CN109150739A - 一种基于moea/d的多目标基站主动存储分配方法 - Google Patents

Abstract

本发明公开了一种基于MOEA/D的多目标基站主动存储分配方法，包括如下步骤：S1，建立基站主动数据存储及传输的公平性目标、传输代价目标和存储量目标；S2，建立基站主动数据存储及传输的数据恢复约束条件、基站存储约束条件和传输比例约束条件；S3，利用MOEA/D方法在S2所规定的约束条件下求解S1定义的公平性目标、传输代价目标和存储量目标联合优化问题。本方法通过存储分配方案建模成多目标函数，同时优化总的存储量，总的传输时延以及用户的公平性，可以通过调节权重向量而设置想要侧重优化的目标，这给实际运用场景中提供了不同的选择，使存储分配算法更加灵活。

Description

一种基于MOEA/D的多目标基站主动存储分配方法

技术领域

本发明属于无线蜂窝网络边缘存储技术领域，尤其涉及一种基于MOEA/D的多目标基站主动存储分配方法。

背景技术

近年来，随着蜂窝移动通信网络数据流量的急剧增长，网络侧的数据传输逐渐成为数据传输的性能瓶颈。在这种背景下，基于流量本地化思想来降低网络侧的数据流量的技术成为蜂窝移动通信网络研究和应用热点之一。流量本地化的一种实现技术就是基站主动存储，该技术将热点数据主动存储在靠近用户侧的基站中，既能降低网络侧的数据流量，又能减少数据传输至用户的时延。

蜂窝移动通信网络中基站主动存储(或边缘存储)的系统构架为：1)假设一个蜂窝移动通信网络用户侧有N个小基站，服务大量的终端用户，这些基站在固定的位置并且具有存储能力。2)由于每个小基站的存储容量受限，因而热点数据需要采用网络分组编码的形式存储在这N个小基站中，即每个小基站只存储某个热点数据的部分分组包。3)当用户向其服务小基站请求某个热点数据时，服务小基站需要从其它小基站接收该热点数据的一定分组数，才能恢复出用户需要的热点数据。4)由于热点数据采用网络分组编码，服务小基站向其它小基站请求数据分组时，只需要从与服务小基站通信距离较近且信道条件较好的存有该热点数据的基站中获得数据分组。

蜂窝移动通信网络中基站主动存储的关键问题之一就是数据存储分配，即每个基站存储多少的热数据分组。目前为提高基站主动存储系统的性能，一般是从传输延时、总的存储容量和用户公平性等方面进行研究。这些研究通常都只考虑优化系统某方面的性能，但是在实际运用场景中，需要综合考虑系统每个方面的性能。例如，实际运用中总是希望的用户公平性，数据存储在基站中的总存储量以及传输延迟都能得到优化。

MOEA/D是一种将传统的数学规划方法与多目标进化相结合的优化方法。MOEA/D由英国Essex大学的Zhang和Li在2007时提出，该方法优越的性能使其在众多的多目标进化方法中脱颖而出。MOEA/D利用权重向量将多目标问题分解成不同子问题，每个子问题的权重向量均不同，然后利用进化方法并行优化各子问题。

发明内容

基于MOEA/D方法和基站主动存储数据分配问题，本发明提出一种基于MOEA/D的多目标基站主动存储分配方法，以优化总的存储量、传输延迟以及用户公平性。

本发明公开了一种存储量、传输代价以及公平性联合优化的基站主动数据存储及传输方案。具体来说，数据主动存储方案是指决定每个基站需要存储的数据包数m_i；数据传输方案是指决定当任意基站j访问热点数据时需要从其它基站i传输的数据分组数占基站i存储数据的比例α_ij。此外，本发明假设小基站总的数量为N；每个数据分组从基站i传送到基站j所需要的传输代价已知，记为c_ij。

为解决上述问题，本发明公开的一种基于MOEA/D的多目标基站主动存储分配方法，包括如下步骤：

S1，建立基站主动数据存储及传输的公平性目标、传输代价目标和存储量目标；

S2，建立基站主动数据存储及传输的数据恢复约束条件、基站存储约束条件和传输比例约束条件；

S3，利用MOEA/D方法在S2所规定的约束条件下求解S1定义的公平性目标、传输代价目标和存储量目标联合优化问题。

进一步地，步骤S1中，

公平性目标定义为：

传输代价目标定义为：

存储量目标定义为：

其中，m_i为每个基站需要存储的数据包数，i、j表示基站，比例α_ij是指其它基站i传输的数据分组数占基站i存储数据的比例，小基站总的数量为N；每个数据分组从基站i传送到基站j所需要的传输代价已知，记为c_ij。

进一步地，步骤S2中，

数据恢复约束如下：

式中，K_min为基站正确恢复出热点数据必须要接收的分组数量；

基站存储约束条件如下：

式中，M_up为每个基站能够存储的数据分组数上限；

传输比例约束条件如下：

进一步地，步骤S3具体包括以下步骤：S31，初始化MOEA/D相关参数，

具体如下：

(1)初始化优化目标F＝{f₁,f₂,f₃}，f₁、f₂和f₃为步骤S1所定义的3个优化目标；

(2)初始化MOEA/D分解的子问题个数P，邻域大小T；

(3)构造P个权重向量λ¹,λ²,…,λ^P，每个λ为3维向量，即λ＝{λ₁,λ₂,λ₃}且λ₁+λ₂+λ₃＝1；

(4)随机生成初始种群G＝{G¹,G²,...,G^P}，每一个Gⁱ满足：

Gⁱ＝(α_1,1…α_1,N m₁α_2,1…α_2,Nm₂…α_N,1…α_N,N m_N)

式中m_i是用每个基站存储上限M_up归一化的结果，其取值范围在[0，1]之间；

(5)设置最大迭代次数max_gen；

S32，计算每个子问题对应的权重向量的邻域B(i)；

计算任意两个权重向量之间的欧式距离，为每个权重向量选出最近的T个向量，构成它的邻域B(i)，即B(i)＝{i₁,i₂,...,i_T}，i＝1,2,...,P，其中为距离λⁱ最近的T个权重向量；

S33，计算每个优化目标的最佳值z_j以及每个子问题的适应度值FV：

(1)计算最佳值

(2)计算Gⁱ是否满足步骤S2规定的约束条件，如果满足约束条件，则计算各个子问题的单目标函数值F(Gⁱ)＝{f₁(Gⁱ),f₂(Gⁱ),f₃(Gⁱ)}，并且运用切比雪夫聚合法，计算适应值若不满足步骤S2规定的约束条件，则适应值为无穷大；

S34，对每个子问题i，执行下面3步：

(1)繁殖：

从B(i)中随机选择三个权重向量，其编号记为r₁,r₂,r₃，该权重向量对应的解记为和由和交叉生成新解y：

上式中，min(·)代表取最小值，max(·)代表取最大值；y，0和1均为行向量，维数等于个体和的基因个数；

对y以p_m的变异概率变异生成y′：随机选取y中的某个基因位，将其变异为[0,1]之间的一个数；

(2)更新z：对每个j(j＝1,2,3)，如果f_j(y′)＜z_j，则z_j＝f_j(y′)，

(3)更新邻域解：对每个j∈B(i)，如果G^j满足S2所规定的约束条件且那么G^j＝y′；

S35，检测当前迭代次数是否达到max_gen；若是，则算法停止，输出种群G＝{G¹,G²,...,G^P}以及F(G¹),F(G²),...,F(G^P)，否则返回S34继续执行。

与现有技术相比，本发明的有益效果是：

1)本方法通过存储分配方案建模成多目标函数，同时优化总的存储量，总的传输时延以及用户的公平性，可以通过调节权重向量而设置想要侧重优化的目标，这给实际运用场景中提供了不同的选择，使存储分配算法更加灵活。

2)本方法将遗传算法做适当的改变，使得遗传算法更加适合解决本文的问题，其中将矩阵自变量向量化，使得算法更加简化。

附图说明

图1：系统流程图。

图2：基站主动存储系统图。

图3：运用切比雪夫聚合方法所得的最优值平面。

图4：总的存储量和公平性。

图5：总的存储量和传输延迟。

图6：传输延迟和公平性。

具体实施方式

下面结合附图与具体实施方式对本发明作进一步详细描述：

本实施例基于MOEA/D的多目标基站主动存储分配方法的步骤如下：

S1，建立基站主动数据存储及传输的3个优化目标。

(1)公平性

用户公平性是无线网络资源分配所要考虑的重要内容。在无线网络中的用户，无论是处于信道资源丰富还是处于边缘网络中有较差信噪比的地区，都应当受到平等的对待。因此，在基站主动存储的蜂窝网络中，在数据存储分配中考虑用户的公平性是非常有必要的。公平性优化目标函数obj1为：

上式中，N代表小基站个数，m代表小基站需要存储的数据包数，α代表数据传输比例，c代表数据传输代价；其中，N和c已知，需要求m和α。

多目标算法中，聚合的几个单目标函数需要统一优化，即需要三个目标都是求解最大值或者三个目标都是求解最小值。本文采用最小化目标函数算法，obj1是一个需要最大化的目标，因此需要进行一定的转化，通过1-f₁的方式进行转化，既能保持obj1的值域不变同时又将目标最小化，转化后的形式为：

(2)传输代价

传输代价是指，当用户向本地基站发送数据请求时，本地基站需要从其他基站接收数据以提供用户可以恢复出原数据的分组数，此时其他基站将数据发送至本地基站所需要的代价，一般用传输时间或传输能耗来衡量。系统优化时，总是希望传输代价合理，因此最小化总的传输代价也是非常重要的。总传输代价目标函数obj2为：

(3)总的存储量

由于基站的缓存容量是有限的，因此减小数据的冗余并尽可能的节省数据的存储容量是非常有必要的。所以将总的存储量作为优化目标也具有重要的意义，总的存储量目标函数obj3为：

S2，建立基站主动数据存储及传输的约束条件。

为了使数据传输的效率更高，本发明采用随机线性网络编码的方式，将数据进行编码后再存入基站中。具体方法如下：首先将原始数据分为M个数据分组，线性网络编码采用基于M维有限域GF(q)上的随机编码矢量，然后将数据存储在基站中。为了恢复出原来的数据分组，接收数据的基站需要从K个编码数据分组中恢复出M个线性独立数据分组。因此基站想要恢复原来的数据需要接收的数据分组数要大于最低能恢复原来数据所需的分组数。因此接受的数据分组数限制如下：

最后，由于基站的容量有限，数据在每个基站中的存储容量m_i也是有限制的，以及传输系数α_ij应该是一个0-1的比例系数，因此自变量m_i和α_ij受到以下条件限制：

S3，利用MOEA/D方法在S2所规定的约束条件下求解S1定义的多目标联合优化问题。

S31，初始化MOEA/D相关参数，具体如下：

(1)初始化优化目标F＝{f₁,f₂,f₃}，f₁、f₂和f₃为步骤S1所定义的3个优化目标。

(2)初始化MOEA/D分解的子问题个数P，邻域大小T。

(3)构造P个权重向量λ¹,λ²,…,λ^P，每个λ为3维向量，即λ＝{λ₁,λ₂,λ₃}。其中，权重向量的生成方法如下：

在MOEA/D中，一个子问题对应一个权重向量。权重向量在f₁+f₂+f₃＝1平面上均匀取点，并且这些权重向量需要满足以下两个条件：

λ₁+λ₂+λ₃＝1

其中，H是用户定义的正整数，控制了权重向量的个数。也就是说，所有权重向量λ₁,λ₂,λ₃的个体权重都是从中不重复的取值。

(4)随机生成初始种群G＝{G¹,G²,...,G^P}，本发明的目的是为了寻找一个基站数据存储的分配方案以及传输方案，即每个基站所需要存储的数据量m_i以及基站间数据的传输方案α_ij。本发明将自变量用矩阵编码，一个矩阵代表一个个体。而MOEA/D算法中的个体是以向量形式的。为了更好的运用MOEA/D算法以及使得算法更加简化，本文将矩阵向量化。

矩阵形式：

转换后的向量形式：

Gⁱ＝(α_1,1…α_1,N m₁α_2,1…α_2,Nm₂…α_N,1…α_N,N m_N)

Gⁱ中，α是一个[0,1]之间的数，m是一个[0,M_up]之间的数。为后续遗传操作方便，将m用M_up进行归一化，使得其取值范围也在[0,1]之间。

(5)设置最大迭代次数max_gen。

S32，计算每个子问题对应的权重向量的邻域B(i)。

计算任意两个权重向量之间的欧式距离，为每个权重向量选出最近的T个向量，构成它的邻域B(i)，即B(i)＝{i₁,i₂,...,i_T}，i＝1,2,...,P，其中为距离λⁱ最近的T个权重向量。其中，MOEA/D中的邻域定义为：权重欧式距离相近的子问题的集合。每个权重向量具有相同大小的邻域，领域由若干个权重欧式距离相近的子问题组成。由于邻域内子问题最优解具有相似性，可以利用邻近子问题的信息优化进化的方向。事实上，MOEA/D中基因交叉的方法就是利用了这一特点。MOEA/D种群的进化又是基于邻域进化，即遗传操作所选取个体是基于领域选择的，这样相当于把每个邻域看成一个单目标问题，并对邻域进行优化，这样有利于优良基因的累积，并使算法获得更低的计算复杂度以及更强的搜索能力。

S33，计算每个优化目标的最佳值z_j以及每个子问题的适应度值FV：

(1)计算最佳值

(2)计算Gⁱ是否满足步骤S2规定的约束条件，如果满足约束条件，则计算各个子问题的单目标函数值F(Gⁱ)＝{f₁(Gⁱ),f₂(Gⁱ),f₃(Gⁱ)}，并且运用切比雪夫聚合法计算适应值；若不满足步骤S2规定的约束条件，则适应值为无穷大。其中本发明采用切比雪夫聚合方法数学表达式如下：

其中Gⁱ为种群个体，z_j为第j个优化目标的最佳值(j＝1,2,3)，具体如下：

S34，对每个子问题i，执行下面3步：

(1)繁殖：

第一步，从B(i)中随机选择三个权重向量，其编号记为r₁,r₂,r₃，该权重向量对应的解记为和由和交叉生成新解y。具体方法如下：

上式中，min(·)代表取最小值，max(·)代表取最大值；y，0和1都为行向量，维数等于个体和的基因个数。

第二步，对y以p_m的变异概率变异生成y′。具体变异的方法为，随机选取y中的某个基因位，将其变异为[0,1]之间的一个数。

(2)更新z：对每个j(j＝1,2,3)，如果f_j(y′)＜z_j，则z_j＝f_j(y′)。

(3)更新邻域解：对每个j∈B(i)，如果G^j满足S2所规定的约束条件且那么G^j＝y′。具体方法如下：

S35，检测当前迭代次数是否达到max_gen。若是，则算法停止，输出种群G＝{G¹,G²,...,G^P}以及F(G¹),F(G²),...,F(G^P)，否则返回S34继续执行。

综上，算法伪代码如下：

测试环境在window10系统eclipse mars中运行，蜂窝网络部署在边长10km的正方形区域。基站的位置随机均匀分布，基站数量N＝20。链路的传输延迟假设为发送基站和接收基站之间的距离，数据解码所需的最小数据分组数为K_min＝1000。在MOEA/D算法中，种群大小为M＝1000，迭代次数设为500，变异概率P_m为0.05。另外，在算法中，由于obj1，obj2以及obj3的适应值不在一个数量级，如果直接按照MOEA/D的聚合算法，由于公平指数的范围为0-1，在进化中几乎不起作用，因此在进化算法中本文将三个目标函数通过参数调节在一个数量级上。具体操作为将obj2和obj3除以其取值范围的最大值从而归一化，obj2和obj3的取值范围也变为0-1的数，使得三个目标在进化算法中的影响大小相同。算法结束后再将数据调节回去。

图3是100个子目标问题最后优化得到的10000组最优解组成的曲面图。可以看出，根据权重向量的不同，每个子目标优化的单目标侧重不同，最后优化的最优解大致均匀的分布在整个平面上。

为了能更清晰的了解多目标函数之间的关系，将每两个目标值用二维坐标进行展示如图4-6。如图4为总的存储量和公平性的关系，可以看到在总的存储量大的时候公平性指数一定比较大，而在总的存储量比较小的情况下，传输延迟有好有差。这是因为如果基站总的存储容量较大，那么各个基站本身存储的数据较多，数据更容易得到平均，公平性比较大。而在总的存储量比较小的情况下，资源比较紧张，此时的公平性大小就又和传输延迟相关了，因为obj2优化的是总的传输延迟，此时若每个基站的传输延迟都很小或者都很大，公平性指数会比较高，而若此时各个基站的传输延迟差距较大，公平性就低了。总的存储量和传输延迟之间的关系如图5，在存储量大的时候传输延迟一定是小的，试想一个极端的例子，如果每个本地基站都存满了用户所需的数据，本地基站无需再从别的基站接收数据，此时的传输延迟必定都很小。同样的，图6中在总的传输延迟很大的情况下，每个基站的传输延迟都比较大，此时公平性较高。而在总的传输延迟较小时，如果总的存储量比较大，此时可能出现传输延迟都比较小而公平性很大；若总的存储量比较小，传输延迟有大有小，基站之间的传输延迟差异较大，公平性就比较小了。

因此，综上所述，本实验为实际运用提供了很大帮助。在实际运用场景中，不同的场景对具体所需的性能指标不同。比如用户较少的地区，基站的存储量相对宽裕，那么在这个地区会更加注重用户的公平性以及传输延迟，对于存储量的限制会没有那么苛刻；而对于用户量密集的地方，信道和基站存储容量比较紧缺，那么需要综合各个条件考虑，使得每个用户的用户体验得到保证。通过调节权重向量的分量，可以得到具体实际情况下想要的存储方案。

Claims (4)

1.一种基于MOEA/D的多目标基站主动存储分配方法，其特征在于，包括如下步骤：

S1，建立基站主动数据存储及传输的公平性目标、传输代价目标和存储量目标；

S2，建立基站主动数据存储及传输的数据恢复约束条件、基站存储约束条件和传输比例约束条件；

S3，利用MOEA/D方法在S2所规定的约束条件下求解S1定义的公平性目标、传输代价目标和存储量目标联合优化问题。

2.根据权利要求1所述的方法，其特征在于：步骤S1中，

公平性目标定义为：

传输代价目标定义为：

存储量目标定义为：

其中，m_i为每个基站需要存储的数据包数，i、j表示基站，比例α_ij是指其它基站i传输的数据分组数占基站i存储数据的比例，小基站总的数量为N；每个数据分组从基站i传送到基站j所需要的传输代价已知，记为c_ij。

3.根据权利要求2所述的方法，其特征在于：步骤S2中，

数据恢复约束如下：

式中，K_min为基站正确恢复出热点数据必须要接收的分组数量；

基站存储约束条件如下：

式中，M_up为每个基站能够存储的数据分组数上限；

传输比例约束条件如下：

4.根据权利要求3所述的方法，其特征在于：步骤S3具体包括以下步骤：

S31，初始化MOEA/D相关参数，具体如下：

(1)初始化优化目标F＝{f₁,f₂,f₃}，f₁、f₂和f₃为步骤S1所定义的3个优化目标；

(2)初始化MOEA/D分解的子问题个数P，邻域大小T；

(3)构造P个权重向量λ¹,λ²,…,λ^P，每个λ为3维向量，即λ＝{λ₁,λ₂,λ₃}且λ₁+λ₂+λ₃＝1；

(4)随机生成初始种群G＝{G¹,G²,...,G^P}，每一个Gⁱ满足：

Gⁱ＝(α_1,1…α_1,N m₁ α_2,1…α_2,N m₂…α_N,1…α_N,N m_N)

式中m_i是用每个基站存储上限M_up归一化的结果，其取值范围在[0，1]之间；

(5)设置最大迭代次数max_gen；

S32，计算每个子问题对应的权重向量的邻域B(i)；

计算任意两个权重向量之间的欧式距离，为每个权重向量选出最近的T个向量，构成它的邻域B(i)，即B(i)＝{i₁,i₂,...,i_T}，i＝1,2,...,P，其中为距离λⁱ最近的T个权重向量；

S33，计算每个优化目标的最佳值z_j以及每个子问题的适应度值FV：

(1)计算最佳值

(2)计算Gⁱ是否满足步骤S2规定的约束条件，如果满足约束条件，则计算各个子问题的单目标函数值F(Gⁱ)＝{f₁(Gⁱ),f₂(Gⁱ),f₃(Gⁱ)}，并且运用切比雪夫聚合法，计算适应值若不满足步骤S2规定的约束条件，则适应值为无穷大；

S34，对每个子问题i，执行下面3步：

(1)繁殖：

从B(i)中随机选择三个权重向量，其编号记为r₁,r₂,r₃，该权重向量对应的解记为和由和交叉生成新解y：

上式中，min(·)代表取最小值，max(·)代表取最大值；y，0和1均为行向量，维数等于个体和的基因个数；

对y以p_m的变异概率变异生成y′：随机选取y中的某个基因位，将其变异为[0,1]之间的一个数；

(2)更新z：对每个j(j＝1,2,3)，如果f_j(y′)＜z_j，则z_j＝f_j(y′)，

(3)更新邻域解：对每个j∈B(i)，如果G^j满足S2所规定的约束条件且那么G^j＝y′；

S35，检测当前迭代次数是否达到max_gen；若是，则算法停止，输出种群G＝{G¹,G²,...,G^P}以及F(G¹),F(G²),...,F(G^P)，否则返回S34继续执行。