CN111510879B - 基于多约束效用函数的异构车联网网络选择方法及系统 - Google Patents

Abstract

本发明公开了一种基于多约束效用函数的异构车联网网络选择方法及系统，首先，处理上传到数据中心服务器的车辆请求信息和网络状态信息，构建网络属性参数初始化决策矩阵，并使用约束函数进行参数规约处理。然后，建立综合效用函数模型，从主观和客观角度对备选网络集合进行多属性决策，得到最大网络综合效用值。最后，利用切换阈值减少不必要的网络切换决策，保证最优的网络选择机制。本发明能适应城市交通环境下车流量和行驶速度的动态变化，在保证车辆用户服务质量体验的前提下，有效减少网络的切换次数，均衡网络的负载，提高网络资源的利用率。

Description

基于多约束效用函数的异构车联网网络选择方法及系统

技术领域

本发明属于车联网技术领域，涉及一种基于多约束效用函数的异构车联网网络选择方法及系统，特别是一种城市交通环境下的基于多约束效用函数的异构车联网网络选择切换方法及系统。

背景技术

近年来城市车辆数量激增，交通拥堵和安全等问题成为关注的重点。车联网(Vehicular Ad hoc Network,VANET)作为一种新兴的、结构开放的车辆通信网络，能够适应动态变化的车辆网络拓扑，并为车与车和车与基础设施之间提供可靠的通信。基于此，车联网不仅可以用于传输紧急安全信息，提高车辆出行的安全和效率，也可以提供娱乐下载等服务，从而推动智能交通的发展。

随着无线通信技术的快速发展，融合多种无线通信协议(例如DSRC、Wi-Fi、LET-V、4G/5G等)的异构车联网成为了未来车联网发展的必然趋势。然而，异构车联网中频繁变化的网络拓扑容易导致车辆终端进行网络接入时出现大量的网络切换，形成“乒乓效应”；另一方面，不均匀分布的车辆节点容易引起网络负载不均衡的问题，导致网络资源浪费。因此在异构车联网的数据传输和交互研究中，如何高效地进行网络选择切换是极其重要的一环。随着车联网应用领域的不断扩大，基于单因素(例如信号强度)的网络选择方案越来越难以满足复杂交通环境的需求，因此基于多属性决策的网络切换方法成为研究重点。

现有的网络切换决策方法很多，但依然存在许多的问题。例如如何针对异构车联网环境的独特性构造准确性和稳定性更好的判决算法，通过更加准确地体现备选网络的网络性能，用于保证车辆用户在产生不同类型的业务流量需求时均可得到良好的服务质量体验。此外，还包括如何解决由于车辆数量和速度的动态变化带来的诸多问题，例如网络负载过大、网络资源大量浪费、切换时延波动幅度大、切换失败和产生不必要切换等。

发明内容

本发明针对现有异构车联网的网络选择切换方法的不足，提出了一种适用于异构车联网环境的，基于多约束效用函数的异构网络选择方法及系统，利用备选网络的综合效用值来对网络的优劣性进行评比，选取最优网络进行选择切换。

本发明提供了一种交通系统模型，包括了双向车道和十字路口，多种类型网络覆盖车辆行驶道路，其中网络彼此之间存在交叉部分。车辆节点随机分布，行驶速度动态变化，行驶方向包括直行，左转，右转和调头。

所述交通系统模型包括双向车道、十字路口、涵盖多种类型网络的路侧单元和数据中心服务器；模型中车辆节点随机分布，行驶速度动态变化，行驶方向包括直行，左转，右转和调头；所述路侧单元用于提供消息、语音和视频等多种类型的无线通信服务，同时收集过往车辆的请求信息；所述数据中心服务器用于处理路侧单元上传的车辆请求信息和网络状态信息。

本发明的方法所采用的技术方案是：一种基于多约束效用函数的异构车联网网络选择方法，其特征在于，包括以下步骤：

步骤1：车辆向路侧单元发送请求消息，请求消息的内容包括车辆的标识符、地理位置、行驶速度、行驶方向以及业务类型；路侧单元将车辆请求信息和网络状态信息上传给数据中心服务器；数据中心服务器对上传数据进行处理，将所有的可用网络列入备选网络列表；

步骤2：利用网络状态信息构建初始化判决矩阵，利用车辆请求信息和网络状态信息分别构建接收信号强度的约束函数U(s)和网络负载状态的约束函数U(l)，并使用约束函数U(s)和U(l)对初始化判决矩阵的网络属性参数进行数据规约处理；

步骤3：将处理后的判决矩阵进行标准化和归一化处理；

步骤4：利用动态权重模糊层次分析法和熵计算网络属性的主观权重W_sub和客观权重W_obj，网络属性包括带宽、延迟、延迟抖动、丢失率、误码率和成本；引入调整系数β计算网络综合权重W；

步骤5：利用加权法计算网络主观效用值U_sub，利用理想最优解排序法计算网络客观效用值U_obj，引入调整系数γ计算网络综合效用值U；

步骤6：引入切换阈值Th进行最优网络决策。

本发明的系统所采用的技术方案是：一种基于多约束效用函数的异构车联网网络选择系统，其特征在于：包括数据收集模块、决策判决模块和决策执行模块；

所述数据收集模块，用于控制车辆向路侧单元发送请求消息，请求消息的内容包括车辆的标识符、地理位置、行驶速度、行驶方向以及业务类型；路侧单元将车辆请求信息和网络状态信息上传给数据中心服务器；数据中心服务器对上传数据进行处理，将所有的可用网络列入备选网络列表；用于利用网络状态信息构建初始化判决矩阵，利用车辆请求信息和网络状态信息分别构建接收信号强度的约束函数U(s)和网络负载状态的约束函数U(l)，并使用约束函数U(s)和U(l)对初始化判决矩阵的网络属性参数进行数据规约处理；

所述决策判决模块，用于将处理后的判决矩阵进行标准化和归一化处理；利用动态权重模糊层次分析法和熵计算网络属性的主观权重W_sub和客观权重W_obj，引入调整系数β计算网络综合权重W；利用加权法计算网络主观效用值U_sub，利用理想最优解排序法计算网络客观效用值U_obj，引入调整系数γ计算网络综合效用值U；

所述决策执行模块，用于引入阈值Th进行最优网络决策。

本发明的技术效果是：本发明能适应城市交通环境下车流量和行驶速度的动态变化，在保证车辆用户服务质量体验的前提下，有效减少网络的切换次数，均衡网络的负载，提高网络资源的利用率。

附图说明

图1为本发明实施例的交通系统模型；

图2为本发明实施例的方法流程图；

图3为本发明实施例的系统框架图。

具体实施方式

为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。

在目前的异构车联网网络选择切换方法中，存在网络负载过大，可选网络的资源利用率不高，网络属性的权重分配不合理，无法动态根据环境变化改变权重判决矩阵，评判最优网络的方法不够准确合理等问题。本发明据此提供了新的城市交通环境下的异构车联网网络选择切换方法。一种基于多约束效用函数的异构车联网网络选择方法，用于高效地进行网络选择切换。方法的基本思想是：利用车辆的请求信息和当前网络状态信息进行处理计算，通过建立综合效用函数模型，从主观和客观角度对备选网络的网络效用值进行多属性决策，得到最优网络，进行车辆网络选择切换。

如图1所示，本实施例提供的交通系统模型包括双向车道、十字路口、涵盖多种类型网络的路侧单元和数据中心服务器；交通系统模型中车辆节点随机分布，行驶速度动态变化，行驶方向包括直行、左转、右转和调头；所述路侧单元用于提供消息、语音、视频等多种类型的无线通信服务，同时收集过往车辆的请求信息；所述数据中心服务器用于处理路侧单元上传的车辆请求信息和网络状态信息。

为了得到车辆用户当前业务请求的最优网络选择，需要对车辆、网络、交通状态等构建一个模型，在车辆发起业务请求时评价每一个可选网络，得到最优的网络，同时需要判断是否进行切换，但是现有的方法存在以下问题：(1)用户发起服务请求时，备选网络相对性能的评价模型准确性不高，并且不能直观的体现；(2)许多模型仅针对单个车辆的行驶状态构建决策流程，不适用于车辆数量随机变化的车联网环境；(3)模型的参数处理模块设计过于简单，对网络属性的选用不够全面合理，并且没有结合接收信号强度和网络容量这两个至关重要的参数。因此，本发明提出一种基于多约束效用函数的垂直切换方法。模型的实质是利用多种效用函数的结合，包括处理网络负载状态和接收信号强度变化的约束函数，获取网络属性主观效用值和客观效用值的综合效用函数，用数值的形式直观准确的体现备选网络的性能。

请见图2，本发明提供的一种基于多约束效用函数的异构车联网网络选择方法，包括以下步骤：

步骤1：建立交通系统模型；

步骤2：车辆向路侧单元发送请求消息，请求消息的内容包括车辆的标识符、地理位置、行驶速度、行驶方向以及业务类型；路侧单元将车辆请求信息和网络状态信息上传给数据中心服务器；数据中心服务器对上传数据进行处理，将所有的可用网络列入备选网络列表；

步骤3：利用网络状态信息构建初始化判决矩阵，利用车辆请求信息和网络状态信息分别构建接收信号强度的约束函数U(s)和网络负载状态的约束函数U(l)，并使用约束函数U(s)和U(l)对初始化判决矩阵的网络属性参数进行数据规约处理；

本实施例中，接收信号强度和网络负载状态的约束方法为：根据车辆请求消息中的地理位置信息可以计算接收备用网络的信号强度RSS，当接收信号强度小于最小阈值时，将对应网络从备选网络中去除，否则引入效用函数U(s)进行数据规约处理；根据接收的网络当前容量状态信息量化网络负载状态，当网络负载状态达到最大阈值时，将对应网络从备选网络中去除，否则引入效用函数U(l)进行数据规约处理。

基于网络负载状态的效用函数U(l)和基于接收信号强度的效用函数U(s)计算公式如下：

其中，min(load)和max(load)分别表示网络负载状态的最小阈值和最大阈值，α为调整系数且0≤α≤1，min(RSS)和max(RSS)分别表示车辆接收信号强度的最小阈值和最大阈值。根据车辆请求消息中的地理位置信息可以计算接收备用网络的信号强度RSS，当接收信号强度小于最小阈值时，将对应网络从备选网络中去除，否则引入效用函数U(s)进行数据规约处理；根据接收的网络当前容量状态信息量化网络负载状态，当网络负载状态达到最大阈值时，将对应网络从备选网络中去除，否则引入效用函数U(l)进行数据规约处理。

并使用约束函数U(s)和U(l)对初始化判决矩阵的网络属性参数进行数据规约处理，则有：

x_ij＝(x_ij+k_ij·(1-U(l,i,j))) (3)

x_ij＝(x_ij+k_ij·(1-U(s,i,j))) (4)

其中，x_ij表示网络状态信息决策矩阵的属性参数，1≤i≤m,1≤j≤n，m代表备选网络数量，n代表属性数量，k_ij是第i个备选网络第j个属性参数的波动范围差值，U(l,i,j)＝[a₁a₂…a_n],U(s,i,j)＝[b₁b₂…b_n],a_j＝[u(l)₁u(l)₂…u(l)_m],u(l)_i表示第i个备选网络的网络负载状态效用值，b_j＝[u(s)₁u(s)₂…u(s)_m],u(s)_i表示第i个备选网络的接收信号强度效用值。

数据中心服务器将处理后的决策矩阵作为下一步流程的判决矩阵。

步骤4：将处理后的判决矩阵进行标准化和归一化处理；

将处理后的判决矩阵进行使用min-max标准差法进行标准化。

对于带宽等效用类型属性则有：

其中，min(x_ij)和max(x_ij)分别表示网络属性参数的最小值和最大值。

对于延迟、延迟抖动、丢失率、误码率和价格等成本类型属性则有：

当标准化完成之后，对新的决策矩阵进行参数归一化处理，则有：

归一化完成。

步骤5：利用动态权重模糊层次分析法和熵计算网络属性的主观权重W_sub和客观权重W_obj，网络属性包括带宽、延迟、延迟抖动、丢失率、误码率和成本；引入调整系数β计算网络综合权重W；

具体包括以下步骤：

步骤5.1：利用模糊层次分析法构建不同业务流量类型的判决矩阵，根据对每一种网络属性的主观要求进行两两比较，则有：

其中，x_ij表示第i个属性和第j个属性之间的相对重要程度，0<x_ij<1，1≤i，j≤n，当i＝j时，x_ij＝0.5表示同等重要，且x_ij＝1－x_ji，从0.5到1，值越大表示前者的相对重要程度越高，从0.5到0，值越小表示后者的相对重要程度越高；

引入动态权重自适应机制，通过系数p改变不同属性的相对重要程度，则有：

x_ij＝p·x_ij,0＜p＜1 (9)

不同的业务类型对应不同的网络属性主观权重，通过对判决矩阵FAHP_MATRIX使用拉格朗日乘数法计算主观权重W_sub；

步骤5.2：使用熵值法获取客观权重W_obj；

首先，利用归一化矩阵计算每个网络属性的熵值，则有：

其中，V_j表示第j列属性的熵值，k是值为1/In(m)的常量；

然后，计算网络属性的客观权重，则有：

其中，W_obj表示备选网络网络属性的客观权重，W_obj＝[δ₁δ₂…δ_n]，δ_i表示第i个网络属性的权重值；

步骤5.3：引入调整系数β(0≤β≤1)，计算网络综合权重W：

W＝β·W_sub+(1-β)·W_obj, (12)

根据业务流量类型的不同，得到的综合权重W也不相同。

步骤6：利用加权法计算网络主观效用值U_sub，利用理想最优解排序法计算网络客观效用值U_obj，引入调整系数γ计算网络综合效用值U；

首先，使用加权法计算网络属性的主观效用值U_sub：

U_sub＝A·W (13)

其中，A表示网络状态信息的判决矩阵，且A＝(x_ij)_m×n；然后利用理想最优解排序法计算网络属性的客观效用值U_obj，具体步骤如下：

步骤6.1：计算加权标准化决策矩阵的网络属性参数；

计算方法如下：

x_ij＝x_ij·δ_j,1≤i≤m,1≤j≤n (14)；

步骤6.2：确认网络属性参数的理想正解和理想负解；

计算方法如下：

其中，

和

分别为网络属性参数的理想正解和理想负解。

步骤6.3：使用欧式距离计算网络属性参数与理想正解和理想负解的距离；

计算方法如下：

其中，

和

分别为网络属性值x_ij与理想正解和理想负解的距离。

步骤6.4：计算备选网络与理想最优网络的相对接近程度；

计算方法如下：

其中，S_i表示第i个备选网络与理想最优网络的相对接近程度，当S_i越趋近于1的时候，备选网络i越接近理想最优网络；

步骤6.5：对S_i做归一化处理，转化为客观效用值U_obj；

计算方法如下：

最后引入调整系数γ(0≤γ≤1)，使用加权法计算综合效用值U；

计算方法如下：

U＝γ·U_sub+(1－γ)·U_obj (19)

步骤7：引入阈值Th进行最优网络决策；

具体实现包括以下子步骤：

步骤7.1：当前连接网络记为Net_current，具有最大综合效用值的网络记为Net_best；若Net_current＝Net_best，则执行步骤7.2，否则执行步骤7.3；

步骤7.2：保持当前网络接入状态，不进行网络切换操作，本流程结束；

步骤7.3：当前网络综合效用值记为U_current，最大综合效用值记为U_best；若(U_current＜U_best)&&(U_best/U_current)>Th)，则执行步骤7.4，否则执行步骤7.2；

步骤7.4：进行网络切换操作，接入最大效用值网络Net_best，本流程结束。

请见图3，本发明还提供了一种基于多约束效用函数的异构车联网网络选择系统，包括数据收集模块、决策判决模块和决策执行模块。

数据收集模块用于收集车辆发送的请求信息和网络状态信息，然后建立备选网络列表，初始化判决矩阵。决策判决模块是基于多约束效用函数的多属性决策模块，用于计算备选网络的综合效用值，并根据设定的方法流程判断是否进行切换。决策执行模块用于最后的决策执行。

应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (6)

1.一种基于多约束效用函数的异构车联网网络选择方法，其特征在于，包括以下步骤：

步骤1：车辆向路侧单元发送请求消息，请求消息的内容包括车辆的标识符、地理位置、行驶速度、行驶方向以及业务类型；路侧单元将车辆请求信息和网络状态信息上传给数据中心服务器；数据中心服务器对上传数据进行处理，将所有的可用网络列入备选网络列表；

步骤2：利用网络状态信息构建初始化判决矩阵，利用车辆请求信息和网络状态信息分别构建接收信号强度的约束函数U(s)和网络负载状态的约束函数U(l)，并使用约束函数U(s)和U(l)对初始化判决矩阵的网络属性参数进行数据规约处理；

其中，根据车辆请求消息中的地理位置信息计算接收备用网络的信号强度RSS，当接收信号强度小于最小阈值时，将对应网络从备选网络中去除，否则引入效用函数U(s)进行数据规约处理；根据接收的网络当前容量状态信息量化网络负载状态，当网络负载状态达到最大阈值时，将对应网络从备选网络中去除，否则引入效用函数U(l)进行数据规约处理；

基于网络负载状态l的效用函数U(l)和基于接收信号强度s的效用函数U(s)计算公式如下：

其中，min(load)和max(load)分别表示网络负载状态的最小阈值和最大阈值，α为调整系数且0≤α≤1，min(RSS)和max(RSS)分别表示车辆接收信号强度的最小阈值和最大阈值；

计算公式(1)中基于网络负载状态效用函数约束后的网络属性参数：

x_ij＝(x_ij+k_ij·(1-U(l,i,j))) (3)

其中，x_ij表示网络状态信息决策矩阵的属性参数，1≤i≤m,1≤j≤n，m代表备选网络数量，n代表属性数量，k_ij是第i个备选网络第j个属性参数的波动范围差值，U(l,i,j)＝[a₁a₂…a_n],a_j＝[u(l)₁u(l)₂…u(l)_m],u(l)_i表示第i个备选网络的网络负载状态效用值；

计算公式(2)中基于接收信号强度效用函数约束后的网络属性参数：

x_ij＝(x_ij+k_ij·(1-U(s,i,j))) (4)

其中，U(s,i,j)＝[b₁b₂…b_n],b_j＝[u(s)₁u(s)₂…u(s)_m],u(s)_i表示第i个备选网络的接收信号强度效用值；

数据中心服务器将处理后的决策矩阵作为下一步决策的判决矩阵；

步骤3：将处理后的判决矩阵进行标准化和归一化处理；

步骤4：利用动态权重模糊层次分析法和熵计算网络属性的主观权重W_sub和客观权重W_obj，网络属性包括带宽、延迟、延迟抖动、丢失率、误码率和成本；引入调整系数β计算网络综合权重W；

步骤5：利用加权法计算网络主观效用值U_sub，利用理想最优解排序法计算网络客观效用值U_obj，引入调整系数γ计算网络综合效用值U；

步骤6：引入切换阈值Th进行最优网络决策。

2.根据权利要求1所述的基于多约束效用函数的异构车联网网络选择方法，其特征在于，步骤3中，将处理后的判决矩阵进行使用min-max标准差法进行标准化；

对于带宽效用类型属性则有：

其中，min(x_ij)和max(x_ij)分别表示网络属性参数的最小值和最大值；

对于延迟、延迟抖动、丢失率、误码率和价格成本类型属性则有：

当标准化完成之后，对新的决策矩阵进行参数归一化处理，则有：

归一化完成。

3.根据权利要求2所述的基于多约束效用函数的异构车联网网络选择方法，其特征在于，步骤4中所述计算网络综合权重W，具体包括以下子步骤：

步骤4.1：利用模糊层次分析法构建不同业务流量类型的判决矩阵，根据对每一种网络属性的主观要求进行两两比较，则有：

其中，x_ij表示第i个属性和第j个属性之间的相对重要程度，0<x_ij<1，1≤i，j≤n，当i＝j时，x_ij＝0.5表示同等重要，且x_ij＝1－x_ji，从0.5到1，值越大表示前者的相对重要程度越高，从0.5到0，值越小表示后者的相对重要程度越高；

引入动态权重自适应机制，通过系数p改变不同属性的相对重要程度，则有：

x_ij＝p·x_ij,0＜p＜1 (9)

不同的业务类型对应不同的网络属性主观权重，通过对判决矩阵FAHP_MATRIX使用拉格朗日乘数法计算主观权重W_sub；

步骤4.2：使用熵值法获取客观权重W_obj；

首先，利用归一化矩阵计算每个网络属性的熵值，则有：

其中，V_j表示第j列属性的熵值，k是值为1/In(m)的常量；

然后，计算网络属性的客观权重，则有：

其中，W_obj表示备选网络网络属性的客观权重，W_obj＝[δ₁δ₂…δ_n]，δ_i表示第i个网络属性的权重值；

步骤4.3：引入调整系数β，0≤β≤1，计算网络综合权重W：

W＝β·W_sub+(1-β)·W_obj, (12)。

4.根据权利要求3所述的基于多约束效用函数的异构车联网网络选择方法，其特征在于：步骤5中，首先使用加权法计算网络属性的主观效用值U_sub：

U_sub＝A·W (13)

其中，A表示网络状态信息的判决矩阵，且A＝(x_ij)_m×n；然后利用理想最优解排序法计算网络属性的客观效用值U_obj，具体步骤如下：

步骤5.1：计算加权标准化决策矩阵的网络属性参数；

计算方法如下：

x_ij＝x_ij·δ_j,1≤i≤m,1≤j≤n (14)；

步骤5.2：确认网络属性参数的理想正解和理想负解；

计算方法如下：

其中，

和

分别为网络属性参数的理想正解和理想负解；

步骤5.3：使用欧式距离计算网络属性参数与理想正解和理想负解的距离；

计算方法如下：

其中，

和

分别为网络属性参数x_ij与理想正解和理想负解的距离；

步骤5.4：计算备选网络与理想最优网络的相对接近程度；

计算方法如下：

其中，S_i表示第i个备选网络与理想最优网络的相对接近程度，当S_i越趋近于1的时候，备选网络i越接近理想最优网络；

步骤5.5：对S_i做归一化处理，转化为客观效用值U_obj；

计算方法如下：

最后，引入调整系数γ，0≤γ≤1；使用加权法计算综合效用值U；

计算方法如下：

U＝γ·U_sub+(1－γ)·U_obj (19)。

5.根据权利要求1-4任意一项所述的基于多约束效用函数的异构车联网网络选择方法，其特征在于，步骤6的具体实现包括以下子步骤：

步骤6.1：当前连接网络记为Net_current，具有最大综合效用值的网络记为Net_best；若Net_current＝Net_best，则执行步骤6.2，否则执行步骤6.3；

步骤6.2：保持当前网络接入状态，不进行网络切换操作，本流程结束；

步骤6.3：当前网络综合效用值记为U_current，最大综合效用值记为U_best；若(U_current＜U_best)&&(U_best/U_current)>Th)，则执行步骤6.4，否则执行步骤6.2；

步骤6.4：进行网络切换操作，接入最大效用值网络Net_best，本流程结束。

6.一种基于多约束效用函数的异构车联网网络选择系统，其特征在于：包括数据收集模块、决策判决模块和决策执行模块；

所述数据收集模块，用于控制车辆向路侧单元发送请求消息，请求消息的内容包括车辆的标识符、地理位置、行驶速度、行驶方向以及业务类型；路侧单元将车辆请求信息和网络状态信息上传给数据中心服务器；数据中心服务器对上传数据进行处理，将所有的可用网络列入备选网络列表；用于利用网络状态信息构建初始化判决矩阵，利用车辆请求信息和网络状态信息分别构建接收信号强度的约束函数U(s)和网络负载状态的约束函数U(l)，并使用约束函数U(s)和U(l)对初始化判决矩阵的网络属性参数进行数据规约处理；

其中，根据车辆请求消息中的地理位置信息计算接收备用网络的信号强度RSS，当接收信号强度小于最小阈值时，将对应网络从备选网络中去除，否则引入效用函数U(s)进行数据规约处理；根据接收的网络当前容量状态信息量化网络负载状态，当网络负载状态达到最大阈值时，将对应网络从备选网络中去除，否则引入效用函数U(l)进行数据规约处理；

基于网络负载状态l的效用函数U(l)和基于接收信号强度s的效用函数U(s)计算公式如下：

其中，min(load)和max(load)分别表示网络负载状态的最小阈值和最大阈值，α为调整系数且0≤α≤1，min(RSS)和max(RSS)分别表示车辆接收信号强度的最小阈值和最大阈值；

计算公式(1)中基于网络负载状态效用函数约束后的网络属性参数：

x_ij＝(x_ij+k_ij·(1-U(l,i,j))) (3)

其中，x_ij表示网络状态信息决策矩阵的属性参数，1≤i≤m,1≤j≤n，m代表备选网络数量，n代表属性数量，k_ij是第i个备选网络第j个属性参数的波动范围差值，U(l,i,j)＝[a₁a₂…a_n],a_j＝[u(l)₁u(l)₂…u(l)_m],u(l)_i表示第i个备选网络的网络负载状态效用值；

计算公式(2)中基于接收信号强度效用函数约束后的网络属性参数：

x_ij＝(x_ij+k_ij·(1-U(s,i,j))) (4)

其中，U(s,i,j)＝[b₁b₂…b_n],b_j＝[u(s)₁u(s)₂…u(s)_m],u(s)_i表示第i个备选网络的接收信号强度效用值；

数据中心服务器将处理后的决策矩阵作为下一步决策的判决矩阵；

所述决策判决模块，用于将处理后的判决矩阵进行标准化和归一化处理；利用动态权重模糊层次分析法和熵计算网络属性的主观权重W_sub和客观权重W_obj，引入调整系数β计算网络综合权重W；利用加权法计算网络主观效用值U_sub，利用理想最优解排序法计算网络客观效用值U_obj，引入调整系数γ计算网络综合效用值U；

所述决策执行模块，用于引入阈值Th进行最优网络决策。

Images