CN109890068A - 一种基于加权gra和遗传算法的网络选择方法 - Google Patents

Abstract

本发明公开了一种基于加权GRA和遗传算法的网络选择方法，该方法将异构无线网络场景下的用户业务分为会话、流媒体和交互三种业务类型。为每种业务赋予不同的判断矩阵，使用AHP求得网络属性的主观权重，作为初值；接着对传统的GRA算法做了调整，使用加权GRA来定义适应度函数，再使用遗传算法不断对初始权重做调整，动态寻得最优的适应度，其对应的网络即为最佳网络。本发明有效提高了网络的服务质量。

Description

一种基于加权GRA和遗传算法的网络选择方法

技术领域

本发明属于移动通信技术中用户网络选择领域，特别涉及一种基于加权GRA和遗传算法的网络选择方法。

背景技术

现在用户所处的位置一般有多个无线网络覆盖，而且这些网络特性各不相同，如无线宽带技术数据传输率高而覆盖范围有限，而蜂窝网络覆盖范围广阔但是资费高。这些网络各有所长又各有所短，没有一种网络可以满足用户的所有需求，短时期内谁也无法替代对方。因此，如何设计一种高效的网络接入机制，从而为用户提供无缝切换和服务质量保证，是无线通信领域的重要研究课题。

许多经典的网络选择算法偏爱使用效用函数来评价异构无线网络的性能，从而为用户选择何种接入网络提供决策判断。效用函数通过某种机制计算出网络的效用值，然后对该效用值排序，从而选择最优网络，有一定的客观性。但是，如何根据用户需求和网络自身特性选择合适的效用函数存在困难。

发明内容

发明目的：本发明的目的是提供一种基于加权GRA和遗传算法的网络选择方法，针对用户不同业务类型能够高效接入网络，提升用户服务质量。

技术方案：本发明所述的一种基于加权GRA和遗传算法的网络选择方法，该方法包括以下步骤：

(1)将异构无线网络场景下的用户业务分类，并为每种业务赋予不同的判断矩阵，使用AHP求得网络属性的权重，作为初值。

进一步地，所述用户业务分为会话、流媒体和交互三种业务类型。

进一步地，所述步骤(1)包括：

(101)建立网络选择问题的递阶层次结构，将网络选择问题分为三层，最上方是目标层，表示最佳网络；中间是准则层，表示参与网络选择的属性；最下方是方案层，表示用户可以选择接入的网络的集合。

进一步地，所述参与网络选择的属性包括：可用速率r₁、峰值传输速率r₂、包时延r₃、包抖动r₄、包丢失r₅与每比特费用r₆。

(102)根据用户对不同业务类型的需求，分别确定计算属性权重所需的判断矩阵其中，a_ij表示在业务k下属性r_i相对于属性r_j的重要程度,n为属性个数；

(103)根据不同业务类型的判断矩阵A_k计算属性权重：由判断矩阵的对角对称性可知，一定存在特征方程，使得方程成立的非零特征向量即为属性的权重向量，对应的特征值近似属性的个数，得到属性的权重向量W_k＝[w_k1 w_k2 … w_kn]，其中，w_k1,w_k2,…,w_kn为n个属性权重。

(104)对判断矩阵A_k做一致性检验，计算如下公式所示的一致性比例：

其中，n为属性个数，RI为随机一致性指标(查表可知)，λ_max为判断矩阵A_k最大特征值；当CR≤0.1时，认为判断矩阵的一致性是可以接受的，否则应对判断矩阵作适当修正；

(2)定义候选网络的适应度函数；

进一步地，所述步骤(2)包括：

(201)使用步骤(1)获得的属性权重作为初始权重；

(202)对属性权重进行编码，将属性对应的权重值进行二进制转换，取小数点后三位，每一位二进制数据0或1就是一个基因；

(203)设置种群规模大小为m个，对应于m张异构网络，将AHP得到的属性权重作为每个个体初始种群数据；

(204)使用极差规范化处理属性，得到网络i的属性j的值v_ij；

(205)定义理想序列其中n表示每个网络的属性个数，其中表示序列v⁺的第j个元素值，将步骤(203)产生的初始种群代入如下适应度函数：

其中，下标i表示第i个网络，GRC_i表示第i个网络的适应度函数，得到每个个体的适应度。

(3)根据遗传算法不断对初始权重做调整，动态寻得最优的适应度，将其对应的网络作为最佳网络。

进一步地，所述步骤(3)具体包括：

(301)计算种群中所有的个体的适应度的总和∑GRC_i；

(302)计算每个个体的相对适应度所述个体的相对适应度为每个个体被遗传到下一代的概率，全部概率值之和为1；

(303)生成一个0到1之间的随机数，依据该随机数来确定各个个体被选中的概率；

(304)对种群进行随机配对，随机设置交叉点位置，再相互交换配对染色体之间的基因，得到新的个体；

(305)确定各个个体的基因变异位置，所述变异位置随机选择，将变异点的原有基因值取反，产生出一个新的个体；

(306)通过进行一轮选择、交叉、变异运算之后的得到的较为优良的个体重新插入父代种群中，替换掉父代种群中适应度较差的个体，作为下一次迭代的初始种群；

(307)重复步骤(301)～(306)，直到适应度不再变化或者达到设定的门限值，迭代结束，比较各子种群的最佳适应度，选择适应度最大的网络作为最佳接入网络，对应的染色体取值即为最佳属性权重分配。

有益效果：本发明与现有技术相比，具有以下优点：

1、网络整体性能好，本发明考量了各网络属性对用户所处范围内各网络的影响，使用效用函数来描述网络的性能，选择最佳效用对应的网络作为目标网络，避免接入因部分属性较差导致整体性能受影响的网络，提升用户体验；

2、符合客户需求，本发明利用层次分析法计算三种业务下网络属性的权重，考虑了用户需求，并使用遗传算法动态调整该权重，考虑了客观属性，以主客观相结合的方式为用户选择最佳网络；

3、适于多业务，相较于GRA算法，本发明在话音业务下，包抖动和包时延更小；在流媒体业务下，包丢失更小；在交互类业务下，每比特费用更低，可以提高用户服务质量。

附图说明

图1为本发明的方法流程示意图。

图2为本发明实施例的遗传算法的交叉操作示意图；

图3为本发明实施例的遗传算法的变异操作示意图；

图4为会话类业务下包时延比较图；

图5为会话类业务下包抖动比较图；

图6为流媒体业务下包丢失比较图；

图7为交互类业务下每比特费用比较图。

具体实施方式

下面结合附图和具体实施方式，对本发明的方法作进一步的介绍。

请参见图1，其示出了一种基于加权GRA和遗传算法的网络选择方法的方法流程示意图。本发明的思路是运用加权GRA和遗传算法解决异构网络的网络选择问题，层次分析法AHP用于求不同业务下的主观属性权重，作为权重的初始解。考虑到AHP属性权重有一定的主观性，利用遗传算法对该权重动态调整，既尊重用户主观偏好，同时结合遗传算法客观的合理分配属性权重，主客观相结合，为用户选择网络提供更合理的接入决策。

本发明所述的基于加权GRA和遗传算法的网络选择方法，包括以下步骤：

(1)选定可用速率r₁、峰值传输速率r₂、包时延r₃、包抖动r₄、包丢失r₅与每比特费用r₆这六个属性，根据AHP计算不同业务类型的网络属性权重；

(2)编码：使用步骤(1)中获得的属性权重作为初始权重，权重向量W＝[w₁,w₂,...,w_j,...w_n]组成染色体，如属性可用速率对应的权重为0.25，则其转换为二进制为(0.010)₂，取后三位小数并去掉小数点得010，因此可以得到六个属性组合，得到的染色体形如010110 101 111 001 110；

(3)产生初始种群：设置种群规模大小为m个，对应于m张异构网络，将AHP得到的属性权重作为每个个体初始种群数据；

(4)适应度计算：将步骤(3)产生的初始种群代入适应度计算函数：

其中，v_ij表示加权标准化后的属性值，得到每个个体的适应度；

(5)选择运算：计算种群中所有的个体的适应度的总和∑GRC_i，其次计算出每个个体的相对适应度它即为每个个体被遗传到下一代的概率，全部概率值之和为1，最后再产生一个0到1之间的随机数，依据该随机数出现在上述哪一个概率区域内来确定各个个体被选中次数；

(6)交叉运算：先对种群进行随机配对，其次随机设置交叉点位置，最后再相互交换配对染色体之间的基因，如附图2所示，若第3号和第4号个体在第4个基因位置处进行交叉运算，则可以得到两个新的个体；

(7)变异运算：确定各个个体的基因变异位置，变异位置随机进行选择，然后将变异点的原有基因值取反。例如，附图3是第3号个体的第2个基因需要进行变异运算，产生出一个新的个体；

(8)重插入：通过进行一轮选择、交叉、变异运算之后的得到的较为优良的个体重新插入父代种群中，替换掉父代种群中适应度较差的个体，作为下一次迭代的初始种群；

(9)网络选择：重复步骤(4)-(8)，直到适应度不再变化或者达到设定的门限值，迭代结束。比较各子种群的最佳适应度，选择适应度函数值最大的网络作为最佳网络，对应的染色体取值即为最佳属性权重分配。

综上所述，将GRA和遗传算法应用到网络选择问题中，将用户所处范围内的网络看作一个个待测对象，该待测对象是一个整体，由可用速率r₁、峰值传输速率r₂、包时延r₃、包抖动r₄、包丢失r₅与每比特费用r₆构成。使用适应度函数定义网络的效用函数，计算各网络的效用，选择最大的效用对应的网络即为目标网络。

如图4和图5所示，利用加权GRA法(即GA-GRA)相较于传统GRA算法在话音业务下包抖动和包时延更小；在流媒体业务下，包丢失更小，如图6所示；在交互类业务下，每比特费用更低，如图7所示。由此可见，本发明为网络选择问题提供了一种新的方法，且能取得有益的效果。

Claims (6)

1.一种基于加权GRA和遗传算法的网络选择方法，其特征在于，该方法包括以下步骤：

(1)将异构无线网络场景下的用户业务分类，并为每种业务赋予不同的判断矩阵，使用AHP求得网络属性的权重，作为初值；

(2)定义候选网络的适应度函数；

(3)根据遗传算法不断对初始权重做调整，动态寻得最优的适应度，将其对应的网络作为最佳网络。

2.根据权利要求1所述的基于加权GRA和遗传算法的网络选择方法，其特征在于：所述用户业务分为会话、流媒体和交互三种业务类型。

3.根据权利要求1所述的基于加权GRA和遗传算法的网络选择方法，其特征在于，所述步骤(1)包括以下步骤：

(101)建立网络选择问题的递阶层次结构，由上至下分为：用于表示最佳网络的目标层、用于表示参与网络选择的属性的准则层、用于表示用户可以选择接入的网络集合的方案层；

(102)根据用户对不同业务类型的需求，分别确定用于计算属性权重所需的判断矩阵其中，a_ij表示在业务k下属性r_i相对于属性r_j的重要程度,n为属性个数；

(103)根据不同业务类型的判断矩阵A_k，计算其非零特征向量，得到属性的权重向量W_k＝[w_k1 w_k2 … w_kn]，其中，w_k1,w_k2,…,w_kn为n个属性权重；

(104)对判断矩阵A_k做一致性检验，计算如下公式所示的一致性比例：

其中，n为属性个数，RI为随机一致性指标，λ_max为判断矩阵A_k最大特征值；当CR≤0.1时，认为判断矩阵的一致性是可接受的，否则跳转到步骤(102)重新确认a_ij。

4.根据权利要求1所述的基于加权GRA和遗传算法的网络选择方法，其特征在于，步骤(1)中，所述属性包括：可用速率r₁、峰值传输速率r₂、包时延r₃、包抖动r₄、包丢失r₅与每比特费用r₆。

5.根据权利要求1所述的基于加权GRA和遗传算法的网络选择方法，其特征在于，所述步骤(2)包括：

(201)使用步骤(1)获得的属性权重作为初始权重；

(202)对属性权重进行编码，将属性对应的权重值进行二进制转换，取小数点后三位，每一位二进制数据0或1为一个基因；

(203)设置种群规模大小为m个，对应于m张异构网络，将AHP得到的属性权重作为每个个体初始种群数据；

(204)使用极差规范化处理属性，得到网络i的属性j的值v_ij；

(205)定义理想序列其中n表示每个网络的属性个数，其中表示序列v⁺的第j个元素值，将步骤(203)产生的初始种群代入如下适应度函数：

其中，i表示网络序号，GRC_i表示第i个网络的适应度函数， 得到每个个体的适应度。

6.根据权利要求1所述的基于加权GRA和遗传算法的网络选择方法，其特征在于，所述步骤(3)包括：

(301)计算种群中所有的个体的适应度的总和∑GRC_i；

(302)计算每个个体的相对适应度所述个体的相对适应度为每个个体被遗传到下一代的概率，全部概率值之和为1；

(303)生成一个0到1之间的随机数，依据该随机数来确定各个个体被选中的概率；

(304)对种群进行随机配对，随机设置交叉点位置，再相互交换配对染色体之间的基因，得到新的个体；

(305)确定各个个体的基因变异位置，所述变异位置随机选择，将变异点的原有基因值取反，产生出一个新的个体；

(306)通过进行一轮选择、交叉、变异运算之后的得到的较为优良的个体重新插入父代种群中，替换掉父代种群中适应度较差的个体，作为下一次迭代的初始种群；

(307)重复步骤(301)～(306)，直到适应度不再变化或者达到设定的门限值，迭代结束，比较各子种群的最佳适应度，选择适应度最大的网络作为最佳接入网络，对应的染色体取值即为最佳属性权重分配。