CN110505293A - 一种雾无线接入网中基于改进的果蝇优化算法的协作缓存方法 - Google Patents

Abstract

本发明公开了一种雾无线接入网中基于改进的果蝇优化算法的协作缓存方法，包括：(1)初始化种群和算法参数；(2)根据对迭代的改进和种群交叉产生新的个体，即产生新的缓存策略；(3)根据得到的新的个体计算求解对应缓存策略下的成功传输概率，并更新种群，最终得到当前最佳的种群，即当前最佳的缓存策略；(4)若迭代次数达到最大迭代次数，则迭代停止，当前最佳缓存策略作为最终最佳缓存策略，否则转到(2)。本发明以协作的方式确定雾无线接入网中的雾接入点的缓存决策，且计算复杂度低、成功传输概率大。

Description

一种雾无线接入网中基于改进的果蝇优化算法的协作缓存 方法

技术领域

本发明属于边缘缓存技术，尤其涉及一种雾无线接入网中基于改进的果蝇优化算法的协作缓存方法。

背景技术

随着智能设备和社交网络服务的迅速增加，现有的无线网络面临着越来越大的负载压力。雾无线接入网(F-RAN，Fog-Radio Access Network)可以通过将流行内容布置到距离用户更近的F-AP(Fog Access Point)来增大成功传输概率。但是F-AP的存储空间有限，并且传统的MPC(Most Popular Contents)不能获得内容多样性增益，LCD(LargestContent Diversity)策略则不能获得协作增益。考虑到F-AP的密集部署，考虑邻近的协作节点缓存，并考虑对文件的分块来对簇中心的用户提供服务。该策略可以提高内容多样性，消除缓存冗余，均衡协作增益和内容多样性增益，进一步提升系统性能增益。

由于F-AP密集部署，F-AP之间的干扰而非白噪声成为影响性能的主要因素。因此使用随机几何工具对性能进行分析，然后建立最优化问题。该问题是一个离散优化问题，也是一个NP-hard问题，运用动态规划方法可以求得全局最优解，但是这种方法的时间复杂度是指数时间复杂度。由于内容库尺寸通常非常大，并且当文件的分块增加时，问题的复杂度会急剧增加，因此需要提出更高效的解决该问题的算法。

发明内容

发明目的：本发明针对现有技术存在的问题，提供一种雾无线接入网中基于改进的果蝇优化算法的协作缓存方法，该方法利用性能分析的结果的结构特性，将该问题转化，并在低计算复杂度下获得簇内的缓存决策。

技术方案：一种雾无线接入网中基于改进的果蝇优化算法的协作缓存方法，包括以下步骤：

步骤1：在雾无线接入网中，用户请求文件时，根据文件内容的流行性，以文件最大化成功传输概率为目标，基于果蝇优化算法解决文件的分块问题，得到最佳文件分块决策；

步骤2：按照所述最佳文件分块决策决定每个文件的缓存和对应的传输方法；若文件被完整缓存，则簇内所有的F-AP协作传输同一文件，若文件被分成i个子文件，则附近的i个F-AP协作传输该文件，若不被缓存，则从云端获取文件，先缓存到距离用户最近的F-AP，然后再传输到用户端。

进一步的，所述果蝇优化算法，包括以下步骤：

S1.1：初始化果蝇优化算法参数和初始果蝇个体；

S1.2：根据下式随机改变中每个维度的值来产生pop/2个果蝇个体，pop为种群大小，为初始果蝇个体位置，n_i为分块数为i的文件的参数，将分块数为i的文件的参数抽象为果蝇个体的位置参数：

其中，step∈{-1,0,1}，若step＝-1，则n_i减少若step＝0，则保持不变，否则n_i增大r_max为最大搜索半径，r_min为最小搜索半径，g为当前迭代次数，g_max表示最大迭代次数；

S1.3：通过本轮的果蝇个体和上一轮的果蝇个体做支配关系判断，若存在支配关系则将本轮果蝇个体加入种群，否则随机选择本轮产生的果蝇个体或者上一轮果蝇个体产生的果蝇个体加入种群，在下一轮产生果蝇个体时将种群中的果蝇个体进行交叉操作，产生pop/2个果蝇个体；

S1.4：将S1.2产生的pop/2个果蝇个体和S1.3产生的pop/2个果蝇个体合并得到新种群；

S1.5：计算新种群内所有果蝇个体的气味浓度值，得到气味浓度值最大的果蝇个体，作为全局最佳果蝇个体；

S1.6：判断是否达到最大迭代次数，若是，则输出全局最佳果蝇个体的位置和气味浓度值即得到最佳文件分块决策，否则跳转到S1.2；

所述气味浓度值为成功传输概率值。

进一步的，所述气味浓度值的计算步骤包括：

a、果蝇个体随机选择飞行方向，根据步长t计算果蝇个体新的位置：

b、根据新的果蝇个体位置与原点之间的距离，得到气味测定浓度T_i：

c、根据气味测定浓度T_i代入浓度函数，获得气味浓度S_i：

S_i＝Fun(T_i)；

式中，Fun()为浓度函数；所述浓度函数为成功传输传输概率函数；

d、寻找全局最佳果蝇个体的位置：

[s_tp i_tp]＝best(S_i)

其中，s_tp为当前最佳果蝇个体对应的气味浓度值，i_tp为当前最佳果蝇个体的索引；

e、使用视觉搜索使新种群内的所有果蝇个体均飞向全局最佳果蝇个体的位置：

s_bst＝　s_tp,n₀＝　n(i_tp)

其中s_bst为最大气味浓度值，s_tp为当前最佳果蝇个体对应的气味浓度值，i_tp为当前最佳果蝇个体的索引，n₀为当前最佳果蝇个体的坐标；

f、重复步骤a至步骤e，直到新种群内的所有果蝇个体均遍历完，得到全局最佳果蝇个体对应的位置和气味浓度值。

进一步的，所述成功传输概率函数，表示如下；

其中，n_i为分块数为i的文件的参数，代表文件的流行性分布，服从齐普夫分布：

代表文件不分块的成功传输概率：

其中₂F₁为高斯超几何函数，D为协作的F-AP的个数，τ₁为联合传输策略下的目标SIR；

代表未被缓存的文件的成功传输概率：

其中τ₃为未缓存文件传输下的目标SIR；

代表文件被分成i块时的成功传输概率：

代表近似最优解，τ₂代表文件分块时的信干扰比阈值，当信干扰比大于该值时才能传输成功。

有益效果：本发明与现有技术相比，具有以下优点：

1、本发明基于改进的果蝇优化算法，以最大化成功传输概率为目标来进行缓存决策。相对于传统的贪心算法，更加简单、复杂度较低，同时能获得较优的缓存策略。

2、节点之间的协作、对文件的分块设计降低了簇内内容冗余度，提高了缓存空间的利用率。

3、对迭代步长的设计能够更快更好的得到近似最优解。

附图说明

图1为本发明的应用场景图；

图2为本发明的流程示意图；

图3为改进的果蝇优化算法的演进图。

具体实施方式

本实例提供一种雾无线接入网中基于改进的果蝇优化算法的协作缓存方法，其应用场景如图1所示，若文件不分块，簇内的每个接入点都存储整个文件，当用户请求该文件时，簇内的所有接入点协作传输该文件，来增大在用户端的信干扰比，增加传输的可靠性；当文件被分块时，用户设备具有一定的连续干扰消除能力M，即文件最多被分成M个子文件，当文件被分成一定数量的子文件时，附近的接入点各存储其中的一个子文件，并协作传输各个子文件。若文件不被缓存，则从云端获取文件，先缓存到距离用户最近的F-AP，然后再传输到用户端。该策略增大了存储的文件内容多样性，从总体上增加了缓存增益，本方法的目的就是获得所有文件的分块、缓存、传输方式。

如图2所示，在雾无线接入网中，用户请求该文件时，根据文件内容的流行性，以文件最大化成功传输概率为目标，基于果蝇优化算法解决文件的分块问题，得到文件最佳分块决策；按照最佳文件分块决策决定每个文件的缓存和对应的传输方法；若文件被完整缓存，则簇内所有的F-AP协作传输同一文件，若文件被分成i个子文件，则附近的i个F-AP协作传输该文件，若不被缓存，则从云端获取文件，先缓存到距离用户最近的F-AP，然后再传输到用户端。

成功传输概率函数表示如下：

其中，代表文件的流行性分布，服从齐普夫分布：

代表文件不分块的成功传输概率：

其中₂F₁为高斯超几何函数，D为协作的F-AP的个数，τ₁为联合传输策略下的目标SIR。

代表未被缓存的文件的成功传输概率：

其中τ₃为未缓存文件传输下的目标SIR。

代表文件被分成i块时的成功传输概率：

代表近似最优解，τ₂代表文件分块时的信干扰比阈值，当信干扰比大于该值时才能传输成功。上述问题的是对于的优化，可以看到优化的变量个数为M个，复杂度大大降低。

本实施例是对初始果蝇优化算法进行优化，现对初始果蝇优化算法的步骤描述如下：

步骤1：初始化初始果蝇个体，可以随机初始化或初始化为原点位置，初始化最大迭代次数g_max，种群大小pop；

步骤2：随机选择果蝇个体的飞行方向，并根据步长t计算个体新的位置：

X_i＝X₀+t,Y_i＝Y₀+t

其中X₀为上次迭代最佳个体的横坐标，Y₀为上次迭代最佳个体的纵坐标,X_i为新产生的个体的横坐标，Y₀为新产生的个体的纵坐标；

步骤3：计算新的个体位置和原点之间的距离D_i，然后计算气味测定浓度T_i：

步骤4：将气味测定浓度T_i代入浓度函数，获得气味浓度S_i：

S_i＝Fun(T_i)

步骤5：寻找具有最优S_i的果蝇个体的位置：

[s_tp i_tp]＝best(S_i)

其中s_tp为当前最佳个体对应的气味浓度值，i_tp为当前最佳个体的索引。

步骤6：保存上述得到的果蝇个体的位置作为新的最佳位置，果蝇种群使用视觉搜索飞向该位置：

s_bst＝s_tp,X₀＝X(i_tp),Y₀＝Y(i_tp)

其中s_bst为最大气味浓度值。

步骤7：重复步骤1至步骤6，直到迭代次数达到最大迭代次数，得到最佳果蝇个体对应的气味浓度值和其位置。

使用果蝇优化算法解决雾无线接入网中的缓存内容部署问题时，浓度函数即为成功传输传输概率函数最终获得的果蝇个体的位置即为缓存部署。

果蝇优化算法的固定步长使得该算法不能有效平衡收敛速度和收敛精度，故本实施例在上述初始果蝇优化算法的基础上进行优化，具体包括以下步骤：

S1：初始化最大迭代次数g_max，种群大小pop，最大搜索半径r_max，最小搜索半径r_min，初始果蝇位置和初始味道浓度值s_bst；

S2：通过下式随机改变中每个维度的值来产生pop/2个个体：

其中，为初始果蝇个体位置，step∈{-1,0,1}，若step＝-1，则n_i减少若step＝0，则保持不变，否则n_i增大通过使用动态搜索半径，在迭代初期可以得到更多的可行解，在迭代后期，搜索半径变小，算法执行更精确的搜索，得到更精确的可行解。

S3：通过本轮的个体和上一轮的个体做支配关系判断，如果存在支配关系则将本轮个体加入种群，否则随机选择本轮产生的个体或者上一轮个体产生的个体加入种群，在下一轮产生个体时将种群中的个体进行交叉操作，产生新的pop/2个个体。具体步骤为：

①对于j∈{1,2,...,pop}，如果个体n_j能够支配上轮个体中的n_j，则将n_j加入最佳种群，否则随机选择n_j或上轮的n_j加入种群。

②执行种群内交叉操作。

③重复①②步骤知道迭代次数达到g_max。

S4：将S2产生的pop/2个个体和S3产生的pop/2个个体合并得到新种群，计算新种群内所有个体的气味浓度值；根据新的个体位置和原点之间的距离，得到气味测定浓度T_i：

根据气味测定浓度T_i代入浓度函数，获得气味浓度S_i：

S_i＝Fun(T_i)；

式中，Fun()为浓度函数；

使用果蝇优化算法解决雾无线接入网中的缓存内容部署问题时，浓度函数即为成功传输传输概率函数

S4：找到个体气味浓度最大的个体，作为全局最佳个体。

S5：初始种群使用视觉搜索飞向全局最佳个体的位置：

s_bst＝s_tp,n₀＝n(i_tp)

其中s_bst为最大气味浓度值，s_tp为当前最佳个体对应的气味浓度值，i_tp为当前最佳个体的索引，n₀为当前最佳个体的坐标。

S6：判断是否达到最大迭代次数，若是，则输出最终果蝇个体的位置和气味浓度值，得到缓存部署决策，否则跳转到S2。

图3表示改进的果蝇优化算法的演进图。在寻找食物时，果蝇个体先利用自身嗅觉器官嗅到食物的气味，并向周围的果蝇发送气味信息，或者从周围的果蝇接收气味信息后，之后的果蝇利用其视觉器官，通过比较当前群体中收集到的最好气味信息的果蝇位置，群体中的其他果蝇均飞向该位置，并继续展开搜索。

Claims (4)

1.一种雾无线接入网中基于改进的果蝇优化算法的协作缓存方法，其特征在于：包括以下步骤：

步骤1：在雾无线接入网中，用户请求文件时，根据文件内容的流行性，以文件最大化成功传输概率为目标，基于果蝇优化算法解决文件的分块问题，得到最佳文件分块决策；

步骤2：按照所述最佳文件分块决策决定每个文件的缓存和对应的传输方法；若文件被完整缓存，则簇内所有的F-AP协作传输同一文件，若文件被分成i个子文件，则附近的i个F-AP协作传输该文件，若不被缓存，则从云端获取文件，先缓存到距离用户最近的F-AP，然后再传输到用户端。

2.根据权利要求1所述的一种雾无线接入网中基于改进的果蝇优化算法的协作缓存方法，其特征在于：所述果蝇优化算法，包括以下步骤：

S1.1：初始化果蝇优化算法参数和初始果蝇个体；

S1.2：根据下式随机改变中每个维度的值来产生pop/2个果蝇个体，pop为种群大小，为初始果蝇个体位置，n_i为分块数为i的文件的参数，将分块数为i的文件的参数抽象为果蝇个体的位置参数：

其中，step∈{-1,0,1}，若step＝-1，则n_i减少若step＝0，则保持不变，否则n_i增大r_max为最大搜索半径，r_min为最小搜索半径，g为当前迭代次数，g_max表示最大迭代次数；

S1.3：通过本轮的果蝇个体和上一轮的果蝇个体做支配关系判断，若存在支配关系则将本轮果蝇个体加入种群，否则随机选择本轮产生的果蝇个体或者上一轮果蝇个体产生的果蝇个体加入种群，在下一轮产生果蝇个体时将种群中的果蝇个体进行交叉操作，产生pop/2个果蝇个体；

S1.4：将S1.2产生的pop/2个果蝇个体和S1.3产生的pop/2个果蝇个体合并得到新种群；

S1.5：计算新种群内所有果蝇个体的气味浓度值，得到气味浓度值最大的果蝇个体，作为全局最佳果蝇个体；

S1.6：判断是否达到最大迭代次数，若是，则输出全局最佳果蝇个体的位置和气味浓度值即得到最佳文件分块决策，否则跳转到S1.2；

所述气味浓度值为成功传输概率值。

3.根据权利要求2所述的一种雾无线接入网中基于改进的果蝇优化算法的协作缓存方法，其特征在于：所述气味浓度值的计算步骤包括：

a、果蝇个体随机选择飞行方向，根据步长t计算果蝇个体新的位置：

b、根据新的果蝇个体位置与原点之间的距离，得到气味测定浓度T_i：

c、根据气味测定浓度T_i代入浓度函数，获得气味浓度S_i：

S_i＝Fun(T_i)；

式中，Fun()为浓度函数；所述浓度函数为成功传输传输概率函数；

d、寻找全局最佳果蝇个体的位置：

[s_tp i_tp]＝best(S_i)

其中，s_tp为当前最佳果蝇个体对应的气味浓度值，i_tp为当前最佳果蝇个体的索引；

e、使用视觉搜索使新种群内的所有果蝇个体均飞向全局最佳果蝇个体的位置：

s_bst＝s_tp,n₀＝n(i_tp)

其中s_bst为最大气味浓度值，s_tp为当前最佳果蝇个体对应的气味浓度值，i_tp为当前最佳果蝇个体的索引，n₀当前最佳果蝇个体的坐标；

f、重复步骤a至步骤e，直到新种群内的所有果蝇个体均遍历完，得到全局最佳果蝇个体对应的位置和气味浓度值。

4.根据权利要求3所述的一种雾无线接入网中基于改进的果蝇优化算法的协作缓存方法，其特征在于：所述成功传输概率函数，表示如下；

其中，n_i为分块数为i的文件的参数，代表文件的流行性分布，服从齐普夫分布：

代表文件不分块的成功传输概率：

其中₂F₁为高斯超几何函数，D为协作的F-AP的个数，τ₁为联合传输策略下的目标SIR；

代表未被缓存的文件的成功传输概率：

其中τ₃为未缓存文件传输下的目标SIR；

代表文件被分成i块时的成功传输概率：

代表近似最优解，τ₂代表文件分块时的信干扰比阈值，当信干扰比大于该值时才能传输成功。