CN105530707A - 一种异构融合场景中基于混合优化的资源分配方法 - Google Patents

Abstract

本发明提供了一种异构网络融合场景中基于混合优化的资源分配方法，其包括建立优化目标函数、基于遗传运算的资源初次分配和基于蚁群算法的资源再分配三个阶段。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得到资源初次分配结果；最后，将遗传运算得到的资源初次分配结果作为蚁群算法中的初始信息素分布，通过蚁群算法对资源进行再次分配。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，同时满足业务服务质量的最佳资源分配问题。

Description

一种异构融合场景中基于混合优化的资源分配方法

技术领域

本发明属于移动通信技术领域，尤其涉及一种异构网络融合场景中基于混合优化的资源分配方法。

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。目前各主流算法均存在各自的优缺点，如遗传算法虽然全局搜索能力较好，但对系统中的反馈信息却无能为力，缺乏局部搜索能力容易陷入局部最优解；蚁群算法虽具有很强的发现“较优解”的能力，但初期信息素缺乏会导致搜索效率低。

本发明采用基于混合优化的资源分配方法，该方法结合不同无线网络和业务类型特点，最大化资源利用率，同时满足各类业务的QoS要求。采用遗传运算与蚁群算法相结合的混合优化方法求解资源优化问题，先利用遗传算法快速随机的全局搜索能力来产生初始信息素，再利用蚁群算法求精确解，优势互补，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，而且很大的提高了时间效率和最优解精确度。

发明内容

本发明提供了异构融合场景中一种基于混合优化的资源分配方法，其目的以最大化资源利用率为目标，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，采用遗传运算与蚁群算法相结合的混合优化方法来寻求最佳资源分配方案。其中，异构网络融合系统包括N种无线接入网络(RANs，RadioAccessNetworks)，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，BasicBandwidthUnit)，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个随机分布的移动终端(MTs，MobileTerminals),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利用率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}=\[b_{1_1}^1,\mathrm{...},b_{1_1}^N,\mathrm{...},b_{1_J}^1,\mathrm{...},b_{1_J}^N,\mathrm{...},b_{i_1}^1,\mathrm{...},b_{i_1}^N,\mathrm{...},b_{i_J}^1,\mathrm{...},b_{i_J}^N,\mathrm{...},b_{M_1}^1,\mathrm{...},b_{M_1}^N,\mathrm{...},b_{M_J}^1,\mathrm{...},b_{M_J}^N\],$ 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得到资源初次分配结果，然后将其转换为蚁群算法的初始信息素分布，每只蚂蚁按照信息素浓度决定转移方向，依据每次循环结果进行全局信息素更新，经过多次循环迭代得到最佳资源分配方案，最后根据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。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，表示资源利用率，则资源分配优化问题应满足：

$max\mathrm{\η}\left(b_{m_j}^n\right)$

$\begin{array}{cc}s.t& B_j^{\min }\≤b_{m_j}^n\≤B_j^{\max }\end{array}$

(1)

${\Σ}_{m=1}^M{\Σ}_{j=1}^J{b}_{m_j}^n{x}_{m_j}^n\≤C_n$

${\Σ}_{n=1}^N{x}_{m_j}^n=1,x_{m_j}^n\∈\{0,1\}$

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，的取值与业务优先级参数相关，例如，对于语音业务，当n为蜂窝网时，的取值大于n为WLAN时的值，这样在j为语音业务的情况下，n为蜂窝网时取1的概率大于n为WLAN时；确保分配给终端的资源总量不超过系统资源总量。

(2)基于遗传运算的资源初次分配阶段

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＞1，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，可以得到资源初次分配结果。

(3)基于蚁群算法的资源再分配阶段

以一定的概率选取种群中适应度值高个体组成的优化解作为初始信息素公式，用户m的j类业务由RAN-n分配资源块数为a的初始信息素公式为：

${\mathrm{\τ}}_{m_{ja}}^n\left(t\right)={\mathrm{\τ}}_0+{\mathrm{\τ}}_{m_{ja}}^{nGA}\left(t\right),---\left(3\right)$

其中τ₀为信息素常量，是根据遗传算法的结果转换的信息素值。本方法采取的信息素转换具体做法是遗传算法终止时，以一定的概率p₀选取种群中适应值最好的个体，信息素转换公式为：

${\mathrm{\τ}}_{m_{ja}}^{nGA}\left(t\right)=w\underset{k=1}{\overset{p_0\×K}{\Σ}}{\mathrm{\ν}}_k,---\left(4\right)$

其中，w为信息素转换因子，K表示个体总数，如果在第k个个体中用户m的j类业务由RAN-n分配带宽为a个BBUs则v_k等于1，否则等于0，a的取值与j有关，满足转移概率由信息素和路径启发信息共同决定：

$p_{m_{ja}}^n\left(t\right)=\{\begin{array}{cc}\frac{{\[{\mathrm{\τ}}_{m_{ja}}^n\left(t\right)\]}^{\mathrm{\α}}{\[{\mathrm{\η}}_{m_{ja}}^n\left(t\right)\]}^{\mathrm{\β}}}{\underset{n\∈{\mathrm{allowed}}_n}{\Σ}{\[{\mathrm{\τ}}_{m_{ja}}^n\left(t\right)\]}^{\mathrm{\α}}{\[{\mathrm{\η}}_{m_{ja}}^n\left(t\right)\]}^{\mathrm{\β}}}& n\∈{\mathrm{allowed}}_n\\ 0& others\end{array},---\left(5\right)$

其中，allowed_n表示当前可用的RANs，当RAN-n剩下的资源不足以满足业务QoS需求时，蚂蚁不能选择该RAN-n作为接入网。表示路径启发信息，与业务类型有关，例如，考虑同时接入蜂窝网的语音业务与数据业务，显然蜂窝网对语音业务的支持能力要更好，所以当RAN-n是蜂窝网时，语音业务的路径启发信息比数据业务的要大。α、β分别表示信息素浓度和启发信息的权重。由每次迭代后建立的最优解来进行信息素的更新，信息素更新公式为：

${\mathrm{\τ}}_{m_{ja}}^n(t+1)=(1-\mathrm{\ρ}){\mathrm{\τ}}_{m_{ja}}^n\left(t\right)+{\mathrm{\Δ\τ}}_{m_{ja}}^n\left(t\right),---\left(6\right)$

ρ为信息素挥发因子，的定义如下：

其中L_gb表示到目前为止找到的全局最优解路径，Q为算法循环一次释放在路径上的信息总量，是一个目标函数值有关的常量，用于强化正反馈性能，有助于算法收敛。最后根据蚁群算法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。

附图说明

图1异构网络融合场景图。

图2基于混合优化的资源分配方法结构框图。

图3基于遗传运算的资源初次分配流程图。

图4基于蚁群算法的资源再分配流程图。

具体实施方式

图3是遗传运算初次分配的具体实现方法。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。

基于遗传运算的资源初次分配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}=\[x_{1_1}^1,\mathrm{..},x_{1_1}^N,\mathrm{..},x_{1_J}^1,\mathrm{...},x_{1_J}^N,\mathrm{..},x_{i_1}^1,\mathrm{...},x_{i_1}^N,\mathrm{...},x_{i_J}^1,\mathrm{...},x_{i_J}^N,\mathrm{...},x_{M_1}^1,\mathrm{...},x_{M_1}^N,\mathrm{...},x_{M_J}^1,\mathrm{...},x_{M_J}^N\],$ 其中每个基因片段中只有一个基因位为1，表示移动终端i的J类业务只能接入N个RANs中的一个。

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，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

第六步：更新种群。

第七步：判断迭代代数是否达到设置的迭代代数NG，如果是则开始蚁群优化算法，否则转到第二步，开始下一轮遗传运算。

图4是基于蚁群算法的资源再分配的具体实现，主要包含以下几个步骤：

第一步：根据获得遗传算法计算的初次资源分配结果，将其按照(3)(4)转换为蚁群算法的初始信息素。

第二步：初始化参数，设置最大迭代代数N_max，蚂蚁数量等。

第二步：根据表达式(5)计算出蚂蚁在节点m时为业务j选择接入网的转移概率。

第三步：当所有蚂蚁完成一次循环后，根据表达式计算每只蚂蚁路径的目标函数值，选择最优解按照表达式(6)进行全局信息素更新。

第四步：判断迭代次数是否达到设置的最大迭代代数，如果是则根据最后一次的迭代结果，选择其中的最优解进行资源分配，否则转到第三步，开始下一次的循环。最大迭代代数的确定是在多次仿真结果的基础上，记录每次最终收敛时已经迭代的次数，取其中的最大值即为最终的最大迭代数。

Claims (4)

1.一种异构融合场景中基于混合优化的资源分配方法，其特征在于，该方法包括建立优化目标函数，基于遗传运算的资源初次分配，基于蚁群算法的资源再分配三个主要阶段；

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QoS要求等信息，然后以最大化资源利用率为目标建立优化目标函数，同时确定相应的约束条件；

基于遗传运算的资源初次分配阶段：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、种群更新遗传操作多次迭代求得初次分配结果；

基于蚁群算法的资源再分配阶段：将遗传运算的初次分配结果转换为蚁群算法的初始信息素分布，每只蚂蚁按照信息素浓度决定转移方向，每次循环结束更新全局信息素，经过多次迭代得到最佳资源分配方案，最后根据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所述的异构融合场景中基于混合优化的资源分配方法，其特征在于：建立优化目标函数阶段中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，以最大化资源利用率为目标，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。

3.根据权利要求1所述的异构融合场景中基于混合优化的资源分配方法，其特征在于：基于遗传运算的资源初次分配阶段主要包括建立适值函数、种群初始化、遗传操作等处理过程；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；其中，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所述的异构融合场景中基于混合优化的资源分配方法，其特征在于：基于蚁群算法的资源再分配阶段主要包括信息素初始化、转移概率设计、信息素更新等过程；蚁群算法的路径矢量与遗传算法的染色体矢量编码方式相同，将遗传算法求得的较优解转换成蚁群算法路径上初始信息素分布；根据不同无线网络对业务QoS要求的支持能力确定路径启发信息，再由信息素和启发信息共同决定转移概率；所有蚂蚁遍历完所有用户业务后，计算每只蚂蚁路径的目标函数值，选择最优解进行信息素更新，最后根据蚁群算法多次迭代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。