CN110996365A - 一种基于多目标优化模型的异构网络垂直切换算法及*** - Google Patents

一种基于多目标优化模型的异构网络垂直切换算法及*** Download PDF

Info

Publication number
CN110996365A
CN110996365A CN201911222416.7A CN201911222416A CN110996365A CN 110996365 A CN110996365 A CN 110996365A CN 201911222416 A CN201911222416 A CN 201911222416A CN 110996365 A CN110996365 A CN 110996365A
Authority
CN
China
Prior art keywords
matrix
heterogeneous network
base station
optimization model
objective optimization
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
CN201911222416.7A
Other languages
English (en)
Other versions
CN110996365B (zh
Inventor
邓宏贵
王书敏
李幼真
封雨鑫
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.)
Central South University
Original Assignee
Central South University
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 Central South University filed Critical Central South University
Priority to CN201911222416.7A priority Critical patent/CN110996365B/zh
Publication of CN110996365A publication Critical patent/CN110996365A/zh
Application granted granted Critical
Publication of CN110996365B publication Critical patent/CN110996365B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W36/00—Hand-off or reselection arrangements
    • H04W36/14—Reselecting a network or an air interface
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W36/00—Hand-off or reselection arrangements
    • H04W36/24—Reselection being triggered by specific parameters
    • H04W36/30—Reselection being triggered by specific parameters by measured or perceived connection quality data

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明涉及异构网络技术领域，公开了基于多目标优化模型的异构网络垂直切换算法及***，以提高异构网络***的资源利用率和保证用户的服务质量需求，本发明的算法包括根据相关参数计算异构网络中反映各基站在不同状态下性能特征的Gittins指数，并生成异构网络中的Gittins矩阵；计算用户在切换执行前的传输速率矩阵和误码率矩阵；设置用于反映用户切换策略的矩阵变量；以Gittins矩阵、传输速率矩阵和误码率矩阵为参数，以矩阵变量为决策变量构建多目标优化模型；求解出多目标优化模型中的矩阵变量以确定最优的切换策略。

Description

一种基于多目标优化模型的异构网络垂直切换算法及***
技术领域
本发明涉及异构网络技术领域，尤其涉及一种基于多目标优化模型的异构网络垂直切换算法及***。
背景技术
随着无线网络技术的发展，多制式无线网络的融合将成为主流，不同类型的无线网络重叠覆盖形成了异构网络，异构网络中的用户可以连接到不同制式的网络中以获取不同的服务体验，用户总是选择最好的网络进行接入以获得好的服务质量。在异构网络环境下，用户经常需要在不同制式的网络中进行切换，这种在不同制式网络中切换的技术被称为垂直切换。垂直切换是解决异构无线网络集成障碍的重要技术。
到目前为止有很多关于垂直切换算法的研究，常见的垂直切换算法可以分为四类，第一类是基于接收信号强度的垂直切换算法，该类算法由于判决属性单一、设计过于简单，应用于垂直切换会导致乒乓效应，且对于异构网络环境下的切换，各个不同接入网络的特征差别很大，这个时候仅仅依据信号强度来执行切换已经不能准确的使终端接入到最优的网络中；第二类是多属性决策算法，该类算法通过选取影响用户服务需求的终端判决属性构建出相应的效应函数或代价函数，求出最优的网络进行接入，由于该类垂直切换算法设计简单且相比于单一的基于接收信号强度的垂直切换算法而言有更高的可靠性，因此被大量使用和研究，但是其灵活性差，且没有考虑到网络状态的动态变化特性；第三类是基于人工智能的切换算法，此类垂直切换算法适用于涉及较多难以量化的判决因素的切换场景，通过将网络参数的样本值输入到模糊推理***(Fuzzy Inference System,FIS)或神经网络中进行处理，并根据***输出进行切换判决。该类算法判决准确度高，但是缺乏考虑用户之间的协调性，且模糊逻辑和人工神经网络计算复杂，不适用于计算能力有限的终端设备；第四类是基于马尔可夫决策过程的垂直切换算法，该类算法通过引入价值函数将不同时刻下网络的状态进行量化，使得切换用户能实时掌握网络状态的动态变化特性，很好的保证了用户接入到低阻塞率和低时延的网络，但是缺乏考虑用户侧的服务需求。
发明内容
本发明目的在于提供一种基于多目标优化模型的异构网络垂直切换算法及***，以提高异构网络***的资源利用率和保证用户的服务质量需求。
为实现上述目的，本发明提供了一种基于多目标优化模型的异构网络垂直切换算法，包括以下步骤：
根据相关参数计算异构网络中反映各基站在不同状态下性能特征的Gittins指数，并生成所述异构网络中的Gittins矩阵；
计算用户在切换执行前的传输速率矩阵和误码率矩阵；
设置用于反映用户切换策略的矩阵变量；以Gittins矩阵、传输速率矩阵和误码率矩阵为参数，矩阵变量为决策变量构建多目标优化模型；求解出所述多目标优化模型的矩阵变量以确定最优切换策略。
优选地，所述生成所述异构网络中的Gittins矩阵包括：
对所述异构网络中的各Gittins指数按接入用户数进行升序排列以生成所述Gittins矩阵。
优选地，设定异构网络中的基站数量为M，用户数量为N，在生成所述异构网络中的Gittins矩阵时，若用户数量超过异构网络中的各基站状态数量时，将多余部分用户数量对应的Gittins指数都设为0。
优选地，所述传输速率矩阵和误码率矩阵根据异构网络中的信噪比计算得到。
优选地，所述相关参数包括异构网络各基站的总带宽、平均接入带宽和时延。
优选地，所述用于反映用户切换策略的矩阵变量θ如下：
Figure BDA0002301212090000021
式中，矩阵θ为M×N阶矩阵，M表示基站的总数量，N表示用户的总数量，i表示矩阵的行索引且i取值为1，2，…，M，j表示矩阵的列索且j取值为1，2，…，N，θij表示用户j连接到基站i上的情况，当θij＝1时表示j连接到基站i上，θij＝0表示j未连接到基站i上，矩阵中的每一列为1的元素的个数不超过一个以表示每个用户同时只能接入一个基站。所述多目标优化模型如下：
Figure BDA0002301212090000022
Figure BDA0002301212090000023
Figure BDA0002301212090000024
模型中的约束条件为：θij(1-θij)＝0i＝1，2...，M j＝1，2...，N.
Figure BDA0002301212090000031
0≤||θ(i，：)||1≤ηi i＝1，2...，M
式中，θ为矩阵变量，θ(i，：)表示矩阵θ的第i行向量，反映第i个基站的用户接入情况，θ(：，j)表示矩阵θ的第j列向量，反映第j个用户接入基站情况，vij为用户j连接到基站i时获取到的基站Gittins指数，Q为传输速率矩阵，Q(：，j)表示矩阵Q中第j列向量，反映第j个用户接收来自不同基站的数据传输速率，E为误码率矩阵，E(：，j)表示矩阵E中第j列向量，反映第j个用户接收来自不同基站的误码率，ηi为基站i的通道数。
作为一个总的技术构思，本发明还提供一种基于多目标优化模型的异构网络垂直切换***，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的步骤。
本发明具有以下有益效果：
本发明提供的一种基于多目标优化模型的异构网络垂直切换算法及***，包括：根据相关参数计算异构网络中反映各基站在不同状态下性能特征的Gittins指数，并生成异构网络中的Gittins矩阵；计算用户在切换执行前的传输速率矩阵和误码率矩阵；设置用于反映用户切换策略的矩阵变量；以Gittins矩阵、传输速率矩阵和误码率矩阵为参数，以矩阵变量为决策变量构建多目标优化模型；求解出多目标优化模型的矩阵变量以确定最优的切换策略。可以提高异构网络***的资源利用率和保证用户的服务质量需求。
下面将参照附图，对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是本发明优选实施例的基于多目标优化模型的异构网络垂直切换算法流程图；
图2是本发明优选实施例的NSGA-II算法的流程图；
图3是本发明优选实施例的仿真时基站的分布图；
图4是传统的垂直切换算法与本发明提出的垂直切换算法在***传输速率上的对比仿真图；
图5是传统的垂直切换算法与本发明提出的垂直切换算法在***阻塞率上的对比仿真图。
图6是传统的垂直切换算法与本发明提出的垂直切换算法在***误码率上的对比仿真图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明，但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
实施例1
如图1所示，本实施例提供一种基于多目标优化模型的异构网络垂直切换算法，包括以下步骤：
S1:根据相关参数计算异构网络中反映各基站在不同状态下性能特征的Gittins指数，并生成异构网络中的Gittins矩阵；
S2:计算用户在切换执行前的传输速率矩阵和误码率矩阵；
S3:设置用于反映用户切换策略的矩阵变量；
S4:以Gittins矩阵、传输速率矩阵和误码率矩阵为参数，以矩阵变量为决策变量构建多目标优化模型；
S5:求解出多目标优化模型中的矩阵变量以确定最优切换策略。
上述的基于多目标优化模型的异构网络垂直切换算法，通过建立多目标优化模型，并采用多目标遗传算法求解多目标优化模型中的矩阵变量，可以提高异构网络***的资源利用率和保证用户的服务质量需求。
具体地，上述步骤可以通过以下步骤进行优化。
设定异构网络中地基站数量为M，用户数量为N，则本实施例中得到M×N阶的Gittins矩阵，其数学形式为：
Figure BDA0002301212090000041
式中，M表示基站的总数量，N表示用户的总数量，i表示矩阵的行索引且i取值为1，2，…，M,j表示矩阵的列索且j取值为1，2，…，N。每行表示一个基站在不同状态下的Gittins指数集合，由于基站的状态有限，当异构网络中用户数N大于基站的状态数时，即用户因为阻塞而连接不上基站时，为保持矩阵完整，便于计算分析，提高计算速度，将多余部分用户数量对应的Gittins指数都设为0。
M×N阶的传输速率矩阵和M×N的误码率矩阵，其形式分别为：
Figure BDA0002301212090000051
Figure BDA0002301212090000052
式中，i表示矩阵的行索引且i取值为1，2，…，M,j表示矩阵的列索且j取值为1，2，…，N。Q表示传输速率矩阵，qij表示用户j在切换执行前的时刻如果连接到基站i上将获得的传输速率；E表示误码率矩阵，eij表示用户j切换执行前的时刻如果连接到基站i上将获得的误码率。
需要说明的是，本实施例中选取基站的总带宽、基站的平均接入带宽和基站的时延作为求解不同状态下基站的Gittins指数的判决属性，Gittins指数能直观的反映基站当前的状态特征。为求出Gittins指数需要引入多臂***模型(Multi-Armed BanditModel)，其形式如下：
Figure BDA0002301212090000053
式中，vi(xi(t))为基站i在状态xi(t)时的Gittins指数，β为折损因子，R为累计回报，T(τ)为在决策周期τ内基站i的状态改变次数。
此处，需要确定出基站的状态数量，各状态之间的转移概率矩阵以及各状态的价值。本实施例中，基站的状态数量由各基站的通道数确定，选取三个基站构成异构网络***，三个基站分别为3G、4G和5G，其分布如图2所示，每个基站都被放置在510m×510m的矩阵空间中，其中3G基站位于坐标点(250，510)位置，4G基站位于坐标点(-10，0)位置，5G基站位于坐标点(510，0)位置。分别设三个基站的通道数为10，20，16。
在通道数确定后，基站的状态就可以确定。各状态的转移概率需要根据排队论确定，需要知道用户的到达率以及服务率，设到达率λ为1～10的变量，服务率μ＝0.5，结合通道数可以分别求出三个基站的状态转移矩阵。
本实施例中，三个基站的总带宽分别设为5MHz，20MHz，24MHz，最大可允许时延分别为：300ms、800ms、320ms，平均带宽分别设为：0.5MHz、1MHz、1.5MHz，平均时延分别为：30ms、40ms、20ms，UB＝4MHz，LB＝1MHz，UD＝300ms，LD＝60ms，则，利用上述公式就可以求出各状态的价值函数。
进一步地，本实施例中在计算时还包括决策间隙τ，本实施例中设置τ＝1；确定了以上参数就可以利用状态评估算法(SEA)求出Gittins指数矩阵，求解步骤如下。
首先确定各个基站的最大价值状态的序号αi1，此序号对应的价值
Figure BDA0002301212090000061
就是对应状态的Gittins指数，计算公式如下：
Figure BDA0002301212090000062
Figure BDA0002301212090000063
接下来的状态序号及对应的Gittins指数按照下列步骤计算，首先需要对每个基站定义一个
Figure BDA0002301212090000064
矩阵
Figure BDA0002301212090000065
和一个
Figure BDA0002301212090000066
的向量
Figure BDA0002301212090000067
及
Figure BDA0002301212090000068
其中
Figure BDA0002301212090000069
其中m是基站对应的状态数。
Figure BDA00023012120900000610
的初始值分别为：
Figure BDA00023012120900000611
其中β为折损因子，Pi是基站i的状态转移矩阵，Ri是基站i的的价值函数。然后再对每个基站定义两个集合continuation集合Ci(αi)和stopping集合Si(αi):Ci(αi)储存已经计算过Gittins指数的状态序号，Si(αi)则是储存未计算Gittins指数的状态序列号。下一个需要状态序号的选取选择由如下公式确定，首先定义：
Figure BDA00023012120900000612
定义
Figure BDA00023012120900000613
然后更新
Figure BDA00023012120900000614
Figure BDA00023012120900000615
Figure BDA00023012120900000616
Figure BDA00023012120900000617
下一个选取的状态序列号为：
Figure BDA00023012120900000618
计算对应的Gittins Index：
Figure BDA00023012120900000619
以上面的方式就能求出每个基站的Gittins指数集合。
需要说明的是，求解传输速率和误码率之前必须先求出用户相对于基站的信噪比，信噪比是接收信号强度和干扰信号强度的比值，接收信号强度的计算公式如下：
RSSij(l)＝ρ-10*κln(l)+h；
本实施例中基站一共有三个，三个基站3G、4G、5G的传输功率ρ分别为：10watts，20watts，30watts，三个基站的路径损耗因子分别为0.7,1,1，h都是满足(0,1)高斯分布的白噪声。干扰信号强度分别为：-22，-8，-7。
传输速率的计算公式为：传输速率：
Figure BDA0002301212090000071
误码率的计算公式为：
Figure BDA0002301212090000072
其中
Figure BDA0002301212090000073
当用户的位置确定根据前面的计算公式和条件就可以求出用户相对于各基站的信噪比，信噪比确定则可以计算出误码率和传输速率，前面已经假设基站有3个，当用户数为N个时，就可以组成N×3阶的误码率矩阵和传输速率矩阵，且矩阵中各个元素的值是已知的，而N为10～100，间隔为10的变量，以此观察随着用户数的增加***性能的改变。
进一步地，定义矩阵变量θ为：
Figure BDA0002301212090000074
矩阵中的每个元素只能取1或0，当θij＝1时表示用户j在切换执行后连接到基站i上，θij＝0时表示用户j在切换执行后未连接到基站i上，用公式可表示为：
Figure BDA0002301212090000075
矩阵中每一列表示一个用户在切换执行后的连接情况，因为同一个用户在同一个时刻最多只能接入到一个基站，所以矩阵中的每一列在同一时刻最多只有一个为1，用公式可以表示为：
Figure BDA0002301212090000076
以最大化Gittins指数、最大化***吞吐量和最小化误码率为目标，构建多目标优化模型，因为，Gittins指数受接入用户数的影响，所以其最大化目标函数如下：
Figure BDA0002301212090000081
其中‖θ(i,:)‖1表示连接到基站i中的用户数，因为矩阵变量θ是0-1矩阵，其中每一行表示一个基站的接入用户情况，当元素为1是表示用户连接上基站，所以求1-范数就可以得出连接到基站i的总人数。
最大化***吞吐量的目标函数如下：
Figure BDA0002301212090000082
其中Q(:,j)*θ(:,j)表示用户j连接到异构网络中所能获得的最大传输速率，
Figure BDA0002301212090000083
Figure BDA0002301212090000084
为所有用户最大传输速率之和即***吞吐量。
同理可得到最小化误码率的目标函数：
Figure BDA0002301212090000085
由此得到如下的多目标优化模型：
Figure BDA0002301212090000086
Figure BDA0002301212090000087
Figure BDA0002301212090000088
式中，θ为矩阵变量，θ(i,:)表示矩阵θ的第i行向量(第i行的所有元素)，反映第i个基站的用户接入情况，θ(:,j)表示矩阵θ的第j列向量，反映第j个用户接入基站情况，vij为用户j连接到基站i时获取到的基站Gittins指数，Q为传输速率矩阵，Q(:,j)表示矩阵Q中第j列向量，反映第j个用户接收来自不同基站的数据传输速率，E为误码率矩阵，E(:,j)表示矩阵E中第j列向量，反映第j个用户接收来自不同基站的误码率，ηi为基站i的通道数。需要说明的是，：表示某一行或者某一列的向量(所有元素)。
且，以上多目标优化模型应当满足的约束条件为：
θij(1-θij)＝0i＝1,2…,Mj＝1,2…,N.
Figure BDA0002301212090000091
0≤‖θ(i,:)‖1≤ηi i＝1,2…,M
构建出上述所示以θ为决策变量的多目标优化模型之后需要求解出决策变量，因为这是一个多目标优化函数所以需要求解出尽可能多且均匀分布开的pareto最优解，以便可以根据不同的业务需求选择解。这里我们利用遗传算法中的NSGA-II算法进行求解。NSGA-II算法求解该问题的主要流程如图3所示，种群初始化时需要兼顾到上述的约束条件，所以初始化种群时应生成一个M×N阶零矩阵，然后在每一列随机选取一位置1，这样就保证生成的决策变量满足上述约束，在之后的交叉配对和变异中，以列为单位进行，这样保证了上述约束条件不会被破坏，对于通道数约束其影响的是***的吞吐量和误码率。当连接到用户的数目大于通道数时，会造成阻塞，为满足通道数约束条件在选取用户时应该择优选取。
实验参数设置如表1所示，按照上述步骤得到的实验结果如附图4、附图5和附图6所示。
表1
Figure BDA0002301212090000092
附图4所示的是在500×500的矩阵中，随机产生100个接入用户，用户以1～10的到达率接入异构网络时，***所能获得的最大吞吐量曲线。由图4可以看出相比于传统的垂直切换算法，本发明所使用的垂直切换算法能够有效的增加***的吞吐量。提高异构网络的总体性能。
附图5所示的是在500×500的矩阵中，随机产生100个接入用户，用户以1～10的到达率接入异构网络时，***所能获得的阻塞率曲线。由图5可以看出相比于传统的垂直切换算法，例如，基于多臂***算法，基于决策树算法，基于以用户为中心的多目标优化决策算法，本发明所使用的垂直切换算法(图中的本发明方法)能够有效的减小***的阻塞率。提高异构网络的总体性能。
附图6所示的是在500×500的矩阵中，随机产生100个接入用户，用户以1～10的到达率接入异构网络时，***所能获得的吞吐量曲线。由图6可以看出相比于传统的垂直切换算法，本发明所使用的垂直切换算法能够有效的减小***的误码率。提高异构网络的总体性能。
实施例2
本实施例提供一种基于多目标优化模型的异构网络垂直切换***，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述的步骤。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，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 (8)

1.一种基于多目标优化模型的异构网络垂直切换算法，其特征在于，包括以下步骤：
S1:根据相关参数计算异构网络中反映各基站在不同状态下的性能特征的Gittins指数，并生成所述异构网络中的Gittins矩阵；
S2:计算用户在切换执行前的传输速率矩阵和误码率矩阵；
S3:设置用于反映用户切换策略的矩阵变量；
S4:以Gittins矩阵、传输速率矩阵和误码率矩阵为参数，以矩阵变量为决策变量构建多目标优化模型；
S5:求解出所述多目标优化模型中的矩阵变量以确定最优切换策略。
2.根据权利要求1所述的基于多目标优化模型的异构网络垂直切换算法，其特征在于，S1中生成所述异构网络中的Gittins矩阵包括：
对所述异构网络中的各Gittins指数按接入用户数进行升序排列以生成所述Gittins矩阵。
3.根据权利要求2所述的基于多目标优化模型的异构网络垂直切换算法，其特征在于，设定异构网络中的基站总数量为M，用户总数量为N，在生成所述异构网络中的Gittins矩阵时，若用户数量超过异构网络中的各基站状态数量时，将多余部分用户数量对应的Gittins指数都设为0。
4.根据权利要求1所述的基于多目标优化模型的异构网络垂直切换算法，其特征在于，所述传输速率矩阵和误码率矩阵根据异构网络中的信噪比计算得到。
5.根据权利要求1所述的基于多目标优化模型的异构网络垂直切换算法，其特征在于，所述相关参数包括异构网络各基站的总带宽、平均接入带宽和时延。
6.根据权利要求1所述的基于多目标优化模型的异构网络垂直切换算法，其特征在于，所述用于反映用户切换策略的矩阵变量θ如下：
Figure FDA0002301212080000011
式中，θ为M×N阶矩阵，M表示基站的总数量，N表示用户的总数量，i表示矩阵的行索引且i取值为1，2，…，M,j表示矩阵的列索且j取值为1，2，…，N，θij表示用户j连接到基站i上的情况，当θij＝1时表示j连接到基站i上，θij＝0表示j未连接到基站i上，矩阵中的每一列为1的元素的个数不超过一个以表示每个用户同时只能接入一个基站。
7.根据权利要求1所述的基于多目标优化模型的异构网络垂直切换算法，其特征在于，所述多目标优化模型如下：
Figure FDA0002301212080000021
Figure FDA0002301212080000022
Figure FDA0002301212080000023
模型中的约束条件为：θij(1-θij)＝0i＝1,2…,M j＝1,2…,N；
Figure FDA0002301212080000024
0≤‖θ(i,:)‖1≤ηi i＝1,2…,M；
式中，θ为矩阵变量，θ(i,:)表示矩阵θ的第i行向量，反映第i个基站的用户接入情况，θ(:,j)表示矩阵θ的第j列向量，反映第j个用户接入基站情况，vij为用户j连接到基站i时获取到的基站Gittins指数，Q为传输速率矩阵，Q(:,j)表示矩阵Q中第j列向量，反映第j个用户接收来自不同基站的数据传输速率，E为误码率矩阵，E(:,j)表示矩阵E中第j列向量，反映第j个用户接收来自不同基站的误码率，ηi为基站i的通道数。
8.一种基于多目标优化模型的异构网络垂直切换***，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1至7任一所述方法的步骤。
CN201911222416.7A 2019-12-03 2019-12-03 一种基于多目标优化模型的异构网络垂直切换算法及*** Expired - Fee Related CN110996365B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911222416.7A CN110996365B (zh) 2019-12-03 2019-12-03 一种基于多目标优化模型的异构网络垂直切换算法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911222416.7A CN110996365B (zh) 2019-12-03 2019-12-03 一种基于多目标优化模型的异构网络垂直切换算法及***

Publications (2)

Publication Number Publication Date
CN110996365A true CN110996365A (zh) 2020-04-10
CN110996365B CN110996365B (zh) 2021-05-11

Family

ID=70089641

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911222416.7A Expired - Fee Related CN110996365B (zh) 2019-12-03 2019-12-03 一种基于多目标优化模型的异构网络垂直切换算法及***

Country Status (1)

Country Link
CN (1) CN110996365B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113382412A (zh) * 2021-05-12 2021-09-10 重庆邮电大学 超密集异构网络中考虑终端安全的网络选择方法
CN113825194A (zh) * 2021-09-14 2021-12-21 北京邮电大学 基于WiFi6的多业务多目标无缝切换决策方法及装置
CN115883280A (zh) * 2023-03-09 2023-03-31 成都凯天电子股份有限公司 基于起落架位置传感器的冗余can网络***及切换方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103686755A (zh) * 2013-12-26 2014-03-26 西南科技大学 一种认知无线电实现最优传输的在线学习方法
CN106792954A (zh) * 2016-12-16 2017-05-31 中南大学 一种基于环境感知的蓝牙与Wifi切换方法及传输设备
CN107484209A (zh) * 2017-09-30 2017-12-15 南京南瑞集团公司 一种考虑用户QoS的网络负载均衡垂直切换方法
CN108235390A (zh) * 2017-12-01 2018-06-29 吉林大学 一种异构无线网络中基于贝叶斯决策的垂直切换方法
US10477582B2 (en) * 2015-07-21 2019-11-12 Institut National Des Sciences Appliquees (Insa) Method for opportunistic access to the spectrum

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103686755A (zh) * 2013-12-26 2014-03-26 西南科技大学 一种认知无线电实现最优传输的在线学习方法
US10477582B2 (en) * 2015-07-21 2019-11-12 Institut National Des Sciences Appliquees (Insa) Method for opportunistic access to the spectrum
CN106792954A (zh) * 2016-12-16 2017-05-31 中南大学 一种基于环境感知的蓝牙与Wifi切换方法及传输设备
CN107484209A (zh) * 2017-09-30 2017-12-15 南京南瑞集团公司 一种考虑用户QoS的网络负载均衡垂直切换方法
CN108235390A (zh) * 2017-12-01 2018-06-29 吉林大学 一种异构无线网络中基于贝叶斯决策的垂直切换方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
BINGTAO YANG; XUE WANG; ZHIHONG QIAN: "A Multi-Armed Bandit Model-Based Vertical Handoff Algorithm for Heterogeneous Wireless Networks", 《IEEE COMMUNICATIONS LETTERS ( VOLUME: 22, ISSUE: 10, OCT. 2018)》 *
杨冰涛: "异构无线网络中垂直切换算法研究", 《中国优秀硕士学位论文全文数据库》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113382412A (zh) * 2021-05-12 2021-09-10 重庆邮电大学 超密集异构网络中考虑终端安全的网络选择方法
CN113382412B (zh) * 2021-05-12 2022-12-27 重庆邮电大学 超密集异构网络中考虑终端安全的网络选择方法
CN113825194A (zh) * 2021-09-14 2021-12-21 北京邮电大学 基于WiFi6的多业务多目标无缝切换决策方法及装置
CN113825194B (zh) * 2021-09-14 2022-09-02 北京邮电大学 基于WiFi6的多业务多目标无缝切换决策方法及装置
CN115883280A (zh) * 2023-03-09 2023-03-31 成都凯天电子股份有限公司 基于起落架位置传感器的冗余can网络***及切换方法
CN115883280B (zh) * 2023-03-09 2023-06-16 成都凯天电子股份有限公司 基于起落架位置传感器的冗余can网络***切换方法

Also Published As

Publication number Publication date
CN110996365B (zh) 2021-05-11

Similar Documents

Publication Publication Date Title
CN110996365B (zh) 一种基于多目标优化模型的异构网络垂直切换算法及***
CN108235390B (zh) 一种异构无线网络中基于贝叶斯决策的垂直切换方法
CN111726811B (zh) 一种用于认知无线网络的切片资源分配方法及***
Li Multi-agent Q-learning of channel selection in multi-user cognitive radio systems: A two by two case
US20220248237A1 (en) Neural network circuit remote electrical tilt antenna infrastructure management based on probability of actions
CN113379176B (zh) 电信网络异常数据检测方法、装置、设备和可读存储介质
Yang et al. Deep reinforcement learning based wireless network optimization: A comparative study
CN114585006B (zh) 基于深度学习的边缘计算任务卸载和资源分配方法
EP4024212B1 (en) Method for scheduling inference workloads on edge network resources
CN115633380B (zh) 一种考虑动态拓扑的多边缘服务缓存调度方法和***
CN110933638A (zh) 一种应用于车辆跟驰队列的异构网络接入选择策略方法
CN116669068A (zh) 一种基于gcn的时延业务端到端切片部署方法及***
Yan et al. Gaussian process reinforcement learning for fast opportunistic spectrum access
Huang et al. Game theoretic issues in cognitive radio systems
Suzuki et al. Multi-agent deep reinforcement learning for cooperative offloading in cloud-edge computing
Chen et al. Adaptive channel recommendation for opportunistic spectrum access
Benmammar et al. A pareto optimal multi-objective optimisation for parallel dynamic programming algorithm applied in cognitive radio ad hoc networks
CN116166444B (zh) 一种面向深度学习分层模型的协同推理方法
Ganewattha et al. Confidence aware deep learning driven wireless resource allocation in shared spectrum bands
CN109561129B (zh) 一种基于光纤-无线网络的协同计算卸载方法
WO2023011371A1 (en) Method and system for configuring a threshold value for a handover parameter of a wireless communication system
CN113543160A (zh) 5g切片资源配置方法、装置、计算设备及计算机存储介质
CN110224861A (zh) 基于学习的自适应动态异构网络选择策略的实现方法
Kumar et al. Neuro-fuzzy based call admission control for next generation mobile multimedia networks
Menard et al. Distributed Resource Allocation In 5g Networks With Multi-Agent Reinforcement Learning

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
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20210511

Termination date: 20211203