CN110996253A - 数据资源分布方式的确定方法、装置、设备及介质 - Google Patents
数据资源分布方式的确定方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN110996253A CN110996253A CN201911276418.4A CN201911276418A CN110996253A CN 110996253 A CN110996253 A CN 110996253A CN 201911276418 A CN201911276418 A CN 201911276418A CN 110996253 A CN110996253 A CN 110996253A
- Authority
- CN
- China
- Prior art keywords
- bee colony
- information
- data
- data resources
- planned
- 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.)
- Pending
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
-
- 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
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/18—Network planning tools
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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种数据资源分布方式的确定方法、装置、设备及介质。所述方法包括:将待规划区域进行离散化处理,获取多个数据资源的址信息;根据所述多个数据资源的址信息与人工蜂群算法中蜂群的位置信息之间的映射关系,结合预设网络参数,建立信息模型;基于所述信息模型按照所述人工蜂群算法进行信息计算,确定所述待规划区域内数据资源的分布方式。通过本发明的技术方案,能够确定最优数据资源分布方式,提高运算速度和准确度,以较小的代价获得较高的业务覆盖率。
Description
技术领域
本发明实施例涉及通信技术,尤其涉及一种数据资源分布方式的确定方法、装置、设备及介质。
背景技术
数据资源地址规划是数据资源传输系统设计中不可或缺的一环。所谓数据资源地址规划,就是在综合考虑成本、覆盖率、业务分布、系统容量及其他重要网络参数的前提下,从大量的候选址中遴选出一组具有最少数目且符合要求的高并发分布式资源址集合,以实现用尽量少数目的一组高并发分布式资源去满足网络覆盖率的目的。考虑到系统的可扩展性,还应充分考虑未来无线网络的进一步发展趋势,以便在不同的建设时期充分满足业务需求。
数据资源地址规划问题本质上是离散、非线性、多目标的大规模组合优化问题。址的选择不仅要保证目标区域的最小场强,还要满足业务覆盖、容量和质量要求,并降低成本。
针对数据资源地址规划问题,传统的优化方法有混合整数规划、线性规划等,这些算法常常产生搜索方向错误、迭代发散等问题。近年来随着群体智能算法的发展,粒子群算法、免疫算法、遗传算法等算法,已经逐步应用于数据资源地址规划中。这些算法的基本思想即是将自然界中的生物个体假定为搜索空间的点,由此则将个体的进化或者觅食行为模拟作最优解的搜索过程,并通过将个体对环境的适应性定义为需求解问题的目标函数,根据自然界中的生存法则利用好解取代差解,整个群体会逐步收敛、直至最优解,这一过程就是迭代的搜索过程。但是这些算法都具有自身的局限性,其中遗传算法的收敛速度比较慢,粒子群算法和免疫算法容易陷入局部最优解等,从而限制其应用。
发明内容
本发明实施例提供一种数据资源分布方式的确定方法、装置、设备及介质,以确定最优数据资源分布方式,提高运算速度和准确度,以较小的代价获得较高的业务覆盖率。
第一方面,本发明实施例提供了一种数据资源分布方式的确定方法,包括:
将待规划区域进行离散化处理,获取多个数据资源的址信息;
根据所述多个数据资源的址信息与人工蜂群算法中蜂群的位置信息之间的映射关系,结合预设网络参数,建立信息模型;
基于所述信息模型按照所述人工蜂群算法进行信息计算,确定所述待规划区域内数据资源的分布方式。
进一步的,将待规划区域进行离散化处理,包括:
将待规划区域按照预设大小划分为多个区域块,每个所述区域块的中心对应设置一个数据资源,得到多个数据资源。
进一步的,根据所述多个数据资源的址信息与人工蜂群算法中蜂群的位置信息之间的映射关系,结合预设网络参数,建立信息模型,包括:
将所述多个数据资源的址信息映射到人工蜂群算法中蜂群的位置信息;
根据所述位置信息、业务覆盖率影响因素以及成本影响因素,确定目标函数;
根据所述目标函数以及预设信息参数建立信息模型。
进一步的,将所述多个数据资源的址信息映射到人工蜂群算法中蜂群的位置信息,包括:
将所述多个数据资源的址信息映射为
进一步的,所述目标函数为:
a(hm)=(1.1lgf-0.7)hm-(1.56lgf-0.8)(dB),
其中,α和β分别表示业务覆盖率和成本在所述目标函数中所占的权重,m为所述待规划区域内设置的测试点数量;表示第k个蜂群的第j个测试点是否在数据资源的业务覆盖范围内,Pi k为第k个蜂群中第i个高并发分布式资源的发射功率,表示第k个蜂群中第i个数据资源到第j个测试点的路径损耗,Pmin为允许的最小接收功率;f为数据传输速率;hb为数据资源的有效高度;hm为移动台的有效高度;a(hm)为移动台高度修正因子;Cm为城市修正因子;d为数据资源和移动台之间的距离;为第k个蜂群中第j个测试点的位置坐标。
进一步的,所述预设信息参数包括:种群大小、食物源个数、控制参数、最大循环次数、测试点个数和数据载频。
进一步的,基于所述信息模型按照所述人工蜂群算法进行信息计算,确定所述待规划区域内数据资源的分布方式,包括:
基于所述信息模型按照所述人工蜂群算法计算所述目标函数的最优解;
根据所述目标函数的最优解,确定所述待规划区域内数据资源的数量以及位置。
第二方面,本发明实施例还提供了一种数据资源分布方式的确定装置,该装置包括:
信息获取模块,用于将待规划区域进行离散化处理,获取多个数据资源的址信息;
模型建立模块,用于根据所述多个数据资源的址信息与人工蜂群算法中蜂群的位置信息之间的映射关系,结合预设网络参数,建立信息模型;
信息计算模块,用于基于所述信息模型按照所述人工蜂群算法进行信息计算,确定所述待规划区域内数据资源的分布方式。
进一步的,信息获取模块具体用于:
将待规划区域按照预设大小划分为多个区域块,每个所述区域块的中心对应设置一个数据资源,得到多个数据资源。
进一步的,模型建立模块,具体包括:
信息映射子模块,用于将所述多个数据资源的址信息映射到人工蜂群算法中蜂群的位置信息;
函数确定子模块,用于根据所述位置信息、业务覆盖率影响因素以及成本影响因素,确定目标函数;
模型建立子模块,用于根据所述目标函数以及预设信息参数建立信息模型。
进一步的,信息映射子模块具体用于:
将所述多个数据资源的址信息映射为
进一步的,所述目标函数为:
a(hm)=(1.1lgf-0.7)hm-(1.56lgf-0.8)(dB),
其中,α和β分别表示业务覆盖率和成本在所述目标函数中所占的权重,m为所述待规划区域内设置的测试点数量;表示第k个蜂群的第j个测试点是否在数据资源的业务覆盖范围内,Pi k为第k个蜂群中第i个高并发分布式资源的发射功率,表示第k个蜂群中第i个数据资源到第j个测试点的路径损耗,Pmin为允许的最小接收功率;f为数据传输速率;hb为数据资源的有效高度;hm为移动台的有效高度;a(hm)为移动台高度修正因子;Cm为城市修正因子;d为数据资源和移动台之间的距离;为第k个蜂群中第j个测试点的位置坐标。
进一步的,所述预设信息参数包括:种群大小、食物源个数、控制参数、最大循环次数、测试点个数和数据载频。
进一步的,信息计算模块具体用于:
基于所述信息模型按照所述人工蜂群算法计算所述目标函数的最优解;
根据所述目标函数的最优解,确定所述待规划区域内数据资源的数量以及位置。
第三方面,本发明实施例还提供了一种计算机设备,该设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本发明实施例中任一所述的数据资源分布方式的确定方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明实施例中任一所述的数据资源分布方式的确定方法。
本发明实施例通过将待规划区域进行离散化处理,获取多个数据资源的址信息,根据多个数据资源的址信息与人工蜂群算法中蜂群的位置信息之间的映射关系,结合预设网络参数,建立信息模型,基于信息模型按照人工蜂群算法进行信息计算,确定待规划区域内数据资源的分布方式,利用了人工蜂群算法的优点,解决了现有技术中采用其他算法进行资源规划时,导致的运算量大、准确度低、收敛性差的问题,实现了提高运算速度和准确度,以较小的代价获得较高的业务覆盖率,而且具有较好的收敛性的效果。
附图说明
图1a是本发明实施例一提供的一种数据资源分布方式的确定方法的流程示意图;
图1b是本发明实施例一适用的高并发分布式资源覆盖范围与业务测试点分布的示意图;
图1c是本发明实施例一设定的第一目标函数情况下最大目标函数值与高并发分布式资源数的关系示意图;
图1d是本发明实施例一设定的第二目标函数情况下最大目标函数值与高并发分布式资源数的关系示意图;
图2是本发明实施例二提供的一种数据资源分布方式的确定装置的结构示意图;
图3是本发明实施例三提供的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1a为本发明实施例一提供的一种数据资源分布方式的确定方法的流程示意图。该方法可适用于对高并发分布式数据资源的分布方式进行规划的情况,该方法可以由数据资源分布方式的确定装置来执行,该装置可由硬件和/或软件组成,并一般可集成在电脑等计算机设备中。具体包括如下:
S110、将待规划区域进行离散化处理,获取多个数据资源的址信息。
在本发明的实施方式中,数据资源可以是高并发分布式资源。示例性的,在待规划区域内规划多个高并发分布式资源,每个高并发分布式资源的覆盖范围为以高并发分布式资源坐标为圆心、r为半径的圆,每个高并发分布式资源处在对应的覆盖区域的中心。在待规划区域内可设置多个测试点,用于测试高并发分布式资源的业务覆盖情况。具体的,当测试点落在高并发分布式资源覆盖范围内时,则认为该测试点被该高并发分布式资源覆盖,从而获取多个高并发分布式资源的址信息。其中,每个高并发分布式资源的规划成本均相同。
可选的,将待规划区域进行离散化处理,包括:将待规划区域按照预设大小划分为多个区域块,每个区域块的中心对应设置一个数据资源,得到多个数据资源。
示例性的,区域块可以是数据资源对应覆盖的圆形区域。具体的,将要规划的目标区域按一定精度离散化,数据资源地址规划区域是二维平面,在该区域上规划n个高并发分布式资源,且半径均为r,每个高并发分布式资源的覆盖模型可以表示为以高并发分布式资源坐标为圆心、r为半径的圆。对于业务覆盖率因素,一个业务测试点的接收数据功率大于标准中规定的最低接收数据功率即代表对此点的业务覆盖,并设定每个高并发分布式资源的成本均相同。
S120、根据多个数据资源的址信息与人工蜂群算法中蜂群的位置信息之间的映射关系,结合预设网络参数,建立信息模型。
本实施例主要采用人工蜂群算法,对数据资源的分布方式进行规划。具体的,可先将数据资源的址信息映射至人工蜂群算法中蜂群的位置信息,利用蜂群的位置信息标识数据资源的位置信息,再结合预设网络参数,建立一个基于人工蜂群算法的信息模型。其中,预设网络参数可以包括成本和业务覆盖率。
可选的,根据多个数据资源的址信息与人工蜂群算法中蜂群的位置信息之间的映射关系,结合预设网络参数,建立信息模型,包括:将多个数据资源的址信息映射到人工蜂群算法中蜂群的位置信息;根据位置信息、业务覆盖率影响因素以及成本影响因素,确定目标函数;根据目标函数以及预设信息参数建立信息模型。
可选的,将多个数据资源的址信息映射到人工蜂群算法中蜂群的位置信息,包括:将多个数据资源的址信息映射为
可选的,目标函数为:
a(hm)=(1.1lgf-0.7)hm-(1.56lgf-0.8)(dB),
其中,α和β分别表示业务覆盖率和成本在目标函数中所占的权重,m为待规划区域内设置的测试点数量;表示第k个蜂群的第j个测试点是否在数据资源的业务覆盖范围内,Pi k为第k个蜂群中第i个高并发分布式资源的发射功率,表示第k个蜂群中第i个数据资源到第j个测试点的路径损耗,Pmin为允许的最小接收功率;f为数据传输速率;hb为数据资源的有效高度;hm为移动台的有效高度;a(hm)为移动台高度修正因子;Cm为城市修正因子;d为数据资源和移动台之间的距离;为第k个蜂群中第j个测试点的位置坐标。
在本发明的实施方式中,具体建模过程如下:首先,将址信息与人工蜂群算法中蜂群的位置信息的关系映射为:
然后,建立目标函数为:
其中,Pi k表示高并发分布式资源的发射功率,在信息中假设各高并发分布式资源的发射功率均相同,表示第k个蜂群中第i个高并发分布式资源到第j个测试点的路径损耗,Pmin表示允许的最小接收功率。COST-231Hata模型是对Okumura-Hata模型的修正,在高频段上适用较为精确。本文考虑LTE 1.8GHz频段,因此选取该模型作为计算依据。根据COST-231Hata模型,有:
其中,f为数据传输速率,范围为1500~2000MHz;hb为高并发分布式资源的有效高度,范围为30~200m;hm为移动台的有效高度,范围为1~10m;a(hm)为移动台高度修正因子;Cm为城市修正因子;d为高并发分布式资源和移动台之间的距离(km),且有 为第k个蜂群中第j个测试点的坐标。对于中小城市,有:
a(hm)=(1.1lgf-0.7)hm-(1.56lgf-0.8)(dB),
可选的,预设信息参数包括:种群大小、食物源个数、控制参数、最大循环次数、测试点个数和数据载频。
S130、基于信息模型按照人工蜂群算法进行信息计算,确定待规划区域内数据资源的分布方式。
本实施例中,可利用matlab进行信息计算,只需将预设信息参数的值输入至matlab即可。其中,数据资源的分布方式可以包括数据资源的数量以及位置。
可选的,基于信息模型按照人工蜂群算法进行信息计算,确定待规划区域内数据资源的分布方式,包括:基于信息模型按照人工蜂群算法计算目标函数的最优解;根据目标函数的最优解,确定待规划区域内数据资源的数量以及位置。
举一个实际例子,以20*20km2的待规划区域为例,确定数据资源地址规划方案:
首先将问题初始化,设置相关参数,然后利用上述模型和人工蜂群算法进行信息计算。应用人工蜂群算法求解具体优化问题时,食物源的位置被映射成优化问题的一个解,那么蜜蜂采蜜(食物源)的过程便是寻找优化问题最优解的过程。对具体的一个全局优化问题来说,将问题所有解的集合抽象为一个种群,种群中每个个体的位置(可行解)对应一个食物源的位置,每个食物源的好坏由优化问题所确定的适应度函数值来决定,引领蜂和跟随蜂的个数与解的个数SN一致。食物源的位置用向量Xi=(xi1,xi2,…,xid)i∈{1,2,…,SN}表示。首先,人工蜂群算法初始化,随机生成一个含有SN个解(食物源)的初始种群,每个解Xi=(xi1,xi2,…,xid)是一个d维向量,计算每个可行解的适应度值。然后,蜜蜂循环搜索所有的食物源,最大循环次数为MCN。先是引领蜂对相应食物源的邻域进行一次搜索,如果搜索到的食物源(解)的花蜜质量(适应度值)比之前的优,那么就用新的食物源的位置替代之前的食物源位置,否则保持旧的食物源位置不变。所有的引领蜂完成搜索之后,回到舞蹈区把食物源的花蜜质量信息通过跳摇摆舞传递给跟随蜂。跟随蜂依据得到的信息按照一定的概率选择食物源。花蜜越多的食物源,被跟随蜂选择的概率也就越大。跟随蜂选中食物源后,跟引领蜂采蜜过程一样,也进行一次邻域搜索,用较优的解代替较差的解。通过不断重复上述这个过程,来实现整个算法的寻优,从而找到问题的全局最优解。
引领蜂和跟随蜂依据下式进行食物源位置的更新:
vij=xij+Rij(xij-xkj)
其中,vij是新食物源的位置,Rij∈[-1,1],j∈{1,2,…,d},并且k≠i。
在人工蜂群算法中,跟随蜂对食物源的选择是通过观察完引领蜂的摇摆舞来判断食物源的收益率,然后根据收益率大小,采用贪心算法来确定到哪个食物源采蜜。收益率是通过函数的适应度值来表示的:
其中,fi表示第i个解的目标函数值。而选择概率Pi按照下式确定:
其中,fiti是第i个解的适应度值,SN是解的个数。
在人工蜂群算法中,还有一个控制参数limit用来记录某个解未被更新的次数。如果某个解连续经过limit次循环之后仍没有得到改善,表明这个解陷入局部最优,那么这个解就要被放弃,与这个解相对应的引领蜂也转变为侦察蜂。假设被放弃的解是xi,那么就由侦察蜂通过下式随机产生一个新的解来代替xi:
x′i=xmin+rand(0,1)(xmax-xmin),
其中,xmax和xmin分别表示搜索空间的上限和下限。
在本发明的实施方式中,根据单高并发分布式资源覆盖范围确定矩形区域的参考高并发分布式资源数为:
表1各预设网络参数及对应取值
参数 | 数值 |
种群大小 | 20 |
食物源个数 | 10 |
Limit | 100 |
最大循环次数 | 2000 |
测试点个数 | 1000 |
数据载频 | 1800MHz |
在根据目标函数进行优化时,首先,只考虑业务覆盖率,即目标函数中取α=1,β=0,则目标函数可写为:
信息结果如图1b所示,图1b为高并发分布式资源数为12时高并发分布式资源覆盖范围与业务测试点示意图,大圆代表各高并发分布式资源的覆盖范围,小圆点代表各业务测试点,由图1b可见大部分测试点已被高并发分布式资源覆盖。
具体的,依次将高并发分布式资源数选定为10至14,经测试可知,随着蜂群数量的增加,也即循环次数的增加,目标函数迅速提升,当循环次数达到一定值以后,目标函数提升速度降低,直至趋向于一条直线。以高并发分布式资源数为12时为例,业务覆盖率可达到约93%,基本满足需求。而高并发分布式资源数越多,业务覆盖率也越高。可以推断的是,当高并发分布式资源数趋近于无穷大时,目标函数值会趋近于1。
但是,高并发分布式资源数的增加势必带来成本的提升,在实际工程建设中不可能无限制增加高并发分布式资源数,因而需要进一步考虑成本因素,尝试在目标函数中取α=1,β=-0.03,那么目标函数修正为:
与上一步信息计算类似,依次将高并发分布式资源数选定为10至14,可以推断出的是,当考虑成本时,尽管随着高并发分布式资源数的增加,业务覆盖率将会得到不断提高,然而成本也在同时提高,所以目标函数值不会趋近于1。
为了更清晰的说明,分别作出第一目标函数和第二目标函数设定情况下高并发分布式资源数与最大目标函数值的关系曲线,如图1c和图1d所示。由图1c可知,对于只考虑业务覆盖率的第一目标函数,最大目标函数值随高并发分布式资源数的增加而增大,直至趋近于1。因此,若仅考虑业务覆盖率,那么高并发分布式资源数越多越好。由图1d可知,对于同时考虑成本和业务覆盖率的第二目标函数,高并发分布式资源数较小时,最大目标函数值随高并发分布式资源数的增加而增大,待达到最高点后回落,因而目标函数值的最高点对应的高并发分布式资源数就是最优高并发分布式资源数,在本次信息中最优高并发分布式资源数为12。因此,若同时考虑业务覆盖率和成本,那么高并发分布式资源数就选为目标函数值的最高点对应的高并发分布式资源数为宜。
综上过程可知,本实施例通过不断变换的人工蜂的位置信息,直接对数据资源地址规划的设计参数进行优化,确定待规划区域的最优的高并发分布式资源选取方案,极大地提高了运算的速度和准确度,信息结果表明本发明的技术方案不仅能够以较小的代价获得较高的业务覆盖率,而且具有较好的收敛性,因而能够提供相对科学合理的高并发分布式资源选址方案,具有重要的实用应用价值。
本实施例的技术方案,通过将待规划区域进行离散化处理,获取多个数据资源的址信息,根据多个数据资源的址信息与人工蜂群算法中蜂群的位置信息之间的映射关系,结合预设网络参数,建立信息模型,基于信息模型按照人工蜂群算法进行信息计算,确定待规划区域内数据资源的分布方式,利用了人工蜂群算法的优点,解决了现有技术中采用其他算法进行资源规划时,导致的运算量大、准确度低、收敛性差的问题,实现了提高运算速度和准确度,以较小的代价获得较高的业务覆盖率,而且具有较好的收敛性的效果。
实施例二
图2为本发明实施例二提供的一种数据资源分布方式的确定装置的结构示意图。参考图2,数据资源分布方式的确定装置包括:信息获取模块210、模型建立模块220以及信息计算模块230,下面对各模块进行具体说明。
信息获取模块210,用于将待规划区域进行离散化处理,获取多个数据资源的址信息;
模型建立模块220,用于根据所述多个数据资源的址信息与人工蜂群算法中蜂群的位置信息之间的映射关系,结合预设网络参数,建立信息模型;
信息计算模块230,用于基于所述信息模型按照所述人工蜂群算法进行信息计算,确定所述待规划区域内数据资源的分布方式。
本实施例提供的数据资源分布方式的确定装置,通过将待规划区域进行离散化处理,获取多个数据资源的址信息,根据多个数据资源的址信息与人工蜂群算法中蜂群的位置信息之间的映射关系,结合预设网络参数,建立信息模型,基于信息模型按照人工蜂群算法进行信息计算,确定待规划区域内数据资源的分布方式,利用了人工蜂群算法的优点,解决了现有技术中采用其他算法进行资源规划时,导致的运算量大、准确度低、收敛性差的问题,实现了提高运算速度和准确度,以较小的代价获得较高的业务覆盖率,而且具有较好的收敛性的效果。
可选的,信息获取模块具体用于:
将待规划区域按照预设大小划分为多个区域块,每个所述区域块的中心对应设置一个数据资源,得到多个数据资源。
可选的,模型建立模块,具体包括:
信息映射子模块,用于将所述多个数据资源的址信息映射到人工蜂群算法中蜂群的位置信息;
函数确定子模块,用于根据所述位置信息、业务覆盖率影响因素以及成本影响因素,确定目标函数;
模型建立子模块,用于根据所述目标函数以及预设信息参数建立信息模型。
可选的,信息映射子模块具体用于:
将所述多个数据资源的址信息映射为
可选的,所述目标函数为:
a(hm)=(1.1lgf-0.7)hm-(1.56lgf-0.8)(dB),
其中,α和β分别表示业务覆盖率和成本在所述目标函数中所占的权重,m为所述待规划区域内设置的测试点数量;表示第k个蜂群的第j个测试点是否在数据资源的业务覆盖范围内,Pi k为第k个蜂群中第i个高并发分布式资源的发射功率,表示第k个蜂群中第i个数据资源到第j个测试点的路径损耗,Pmin为允许的最小接收功率;f为数据传输速率;hb为数据资源的有效高度;hm为移动台的有效高度;a(hm)为移动台高度修正因子;Cm为城市修正因子;d为数据资源和移动台之间的距离;为第k个蜂群中第j个测试点的位置坐标。
可选的,所述预设信息参数包括:种群大小、食物源个数、控制参数、最大循环次数、测试点个数和数据载频。
可选的,信息计算模块具体用于:
基于所述信息模型按照所述人工蜂群算法计算所述目标函数的最优解;
根据所述目标函数的最优解,确定所述待规划区域内数据资源的数量以及位置。
上述产品可执行本发明任意实施例所提供的方法,具备执行方法相应的功能模块和有益效果。
实施例三
图3为本发明实施例三提供的一种计算机设备的结构示意图,如图3所示,本实施例提供的一种计算机设备,包括:处理器31和存储器32。该计算机设备中的处理器可以是一个或多个,图3中以一个处理器31为例,所述计算机设备中的处理器31和存储器32可以通过总线或其他方式连接,图3中以通过总线连接为例。
本实施例中计算机设备的处理器31中集成了上述实施例提供的数据资源分布方式的确定装置。此外,该计算机设备中的存储器32作为一种计算机可读存储介质,可用于存储一个或多个程序,所述程序可以是软件程序、计算机可执行程序以及模块,如本发明实施例中数据资源分布方式的确定方法对应的程序指令/模块(例如,附图2所示的数据资源分布方式的确定装置中的模块,包括:信息获取模块210、模型建立模块220以及信息计算模块230)。处理器31通过运行存储在存储器32中的软件程序、指令以及模块,从而执行设备的各种功能应用以及数据处理,即实现上述方法实施例中数据资源分布方式的确定方法。
存储器32可包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据设备的使用所创建的数据等。此外,存储器32可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器32可进一步包括相对于处理器31远程设置的存储器,这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
并且,当上述计算机设备所包括一个或者多个程序被所述一个或者多个处理器31执行时,程序进行如下操作:
将待规划区域进行离散化处理,获取多个数据资源的址信息;根据所述多个数据资源的址信息与人工蜂群算法中蜂群的位置信息之间的映射关系,结合预设网络参数,建立信息模型;基于所述信息模型按照所述人工蜂群算法进行信息计算,确定所述待规划区域内数据资源的分布方式。
实施例五
本发明实施例五还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被数据资源分布方式的确定装置执行时实现如本发明实施例一提供的数据资源分布方式的确定方法,该方法包括:将待规划区域进行离散化处理,获取多个数据资源的址信息;根据所述多个数据资源的址信息与人工蜂群算法中蜂群的位置信息之间的映射关系,结合预设网络参数,建立信息模型;基于所述信息模型按照所述人工蜂群算法进行信息计算,确定所述待规划区域内数据资源的分布方式。
当然,本发明实施例所提供的一种计算机可读存储介质,其上存储的计算机程序被执行时不限于实现如上所述的方法操作,还可以实现本发明任意实施例所提供的数据资源分布方式的确定方法中的相关操作。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是,上述数据资源分布方式的确定装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种数据资源分布方式的确定方法,其特征在于,包括:
将待规划区域进行离散化处理,获取多个数据资源的址信息;
根据所述多个数据资源的址信息与人工蜂群算法中蜂群的位置信息之间的映射关系,结合预设网络参数,建立信息模型;
基于所述信息模型按照所述人工蜂群算法进行信息计算,确定所述待规划区域内数据资源的分布方式。
2.根据权利要求1所述的方法,其特征在于,将待规划区域进行离散化处理,包括:
将待规划区域按照预设大小划分为多个区域块,每个所述区域块的中心对应设置一个数据资源,得到多个数据资源。
3.根据权利要求1所述的方法,其特征在于,根据所述多个数据资源的址信息与人工蜂群算法中蜂群的位置信息之间的映射关系,结合预设网络参数,建立信息模型,包括:
将所述多个数据资源的址信息映射到人工蜂群算法中蜂群的位置信息;
根据所述位置信息、业务覆盖率影响因素以及成本影响因素,确定目标函数;
根据所述目标函数以及预设信息参数建立信息模型。
5.根据权利要求4所述的方法,其特征在于,所述目标函数为:
a(hm)=(1.1lg f-0.7)hm-(1.56lg f-0.8)(dB),
6.根据权利要求4所述的方法,其特征在于,所述预设信息参数包括:种群大小、食物源个数、控制参数、最大循环次数、测试点个数和数据载频。
7.根据权利要求4所述的方法,其特征在于,基于所述信息模型按照所述人工蜂群算法进行信息计算,确定所述待规划区域内数据资源的分布方式,包括:
基于所述信息模型按照所述人工蜂群算法计算所述目标函数的最优解;
根据所述目标函数的最优解,确定所述待规划区域内数据资源的数量以及位置。
8.一种数据资源分布方式的确定装置,其特征在于,包括:
信息获取模块,用于将待规划区域进行离散化处理,获取多个数据资源的址信息;
模型建立模块,用于根据所述多个数据资源的址信息与人工蜂群算法中蜂群的位置信息之间的映射关系,结合预设网络参数,建立信息模型;
信息计算模块,用于基于所述信息模型按照所述人工蜂群算法进行信息计算,确定所述待规划区域内数据资源的分布方式。
9.一种计算机设备,其特征在于,所述设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的数据资源分布方式的确定方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一所述的数据资源分布方式的确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911276418.4A CN110996253A (zh) | 2019-12-12 | 2019-12-12 | 数据资源分布方式的确定方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911276418.4A CN110996253A (zh) | 2019-12-12 | 2019-12-12 | 数据资源分布方式的确定方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110996253A true CN110996253A (zh) | 2020-04-10 |
Family
ID=70093008
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911276418.4A Pending CN110996253A (zh) | 2019-12-12 | 2019-12-12 | 数据资源分布方式的确定方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110996253A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107862416A (zh) * | 2017-11-29 | 2018-03-30 | 辽宁工程技术大学 | 一种基于盒子不确定集的应急物资储备库选址优化方法 |
US20190080270A1 (en) * | 2017-09-11 | 2019-03-14 | Hefei University Of Technology | Production scheduling method and system based on improved artificial bee colony algorithm and storage medium |
CN109874145A (zh) * | 2019-02-20 | 2019-06-11 | 浙江树人学院(浙江树人大学) | 权衡生存时间和丢包率的三维无线传感网数据收集方法 |
CN109905881A (zh) * | 2019-01-09 | 2019-06-18 | 中国电力科学研究院有限公司 | 一种基于人工蜂群算法确定基站选取方案的方法及系统 |
CN109904877A (zh) * | 2019-01-21 | 2019-06-18 | 北京交通大学 | 基于变功率因数的分散式风电场优化运行方法 |
-
2019
- 2019-12-12 CN CN201911276418.4A patent/CN110996253A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190080270A1 (en) * | 2017-09-11 | 2019-03-14 | Hefei University Of Technology | Production scheduling method and system based on improved artificial bee colony algorithm and storage medium |
CN107862416A (zh) * | 2017-11-29 | 2018-03-30 | 辽宁工程技术大学 | 一种基于盒子不确定集的应急物资储备库选址优化方法 |
CN109905881A (zh) * | 2019-01-09 | 2019-06-18 | 中国电力科学研究院有限公司 | 一种基于人工蜂群算法确定基站选取方案的方法及系统 |
CN109904877A (zh) * | 2019-01-21 | 2019-06-18 | 北京交通大学 | 基于变功率因数的分散式风电场优化运行方法 |
CN109874145A (zh) * | 2019-02-20 | 2019-06-11 | 浙江树人学院(浙江树人大学) | 权衡生存时间和丢包率的三维无线传感网数据收集方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8983477B2 (en) | Generation and use of coverage area models | |
CN110726970B (zh) | 目标定位方法及终端设备 | |
CN109413661B (zh) | 一种计算站距的方法及装置 | |
CN108462965B (zh) | 一种铁塔需求站址共享规划方法 | |
CN110298687B (zh) | 一种区域吸引力评估方法及设备 | |
CN109905881A (zh) | 一种基于人工蜂群算法确定基站选取方案的方法及系统 | |
CN102521706A (zh) | Kpi 数据的分析方法及装置 | |
CN111523777A (zh) | 一种新型智慧城市系统及其应用方法 | |
KR101654314B1 (ko) | 공간 데이터 분산 처리 시스템 및 그 동작 방법 | |
CN105872635A (zh) | 视频资源分发的方法和装置 | |
CN112465371B (zh) | 一种资源数据分配方法、装置及设备 | |
CN116796083B (zh) | 一种空间数据划分方法及系统 | |
CN113689226A (zh) | 商业综合体的选址方法、装置、电子设备和存储介质 | |
CN111405484B (zh) | 一种网络位置挖掘方法、装置、设备及存储介质 | |
CN105956069A (zh) | 一种网络资讯的采集和分析方法及系统 | |
CN110996253A (zh) | 数据资源分布方式的确定方法、装置、设备及介质 | |
CN108614889B (zh) | 基于混合高斯模型的移动对象连续k近邻查询方法及系统 | |
CN109785351B (zh) | 道路围栏的合并方法及装置、存储介质、电子装置 | |
Lv et al. | A node coverage algorithm for a wireless-sensor-network-based water resources monitoring system | |
CN105282748B (zh) | 一种划分通信网络的基站簇的方法和装置 | |
Miao et al. | A new path planning strategy of a data collection problem utilising multi-mobile nodes in wireless sensor networks | |
Awasthi et al. | An approach to BTS localization using optimization techniques | |
CN112637880A (zh) | 问题小区处理方法以及装置 | |
CN111046321A (zh) | 光伏电站运维策略优化方法和装置 | |
CN108876648A (zh) | 基于节点覆盖范围的社交网络影响力最大化方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200410 |
|
RJ01 | Rejection of invention patent application after publication |