噪比水平定义为Γ_j，它决定了由于连接问题而附加在它上的单元的位置，即可以写成：

直观地来说，S_j表示用户潜在的依赖程度，因此，我们进一步假设

定义2：基于定义1，只有一个子集的用户可以与单元绑定，我们定义一个集合S_c为：

我们假设S_c可以被每个单元c获取，显然，S_c是一组在但愿覆盖范围内的集合。

给予定义1和定义2，CP问题可以被简化成下列空间限制的问题，即，单元内部位置最佳化问题(CLP)：

CLP:

其中，(W,X)^S表示可行解的个体单元集，它表示因此，给定一 个乘向量在一个给定的时间间隔t中， 表示所有系统中单元最佳资源分配向量，其中是在所有CLP问题上特别得到的解。

CLP问题等同于一个背包问题，其目的是在整个子集资源需求不超过W_c ^max的情况下，找到最大收益的Sc的子集。在CLP问题中，U_j(w_c,j)-μ_j表示单元c从选择用户j上得到的收益，取决于分配的资源W_c,j。

步骤3-3-3、基于假设1～假设3和μ，一个改进的等价的且已处理的CLP变形已经被广泛利用，即：

已经被证明了。

向量μ的值将在后面陈述怎么求得，那么现在唯一未知的向量是解决问题之后就可求得。现在，解决了问题，可以定义两个用户集合：1)没有分配到资源的人，即w_c,j(t)＝0，2)拥有资源的人，即w_c,j(t)>0。因此，向量可以间接被资源分配结果决定，即w_c,j(t)＝0时，x_c,j(t)＝0，否则x_c,j(t)＝1。

还剩的问题就是通过解决公式(10)来求出μ。注意到：即使是N_CCLP问题的可行的解，因此遵循每个单元个体的约束，但这并不能维系GP问题中的公式(2)的约束，即一个用户可以同时为多个单元进行资源分配，这是控制整个网络满足公式(2)的主要耦合问题。可以通过用户的花费，即乘数μ来控制。μ就是一个解，解得的μ送至信仰空间，与原来的进行比较，如果更加合适，则删去原来的值。至于怎么求得μ以及怎么判断更加合适，下面将进行分析。

为了解决公式(10)以及整个GD问题，我们采用一个次梯度投影法，让乘数μ被更换至相反方向的梯度上，即：

其中q(t)＝ε,是一个固定标量。

可得：

其中，可以被解读成聚合的对用户j中单元的需求；把(15)代入(14)中，可得：

观察公式(16)，我们认为这和供求关系一致，商品即用户，顾客即单元。即，如果用户j有要求，很高，且超过了供应(在我们的问题中是每个用户只能分配资源给一个单元)，然后用户的花费就在增高，不然就在下降。

步骤3-4的具体过程为：通过SCO算法中的接受函数将中间层优秀的个体作为知识提取到信仰空间，用SCO算法中的更新函数更新信仰空间里的知识，对知识执行基于模仿学习的进化操作；

步骤3-5的具体过程为：

总结这一段的分析，每次迭代单元个体解决它的CLP得到μ，把结果告诉在其覆盖范围S_c内的用户，每个用户j通过公式(16)更新他们的花费μ_j,随后把新的结果刚告诉他所在地S_j上的所有单元c，然后循环。每个c都要进行一次求解，即进行了N_c次更新，把最终信仰空间内的μ返回到中间层里的各个用户上，即可完成对各单元各用户资源分配。

下面结合实施例做进一步详细的描述。

实施例：

一种基于异构无线网络的多路存取多单元分布式资源分配方法，包括以下步骤：

步骤1，异构网络智能收集所设定区域内所有资源的物理上限，记为W_c ^max；

步骤2，智能收集节点单元数量N_c和用户数量N_j；

步骤3，智能采用遗传社会认知算法来对异构无线网络中多路存取多单元分布式资源分配。

首先，初始化各参数。使得原本区域内各单元和各用户有着连接。

然后，对各连接进行评估，满足本例要求一个用户只和一个单元进行连接的分配方案为基因较好的个体，送到中间层。

再然后，对在中间层的各个个体，进行学习认知工作，即对步骤3.3中各算式进行计算，解出把原本就在中间层的与其他分配方案进行比较。

再然后，把和原方案进行比对后得到的更优的方案送到信仰空间。比对即看是否超过W_c ^max并且是否满足公式(1)-(4)。

再然后，根据步骤3.4中各算式进行计算，每个单元解各自的CLP问题，把解告诉自己所在区域内的用户，各用户再根据公式(16)进行μ_j的更新，并且告诉自己所在区域内的所有单元，两者相互选择，得到各种分配方案。

再然后，对信仰空间内部的知识和将要送到信仰空间内部的知识进行比较，留下更优的，上限为单元数N_c，因为最终将要单元和用户一对一，用户数目应该比单元数小。

再然后，对每个单元进行如此操作之后，即进行N_c次迭代后，把信仰空间内现有的最优解返回至中间层，对进行更新，使得单元和用户资源分配方案更合理。

最后，重复上述操作，直至每个单元和用户都满足(1)-(4)且资源总和不超过资源上限W_c ^max。

由上可知，本发明提供的资源分配方法高效、可靠，可以显著提高资源利用率以及分配方案的合理性。本发明的方法具有较快的收敛速度，搜索能力较强。

Claims (3)

1.一种基于异构无线网络的多路存取多单元分布式资源分配方法，其特征在于，包括以下步骤：

步骤1、异构无线网络收集所设定区域内所有资源的物理上限，记为W_c ^max；

步骤2、异构无线网络收集节点单元数量N_c和用户数量N_j；

步骤3、采用遗传社会认知算法对异构无线网络进行多路存取多单元分布式资源分配；具体过程为：

步骤3-1、对算法参数进行初始化，所述的参数包括：节点单元集合C＝(c₁，c₂……c_Nc),用户集合J＝(j₁,j₂……j_Nj)，节点单元c和它绑定的用户j所能支配的资源数量W_c,j，用户j和单元c之间的信噪比γ_c,j＝G_c,jP_c,j/σ² _j，其中G_c,j表示长时间通道行为下，用户j和单元c之间路径的收益，P_c,j表示分配给用户j到单元c的传送力，σ² _j表示移动节点的噪声；

步骤3-2、在GCS算法的微观层，按照基因变异的演化过程，选择满足基因的个体到GCS算法的中间层；其中为最佳地拉格朗日乘数；

步骤3-3、在中间层，按照社会认知优化算法SCO的流程，将步骤3-2得到的满足基因的个体执行群体的认知学习过程；

步骤3-4、通过SCO算法中的接受函数将中间层优秀的个体作为知识提取到信仰空间，用更新函数更新信仰空间里的知识，对知识执行基于模仿学习的进化操作；

步骤3-5、当信仰空间里的知识经过Nc代更新后，通过影响函数来指导中间层群体的演化，得到满足的基因个体，把得到的μ告诉在其覆盖范围S_c内的用户，每个用户j更新他们的花费μ_j,随后把新的结果告诉其所在地S_j上的所有单元c，然后循环，将每个c都进行一次求解，即进行了N_c次更新，把最终信仰空间内的μ返回到中间层里的各个用户上，完成资源分配。

2.根据权利要求1所述的基于异构无线网络的多路存取多单元分布式资源分配方法，其特征在于，步骤3-2中选择满足基因的个体到GCS算法的中间层，具体为：

步骤3-2-1、将异构无线网络的多路存取多单元分布式资源分配到整个系统，所用公式为：

式中所用参数为：U_j(w_c,j)为用户对服务的满意程度；当用户j被分配到单元c时x_c,j为1，不然是0；公式(1)表示每个和单元联系的用户对服务满意程度最大化，公式(2)表示一个用户只能和一个单元联系，公式(3)表示单元c聚集的资源不能超过固定的上限W_c ^max；(W,X)为所有可能的资源向量(w,x)＝((w,x)₁,...,(w,x)_c,...,(w,x)^Nc)的集合，并且用(w,x)^c＝((w_c,1,...,w_c,Nj),(x_c,1,...,x_c,Nj))表示每个单元c内部的资源分配向量，(w,x)^＊∈(W,X)表示问题的最佳解决方案；

步骤3-2-2、提出假设，并对GP问题进行优化，所述GP问题为：把用户分配到网络单元之中，并把它们相应的资源最佳地分配到整个系统；所述假设为：

假设1：GP问题可行，即永远有一个向量能使公式(2)、公式(3)成立；

假设2：单个移动用户设备U_j被选择，以使得下列两个条件保持：

(a)U_j(w_c,j)是凹形增长的并且两次连续可微的在区间W_c,j＝(U,W_c ^max]之间

(b)其中“'”为微分；

假设3：假设单元内部的干扰和单元之间的干扰都是相同的接入类型，都是静态的且可以被认为噪声，即高斯噪声，这种假设不会在不同的无干扰接入方式的共存重叠的科技单元上强加任何限制；

假设4：存在一种对每个单元c都有效的资源分配机制，使得每个单元可用的资源最佳地分配到与之对应的用户集，与假设1-3相符；

对GP问题进行优化，将其优化为全体耦合问题GD问题，所用公式为：

定义和GP问题相关的拉格朗日函数，即：

式中参数含义为：单个移动用户设备U_j，μ＝(μ1,…,μNj)为一个拉格朗日乘数向量，相当于公式(2)的松弛，为公式(2)中最佳地拉格朗日乘数；

定义耦合后的问题的目标函数：

对(6)处理之后即：

利用公式(5)、(6)、(7)对GD问题进行优化，结果为：

式中参数含义为：是用户为了单元c的花费的和，即单元c的最大收益。

3.根据权利要求1所述的基于异构无线网络的多路存取多单元分布式资源分配方法，其特征在于，步骤3-3按照社会认知优化算法SCO的流程，将步骤3-2得到的满足基因的个体执行群体的认知学习过程，具体为：

步骤3-3-1、对GD问题进行演绎和分解：

将GD分成两个最优的水平，低一点的水平下为单元内部最优化问题CP问题，所用公式为：

在高一点的水平下，确定对偶变量向量μ，所用公式为：

式中参数含义为：DL'(μ)是聚合的对偶函数；

步骤3‐3‐2、解决上述GP和GD问题，针对CP问题，做如下定义：

定义1：每个用户j和一个最小的信噪比水平定义为Γ_j，它决定了由于连接问题而附加在它上的单元的位置，即：

式中参数含义为：S_j表示用户潜在的依赖程度，

定义2：定义只有一个子集的用户可以与单元绑定的集合S_c为：

假设S_c被每个单元c获取，则S_c是一组在单元覆盖范围内的集合；

根据公式(11)和公式(12)，将问题简化为下列空间限制的问题,即单元内部位置最佳化问题CLP，所用公式为：

式中参数含义为：(W,X)^S表示可行解的个体单元集，它表示给定一个乘向量在一个给定的时间间隔t中，表示所有系统中单元最佳资源分配向量，是在所有CLP问题上特别得到的解；

步骤3‐3‐3、基于假设1～假设3和μ，一个改进的等价的且已处理的CLP变形已经被广泛利用，即：

解出唯一未知的向量是

采用次梯度投影法解决公式(10)以及整个GD问题，让乘数μ被更换至相反方向的梯度上，所用公式为

式中参数含义为：q(t)＝ε,是一个固定标量；

将上述公式(14)简化，可得公式：

式中参数含义为：为聚合的对用户j中单元的需求；

步骤3‐3‐4、把(15)代入(14)中，得：

完成了对整个问题的最优化。