CN106060876A - 一种异构无线网络均衡负载的方法 - Google Patents
一种异构无线网络均衡负载的方法 Download PDFInfo
- Publication number
- CN106060876A CN106060876A CN201610607904.XA CN201610607904A CN106060876A CN 106060876 A CN106060876 A CN 106060876A CN 201610607904 A CN201610607904 A CN 201610607904A CN 106060876 A CN106060876 A CN 106060876A
- Authority
- CN
- China
- Prior art keywords
- population
- cell
- user
- individual
- individuals
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 95
- 230000002068 genetic effect Effects 0.000 claims abstract description 49
- 238000000137 annealing Methods 0.000 claims abstract description 43
- 230000005540 biological transmission Effects 0.000 claims description 23
- 230000035772 mutation Effects 0.000 claims description 18
- 230000008859 change Effects 0.000 claims description 6
- 230000002829 reductive effect Effects 0.000 abstract description 13
- 210000004027 cell Anatomy 0.000 description 221
- 230000006870 function Effects 0.000 description 26
- 238000005457 optimization Methods 0.000 description 25
- 238000002922 simulated annealing Methods 0.000 description 23
- 238000001228 spectrum Methods 0.000 description 18
- 230000007246 mechanism Effects 0.000 description 17
- 230000008569 process Effects 0.000 description 17
- 239000013598 vector Substances 0.000 description 12
- 230000009466 transformation Effects 0.000 description 8
- 238000004088 simulation Methods 0.000 description 7
- 238000013468 resource allocation Methods 0.000 description 6
- 230000006399 behavior Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 230000007423 decrease Effects 0.000 description 5
- 238000013178 mathematical model Methods 0.000 description 5
- 238000010845 search algorithm Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000010187 selection method Methods 0.000 description 4
- 230000001413 cellular effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000010410 layer Substances 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 241000600169 Maro Species 0.000 description 1
- 101150071746 Pbsn gene Proteins 0.000 description 1
- 238000003723 Smelting Methods 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000010420 art technique Methods 0.000 description 1
- 210000000349 chromosome Anatomy 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 239000011541 reaction mixture Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/08—Load balancing or load distribution
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供一种异构无线网络均衡负载的方法,包括:1)产生种群,所述种群包含多名个体,每名个体用于指示无线网络范围内的各个用户是否接入小区;2)对所述种群执行遗传算法以产生满足种群适应度要求的种群。所述方法还包括:对所述种群执行退火算法以产生满足退火适应度要求的种群。本发明的方法通过增加“劣质”种群个体的选择概率,降低了选择局部最优解的概率,并且在一定程度上降低了算法复杂度。
Description
技术领域
本发明涉及无线通信,尤其涉及异构无线网络的通信。
背景技术
随着智能终端的全面普及,以及移动互联网的快速发展,无线通信中数据业务占的比重越来越来。面对巨大的数据业务流量需求,移动运营商正在为增长的数据流量发愁,运营商分析分流移动数据可以极大地提高无线频谱资源利用率。3G/4G标准协议中已经支持低功率小基站,作为宏基站的补充部署低功率节点可以成倍地提高区域单位面积的可用频谱资源,进而提高业务吞吐量。低功率小基站产品形态比较灵活,包括家庭基站(Femtocell,2x50mW)、室外Picocell(2x1W,室外补盲、吸热)、室内Picocell(2x125mW,企业级室内覆盖)、中继站(Relay)以及Microcell(2x5W,室外补盲)。低功率小基站具有低成本,具有灵活、快速部署的优点,可以解决热点吸收、盲点、弱覆盖场景的网络覆盖问题,实现网络无缝覆盖。在传统的塔式宏基站覆盖范围下,局部热点或覆盖盲区部署低功率小基站的多层异构无线网络可以使运营商以较低的成本成倍地提高区域频谱资源,满足区域流量需求,以下将这种多层异构无线网络简称为异构无线网络。在宏基站中部署低功率小基站的异构无线网络中,面临着很多技术挑战。
异构无线网络面临的挑战之一就是异构网络中的负载不均衡问题。在移动通信系统中用户动态地移动,因此在宏基站和小基站重叠覆盖的异构网络中,宏基站和低功率小基站中接入服务用户数动态变化,极易产生不同类型小区之间负载高低不均的情况。并且,随着移动通信网络中视频等数据业务量的增大,以及低功率小基站的大量部署,异构节点间负载不均现象将更加明显。这是由于为了满足高流量、海量业务连接的移动应用需求,需要密集部署低功率结点,为了满足热点、盲点区域的无线网络数据流量需求,需要实现无线通信网络的全网无缝覆盖。因此,在小区密集部署的异构无线网络中,宏和低功率节点发送功率差异巨大。传统的宏基站发射功率范围一般是5W~40W(约37dbm~46dbm),而低功率节点发射功率范围为100mW~2W(约20dbm~33dbm),发射功率差距达2.5~400倍。在宏基站和低功率小基站发送功率的之间巨大差异,加剧了无线通信网络中小区之间负载不均衡的现象。
传统的无线网络中用户会选择信号强度最大的小区接入,而在宏基站和低功率基站重叠覆盖的双层异构网络中,由于宏基站和低功率小基站发送功率差异巨大,按照这种用户服务小区选择机制,会有大量用户接入宏基站,导致出现严重的小区间负载不均。在这种重叠覆盖异构网络中为了让更多用户选择接入低功率小基站,LTE 3GPP协议中引入了小区范围扩张的概念,为低功率小基站增加一个正的小区偏移值,低功率小基站中用户选择参考信号接收功率加小区偏移值最大的基站接入,从而实现低功率小区分流宏基站用户的目的。这种增加小区偏移的机制只需核心网络向基站配置一个小区偏移值就可以实现基站中边缘用户的小区间切换,降低了用户切换的信令载荷成本,以及用户接入选择的复杂性。
然而,在3GPP协议中并未给出如何动态设置低功率小基站的小区偏移值。此外,在某些特定情况下,可能出现部署低功率小基站的局部热点区域用户过载的情况,这时就不应当采取宏基站向低功率小基站增加小区偏移吸引用户接入的措施,而是需要将一部分低功率小基站热点区域边缘用户接入宏基站以避免热点区域局部拥塞。其次,在宏基站之间以及低功率小基站之间也会出现负载高低不同的情况,通过动态负载均衡可以避免一定区域内部分小区局部拥塞,提高频谱资源利用率。
现有异构无线网络负载均衡的专利从多个方面提出网络负载均衡的解决方法。
CN201110093655.4公开了一种基于终端制式差异的异构网络负载均衡方法。其基于进化博弈论给出一种兼顾终端差异性的异构网络负载调节方法。通过运用进化博弈论的思想,动态的调整用户的小区选择策略,以获得改善的用户效用。然而,这种基于终端制式差异的异构网络负载分配方法所强调的考虑终端差异性是指,考虑终端支持的异构网络接入能力以及多制式的异构网络负载状态确定用户的接入网络。因此,其只适用于多制式异构网络。这是因为在重叠覆盖异构网络中,由于负载需要将用户从信号强度最大的网络接入另外一个网络中会受到同制式的原接入网络强烈的信号干扰,也就是说这种方法应用到同制式的多小区间网络负载均衡中,不但不能提升系统性能,甚至会恶化系统性能。
CN201210131498.6公开了一种用于异构无线网络中负载均衡的用户接入方法,结合用户对网络的评价效用值和各网络对于新业务请求的负载效用评价,对用户和网络相互的评价效用值进行综合分析,得出在用户选择某一网络的前提下该网络接受用户接入请求的综合效用最大化策略,最终达成用户和网络间的最佳服务连接。然而,在这种方法中用户选择接入基站首先需要估计接入不同网络的参数,再根据不同网络的性能参数进行基于Topsis法的网络优先级判断,再将相关的可选网络发送给网络侧,网络侧需要基于不同用户的可选接入选择计算各种情况下相应的网络效用,最终才能确定用户的接入网络。这个过程会产生极大的延时,因而并不适应于实际异构网络中的网络间负载均衡。
CN201310020600.X公开了一种无线接入点负载均衡优化方法,通过收集用户在无线网络中的行为和流量特征数据计算用户之间的社会关系系数值SI,将相互之间SI值低的用户分配到相同的无线接入点上,使得当用户共同离开事件发生的时候,用户对无线网络中接入点之间的负载均衡造成的影响最小。这种优化方法是根据用户的流量行为统计信息以及所预测的用户行为方向,以分到同一网络中的用户共同离开网络的概率最小为目标,使分配到同一网络的用户尽量均匀地到达或离开,从而达到网络间负载均衡的目的。然而,以用户的行为预测结果为基础调节网络负载分配,其首先需要对用户行为进行较准确的预测。而在实际异构无线网络中用户不断移动,很难对用户到达及离开进行准确预测,因而,并不适用于网络负载随机变化的异构无线网络中。
CN201310280666.2公开了一种异构无线网络中优化用户QoE(Quality ofExperience)的动态网络选择方法,其结合传输的业务类型和当前用户接入的网络,周期的动态更新用户接入网络。其不需要先验的网络状态信息,采用Q学习方法决策用户网络选择以及执行切换。通过调节用户接入网络实现不同网络之间的负载均衡。此种动态网络选择方法以用户为中心,考虑了用户的不同业务特征,通过Q学习方法优化用户的网络选择。然而,这种通过Q学习优化用户接入网络的方法是一种不断试错学习的机制,这种方法达到收敛需要一定的时间。而异构网络中,由于用户处于动态变化的环境中,用户需要不断的学习,这极大地降低了系统性能。
CN201410016010.4公开了一种基于多业务的异构无线网络接入控制与资源分配方法。其综合考虑系统吞吐量和用户的公平性,将问题分解成接入控制和资源分配两个子问题,资源分配由各个基站完成。通过比较用户接入不同基站的效用增量之差,为用户选择最优的接入基站从而达到小区间负载均衡的目的。然而,在这种资源分配联合方法中,判断用户接入网络需要计算每个用户接入和不接入所有可接入网络的效用值,最终选择用户接入效用增加值最大的网络作为用户的接入网络。其确定用户选择接入网络的方法需要遍历各个网络,复杂度高,并不适用于实际异构网中的网络间负载均衡。
通过对现有技术的分析可以发现,已有的异构网络负载均衡的方法,均没有考虑到异构网络中小区基站与上层网络之间连接的回程链路(backhaul)发送容量的限制。然而,在未来高流量、海量业务连接的移动网络需求下,异构网络中将出现高容量、密集分布的低功率节点部署场景,在低功率小区和核心网络之间需要高容量的回程链路容量。但实际的低功率小区部署存在多种非理想链路部署的情况,例如光纤无法到达的地区,只能通过微波等无线链路连接,容量有限。因此,未来异构网络中的负载均衡需要考虑小区链路容量的约束,优化区域负载,满足用户业务服务质量需求,提高系统频谱资源利用率。
发明内容
针对上述发明的不足,本发明专利提出一种异构无线网络均衡负载的方法,包括:
1)产生种群,所述种群包含多名个体,每名个体用于指示无线网络范围内的各个用户是否接入小区;
2)对所述种群执行遗传算法,直到所述种群的最优个体的遗传算法适应度函数值变化率小于设定的值或者迭代次数达到最大;
3)输出所述最优个体,得到异构网络用户的最优服务小区选择解。
优选地,根据所述的方法,其中步骤2)包括:
2-1)将种群适应度最优的一个或多个个体保留在下一代的种群中。
优选地,根据所述的方法,其中步骤2-1)还包括:
2-1-1)从除去所述种群适应度最优的一个或多个个体之外的其余个体中选择用于个体交叉操作的个体,其中各个个体被选择的概率与所述个体的种群适应度呈正比。
优选地,根据所述的方法,其中步骤2-1-1)所述的个体交叉操作为均匀交叉。
优选地,根据所述的方法,其中包括:对所述个体执行的变异操作为均匀变异操作。
优选地,根据所述的方法,其中,步骤2)还包括:
2-2)对所述种群执行退火算法,直到所述种群的最优个体的退火算法适应度函数值变化率小于设定的值或者迭代温度达到终止温度。
优选地,根据所述的方法,其中步骤2-2)还包括:
2-2-1)将退火适应度最优的一个或多个个体保留在下一代的种群中。
优选地,根据所述的方法,其中所述遗传算法的适应度函数为:
其中,X为种群个体,X={x1,...,xK},xk表示异构网络区域用户k所选择的接入服务小区,Qi(X)表示小区i的效用,Ui,k为用户k接入小区i的效用,ri,k表示用户k接入小区i物理资源块的速率,Ui,k=ri,k,E为用户接入小区的惩罚值,ai,k为小区i中接入用户k占用的物理资源块,Ni是小区i最大可用资源块数,β为根据小区基站和核心网络之间链路传输介质所设定的小区容量因子,Ci是链路支持的最大允许传输容量,函数f(·)+=max{0,f(·)}。
优选地,根据所述的方法,其中所述退火算法的适应度函数为:
其中,v表示种群个体,V表示种群中个体的总数,a和b是针对退火算法设置的大于0的常量,t为退火温度,i用于表示全部小区集合S中的任意一个小区。
优选地,根据所述的方法,其中步骤1)包括:
1-1)采用整数编码来产生所述种群。
优选地,根据所述的方法,其中所述小区的接收功率大于-96dBm。
并且,本发明还提供了一种异构无线网络均衡负载的设备,包括:
用于产生种群的装置,所述种群包含多名个体,每名个体用于指示无线网络范围内的各个用户是否接入小区;以及
用于对所述种群执行遗传算法,直到所述种群的最优个体的遗传算法适应度函数值变化率小于设定的值或者迭代次数达到最大的装置;以及
用于输出所述最优个体、得到异构网络用户的最优服务小区选择解的装置。
与现有技术相比,本发明的优点在于:
考虑到了不同小区链路容量的因素,优化无线网络中用户接入,进行无线网络中小区间负载均衡,以满足用户业务服务质量需求,提高系统频谱资源利用率。并且基于改进的混合遗传模拟退火算法的用户接入来优化求解算法。提出的负载均衡算法是一种集中式求解算法,适用于基于集中式云基站架构的未来无线网络,能够有效降低异构网络间负载均衡的复杂度,降低采用分布式异构网络负载均衡机制带来的系统开销以及相应的延时。不仅能够应于同制式的多层异构网络中,而且可以应用到传统的单层蜂窝无线网络以及多制式异构网络之间的负载均衡。
附图说明
以下参照附图对本发明实施例作进一步说明,其中:
图1是根据本发明的一个实施例的改进型混合遗传模拟退火算法求解异构无线网络均衡负载的方法的流程图;
图2是根据本发明的一个实施例的采用模拟退火局部搜索算法进行局部搜索的方法的流程图;
图3是根据本发明的方法在不同Pico小区链路容量下用户平均速率和中断概率的仿真结果示意图。
具体实施方式
下面结合附图和具体实施方式对本发明作详细说明。
发明人在进行无线网络资源分配的研究时,发现可以通过以下方法来解决现有技术中存在的问题:
首先,需要对无线网络中链路容量感知的负载均衡问题进行建模。建立集中式异构网络的数学模型,以最大化系统频谱效率为目标,并且满足用户速率、小区频谱和小区链路容量的约束,从而优化用户接入小区进行负载均衡。
然后,通过所建立的数学模型求解约束条件下负载均衡的优化问题。为了降低解的搜索空间,发明人提出一种改进的混合遗传模拟退火算法IHGASA。此种算法仅对用户的激活小区搜索,并定义基于退火温度的Sigmoid适应度变换函数,在算法迭代初期退火温度较高阶段,降低优劣个体适应度差异,从而增大劣质个体选择概率避免过早陷入局部最优解。
数学模型
为了解决异构网络中参考小区链路容量约束的负载均衡问题,以下示出了通过优化用户接入进行负载均衡的数学模型。
首先,将用户效用定义为用户接入小区的单位频谱资源块的速率,由此使得当用户效用越大时,满足最小传输速率需要的频谱资源越少,频谱资源利用率越高。再以最大异构网络区域总效为目标,在满足各小区频谱资源块限制、链路容量约束、用户的最小速率需求以及用户只允许接入一个小区的限制条件下,优化用户接入小区,从而进行小区之间的负载均衡。
假设,在一个异构蜂窝网络聚簇中包括S个小区,K个用户。表示异构网络中小区集合,设表示Macro小区集合,表示低功率小区集合。用符号i表示小区i,集中式异构蜂窝网络聚簇中用户集合为Macro小区中用户集合表示为低功率小区中用户集合表示为采用符号k表示用户k,考虑单天线下行数据传输,系统对小区资源分配的单位为物理资源块(Physical Resource Block,PRB),假设小区i支持的最大传输带宽为Bi,数据传输的最大频谱效率为f bps/Hz,考虑非理想前传链路(fronthaul),小区i的前传链路容量为Ci,bps,则该链路容量将制约小区最大传输容量,即Bif≤Ci bps。假设,Maro小区和低功率小区之间采用正交的频谱资源,则接入Macro小区的用户和接入低功率小区的用户之间互不干扰。
采用用户接入小区单位资源块PRB的速率ri,k表示用户k接入小区i得到的效用值。则区域内全部小区用户的总效用U即区域用户的总速率为,
其中xi,k表示用户k对小区i的小区选择变量,如果xi,k为1则表示用户k选择小区i作为服务小区,如果xi,k为0则表示用户k不选择小区i为服务小区。
根据香农定理,用户k接入小区i单位PRB的速率ri,k表示为
ri,k=blog2(1+γi,k) (2)
ri,k反映了用户k接入小区i产生的频谱效率。其中b表示单位PRB的带宽。γi,k表用户k接入小区i的下行接收信干噪比,表示为:
其中hi,k表示小区i到用户k的信道增益,pi,k表示小区i对用户k的发送功率,在Macro和低功率小区重叠覆盖的异构网络中,Macro小区和低功率小区的信号接收功率差异巨大。设用zi,k来表示接入小区i中用户k的噪声,其服从高斯分布
优化异构网络区域用户接入的总效用需要满足以下约束条件R1-R4:
R1:一个用户只允许接入一个小区,即满足
R2:用户k分配得到的速率大于等于最小速率需求,即 其中,表示用户k请求的速率,ai,k表示小区i中接入用户k占用的资源块数目;
R3:小区i中所有用户占用的资源块小于等于小区最大可用资源块数,即
R4:小区i传输容量小于等于链路支持的最大允许传输容量,即Ti≤Ci,
由于小区链路发送数据容量与用户传输容量成正比。则小区i的链路容量Ti可以表示为
其中,Ti,k表示小区i中用户k数据传输占用的容量。β为根据小区基站和核心网络之间链路传输介质所设定的小区容量因子(β≥1)。
因此,求解异构网络中用户小区选择的负载优化问题可以表示为,最大异构网络区域所有用户的总效用U(所有用户的速率和)为目标的优化问题(5a)-(5f)。
其中(5b)表示一个用户仅接入一个小区;(5c)表示用户接入指示为0-1整数变量;(5d)表示用户k的速率大于等于需要的最小速率;(5e)表示小区i中用户占用的PRB数小于等于集中式基站中小区i支持的最大资源块数。考虑到小区的非理想链路情况,可以根据小区容量得到有效的PRB资源。(5f)表示小区i的传输容量不超过最大允许发送容量。
异构网络中用户小区选择的负载优化问题(5a)-(5f)为混合整数规划问题,是非凸优化问题。针对这一的非凸函数的求解复杂度随着异构网络中小区数S、小区内接入用户数K的增加成指数倍的增加,并不适合区域负载较高情况下的负载均衡优化。
为此,本发明提出一种基于改进的混合遗传模拟退火算法的异构网络负载均衡算法,来针对上述问题进行求解。
为了得到用户服务小区选择解,首先需要确定用户接入小区占用的PRB和容量资源。这里考虑到在高负载下仅在区域内局部频谱短缺的情况下,才有必要进行区域间负载均衡。由此,假设服务小区仅为用户分配满足最小速率需要的频谱资源,则可以将式(5d)化为等式由此,根据等式(5d)可以得到用户k接入小区i需要的PRBai,k。设Ui,k为用户k接入小区i的效用,采用ri,k即用户k接入小区i的速率表示,即Ui,k=ri,k=blog2(1+γi,k)。则将优化问题(5a)-(5f)转化为以下优化问题(6a)-(6e)。
以上用户服务小区选择问题(6a)-(6e)为0-1整数规划问题,其解空间大小为2sk。通过遍历全部的用户小区组合可以获得最优的用户服务小区选择方案,但采用穷举遍历搜索法算法,复杂度随着集中式异构网络区域小区和用户数的增加成指数倍的上升,无法在多项式时间内求得最优解。
换句话说,本发明的目的在于对上述数学模型(6a)-(6e)进行求解以确定每个小区的每个用户是否接入(例如,xi,k=0表示该用户k未接入小区i,xi,k=1表示该用户k接入小区i),然而在实际操作中由于时间和成本等限制,算出最佳的接入组合几乎是不可能实现的。
因此,为了快速的求解,本发明针对算法的改进提出一种加速收敛速度的改进型混合遗传模拟退火算法(Improved Hybrid Genetic Algorithm Simulated AnnealingAlgorithm,IHGASA)。
发明人认为,可以首先将遗传算法的解编码设置为用户数长度的整数串,用户k的解为所选择的接入小区ID值,并定义用户的激活小区集,用户只选择激活小区集中的小区进行接入,由此降低解搜索空间。并且,提出对适应度的Sigmoid变换,在混合算法模拟退火过程中根据退火温度对适应度进行变换,通过适应度的Sigmoid变换,在初期退火温度较高阶段,降低不同优劣个体的适应度差异,从而增大较差个体的选择概率,避免过早陷入局部最优解搜索区。在后期,增大优劣个体的适应度差异,以增大较优个体选择概率加速收敛。
采用混合遗传模拟退火算法求解0-1整数优化问题需要通过总的适应度函数来判断解的优劣,然而,由于问题(6a)-(6e)存在多个资源约束条件,因此需要进行变换,从而给出便于判断解优劣的适应度函数。这里采用罚函数方法将问题(6a)-(6e)转化为仅具有上下界约束的混合整数线性规划问题(7a)-(7d),即找出使得异构网络区域所有小区的相对效用总和F(x)最大时的每一名用户k对小区i的小区选择变量xi,k。xi,k是一个变量,取值为0或1,当其取值为0时表示用户k未接入小区i,当其取值为1表示用户k接入小区i。i指示小区,i可能的取值是1.....S中小区。k指示用户,取值是1.....K中用户。在以下(7a)-(7d)中,为了使得目标函数(7a)中不存在例如(6d)和(6e)的不等式约束,引入了Qi(X),从而采用惩罚函数的方法将约束条件归约到目标函数中。
其中,表示小区i的相对效用值,为在当前用户接入选择方式下,异构网络区域小区i的正效用和负效用的差;其中小区的正效用为小区中所有接入用户单位资源块的速率和,小区的负效用为小区无法满足接入用户的资源量,为小区中用户频谱和链路容量短缺量的和。Ui,k=ri,k,f(·)+=max{0,f(·)},E为一常量E>0。较大的E对应于较高的过多用户接入小区的惩罚值。
算法设计
本发明中引入了改进型混合遗传模拟退火算法,来用于求解异构无线网络均衡负载。遗传模拟退火算法是在遗传算法的基础上,加入退火算法以防止求解过程陷入局部最优解。
其中,遗传算法借鉴了遗传学的适者生存学说,进行多代的遗传,在每一代中根据适应度进行选择,以获得新的更加适应环境的近似解。不同于依赖梯度的求最优解的算法,遗传算法并非起始于一个点,而是从一个初始种群开始,在当前的种群中内进行交叉、变异和选择来产生新的种群。由此,可以对所产生种群继续遗传,以最终得到满足适应环境要求的种群。利用遗传算法的特性,可以快速地求得最优解。
另一方面,退火算法是一种求最优的贪心算法,在搜索过程中以一定的概率来接受一个比当前解要差的解,这个概率会随着时间的推移而改变,类似于金属冶炼的退火过程,即随着温度的降低接收更差解的概率会越降越低。由此,可以在每次执行完一遍遗传算法之后,进行退火及改变温度,并重复遗传算法,以达到既能快速地求得最优解又避免了因快速求解而容易陷入局部最优解的问题。
下面将具体解释根据本发明的方法的解编码、适应度函数、种群选择、交叉、变异、以及退火。
<解编码>
解编码是指,在需要求解的问题和遗传算法空间之间的相互映射。发明人认为可以采用整数编码来表示问题的解,即遗传算法的种群中的个体。将用户服务小区选择解表示为区域用户数长度的整数串,设Xv表示问题的解,Xv={x1,x2,...xk,...,xK},xk∈{1,…,S},其中,xk表示用户k选择的服务小区指示,即用于指示为该名用户分配的选择接入服务小区xk。由于,采用以上编码用户服务小区选择问题的搜索空间为O(SK),远小于采用二进制即0-1编码的搜索空间O(2KS)。由此可知,采用整数编码可以具有比二进制编码更快的收敛速率。
<适应度函数>
通常在遗传算法中以个体适应度的大小来评定各个个体的优劣程度,从而决定其遗传机会的大小。在本发明中可以采用罚函数法对原带约束条件的优化问题转化为无约束最优化问题,适应度函数为式(7d)的F(x)。
<产生初始种群>
在产生初始种群时,为了避免无效搜索,可以对每个用户随机选择激活小区作为用户的服务小区,用户的激活小区为接收功率大于最小接收功率门限的小区。其中,最小接收功率门限为保证用户终端信号处理需要的最小接收功率。最小接收功率门限为设定的固定值,一般应大于-96dBm。
<种群选择>
随后进行的种群选择的作用是淘汰一些适应度较差的个体并从当前群体中选择一些比较优良的个体,将其复制到下一代群体中。发明人认为可以采用保存策略和轮盘赌选法相结合的思想,以将适应度最佳的个体保留到种群,并且使得其余个体被选择的概率与其适应度呈正比。首先选择并保留群体中适应度值最高的个体。最佳个体不参与交叉和变异直接进入下一代。其余个体按照轮盘赌选择方法,轮盘赌选法是一种回放式随机采样方法,各个个体的选择概率和其适应度值成正比。假设种群大小为V,个体Xv的适应度值为F(Xv),则个体Xv被选择的概率为:
<种群交叉>
种群交叉的作用是产生一些新个体模式,其以某一概率相互交换某两个个体之间的部分染色体,决定了遗传算法的全局搜索能力。为了加强本发明的算法的全局搜索能力,可以采用均匀交叉方法以保证种群的多样性。可以采用均匀交叉方法随机地选择两个个体作为待交叉的父个体,并对两个父个体进行交叉以获得两个新的个体。
下面以一个具体实例来介绍如何通过交叉获得两个新的个体。例如,首先,计算需要进行交叉的种群个体对数目Ncross。其中,Ncross为种群交叉概率P1与种群个数V的乘积,除以2,向上取整,即Ncross=ceil(P1*V/2)。ceil表示向上取整操作。然后,随机产生Ncross个待交叉的种群个体序号对,并且所有序号对中个体序号不重复。其中,个体序号为大于0小于种群个体数V的正整数,如设V为10,P1为0.6,则Ncross为10*0.6/2=3,则可以产生序号对,{(2,10)(1,3)(5,4)}。再对待交叉的种群个体序号对中每对种群个体分别进行交叉操作。
在本发明中,针对负载均衡问题具体对一个种群个体对,即两个用户接入小区选择解向量,进行交叉的方法是:随机产生与异构网络区域用户总数等长的一个0-1掩码,第k位掩码值为1表示交换第k个用户在种群个体对对应两个小区选择解向量中的小区选择值;第k位掩码值为0表示不改变两个小区选择解向量中用户的小区选择值。如果第k位掩码值为1,则表示将第k个用户两个父个体进行交叉;如果掩码值不是1,则不对该名用户的父体进行交叉。根据掩码值及相应的交叉操作得到两个新的个体。所产生的两个新的种群个体,就是新的用户接入小区的选择解。
<变异操作>
变异类似于遗传进化过程的基因突变,是对个体的某一个或某一些基因值按较小概率进行改变。变异是产生新个体的辅助方法,决定了遗传算法的局部搜索能力。可以采用均匀变异操作来保证种群的多样性。均匀变异方法为,随机产生与区域用户数等长的一个掩码,掩码的每一位的值在0-1之间。第k位掩码值为1或0分别表示是或否改变第k个用户的服务小区选择,利用掩码进行变异可以形成新的种群个体。
在遗传算法的上述种群交叉/变异过程中,可以按照设定的种群交叉/变异概率来选择交叉/变异个体。在种群交叉/变异步骤中为了保证父代的优良特征增加保优操作,即种群交叉变异操作后保留上一次适应度值最优的个体作为下一代个体。
<退火操作>
为了优化搜索空间以及加速算法收敛,还可以在本发明的方法中引入退火过程。
如前文所述,退火算法在搜索过程引入了随机因素,并以一定的概率来接受一个比当前解要差的解。例如,在进行求解判断时,如果后一个值大于等于前一个值时Y’>=Y,则认为Y’为更优解,应接受此次移动;如果后一个值小于前一个值时Y’<Y,则认为Y’不是更优解,以一定的概率接受或者不接受此次移动,该概率随着时间的推移而逐渐降低并趋于稳定。退火算法参考了金属冶炼的退火过程,其随着时间推移而改变接受比当前解要差的解概率的大小。根据热力学的原理,在温度为T时,出现能量差为dE的降温的概率为PdE=exp(dE/(kT))。其中,k是一个常数,dE<0。温度T越高,出现一次能量差为dE的降温的概率就越大;温度越低,则出现降温的概率就越小。由于dE总是小于0,因此dE/kT<0,PdE的函数取值范围是(0,1),并且随着温度T的降低而逐渐降低。
在本发明中,为了优化搜索空间以及加速算法收敛,可以定义Sigmoid适应度变换函数F’(v),又或者叫做相对适应度函数,以用作退火后对个体进行选择的依据。这里的F’(v)是与迭代温度t有关的函数,其数学表达式为:
其中,v表示种群,F(v)为种群个体v的适应度值,a和b为常量。a,b可以是大于0小于1000的实数。a越大,随着温度t的下降适应度的变化越快。b越大,适应度值越大,同一温度t下,不同适应度值间的差异越小。如,a=0.01,b=1。
采用这种个体适应度变换,在遗传算法迭代初期即温度高阶段,可以降低适应度优劣个体的适应度差异,从而增大较差个体的选择概率,避免算法早熟;随着迭代温度不断下降,经过(8)的个体适用度变换,优劣不同个体的适应度差异放大,优质个体的选择概率增大有利于算法收敛。
实施例
在本发明的遗传模拟退火算法中加入了针对负载均衡的步骤,需要产生初始解,并且根据用户服务小区选择更新解。
参考图1,根据本发明的一个实施例,基于改进型混合遗传模拟退火算法求解异构无线网络均衡负载的方法,包括:
S1:初始化。进化次数计数器m初始值为0,初始化温度t,温度衰减因子为产生V个解向量构造初始种群S0(m)={X1,…,Xv,…,XV}(即初始解),Xv={x1,x2,...xk,...,xK},xk∈{1,…,S},其中,xk表示用户k选择的服务小区指示,即xk表示为异构网络区域用户k选择的接入服务小区,采用整数编码来表示,而不是如前文所述利用xk等于0或1来表示未接入与接入。例如,xk为3时表示用户k接入了小区3。
这里,为了保证解的多样性从而避免限入某一局部搜索区域,可以采用随机的方法来产生所述解向量。种群向量中的每一个解向量表示网络中一种用户接入小区的小区选择方式。随机选择一个解向量指的是用户可以随机选择激活小区内的任一小区作为其接入小区。还可以使用户的激活小区为接收功率大于最小接收功率门限的小区。用户终端的最小接收功率门限是为了保证用户终端信号处理需要的最小接收功率。最小接收功率门限为设定的固定值,一般应大于-96dbm。
在本发明中可以不限制V的大小,但是应理解随着V的增大,求解复杂度增大。初始种群个体数V可以是大于2的正整数。V的值越大,通过迭代产生的解接近最优解的可能越大,求解复杂度越高大。反之,V的值越小,最终确定的解越不精确,求解复杂度越低小。
S2:根据适应度函数式(8)求解当前种群Sy(m)中每个个体Xv的适应度F(Xv)。
为了计算当前种群Sy(m)的适应度,可以计算种群中所有个体的适应度,其中y为区分不同种群的脚标。其中,可以将一个用户k接入小区i的解向量看成是种群中的一个种群个体,将全部种群个体即用户接入小区解向量代入式(7d)中得到适应度函数F(x)的值,以作为当前种群的适应度。
S3:执行个体交叉操作,得到新的种群Sy+1(m)。
可以只对种群Sy(m)中的部分个体执行个体交叉操作,例如将步骤S2中适应度F(x)最优的一个或多个个体保留在Sy+1(m)种群中,对Sy(m)其余的个体采用诸如轮盘赌选的方法来确定是否对该个体进行交叉,以使得个体Xv被选择的概率与其适应度呈正比,
执行交叉操作的方法包括,从Sy(m)的元素中选择两个解向量,作为待执行交叉的父个体。可以随机产生与异构网络区域用户数等长的一个掩码,该掩码的每一位的值为0或1,如果其中第k位掩码值为1,则表示为第k个用户进行两个父个体的交叉,从而产生出两个新的种群个体。如果第k位掩码值为0,则新产生的两个交叉个体的解对应位置采用原父个体的值,即网络中对应用户采用交叉前原解向量中的小区选择。区别于前述随机交叉的方法,也可以采用其它方法进行交叉,例如将两个父个体中指定小区的用户来进行互换从而产生交叉个体,即仅对指定小区中的特定用户进行交叉。
采用均匀交叉的方法可以更好地保证解的多样性,利于得到近似最优解,所述均匀交叉指的是对种群个体进行交叉时使两个父个体中各个个体均能以一定概率进行交叉。
S4:执行个体变异操作,得到新的种群Sy+2(m)。
执行个体变异操作的方法,包括随机产生与区域用户数相等长度的一个掩码,该掩码的每一位的大小在0-1之间,如果第k为1则表示改变第k名用户的服务基站。
S5:执行个体模拟退火操作。对种群中每个个体Xv应用模拟退火局部搜索算法(Simulated Annealing Local Search algorithm SALS)进行温度t下的模拟退火局部搜索,得到新种群Sy+3(m)(即更新解)。
S6:对当前种群执行个体选择操作,得到新的种群Sy+4(m)。其中根据式(8)来计算温度为t时每个个体Xv的相对适应度F’(Xv)(退火适应度),作为个体的选择依据。
求解负载均衡的用户接入解的个体选择方法是:根据式(8)即适应度变换函数,对种群中个体即用户接入解对应的适应度F(Xv)进行变换,得到新的适应度值F’(Xv)。个体的相对适应度F’(Xv)值越大,说明种群个体对应的解越优,种群个体被选择进入一次迭代的概率越大。可以采用与上述步骤S3中相类似的方法,将相对适应度F’(Xv)的个体保留在种群中。
S7:终止条件判断。若不满足终止条件,则m=m+1,系统温度转步骤S2,继续进行以上过程;否则,若满足终止条件,则输出当前最优个体,即得到异构网络用户的最优服务小区选择解,算法结束。这里中止条件采用最优个体适应度的函数值变化率小于设定的值或者迭代次数达到最大,则迭代温度达到终止温度z。
以上实施例示出了如何根据本发明的遗传退火算法,在满足链路传输容量的约束条件下,求解使得所有用户的总效用最大时的用户接入方案。
如前文所述,在遗传算法中执行退火的过程,可以避免所求的最优解陷入局部最优。因此,在上述实施例中的步骤S5和S6执行了退火操作、以及退火后的个体选择过程。现在,将通过一个具体的实施例来介绍步骤S5中对个体执行模拟退火的方法。参考图2,根据本发明的一个实施例,针对上述步骤S5采用模拟退火局部搜索算法(Simulated AnnealingLocal Search algorithm SALS)进行局部搜索。其中,假设X为初始解,t为当前退火温度。执行步骤S5的方法,包括:
S5.1:参数初始化。
设置退火温度T=t,每个温度下的最大迭代次数为τ。初始化当前的用户服务小区选择Xcur=X,设置当前适应度值Fcur=F(X)。初始化最优用户服务小区选择和相应的最大适用度值,设置Xopt_SA=X,Fopt_SA=F(X)。
S5.2:根据当前用户服务小区选择更新解。
为了进一步优化当前用户服务小区选择,根据当前用户服务小区选择,搜索激活小区集。在搜索过程中,对当前用户服务小区选择策略进行评估,随机选择比效用值Q小的若干个服务小区调整其用户服务小区选择。用户服务小区选择更新的具体过程如下:根据当前用户服务小区选择解策略X计算每个服务小区的相对效用Q(X),选出Q值最小的M个服务小区,并随机选取M1个服务小区重新调整其中相应的用户服务小区选择。设选出的M1个服务小区集合为对小区i,中激活小区数大于1的用户随机选择当前服务小区以外的其它小区作为新的服务小区。得到新的用户服务小区选择解Xnew,以及相应的适应度Fnew。
S5.3:用户服务小区选择接受判决。
设ρ=Fnew-Fopt_SA。若ρ>0,则接受新的用户服务小区选择方式,更新Xcur=Xnew,Fcur=Fnew,并设置局部最优用户服务小区选择为Xopt_SA=Xnew,设置相应的局部最优适应度为Fopt_SA=Fnew;否则,以概率p=eρ/T接受新的用户服务小区选择方式,更新Xcur=Xnew,Fcur=Fnew;重复执行步骤S5.2-S5.3,若迭代过程中,系统最优目标值连续t0次迭代中均保持不变或达到当前温度下最大迭代次数,则终止温度T下的迭代过程。
如果,以上步骤S1到S6最多执行I次迭代达到算法收敛。则以上混合遗传模拟退火算法的复杂度为O(IVτSK),即提出算法的时间复杂度与算法迭代次数I,种群个数V,每个温度下的最大迭代次数τ,异构网络区域小区个数S和用户个数K有关。在异构网络负载均衡区域小区和用户个数确定,算法种群个数V和温度t最大迭代次数τ确定的情况下,所提出算法的复杂度取决于算法收敛需要的迭代次数I。
实验结果
为了验证本发明的方法的效果,发明人进行了仿真实验。首先对比提出链路容量感知用户接入机制、传统的最大信号功率接入(Max Signal Power)和范围扩张固定偏移机制(RE Fixed Bias)验证所提出链路容量感知用户接入机制的有效性。另外,通过对比三种不同的求解算法,提出的IHGASA算法、序列固定算法(SF)和传统遗传模拟退火混合算法(GASA),验证所提出优化求解算法的性能。
仿真实验中构造一个小型集中式异构网络原型系统,共包含12个小区天线进行区域覆盖,其中包含3个Macro小区,每个Macro小区覆盖区域包含3个低功率Pico RRU,采用LTE作为系统接入技术。主要系统参数配置见
表1。
表1系统参数
为了验证所提出链路容量感知的用户接入机制的有效性,比较以下几种不同用户接入机制:
·最大信号功率接入Max Signal Power:用户选择接入最大参考信号接收功率的小区。
·范围扩张固定偏移机制RE Fixed Bias:采用固定的小区范围扩张偏移值机制,对所有Pico小区的小区范围扩张偏移值设为固定值12db。
·提出的链路容量感知的用户接入机制FCAA(Fronthaul Capacity AwareAccess scheme):采用提出的考虑fronthaul链路容量约束的负载优化模型得到用户接入小区。
为了验证提出的负载均衡优化求解算法,比较以下几种求解算法的系统性能:
·序列固定优化算法SF(Sequential Fixing):采用经典的序列固定算法求解用户接入优化问题(6)。
·传统遗传模拟退火优化算法GASA(Genetic Algorithm and SimulatedAnnealing algorithm):采用传统的混合遗传和模拟退火算法求解用户接入选择优化问题(6)。
·本发明的改进的混合遗传模拟退火优化算法IHGASA(Improved HybridGenetic Algorithm and Simulated Annealing algorithm):采用提出的改进的混合模拟退火算法IHGASA求解用户接入小区优化问题(6)。
下面在不同情况下对上述各种现有技术与本发明的方法进行对比。
1)链路容量动态变化下不同用户接入算法的系统性能:
以下验证采用Max Signal Power、RE fixed Bias以及提出的链路容量感知用户接入机制的用户平均速率和中断概率性能。设置Macro小区支持的链路容量为50Mbps,Macro和Pico区域用户数分别为20和10,Pico小区支持的链路容量从10M~60Mbps变化时,给出用户平均速率和中断概率,如图3。
从图3中用户平均速率和中断概率性能可见,提出的链路容量感知的算法FCAA在不同的链路容量下,相比其它两种用户小区选择机制均有更高的用户平均速率,更低的用户中断概率。在Pico小区链路容量较小为10时,相比RE Fixed Bias接入机制,提出的算法用户平均速率提高76%,用户中断概率降低15%;在Pico小区链路容量较大为60时,相比Max Signal Power接入机制,提出的算法用户平均速率提高51%,用户中断概率降低53%;在Pico小区链路容量为30Mbps时,相比Max Signal Power和RE Fixed Bias接入机制,采用提出的算法用户平均速率分别提高了20%和13%,中断概率分别降低15%和9%。这是由于提出的算法能够根据小区负载以及链路容量自适应优化异构网络区域用户接入,从而提高了小区之间的负载公平性以及系统的频谱资源利用率。
基于以上验证,可知本发明的方法基于对链路容量感知,因而能够对集中式异构网络链路容量进行“感知”,自适应优化集中式异构网络区域的用户接入小区,从而优化系统资源利用,降低用户中断概率。
2)Pico区域用户数变化时不同用户接入优化求解算法的性能对比:
以下验证采用SF、GASA和本发明提出的改进型混合遗传模拟退火算法(即IHGASA)三种用户接入优化求解算法的用户平均速率和中断概率性能。设置Macro小区支持的链路容量为50Mbps,Macro区域用户数为20,Pico小区支持的链路容量固定为25Mbps,Pico小区区域用户数从4~28变化时,用户平均速率和中断概率性能如表2和表3所示。由表2和表3可见,随着Pico小区区域用户数的增大,集中式异构网络中用户平均速率逐渐增大,用户中断概率逐渐下降。在不同的Pico小区区域用户数下,采用提出的IHGASA算法,相比传统的混合遗传模拟退火算法GASA有更高的用户平均速率以及更低的用户中断概率。提出的算法求解用户接入小区得到的用户平均速率和中断概率与近似最优求解算法SF比较接近。在Pico小区区域用户数为24时,相比近似最优求解算法SF,采用提出的算法用户平均速率降低2.5%,中断概率增加约1%,而采用GASA算法用户平均速率降低达到5.9%,中断概率增加为4%。
表2不同Pico小区区域用户数下用户平均速率性能
表3不同Pico小区区域用户数下用户中断概率性能
这是因为提出的改进型混合遗传模拟退火算法(即IHGASA)通过增加“劣质”种群个体的选择概率降低了选择局部最优解的概率。相比SF算法,本发明所提出的算法复杂度更低,为O(IVτSK),与算法迭代次数I、种群个体数V、退火温度下最大迭代次数τ以及集中式异构网络小区数S和用户个数K成正比,而采用SF算法复杂度为O((SK)4.5)。
因此,本发明所提出的方法更适用于未来小区密集部署下基于集中式架构的异构网络负载均衡优化。
最后所应说明的是,以上实施例仅用以说明本发明的技术方案而非限制。尽管上文参照实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,对本发明的技术方案进行修改或者等同替换,都不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (12)
1.一种异构无线网络均衡负载的方法,包括:
1)产生种群,所述种群包含多名个体,每名个体用于指示无线网络范围内的各个用户是否接入小区;
2)对所述种群执行遗传算法,直到所述种群的最优个体的遗传算法适应度函数值变化率小于设定的值或者迭代次数达到最大;
3)输出所述最优个体,得到异构网络用户的最优服务小区选择解。
2.根据权利要求1所述的方法,其中步骤2)包括:
2-1)将种群适应度最优的一个或多个个体保留在下一代的种群中。
3.根据权利要求2所述的方法,其中步骤2-1)还包括:
2-1-1)从除去所述种群适应度最优的一个或多个个体之外的其余个体中选择用于个体交叉操作的个体,其中各个个体被选择的概率与所述个体的种群适应度呈正比。
4.根据权利要求3所述的方法,其中步骤2-1-1)所述的个体交叉操作为均匀交叉。
5.根据权利要求1-4中任意一项所述的方法,其中包括:对所述个体执行的变异操作为均匀变异操作。
6.根据权利要求1所述的方法,其中,步骤2)还包括:
2-2)对所述种群执行退火算法,直到所述种群的最优个体的退火算法适应度函数值变化率小于设定的值或者迭代温度达到终止温度。
7.根据权利要求6所述的方法,其中步骤2-2)还包括:
2-2-1)将退火适应度最优的一个或多个个体保留在下一代的种群中。
8.根据权利要求1-7中任意一项所述的方法,其中所述遗传算法的适应度函数为:
其中,X为种群个体,X=(x1,...,xK},xk表示异构网络区域用户k所选择的接入服务小区,Qi(X)表示小区i的效用,Ui,k为用户k接入小区i的效用,ri,k表示用户k接入小区i物理资源块的速率,Ui,k=ri,k,E为用户接入小区的惩罚值,ai,k为小区i中接入用户k占用的物理资源块,Ni是小区i最大可用资源块数,β为根据小区基站和核心网络之间链路传输介质所设定的小区容量因子,Ci是链路支持的最大允许传输容量,函数f(·)+=max{0,f(·)}。
9.根据权利要求6或7所述的方法,其中所述退火算法的适应度函数为:
其中,v表示种群个体,V表示种群中个体的总数,a和b是针对退火算法设置的大于0的常量,t为退火温度,i用于表示全部小区集合S中的任意一个小区。
10.根据权利要求1或6所述的方法,其中步骤1)包括:
1-1)采用整数编码来产生所述种群。
11.根据权利要求1或6所述的方法,其中所述小区的接收功率大于-96dBm。
12.一种异构无线网络均衡负载的设备,包括:
用于产生种群的装置,所述种群包含多名个体,每名个体用于指示无线网络范围内的各个用户是否接入小区;以及
用于对所述种群执行遗传算法,直到所述种群的最优个体的遗传算法适应度函数值变化率小于设定的值或者迭代次数达到最大的装置;以及
用于输出所述最优个体、得到异构网络用户的最优服务小区选择解的装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610607904.XA CN106060876B (zh) | 2016-07-28 | 2016-07-28 | 一种异构无线网络均衡负载的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610607904.XA CN106060876B (zh) | 2016-07-28 | 2016-07-28 | 一种异构无线网络均衡负载的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106060876A true CN106060876A (zh) | 2016-10-26 |
CN106060876B CN106060876B (zh) | 2019-11-29 |
Family
ID=57196547
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610607904.XA Active CN106060876B (zh) | 2016-07-28 | 2016-07-28 | 一种异构无线网络均衡负载的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106060876B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108009401A (zh) * | 2017-11-29 | 2018-05-08 | 内蒙古大学 | 一种筛选指纹图谱遗传标记的方法 |
CN109118064A (zh) * | 2018-07-25 | 2019-01-01 | 中国电子科技集团公司第二十八研究所 | 一种用于探测任务规划的最优资源分配方法 |
CN110636545A (zh) * | 2019-08-09 | 2019-12-31 | 北京邮电大学 | 一种基于负载感知的多连接协作集的选择方法及实现装置 |
CN112788688A (zh) * | 2021-01-11 | 2021-05-11 | 中南大学 | 异构网络间的垂直切换方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1345167A1 (en) * | 2002-03-12 | 2003-09-17 | BRITISH TELECOMMUNICATIONS public limited company | Method of combinatorial multimodal optimisation |
CN102063339A (zh) * | 2010-12-21 | 2011-05-18 | 北京高森明晨信息科技有限公司 | 基于云计算系统的资源负载均衡的方法和设备 |
CN102594861A (zh) * | 2011-12-15 | 2012-07-18 | 杭州电子科技大学 | 一种多服务器负载均衡的云存储系统 |
CN104469848A (zh) * | 2014-11-06 | 2015-03-25 | 中国科学院计算技术研究所 | 一种异构接入网络之间负载均衡的方法 |
-
2016
- 2016-07-28 CN CN201610607904.XA patent/CN106060876B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1345167A1 (en) * | 2002-03-12 | 2003-09-17 | BRITISH TELECOMMUNICATIONS public limited company | Method of combinatorial multimodal optimisation |
CN102063339A (zh) * | 2010-12-21 | 2011-05-18 | 北京高森明晨信息科技有限公司 | 基于云计算系统的资源负载均衡的方法和设备 |
CN102594861A (zh) * | 2011-12-15 | 2012-07-18 | 杭州电子科技大学 | 一种多服务器负载均衡的云存储系统 |
CN104469848A (zh) * | 2014-11-06 | 2015-03-25 | 中国科学院计算技术研究所 | 一种异构接入网络之间负载均衡的方法 |
Non-Patent Citations (2)
Title |
---|
谭胜兰: "模拟退火遗传算法在网络负载均衡中应用研究", 《计算机仿真》 * |
贾艳萍 等: "一种应用于负载均衡的模拟退火遗传算法", 《空军工程大学学报(自然科学版)》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108009401A (zh) * | 2017-11-29 | 2018-05-08 | 内蒙古大学 | 一种筛选指纹图谱遗传标记的方法 |
CN108009401B (zh) * | 2017-11-29 | 2021-11-02 | 内蒙古大学 | 一种筛选指纹图谱遗传标记的方法 |
CN109118064A (zh) * | 2018-07-25 | 2019-01-01 | 中国电子科技集团公司第二十八研究所 | 一种用于探测任务规划的最优资源分配方法 |
CN110636545A (zh) * | 2019-08-09 | 2019-12-31 | 北京邮电大学 | 一种基于负载感知的多连接协作集的选择方法及实现装置 |
CN112788688A (zh) * | 2021-01-11 | 2021-05-11 | 中南大学 | 异构网络间的垂直切换方法、装置、设备及存储介质 |
CN112788688B (zh) * | 2021-01-11 | 2022-05-06 | 中南大学 | 异构网络间的垂直切换方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN106060876B (zh) | 2019-11-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gui et al. | Multi-hop relay-aided underlay D2D communications for improving cellular coverage quality | |
CN112020103B (zh) | 一种移动边缘云中的内容缓存部署方法 | |
Zhu et al. | Pricing, spectrum sharing, and service selection in two-tier small cell networks: A hierarchical dynamic game approach | |
CN106060876B (zh) | 一种异构无线网络均衡负载的方法 | |
Wang et al. | Joint resource allocation and power control for D2D communication with deep reinforcement learning in MCC | |
CN106792451B (zh) | 一种基于多种群遗传算法的d2d通信资源优化方法 | |
CN107135469B (zh) | 一种分布式用户接入方法 | |
CN108965009B (zh) | 一种基于势博弈的负载已知用户关联方法 | |
Zhong et al. | Stable user association and resource allocation based on stackelberg game in backhaul-constrained HetNets | |
Kong et al. | Backhaul-aware joint traffic offloading and time fraction allocation for 5G HetNets | |
Valavanis et al. | Base-station location optimization for LTE systems with genetic algorithms | |
Chen et al. | A deep learning based resource allocation scheme in vehicular communication systems | |
Dai et al. | Multi-objective intelligent handover in satellite-terrestrial integrated networks | |
Hajijamali Arani et al. | A distributed learning–based user association for heterogeneous networks | |
CN115866787A (zh) | 融合终端直传通信和多接入边缘计算的网络资源分配方法 | |
Gao et al. | Reinforcement learning based resource allocation in cache-enabled small cell networks with mobile users | |
Zhou et al. | Hierarchical reinforcement learning for RIS-assisted energy-efficient RAN | |
Ortín et al. | Joint cell selection and resource allocation games with backhaul constraints | |
CN110753365B (zh) | 异构蜂窝网络干扰协调方法 | |
Huang et al. | An intelligent resource management scheme for heterogeneous WiFi and WiMAX multi-hop relay networks | |
CN116471632A (zh) | 一种移动边缘计算中基于多点协作的任务迁移方法 | |
De Domenico et al. | Backhaul-aware small cell DTX based on fuzzy Q-Learning in heterogeneous cellular networks | |
Chai et al. | A multi-objective Dyna-Q based routing in wireless mesh network | |
CN113301576B (zh) | 一种基于改进遗传算法的蜂窝网络资源分配方法 | |
Li et al. | User scheduling and slicing resource allocation in industrial Internet of Things |
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 |