一种异构融合场景中基于混合优化的资源分配方法组成比例

本发明专利技术提供了一种异构网络融合场景中基于混合优化的资源分配方法，其包括建立优化目标函数、基于遗传运算的资源初次分配和基于蚁群算法的资源再分配三个阶段。首先，根据获取的异构网络资源信息、移动终端数量、业务种类及其服务质量要求来建立优化目标函数和其所需要满足的约束条件；其次，将优化目标函数映射为遗传运算的适值函数，初始化种群并设置遗传参数，通过选择、交叉、变异，种群更新等一系列迭代操作得到资源初次分配结果；最后，将遗传运算得到的资源初次分配结果作为蚁群算法中的初始信息素分布，通过蚁群算法对资源进行再次分配。本发明专利技术所提供的方法解决了异构网络中能最大化资源利用率，同时满足业务服务质量的最佳资源分配问题。

【技术实现步骤摘要】

本专利技术属于移动通信
，尤其涉及一种异构网络融合场景中基于混合优化的资源分配方法。
技术介绍
无线通信技术的迅猛发展形成了异构通信网络，在多种接入技术、组网方式、无线终端并存的场景下，实现多种无线通信技术的有机融合，是技术发展的必然趋势，也是实现最优网络资源使用和最佳用户服务质量保障的有效途径。随着宽带无线应用的推广，无线资源日趋紧张，资源分配技术成为实现异构网络融合的关键技术之一。在异构网络中，除了无线接入技术的多样性，还包括业务类型的多样性。相应地，资源分配技术既要考虑不同无线接入技术的特点也要考虑多种业务的不同需求。在异构网络环境下，不同的无线网络在传输速率、覆盖范围、系统容量及提供的服务水平方面有很大的差异。传统的基于用户移动性和业务特征的资源分配方法不能有效地应用到泛在网络中，这些算法通常仅考虑一种业务类型，没有考虑支持多种业务的情景以及资源分配对网络性能和用户QoS的重要作用。现有的异构网络中的资源分配方法，往往仅从用户端或者仅从网络端考虑，缺乏对网络资源和业务特性的清晰把握，从而导致资源分配存在很多的不足，无法适应网络资源的动态变化和不同QoS需求。目前各主流算法均存在各自的优缺点，如遗传算法虽然全局搜索能力较好，但对系统中的反馈信息却无能为力，缺乏局部搜索能力容易陷入局部最优解；蚁群算法虽具有很强的发现“较优解”的能力，但初期信息素缺乏会导致搜索效率低。本专利技术采用基于混合优化的资源分配方法，该方法结合不同无线网络和业务类型特点，最大化资源利用率，同时满足各类业务的QoS要求。采用遗传运算与蚁群算法相结合的混合优化方法求解资源优化问题，先利用遗传算法快速随机的全局搜索能力来产生初始信息素，再利用蚁群算法求精确解，优势互补，不仅能够清晰描述移动终端在使用有限资源时的竞争关系与相互作用，而且很大的提高了时间效率和最优解精确度。
技术实现思路
本专利技术提供了异构融合场景中一种基于混合优化的资源分配方法，其目的以最大化资源利用率为目标，同时保证各类业务QoS需求，寻求面向异构网络中覆盖范围内所有移动终端的最佳资源分配方案。本专利技术给出了在异构网络融合场景中，采用遗传运算与蚁群算法相结合的混合优化方法来寻求最佳资源分配方案。其中，异构网络融合系统包括N种无线接入网络(RANs，RadioAccessNetworks)，每种RAN具有不同的覆盖范围和带宽支持能力，如图1所示。假设RAN-1具有最大的覆盖范围但提供的带宽最低，RAN-n(n＝2,…,N)提供的带宽较高但覆盖范围较小，Bn表示RAN-n含有的带宽单元数，不同的RAN其带宽单元提供的带宽不同，覆盖面积越大，带宽单元提供的带宽越小，设RAN-1的带宽单元为基本带宽单元(BBU，BasicBandwidthUnit)，一个Bn(n＝2,…,N)等于βn(n＝2,…,N)个BBUs，βn>1。每种网络都支持J类业务，满足j类业务的最少BBUs数为最多为在研究区域有M个随机分布的移动终端(MTs，MobileTerminals),MT是多模终端，即可以同时接入多种RANs，用表示由RAN-n(n＝1,…,N)分配给移动终端m(m＝1,…,M)的j(j＝1,…,J)类业务的BBUs，表示网络分配给业务的优先级参数，本专利技术以最大化资源利用率为目标建立优化目标函数，再将其转化为遗传算法的适值函数，种群中个体用矢量表示，S‾=[b111,...,b11N,...,b1J1,...,b1JN,...,bi11,...,bi1N,...,biJ1,...,biJN,...,bM11,...,bM1N,...,bMJ1,...,bMJN],]]>再经过种群初始化、计算适值函数、选择、交叉、变异、种群更新等一系列迭代运算后得到资源初次分配结果，然后将其转换为蚁群算法的初始信息素分布，每只蚂蚁按照信息素浓度决定转移方向，依据每次循环结果进行全局信息素更新，经过多次循环迭代得到最佳资源分配方案，最后根据最佳资源分配方案为移动终端的每个业务请求分配相应的带宽资源。本方法的框图如图2所示。具体步骤分为三个阶段：(1)建立优化目标函数阶段根据获取的研究区域内RANs种类及其提供的带宽、用户数量、业务种类及其QoS要求等信息确定优化目标函数及其约束条件。Cn表示RAN-n的系统容量，即RAN-n所包含的BBUs数量，表示资源利用率，则资源分配优化问题应满足：maxη(bmjn)]]>s.tBjmin≤bmjn≤Bjmax]]>(1)Σm=1MΣj=1Jbmjnxmjn≤Cn]]>Σn=1Nxmjn=1,xmjn∈{0,1本文档来自技高网...

【技术保护点】
一种异构融合场景中基于混合优化的资源分配方法，其特征在于，该方法包括建立优化目标函数，基于遗传运算的资源初次分配，基于蚁群算法的资源再分配三个主要阶段；建立优化目标函数阶段：首先获取异构网络资源信息、移动终端数量、业务种类及其服务质量QoS要求等信息，然后以最大化资源利用率为目标建立优化目标函数，同时确定相应的约束条件；基于遗传运算的资源初次分配阶段：首先根据优化目标函数建立评价个体的适值函数，然后经选择、交叉、变异、种群更新遗传操作多次迭代求得初次分配结果；基于蚁群算法的资源再分配阶段：将遗传运算的初次分配结果转换为蚁群算法的初始信息素分布，每只蚂蚁按照信息素浓度决定转移方向，每次循环结束更新全局信息素，经过多次迭代得到最佳资源分配方案，最后根据最佳资源分配方案为移动终端的每个业务请求分配相应的带宽资源。

【技术特征摘要】
1.一种异构融合场景中基于混合优化的资源分配方法，其特征在于，该方法包括建立优化目标函数，基于遗传运算的资源初次分配，基于蚁群算法的资源再分配三个主要阶段；
建立优化目标函数阶段：首先获取异构网络资源信息、移动终端数量、业务种类及其服务质量QoS要求等信息，然后以最大化资源利用率为目标建立优化目标函数，同时确定相应的约束条件；
基于遗传运算的资源初次分配阶段：首先根据优化目标函数建立评价个体的适值函数，然后经选择、交叉、变异、种群更新遗传操作多次迭代求得初次分配结果；
基于蚁群算法的资源再分配阶段：将遗传运算的初次分配结果转换为蚁群算法的初始信息素分布，每只蚂蚁按照信息素浓度决定转移方向，每次循环结束更新全局信息素，经过多次迭代得到最佳资源分配方案，最后根据最佳资源分配方案为移动终端的每个业务请求分配相应的带宽资源。
2.根据权利要求1所述的异构融合场景中基于混合优化的资源分配方法，其特征在于：建立优化目标函数阶段中根据获取的无线网络资源信息、移动终端数量、业务种类及其QoS要求，以最大化资源利用率为目标，以满足网络容量限制和不同业务QoS要求为条件来建立优化目标函数和相应的约束条件。
3.根据...

【专利技术属性】
技术研发人员：夏玮玮，王佩，沈连丰，胡静，宋铁成，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏;32