CN109890068B - 一种基于加权gra和遗传算法的网络选择方法 - Google Patents
一种基于加权gra和遗传算法的网络选择方法 Download PDFInfo
- Publication number
- CN109890068B CN109890068B CN201910289321.0A CN201910289321A CN109890068B CN 109890068 B CN109890068 B CN 109890068B CN 201910289321 A CN201910289321 A CN 201910289321A CN 109890068 B CN109890068 B CN 109890068B
- Authority
- CN
- China
- Prior art keywords
- network
- fitness
- attribute
- gra
- genetic algorithm
- 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
Images
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
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
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。
(103)根据不同业务类型的判断矩阵Ak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Wk=[wk1 wk2 … wkn],其中,wk1,wk2,…,wkn为n个属性权重。
(104)对判断矩阵Ak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),λmax为判断矩阵Ak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vij;
(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∑GRCi;
(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,...,wj,...wn]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,vij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∑GRCi,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;
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 (5)
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;
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vij;
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;
(103)根据不同业务类型的判断矩阵Ak,计算其非零特征向量,得到属性的权重向量Wk=[wk1 wk2…wkn],其中,wk1,wk2,…,wkn为n个属性权重;
(104)对判断矩阵Ak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,λmax为判断矩阵Ak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aij。
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(3)包括:
(301)计算种群中所有的个体的适应度的总和∑GRCi;
(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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910289321.0A CN109890068B (zh) | 2019-04-11 | 2019-04-11 | 一种基于加权gra和遗传算法的网络选择方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910289321.0A CN109890068B (zh) | 2019-04-11 | 2019-04-11 | 一种基于加权gra和遗传算法的网络选择方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109890068A CN109890068A (zh) | 2019-06-14 |
CN109890068B true CN109890068B (zh) | 2021-08-31 |
Family
ID=66936920
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910289321.0A Active CN109890068B (zh) | 2019-04-11 | 2019-04-11 | 一种基于加权gra和遗传算法的网络选择方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109890068B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111083724B (zh) * | 2019-12-26 | 2022-02-11 | 重庆邮电大学 | 一种雾计算网络下基于ocwg-topsis的用户关联方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102892188A (zh) * | 2012-10-09 | 2013-01-23 | 中兴通讯股份有限公司 | 通信网络中基于遗传算法的上行功率控制方法及装置 |
CN104978611A (zh) * | 2015-07-06 | 2015-10-14 | 东南大学 | 一种基于灰色关联分析的神经网络光伏发电出力预测方法 |
CN107949038A (zh) * | 2017-10-31 | 2018-04-20 | 南京邮电大学 | 一种基于ahp和相似度的网络选择方法 |
CN109472346A (zh) * | 2018-10-11 | 2019-03-15 | 南京航空航天大学 | 考虑部分数据模糊和缺失的应急物资需求预测的方法 |
-
2019
- 2019-04-11 CN CN201910289321.0A patent/CN109890068B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102892188A (zh) * | 2012-10-09 | 2013-01-23 | 中兴通讯股份有限公司 | 通信网络中基于遗传算法的上行功率控制方法及装置 |
CN104978611A (zh) * | 2015-07-06 | 2015-10-14 | 东南大学 | 一种基于灰色关联分析的神经网络光伏发电出力预测方法 |
CN107949038A (zh) * | 2017-10-31 | 2018-04-20 | 南京邮电大学 | 一种基于ahp和相似度的网络选择方法 |
CN109472346A (zh) * | 2018-10-11 | 2019-03-15 | 南京航空航天大学 | 考虑部分数据模糊和缺失的应急物资需求预测的方法 |
Non-Patent Citations (3)
Title |
---|
A network selection algorithm based on FAHP/GRA in heterogeneous wireless networks;Xin Song等;《2016 2nd IEEE International Conference on Computer and Communications (ICCC)》;20161017;第2章 * |
基于S--GRA和雷达图的异构无线网络接入选择算法;罗艺婷;《万方数据库》;20150401;第3-4章 * |
基于遗传算法的智能配电异构无线网络接入选择策略;李文猛 等;《华北电力大学学报(自然科学版)》;20130930;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109890068A (zh) | 2019-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108901052B (zh) | 一种异构网络的切换方法及装置 | |
CN109286959B (zh) | 一种基于层次分析法的异构无线网络垂直切换方法 | |
CN108419274B (zh) | 一种基于效用函数的异构无线网络选择方法 | |
CN108235390B (zh) | 一种异构无线网络中基于贝叶斯决策的垂直切换方法 | |
Liu et al. | A simple additive weighting vertical handoff algorithm based on SINR and AHP for heterogeneous wireless networks | |
CN107949038B (zh) | 一种基于ahp和相似度的网络选择方法 | |
CN104602325B (zh) | 一种基于层次分析法的异构无线网络选择方法 | |
Ramirez-Perez et al. | On the effectiveness of multi-criteria decision mechanisms for vertical handoff | |
Chen et al. | An MDP-based vertical handoff decision algorithm for heterogeneous wireless networks | |
CN107889195B (zh) | 一种区分业务的自学习异构无线网络接入选择方法 | |
CN104684095B (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 | |
CN104301969A (zh) | 一种异构多认知无线网络共存环境中的网络选择方法 | |
CN109831790B (zh) | 雾无线接入网中基于头脑风暴优化算法的协作缓存方法 | |
CN108848535B (zh) | 一种面向共享模式的雾计算环境资源分配方法 | |
Yin et al. | A prediction-based coordination caching scheme for content centric networking | |
CN103945477B (zh) | 一种基于业务类型权值区分的异构网络选择系统及方法 | |
CN108809860B (zh) | 基于业务可靠性的网络节点资源分配方法 | |
CN109890068B (zh) | 一种基于加权gra和遗传算法的网络选择方法 | |
CN110113803B (zh) | 一种异构网络中基于用户体验的网络接入选择方法 | |
Charilas et al. | A unified network selection framework using principal component analysis and multi attribute decision making | |
Yu et al. | A caching strategy based on many-to-many matching game in D2D networks | |
Almutairi et al. | Weighting selection in GRA-based MADM for vertical handover in wireless networks | |
Moghal et al. | Spectrum optimization in cognitive radios using elitism in genetic algorithms | |
Tao et al. | Multiobjective network opportunistic access for group mobility in mobile internet | |
Ahmed et al. | Vertical handover E-TOPSIS algorithm mathematical model using AHP and standard deviation weighing method |
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 |