CN107018552A - 一种选择异构网络接入的方法 - Google Patents

Abstract

本发明提供一种选择异构网络接入的方法，包括以下步骤：S1、获取备选网络；S2、判断移动终端的剩余电量是否大于第一预设阈值；若是，则采用主客观权重调整算法，选择最优网络并接入；若否，则进入步骤S3；S3、判断移动终端的剩余电量是否小于第二预设阈值；若是，则通过综合评价函数选出最优网络并接入；若否，则进入步骤S4；S4、对备选网络进行排序后，根据移动终端能量效率的最大化功率将移动终端接入最优网络。具有针对性，能够避免盲目的网络选择，减少不必要的移动终端能量消耗。既满足了用户的喜好和不同业务类型的请求，同时在保证服务质量的前提下，提高移动终端能量效率，保障移动终端通信的时间更长，业务体验更久。

Description

一种选择异构网络接入的方法

技术领域

本发明涉及信息技术领域，特别是涉及一种选择异构网络接入的方法。

背景技术

未来的无线通信网络将是由2G/3G/4G蜂窝通信系统、IEEE 802.11无线局域网(WLAN)、IEEE 802.16全球微波互联接入(WiMAX)、无线传感器网络(WSN)和蓝牙等多种无线接入技术共同组成的异构网络环境，支持移动设备在不同无线网络技术之间的无缝切换及业务的连续性。

多模终端的发展为用户充分利用这些网络资源，获得更加丰富的业务应用及服务提供了可能。在异构环境中，任何一种无线接入技术不可能同时满足用户大量的不同的业务需求，所以在异构网络中就可以使用户根据不同的业务需求在不同的网络之间进行切换选择，来保证业务的QoS。例如，3G网络能提供较大范围的覆盖，但是数据速率相对较低；支持多媒体业务的QoS，但是复杂度和实施成本都比较高。相比下来，WLAN拥有更宽的频谱，支持较高的带宽。WLAN工作在免授权频段，利用媒体访问控制(Medium Access Control，MAC)协议提供数据业务。具有3G网络和WLAN网络接口的移动终端(Mobile Terminal，MT)，在异构融合网络中，能够享有增强型服务。

但随着无线通信技术的不断发展以及用户对多媒体应用持续增长的需求，特别是高质量图像、多媒体视频的需求。伴随着移动终端高性能就会引起了高功耗的问题，移动终端对电池电量的需求越来越大。但电池技术的进步相对于这些技术的发展来说却是缓慢的。许多配置较高的智能机用户或者是经常观看手机视频的移动用户要经常一天充一次电会或半天就充一次电，或者带着两块备用电池才敢移动的尴尬局面。终端的能耗问题成为制约当前业务应用和服务发展的瓶颈。

因此如何减少移动终端能量的消耗来延长终端的工作时间，如何合理的使用终端能量，同时合理使用异构网络的不同特质，为用户提供更好的体验，成为了当前研究的热点问题。

无线终端在能源有限条件下能连续工作较长时间是业界所希望的，由于网络状态、用户位置等条件的不同，终端接入到不同的网络时具有不同的能耗特性，使得异构网络选择技术成为提高终端能量效率的有效途径之一。

目前异构融合网络接入选择的决策方式主要有两种，一种是网络辅助终端侧决策方式。在这种方式中，需要多个异构网络间的信息交互和控制，增加网络的系统开销，导致系统资源利用率低下。一种是终端辅助网络侧决策方式。一般异构融合网络的接入选择宜采用这种方式，终端侧负责监测各个网络的链路质量，并从网络侧获得诸如系统负载，网络可用带宽等参数，利用决策算法，做出接入选择决策。

现有的异构融合网络接入选择决策算法有采用单一的判决指标，也有采用多种决策因子的。如一种现有技术中，只将成本函数作为决策因子。另一种现有技术中联合层次分析法和灰度关联法选择最合适的接入网络，并给出决策因子集，包含QoS需求，价格和用户喜好。这类算法的流程是固定的，决策因子一旦确定就不能自动修改。以能耗为目标的网络选择算法在多篇论文中提出。还有的现有技术中提出通过设定能耗指标来延长电池使用寿命。但鲜有文献根据不同业务类型进行分类处理的。

现有的异构融合网络中接入选择决策算法主要有两种：基于人工智能和模糊逻辑的接入选择策略和基于多属性决策的接入选择策略。

基于人工智能和模糊逻辑的接入选择决策算法是根据网络性能参数、状态变化等参数来做出判决策略。这种方法需要大量学习用户行为偏好，过多干预用户的同时，也增加了算法的复杂度，且均较少考虑终端能耗因素。

基于多属性的接入选择决策算法主要有，接近理想方案的序数偏好法(Techniquefor Order Preference by Similarity to Ideal Solution，TOPSIS)，层次分析法(Analytical Hierarchy Process，AHP)和灰色关联分析法(Grey Relation Analysis，GRA)法。基于多属性的决策算法多采用的方案是AHP-GRA多属性算法和AHP-TOPSIS多属性算法。而解决多属性决策问题的许多方法都需要属性权重信息，如何确定权重非常重要。

目前确定属性权重的方法可分为：一类是决策者直接给属性权重，属于主观赋权法；一类是基于决策矩阵信息的方法，属于客观赋权法。如采用联合快速层次分析法和灰度关联法来选择最合适的接入网络。这种算法只考虑了网络或者终端的主观权重，并未考虑到权重的客观性。如果仅用AHP(Analytic Hierarchy Process)算法求出各属性的权重，得到的权重就具有强烈的用户主观性。

以节省能耗的网络选择方案已在很多文献中提及，如对实时和非实时应用采用了不同的能耗指标，使移动终端接入到最佳网络。或者提出的终端节能网络选择算法使用IEEE P 1900.4协议对可接入网络(RAT)进行排序，并为即将到来的业务选择最适合的RAT。但同时假设所需业务的总数据量对所有接入网络都是一样的，单位比特的能耗也都是一样的。忽略了不同网络能耗特性是不一样的。

综上所述，片面地依赖部分决策因子，而没有考虑不同制式网络能耗特性的不同，也没有考虑根据业务类型的不同，决策因子集也做相应变化，所以接入选择决策结果不一定是最适合的网络。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种选择异构网络接入的方法，用于移动终端选择需要接入的异构网络，包括以下步骤：S1、获取备选网络；S2、判断所述移动终端的剩余电量是否大于第一预设阈值；若是，则采用主客观权重调整算法，选择最优网络并接入；若否，则进入步骤S3；S3、判断所述移动终端的剩余电量是否小于第二预设阈值若是，则通过综合评价函数选出最优网络并接入；若否，则进入步骤S4；S4、对备选网络进行排序后，将移动终端能量效率的最大化功率作为移动终端接入网络的发射功率接入所述最优网络。

于本发明的一实施例中，所述步骤S1包括步骤：S11、判断备选网络的数量是否大于1；若否则进入步骤S12；若是则进入步骤S2；S12、判断备选网络的数量是否小于1，；若是，则重新扫描监测；若否，则将当前备选网络作为最优网络并接入。

于本发明的一实施例中，获取备选网络的步骤包括：S101、判断当前网络强度与周围其他网络的接收信号强度的关系是否满足第一预设条件；若是，则进入步骤S102；若否，则重新扫描；S102、将当前网络接收信号强度发送给所述移动终端，所述移动终端通过预设算法得出接收到的网络负载情况；S103、判断网络可用带宽和网络总带宽是否满足第二预设条件；若否，则重新扫描；若是，则得到备选网络的集合。

于本发明的一实施例中，所述第一预设条件为：其中，B_ava是网络可用带宽，B_total是网络总带宽，R^TH为阈值，此处Δ表示当前网络信号接收强度与阈值之间的偏差值；所述第二预设条件为：B_ava≥B_min and B_ava/B_total≥Δ；其中，B_min表示所需最小带宽，此处Δ表示带宽余量阈值；所述预设算法为基于网络效用的负载均衡算法。

于本发明的一实施例中，所述步骤S3还包括步骤：构建综合评价函数，选取综合评价最小的网络作为最优网络；所述综合评价函数为：其中，δ，θ表示相对重要程度，且δ+θ＝1，δ，θ＞0，f^PE为能量效率的归一化处理；其中，f^PE＝(PE_i-PE_min)/(PE_max-PE_min)；PE为能量效率；w_i是频谱带宽，p_i是输出功率，G_i是信道增益，N₀是噪声功率。

于本发明的一实施例中，所述步骤S4包括步骤：S41、通过基于业务类型的主客观权重调整算法对所述备选网络进行排序；S42、通过功率分配算法计算出所述移动终端能量效率的所述最大化功率；S43、将所述最大化功率作为所述移动终端接入网络的发射功率将所述移动终端接入所述最优网络。

于本发明的一实施例中，所述主客观权重调整算法包括步骤：S21、根据用户需求和多种业务类型的不同，分配不同的决策因子集；S22、构建第一优化模型；S23、构建第二优化模型；S24、结合所述第一优化模型和所述第二优化模型构建多目标优化模型；S25、求得属性的权重；S26、通过所述属性的权重建立评价函数；S27、通过所述评价函数计算评价的值，选择最小值作为最优网络。

于本发明的一实施例中，所述第一优化模型为所述第二优化模型为所述多目标优化模型为所述属性的权重为所述评价函数为其中，S＝{S₁，S₂，…，S_t}表示备选网络集，P＝{P₁，P₂，…P_n}表示决策因子的合集，A＝(a_ij)_t×n表示决策矩阵，其中α_ij是备选网络S_i对应于属性P_j的一个数值结果，其中ω＝(ω₁，ω₂，…ω_n)^T为属性权重的向量，其中f^sub表示属性权重ω_j与决策者给出的权重之间的总偏差平方和，f^obj是表示备选方案与理想方案之间的偏差平方和；α，β表示相对重要程度，且α+β＝1，α，β＞0；j＝1，2，…，n；，f_i为评价的值。

于本发明的一实施例中，所述功率分配算法的计算公式为：其中，η_i≥η，1≤i≤M；P为移动终端的最大发射功率，η为目标信噪。

于本发明的一实施例中，所述功率分配算法的求解包括以下步骤：a1、建立所述功率分配算法的计算公式的拉格朗日函数：L(p_i，λ_i)＝PE(p_i)-λ_i(p_i-P)；a2、初始化拉格朗日乘子λ_i；a3、通过梯度法计算功率分配；所述梯度法的计算表达式为：p_i ^k+1＝p_i ^k-f(p_i ^k)/f′(p_i ^k)、λ_i ^k+1＝[λ_i ^k+b(p_i ^k-P)]⁺；其中，[x]⁺＝max(x，0)，k为第k次迭代，b＞0为更新步长；a4、利用牛顿迭代算法，根据所述梯度法的计算表达式更新a5、判断是否满足公式若是，则进入步骤a6；若否，则结束计算；a6、判断是否满足公式若否，则进入步骤a7；若是，则结束计算；a7、判断和是否满足收敛条件若是，则计算出最优解若否，则进入步骤a8；其中，ε为极小的正数；a8、使得k←k+1，转至步骤a3，重复计算，直至计算出最优解。

如上所述，本发明的一种选择异构网络接入的方法，具有以下有益效果：

根据用户当前电量情况的不同，定制不同的接入选择流程，具有针对性，能够避免盲目的网络选择，减少不必要的移动终端能量消耗。这样既满足了用户的喜好和不同业务类型的请求，同时在保证服务质量的前提下，提高移动终端能量效率，保障移动终端通信的时间更长，业务体验更久。

附图说明

图1显示为本发明选择异构网络接入的方法的异构融合网络架构的示意图。

图2显示为本发明选择异构网络接入的方法的一实施例的流程方框示意图。

图3显示为本发明选择异构网络接入的方法的一实施例的工作场景示意图。

图4显示为本发明选择异构网络接入的方法的一实施例中能耗和总传输量的关系的示意图。

图5显示为本发明选择异构网络接入的方法的一实施例中系统总吞吐量的累计概率分布曲线。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

参见图1至图5，。本发明提供了一种选择异构网络接入的方法，用于移动终端选择需要接入的异构网络。如图1所示，图1显示为本发明选择异构网络接入的方法的异构融合网络架构的示意图。本发明的一实施例是基于蜂窝无线通信网络和WLAN网络在紧融合网络架构，但不仅限于此架构。如图2所示，图2显示为本发明选择异构网络接入的方法的一实施例的流程方框示意图。本发明包括以下步骤：S1、获取备选网络；S2、判断所述移动终端的剩余电量是否大于第一预设阈值；若是，则采用主客观权重调整算法，选择最优网络并接入；若否，则进入步骤S3；S3、判断所述移动终端的剩余电量是否小于第二预设阈值；若是，则通过综合评价函数选出最优网络并接入；若否，则进入步骤S4；S4、对备选网络进行排序后，将移动终端能量效率的最大化功率作为移动终端接入网络的发射功率接入所述最优网络。本发明面向异构融合网络场景，在充分考虑移动终端所处的不同电量模式(高电量、中电量、低电量)前提下，为保障终端可以准确高效地接入最合适的无线接入网络，所提出的一种提高终端能量效率的异构融合网络接入选择方法。移动终端首先根据接收信号强度和负载均衡算法，得到备选网络集。其次采用分层过滤方法，根据移动终端的剩余电量情况，判断是高电量、中电量，还是低电量模式。根据模式的不同，进入不同的决策流程。若剩余电量大于第一预设阈值时(高电量模式)，根据用户需求和多种业务类型的不同，分配不同的决策因子集，采用所提的基于业务类型的主客观权重调整算法，达到不同类型的业务接入各自的最优网络。若剩余电量小于第二预设阈值时(低电量模式)，为了保障移动终端可以通信的更长，建立联合能量效率和主客观权重调整算法的综合评价函数。选出最优网络，快速接入。若大于第二预设阈值剩余电量小于第一预设阈值时(中电量模式)，首先根据用户需求和业务类型的不同，采用基于业务类型的主客观权重调整算法，对多种备选网络进行整理排序。其次，在保证服务质量的前提下，建立以移动终端能量效率最大化为目标的功率分配算法，将已分配的功率作为发射功率，接入网络。这样在满足用户不同业务类型请求的同时，也能够在保证服务质量的前提下，控制终端发射功率，降低能耗。本发明可以根据用户当前电量情况的不同，定制不同的接入选择流程，具有针对性，能够避免盲目的网络选择，减少不必要的移动终端能量消耗。这样既满足了用户的喜好和不同业务类型的请求，同时在保证服务质量的前提下，提高移动终端能量效率，保障移动终端通信的时间更长，业务体验更久。

进一步地，所述步骤S1包括步骤：S11、判断备选网络的数量是否大于1；若否则进入步骤S12；若是则进入步骤S2；S12、判断备选网络的数量是否小于1，；若是，则重新扫描监测；若否，则将当前备选网络作为最优网络并接入。

此外，在获取备选网络的过程中，获取备选网络还包括步骤：S101、判断当前网络强度与周围其他网络的接收信号强度的关系是否满足第一预设条件；若是，则进入步骤S102；若否，则重新扫描；在本发明的一优选实施例中，所述第一预设条件为：其中，B_ava是网络可用带宽，B_total是网络总带宽，R^TH为阈值，此处Δ表示当前网络信号接收强度与阈值之间的偏差值。S102、将当前网络接收信号强度发送给所述移动终端，所述移动终端通过预设算法得出接收到的网络负载情况；在本发明的一优选实施例中，所述预设算法为基于网络效用的负载均衡算法。S103、判断网络可用带宽和网络总带宽是否满足第二预设条件；若否，则重新扫描；若是，则得到备选网络的集合。在本发明的一优选实施例中，所述第二预设条件为：B_ava≥B_min and B_ava/B_total≥Δ；其中，B_min表示所需最小带宽，此处Δ表示带宽余量阈值。例如，移动终端周期性扫描和监测，假设当前网络信号强度为R_cur，周围其他网络的接收信号强度为R_ava，若满足下列条件：

其中R^TH为阈值，Δ表示当前网络信号接收强度与阈值之间的偏差值。将网络接收信号强度发送给移动终端，终端通过采用基于网络效用的负载均衡算法，得出接收到的网络负载情况。假设B_ava是网络可用带宽，B_total是网络总带宽。若满足下列条件：

B_ava≥B_min and B_ava/B_total≥Δ；

其中B_min表示所需最小带宽，Δ表示带宽余量阈值。由此得到备选网络集S_t。若Num＜1，表示没有备选网络可选，重新扫面检测。若Num≥1，则备选网络不止一个，若Num＝1，则备选网络只有一个，只能快速接入。否则，根据移动终端的剩余电量情况，进入不同的决策流程。

在本发明的一实施例中，具体筛选步骤如下：步骤1：首先判断备选网络集的数目，若为1，则将备选网络作为最适合网络接入。若备选网络集大于1时，进入步骤2，否则重新扫描监测。步骤2：判断移动在终端剩余电量情况，若剩余电量大于第一预设阈值时，进入步骤3；若剩余电量小于第二预设阈值时，进入步骤4。步骤3：采用基于业务类型的主客观权重调整算法，对备选网络进行排序。对高电量的移动终端，根据业务类型不同各自接入不同的最优网络。对于介于高低电量模式的移动终端，根据备选网络的排序，进入步骤5。步骤4：建立联合能量效率和主客观权重调整算法的综合评价函数，选出最优网络，快速接入。步骤5：在保证服务质量的前提下，建立以移动终端能量效率最大化为目标的功率分配算法，将已分配的功率作为发射功率，接入网络。这样在满足用户不同业务类型请求的同时，也能够在保证服务质量的前提下，控制终端发射功率，降低能耗。

本发明的一实施例中，所述步骤S3还包括步骤：构建综合评价函数，选取综合评价最小的网络作为最优网络；

所述综合评价函数为：其中，δ，θ表示相对重要程度，且δ+θ＝1，δ，θ＞0，f^PE为能量效率的归一化处理；其中，f^PE＝(PE_i-PE_min)/(PE_max-PE_min)；PE为能量效率；w_i是频谱带宽，p_i是输出功率，G_i是信道增益，N₀是噪声功率。

例如，对于低电量模式的移动终端，为了保障可以通信的更长，建立联合能量效率和主客观权重调整算法的综合评价函数。选出最优网络，快速接入。

得到的属性权重同时包含主观信息和客观信息。建立如下综合评价函数：

计算得到F_i值，选择最小值作为最优网络。其中δ，θ表示相对重要程度，且δ+θ＝1，δ，θ＞0。PE为能量效率，以蜂窝网络为例，能量效率表达式为：

其中，w_i是频谱带宽，p_i是输出功率，G_i是信道增益，N₀是噪声功率，对能量效率进行归一化处理：

f^PE＝(PE_i-PE_min)/(PE_max-PE_min)。

进一步地，所述步骤S4包括步骤：S41、通过基于业务类型的主客观权重调整算法对所述备选网络进行排序；S42、通过功率分配算法计算出所述移动终端能量效率的所述最大化功率；S43、将所述最大化功率作为所述移动终端接入网络的发射功率将所述移动终端接入所述最优网络。对于介于高低电量之间的模式，根据基于业务类型的主客观权重调整算法，得到多种备选网络排序后。还需要在保证服务质量的前提下，建立以移动终端能量效率最大化为目标的功率分配算法，功率最优解作为发射功率，接入网络。这样既满足了用户的喜好和业务的请求，同时在保证服务质量的前提下，提高移动终端能量效率。

本发明的一实施例中，所采用的的主客观权重调整算法包括步骤：S21、根据用户需求和多种业务类型的不同，分配不同的决策因子集；S22、构建第一优化模型；在本发明的一优选实施例中，所述第一优化模型为S23、构建第二优化模型；在本发明的一优选实施例中，所述第二优化模型为S24、结合所述第一优化模型和所述第二优化模型构建多目标优化模型；在本发明的一优选实施例中，所述多目标优化模型为S25、求得属性的权重；在本发明的一优选实施例中，通过上述模型可以计算出属性的权重为S26、通过所述属性的权重建立评价函数；在本发明的一优选实施例中，建立的所述评价函数为S27、通过所述评价函数计算评价的值，选择最小值作为最优网络。这其中，S＝{S₁，S₂，…，S_t}表示备选网络集，P＝{P₁，P₂，…P_n}表示决策因子的合集，A＝(a_ij)_t×n表示决策矩阵，其中a_ij是备选网络S_i对应于属性P_j的一个数值结果，其中ω＝(ω₁，ω₂，…ω_n)^T为属性权重的向量，其中f^sub表示属性权重ω_j与决策者给出的权重之间的总偏差平方和，f^obj是表示备选方案与理想方案之间的偏差平方和；α，β表示相对重要程度，且α+β＝1，α，β＞0；j＝1，2，…，n；，f_i为评价的值。

例如，主客观权重调整算法中，首先根据用户需求和多种业务类型的不同，分配不同的决策因子集，其次，将网络选择问题构建为多目标优化模型，移动终端作为决策者，最终的目的是从备选网络中选择最合适的网络，达到不同类型的业务接入各自的最优网络。

假设S＝{S₁，S₂，…，S_t}表示备选网络集，P＝{P₁，P₂，…P_n}表示决策因子(n个属性的集合)，并假设这些属性是客观独立的。A＝(a_ij)_t×n表示决策矩阵，其中α_ij是备选网络S_i对应于属性P_j的一个数值结果，其中我们定义ω＝(ω₁，ω₂，…ω_n)^T为属性权重的向量，其中决策者最终的目标是从S_t中选择最优网络。

考虑决策者已经直接给出属性的权重为为保障移动终端可以保持长时间通信，决策者可以自适应地调整权重。为了确定主观属性的权重，我们构建了下列优化模型：

其中，f^sub表示属性权ω_j重与决策者给出的权重之间的总偏差平方和，找到一个权重向量ω，使f^sub最小。

根据移动终端的电量变化情况调整能耗的属性权重，同时引入移动终端的上下行链路的能耗，作为网络选择的决策因子，以保障低电量模式的移动终端可以通信的过程更长。为了确定属性的权重，我们建立下列优化模型：

其中，f^obj是表示备选方案与理想方案之间的偏差平方和找到一个权重向量ω，使f^obj最小。是属性P_j的理想值，根据业务属性不同，表示取最小值效果更好。相反，有些属性越大越好，如带宽，所以

为了确保属性权重同时包含主观信息和客观信息。然后构建了多目标优化模型：

找到一个权重向量，使得f^sub和f^obj同时达到最小。α，β表示相对重要程度，且α+β＝1，α，β＞0。通过求解，得到属性的权重为：

其中，得到的属性权重同时包含主观信息和客观信息。为得到最优网络，我们建立如下评价函数：

得到f_i值，选择最小值作为最优网络。

在本发明的一优选实施例中，所述功率分配算法的计算公式为：

其中，η_i≥η，1≤i≤M；P为移动终端的最大发射功率，η为目标信噪。

所述功率分配算法的求解包括以下步骤：

a1、建立所述功率分配算法的计算公式的拉格朗日函数：L(p_i，λ_i)＝PE(p_i)-λ_i(p_i-P)；

a2、初始化拉格朗日乘子λ_i；

a3、通过梯度法计算功率分配；

所述梯度法的计算表达式为：p_i ^k+1＝p_i ^k-f(p_i ^k)/f′(p_i ^k)、λ_i ^k+1＝[λ_i ^k+b(p_i ^k-P)]⁺；

其中，[x]⁺＝max(x，0)，k为第k次迭代，b＞0为更新步长；

a4、利用牛顿迭代算法，根据所述梯度法的计算表达式更新

a5、判断是否满足公式若是，则进入步骤a6；若否，则结束计算；

a6、判断是否满足公式p_i ^k+1＝0；若否，则进入步骤a7；若是，则结束计算；

a7、判断和是否满足收敛条件若是，则计算出最优解若否，则进入步骤a8；其中，ε为极小的正数；

a8、使得k←k+1，转至步骤a3，重复计算，直至计算出最优解。

以下以一实施例作为说明，异构融合网络中，移动终端匀速在WLAN和UMTS间移动，工作场景如图3所示，UMTS覆盖整个区域。假设UMTS和WLAN1，WLAN2，WLAN3的覆盖半径分别为1000米，200米，180米和200米。移动终端移动速度是10m/s。假设移动终端从A移动到D，这里假设移动终端是低电量模式，系统参数如表1所示。

表1系统参数

通过上述选择方法计算，可以得出如图4所示的能耗和总传输数据量之间的关系变化图，图4中同时给出了传统算法和AHP算法的结果进行对比。由图4可知，随着传输数据量的增加，能耗也在增加。所提算法由于考虑了移动终端的电量消耗情况，并将上下行链路的能耗作为选择最优网络的决策因子，所以，传输相同数据量时，所提算法所消耗的能量要远低于其他两种算法，甚至超过3倍。因此，提高了移动终端的能量效率。

如图5所示，图5显示为本发明选择异构网络接入的方法的一实施例中系统总吞吐量的累计概率分布曲线。可以看出，所提算法在选择最优网络时，同时考虑了主观权重和客观权重，以及能耗信息，选择接入的网络最适合当前实际场景，所以在提高系统的总吞吐量方面有很大优势。

综上所述，本发明的一种选择异构网络接入的方法，根据用户当前电量情况的不同，定制不同的接入选择流程，具有针对性，能够避免盲目的网络选择，减少不必要的移动终端能量消耗。这样既满足了用户的喜好和不同业务类型的请求，同时在保证服务质量的前提下，提高移动终端能量效率，保障移动终端通信的时间更长，业务体验更久。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (10)

1.一种选择异构网络接入的方法，用于移动终端选择需要接入的异构网络，其特征在于，包括以下步骤：

S1、获取备选网络；

S2、判断所述移动终端的剩余电量是否大于第一预设阈值；若是，则采用主客观权重调整算法，选择最优网络并接入；若否，则进入步骤S3；

S3、判断所述移动终端的剩余电量是否小于第二预设阈值；若是，则通过综合评价函数选出最优网络并接入；若否，则进入步骤S4；

S4、对备选网络进行排序后，将移动终端能量效率的最大化功率作为移动终端接入网络的发射功率接入所述最优网络。

2.根据权利要求1所述的选择异构网络接入的方法，其特征在于，所述步骤S1包括步骤：

S11、判断备选网络的数量是否大于1；若否则进入步骤S12；若是则进入步骤S2；

S12、判断备选网络的数量是否小于1，；若是，则重新扫描监测；若否，则将当前备选网络作为最优网络并接入。

3.根据权利要求1所述的选择异构网络接入的方法，其特征在于，获取备选网络的步骤包括：

S101、判断当前网络强度与周围其他网络的接收信号强度的关系是否满足第一预设条件；若是，则进入步骤S102；若否，则重新扫描；

S102、将当前网络接收信号强度发送给所述移动终端，所述移动终端通过预设算法得出接收到的网络负载情况；

S103、判断网络可用带宽和网络总带宽是否满足第二预设条件；若否，则重新扫描；若是，则得到备选网络的集合。

4.根据权利要求3所述的选择异构网络接入的方法，其特征在于，所述第一预设条件为：

其中，B_ava是网络可用带宽，B_total是网络总带宽，R^TH为阈值，此处Δ表示当前网络信号接收强度与阈值之间的偏差值；

所述第二预设条件为：B_ava≥B_min and B_ava/B_total≥Δ；

其中，B_min表示所需最小带宽，此处Δ表示带宽余量阈值；

所述预设算法为基于网络效用的负载均衡算法。

5.根据权利要求1所述的选择异构网络接入的方法，其特征在于，所述步骤S3还包括步骤：

构建综合评价函数，选取综合评价最小的网络作为最优网络；

所述综合评价函数为：

其中，δ，θ表示相对重要程度，且δ+θ＝1，δ，θ＞0，f^PE为能量效率的归一化处理；

其中，f^PE＝(PE_i-PE_min)/(PE_max-PE_min)；

PE为能量效率；

w_i是频谱带宽，p_i是输出功率，G_i是信道增益，N₀是噪声功率。

6.根据权利要求1所述的选择异构网络接入的方法，其特征在于，所述步骤S4包括步骤：

S41、通过基于业务类型的主客观权重调整算法对所述备选网络进行排序；

S42、通过功率分配算法计算出所述移动终端能量效率的所述最大化功率；

S43、将所述最大化功率作为所述移动终端接入网络的发射功率将所述移动终端接入所述最优网络。

7.根据权利要求6所述的选择异构网络接入的方法，其特征在于，所述主客观权重调整算法包括步骤：

S21、根据用户需求和多种业务类型的不同，分配不同的决策因子集；

S22、构建第一优化模型；

S23、构建第二优化模型；

S24、结合所述第一优化模型和所述第二优化模型构建多目标优化模型；

S25、求得属性的权重；

S26、通过所述属性的权重建立评价函数；

S27、通过所述评价函数计算评价的值，选择最小值作为最优网络。

8.根据权利要求7所述的选择异构网络接入的方法，其特征在于，

所述第一优化模型为

所述第二优化模型为

所述多目标优化模型为

所述属性的权重为

所述评价函数为

其中，S＝{S₁，S₂，…，S_t}表示备选网络集，P＝{P₁，P₂，…P_n}表示决策因子的合集，A＝(a_ij)_t×n表示决策矩阵，其中a_ij是备选网络S_i对应于属性P_j的一个数值结果，其中ω＝(ω₁，ω₂，…ω_n)^T为属性权重的向量，其中f^sub表示属性权重ω_j与决策者给出的权重之间的总偏差平方和，f^obj是表示备选方案与理想方案之间的偏差平方和；ω_j≥0，j＝1，2，…，n；α，β表示相对重要程度，且α+β＝1，α，β＞0；j＝1，2，…，n；， f_i为评价的值。

9.根据权利要求8所述的选择异构网络接入的方法，其特征在于，所述功率分配算法的计算公式为：

其中，η_i≥η，1≤i≤M；P为移动终端的最大发射功率，η为目标信噪。

10.根据权利要求9所述的选择异构网络接入的方法，其特征在于，所述功率分配算法的求解包括以下步骤：

a1、建立所述功率分配算法的计算公式的拉格朗日函数：L(p_i，λ_i)＝PE(p_i)-λ_i(p_i-P)；

a2、初始化拉格朗日乘子λ_i；

a3、通过梯度法计算功率分配；

所述梯度法的计算表达式为：

其中，[x]⁺＝max(x，0)，+k为第k次迭代，b＞0为更新步长；

a4、利用牛顿迭代算法，根据所述梯度法的计算表达式更新

a5、判断是否满足公式若是，则进入步骤a6；若否，则结束计算；

a6、判断是否满足公式p_i ^k+1＝0；若否，则进入步骤a7；若是，则结束计算；

a7、判断和是否满足收敛条件若是，则计算出最优解若否，则进入步骤a8；其中，ε为极小的正数；

a8、使得k←k+1，转至步骤a3，重复计算，直至计算出最优解。