[发明专利]一种基于神经网络的超密集异构网络负载均衡优化方法

摘要

本发明提供了一种基于神经网络的超密集异构网络负载均衡优化方法，将ART2型神经网络和基于代价的分布式方法相结合的低复杂度超密集异构网络下行用户连接方法，联合调整所有小站的代价偏置值，解决超密集异构网中的负载均衡问题。本发明采用ART2型神经网络的分类设置初始值，可以大大降低迭代次数和计算复杂度，能提高基站边缘和中间的用户的吞吐量率，自动的均衡跨层和同层之间基站的负载，进一步显著降低负载均衡迭代方法的迭代次数，更加适应快速复杂多变的实际情况。

主权项

1.一种基于神经网络的超密集异构网络负载均衡优化方法，其特征在于，包括如下步骤：第一步：采集网络信息，初始化参数采集网络中的宏站数目N_m、小站数目N_p及用户数目N_U；将站点集合记为B＝{M,P}，其中宏站集合小站集合总的基站数目为N_B，用户集合初始化最大迭代次数t_max，迭代终止次数T_res，迭代更新步长δ；初始化当前迭代次数t，可以接受的最大误差ε；初始化当迭代误差达到ε范围内持续的迭代次数t_res；采集各个基站可以提供给所有用户的瞬时最高数据速率，得到基站可以提供给用户的瞬时最高数据速率的最大值c_max和最小值c_min；把数据速率区间[c_min,c_max]划分成k个等间隔的[c_min,c₁],[c₁,c₂],…[c_k‑1,c_max]数据速率区间；统计各个基站的k个数据速率区间内用户的数目，得到包含kN_B个值的向量作为ART2神经网络的输入；第二步：初始化ART2神经网络比较层F₁层，分别是w,x,v,u,p,q层，以及三个增益控制模块G₁,G₂,G₃分别抑制x,u和q三层；F₁层所有的子层，以及定向子系统中的r层所包含的神经元数目均相同，分别用包含kN_B个值的向量表示；F₁中的所有子层之间的连接方式为对应神经元之间的一对一连接；初始化识别层F₂层，每个神经元对应一个模式类，神经元数目能够在训练过程中动态增长以增加新的模式类；初始化ART2型神经网络系数a，b，c，d以及阈值θ，警戒值0＜ρ≤1；初始化F₂层第j个神经元到p层第i个神经元的连接权值z'_ji(0)，p层第i个神经元到F₂层j个神经元的连接权值z_ij(0)，初始化所有神经元的输出和计数器初值；第三步：F₁层内运算向w层输入向量l，w层第i个神经元输出为：w_i＝l_i+au_i                                   (1)传递信号到x层，x层第i个神经元输出为：传递信号到v层，v层第i个神经元输出为：v_i＝f(x_i)+bf(q_i)                               (3)函数f(·)决定了F₁层的对比度增强特性，采用如下阈值函数：传递信号到u层，u层第i个神经元输出为：传递信号到p层，p层第i个神经元输出为：其中，z′_ji是F₂层第j个神经元到p层第i个神经元的连接权值，g(y_j)由公式(7)(8)获得z_ij是p层第i个神经元到F₂层j个神经元的连接权值，J为F₂层的获胜神经元，如果F₂层没被激活或者网络处于初始状态，则p_i＝u_i；传递信号到q层，q层第i个神经元输出为：重复F₁层内子层的运算直到稳定；第四步：计算r层第i个神经元输出如果ρ/||r||＞1，则向F₂层送出一个重整信号，把当前激活的F₂层神经元排除，计数器置为1，返回第三步；如果无重整，且计数器为1，则计数器加1并执行第五步；如果无重整且计数器大于1，则执行第六步，此时网络已达到共振；第五步：将p层第i个神经元输出输入到F₂层，计算F₂层的第j个神经元的输入：只有获胜神经元才有非零输出，所有已被排除的神经元都不参与竞争：重复第三步和第四步；第六步：修改F₂层获胜神经元的从下到上的权值：修改F₂层获胜神经元的从上到下的权值：撤销输入向量，并记忆所有未被占用的F₂层神经元，判断返回输入向量的类别和是否是新类；第七步：如果ART2神经网络判断当前用户速率分布是新类，初始化基站连接代价偏置集合μ(t)，如果判断当前用户速率分布是已有类别，则用存储的对应类别的基站连接代价偏置值来初始化μ(t)；初始化每个基站的用户连接数目集合K(t)，索引t表示μ和K迭代更新的顺序；基站连接代价集合和基站用户数目集合包含N_B个基站的代价值和连接的用户数目，即基站j连接的用户数目k_j(t)满足0≤k_j(t)≤N_U；x_ij是二元变量，为1则表示用户i连接到基站j上；用户连接优化问题表示为：假设总共k_j个用户连接到基站j上，为了最大化目标对数效用函数(15a)，每个用户应该被平均分到基站的1/k_j的时频资源；如果用户i连接到基站j，基站能够提供的长期用户速率为：c_ij为基站j能够提供给用户i的瞬时最高速率，其中W_B表示基站可用的带宽，P_j是基站j的传输功率，g_ij是用户i和基站j的信道增益，σ²是噪声功率；优化问题(15)重新表示为：第八步：用拉格朗日对偶分解方法引入拉格朗日乘子v分别放松约束条件(18c)和(18d)，得到拉格朗日方程：优化问题(15)的对偶问题表示为：第九步：拉格朗日乘子μ在用户和基站之间传递信息，表示所有基站的代价偏置值集合；对于子问题(21),每个用户测量所有基站的信道参数和基站广播的代价值μ_j(t)，由公式(23)选择连接到当前最优的基站j^*；j^*＝argmax{log(c_ij)‑μ_j(t)}                            (23)第十步：对于子问题(22),对其求导使其导数为0，得到使子问题(22)最大化的最优值由公式(24)得到，更新集合K(t+1)；第十一步：由第九第十步得到的子问题的最优解解代入对偶问题(20)中，得到g(μ(t),ν(t))的封闭形式：对于对偶问题(20)最小化g(μ(t),ν(t))的值，从g(μ(t),ν(t))的封闭形式能够得到，如果首先固定μ(t)，则函数g(·)是v(t)的可微凸函数，最优的v(t)值由下式得到：用次梯度下降法公式(27)更新μ(t)：每个基站更新K(t+1)和μ(t+1)值之后，基站广播新的μ(t+1)值进行迭代；第十二步：把更新后的μ(t+1),v(t+1)代入到(25)中计算出g(μ(t+1),v(t+1))，判断得到的函数值是否满足条件(28)：|g(μ(t+1),ν(t+1))‑g(μ(t),ν(t))|＜ε                        (28)如果满足条件(28)，则更新终止迭代次数t_res＝t_res+1，如果不满足条件(28)则重置t_res＝0；第十三步：判断t_res是否大于迭代终止次数，如果t_res大于迭代终止次数T_res，则返回此时代价偏置集合μ(t)和最优的用户连接,执行第十五步；如果t_res小于迭代终止次数T_res，则继续进行迭代，更新迭代次数t＝t+1；第十四步：判断如果迭代次数t＜t_max，则继续执行第九到第十三步迭代更新，直到满足迭代终止条件，或者达到最大迭代次数t_max；第十五步：如果是新类则记录这个集合值，作为下一次碰到这个类时候迭代算法的迭代初始值集合；如果不是新类，则用公式(30)更新记录对应类的代价偏置集合μ：μ_i＝(μ_i+new_μ_i)/2                           (29)。