CN113950154B - 一种综合能源数据采集网络中的频谱分配方法及系统 - Google Patents

一种综合能源数据采集网络中的频谱分配方法及系统 Download PDF

Info

Publication number
CN113950154B
CN113950154B CN202111138692.2A CN202111138692A CN113950154B CN 113950154 B CN113950154 B CN 113950154B CN 202111138692 A CN202111138692 A CN 202111138692A CN 113950154 B CN113950154 B CN 113950154B
Authority
CN
China
Prior art keywords
population
new
individuals
spectrum allocation
frequency spectrum
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
Application number
CN202111138692.2A
Other languages
English (en)
Other versions
CN113950154A (zh
Inventor
周杰
秦虎
吕新
朱锐
曲欣
黎劲松
苏革
黄超
常泳
李景云
张泽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xinjiang Tianfu Energy Co ltd
Shihezi University
Original Assignee
Xinjiang Tianfu Energy Co ltd
Shihezi University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xinjiang Tianfu Energy Co ltd, Shihezi University filed Critical Xinjiang Tianfu Energy Co ltd
Priority to CN202111138692.2A priority Critical patent/CN113950154B/zh
Publication of CN113950154A publication Critical patent/CN113950154A/zh
Application granted granted Critical
Publication of CN113950154B publication Critical patent/CN113950154B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/04—Wireless resource allocation
    • H04W72/044—Wireless resource allocation based on the type of the allocated resource
    • H04W72/0453—Resources in frequency domain, e.g. a carrier in FDMA
    • 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]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/50—Allocation or scheduling criteria for wireless resources
    • H04W72/54—Allocation or scheduling criteria for wireless resources based on quality criteria
    • H04W72/541—Allocation or scheduling criteria for wireless resources based on quality criteria using the level of interference
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Abstract

本发明提供一种综合能源数据采集网络中的频谱分配方法及系统，包括：以频谱分配方案为个体构建父种群；利用适应度函数计算父种群中各个个体的适应度值；根据适应度值对初始的信念空间进行调整后，通过信念空间对父种群进行进化后，对个体进行局部搜索，得到新的子种群；利用由父种群和新的子种群组成的混合种群中的个体的适应度值由混合种群中选择对应于父种群规模的个体组成新种群；在满足终止条件后以适应度值最大的个体所代表的频谱分配方案为认知用户分配频谱。该方法用以解决现有技术中在最适合的频谱分配方案的搜索中效率较慢的缺陷，通过进化搜索和局部搜索的融合，使得对频谱分配方案的搜索效率大大提高。

Description

一种综合能源数据采集网络中的频谱分配方法及系统
技术领域
本发明涉及无线通信系统中的频谱分配技术领域，尤其涉及一种综合能源数据采集网络中的频谱分配方法及系统。
背景技术
支撑综合能源利用和个性化民生服务安全、自愈、绿色、坚强及可靠运行的基础是综合能源数据的实时数据采集、传输和存储，以及对累积的海量多源数据进行快速分析。目前，仅靠单纯的有线通信和电力线通信无法支撑如此大规模的数据传输，因此需要无线通信辅助其实现广域覆盖。但是能源公司构建专用无线通信网络需要大量的建设成本，而采用现有的无线通信网络则会与现有的移动通信业务产生数据拥堵，又需要额外的大量频谱资源的支持。然而，频谱资源严重匮乏，很难再为综合能源数据采集网络业务分配新的频谱资源，是目前行业内的普遍现状。
基于以上原因，认知无线电技术(Cognitive Radio，CR)被提出应用于地区级综合能源利用中的数据传输，以为其提供额外的频谱资源支持。综合能源利用中的数据采集及传输设备作为认知用户(Cognitive User)即非授权用户，接受系统中频谱管理设备的调控，动态利用主用户(Primary User,PU)即授权用户的授权频谱资源，可以在不增加新的频谱资源的情况下极大提升频谱利用效率。图论着色模型采用冲突图表示认知无线电的频谱分配问题，在综合能源数据采集网络中的频谱分配体系中的应用已经日渐成熟，它能根据不同的目标函数将空闲频谱分配给其他用户。但是该模型中如果分配规则的权重相同，将成为一个非确定多项式(Non deterministic Polynomial，NP)难题，并且该类问题是在多项式时间内难以求得最优解的。
目前，解决频谱分配这种NP难题经常使用启发式算法进行解决。例如，基于公平性的动态频谱分配(Dynamic Spectrum Allocation，DSA)方案，该方案基于二进制粒子群优化(Binary Particle Swarm Optimization，BPSO)，能使部分用户实时地获取频谱，但是全局搜索能力较弱、收敛速度较慢。
发明内容
本发明提供一种综合能源数据采集网络中的频谱分配方法及系统，用以解决现有技术中在最适合的频谱分配方案的搜索中效率较慢的缺陷，通过进化搜索和局部搜索的融合，使得对频谱分配方案的搜索效率大大提高，帮助动态频谱管理设备更高效的找到最适合的频谱分配方案。
本发明提供一种综合能源数据采集网络中的频谱分配方法，包括：
以认知用户可行的频谱分配方案为个体，构建规模为所有可行的频谱分配方案数的父种群；
根据由认知用户的可用频谱分布、多个认知用户使用同一频谱时的干扰关系，以及认知用户使用频谱时的收益值构建的适应度函数计算所述父种群中的各个个体的适应度值；
根据适应度值对初始的信念空间进行调整后，通过调整后的信念空间对所述父种群进行进化得到子种群，并对所述子种群中的个体进行局部搜索，得到新的子种群；
利用所述适应度函数对所述父种群和新的子种群组成的混合种群中的个体进行适应度值计算，并根据得到的适应度值由所述混合种群中选择对应于所述父种群规模的个体组成新种群；
判断是否满足预设的终止条件；若是，则按照所述新种群中适应度值最大的个体所代表的频谱分配方案为所述认知用户分配频谱；若否，则将所述新种群作为新的父种群重新进行计算。
根据本发明提供的综合能源数据采集网络中的频谱分配方法，所述认知用户可行的频谱分配方案基于由综合能源数据采集网络中获取的综合能源计量表的发射功率、位置、分布情况、频谱噪声功率、使用不同频谱进行数据传输时的信道增益，以及采集网络中可用频谱信息共同分析得到。
根据本发明提供的综合能源数据采集网络中的频谱分配方法，所述以认知用户可行的频谱分配方案为个体，构建规模为所有可行的频谱分配方案数的父种群，还包括：
在首次利用所述适应度函数计算所述父种群中的各个个体的适应度值前，利用组合混沌序列对所述父种群进行初始化，构成由与所有可行的频谱分配方案数相同的混沌序列矢量个体组成的所述父种群的初始种群。
根据本发明提供的综合能源数据采集网络中的频谱分配方法，所述通过调整后的信念空间对所述父种群进行进化得到子种群，具体包括：
根据适应度值得到每个个体遗传至下一代的遗传概率；
生成一个取值范围在0-1之间的随机数后，选择随机数小于所述遗传概率的个体加入新的种群，直至选择的个体数与所述父种群的规模相同；
通过调整后的信念空间对所述新的种群中的个体进行变异操作；
对经变异操作后的新的种群进行交叉操作，得到子种群。
根据本发明提供的综合能源数据采集网络中的频谱分配方法，所述通过调整后的信念空间对所述新的种群中的个体进行变异操作，具体包括：
按照预先设定的接受比率由所述父种群中选择相应数量的适应度值最大的个体；
根据选择的个体的每一位基因位的取值与调整后的信念空间中对应基因位的取值间的比较，更新所述信念空间中各个基因位的取值范围；
对所述新的种群中的个体中随机数小于预先设定的变异概率的基因位，利用在更新后的相应基因位的取值范围内随机生成的数值对所述基因位进行变异。
根据本发明提供的综合能源数据采集网络中的频谱分配方法，所述对所述子种群中的个体进行局部搜索，得到新的子种群，具体包括：
给定一个初始温度，将所述子种群中的个体作为模拟退火算法的初始状态；
通过扰动，产生新状态，并分别计算新状态和初始状态中各个个体的适应度值；
按照Metropolis准则接受新状态，并判断是否满足抽样稳定准则；若是，则执行退温函数；若否，则通过扰动，重新产生新状态；
判断是否满足预设的终止条件，若是，则将所述新状态中适应度值最大的个体作为新的子种群中的一个个体；若否，则通过扰动，重新产生新状态。
本发明还提供一种综合能源数据采集网络中的频谱分配系统，包括：
构建模块，用于以认知用户可行的频谱分配方案为个体，构建规模为所有可行的频谱分配方案数的父种群；
计算模块，用于根据由认知用户的可用频谱分布、多个认知用户使用同一频谱时的干扰关系，以及认知用户使用频谱时的收益值构建的适应度函数计算所述父种群中的各个个体的适应度值；
进化模块，用于根据适应度值对初始的信念空间进行调整后，通过调整后的信念空间对所述父种群进行进化得到子种群，并对所述子种群中的个体进行局部搜索，得到新的子种群；
选择模块，用于利用所述适应度函数对所述父种群和新的子种群组成的混合种群中的个体进行适应度值计算，并根据得到的适应度值由所述混合种群中选择对应于所述父种群规模的个体组成新种群；
判断模块，用于判断是否满足预设的终止条件；若是，则按照所述新种群中适应度值最大的个体所代表的频谱分配方案为所述认知用户分配频谱；若否，则将所述新种群作为新的父种群重新进行计算。
本发明还提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一项所述综合能源数据采集网络中的频谱分配方法的步骤。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述综合能源数据采集网络中的频谱分配方法的步骤。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述综合能源数据采集网络中的频谱分配方法的步骤。
本发明提供的综合能源数据采集网络中的频谱分配方法及系统，通过调用文化基因算法，即通过调整后的信念空间对父种群进行进化，再进行局部搜索，融合了进化搜索和局部搜索策略，既继承了进化搜索的优点，又克服了其搜索速度慢的、迭代次数多的不足，能够更有效、快速地解决综合能源数据采集网络中的频谱动态分配问题，进而使综合能源数据采集网络中的各数据传输设备能够以动态的方式接入并灵活的共享频谱资源。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的综合能源数据采集网络中的频谱分配方法的流程示意图；
图2是本发明提供的染色体上的基因序列到频谱分配矩阵的映射过程示意图；
图3是本发明提供的综合能源数据采集网络中的频谱分配方法的具体运行流程示意图；
图4是本发明提供的实例中综合能源数据采集网络中频谱数量M＝15，认知用户数量N＝25时，迭代100轮的网络总效益折线图；
图5是本发明提供的实例中综合能源数据采集网络中频谱数量M＝15，认知用户数量N＝25时，迭代100轮的用户公平性折线图；
图6是本发明提供的综合能源数据采集网络中的频谱分配系统的结构示意图；
图7是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在文化基因算法中，通过引入信念空间将群体空间中的个体在进化过程中形成的个体经验，通过接受函数传递到信念空间，信念空间将收到的个体经验看作一个单独的个体，根据一定的行为规则进行比较优化，形成知识储备，它根据现有的经验和新个体经验的情况更新知识，修改群体空间中个体的进化行为规则,以使个体空间得到更高的进化效率。这个过程使得种群像人类社会推演一样，不仅有生物特征的进化，而且有文化信念作为指导，超越单纯的生物进化，具有目的性和方向性。具体到本发明的方法中，将文化基因算法引入进行最适宜的频谱分配方案的搜索。
下面结合图1至图5描述本发明的综合能源数据采集网络中的频谱分配方法，该方法具体包括以下步骤：
101、以认知用户可行的频谱分配方案为个体，构建规模为所有可行的频谱分配方案数的父种群；
102、根据由认知用户的可用频谱分布、多个认知用户使用同一频谱时的干扰关系，以及认知用户使用频谱时的收益值构建的适应度函数计算所述父种群中的各个个体的适应度值；
103、根据适应度值对初始的信念空间进行调整后，通过调整后的信念空间对所述父种群进行进化得到子种群，并对所述子种群中的个体进行局部搜索，得到新的子种群；
104、利用所述适应度函数对所述父种群和新的子种群组成的混合种群中的个体进行适应度值计算，并根据得到的适应度值由所述混合种群中选择对应于所述父种群规模的个体组成新种群；
105、判断是否满足预设的终止条件；若是，则进入106；若否，则返回102。
106、按照所述新种群中适应度值最大的个体所代表的频谱分配方案为所述认知用户分配频谱。
具体地，在整个综合能源数据采集网络中，主用户对分配给自己的频段具有独立使用权，认知用户则只能通过“伺机”的方式使用授权用户空闲的频段进行通信。在本发明中采用二进制矩阵表示认知用户可行的频谱分配方案，即假设其中共有M个可用的频谱信道，K个等待资源分配的认知用户，定义一个待求解的N×M维的分配矩阵：
A＝{an,m|an,m∈{0,1}}N×M             式1；
其中，an,m为各个认知用户可能分配到的一种有效频谱的情况,若an,m＝1则表示将频谱m分配给认知用户n，否则认知用户n没有分配到频谱m。
进一步地，对于认知用户的频谱分配需要根据主用户和认知用户的频谱使用关系，认知用户和认知用户之间的频谱使用关系进行最适宜的频谱分配方案的搜索，同时，不同认知用户使用不同频谱的收益不同，为了保证了综合能源数据采集网络在采集过程中数据传输的总吞吐量，还需结合认知用户使用频谱的收益对适宜的频谱方案进行搜索，所以在本发明中根据由认知用户的可用频谱分布、多个认知用户使用同一频谱时的干扰关系，以及认知用户使用频谱时的收益值构建的适应度函数计算所述父种群中的各个个体的适应度值，使得适应度值能够反映各个个体代表的频谱分配方案在对各个认知用户的频谱分配、认知用户间使用同一频谱时的干扰程度，以及使用该频谱时的收益率情况。
具体地，通过可用频谱矩阵L表示认知用户的可用频谱，干扰矩阵C表示不同认知用户使用相同频谱时的干扰关系，效益矩阵B表示不同的认知用户在使用不同频谱时产生的收益值。
其中，可用频谱矩阵L是一个N×M维的矩阵：
L＝{ln,m|ln,m∈1,0}N×M              式2；
其中，ln,m表示认知用户n对频谱m的占用关系，若ln,m＝1表示认知用户n可以使用频谱m进行数据传输，否则，就不可使用。
干扰矩阵C为多个认知用户使用同一信道的干扰关系，是一个M×N×K的一个三维矩阵：
C＝{cn,k,m|cn,k,m∈{0，1}}N×N×M       式3；
其中，Cn,k,m＝1表示认知用户n和k在同时使用频谱m时会产生干扰，不可同时使用，反之则可以同时使用。同时，C矩阵由L矩阵决定，即cn,k,m≤ln,m×lk,m，当n＝k时Cn,k,m＝1-ln,m。
效益矩阵B是一个N×M维的矩阵：
B＝{bn,m|bn,m>0}N×M              式4；
其中，收益bn,m主要取决于数据传输设备单位时间内传输的数据总量，其计算公式为：
Figure BDA0003283185190000091
其中，w为每个频段的带宽，ψ为认知用户的数据发射功率，hn,m为认知用户n在使用信道m时的信道增益，σ2为噪声功率。
进一步地，将待求解的分配矩阵A映射为染色体上的基因，根据可用频谱矩阵L确定染色体的长度l，一维染色体个体X＝{x1,x2,x3,……,xi,xl}，其中，xi∈{0,1},通过
Figure BDA0003283185190000094
计算染色体的长度。具体的映射方式如图2所示。
将基于分配矩阵A的网络效益函数U作为适应度函数，该网络效益函数U由分配矩阵A和效益矩阵B共同决定。所述的网络效益函数U为：
Figure BDA0003283185190000092
更进一步地，在认知用户较多的情况下，如果能够保证认知用户之间对空闲频谱使用的公平性，则能有效提高综合能源数据采集网络系统的稳定性以及鲁棒性，所以，可以将保证认知用户的公平性的约束条件加入分配矩阵A的求解中，即将公平性函数S作为适应度函数。
具体地，认知用户的公平性函数S表示为：
Figure BDA0003283185190000093
则优化的目标函数为：
Figure BDA0003283185190000101
其中，A∧(L,C)N,M为符合约束条件的所有可用频谱矩阵解集,即A的集合，物理意义表示满足网络效益最大的频谱分配方案。
本发明实施例提供的方法，以认知用户可行的频谱分配方案为个体，构建规模为所有可行的频谱分配方案数的父种群，通过适应度函数计算父种群中的各个个体的适应度值后，根据适应度值对父种群进行进化得到子种群，对子种群中的个体进行局部搜索，得到新的子种群；利用所述适应度函数对父种群和新的子种群组成的混合种群中的个体进行适应度值计算，并根据得到的适应度值由所述混合种群中选择对应于所述父种群规模的个体组成新种群，当满足终止条件时，按照新种群中适应度值最大的个体所代表的频谱分配方案为所述认知用户分配频谱；若未满足终止条件，则将所述新种群作为新的父种群重新进行计算，其中，终止条件优选为迭代次数。
本发明实施例提供的方法融合了进化搜索和局部搜索策略，即对每次进化操作产生的种群，再用局部搜索方法对每个个体进行局部搜索，混合搜索策略既继承了进化搜索的优点，又克服了其搜索速度慢，迭代次数多的不足，相比于目前常用的遗传算法，能够更有效、快速地解决综合能源数据采集网络中的频谱动态分配问题。
基于上述实施例，该方法中，所述认知用户可行的频谱分配方案基于由综合能源数据采集网络中获取的综合能源计量表的发射功率、位置、分布情况、频谱噪声功率、使用不同频谱进行数据传输时的信道增益，以及采集网络中可用频谱信息共同分析得到。
进一步地，在另一个实施例中，所述以认知用户可行的频谱分配方案为个体，构建规模为所有可行的频谱分配方案数的父种群，还包括：
在首次利用所述适应度函数计算所述父种群中的各个个体的适应度值前，利用组合混沌序列对所述父种群进行初始化，构成由与所有可行的频谱分配方案数相同的混沌序列矢量个体组成的所述父种群的初始种群。
可以理解的是，通过混沌序列对父种群的初始化，能够使初始解均匀的分布在解空间内。
具体地，令初始种群为P＝{X1,X2,X3,,……,Xpopsize}，Xi表示种群中的第i个体，Xi＝{x1,x2,…,xl},其中l是矩阵L中值为1的个数，
Figure BDA0003283185190000111
是第t轮迭代时染色体上的第j个基因。通过下式生成长度为l的混沌序列：
Figure BDA0003283185190000112
其中，
Figure BDA0003283185190000113
是取值范围在[0,1]之间的混沌变量，μ用来控制遍历状态，令μ＝4时，变量会遍历整个混沌空间，重复popSize次同样的操作构成一个由popSize个混沌序列矢量个体构成的初始种群P。
计算种群P中每个个体的适应度值，利用sigmoid函数对初始种群进行01映射使得每个个体的被映射成一个二进制编码，然后得到一个二进制编码种群B，将生成的二进制种群B带入到式6的适应度函数中，分别得到各个个体对应的适应度函数值，其中，sigmoid函数如下：
Figure BDA0003283185190000114
其中，Xi,j为第i个个体上的第j个基因，具体的由Xi,j映射到0或1计算方式为：
Figure BDA0003283185190000115
其中，Bi,j为二进制种群中第i个个体上的第j个基因。
在另一个实施例中，所述通过调整后的信念空间对所述父种群进行进化得到子种群，具体包括：
根据适应度值得到每个个体遗传至下一代的遗传概率；
生成一个取值范围在0-1之间的随机数后，选择随机数小于所述遗传概率的个体加入新的种群，直至选择的个体数与所述父种群的规模相同；
通过调整后的信念空间对所述新的种群中的个体进行变异操作；
对经变异操作后的新的种群进行交叉操作，得到子种群。
具体地，在种群空间进化的过程中对父种群进行选择、交叉、变异操作得到子种群，每个操作的步骤如下：
首先，利用轮盘赌的方式挑选出种群大小与初始种群相同的新的种群，轮盘赌具体的选择过程如下。
根据各个个体的适应度值计算每个个体遗传到下一代的概率：
Figure BDA0003283185190000121
其中，popSize表示父种群的规模；f(Di)表示个体i的适应度值。
产生一个[0,1]之间的随机数r，判断该随机数是否小于Pi，若小于则将该概率对应的染色体加入到新的种群中，否则不加入。
判断新的种群大小是否与初始种群大小相同，若相同，则停止选择，否则，则继续进行染色体的选择。
然后，对新的种群中的染色体进行变异操作变异的方式包括位点变异、逆转变异、互换变异等。
最后，对经变异操作后的新的种群进行交叉操作，得到子种群，其中，该交叉操作的发生概率为P_cros，交叉操作的类型包含单点交叉、双点交叉、部分匹配交叉还有均匀交叉等。
在另一个实施例中，通过调整后的信念空间对所述新的种群中的个体进行变异操作又具体包括：
按照预先设定的接受比率由所述父种群中选择相应数量的适应度值最大的个体；
根据选择的个体的每一位基因位的取值与调整后的信念空间中对应基因位的取值间的比较，更新所述信念空间中各个基因位的取值范围；
对所述新的种群中的个体中随机数小于预先设定的变异概率的基因位，利用在更新后的相应基因位的取值范围内随机生成的数值对所述基因位进行变异。
具体地，首先初始化信念空间，将信念空间被定义为N[j]，表示用来影响种群空间进化的知识，N[j]用来保存目标函数主变量的取值范围，N[j]的具体说明如下：
对于个体中的参数j，N[j]被表示为(Ij,Lj,Uj)，j＝1,2,…,n，其中Ij表示参数j的取值范围，Ij＝[lj,uj]＝{x|lj≤x≤uj,x∈R}。Ij在初始时设置为变量定义域边界的值，随着算法的迭代，其范围也会得到相应的调整。Lj表示参数j取值在lj时对应的目标函数的函数值，Uj表示参数j取值在uj时对应的目标函数的函数值。
初始时，将信念空间中的每个变量的lj与uj都分别设置为-∞与+∞，对应的适应度值Lj与Uj都分别设置为0。
之后，对信念空间进行调整，将初始化后的种群按照适应度值降序排列，并按照接受比率从排序后的种群中选取前1/PAccept的个体用来调整信念空间，具体的调整方式如下：
遍历被选择的个体，假设是第i个个体影响参数j的区间的下边界，则j的下边界和其对应的值为：
Figure BDA0003283185190000131
Figure BDA0003283185190000132
其中，
Figure BDA0003283185190000133
表示在第t次迭代参数j的下边界，
Figure BDA0003283185190000134
表示
Figure BDA0003283185190000135
对应目标函数的适应度值。
同样的，设第k个个体影响参数j的区间的上边界，则j的下边界和其对应的适应度值为：
Figure BDA0003283185190000141
Figure BDA0003283185190000142
利用建立好的知识使信念空间能够形成群体经验，该经验通过影响函数Infuluence改变种群空间中的种群P的运动规则，达到种群进化的目的。
更具体地，对于种群中的每一个个体上的每一个变量按照概率大小为Pmutr的概率进行变异，若r的值小于Pmutr，则根据下式对每个个体中的变异点执行相应的变异操作，否则维持个体对应位置的编码值不变。
Figure BDA0003283185190000143
在本发明的另一个实施例中，对所述子种群中的个体进行局部搜索，得到新的子种群，具体包括：
给定一个初始温度，将所述子种群中的个体作为模拟退火算法的初始状态；
通过扰动，产生新状态，并分别计算新状态和初始状态中各个个体的适应度值；
按照Metropolis准则接受新状态，并判断是否满足抽样稳定准则；若是，则执行退温函数；若否，则通过扰动，重新产生新状态；
判断是否满足预设的终止条件，若是，则将所述新状态中适应度值最大的个体作为新的子种群中的一个个体；若否，则通过扰动，重新产生新状态。
具体地，如图3所示，为本发明的综合能源数据采集网络中的频谱分配方法的具体运行流程，包括：
301、构建父种群；
302、对父种群进行初始化，并计算种群中各个个体的适应度值；
303、初始化信念空间；
304、对信念空间进行调整；
305、对父种群进行选择操作，生成新的种群；
306、对新的种群进行交叉操作；
307、利用信念空间产生的进化经验对经交叉操作后的新种群中的个体进行变异操作，得到子种群；
308、判断是否达到信念空间的调整次数，若是，则运行309；若否，则跳转至304；
309、对子种群中的每个各个进行局部寻优，得到新的子种群；
310、对所述父种群和新的子种群组成的混合种群中的个体进行适应度值计算；
311、根据得到的适应度值由混合种群中选择对应于父种群规模的个体组成新种群；
312、判断是否达到预设的迭代次数，若是，则运行313；若否，则跳转至304；
313、输出新种群中适应度值最大的个体代表的频谱分配方案。
为了验证本发明的方法的实际性能，下面给出实例：
将种群大小popSize设置为40，最大的迭代次数为100，变异率与交叉率都为0.8，局部搜索中的初始温度为200，扰动次数为100，即同一温度下的迭代次数，温度下降系数α＝0.9，控制参数μ＝4。发射功率ψ＝50mW，信道增益hn,m服从均值为1的瑞利分布，噪声功率σ2为10-5W，信道带宽为1kHz。
仿真实验中，为充分进行比较，在多次的仿真测试中，每次所选的L、C矩阵其初始值都不同。但在同一次仿真测试中，为公平比较，算法所采用的L、C矩阵初始值相同。
将所述综合能源数据采集网络中的频谱分配方法运行50次，对结果取平均，验证在不同的可用频谱数和认知用户数量下频谱分配获得的最大化网络总效益，并与现有技术做比较。
如图4和图5所示，分别为M＝15，N＝25的网络总效益折线图和用户公平性折线图。可见，本发明在网络效益上优于传统遗传算法，并说明本发明有较高的寻优能力。
本发明用以在综合能源数据采集过程中，使系统中的各数据传输单元能够以动态的方式接入并灵活的共享频谱资源。该方法的优势在于它通过个体信息的选择、个体信息的交换和发展等文化传播行为产生群体智能。这种方法融合了进化搜索和局部搜索策略，即对每次进化操作产生的种群，再用局部搜索方法对每个个体进行局部搜索。这样的混合搜索策略继承了进化搜索的优点，又克服了其搜索速度慢的、迭代次数多的不足。相比于目前的常用的遗传算法，本发明的方法能够更有效、快速地解决综合能源数据采集网络中的频谱动态分配问题。
通过软件仿真实验，其结果表明本发明提出的一种综合能源数据采集网络中的频谱分配方法，相比于现有优化技术中的遗传算法，能够提高10％左右的网络总收益，同时，还在保证用户公平性方面相比于传统的遗传算法也更具优势。
综上所述，本发明所述方法能在保证避免用户在使用频谱资源时发生冲突的同时，通过动态频谱资源调度，帮助改善综合能源数据采集网络中频谱资源的使用情况，极大的提高频谱资源的利用率与网络数据的总吞吐量，具有非常好的推广前景。该方法完全运行在综合能源数据采集网络中的态频谱管理设备上，以提高频谱资源利用率，提高网络吞吐量为目标，为综合能源数据采集网络中的每个数据传输单元动态分配空闲的频谱资源，具有操作方便，步骤明晰，稳定性较强，算法复杂度低等优点。
下面结合图6对本发明提供的一种综合能源数据采集网络中的频谱分配系统进行描述，下文描述的综合能源数据采集网络中的频谱分配系统与上文描述的综合能源数据采集网络中的频谱分配方法可相互对应参照。
该系统包括构建模块610、计算模块620、进化模块630、选择模块640和判断模块650；其中，
构建模块610用于以认知用户可行的频谱分配方案为个体，构建规模为所有可行的频谱分配方案数的父种群；
计算模块620用于根据由认知用户的可用频谱分布、多个认知用户使用同一频谱时的干扰关系，以及认知用户使用频谱时的收益值构建的适应度函数计算所述父种群中的各个个体的适应度值；
进化模块630用于根据适应度值对初始的信念空间进行调整后，通过调整后的信念空间对所述父种群进行进化得到子种群，并对所述子种群中的个体进行局部搜索，得到新的子种群；
选择模块640用于利用所述适应度函数对所述父种群和新的子种群组成的混合种群中的个体进行适应度值计算，并根据得到的适应度值由所述混合种群中选择对应于所述父种群规模的个体组成新种群；
判断模块650用于判断是否满足预设的终止条件；若是，则按照所述新种群中适应度值最大的个体所代表的频谱分配方案为所述认知用户分配频谱；若否，则将所述新种群作为新的父种群重新进行计算。
优选的是，所述认知用户可行的频谱分配方案由所述构建模块610基于由综合能源数据采集网络中获取的综合能源计量表的发射功率、位置、分布情况、频谱噪声功率、使用不同频谱进行数据传输时的信道增益，以及采集网络中可用频谱信息共同分析得到。
优选的是，所述计算模块620在首次利用所述适应度函数计算所述父种群中的各个个体的适应度值前，所述构建模块610还利用组合混沌序列对所述父种群进行初始化，构成由与所有可行的频谱分配方案数相同的混沌序列矢量个体组成的所述父种群的初始种群。
优选的是，所述进化模块630通过调整后的信念空间对所述父种群进行进化得到子种群，具体包括：
根据适应度值得到每个个体遗传至下一代的遗传概率；
生成一个取值范围在0-1之间的随机数后，选择随机数小于所述遗传概率的个体加入新的种群，直至选择的个体数与所述父种群的规模相同；
通过调整后的信念空间对所述新的种群中的个体进行变异操作；
对经变异操作后的新的种群进行交叉操作，得到子种群。
优选的是，所述进化模块630通过调整后的信念空间对所述新的种群中的个体进行变异操作，具体包括：
按照预先设定的接受比率由所述父种群中选择相应数量的适应度值最大的个体；
根据选择的个体的每一位基因位的取值与调整后的信念空间中对应基因位的取值间的比较，更新所述信念空间中各个基因位的取值范围；
对所述新的种群中的个体中随机数小于预先设定的变异概率的基因位，利用在更新后的相应基因位的取值范围内随机生成的数值对所述基因位进行变异。
优选的是，所述计划模块630对所述子种群中的个体进行局部搜索，得到新的子种群还具体包括：
给定一个初始温度，将所述子种群中的个体作为模拟退火算法的初始状态；
通过扰动，产生新状态，并分别计算新状态和初始状态中各个个体的适应度值；
按照Metropolis准则接受新状态，并判断是否满足抽样稳定准则；若是，则执行退温函数；若否，则通过扰动，重新产生新状态；
判断是否满足预设的终止条件，若是，则将所述新状态中适应度值最大的个体作为新的子种群中的一个个体；若否，则通过扰动，重新产生新状态。
具体地，本发明用以在综合能源数据采集过程中，使系统中的各数据传输单元能够以动态的方式接入并灵活的共享频谱资源。该方法的优势在于它通过个体信息的选择、个体信息的交换和发展等文化传播行为产生群体智能。这种方法融合了进化搜索和局部搜索策略，即对每次进化操作产生的种群，再用局部搜索方法对每个个体进行局部搜索。这样的混合搜索策略继承了进化搜索的优点，又克服了其搜索速度慢的、迭代次数多的不足。相比于目前的常用的遗传算法，本发明的方法能够更有效、快速地解决综合能源数据采集网络中的频谱动态分配问题。
本发明实施例提供的综合能源数据采集网络中的频谱分配系统用于签署各实施例的综合能源数据采集网络中的频谱分配方法。该综合能源数据采集网络中的频谱分配系统包括的各模块实现相应功能的具体方法和流程详见上述综合能源数据采集网络中的频谱分配方法的实施例，此处不再赘述。
本发明的综合能源数据采集网络中的频谱分配系统用于前述各实施例的综合能源数据采集网络中的频谱分配方法。因此，在前述各实施例中的综合能源数据采集网络中的频谱分配方法中的描述和定义，可以用于本发明实施例中各执行模块的理解。
图7示例了一种电子设备的实体结构示意图，如图7所示，该电子设备可以包括：处理器(processor)710、通信接口(Communications Interface)720、存储器(memory)730和通信总线740，其中，处理器710，通信接口720，存储器730通过通信总线740完成相互间的通信。处理器710可以调用存储器730中的逻辑指令，以执行综合能源数据采集网络中的频谱分配方法，该方法包括：
101、以认知用户可行的频谱分配方案为个体，构建规模为所有可行的频谱分配方案数的父种群；
102、根据由认知用户的可用频谱分布、多个认知用户使用同一频谱时的干扰关系，以及认知用户使用频谱时的收益值构建的适应度函数计算所述父种群中的各个个体的适应度值；
103、根据适应度值对初始的信念空间进行调整后，通过调整后的信念空间对所述父种群进行进化得到子种群，并对所述子种群中的个体进行局部搜索，得到新的子种群；
104、利用所述适应度函数对所述父种群和新的子种群组成的混合种群中的个体进行适应度值计算，并根据得到的适应度值由所述混合种群中选择对应于所述父种群规模的个体组成新种群；
105、判断是否满足预设的终止条件；若是，则进入106；若否，则返回102。
106、按照所述新种群中适应度值最大的个体所代表的频谱分配方案为所述认知用户分配频谱。
此外，上述的存储器730中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的综合能源数据采集网络中的频谱分配方法，该方法包括：
101、以认知用户可行的频谱分配方案为个体，构建规模为所有可行的频谱分配方案数的父种群；
102、根据由认知用户的可用频谱分布、多个认知用户使用同一频谱时的干扰关系，以及认知用户使用频谱时的收益值构建的适应度函数计算所述父种群中的各个个体的适应度值；
103、根据适应度值对初始的信念空间进行调整后，通过调整后的信念空间对所述父种群进行进化得到子种群，并对所述子种群中的个体进行局部搜索，得到新的子种群；
104、利用所述适应度函数对所述父种群和新的子种群组成的混合种群中的个体进行适应度值计算，并根据得到的适应度值由所述混合种群中选择对应于所述父种群规模的个体组成新种群；
105、判断是否满足预设的终止条件；若是，则进入106；若否，则返回102。
106、按照所述新种群中适应度值最大的个体所代表的频谱分配方案为所述认知用户分配频谱。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法所提供的综合能源数据采集网络中的频谱分配方法，该方法包括：
101、以认知用户可行的频谱分配方案为个体，构建规模为所有可行的频谱分配方案数的父种群；
102、根据由认知用户的可用频谱分布、多个认知用户使用同一频谱时的干扰关系，以及认知用户使用频谱时的收益值构建的适应度函数计算所述父种群中的各个个体的适应度值；
103、根据适应度值对初始的信念空间进行调整后，通过调整后的信念空间对所述父种群进行进化得到子种群，并对所述子种群中的个体进行局部搜索，得到新的子种群；
104、利用所述适应度函数对所述父种群和新的子种群组成的混合种群中的个体进行适应度值计算，并根据得到的适应度值由所述混合种群中选择对应于所述父种群规模的个体组成新种群；
105、判断是否满足预设的终止条件；若是，则进入106；若否，则返回102。
106、按照所述新种群中适应度值最大的个体所代表的频谱分配方案为所述认知用户分配频谱。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述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ROM/RAM、磁碟、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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (9)

1.一种综合能源数据采集网络中的频谱分配方法，其特征在于，包括：
以认知用户可行的频谱分配方案为个体，构建规模为所有可行的频谱分配方案数的父种群；
根据由认知用户的可用频谱分布、多个认知用户使用同一频谱时的干扰关系，以及认知用户使用频谱时的收益值构建的适应度函数计算所述父种群中的各个个体的适应度值；
根据适应度值对初始的信念空间进行调整后，通过调整后的信念空间对所述父种群进行进化得到子种群，并对所述子种群中的个体进行局部搜索，得到新的子种群；
利用所述适应度函数对所述父种群和新的子种群组成的混合种群中的个体进行适应度值计算，并根据得到的适应度值由所述混合种群中选择对应于所述父种群规模的个体组成新种群；
判断是否满足预设的终止条件；若是，则按照所述新种群中适应度值最大的个体所代表的频谱分配方案为所述认知用户分配频谱；若否，则将所述新种群作为新的父种群重新进行计算。
2.根据权利要求1所述的综合能源数据采集网络中的频谱分配方法，其特征在于，所述认知用户可行的频谱分配方案基于由综合能源数据采集网络中获取的综合能源计量表的发射功率、位置、分布情况、频谱噪声功率、使用不同频谱进行数据传输时的信道增益，以及采集网络中可用频谱信息共同分析得到。
3.根据权利要求1所述的综合能源数据采集网络中的频谱分配方法，其特征在于，所述以认知用户可行的频谱分配方案为个体，构建规模为所有可行的频谱分配方案数的父种群，还包括：
在首次利用所述适应度函数计算所述父种群中的各个个体的适应度值前，利用组合混沌序列对所述父种群进行初始化，构成由与所有可行的频谱分配方案数相同的混沌序列矢量个体组成的所述父种群的初始种群。
4.根据权利要求1所述的综合能源数据采集网络中的频谱分配方法，其特征在于，所述通过调整后的信念空间对所述父种群进行进化得到子种群，具体包括：
根据适应度值得到每个个体遗传至下一代的遗传概率；
生成一个取值范围在0-1之间的随机数后，选择随机数小于所述遗传概率的个体加入新的种群，直至选择的个体数与所述父种群的规模相同；
通过调整后的信念空间对所述新的种群中的个体进行变异操作；
对经变异操作后的新的种群进行交叉操作，得到子种群。
5.根据权利要求4所述的综合能源数据采集网络中的频谱分配方法，其特征在于，所述通过调整后的信念空间对所述新的种群中的个体进行变异操作，具体包括：
按照预先设定的接受比率由所述父种群中选择相应数量的适应度值最大的个体；
根据选择的个体的每一位基因位的取值与调整后的信念空间中对应基因位的取值间的比较，更新所述信念空间中各个基因位的取值范围；
对所述新的种群中的个体中随机数小于预先设定的变异概率的基因位，利用在更新后的相应基因位的取值范围内随机生成的数值对所述基因位进行变异。
6.根据权利要求1所述的综合能源数据采集网络中的频谱分配方法，其特征在于，所述对所述子种群中的个体进行局部搜索，得到新的子种群，具体包括：
给定一个初始温度，将所述子种群中的个体作为模拟退火算法的初始状态；
通过扰动，产生新状态，并分别计算新状态和初始状态中各个个体的适应度值；
按照Metropolis准则接受新状态，并判断是否满足抽样稳定准则；若是，则执行退温函数；若否，则通过扰动，重新产生新状态；
判断是否满足预设的终止条件，若是，则将所述新状态中适应度值最大的个体作为新的子种群中的一个个体；若否，则通过扰动，重新产生新状态。
7.一种综合能源数据采集网络中的频谱分配系统，其特征在于，包括：
构建模块，用于以认知用户可行的频谱分配方案为个体，构建规模为所有可行的频谱分配方案数的父种群；
计算模块，用于根据由认知用户的可用频谱分布、多个认知用户使用同一频谱时的干扰关系，以及认知用户使用频谱时的收益值构建的适应度函数计算所述父种群中的各个个体的适应度值；
进化模块，用于根据适应度值对初始的信念空间进行调整后，通过调整后的信念空间对所述父种群进行进化得到子种群，并对所述子种群中的个体进行局部搜索，得到新的子种群；
选择模块，用于利用所述适应度函数对所述父种群和新的子种群组成的混合种群中的个体进行适应度值计算，并根据得到的适应度值由所述混合种群中选择对应于所述父种群规模的个体组成新种群；
判断模块，用于判断是否满足预设的终止条件；若是，则按照所述新种群中适应度值最大的个体所代表的频谱分配方案为所述认知用户分配频谱；若否，则将所述新种群作为新的父种群重新进行计算。
8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述综合能源数据采集网络中的频谱分配方法的步骤。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述综合能源数据采集网络中的频谱分配方法的步骤。
CN202111138692.2A 2021-09-27 2021-09-27 一种综合能源数据采集网络中的频谱分配方法及系统 Active CN113950154B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111138692.2A CN113950154B (zh) 2021-09-27 2021-09-27 一种综合能源数据采集网络中的频谱分配方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111138692.2A CN113950154B (zh) 2021-09-27 2021-09-27 一种综合能源数据采集网络中的频谱分配方法及系统

Publications (2)

Publication Number Publication Date
CN113950154A CN113950154A (zh) 2022-01-18
CN113950154B true CN113950154B (zh) 2023-04-18

Family

ID=79329438

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111138692.2A Active CN113950154B (zh) 2021-09-27 2021-09-27 一种综合能源数据采集网络中的频谱分配方法及系统

Country Status (1)

Country Link
CN (1) CN113950154B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104768161A (zh) * 2015-03-12 2015-07-08 燕山大学 一种基于混沌搜索量子遗传算法的无线频谱分配方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106230528B (zh) * 2016-07-27 2019-04-09 广东工业大学 一种认知无线网络频谱分配方法及系统
CN109768839A (zh) * 2018-12-31 2019-05-17 东北电力大学 基于改进混沌粒子群算法的认知无线电频谱分配方法
WO2021188022A1 (en) * 2020-03-17 2021-09-23 Telefonaktiebolaget Lm Ericsson (Publ) Radio resource allocation
CN112217678B (zh) * 2020-10-14 2023-03-17 哈尔滨工程大学 基于量子帝王蝶优化机制的双层异构网络频谱分配方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104768161A (zh) * 2015-03-12 2015-07-08 燕山大学 一种基于混沌搜索量子遗传算法的无线频谱分配方法

Also Published As

Publication number Publication date
CN113950154A (zh) 2022-01-18

Similar Documents

Publication Publication Date Title
CN113411369B (zh) 一种云服务资源协同优化调度方法、系统、介质及设备
Zhang et al. A large-scale multiobjective satellite data transmission scheduling algorithm based on SVM+ NSGA-II
CN108874525A (zh) 一种面向边缘计算环境的服务请求分配方法
CN111612528A (zh) 用户分类模型的确定方法、装置、设备及存储介质
CN113111594B (zh) 基于多目标优化的用频规划方法、装置和计算机设备
CN112784362A (zh) 一种用于无人机辅助边缘计算的混合优化方法及系统
Gong et al. Location-based online task scheduling in mobile crowdsensing
Datta et al. Graph partitioning by multi-objective real-valued metaheuristics: A comparative study
CN104467999A (zh) 一种基于量子蛙跳的频谱感知算法
CN109298930A (zh) 一种基于多目标优化的云工作流调度方法及装置
CN116501711A (zh) 一种基于“存算分离”架构的算力网络任务调度方法
CN114585006A (zh) 基于深度学习的边缘计算任务卸载和资源分配方法
CN107343303B (zh) 无线Mesh网络中基于对偶分解的路由优化方法
CN115278693A (zh) 基于行驶状态优先级和场景模拟的cvn频谱调度方法及系统
Huang et al. TMA-DPSO: Towards efficient multi-task allocation with time constraints for next generation multiple access
Wang et al. Joint service caching, resource allocation and computation offloading in three-tier cooperative mobile edge computing system
CN112445617B (zh) 一种基于移动边缘计算的负载策略选择方法及系统
CN113950154B (zh) 一种综合能源数据采集网络中的频谱分配方法及系统
Hu et al. Vehicular task scheduling strategy with resource matching computing in cloud‐edge collaboration
Balieiro et al. An evolutionary scheme for secondary virtual networks mapping onto cognitive radio substrate
Hussein et al. Dynamic process scheduling using genetic algorithm
CN111290853B (zh) 一种基于自适应改进遗传算法的云数据中心调度方法
CN110689320A (zh) 一种基于协同进化算法的大规模多目标项目调度方法
CN107067036A (zh) 一种接地网腐蚀速率预测方法
CN103793769B (zh) 一种基于语义的云排产系统

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
GR01 Patent grant
GR01 Patent grant