CN110545204A - 一种基于外罚函数与果蝇优化的资源分配方法及服务器 - Google Patents
一种基于外罚函数与果蝇优化的资源分配方法及服务器 Download PDFInfo
- Publication number
- CN110545204A CN110545204A CN201910815973.3A CN201910815973A CN110545204A CN 110545204 A CN110545204 A CN 110545204A CN 201910815973 A CN201910815973 A CN 201910815973A CN 110545204 A CN110545204 A CN 110545204A
- Authority
- CN
- China
- Prior art keywords
- fruit fly
- optimization
- penalty function
- resource allocation
- optimal
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- H04L41/08—Configuration management of networks or network elements
- H04L41/0896—Bandwidth or capacity management, i.e. automatically increasing or decreasing capacities
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/70—Admission control; Resource allocation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供一种基于外罚函数与果蝇优化的资源分配方法及服务器，应用在MIMO‑MEC智能配用电网络中，所述智能配用电网络包括集中器基站以及与集中器基站信号相连的若干采集终端，所述智能配用电网络的带宽资源分配方法包括：采用外罚函数梯度下降法获得多个较优的决策向量；选择具有满足约束且优化效果最佳的决策向量作为起始点，执行果蝇优化算法，得到收敛的最优分配方案；根据所述最优分配方案，集中控制器对资源进行分配。
Description
技术领域
本发明涉及计算机网络技术领域，尤其涉及一种基于外罚函数与果蝇优化的资源分配方法及服务器。
背景技术
一方面，伴随着智能电网、泛在电力物联网的提出，越来越多的终端设备或采集终端需要通过配用电网络接入承载网络并最终将信息汇总到电力数据中心，这对配用电网络提出了更高的需求。另一方面，现有的承载网络接入能力受限、数据中心处理能力有限，海量采集终端通过配用电网络接入承载域数据中心将造成网络拥塞，此外并非所有采集信息都需要汇聚到电力数据中心进行处理，这将浪费大量的带宽与处理资源。为此，借助于移动通信网络中的大规模MIMO传输技术以及移动边缘计算技术，不但可以解决配用电网络当前面临的问题，而且可以适应未来智能配用电网络发展的需求。其中，大规模MIMO技术通过在基站侧配置大量天线单元，充分利用空间资源，既能提升系统频谱效率与复用能力，也能利用分集增益和阵列增益改善系统能量效率。而移动边缘计算(mobile edge computing,MEC)技术被提出，其核心思想是通过在接入网处部署边缘云服务器就近为采集终端提供信息处理和计算能力，创建具备高性能、低延迟与高带宽的服务环境。依托于大规模MIMO和移动边缘计算来增强配用电网络是其走向智能化的方向之一。此时，采集终端通过无线接入基于大规模MIMO的集中器基站，配用电网络接入通道的传输能力得到显著提高。
进一步地的，通过在配用电网络边缘接入点配置智能化的计算服务平台，一方面可以就近处理一些运维与管理任务，另外，可以将部分需要汇聚到电力数据中心的原始数据进行必要处理来降低网络压力，并降低配用电网络运维响应时延。在这种基于大规模MIMO无线传输与移动边缘计算的智能配用电网络系统中，如果有效的优化无线传输与计算资源配置，从而降低边缘运维服务响应延迟是一个关键性难题。
发明内容
本发明的目的在于提供一种基于外罚函数与果蝇优化的资源分配方法及服务器，可使网络资源均衡分配至系统各采集终端，使采集终端的计算服务响应延迟最小，用以解决上述背景技术中提出的问题。
本发明是通过以下技术方案实现的：本发明第一方面提供了一种基于外罚函数与果蝇优化的资源分配方法，应用于MIMO-MEC智能配用电网络中，所述智能配用电网络包括集中器基站以及与集中器基站信号相连的若干采集终端，所述智能配用电网络的带宽资源分配方法包括：
采用外罚函数梯度下降法获得多个较优的决策向量；
选择具有满足约束且优化效果最佳的决策向量作为起始点，执行果蝇优化算法，得到收敛的最优分配方案；
根据所述最优分配方案，集中控制器对资源进行分配。
优选的，采用外罚函数梯度下降法获得多个较优的决策向量，包括：
初始化参数(pd，pp，f，τ，μ)0；
计算VF((pd，pp，f，τ，μ)0)；
若||VF((pd，pp，f，τ，μ)0)||＜δ；
则(pd，pp，f，τ，μ)*＝(pd，pp，f，τ，μ)m；
若||VF((pd，pp，f，τ，μ)0)||＞δ；
搜索最优步长tm，并且满足决策变量不超过范围且tm＝argminF((pd，pp，f，τ，μ)m-t*VF((pd，pp，f，τ，μ)m))；
取(pd，pp，f，τ，μ)m+1←(pd，pp，f，τ，μ)m-t*VF((pd，pp，f，τ，μ)m)；
若||(pd，pp，f，τ，μ)m+1-(pd，pp，f，τ，μ)m||＜ε，则(pd，pp，f，τ，μ)*＝(pd，pp，f，τ，μ)m+1；
其中(pd，pp，f，τ，μ)*表示最优解。
优选的，执行果蝇优化算法，得到收敛的最优分配方案，包括：
根据最优解(pd，pp，f，τ，μ)*得到Lopt＝(pd，pp)；
更新果蝇种群位置，令Li＝Lopt+Dfly*rand(·)＝H(Li)，若H*＞min(s)，则Lopt＝Largmin(s)，所获得的Lopt即为最优解；
若k＜Gmax，则继续更新果蝇种群位置；
其中Gmax为果蝇优化中最大迭代次数，k为采集终端数量，Dfly为果蝇在各个方向的单次飞行距离，H为果蝇优化的适应度函数，H*为气味浓度值，L为果蝇优化中所有当代果蝇位置向量。
本发明第二方面提供了一种服务器，所述服务器设置于集中器基站中，所述服务器用于执行如第一方面中任一项所述的方法，实现对网络资源的分配。
与现有技术相比，本发明达到的有益效果如下：本发明可快速在基于大规模MIMO-MEC的智能配用电网络中实现计算资源分配与导频、数据传输功率控制；
本发明最小化采集终端的计算服务响应延迟，使得资源有效配置；
本发明适用于基于大规模MIMO-MEC的智能配用电网络场景；
本发明收敛速度快、复杂度低，易实现。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的优选实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的一种基于外罚函数与果蝇优化的资源分配方法的流程图；
图2为本发明实施例提供的资源分配方法与常规果蝇算法进行比较后的仿真示意图。
具体实施方式
为了更好理解本发明技术内容，下面提供具体实施例，并结合附图对本发明做进一步的说明。
参见图1，本发明第一方面提供了一种基于外罚函数与果蝇优化的资源分配方法，应用于MIMO-MEC智能配用电网络中，所述智能配用电网络包括集中器基站以及与集中器基站信号相连的若干采集终端，所述智能配用电网络的带宽资源分配方法包括：
首先，采用外罚函数梯度下降法获得多个较优的决策向量，包括：
初始化参数(pd，pp，f，τ，μ)0；
计算VF((pd，pp，f，τ，μ)0)；
若||VF((pd，pp，f，τ，μ)0)||＜δ；
则(pd，pp，f，τ，μ)*＝(pd，pp，f，τ，μ)m；
若||VF((pd，pp，f，τ，μ)0)||＞δ；
搜索最优步长tm，并且满足决策变量不超过范围且tm＝argminF((pd，pp，f，τ，μ)m-t*VF((pd，pp，f，τ，μ)m))；
取(pd，pp，f，τ，μ)m+1←(pd，pp，f，τ，μ)m-t*VF((pd，pp，f，τ，μ)m)；
若||(pd，pp，f，τ，μ)m+1-(pd，pp，f，τ，μ)m||＜ε，则(pd，pp，f，τ，μ)*＝(pd，pp，f，τ，μ)m+1；
其中(pd，pp，f，τ，μ)*表示最优解。
选取最优解(pd，pp，f，τ，μ)*中满足约束且优化效果最佳的决策向量作为起始点，执行果蝇优化算法，得到收敛的最优分配方案，其具体过程为；
根据最优解(pd，pp，f，τ，μ)*得到Lopt＝(pd，pp)；
更新果蝇种群位置，令Li＝Lopt+Dfly*rand(·)＝H(Li)，若H*＞min(s)，则Lopt＝Largmin(s)，所获得的Lopt即为最优解；
若k＜Gmax，则继续更新果蝇种群位置；
其中Gmax为果蝇优化中最大迭代次数，k为采集终端数量，Dfly为果蝇在各个方向的单次飞行距离，H为果蝇优化的适应度函数，H*为气味浓度值，L为果蝇优化中所有当代果蝇位置向量。
如图2所示，将本发明的资源分配算法与传统的果蝇算法进行对比仿真，二者均执行100次果蝇优化，从图中可以看出，本发明所提算法迭代20次时，优化效果已趋于收敛，而FOA算法则在迭代80次左右才趋于收敛。其原因在于，本发明所提算法中，基于外罚函数的梯度下降为果蝇优化算法提供了较好的初始点，而FOA算法是以随机初始点开始迭代，无法保证初始点质量，因此，本发明所提算法收敛速度远快于FOA算法，低复杂性得到了验证。另外，就优化性能而言，本发明所提算法在果蝇寻优进行20次左右时，与FOA中果蝇寻优100次时的效果相仿，因此本申请所提的方法的精度更高。
具体的，本发明第二方面提供了一种服务器，所述服务器设置于集中器基站中，所述服务器用于执行如第一方面中任一项所述的方法，实现对网络资源的分配。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。
Claims (4)
1.一种基于外罚函数与果蝇优化的资源分配方法，其特征在于，应用于MIMO-MEC智能配用电网络中，所述智能配用电网络包括集中器基站以及与集中器基站信号相连的若干采集终端，所述智能配用电网络的带宽资源分配方法包括：
采用外罚函数梯度下降法获得多个较优的决策向量；
选择具有满足约束且优化效果最佳的决策向量作为起始点，执行果蝇优化算法，得到收敛的最优分配方案；
根据所述最优分配方案，集中控制器对资源进行分配。
2.根据权利要求1所述的一种基于外罚函数与果蝇优化的资源分配方法，其特征在于，采用外罚函数梯度下降法获得多个较优的决策向量，包括：
初始化参数(pd，pp，f，τ，μ)0；
计算VF((pd，pp，f，τ，μ)0)；
若||VF((pd，pp，f，τ，μ)0)||＜δ；
则(pd，pp，f，τ，μ)*＝(pd，pp，f，τ，μ)m；
若||VF((pd，pp，f，τ，μ)0)||＞δ；
搜索最优步长tm，并且满足决策变量不超过范围且tm＝argminF((pd，pp，f，τ，μ)m-t*VF((pd，pp，f，τ，μ)m))；
取(pd，pp，f，τ，μ)m+1←(pd，pp，f，τ，μ)m-t*VF((pd，pp，f，τ，μ)m)；
若||(pd，pp，f，τ，μ)m+1-(pd，pp，f，τ，μ)m||＜ε，则(pd，pp，f，τ，μ)*＝(pd，pp，f，τ，μ)m+1；
其中(pd，pp，f，τ，μ)*表示最优解。
3.根据权利要求2所述的一种基于外罚函数与果蝇优化的资源分配方法，其特征在于，执行果蝇优化算法，得到收敛的最优分配方案，包括：
根据最优解(pd，pp，f，τ，μ)*得到Lopt＝(pd，pp)；
更新果蝇种群位置，令Li＝Lopt+Dfly*rand(·)＝H(Li)，若H*＞min(s)，则Lopt＝Largmin(s)，所获得的Lopt即为最优解；
若k＜Gmax，则继续更新果蝇种群位置；
其中Gmax为果蝇优化中最大迭代次数，k为采集终端数量，Dfly为果蝇在各个方向的单次飞行距离，H为果蝇优化的适应度函数，H*为气味浓度值，L为果蝇优化中所有当代果蝇位置向量。
4.一种服务器，其特征在于，所述服务器设置于集中器基站中，所述服务器用于执行如权利要求1-3中任一项所述的方法，实现对网络资源的分配。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910815973.3A CN110545204B (zh) | 2019-08-30 | 2019-08-30 | 一种基于外罚函数与果蝇优化的资源分配方法及服务器 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910815973.3A CN110545204B (zh) | 2019-08-30 | 2019-08-30 | 一种基于外罚函数与果蝇优化的资源分配方法及服务器 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110545204A true CN110545204A (zh) | 2019-12-06 |
| CN110545204B CN110545204B (zh) | 2022-09-23 |
Family
ID=68710987
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910815973.3A Active CN110545204B (zh) | 2019-08-30 | 2019-08-30 | 一种基于外罚函数与果蝇优化的资源分配方法及服务器 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110545204B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112990547A (zh) * | 2021-02-08 | 2021-06-18 | 北京中电飞华通信有限公司 | 智能电网能量优化方法及装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106793122A (zh) * | 2016-12-30 | 2017-05-31 | 南京理工大学 | 一种异构网络每比特最小化无线资源安全分配方法 |
| US20180032964A1 (en) * | 2016-08-01 | 2018-02-01 | Nec Europe Ltd. | Transportation system and method for allocating frequencies of transit services therein |
| CN108108829A (zh) * | 2016-11-24 | 2018-06-01 | 江苏创源电子有限公司 | 一种基于改进果蝇算法的作业车间调度方法 |
| CN108965024A (zh) * | 2018-08-01 | 2018-12-07 | 重庆邮电大学 | 一种5g网络切片基于预测的虚拟网络功能调度方法 |
| CN109167787A (zh) * | 2018-09-06 | 2019-01-08 | 电子科技大学 | 一种移动边缘计算网络中安全计算卸载的资源优化方法 |
| CN109583020A (zh) * | 2018-10-26 | 2019-04-05 | 西安电子科技大学 | 基于逻辑混沌映射及自适应步长果蝇悬臂梁变量测定方法 |
-
2019
- 2019-08-30 CN CN201910815973.3A patent/CN110545204B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180032964A1 (en) * | 2016-08-01 | 2018-02-01 | Nec Europe Ltd. | Transportation system and method for allocating frequencies of transit services therein |
| CN108108829A (zh) * | 2016-11-24 | 2018-06-01 | 江苏创源电子有限公司 | 一种基于改进果蝇算法的作业车间调度方法 |
| CN106793122A (zh) * | 2016-12-30 | 2017-05-31 | 南京理工大学 | 一种异构网络每比特最小化无线资源安全分配方法 |
| CN108965024A (zh) * | 2018-08-01 | 2018-12-07 | 重庆邮电大学 | 一种5g网络切片基于预测的虚拟网络功能调度方法 |
| CN109167787A (zh) * | 2018-09-06 | 2019-01-08 | 电子科技大学 | 一种移动边缘计算网络中安全计算卸载的资源优化方法 |
| CN109583020A (zh) * | 2018-10-26 | 2019-04-05 | 西安电子科技大学 | 基于逻辑混沌映射及自适应步长果蝇悬臂梁变量测定方法 |
Non-Patent Citations (1)
| Title |
|---|
| 徐梅 等: ""遗传算法求解约束优化问题时产生初始种群的改进方法"", 《东北农业大学学报》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112990547A (zh) * | 2021-02-08 | 2021-06-18 | 北京中电飞华通信有限公司 | 智能电网能量优化方法及装置 |
| CN112990547B (zh) * | 2021-02-08 | 2023-11-03 | 北京中电飞华通信有限公司 | 智能电网能量优化方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110545204B (zh) | 2022-09-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhao et al. | Energy-saving offloading by jointly allocating radio and computational resources for mobile edge computing | |
| CN108809695B (zh) | 一种面向移动边缘计算的分布上行链路卸载策略 | |
| Li et al. | Energy-aware mobile edge computation offloading for IoT over heterogenous networks | |
| CN111132191B (zh) | 移动边缘计算服务器联合任务卸载、缓存及资源分配方法 | |
| CN112118287B (zh) | 基于交替方向乘子算法与移动边缘计算的网络资源优化调度决策方法 | |
| Zhu et al. | A dynamic task scheduling strategy for multi-access edge computing in IRS-aided vehicular networks | |
| CN107682935B (zh) | 一种基于系统稳定性的无线自回传资源调度方法 | |
| CN112512065B (zh) | 支持mec的小小区网络中在移动感知下的卸载和迁移方法 | |
| CN107343268B (zh) | 非正交多播和单播传输波束赋型方法及系统 | |
| TWI698111B (zh) | 功能分割無線前端通訊下品質體驗導向的跨層資料存取控制與波束分配之通訊系統 | |
| Wang et al. | Q‐learning based computation offloading for multi‐UAV‐enabled cloud‐edge computing networks | |
| CN110677858B (zh) | 基于物联网任务迁移周期的传输功率与计算资源分配方法 | |
| Yadav et al. | 5G and beyond networks for 3D MIMO using artificial intelligence in 5G network | |
| Xu et al. | Efficient deployment of multi‐UAV assisted mobile edge computing: A cost and energy perspective | |
| CN110545204B (zh) | 一种基于外罚函数与果蝇优化的资源分配方法及服务器 | |
| KR102391956B1 (ko) | 비직교 다중접속(noma) 방식을 지원하는 다중접속 에지 컴퓨팅(mec)에서 컴퓨팅 오프로딩 최적화를 위한 연합 방법 | |
| Yin et al. | Deep Reinforcement Learning‐Based Joint Satellite Scheduling and Resource Allocation in Satellite‐Terrestrial Integrated Networks | |
| CN111954230B (zh) | 基于mec与密集云接入网融合的计算迁移与资源分配方法 | |
| CN116684851A (zh) | 基于mappo的多ris辅助车联网吞吐量提升方法 | |
| Lin | Dynamic resource allocation strategy in mobile edge cloud computing environment | |
| Kazmi et al. | Radio resource management techniques for 5G verticals | |
| Ye et al. | Intelligent hierarchical NOMA-based network slicing in cell-free RAN for 6G systems | |
| Zhang et al. | Primal dual PPO learning resource allocation in indoor IRS-aided networks | |
| CN114980205A (zh) | 多天线无人机视频传输系统QoE最大化方法和装置 | |
| Peng et al. | Joint power allocation algorithm for UAV-borne simultaneous transmitting and reflecting reconfigurable intelligent surface-assisted non-orthogonal multiple access system |
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 |