CN105792378B - 基于无线异构网络的虚拟资源多目标映射方法 - Google Patents

Abstract

本发明针对现有无线网络体系存在“静态”和“僵化”等弊端，难以满足通信对网络灵活性、移动性、智慧化的需求，公开了一种基于无线异构网络的虚拟资源多目标映射方法。该方法先根据虚拟无线网络映射时的多目标特性，采用混合策略，构建以网络吞吐量、用户的QoE、基础设施的能量消耗为目标函数的多目标优化模型；接着采用强度进化方法对提出的多目标模型进行优化求解。从而达到在不同的时刻不同的网络负载量下，实现多目标共赢。

Description

基于无线异构网络的虚拟资源多目标映射方法

技术领域

本发明涉及移动通信技术领域，更为具体地，涉及一种基于无线异构网络的虚拟资源多目标映射方法。

背景技术

随着移动设备的发展，用户对网络质量的要求越来越高，从而容量、吞吐量(throughput)、延迟等成为第5代通信***(5G)的一项重要指标。然而以频谱为代表的无线网络资源则显得日趋紧张，提高无线频谱利用的有效性，以提高无线通信***的信道容量研究具有重大意义。一些学者采用自适应调制技术(AM)、多天线技术(MIMO)、认知无线电技术(CR)等提高无线频谱利用的有效性等方面来提高网络的容量、吞吐量。由于通信网络的最终目的是为终端用户提供各式各样的服务并带来方便。用户的需求是最重要的，他们对服务质量和网络性能具有最终裁决权，其对网络服务和产品的取舍和忠诚度决定了整个通信***价值链中每个环节的存亡。体验质量(Quality of Experience，简称为QoE)的概念就是由此而产生，如何保证用户的QoE的研究具有重大意义。由于用户的QoE主要体现在对各种不同的业务在不同的价格上有不同的需求。由于各种业务对传输信息的协议有不同的要求，在不改变网络结构的基础上，提高用户的QoE可以转化为让不同的业务选择适合自己的协议。随着绿色网络研究的兴起,网络能耗问题成为研究热点，可见以节能为目标的无线网络研究具有重大意义。而现存的网络主要是面向峰值设计的，网络的平均负载一般来说大大低于忙时负载，在非峰值时在保证用户使用的基础上使一部分基站进入休眠是一种不错的节能方法。

随着无线通信网络用户的日益庞大，带来了各种无线接入技术的飞速发展。特别是随着“三网融合”概念的提出，更加速了多种异构网络的泛在融合。因此一方面必须对无线网络资源进行整体规划、智能管理、优化决策和调度，以提高网络资源的合理利用。而对无线网络使用的不同群体所希望的目标是不一样的。如运营商则希望网络的吞吐量越来越高，***随时都能达到饱负荷的运行。用户则希望QoE越来越好，能够随时随地高质量的使用各种业务。基础设施供应商则希望***是节能的。现有网络体系存在“静态”和“僵化”等多种弊端，难以满足通信对网络灵活性、移动性、智慧化的需求。现在的网络是一个综合体，但不同的群体所关注网络的侧重点不一样。因此，不论是运营商，基础设施供应商还是用户级考虑，都需要对现有网络进行功能切分，提供多目标服务。在不改变网络的结构上，根据网络的不同负载量，借助虚拟化映射技术通过资源的动态调配实现多目标的共赢具有重大研究意义。

虽然无线资源根据不同的划分方式在不同的网络***中有不同的表达方式，但是传输媒质都是统一的电磁波。因此，不同的网络信息传输时是用电磁频谱在不同正交空间中分割时的表达，本质上都可以映射为对等效频谱的占用，利用各种解析方法表达各自空间的资源(如WLAN中的等效占用信道时间)，各个***虽然有所不同，但这个资源一定可以表达为用户数、用户业务服务质量(Quality of Service，简称为QoS)和物理层速率的函数。目前在这方面没有很好的研究。

发明内容

本发明针对现有无线网络体系存在“静态”和“僵化”等弊端，难以满足通信对网络灵活性、移动性、智慧化的需求，提供一种基于无线异构网络的虚拟资源多目标映射方法，通过将异构的无线资源统一表达为等效带宽，再根据网络的负载量在不同的时期按不同的方法进行映射，从而达到多目标共赢。

本发明提供的基于无线异构网络的虚拟资源多目标映射方法，包括：初始化阶段和虚拟资源映射阶段；其中，

初始化阶段，包括：

步骤S11：初始化虚拟小区与网络节点的对应关系，具体如下：

在区域G中，虚拟小区与网络节点的资源供求关系为：

其中，v_ibs_j表示节点j^th为虚拟小区i^th提供的资源数量；

每个节点最多能够为每一个虚拟小区提供的无线资源数量为：

其中，overcaver^s(v_i,bs_j)表示节点j^th与虚拟小区i^th重叠覆盖的面积，为节点j^th的无线资源数量，为节点j^th的覆盖面积，r_bsj为节点j^th的覆盖半径；

基于每个节点对资源处理能力的上限，式(1)的约束条件为：

其中N_v＝{v₁,v_i,…}是虚拟化小区的集合，v_i为一个具体和虚拟小区。

基于每个虚拟小区的资源的处理请求，式(1)的约束条件为：

其中，N_H,BS是物理节点的集合，即，基站的集合，v_ibs_j的取值关系如下式所示：

步骤S12：初始化业务与网络节点对应的关系，具体包括：

业务与网络节点对应的关系BSW为：

其中，bs_iw_j表示虚拟小区i^th中节点j^th的业务服务能力；

步骤S13：初始化业务与虚拟小区的关系，具体包括：

在某个时间段T内，各虚拟小区存在的相关业务WV为：

其中，w_iv_j表示虚拟小区j^th存在i^th业务的数量；

基于虚拟小区在时间段T内的业务的总量，式(6)的约束条件：

其中，表示处理i^th业务需要的最少无线资源数量；n表示业务的个数；

步骤S14：初始化虚拟小区与网络节点能量消耗的关系，具体包括：

每个网络节点的能量消耗E_i为：

其中，表示空闲时的能量消耗，表示传送数据时的能量消耗，表示睡眠时的能量消耗，T表示工作的时间；

每个网络节点为每一个虚拟小区的能量消耗如：

其中，为从网络节点bs_i发送数据到虚拟小区v_j时的能量消耗，为可视路径的能量损耗；

虚拟小区与网络节点能量消耗的对应关系为：

步骤S15：初始化种群规模NP；

步骤S16：染色体的初始位选取，具体包括：

染色体x_k的初始位置可以随机产生，其初始化方式为：

x_k＝x_{min k}+(x_{max k}-x_{min k})×random(0,1) (11)

其中，染色体x_k为节点i^th对虚拟小区j^th提供的资源数量，x_k＝v_jbs_i，k＝(j-1)*i+i，k∈{1,2,…}，random(0,1)是指0到1间均匀分布的随机数，x_{max k}和x_{min k}表示搜索空间的边界，每个种群X(l)的表达式为：

其中，str(x_k)表示对x_k按字符串方式操作，l表示种群的编号，l∈{1,2,…,NP}。

步骤S17：初始化迭代次数IP；

步骤S18：计算初始化种群的目标函数F(X)，具体包括：

采用将多个目标通过线性加权的手段将原多目标问题转化为单目标问题，再釆用单目标动态优化算法进行求解，单目标动态优化算法为：

其中，是通过机器学习方法所得的系数，f¹(x)为网络的总吞吐量，其表达式为：

其中，R(_i,j)为瞬时吞吐量，其计算公式：

R(_i,j)＝log₂(1+SINR_i,j) (15)

其中，SINR_i,j为节点i^th提供虚拟小区j^th的资源时所受到的同频及邻频的信干比，则每个虚拟小区所受到的信干比为：

其中，P_i,j为节点i^th提供虚拟小区j^th的发送功率，G_i为链路增溢，为虚拟小区j^th的接收到同信道的功率，为虚拟小区j^th的接收到临信道的功率，σ²为噪声；

f²(x)表示每个节点为每个虚拟小区提供的体验质量QoE_i,j，f²(x)的计算公式如下：

QoE_i,j的计算公式如下：

根据多目标优化算法求解原则，把式(17)最大化目标函数转化为最小化目标函数：

f³(x)为网络的总体能量消耗，其计算公式如下：

其中，E_total为整个区域所有节点的能量消耗，E_i为单个节点的能量消耗，N_H为异构网络的种类，BS为不同网络的节点数，Active表示节点处于活跃状态，Sleep表示节点处于休眠状态。

步骤S19：从种群的目标函数中挑选最优值的种群存入外部精英存档文件中，具体包括：

初始时外部存档A为空，如果试验个体被外部存档中的任何个体所支配，拒绝试验个体进入外部存档；如果试验个体支配任何一个外部存档任意个体，被支配的所有个体都将从外部存档中删除，再把试验个体加入到外部存档中；如果试验个体与外部存档任意个体互不占优，则把试验个体加入外部存档中；因此，精英保留法则为：

其中，it为迭代的次数，it∈{0,1,2,…,IT}；IT为最大迭代的次数；为it^th迭代中i^th试验个体；为在精英存档A中的it^th迭代中适应性最好的个体，A^it为在精英存档A中的it^th迭代中所有最好的个体的集合。

虚拟资源映射阶段，包括：

步骤S21：检测迭代次数；如果迭代次数达到预设值，输出不同环境下的最优解，按最优解进行资源映射；如果没有达到迭代次数，调用外部环境变化检测算法，判断外部环境是否发生变化，如果外部环境发生变化，先保存当前环境的精英文档，再重新初始化种群算法对当前种群重新初始化，接着计算初始化种群的目标函数F(X)，同时挑选最优值的种群存入外部精英存档文件中，最后调用种群优化迭代函数；如果外部环境未发生变化，直接调用种群优化迭代函数。

步骤S22：检查是否达到种群规模；如果达到种群规模跳转到种群优化迭代函数进行下次迭代；如果未达到种群规模，则先对种群进行差分变异，再对种群进行交叉，最后对经过差分变异和交叉生成的试验体与本体及精英存档中的适应性最好的个体进行竞争，以确定哪一个个体进入下一代的种群。

本发明提供的基于无线异构网络的虚拟资源多目标映射方法，该方法先根据虚拟无线网络映射时的多目标特性，采用混合策略，构建以网络吞吐量、用户的QoE、基础设施的能量消耗为目标函数的多目标优化模型；接着采用强度进化方法对提出的多目标模型进行优化求解。从而达到在不同的时刻不同的网络负载量下，实现多目标共赢。

具体实施方式

本发明中，在[1600，1600]的平面区域内存在三种类型的基站(A-cells or B-cells or C-cells)。所有的A-cells基站是均匀部署在1700m*1700m范围内，其数量为4个，由此可知，A-cells1号节点的坐标为(500，500)，A-cells2号节点的坐标为(500，1100)，A-cells3号节点的坐标为(1100，500)，A-cells4号节点的坐标为(1100，1100).所有的B-cells、C-cells基站在[1600，1600]的平面区域内都是随机分布，期中B-cells基站的数量为16个，C-cells基站的数量为64个。每种类型的基站的具体特性如表1所示。

表1网络节点参数表

在本实施例中主要考虑4种类型的业务，每一种业务所需要基站的资源数及基站对其服务能力如表2所示。

表2业务类型对应表

在1600m*1600m范围内，每隔200m产生一个虚拟小区。每个虚拟小区随机生成各种业务及随机生成各种业务的数量。每个虚拟小区生成一个虚拟请求。每个虚拟请求的资源量不能大于它周围最大基站的承受能力。

本发明针对现有无线网络体系存在“静态”和“僵化”等弊端，难以满足通信对网络灵活性、移动性、智慧化的需求，公开了一种基于无线异构网络的虚拟资源多目标映射方法，该方法在不改变网络的结构上，根据网络的负载量不同，借助虚拟化映射技术通过资源的动态调配，最终实现多对象、多目标的共赢。

本发明提供的基于无线异构网络的虚拟资源多目标映射方法，包括：初始化阶段和虚拟资源映射阶段；其中，

初始化阶段，包括：

步骤S11：初始化虚拟小区与网络节点的对应关系，具体如下：

在区域G中，虚拟小区与网络节点的资源供求关系为：

其中，v_ibs_j表示节点j^th为虚拟小区i^th提供的资源数量；

每个节点最多能够为每一个虚拟小区提供的无线资源数量为：

其中，overcaver^s(v_i,bs_j)表示节点j^th与虚拟小区i^th重叠覆盖的面积，为节点j^th的无线资源数量，为节点j^th的覆盖面积，r_bsj为节点j^th的覆盖半径；

由于每个节点对资源的处理能力有一个上限，所以式(1)的约束条件为：

其中N_v＝{v₁,v_i,…}是虚拟化小区的集合，v_i为一个具体和虚拟小区；

由于每个虚拟小区的资源请求都需要处理，所以式(1)的另一个约束条件为：

其中，N_H,BS是物理节点的集合，即，基站的集合，v_ibs_j的取值关系如下式所示：

步骤S12：初始化业务与网络节点对应的关系，具体包括：

业务与网络节点对应的关系BSW为：

其中，bs_iw_j表示虚拟小区i^th中节点j^th的业务服务能力。

每一项业务对应基站的指标权值如表2所示。

步骤S13：初始化业务与虚拟小区的关系，具体包括：

在某个时间段T内，各虚拟小区存在的相关业务WV为：

其中，w_iv_j表示虚拟小区j^th存在i^th业务的数量。

由于各节点的传输协议不一样，各通信协议对相同的业务有不同处理方法，从而导致各节点擅长处理的业务不同，如1G、2G网络善长于处理语音业务，而Wi-Fi网络则是传输数据业务。同时各种不同的协议在传输不同的业务时对用户收取的价格也不同，从而导致用户在不同业务选择协议上有不同的偏好。本发明根据UMTS***将传输业务分类方法，用W＝{w₁,w_i,…}表示各种业务的集合。采用计分制的法则来对不同网络的不同业务服务能力及用户承受价格进行评价，计分制的法则为：

其中，表示业务w_i的j^th指标在单位价格内的目标值；

当a∈Q_m,5时，表示现有网络能够为业务提供的最好服务；当a∈Q_m,3时，表示现有网络确保用户的基本QoS；

根据KPI的各项目指标，获得第a号节点对b项业务的服务能力bs_aw_b的计算公式：

其中，ToS为服务类型，为在ToS_i类服务中j^th的权值，为节点bs_a的j^th指标的实际提供值；用户目标计算方法采用(7)式中a∈Q_m,5值，在虚拟化资源映射时每项业务的指标大于a∈Q_m,3且少于a∈Q_m,4，m为服务类型ToS中的指标的总数量；

由权值的归一法所知，式(22)存在三个约束条件：

1≤bs_aw_b≤1.25 (26)

在传统的由用户自主选择接入异构网络中，由于用户带有自私性，在同样的价格下，用户都选择传输性能最好的网络，而不是按需选择，从而导致整个***的资源浪费，根据式(23)对用户的体验质量QoE进行总体评价。

经过统计可知，在某个时间段T内，各虚拟小区存在相关业务WV如式(31)所示：

其中，w_iv_j表示j^th虚拟小区存在i^th业务的数量。

由于虚拟小区在时间段T内，业务的总量一定，所以式(6)的约束条件：

其中表示处理i^th业务需要的最少无线资源数量，n表示业务的个数；

步骤S14：初始化虚拟小区与网络节点能量消耗的关系，具体包括：

每个网络节点的能量消耗E_i为：

其中，表示空闲时的能量消耗，表示传送数据时的能量消耗，表示睡眠时的能量消耗，T表示工作的时间；

每个网络节点为每一个虚拟小区的能量消耗如：

其中，为从网络节点bs_i发送数据到虚拟小区v_j时的能量消耗，为可视路径的能量损耗；

虚拟小区与网络节点能量消耗的对应关系为：

步骤S15：初始化种群规模NP，即设定种群规模的数量。

步骤S16：染色体的初始位选取，具体包括：

染色体x_k的初始位置的初始化方式为：

x_k＝x_{min k}+(x_{max k}-x_{min k})×random(0,1) (11)

其中，染色体x_k为节点i^th对虚拟小区j^th提供的资源数量，x_k＝v_jbs_i，k＝(j-1)*i+i，k∈{1,2,…}，random(0,1)是指0到1间均匀分布的随机数，x_{max k}和x_{min k}表示搜索空间的边界，每个种群X(l)的表达式为：

其中，str(x_k)表示对x_k按字符串方式操作，l表示种群的编号，l∈{1,2,…,NP}。

步骤S17：初始化迭代次数IP，即设定迭代次数的数值。

步骤S18：计算初始化种群的目标函数F(X)，具体包括：

采用将多个目标通过线性加权的手段将原多目标问题转化为单目标问题，再釆用单目标动态优化算法进行求解，单目标动态优化算法为：

其中，是通过机器学习方法所得的系数，f¹(x)为网络的总吞吐量，其表达式为：

其中，R(_i,j)为瞬时吞吐量，其计算公式：

R(_i,j)＝log₂(1+SINR_i,j) (15)

其中，SINR_i,j为节点i^th提供虚拟小区j^th的资源时所受到的同频及邻频的信干比，则每个虚拟小区所受到的信干比为：

其中，P_i,j为节点i^th提供虚拟小区j^th的发送功率，G_i为链路增溢，为虚拟小区j^th的接收到同信道的功率，为虚拟小区j^th的接收到临信道的功率，σ²为噪声；

f²(x)表示每个节点为每个虚拟小区提供的体验质量QoE_i,j，f²(x)的计算公式如下：

QoE_i,j的计算公式如下：

根据多目标优化算法求解原则，把式(17)最大化目标函数转化为最小化目标函数：

f³(x)为网络的总体能量消耗，其计算公式如下：

其中，E_total为整个区域所有节点的能量消耗，E_i为单个节点的能量消耗，N_H为异构网络的种类，BS为不同网络的节点数，Active表示节点处于活跃状态，Sleep表示节点处于休眠状态。

步骤S19：从种群的目标函数中挑选最优值的种群存入外部精英存档文件中，具体包括：

初始时外部存档A为空，如果试验个体被外部存档中的任何个体所支配，拒绝试验个体进入外部存档；如果试验个体支配任何一个外部存档任意个体，被支配的所有个体都将从外部存档中删除，再把试验个体加入到外部存档中；如果试验个体与外部存档任意个体互不占优，则把试验个体加入外部存档中。因此，精英保留法则为：

其中，it为迭代的次数，it∈{0,1,2,…,IT}；IT为最大迭代的次数；为it^th迭代中i^th试验个体；为在精英存档A中的it^th迭代中适应性最好的个体，A^it为在精英存档A中的it^th迭代中所有最好的个体的集合。

虚拟资源映射阶段，包括：

步骤S21：检测迭代次数；如果迭代次数达到预设值，输出不同环境下的最优解，按最优解进行资源映射；如果没有达到迭代次数，调用外部环境变化检测算法，判断外部环境是否发生变化，如果外部环境发生变化，先保存当前环境的精英文档，再重新初始化种群算法对当前种群重新初始化，接着计算初始化种群的目标函数F(X)，同时挑选最优值的种群存入外部精英存档文件中，最后调用种群优化迭代函数；如果外部环境未发生变化，直接调用种群优化迭代函数。

当外部环境变化发生后需要开始新的搜索，这里采取从种群中随机选择一定比例的个体进行重新评价的方法。如果重新评价个体的任何目标函数或者约束函数发生了变化，则认为外部环境发生变化。一旦检测到外部环境发生变化，在进行进化操作(变异、交叉和选择)之前对所有父代解重新进行评价，从而使得父代解和子代解都按变化了的目标函数和约束条件进行评价。基于以上思想，给出了检测环境变化的计算公式：

其中，n_ε为重新检测个体的数目，一般为种群大小的10％，g_j(x',t)为j^th小区的资源请求量，j为变量，指具体的选种的种群，即虚拟小区；

当时，表示外部环境发生变化，新环境下的搜索将要进行，为根据优化问题目标函数变化大小而预先给定的常数，取值为：

步骤S22：检查是否达到种群规模；如果达到种群规模跳转到种群优化迭代函数进行下次迭代；如果未达到种群规模，则先对种群进行差分变异，再对种群进行交叉，最后对经过差分变异和交叉生成的试验体与本体及精英存档中的适应性最好的个体进行竞争，以确定哪一个个体进入下一代的种群。

下面对以下几个名词作出解释：

种群：是指选择几个人做实验。

染色体：是指每个人是由23对染色体构成。

迭代：是指考查前面先选择的种群生了几代人。

进入下一代：是指有一个人的染色体发生了变异，把变异后的人与原来的人比较，看哪个更好一点，把好的作为下一代人，即下一代的种群。

在对种群进行差分变异的过程中，为了为当前种群中的每一个种群创建一个变异，所采用的方法为从当前种群中随机选取二个种群，并形成差分，通过比例因子F缩放后加到当前种群，如式(28)所示：

其中，为种群的变异体，r1、r2为从集合{1,2,…,i-1,i+1,…,NP}中随机选择的互不相同的整数，比例因子F取值范围为[0.4，1]。

在对种群进行交叉的过程中，为了提高种群潜在的多样性，将种群与变异体进行交叉生成一个试验体如式(29)所示：

其中，为it^th迭代中i^th种群中j^th染色体的试验体；

为it^th迭代中i^th种群中j^th染色体的变异；

为it^th迭代中i^th种群中j^th染色体的本体；

CR为交叉系数，如果CR越大，则对的贡献越多，当CR＝1时，有利于局部搜索和加速收敛速度。如果CR越小，则对的贡献越多，有利于保持种群的多样性和全局搜索。由此可见，保持种群的多样性与收敛速度是矛盾的，所以在差分进行算法中，大多数情况采用二项式交叉方式。

在对经过差分变异和交叉生成的试验体与本体及精英存档中的适应性最好的个体进行竞争，以确定哪一个个体进入下一代的过程中，选择为了保持后代的种群规模不变，种群的多样性，及加快收敛速度，通过式(30)对经过变异和交叉生成的试验体与本体及精英存档中的适应性最好的个体进行竞争，以确定哪一个个体进入下一代，式(30)为：

其中，random(1,total(A))表示随机选取一个个体的编号；

如果试验体的目标函数值小于相应本体的目标函数值，试验体取代相应的目标个体而进入下一代；如果本体的目标函数值小于或者等于试验体的目标函数值，且等于精英存档A中的it^th迭代中适应性最好的个体的目标函数值时，本体取代相应的目标个体而进入下一代；在不满足上面二种情况时，从精英存档A中的it^th迭代中的个体中随机选取一个个体进入下一代。

本发明完成后所得到的基本与单目标优化(节能、QOE、吞吐量)所得的结果非常相近，且收敛速度非常快，平均只需要7次就可以达到理想结果。说明本方法在不改变网络的结构上，根据网络的不同负载量，借助虚拟化映射技术通过资源的动态调配，能够实现多目标的共赢。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (6)

1.一种基于无线异构网络的虚拟资源多目标映射方法，包括：初始化阶段和虚拟资源映射阶段；其中，

所述初始化阶段，包括：

步骤S11：初始化虚拟小区与网络节点的对应关系，具体如下：

在区域G中，虚拟小区与网络节点的资源供求关系为：

其中，v_ibs_j表示节点j^th为虚拟小区i^th提供的资源数量；

每个节点最多能够为每一个虚拟小区提供的无线资源数量为：

其中，overcaver^s(v_i,bs_j)为节点j^th与虚拟小区i^th重叠覆盖的面积，为节点j^th的无线资源数量，为节点j^th的覆盖面积，r_bsj为节点j^th的覆盖半径，即，基站的覆盖半径，一般为500米；

基于每个节点对资源处理能力的上限，式(1)的约束条件为：

其中N_v＝{v₁,v_i,…}是虚拟化小区的集合，v_i为一个具体和虚拟小区；

基于每个虚拟小区的资源的处理请求，式(1)的约束条件为：

其中，N_H,BS是物理节点的集合，即，基站的集合，v_ibs_j的取值关系如下式所示：

步骤S12：初始化业务与网络节点对应的关系，具体包括：

业务与网络节点对应的关系BSW为：

其中，bs_iw_j表示虚拟小区i^th中节点j^th的业务服务能力；

步骤S13：初始化业务与虚拟小区的关系，具体包括：

在某个时间段T内，各虚拟小区存在的相关业务WV为：

其中，w_iv_j表示虚拟小区j^th存在i^th业务的数量；

基于虚拟小区在时间段T内的业务的总量，式(6)的约束条件：

其中表示处理i^th业务需要的最少无线资源数量，n表示业务的个数；

步骤S14：初始化虚拟小区与网络节点能量消耗的关系，具体包括：

每个网络节点的能量消耗E_i为：

其中，表示空闲时的能量消耗，表示传送数据时的能量消耗，表示睡眠时的能量消耗，T表示工作的时间；

每个网络节点为每一个虚拟小区的能量消耗如：

其中，为从网络节点bs_i发送数据到虚拟小区v_j时的能量消耗，为可视路径的能量损耗；

虚拟小区与网络节点能量消耗的对应关系为：

步骤S15：初始化种群规模NP；

步骤S16：染色体的初始位选取，具体包括：

染色体x_k的初始位置的初始化方式为：

x_k＝x_mink+(x_maxk-x_mink)×random(0,1) (11)

其中，染色体x_k为节点i^th对虚拟小区j^th提供的资源数量，x_k＝v_jbs_i，k＝(j-1)*i+i，k∈{1,2,…}；random(0,1)是指0到1间均匀分布的随机数，x_maxk和x_mink表示搜索空间的边界，每个种群X(l)的表达式为：

其中，str(x_k)表示对x_k按字符串方式操作，l表示种群的编号，l∈{1,2,…,NP}；

步骤S17：初始化迭代次数IP；

步骤S18：计算初始化种群的目标函数F(X)，具体包括：

采用将多个目标通过线性加权的手段将原多目标问题转化为单目标问题，再釆用单目标动态优化算法进行求解，单目标动态优化算法为：

其中，是通过机器学习方法所得的系数，f¹(x)为网络的总吞吐量，其表达式为：

其中，R(_i,j)为瞬时吞吐量，其计算公式：

R(_i,j)＝log₂(1+SINR_i,j) (15)

其中，SINR_i,j为节点i^th提供虚拟小区j^th的资源时所受到的同频及邻频的信干比，则每个虚拟小区所受到的信干比为：

其中，P_i,j为节点i^th提供虚拟小区j^th的发送功率，G_i为链路增溢，为虚拟小区j^th的接收到同信道的功率，为虚拟小区j^th的接收到临信道的功率，σ²为噪声；

f²(x)表示节点i^th为虚拟小区j^th提供的体验质量QoE_i,j，f²(x)的计算公式如下：

QoE_i,j的计算公式如下：

根据多目标优化算法求解原则，把式(17)最大化目标函数转化为最小化目标函数：

f³(x)为网络的总体能量消耗，其计算公式如下：

其中，E_total为整个区域所有节点的能量消耗，E_i为单个节点的能量消耗，N_H为异构网络的种类，BS为不同网络的节点数，Active表示节点处于活跃状态，Sleep表示节点处于休眠状态；

步骤S19：从种群的目标函数中挑选最优值的种群存入外部精英存档文件中，具体包括：

初始时外部存档A为空，如果试验个体被外部存档中的任何个体所支配，拒绝试验个体进入外部存档；如果试验个体支配任何一个外部存档任意个体，被支配的所有个体都将从外部存档中删除，再把试验个体加入到外部存档中；如果试验个体与外部存档任意个体互不占优，则把试验个体加入外部存档中；因此，精英保留法则为：

其中，it为迭代的次数，it∈{0,1,2,…,IT}；IT为最大迭代的次数；为it^th迭代中i^th试验个体；为在精英存档A中的it^th迭代中适应性最好的个体，A^it为在精英存档A中的it^th迭代中所有最好的个体的集合；

所述虚拟资源映射阶段，包括：

步骤S21：检测迭代次数；如果迭代次数达到预设值，输出不同环境下的最优解，按最优解进行资源映射；如果没有达到迭代次数，调用外部环境变化检测算法，判断外部环境是否发生变化，如果外部环境发生变化，先保存当前环境的精英文档，再重新初始化种群算法对当前种群重新初始化，接着计算初始化种群的目标函数F(X)，同时挑选最优值的种群存入外部精英存档文件中，最后调用种群优化迭代函数；如果外部环境未发生变化，直接调用种群优化迭代函数；

步骤S22：检查是否达到种群规模；如果达到种群规模跳转到种群优化迭代函数进行下次迭代；如果未达到种群规模，则先对种群进行差分变异，再对种群进行交叉，最后对经过差分变异和交叉生成的试验体与本体及精英存档中的适应性最好的个体进行竞争，以确定哪一个个体进入下一代的种群。

2.如权利要求1所述的基于无线异构网络的虚拟资源多目标映射方法，其中，

采用计分制的法则来对不同网络的不同业务服务能力及用户承受价格进行评价，计分制的法则为：

其中，表示业务wi的j^th指标在单位价格内的目标值；

当a∈Q_m,5时，表示现有网络能够为业务提供的最好服务；当a∈Q_m,3时，表示现有网络确保用户的基本QoS；

根据KPI的各项指标，获得第a号节点对b项业务的服务能力bs_aw_b的计算公式：

其中，ToS为服务类型，为在ToS_i类服务中j^th的权值，为节点bs_a的j^th指标的实际提供值，m为服务类型ToS中的指标的总数量；

基于权值的归一法，式(22)存在三个约束条件：

1≤bs_aw_b≤1.25 (26)

根据式(23)对用户的QoE进行总体评价；以及，

在虚拟化资源映射时每项业务的指标大于a∈Q_m,3且少于a∈Q_m,4。

3.如权利要求1所述的基于无线异构网络的虚拟资源多目标映射方法，其中，外部环境变化检测算法为：

其中，n_ε为重新检测个体的数目，取种群大小的10％，g_j(x',t)为j^th小区的资源请求量，j为具体的选种的种群，种群为虚拟小区；

当时，表示外部环境发生变化，为根据优化问题目标函数变化大小而预先给定的常数，取值为：

4.如权利要求1所述的基于无线异构网络的虚拟资源多目标映射方法，其中，在对种群进行差分变异的过程中，

从当前种群中随机选取二个种群，并形成差分，通过比例因子F缩放后加到当前种群，如式(28)所示：

其中，为种群的变异体，r1、r2为从集合{1,2,…,i-1,i+1,…,NP}中随机选择的互不相同的整数，比例因子F取值范围为[0.4，1]。

5.如权利要求1所述的基于无线异构网络的虚拟资源多目标映射方法，其中，在对种群进行交叉的过程中，

将种群与变异体进行交叉生成一个试验体如式(29)所示：

其中，为it^th迭代中i^th种群中j^th染色体的试验体；

为it^th迭代中i^th种群中j^th染色体的变异；

为it^th迭代中i^th种群中j^th染色体的本体；

CR为交叉系数。

6.如权利要求1所述的基于无线异构网络的虚拟资源多目标映射方法，其中，在对经过差分变异和交叉生成的试验体与本体及精英存档中的适应性最好的个体进行竞争，以确定哪一个个体进入下一代的过程中，

通过式(30)对经过变异和交叉生成的试验体与本体及精英存档中的适应性最好的个体进行竞争，以确定哪一个个体进入下一代，式(30)为：

其中，random(1,total(A))表示随机选取一个个体的编号；

如果试验体的目标函数值小于相应本体的目标函数值，试验体取代相应的目标个体而进入下一代；如果本体的目标函数值小于或者等于试验体的目标函数值，且等于精英存档A中的it^th迭代中适应性最好的个体的目标函数值时，本体取代相应的目标个体而进入下一代；在不满足上面二种情况时，从精英存档A中的it^th迭代中的个体中随机选取一个个体进入下一代。