CN114173359A - 一种用于工业物联网环境下的异构网络资源调度方法 - Google Patents

一种用于工业物联网环境下的异构网络资源调度方法 Download PDF

Info

Publication number
CN114173359A
CN114173359A CN202111501136.7A CN202111501136A CN114173359A CN 114173359 A CN114173359 A CN 114173359A CN 202111501136 A CN202111501136 A CN 202111501136A CN 114173359 A CN114173359 A CN 114173359A
Authority
CN
China
Prior art keywords
task
network
heterogeneous
bald
adopting
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
Application number
CN202111501136.7A
Other languages
English (en)
Other versions
CN114173359B (zh
Inventor
熊安萍
范泽宇
田野
胡昆
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.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
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 Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN202111501136.7A priority Critical patent/CN114173359B/zh
Publication of CN114173359A publication Critical patent/CN114173359A/zh
Application granted granted Critical
Publication of CN114173359B publication Critical patent/CN114173359B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/02—Arrangements for optimising operational condition
    • 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
    • H04L41/0803—Configuration setting
    • H04L41/0813—Configuration setting characterised by the conditions triggering a change of settings
    • H04L41/082—Configuration setting characterised by the conditions triggering a change of settings the condition being updates or upgrades of network functionality
    • 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
    • H04L41/0803—Configuration setting
    • H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability
    • 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
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/02—Traffic management, e.g. flow control or congestion control
    • H04W28/0226—Traffic management, e.g. flow control or congestion control based on location or mobility
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/02—Traffic management, e.g. flow control or congestion control
    • H04W28/0231—Traffic management, e.g. flow control or congestion control based on communication conditions
    • H04W28/0236—Traffic management, e.g. flow control or congestion control based on communication conditions radio quality, e.g. interference, losses or delay

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明涉及异构网络领域，具体涉及一种用于工业物联网环境下的异构网络资源调度方法，该方法包括：构建异构工业网络体系结构；获取任务参数，采用改进的TOPSIS方法对任务参数进行处理，得到每个任务的候选网络集合；构建系统吞吐量目标函数，采用改进的BES算法对系统吞吐量目标函数进行处理，得到任务时延约束条件；在任务时延约束条件下对每个设备任务分配网络资源；本发明结合改进的TOPSIS和秃鹰算法来处理网络选择和资源分配问题，改进的TOPSIS法选择结果更加符合实际情况；BES算法全局搜索能力强，收敛速度快，能够有效的解决资源分配问题。

Description

一种用于工业物联网环境下的异构网络资源调度方法
技术领域
本发明涉及异构网络领域，具体涉及一种用于工业物联网环境下的异构网络资源调度方法。
背景技术
随着互联网的高速发展，工业园区和互联网的关系愈发紧密，两者结合诞生了工业物联网，工业物联网业务的发展对园区网络基础设施提出了更高的要求和需求。随着园区内企业规模的不断扩大、设备数目增多，导致网络规模和网络功能上不断激增，网络资源管理变得更加复杂。
工业物联网环境下存在着大量的物联网设备，以实现自动传感和自动控制，同时满足时延低，速率快，吞吐量高等工业需求。由于工厂中物联网设备数量的庞大和设备的密集性，单一网络很难同时满足复杂的工业任务需求，同时工业设备也可以连接多种网络。因此，需要在复杂的异构网络环境下，通过网络资源调度策略，在满足不同设备任务的时延要求下，处理更多的任务。
由于基站的覆盖范围会存在重合，且工业物联网场景中设备数量较多，一个设备可能同时处在多个微基站的覆盖范围中，因此需要根据任务的属性，对在信号接收范围内的网络进行选择；另外微基站部署密集，基站与基站之间会产生共层干扰，造成传输速率的下降，达不到任务要求。因此需要合适的方法来对有限的资源进行分配，尽可能地减小干扰，提高传输速率，进而提升系统吞吐量。
发明内容
为解决以上现有技术存在的问题，本发明提出了一种用于工业物联网环境下的异构网络资源调度方法，该方法包括：
S1：构建异构工业网络体系结构；
S2：根据构建的异构工业网络体系结构获取任务参数；采用改进的TOPSIS方法对任务参数进行处理，得到每个任务的候选网络集合；
S3：根据任务需求以及每个任务的候选网络集合分别计算任务的处理速率和传输时延，并根据任务的处理速率和传输时延构建系统吞吐量目标函数；
S4：采用改进的BES算法对系统吞吐量目标函数进行处理，得到任务时延约束条件；
S5：在任务时延约束条件下对每个设备任务分配网络资源。
优选的，异构工业网络体系结构包括核心网、异构无线网络、微基站以及中央控制器；设备通过微基站连接无线网络，再通过核心网络与中央控制器通信；中央控制器通过收集任务数据和网络信息来调度网络资源异。
优选的，采用改进的TOPSIS方法对任务参数进行处理的过程包括：
步骤1：获取的任务参数包括执行该任务的时延、带宽、抖动、费用以及可用性；
步骤2：根据任务参数采用COST 231-Hata模型计算任务的信号接受强度RSS；并根据任务的信号接受强度得到该任务的可连接网络；
步骤3：采用改进的TOPSIS法对任务的可连接网络进行筛选，得到任务的有序候选网络集合。
进一步的，采用改进的TOPSIS法对任务的可连接网络进行筛选的过程包括：
步骤1：对时延、带宽、抖动、费用以及可用性五种指标进行归一化和标准化处理；
步骤2：采用层次分析法AHP和熵权法分别对归一化后的指标进行处理，得到五种指标的主观权重和客观权重；将主观权重和客观权重进行集成，得到指标综合权重；
步骤3：根据指标综合权重分别计算效益型和成本型指标的正理想解和负理想解；
步骤4：根据正负理想解，计算可连接网络到正、负理想解在三维空间的向量夹角余弦距离；
步骤5：根据向量夹角余弦距离，计算各可连接网络的贴近度G，对G进行排序得到候选网络集合；计算贴近度G的计算公式为：
Figure BDA0003401665420000031
其中，di是第i个待评价方案向量；
Figure BDA0003401665420000032
和
Figure BDA0003401665420000033
分别为各方案到正、负理想解的向量夹角余弦距离；Gi值越接近于1表示该方案越接近最优方案，反之越接近于0表示该方案越接近最劣方案。
优选的，构建系统吞吐量目标函数的过程包括：
S31：获取任务的候选网络中的参数，该参数包括：基站的发射功率、信道增益以及高斯噪声功率；
S32：采用香农公式对获取的参数进行计算，得到任务的传输速率；
S33：根据任务的传输速率计算任务的传输时延和总时延约束；
S34：根据任务的传输时延和总时延约束构建系统吞吐量目标函数。
进一步的，系统吞吐量目标函数为：
Figure BDA0003401665420000034
Figure BDA0003401665420000035
maxTtotal
其中，maxTtotal表示系统吞吐量目标函数，βi,m,k表示基站m分配给任务i子信道k，Ci,m,k表示基站m分配给任务i在子信道k的传输速率，Tm表示微基站m的吞吐量，Ttotal表示系统总吞吐量。
优选的，采用改进的BES算法对系统吞吐量目标函数进行处理的过程包括：
S41：将随机生成信道资源分配结果设为初始化种群，设置最大迭代次数，并将每次迭代得到的分配结果设为候选者；
S42：选择搜索空间，秃鹰在选择的搜索空间中识别并选择最佳的区域；
S43：在搜索阶段，利用FDB算法寻找贡献最大的候选者，秃鹰在选定的搜索空间内搜索猎物，在螺旋形空间内以不同的方向移动，更新位置；
S44：在俯冲阶段，秃鹰从搜索空间的最佳位置摇摆到它们的目标猎物，所有粒子也都朝着最好的点移动，并结合t分布变异扰动，得到最优位置；
S45：判断是否满足最大迭代数，满足则输出全局最优解，否则继续迭代。进一步的，选择最佳的区域包括：
Pi,new＝Pbest+α*γ(Pmean-Pi)
其中，α表示控制位置变化参数，γ为(0,1)间随机数，Pbest为当前秃鹰搜索确定的最佳搜索位置，Pmean为秃鹰的平均分布位置，Pi为第i只秃鹰位置。
进一步的，在搜索阶段进行处理的过程包括：
S421、在选定搜索空间内，采用螺旋飞行数学模型通过极坐标方程进行位置更新；
S422、采用秃鹰位置更新公式对更新后的秃鹰位置进行进一步的更新；
S423、利用基于适应度距离平衡(FDB)方法选择Pfd，防止算法过早陷入局部最优解。
进一步的，在俯冲阶段处理数据过程包括：
S431、秃鹰从搜索空间的最佳位置快速俯冲飞向目标猎物,种群其他个体也同时向最佳位置移动；位置更新公式为：
Figure BDA0003401665420000041
Pi,new＝rand*Pbest+δx+δy
其中，c1和c2表示秃鹰向最佳与中心位置的运动强度；
S432、利用t分布变异算子对最优个体位置进行扰动，该t分布变异算子的自由度参数会跟随迭代次数的变化而变化；
Figure BDA0003401665420000042
其中，t为当前迭代次数，TD(t)d为t-分布在第d维生成的随机数。
本发明的有益结果在于：
1)本发明方法提出了一种网络资源调度策略，在异构工业物联网环境下调度频谱资源，使得大量设备任务在满足时延的要求下执行；
2)结合改进的TOPSIS和秃鹰算法(BES)来处理网络选择和资源分配问题，改进的TOPSIS法选择结果更加符合实际情况；BES算法全局搜索能力强，收敛速度快，能够有效的解决资源分配问题；
3)对秃鹰算法进行了一定优化，在秃鹰算法搜索阶段，利用FDB算法，选择对搜索过程贡献最大的候选者，防止算法过早陷入局部最优；在俯冲阶段，每次迭代的结果融合t分布变异算子对最优个体位置进行扰动跳出局部范围，并使用贪婪原则，引导种群更好地向最优个体位置进化，更好地提高算法的收敛速度。
附图说明
图1为本发明实施例中异构网络体系结构；
图2为本发明实施例所采取的改进的BES算法流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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做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。
考虑三种网络，分别为WIFI、LTE、5G网络，共有M个微基站部署在工业物联网场景中，且每个微基站拥有k个子信道；每个用户任务都包含时延、带宽、抖动、成本四种属性，根据任务属性将用户任务分为三类，共I个用户任务；对于会话类业务，时延>抖动>可用性>带宽>费用；对于后台类业务，带宽>时延>抖动>可用性>费用；对于流媒体类业务，可用性>带宽>抖动>费用>时延；如图一所示，每个工业设备可能在多个微基站的覆盖范围下，微基站和工业设备通过核心网络与中央控制器通信；每个工业设备向中央控制器报告任务数据，中央控制器通过收集的任务数据和网络信息调度网络资源。
一种用于工业物联网环境下的异构网络资源调度方法，该方法包括：
S1：构建异构工业网络体系结构；
S2：根据构建的异构工业网络体系结构获取任务参数；采用改进的TOPSIS方法对任务参数进行处理，得到每个任务的候选网络集合；
S3：根据任务需求以及每个任务的候选网络集合分别计算任务的处理速率和传输时延，并根据任务的处理速率和传输时延构建系统吞吐量目标函数；
S4：采用改进的BES算法对系统吞吐量目标函数进行处理，得到任务时延约束条件；
S5：在任务时延约束条件下对每个设备任务分配网络资源。
如图1所示，异构工业网络体系结构包括核心网、异构无线网络、微基站以及中央控制器；设备通过微基站连接无线网络，再通过核心网络与中央控制器通信；中央控制器通过收集任务数据和网络信息来调度网络资源异。
基于WIFI、LTE、5G等多种无线网络，在工业网络体系结构中部署M个微基站，且每个微基站拥有k个子信道；将工业任务依据时延、带宽、抖动、费用、可用性等参数划分为会话类业务、流媒体类业务和背景类业务；设备通过微基站连接无线网络，再通过核心网络与中央控制器通信；中央控制器通过收集任务数据和网络信息来调度网络资源。
采用改进的TOPSIS方法对任务参数进行处理的过程包括：
步骤1：获取的任务参数包括执行该任务的时延、带宽、抖动、费用以及可用性；
步骤2：根据任务参数采用COST 231-Hata模型计算任务的信号接受强度RSS；并根据任务的信号接受强度得到该任务的可连接网络；计算路径传输损耗公式为：
L＝46.3+(44.9-6.55lghb)lgdi,m+33.9lgfc-13.82lghb-ρ
其中，L路径传输损耗，fc电磁波工作频率，hb基站天线有效高度，ρ有效天线修正因子。
计算任务的信号接受强度RSS的公式为：
RSS＝Pi-L
其中，Pi基站发射功率。
任务的时延、带宽、抖动等四种属性，构造属性决策矩阵A；
Figure BDA0003401665420000071
其中，aij和rij分别代表决策矩阵和规范后的决策矩阵中的第i个候选网络对应的第j个属性；每个网络对四种任务属性进行权重分配，得到加权矩阵D；
Figure BDA0003401665420000072
其中，wn是第n个属性的权重，
Figure BDA0003401665420000073
步骤3：采用改进的TOPSIS法对任务的可连接网络进行筛选，得到任务的有序候选网络集合。
步骤31：对时延、带宽、抖动、费用以及可用性五种指标进行归一化和标准化处理；
步骤32：采用层次分析法AHP和熵权法分别对归一化后的指标进行处理，得到五种指标的主观权重和客观权重；将主观权重和客观权重进行集成，得到指标综合权重；
步骤33：根据指标综合权重分别计算效益型和成本型指标的正理想解和负理想解；
步骤34：根据正负理想解，计算可连接网络到正、负理想解在三维空间的向量夹角余弦距离；
步骤35：根据向量夹角余弦距离，计算各可连接网络的贴近度G，对G进行排序得到候选网络集合
确定正理想解d+和负理想解d-，工业任务中的带宽属于效益型指标，指标值越大，方案越优；时延属于成本型指标，指标值越小，方案越优。
Figure BDA0003401665420000081
Figure BDA0003401665420000082
计算各线路方案到正、负理想解在三维空间的向量夹角余弦距离
Figure BDA0003401665420000083
Figure BDA0003401665420000084
Figure BDA0003401665420000085
其中，di是第i个待评价方案向量。
计算各方案贴近度G，对G进行排序得到候选网络集合：
Figure BDA0003401665420000086
其中，Gi值越接近于1，表示该方案越接近最优方案；反之，贴近度Gi值越接近于0，表示该方案越接近最劣方案。
构建系统吞吐量目标函数的过程包括：
S31：获取任务的候选网络中的参数，该参数包括：基站的发射功率、信道增益以及高斯噪声功率；
在进行资源分配时，工业物联网场景服从瑞利分布，先计算信道增益Hi,m：
Figure BDA0003401665420000087
其中，de为路径衰减指数，fc为载波频率，di,m为发送端与接收端距离。α具有单位均值的指数分布的独立随机信道衰落因子。
S32：采用香农公式对获取的参数进行计算，得到任务的传输速率；香农公式为：
Figure BDA0003401665420000091
其中，Pi,m,k为基站m分配给用户i在子信道k上的传输功率，Hi,m为信道增益，σ2高斯噪声功率，m*代表相邻基站。
S33：根据任务的传输速率计算任务的传输时延和总时延约束；计算公式为：
Figure BDA0003401665420000092
Figure BDA0003401665420000093
其中，γ为常数(根据任务类型区分)，表示计算时延，ds为设备到所选基站的距离。
S34：根据任务的传输时延和总时延约束构建系统吞吐量目标函数。
计算微基站m的吞吐量和系统总吞吐量：
Figure BDA0003401665420000094
βi,m,k＝1基站m分配给用户i子信道k，否则为0，
Figure BDA0003401665420000095
目标函数即maxTtotal
其中，maxTtotal表示系统吞吐量目标函数，βi,m,k表示基站m分配给任务i子信道k，Ci,m,k表示基站m分配给任务i在子信道k的传输速率，Tm表示微基站m的吞吐量，Ttotal表示系统总吞吐量。
如图2所示，利用BES算法，将目标函数设为算法的适应度值，得出最优解。总体步骤为：初始化种群，设置最大迭代次数，选择搜索空间，秃鹰在选择的搜索空间中识别并选择最佳的区域(根据食物的数量)；搜索阶段，利用FDB算法，寻找贡献最大的候选者，秃鹰在选定的搜索空间内搜索猎物，在螺旋形空间内以不同的方向移动，更新位置；俯冲阶段，秃鹰从搜索空间的最佳位置摇摆到它们的目标猎物，所有粒子也都朝着最好的点移动，并结合t分布变异扰动，得到最优位置；判断是否满足最大迭代数，满足则输出全局最优解，否则继续迭代。
在选择初始搜索空间时，秃鹰随机选择搜索区域,通过判断猎物数目来确定最佳搜寻位置；
Pi,new＝Pbest+α*γ(Pmean-Pi)
其中，α表示控制位置变化参数,变化范围为(1.5,2)，γ为(0,1)间随机数；Pbest为当前秃鹰搜索确定的最佳搜索位置，Pmean为秃鹰的平均分布位置，Pi为第i只秃鹰位置；
在搜索阶段，秃鹰在选定搜索空间内以螺旋形状飞行搜索猎物，螺旋飞行数学模型采用极坐标方程进行位置更新；
Figure BDA0003401665420000101
Figure BDA0003401665420000102
其中，θ(i)和r(i)为螺旋方程的极角和极径，a和R是控制螺旋轨迹的参数,变化范围分别为(5,1)、(0.5,2)；rand为(0,1)内随机数；x(i)和y(i)
表示极坐标中秃鹰位置。
由上得搜索阶段秃鹰位置更新；
Pi,new＝Pi+x(i)*(Pi-Pmean)+y(i)*(Pi-Pfd)
其中，Pfd为群体中对搜索过程贡献最大的一个或多个候选者，利用FDB算法，通过计算Pi和Pbest的距离得到；
利用基于适应度距离平衡(FDB)算法，防止算法过早的陷入局部最优解；
Figure BDA0003401665420000103
在俯冲阶段，秃鹰从搜索空间的最佳位置快速俯冲飞向目标猎物,种群其他个体也同时向最佳位置移动并攻击猎物，位置更新公式为：
Figure BDA0003401665420000111
Pi,new＝rand*Pbest+δx+δy
其中，c1和c2表示秃鹰向最佳与中心位置的运动强度,取值均为(1,2)；
利用t分布变异算子对最优个体位置进行扰动，该t分布变异算子的自由度参数会跟随迭代次数的变化而变化；
Figure BDA0003401665420000112
其中，t为当前迭代次数，TD(t)d为t-分布在第d维生成的随机数。利用了贪婪原则来判断是否接受新位置代替原最优位置。通过使用贪婪原则，引导种群更好地向最优个体位置进化，更好地提高算法的收敛速度。
以上所举实施例，对本发明的目的、技术方案和优点进行了进一步的详细说明，所应理解的是，以上所举实施例仅为本发明的优选实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内对本发明所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种用于工业物联网环境下的异构网络资源调度方法，其特征在于，该方法包括：
S1：构建异构工业网络体系结构；
S2：根据构建的异构工业网络体系结构获取任务参数；采用改进的TOPSIS方法对任务参数进行处理，得到每个任务的候选网络集合；
S3：根据任务需求以及每个任务的候选网络集合分别计算任务的处理速率和传输时延，并根据任务的处理速率和传输时延构建系统吞吐量目标函数；
S4：采用改进的BES算法对系统吞吐量目标函数进行处理，得到任务时延约束条件；
S5：在任务时延约束条件下对每个设备任务分配网络资源。
2.根据权利要求1所述的一种用于工业物联网环境下的异构网络资源调度方法，其特征在于，异构工业网络体系结构包括核心网、异构无线网络、微基站以及中央控制器；设备通过微基站连接无线网络，再通过核心网络与中央控制器通信；中央控制器通过收集任务数据和网络信息来调度网络资源异。
3.根据权利要求1所述的一种用于工业物联网环境下的异构网络资源调度方法，其特征在于，采用改进的TOPSIS方法对任务参数进行处理的过程包括：
步骤1：获取的任务参数包括执行该任务的时延、带宽、抖动、费用以及可用性；
步骤2：根据任务参数采用COST 231-Hata模型计算任务的信号接受强度RSS；并根据任务的信号接受强度得到该任务的可连接网络；
步骤3：采用改进的TOPSIS法对任务的可连接网络进行筛选，得到任务的有序候选网络集合。
4.根据权利要求3所述的一种用于工业物联网环境下的异构网络资源调度方法，其特征在于，采用改进的TOPSIS法对任务的可连接网络进行筛选的过程包括：
步骤1：对时延、带宽、抖动、费用以及可用性五种指标进行归一化和标准化处理；
步骤2：采用层次分析法AHP和熵权法分别对归一化后的指标进行处理，得到五种指标的主观权重和客观权重；将主观权重和客观权重进行集成，得到指标综合权重；
步骤3：根据指标综合权重分别计算效益型和成本型指标的正理想解和负理想解；
步骤4：根据正负理想解，计算可连接网络到正、负理想解在三维空间的向量夹角余弦距离；
步骤5：根据向量夹角余弦距离，计算各可连接网络的贴近度G，对G进行排序得到候选网络集合；计算贴近度G的计算公式为：
Figure FDA0003401665410000021
其中，di是第i个待评价方案向量；
Figure FDA0003401665410000022
和
Figure FDA0003401665410000023
分别为各方案到正、负理想解的向量夹角余弦距离；Gi值越接近于1表示该方案越接近最优方案，反之越接近于0表示该方案越接近最劣方案。
5.根据权利要求1所述的一种用于工业物联网环境下的异构网络资源调度方法，其特征在于，构建系统吞吐量目标函数的过程包括：
S31：获取任务的候选网络中的参数，该参数包括：基站的发射功率、信道增益以及高斯噪声功率；
S32：采用香农公式对获取的参数进行计算，得到任务的传输速率；
S33：根据任务的传输速率计算任务的传输时延和总时延约束；
S34：根据任务的传输时延和总时延约束构建系统吞吐量目标函数。
6.根据权利要求5所述的一种用于工业物联网环境下的异构网络资源调度方法，其特征在于，系统吞吐量目标函数为：
Figure FDA0003401665410000024
Figure FDA0003401665410000031
maxTtotal
其中，maxTtotal表示系统吞吐量目标函数，βi,m,k表示基站m分配给任务i子信道k，Ci,m,k表示基站m分配给任务i在子信道k的传输速率，Tm表示微基站m的吞吐量，Ttotal表示系统总吞吐量。
7.根据权利要求1所述的一种用于工业物联网环境下的异构网络资源调度方法，其特征在于，采用改进的BES算法对系统吞吐量目标函数进行处理的过程包括：
S41：将随机生成信道资源分配结果设为初始化种群，设置最大迭代次数，并将每次迭代得到的分配结果设为候选者；
S42：选择搜索空间，秃鹰在选择的搜索空间中识别并选择最佳的区域；
S43：在搜索阶段，利用FDB算法寻找贡献最大的候选者，秃鹰在选定的搜索空间内搜索猎物，在螺旋形空间内以不同的方向移动，更新位置；
S44：在俯冲阶段，秃鹰从搜索空间的最佳位置摇摆到它们的目标猎物，所有粒子也都朝着最好的点移动，并结合t分布变异扰动，得到最优位置；
S45：判断是否满足最大迭代数，满足则输出全局最优解，否则继续迭代。
8.根据权利要求7所述的一种用于工业物联网环境下的异构网络资源调度方法，其特征在于，选择最佳的区域包括：
Pi,new＝Pbest+α*γ(Pmean-Pi)
其中，α表示控制位置变化参数，γ为(0,1)间随机数，Pbest为当前秃鹰搜索确定的最佳搜索位置，Pmean为秃鹰的平均分布位置，Pi为第i只秃鹰位置。
9.根据权利要求7所述的一种用于工业物联网环境下的异构网络资源调度方法，其特征在于，在搜索阶段进行处理的过程包括：
S421、在选定搜索空间内，采用螺旋飞行数学模型通过极坐标方程进行位置更新；
S422、采用秃鹰位置更新公式对更新后的秃鹰位置进行进一步的更新；
S423、利用基于适应度距离平衡方法选择Pfd，防止算法过早陷入局部最优解。
10.根据权利要求7所述的一种用于工业物联网环境下的异构网络资源调度方法，其特征在于，在俯冲阶段处理数据过程包括：
S431、秃鹰从搜索空间的最佳位置快速俯冲飞向目标猎物,种群其他个体也同时向最佳位置移动；位置更新公式为：
Figure FDA0003401665410000041
Pi,new＝rand*Pbest+δx+δy
其中，c1和c2表示秃鹰向最佳与中心位置的运动强度；
S432、利用t分布变异算子对最优个体位置进行扰动，该t分布变异算子的自由度参数会跟随迭代次数的变化而变化；
Figure FDA0003401665410000042
其中，t为当前迭代次数，TD(t)d为t-分布在第d维生成的随机数。
CN202111501136.7A 2021-12-09 2021-12-09 一种用于工业物联网环境下的异构网络资源调度方法 Active CN114173359B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111501136.7A CN114173359B (zh) 2021-12-09 2021-12-09 一种用于工业物联网环境下的异构网络资源调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111501136.7A CN114173359B (zh) 2021-12-09 2021-12-09 一种用于工业物联网环境下的异构网络资源调度方法

Publications (2)

Publication Number Publication Date
CN114173359A true CN114173359A (zh) 2022-03-11
CN114173359B CN114173359B (zh) 2023-07-14

Family

ID=80485035

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111501136.7A Active CN114173359B (zh) 2021-12-09 2021-12-09 一种用于工业物联网环境下的异构网络资源调度方法

Country Status (1)

Country Link
CN (1) CN114173359B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114630450A (zh) * 2022-03-29 2022-06-14 江苏拓邮信息智能技术研究院有限公司 一种工业互联网多通道数据上传系统
CN116429721A (zh) * 2023-03-15 2023-07-14 东北农业大学 一种基于mpa框架的松子近红外光谱波段选择方法
CN118485320A (zh) * 2024-07-16 2024-08-13 福建福大建筑规划设计研究院有限公司 面向城水关系的城市蓄排空间优化方法及模拟系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090016338A1 (en) * 2005-06-03 2009-01-15 Koninklijke Philips Electronics, N.V. Electronic device and method of communication resource allocation
US7861247B1 (en) * 2004-03-24 2010-12-28 Hewlett-Packard Development Company, L.P. Assigning resources to an application component by taking into account an objective function with hard and soft constraints
CN107295109A (zh) * 2017-08-16 2017-10-24 重庆邮电大学 自组织网络云计算中的任务卸载与功率分配联合决策方法
CN109413724A (zh) * 2018-10-11 2019-03-01 重庆邮电大学 一种基于mec的任务卸载和资源分配方案
CN111278132A (zh) * 2020-01-19 2020-06-12 重庆邮电大学 移动边缘计算中面向低时延高可靠业务的资源分配方法
CN111614754A (zh) * 2020-05-20 2020-09-01 重庆邮电大学 面向雾计算的成本效率优化的动态自适应任务调度方法
US10855754B1 (en) * 2018-07-16 2020-12-01 Amazon Technologies, Inc. Isolated read channel categories at streaming data service
CN112423346A (zh) * 2020-10-27 2021-02-26 清华大学 一种中继多址接入调度方法、装置、电子设备及存储介质
CN112737842A (zh) * 2020-12-29 2021-04-30 西北工业大学深圳研究院 空地一体化车联网中基于最小化时延的任务安全卸载方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7861247B1 (en) * 2004-03-24 2010-12-28 Hewlett-Packard Development Company, L.P. Assigning resources to an application component by taking into account an objective function with hard and soft constraints
US20090016338A1 (en) * 2005-06-03 2009-01-15 Koninklijke Philips Electronics, N.V. Electronic device and method of communication resource allocation
CN107295109A (zh) * 2017-08-16 2017-10-24 重庆邮电大学 自组织网络云计算中的任务卸载与功率分配联合决策方法
US10855754B1 (en) * 2018-07-16 2020-12-01 Amazon Technologies, Inc. Isolated read channel categories at streaming data service
CN109413724A (zh) * 2018-10-11 2019-03-01 重庆邮电大学 一种基于mec的任务卸载和资源分配方案
CN111278132A (zh) * 2020-01-19 2020-06-12 重庆邮电大学 移动边缘计算中面向低时延高可靠业务的资源分配方法
CN111614754A (zh) * 2020-05-20 2020-09-01 重庆邮电大学 面向雾计算的成本效率优化的动态自适应任务调度方法
CN112423346A (zh) * 2020-10-27 2021-02-26 清华大学 一种中继多址接入调度方法、装置、电子设备及存储介质
CN112737842A (zh) * 2020-12-29 2021-04-30 西北工业大学深圳研究院 空地一体化车联网中基于最小化时延的任务安全卸载方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
惠毅;周志杰;张文强;郑翔;: "一种基于业务优先级的跨层资源分配算法", 系统仿真学报 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114630450A (zh) * 2022-03-29 2022-06-14 江苏拓邮信息智能技术研究院有限公司 一种工业互联网多通道数据上传系统
CN116429721A (zh) * 2023-03-15 2023-07-14 东北农业大学 一种基于mpa框架的松子近红外光谱波段选择方法
CN118485320A (zh) * 2024-07-16 2024-08-13 福建福大建筑规划设计研究院有限公司 面向城水关系的城市蓄排空间优化方法及模拟系统

Also Published As

Publication number Publication date
CN114173359B (zh) 2023-07-14

Similar Documents

Publication Publication Date Title
CN114173359B (zh) 一种用于工业物联网环境下的异构网络资源调度方法
CN110602633B (zh) 一种面向爆发性流量的移动边缘计算无人机群辅助通信方法
Chen et al. Wireless resource scheduling in virtualized radio access networks using stochastic learning
KR101583582B1 (ko) 동적 주파수 스펙트럼 최적화 방법, 장치 및 시스템
US9042305B2 (en) Apparatus and method for antenna management
Zhang et al. Team learning-based resource allocation for open radio access network (O-RAN)
CN109947545A (zh) 一种基于用户移动性的任务卸载及迁移的决策方法
CN110753319B (zh) 异构车联网中面向异质业务的分布式资源分配方法及系统
CN112702713B (zh) 一种多约束条件下的低空无人机通信部署方法
CN113359480A (zh) 基于mappo算法多无人机与用户协同通信优化方法
Lee et al. Multi-Agent Reinforcement Learning in Controlling Offloading Ratio and Trajectory for Multi-UAV Mobile Edge Computing
KR101568081B1 (ko) 셀룰러 시스템에서의 d2d 통신을 위한 자원 할당 방법 및 그 장치
CN117835418B (zh) 基于蜂窝网联无人机的空地协同监控资源分配方法及装置
Li et al. Value of service maximization in integrated localization and communication system through joint resource allocation
Ismail et al. Towards 6G Technology: Insights into Resource Management for Cloud RAN Deployment
Tlouyamma et al. Investigative analysis of channel selection algorithms in cooperative spectrum sensing in cognitive radio networks
Stan et al. 5G radio resource allocation for communication and computation offloading
CN116248688A (zh) 一种基于深度强化学习的空地协同服务迁移方法
WO2022079834A1 (ja) 通信情報予測装置、通信情報予測方法、および通信情報予測プログラム
CN114980205A (zh) 多天线无人机视频传输系统QoE最大化方法和装置
Philip et al. Cellular Base Station Deployment Using PSO and Genetic Algorithm
Barnes Cognitive radio performance optimisation through spectrum availability prediction
Mwaimu et al. Improved Resource Allocation Model for Reducing Interference Among Secondary Users in TV White Space for Broadband Services
Sriyananda et al. Device and network coordination for opportunistic utilization of radio resources in 3D networks
Nair et al. Resource allocation in V2X communication: State-of-the-art and research challenges

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