[发明专利]一种基于多目标的异构无线网络业务接入控制方法及装置

权利要求书

1.一种基于多目标的异构无线网络业务接入控制方法，其特征在于，具体包括以下步骤：

步骤1000：在用户接入网络时，获取网络中存在的网络数量和用户业务数量参数；

步骤2000：根据异构无线网络状态，获取异构无线网络环境中的实时业务与非实时业务的速率、信道带宽、信号功率、噪声功率和二维资源单元数参数；

步骤3000：计算用户信息传输速率r(x)，计算方法见公式(1)：

其中，b_ij表示业务i在网络j中分配到的信道带宽，S_ij表示业务i在网络j中的信号功率，N_ij表示业务i在网络j中的噪声功率，m表示网络数量总个数；

步骤4000：计算业务资源占有量f(x)，计算方法见公式(2)：

其中，x_ij表示业务i接入到网络j中的情况，t_ij表示业务i接入到网络j所占用的二维资源单元数，n为业务数量总个数，m为网络数量总个数；

步骤5000：计算网络阻塞率g(x)，计算方法见公式(3)：

其中，x_ij表示业务i接入到网络j中的情况，n表示业务数量总个数，m表示网络数量总个数；

步骤6000：确定异构无线网络业务接入控制的目标函数，目标函数见公式(4)：

其中，maxr(x)为最大化信息传输速率，b_ij表示业务i在网络j中分配到的信道带宽，S_ij表示业务i在网络j中的信号功率，N_ij表示业务i在网络j中的噪声功率，j的取值范围为[1,m]，i的取值范围为[1,n]；minf(x)为最小化业务资源占有量，x_ij表示业务i接入到网络j中的情况，t_ij表示业务i接入到网络j所占用的二维资源单元数，n表示业务数量总个数，m表示网络数量总个数；ming(x)为最小化网络阻塞率；

步骤7000：利用改进引力搜索算法得到最优粒子，根据支配关系更新外部归档集，进一步包括以下步骤：

步骤7010：随机生成初始种群，设置种群迭代次数，外部归档集最大值，万有引力常量G₀，初始化粒子的位置x、速度v；

步骤7020：根据步骤6000所述的异构无线网络业务接入控制的目标函数见公式(4)，计算每个粒子的适应度值；

步骤7030：计算粒子的权重向量：对M维空间进行采样，H为每个目标方向上采样数量，在寻优空间中得到个均匀分布的权重向量，其规定采样步长表示为δ＝1/H，输出均匀分布的向量集合A，集合A＝{0,1/H,2/H,...,1}，从集合A里面选择出m个数，使得这m个数的和为1，也即λ₁+λ₂+...+λ_m＝1，其中λ₁λ₂...λ_m为权重向量；

步骤7040：根据每个粒子的权重向量，采用公式(5)将目标聚合；

ming^te(x|λ,z^*)＝max{|λ₁(f(x)-z₁^*)|,|λ₂(g(x)-z₂^*)|,|λ₃(r(x)-z₃^*)|} (5)

其中，r(x)为信息传输速率；f(x)为业务资源占有量；g(x)为网络阻塞率；λ＝(λ₁,...,λ_m)为权重，λ_m取值范围为[0,1]；是由各目标函数最优值构成的参考点，进化过程中通过计算个体最优值与参考点之间的距离来判定种群个体适应度值的优劣，距离越小其适应度值越优；

步骤7050：假设粒子的M_ai(t)、M_bi(t)、M_ii(t)和M_i(t)值相等，计算粒子惯性质量，计算方法见公式(6)：

其中，M_ai(t)为t时刻受力个体i的主动引力质量，M_bi(t)为t时刻施力个体i的被动引力质量，M_ii(t)表示t时刻粒子i的惯性质量，M_i(t)为t时刻某次迭代时粒子i的质量，m_i(t)为t时刻第i个粒子的个体质量，m_j(t)为第j个粒子的个体质量，j的取值范围为[1,N]，N为搜索空间中存在N个粒子，fit_i(t)表示粒子的适应度值，worst(t)表示质量最大粒子的适应度值，best(t)表示质量最小粒子的适应度值，worst(t)、best(t)的定义见公式(7)：

其中，i的取值范围为[1,N]，N为搜索空间中存在N个粒子，fit(t)表示t时刻粒子的适应度值；

步骤7060：计算在第t次迭代中种群中粒子j对粒子i的作用力计算公式见公式(8)：

其中，为t时刻种群中粒子j对粒子i的作用力，表示t时刻粒子i在第D维空间的位置，表示粒子j在第D维空间的位置信息，R_ij(t)表示t时刻粒子i与粒子j之间的欧氏距离，ε为最小数值，防止分母为0，M_aj(t)代表t时刻受力个体j的主动引力质量，M_bi(t)表示t时刻施力个体i的被动引力质量，G(t)为t时刻的引力常量，其计算公式见公式(9)：

G(t)＝G₀×e^-αt/T (9)

其中，G₀为常系数的初始值，常设定为100，α为下降系数，常设定为20，t为当前迭代次数，T为总迭代次数；

步骤7070：计算粒子加速度，粒子i在t时刻的加速度计算公式见公式(10)：

其中，为t时刻粒子i在d维空间的加速度，M_ii(t)表示t时刻粒子i的惯性质量，F_i^d(t)为t时刻粒子i在d维空间的作用力，计算公式见公式(11)：

其中，rand_j取值范围为[0,1]，表示t时刻在种群中粒子j对粒子i的作用力，D为维度，N为D维搜索空间中存在N个粒子；

步骤7080：采用公式(12)(13)的异步学习因子，记忆粒子自身最优信息与种群最优信息；

c₁＝c_{1_ini}+(c_{1_fin}-c_{1_ini})*t/T (12)

c₂＝c_{2_ini}+(c_{2_fin}-c_{2_ini})*t/T (13)

其中，c_{1_ini}、c_{2_ini}代表着初始学习能力，c_{1_fin}、c_{2_fin}代表迭代结束时的学习能力，t表示当前迭代次数，T表示最大迭代次数；

步骤7090：将粒子速度正弦值映射为粒子位置向量改变的概率值，计算公式见公式(14)；

其中，v为粒子的速度值，f(v)为将粒子速度正弦值映射为粒子位置向量改变的概率值；

步骤7100：利用公式(15)改变粒子的搜索路径；

其中，Levy(ε)为莱维飞行搜索路径，u服从正态分布曲线，β取值范围为(0,2)，u～N(0,σ²)，v～N(0,1)，σ定义如下：

其中，β取值范围为(0,2)，Γ表示伽马函数，通过公式(15)(16)确定莱维飞行的搜索路径Levy(ε)；

步骤7110：根据步骤7020到步骤7100所得到的最优粒子的适应度值根据公式(17)的非支配排序对粒子进行更新：

其中，对于最小化问题，X₁、X₂是非支配排序前存在两个解，解X₁在所有目标上的数值均不劣于X₂，且在X₁上，至少有一个目标函数值优于X₂，称为X₁支配X₂，X₁为非支配解，X₂为支配解；

步骤7120：将得到的最优粒子根据支配关系更新外部归档集，执行步骤8000；

步骤8000：对步骤7120所得到的外部归档集采用数据场和旋转基技术引导种群进化，进一步包括以下步骤：

步骤8100：判断外部归档集中非支配解的数量与其拥有非支配解的最大值，若超出其最大值，则进行步骤8200进行外部归档集的调整删减，否则执行步骤8300，得到第1类引导粒子；

步骤8200：将外部归档集中的非支配解集映射到引力数据场中，引入数据场中势能的计算方法，其计算公式见公式(18)，计算外部归档集中每个粒子的势能，并对外部归档集进行删减，逐步删除势能大的粒子，直到非支配解集的数量为外部归档集的最大值，对粒子i的数据势能计算公式为：

其中：ψ(x_i)为第i个粒子的数据势能，ρ_j代表粒子j在数据场中的属性值，σ为粒子在数据场中的影响因子，x_i为第i个粒子的位置信息，R_ij表示粒子i与粒子j之间的欧氏距离，N为搜索空间中存在N个粒子；

步骤8300：引入粒子的数据场势能公式(18)，计算外部归档集中每个粒子的势能，反映种群粒子的分布形式，对每个粒子的势能进行排序，依据势能大小选择引导粒子，由数据场势能原理选择的粒子称为第1类引导粒子，将其命名为GF；

步骤8400：选取进化种群中分布性好的粒子作为第2类引导粒子，将其命名为GE，进一步包括以下步骤：

步骤8410：对外部归档集中的粒子按照公式(17)进行非支配排序，并按照粒子排序的不同将粒子放置在不同层；

步骤8420：利用分布程度指标F_i，见公式(19)，计算解集在目标空间中的分布程度，其值越小，解集在目标空间中分布越均匀，分布程度指标F_i定义为：

其中，K代表Pareto解集中所拥有的解的数量，用表示它们之间的平均距离，d_i表示为第i个非劣解的目标向量到最优解目标向量的距离，d_i的计算公式为公式(20)：

其中，表示第i个非劣解的目标向量，表示第j个非劣解的目标向量，j和i不相等，k的取值范围为[1,K]，K代表Pareto解集中所拥有的解的数量；

步骤8430：采用旋转基技术，在每次迭代的终点与绘制基点的连线形成旋转角，将旋转角度累加绘制成映射折线，最优解在各目标上的性能越均衡，最终映射折线会越趋近于一条直线，利用映射折线与最优解性能之间的关系，对外部归档集中的粒子进行排序后，若粒子的分布性指标均相同，采用旋转基映射折线距离L来进行辅助判别，选择粒子质量大，分布均匀的粒子进行引导粒子进化，L的定义见公式(21)：

其中，θ_i、θ_j分别表示第i次和第j次旋转所形成的角度，r为旋转的最大次数，L为旋转基映射折线距离；

步骤8440：最终选择粒子质量大，分布均匀的粒子作为第2类引导粒子，将其命名为GE；

步骤8500：根据步骤8400所选择出的距离大的S_GE个第2类引导粒子，以步骤7000改进的引力搜索算法进化方式对种群粒子进行引导进化，第2类引导粒子的具体引导方式为：

其中，为t+1时刻第2类引导粒子，表示t时刻第j个第2类引导粒子的质量，R_ij(t)表示t时刻粒子i与粒子j之间的欧氏距离，x_i(t)和x_j(t)分别表示粒子i和粒子j在t时刻的位置信息，G为引力常数，S_GE为第2类引导粒子的数量；

步骤8600：种群粒子在GF、GE两类引导粒子的共同引导下运动，粒子的速度及位置信息的更新方式如公式(23)所示：

rand_i的取值范围是[0,1]，表示粒子i在t时刻的速度，表示粒子i在t+1时刻的速度，代表粒子i在t+1时刻的位置信息，为t+1时刻第1类引导粒子，为t+1时刻第2类引导粒子；

步骤8700：若达到足够好的适应度值或达到最大迭代次数，则终止循环，执行步骤9000，否则转到步骤7020继续执行；

步骤9000：输出最优解集，即为获得的最优异构无线网络业务接入控制方案。

2.一种采用如权利要求1任一项所述的一种基于多目标的异构无线网络业务接入控制方法的装置，所述装置包括：

数据采集模块：用于采集步骤1000、步骤2000所述的参数；

目标函数确定模块：根据步骤3000、4000和5000所述的用户信息传输速率、业务资源占有量和网络阻塞率，确定步骤6000所述的多目标优化函数模型；

模型求解模块：利用步骤7000、步骤8000所述的求解算法对步骤6000所述的多目标优化函数模型进行求解，最终获得最优的异构无线网络业务接入方案。