CN109327514B - 一种基于内容复用的数据下载开销博弈优化模型及方法 - Google Patents
一种基于内容复用的数据下载开销博弈优化模型及方法 Download PDFInfo
- Publication number
- CN109327514B CN109327514B CN201811122146.8A CN201811122146A CN109327514B CN 109327514 B CN109327514 B CN 109327514B CN 201811122146 A CN201811122146 A CN 201811122146A CN 109327514 B CN109327514 B CN 109327514B
- Authority
- CN
- China
- Prior art keywords
- user
- alliance
- data
- utility function
- users
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000005457 optimization Methods 0.000 title claims abstract description 33
- 238000005304 joining Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 78
- 238000005381 potential energy Methods 0.000 claims description 20
- 230000008859 change Effects 0.000 claims description 17
- 230000003993 interaction Effects 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 5
- 230000009471 action Effects 0.000 claims description 3
- ONUFESLQCSAYKA-UHFFFAOYSA-N iprodione Chemical compound O=C1N(C(=O)NC(C)C)CC(=O)N1C1=CC(Cl)=CC(Cl)=C1 ONUFESLQCSAYKA-UHFFFAOYSA-N 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 abstract description 9
- 230000007246 mechanism Effects 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 6
- 230000015572 biosynthetic process Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000007906 compression Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 241001522296 Erithacus rubecula Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- JTJMJGYZQZDUJJ-UHFFFAOYSA-N phencyclidine Chemical compound C1CCCCN1C1(C=2C=CC=CC=2)CCCCC1 JTJMJGYZQZDUJJ-UHFFFAOYSA-N 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/06—Protocols specially adapted for file transfer, e.g. file transfer protocol [FTP]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Information Transfer Between Computers (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于内容复用的数据下载开销博弈优化模型及方法。该模型为：将频谱市场网络中具有相似业务需求的用户，通过相同内容复用减少用户数据下载开销的机制，使得具有相似业务需求的用户自发形成联盟，采用先集中下载联盟内用户的所有数据，然后在内部进行分发的模式。方法为：构建联盟博弈模型，参与者是所有频谱市场内的用户，用户的效用函数为自己加入联盟对联盟内所有用户带来的开销影响；各个用户加入新的联盟，计算选择新的联盟带来的效用函数，与自己之前所属联盟的效用函数作比较，基于合作优选准则，择优加入；循环迭代，直至所有用户的联盟选择实现收敛。本发明通过对用户相似业务进行数据复用，从而减少了用户数据下载开销。
Description
技术领域
本发明属于无线通信技术领域，特别是一种基于内容复用的数据下载开销博弈优化模型及方法。
背景技术
如何通过数据复用来减小用户的数据下载开销并提高系统资源利用率已经成为通信领域中的一个重要问题。针对视频内容共享的场景，有人提出了一个基于簇的视频内容分享方法(参考文献Yanyao Shen,Chunxiao Jiang,Tony Q.S.Quek,Yong Ren,“Device-to-Device-Assisted Communications in Cellular Networks:An Energy EfficientApproach in Downlink Video Sharing Scenario”,IEEE Transactionson WirelessCommunications,vol.15,no.2,pp.1575-1587,2016.)来提高系统的资源利用率；有人针对车载网络中的内容分发，设计了一种基于位置预测的联盟形成方法(参考文献Haibo Zhou,Bo Liu,Tom H.Luan,Fen Hou,Lin Gui,Ying Li,Quan Yu,Xuemin(Sherman)Shen,“ChainCluster:Engineering a Cooperative Content Distribution Framework forHighway Vehicular Communications,”IEEE Transactions on IntelligentTransportation Systems,vol.15,no.6,pp.2644-2657,2014.)，利用车辆位置可预测度高的特点，对用户形成的联盟持续时间进行估计，在此基础上，用户通过合理选择加入具有可靠传输时长的联盟来达成内容分发。然而，目前针对数据复用的研究仍然较少，且相关的大部分研究聚焦车载网络，重点在内容分发效率，未对数据下载开销进行研究。
联盟形成博弈(参考文献Walid Saad,Zhu Han,Merouane Debbah,Areand Tamer Basar,“Coalitional Game Theory for Communication Networks”,IEEESignal Processing Magazine,vol.26,no.5,Sept.2009,pp.77-97.)主要考虑的是用户合作的场景；有人利用重叠联盟形成博弈(参考文献Lang Ruan,Xin Liu,Yuli Zhang,YuhuaXu,“Context-aware Group Buying in D2D networks:An Overlapping CoalitionFormation Game Approach”,IEEE ICCT,Chengdu,pp.867-872,October,2017.)解决了一个分布式缓存中内容存储的问题，该模型考虑了不同的缓存节点中需要缓存的内容中有重叠，针对单个内容进行共享分发优化，但是没有考虑到整体内容的一起优化，使得联盟结构较为复杂。
发明内容
本发明的目的在于提供一种能够降低用户数据下载开销、提高频谱利用率的基于内容复用的数据下载开销博弈优化模型及方法。
实现本发明目的的技术解决方案为：一种基于内容复用的数据下载开销博弈优化模型，其特征在于，对该模型做如下刻画：将频谱市场网络中具有业务数据下载需求的用户组成联盟，将用户的效用函数建模为在联盟内承担的数据下载开销的变化值；根据联盟内其他用户的业务需求，进行用户效用函数的求解；通过合作优选准则方法，使用户间形成稳定的联盟划分结构；用户依托联盟进行数据下载和分发。
一种基于内容复用的数据下载开销博弈优化方法，包括以下步骤：
步骤1，将用户数据下载开销减小问题建模为联盟形成博弈模型，博弈的参与者是网络内所有具有业务数据下载需求的用户；
步骤2，将用户数据下载开销通过夏普利值建模为用户数据在联盟全体数据中的占比，并计算用户数据下载开销；将用户的效用函数定义为用户加入新的联盟前后，用户与其他联盟成员数据下载开销的变化值；
步骤3，随机选择一个用户，产生一个新的联盟选择策略，计算此时该用户的效用函数，根据用户的效用函数，择优加入联盟；
步骤4，循环步骤3，用户通过探索学习进行联盟选择，直至所有用户的联盟选择实现收敛，或者达到设定的迭代次数。
进一步地，步骤1中所述的将用户下载数据开销减小问题建模为联盟形成博弈模型，该博弈模型定义为：
该博弈模型中包含四个组成部分，其中，为参与博弈的次级用户集合，An为用户n的可选择联盟策略空间，Jn为用户n一跳范围内的邻居用户，un为用户n的效用函数。
进一步地，步骤2所述的将用户数据下载开销通过夏普利值建模为用户数据在联盟全体数据中的占比，并计算用户数据下载开销；将用户的效用函数定义为用户加入新的联盟前后，用户与其他联盟成员数据下载开销的变化值，具体如下：
将用户数据下载开销函数，定义为该用户数据在联盟全体数据中的夏普利占比DCn(an,a-n)：
其中，a-n为除用户n外其余用户的联盟选择策略，an为用户n的联盟选择，αd为单位数据的下载开销，βni为用户n第i个数据文件在联盟中的需求度，ln为用户n总的数据文件下载需求，为该联盟的成员集合，为该联盟所有成员需要的全体数据，Lmax为系统限制单次传输的最大数据量；当联盟全体数据小于最大数据上限时，用户按照所需单个文件的需求度承担该数据下载开销；反之，则用户独自承担其数据下载开销；
将用户n的效用函数un(an,a-n)建模为：
其中，ri为用户i的数据开销，rn(n)为用户n单独成立一个联盟时用户n的效用函数，为用户n选择接入的联盟内现有的联盟成员集合，用户i指代集合中的用户，用户n特指进行联盟选择的用户，为用户n加入联盟后用户n的效用函数，为用户n在加入联盟前后自身数据下载开销的变化，为其他联盟成员在用户n加入联盟前后数据下载开销的变化之和；
基于以上条件，从而得到网络全局的效用函数为所有用户的数据开销之和U：
博弈的优化目标：根据用户效用函数进行联盟选择，通过接入不同的联盟，使得网络全局的效用函数最优即获取数据的开销最小：
P:minU
利用局部互利博弈模型，将势能函数Φ(an,a-n)表示为所有用户数据下载开销之和：
当单个用户改变其联盟选择时，势能函数变化如下：
其中，为用户n改变后的联盟选择；
用户n的效用函数变化如下：
由于势能函数变化和效用函数变化一致，即服从势能博弈，拥有至少一个纯策略纳什均衡，且由于势能函数为全网所有用户的数据下载开销之和，所以，最优的纳什均衡解即是最优的全网的数据下载开销之和。
进一步地，步骤3中所述的根据用户的效用函数，择优加入联盟，具体如下：
选中用户的择优准则为：
其中，CO，CO′分别为用户n加入的原联盟和新联盟，表示用户n在原联盟和新联盟中选择原联盟；为在原联盟中省略了用户n后的效用函数，为在新联盟中省略了用户n后的效用函数。
进一步地，步骤4中所述的循环步骤3，用户通过探索学习进行联盟选择，直至所有用户的联盟选择实现收敛，或者达到设定的迭代次数，具体如下：
步骤4.1、初始化，每个用户随机选择一个联盟，通过邻居探测和信息交互，计算每个用户数据下载开销和效用函数，作为下一个动作的比较对象；
步骤4.2、探测：随机选取一个用户n，改变该用户联盟选择，通过联盟内信息交互，计算数据下载开销和效用函数；
步骤4.3、联盟选择：用户n根据合作优选准则比较两个联盟策略合作效用值，择优加入对应联盟。
本发明与现有技术相比，其显著优点在于：(1)在频谱市场的场景中，充分考虑了用户之间存在相似业务需求时的数据开销优化问题，提出了基于数据复用的数据下载开销博弈优化模型，在减小用户开销的同时，提高了网络的频谱资源利用率；(2)通过边界效用函数刻画合作优选准则，证明其为势能博弈，至少拥有一个纯策略的纳什均衡解，并推导出纳什均衡解即为联盟形成博弈中的稳定联盟划分，证明了解的存在性和最优性，为方法的设计提供了理论支持；(3)在联盟形成博弈框架下，提出基于合作优选准则方法，通过局部信息交互，探测并达到全局最优，避免了在计算全局最优中存在的不收敛问题。
附图说明
图1是本发明基于内容复用的数据下载开销博弈优化模型的结构示意图。
图2是本发明所提方法与传统帕累托准则的平均数据开销对比示意图。
图3是本发明所提方法与传统帕累托准则的数据压缩程度对比示意图。
具体实施方式
对于频谱市场网络中的任意N个拥有业务需求的用户，首先用户根据地理位置将其他用户被分为邻居用户和非邻居用户。图1所示为本发明对应的系统模型。在图1中，用户由不同业务需求，比如视频、音乐等。当拥有相似业务需求的业务形成联盟时，用户可以组成一个联盟进行数据的集中下载和分发；相对于从基站直接获取数据，先形成联盟然后再内部分发的模式能够有效利用数据的重复度，以此来降低用户数据开销。
本发明基于内容复用的数据下载开销博弈优化模型，对频谱市场网络中具有相似内容业务需求的用户，通过相同内容的数据来复用来减少用户的数据下载开销的机制，使得具有相似业务需求的用户自发的形成联盟，先将联盟内用户所有数据先共同下载，然后在内部进行分发。
本发明通过构建联盟形成博弈优化模型，利用Sharpley值对用户数据下载开销进行建模，通过引入势能博弈刻画联盟形成过程和保证解的存在性，将势能函数建模为全网用户数据下载开销之和，从而最小化数据开销的目的。
一种基于内容复用的数据下载开销博弈优化模型，该模型刻画如下：将频谱市场网络中具有业务数据下载需求的用户组成联盟，将用户的效用函数建模为在联盟内承担的数据下载开销的变化值；根据联盟内其他用户的业务需求，进行用户效用函数的求解；通过合作优选准则方法，使用户间形成稳定的联盟划分结构；用户依托联盟进行数据下载和分发，减小开销。
一种基于内容复用的数据下载开销博弈优化方法，包括以下步骤：
步骤1，将用户数据下载开销减小问题建模为联盟形成博弈模型，博弈的参与者是网络内所有具有业务数据下载需求的用户；
步骤2，将用户数据下载开销通过夏普利值建模为用户数据在联盟全体数据中的占比，并计算用户数据下载开销；将用户的效用函数定义为用户加入新的联盟前后，用户与其他联盟成员数据下载开销的变化值；
步骤3，随机选择一个用户，产生一个新的联盟选择策略，计算此时该用户的效用函数，根据用户的效用函数，择优加入联盟；
步骤4，循环步骤3，用户通过探索学习进行联盟选择，直至所有用户的联盟选择实现收敛，或者达到设定的迭代次数。
本发明的具体实施如下：
一、步骤1中所述的将用户下载数据开销减小问题建模为联盟形成博弈模型，该博弈模型定义为：
该博弈模型中包含四个组成部分，其中，为参与博弈的次级用户集合，An为用户n的可选择联盟策略空间，Jn为用户n一跳范围内的邻居用户，un为用户n的效用函数。
二、步骤2所述的将用户数据下载开销通过夏普利值建模为用户数据在联盟全体数据中的占比，并计算用户数据下载开销；将用户的效用函数定义为用户加入新的联盟前后，用户与其他联盟成员数据下载开销的变化值，具体如下：
将用户数据下载开销函数，定义为该用户数据在联盟全体数据中的夏普利占比
DCn(an,a-n)：
其中，a-n为除用户n外其余用户的联盟选择策略，an为用户n的联盟选择，αd为单位数据的下载开销，βni为用户n第i个数据文件在联盟中的需求度，ln为用户n总的数据文件下载需求，为该联盟的成员集合，为该联盟所有成员需要的全体数据，Lmax为系统限制单次传输的最大数据量；当联盟全体数据小于最大数据上限时，用户按照所需单个文件的需求度承担该数据下载开销；反之，则用户独自承担其数据下载开销；
将用户n的效用函数un(an,a-n)建模为：
其中，ri为用户i的数据开销，rn(n)为用户n单独成立一个联盟时用户n的效用函数，为用户n选择接入的联盟内现有的联盟成员集合，用户i指代集合中的用户，用户n特指进行联盟选择的用户，为用户n加入联盟后用户n的效用函数，为用户n在加入联盟前后自身数据下载开销的变化，为其他联盟成员在用户n加入联盟前后数据下载开销的变化之和；
基于以上条件，从而得到网络全局的效用函数为所有用户的数据开销之和U：
博弈的优化目标：根据用户效用函数进行联盟选择，通过接入不同的联盟，使得网络全局的效用函数最优即获取数据的开销最小：
P:minU
利用局部互利博弈模型，将势能函数Φ(an,a-n)表示为所有用户数据下载开销之和：
当单个用户改变其联盟选择时，势能函数变化如下：
其中，为用户n改变后的联盟选择；
用户n的效用函数变化如下：
可以证明，由于势能函数变化和效用函数变化一致，即服从势能博弈，拥有至少一个纯策略纳什均衡，且由于势能函数为全网所有用户的数据下载开销之和，所以，最优的纳什均衡解即是最优的全网的数据下载开销之和。
三、步骤3中所述的根据用户的效用函数，择优加入联盟，具体如下：
选中用户的择优准则为：
其中，CO，CO′分别为用户n加入的原联盟和新联盟，表示用户n在原联盟和新联盟中选择原联盟；为在原联盟中省略了用户n后的效用函数，为在新联盟中省略了用户n后的效用函数。
四、步骤4中所述的循环步骤3，用户通过探索学习进行联盟选择，直至所有用户的联盟选择实现收敛，或者达到设定的迭代次数，具体如下：
步骤4.1、初始化，每个用户随机选择一个联盟，通过邻居探测和信息交互，计算每个用户数据下载开销和效用函数，作为下一个动作的比较对象；
步骤4.2、探测：随机选取一个用户n，改变该用户联盟选择，通过联盟内信息交互，计算数据下载开销和效用函数；
步骤4.3、联盟选择：用户n根据合作优选准则比较两个联盟策略合作效用值，择优加入对应联盟。
实施例1
本发明的一个具体实施例如下描述：系统仿真采用Matlab软件，参数设定不影响一般性；N个次级用户随机布设在一个200m×200m的网络场景中，单个数据下载开销αd统一设置为1，所有次级用户的通信范围都一样并设为Radii，设用户数据需求量为ln，用户依据联盟其他用户的数据构成，通过信息交互求出其相应数据的需求度βni。
本发明基于内容复用的数据下载开销博弈优化方法，具体过程如下：
步骤1：初始化，设置迭代次数j＝0，每个用户n∈N选择一个不同的联盟，计算相应的数据下载开销和效用函数；
步骤2：联盟选择策略更新(循环)：
①每次迭代都随机选择一个用户进行操作；
②用户n重新选择一个新的联盟，计算对应的效用函数，根据合作优选准则，择优加入；
③其他所有的用户重复之前的联盟选择；
步骤3：当所有用户的联盟选择实现收敛，或者达到一定的迭代次数时，结束方法迭代；
步骤4：全局效用：计算网络中所有用户的数据下载开销，并计算整体的数据下载开销U。
下面计算不同的因素对总效用函数的影响，并通过与一种基于帕累托优选准则的方法进行对比，该方法通常作为联盟形成中的对比方法。
例1平均开销
用户数目变化的情况下，由图2可知，在不同用户数目下，通过与常规的帕累托优选准则对比，所提出的基于内容复用的数据下载开销博弈优化模型及方法能够减少用户数据下载开销。
例2压缩比
全网数据内容的压缩比的情况下，即实际传输的数据和全网的总需求之间的比例，其他参数不变。由图3可知，通过与常规的帕累托优选准则对比，所提出的基于内容复用的数据下载开销博弈优化模型和方法能够进一步压缩数据，减少数据开销。
综上，本发明提出的基于内容复用的数据下载开销博弈优化模型及方法，充分地考虑到了用户业务之间的相似性，采用用户先形成联盟进行数据下载，然后内部分发的模式，运用联盟形成博弈对过程进行建模，引入势能博弈保证解的存在性和最优性，以及方法的收敛性，从而有效降低了数据获取代价，提高了全网资源利用率。通过与常规的帕累托优选准则方法进行比较，在考虑内容复用的条件下，所提的合作优选准则能够有效的解决传统帕累托准则的局部最优问题，以较大概率收敛到系统最优解。通过方法分析比较证明了所提方法的数据下载开销更小，性能更强，也验证了理论的正确性。
Claims (3)
1.一种基于内容复用的数据下载开销博弈优化方法，其特征在于，包括以下步骤：
步骤1，将用户数据下载开销减小问题建模为联盟形成博弈模型，博弈的参与者是网络内所有具有业务数据下载需求的用户；
步骤2，将用户数据下载开销通过夏普利值建模为用户数据在联盟全体数据中的占比，并计算用户数据下载开销；将用户的效用函数定义为用户加入新的联盟前后，用户与其他联盟成员数据下载开销的变化值；
步骤3，随机选择一个用户，产生一个新的联盟选择策略，计算此时该用户的效用函数，根据用户的效用函数，择优加入联盟；
步骤4，循环步骤3，用户通过探索学习进行联盟选择，直至所有用户的联盟选择实现收敛，或者达到设定的迭代次数；
步骤1中所述的将用户数据下载开销减小问题建模为联盟形成博弈模型，该博弈模型定义为：
该博弈模型中包含四个组成部分，其中，为参与博弈的次级用户集合，An为用户n的可选择联盟策略空间，Jn为用户n一跳范围内的邻居用户，un为用户n的效用函数；
步骤2所述的将用户数据下载开销通过夏普利值建模为用户数据在联盟全体数据中的占比，并计算用户数据下载开销；将用户的效用函数定义为用户加入新的联盟前后，用户与其他联盟成员数据下载开销的变化值，具体如下：
将用户数据下载开销函数，定义为该用户数据在联盟全体数据中的夏普利占比DCn(an,a-n)：
其中，a-n为除用户n外其余用户的联盟选择策略，an为用户n的联盟选择，αd为单位数据的下载开销，βni为用户n第i个数据文件在联盟中的需求度，ln为用户n总的数据文件下载需求，为该联盟的成员集合，为该联盟所有成员需要的全体数据，Lmax为系统限制单次传输的最大数据量；当联盟全体数据小于最大数据上限时，用户按照所需单个文件的需求度承担该数据下载开销；反之，则用户独自承担其数据下载开销；
将用户n的效用函数un(an,a-n)建模为：
其中，ri为用户i的数据开销，rn(n)为用户n单独成立一个联盟时用户n的效用函数，为用户n选择接入的联盟内现有的联盟成员集合，用户i指代集合中的用户，用户n特指进行联盟选择的用户，为用户n加入联盟后用户n的效用函数，为用户n在加入联盟前后自身数据下载开销的变化，为其他联盟成员在用户n加入联盟前后数据下载开销的变化之和；
基于以上条件，从而得到网络全局的效用函数为所有用户的数据开销之和U：
博弈的优化目标：根据用户效用函数进行联盟选择，通过接入不同的联盟，使得网络全局的效用函数最优即获取数据的开销最小：
P:min U
利用局部互利博弈模型，将势能函数Φ(an,a-n)表示为所有用户数据下载开销之和：
当单个用户改变其联盟选择时，势能函数变化如下：
其中，为用户n改变后的联盟选择；
用户n的效用函数变化如下：
由于势能函数变化和效用函数变化一致，即服从势能博弈，拥有至少一个纯策略纳什均衡，且由于势能函数为全网所有用户的数据下载开销之和，所以，最优的纳什均衡解即是最优的全网的数据下载开销之和。
2.根据权利要求1所述的内容复用的数据下载开销博弈优化方法，其特征在于，步骤3中所述的根据用户的效用函数，择优加入联盟，具体如下：
选中用户的择优准则为：
其中，CO，CO′分别为用户n加入的原联盟和新联盟，表示用户n在原联盟和新联盟中选择原联盟；为在原联盟中省略了用户n后的效用函数，为在新联盟中省略了用户n后的效用函数。
3.根据权利要求1所述的内容复用的数据下载开销博弈优化方法，其特征在于，步骤4中所述的循环步骤3，用户通过探索学习进行联盟选择，直至所有用户的联盟选择实现收敛，或者达到设定的迭代次数，具体如下：
步骤4.1、初始化，每个用户随机选择一个联盟，通过邻居探测和信息交互，计算每个用户数据下载开销和效用函数，作为下一个动作的比较对象；
步骤4.2、探测：随机选取一个用户n，改变该用户联盟选择，通过联盟内信息交互，计算数据下载开销和效用函数；
步骤4.3、联盟选择：用户n根据合作优选准则比较两个联盟策略合作效用值，择优加入对应联盟。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811122146.8A CN109327514B (zh) | 2018-09-26 | 2018-09-26 | 一种基于内容复用的数据下载开销博弈优化模型及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811122146.8A CN109327514B (zh) | 2018-09-26 | 2018-09-26 | 一种基于内容复用的数据下载开销博弈优化模型及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109327514A CN109327514A (zh) | 2019-02-12 |
| CN109327514B true CN109327514B (zh) | 2019-12-27 |
Family
ID=65265344
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811122146.8A Active CN109327514B (zh) | 2018-09-26 | 2018-09-26 | 一种基于内容复用的数据下载开销博弈优化模型及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109327514B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111800185A (zh) * | 2020-07-06 | 2020-10-20 | 中国人民解放军陆军工程大学 | 一种无人机辅助通信中的分布式空地联合部署方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106255034A (zh) * | 2015-11-25 | 2016-12-21 | 北京邮电大学 | 一种基于d2d的高能效内容分发方法 |
| CN106507297A (zh) * | 2016-10-18 | 2017-03-15 | 天津大学 | 一种不完全信息下的无线传感器网络数据收集方法 |
| CN107979846A (zh) * | 2017-12-29 | 2018-05-01 | 中国人民解放军陆军工程大学 | 一种情景知觉下的重叠联盟博弈模型及空间自适应算法 |
| CN108076467A (zh) * | 2017-12-29 | 2018-05-25 | 中国人民解放军陆军工程大学 | 频谱资源受限下的广义感知模型及分布式q学习接入方法 |
| CN108206728A (zh) * | 2017-11-30 | 2018-06-26 | 天津津航计算技术研究所 | 一种基于联盟博弈的合作数据包传递方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8112369B2 (en) * | 2009-02-11 | 2012-02-07 | The United States Of America As Represented By The Secretary Of The Navy | Methods and systems of adaptive coalition of cognitive agents |
-
2018
- 2018-09-26 CN CN201811122146.8A patent/CN109327514B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106255034A (zh) * | 2015-11-25 | 2016-12-21 | 北京邮电大学 | 一种基于d2d的高能效内容分发方法 |
| CN106507297A (zh) * | 2016-10-18 | 2017-03-15 | 天津大学 | 一种不完全信息下的无线传感器网络数据收集方法 |
| CN108206728A (zh) * | 2017-11-30 | 2018-06-26 | 天津津航计算技术研究所 | 一种基于联盟博弈的合作数据包传递方法 |
| CN107979846A (zh) * | 2017-12-29 | 2018-05-01 | 中国人民解放军陆军工程大学 | 一种情景知觉下的重叠联盟博弈模型及空间自适应算法 |
| CN108076467A (zh) * | 2017-12-29 | 2018-05-25 | 中国人民解放军陆军工程大学 | 频谱资源受限下的广义感知模型及分布式q学习接入方法 |
Non-Patent Citations (2)
| Title |
|---|
| Context-Aware Group Buying in D2D Networks: An Overlapping Coalition Formation Game Approach;Lang Ruan 等;《2017 17th IEEE International Conference on Communication Technology》;20171231;第867-872页 * |
| Database-Assisted Spectrum Access in Dynamic Networks: A Distributed Learning Solution;YUHUA XU等;《IEEE Access》;20150727;第1071-1078页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109327514A (zh) | 2019-02-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yang et al. | A distributed computation offloading strategy in small-cell networks integrated with mobile edge computing | |
| CN110417847B (zh) | 无人机通信网络用户接入和内容缓存的方法及装置 | |
| Zhou et al. | The partial computation offloading strategy based on game theory for multi-user in mobile edge computing environment | |
| CN109388492B (zh) | 一种在多个边缘计算服务器场景下基于模拟退火的移动区块链优化算力分配方法 | |
| Huynh et al. | Joint computational offloading and data-content caching in NOMA-MEC networks | |
| CN109831788B (zh) | 用于边缘接入场景的网络资源动态分配方法及系统 | |
| CN110362380A (zh) | 一种面向网络靶场的多目标优化虚拟机部署方法 | |
| WO2023116460A1 (zh) | 移动边缘计算环境下多用户多任务计算卸载方法及系统 | |
| CN109194763A (zh) | 一种超密集网络中基于小型基站自组织协作的缓存方法 | |
| CN108712746B (zh) | 一种部分重叠信道聚合博弈模型及学习方法 | |
| Liu et al. | A multi-tier cost model for effective user scheduling in fog computing networks | |
| CN109041130A (zh) | 基于移动边缘计算的资源分配方法 | |
| CN107979846A (zh) | 一种情景知觉下的重叠联盟博弈模型及空间自适应算法 | |
| CN107682935A (zh) | 一种基于系统稳定性的无线自回传资源调度方法 | |
| CN106211183B (zh) | 一种基于业务合作的自组织微蜂窝联盟机会频谱接入方法 | |
| CN110233755A (zh) | 一种物联网中雾计算的计算资源和频谱资源分配方法 | |
| CN104684095A (zh) | 一种异构网络融合场景中基于遗传运算的资源分配方法 | |
| Liu et al. | Resource allocation for video transcoding and delivery based on mobile edge computing and blockchain | |
| CN109327514B (zh) | 一种基于内容复用的数据下载开销博弈优化模型及方法 | |
| CN109981340B (zh) | 雾计算网络系统中联合资源优化的方法 | |
| CN103582105A (zh) | 一种大规模异构蜂窝网络中最大化系统效益的优化方法 | |
| CN112887943B (zh) | 一种基于中心度的缓存资源分配方法及系统 | |
| CN111669759A (zh) | 一种基于深度q网络的动态多信道协作感知方法 | |
| Wang et al. | A3C-based computation offloading and service caching in cloud-edge computing networks | |
| CN110392377A (zh) | 一种5g超密集组网资源分配方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |