CN113301576B - 一种基于改进遗传算法的蜂窝网络资源分配方法 - Google Patents
一种基于改进遗传算法的蜂窝网络资源分配方法 Download PDFInfo
- Publication number
- CN113301576B CN113301576B CN202110579983.9A CN202110579983A CN113301576B CN 113301576 B CN113301576 B CN 113301576B CN 202110579983 A CN202110579983 A CN 202110579983A CN 113301576 B CN113301576 B CN 113301576B
- Authority
- CN
- China
- Prior art keywords
- base station
- user
- representing
- population
- fitness
- 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.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/02—Resource partitioning among network components, e.g. reuse partitioning
- H04W16/10—Dynamic resource partitioning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/22—Traffic simulation tools or models
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
一种基于改进遗传算法的蜂窝网络资源分配方法,提出一种启用缓存的蜂窝网络架构,根据用户请求资源在基站处是否存在有不同的传输链路,结合用户关联,将资源分配问题转化为求解约束优化问题,引入改进的遗传算法对优化问题进行求解,完成资源分配。在改进的遗传算法中,设计了适应性函数、自适应交叉和变异概率、交叉和变异算子,有较好的全局搜索能力,不易陷入局部最优,收敛速度快。结合缓存设置和合理的分配策略,可以提高整个***的吞吐量。
Description
技术领域
本发明属于蜂窝网络资源分配技术领域,具体涉及一种基于改进遗传算法的蜂窝网络资源分配方法。
背景技术
随着互联网的发展,网络上的资源日益丰富,越来越多的人通过移动终端来获取资源,相应的对于移动通信的要求也越来越高,无线资源也越来越紧张。通过部署大量低能耗,低成本的小基站,相对于宏基站可以提高总的***容量和频谱利用率,解决盲区,覆盖弱等问题。同时小基站的密集部署也带来了基站间干扰的问题,需要采用合理的资源分配方式来解决。此外,迅速增长的数据业务已经替代传统的语音业务成为新主流的业务,大量用户对数据业务的请求主要集中在视频、资讯等少数热点内容。启用缓存的蜂窝网络在小基站处布置有热点内容的缓存,用户请求的内容可以由基站缓存处直接传输,而无需到内容提供商的服务器请求,可以有效的减轻网络的负担,提高***的传输效率,是研究的热点。对于启用缓存的蜂窝网络,也需要新的有效的资源分配方式才能有限的发挥缓存的优势。
对于蜂窝网络的资源分配,常用的方法是将其转化为优化问题。对于优化问题的求解一般有两种思路,一种是确定性的算法,大多是基于目标函数的梯度或是高阶导数,如梯度下降法,拉格朗日乘子法等,对于非凸问题,如果不能设置较好的迭代初值,算法很容易陷入局部最优解而不能收敛到全局最优;另一种是启发式的进化算法,主要包括遗传算法,模拟退火算法,粒子群算法等,这类算法模仿自然界的某些规律,从随机解出发进行搜索,通过适应性函数对种群进行评价,进行迭代寻找最优解。
遗传算法主要包括一下几个步骤,首先随机产生初始种群,用适应性函数对种群中的个体进行适应性评价,描述其优劣度,按照概率从种群中选出个体进行交叉和变异操作,对其中适应度好的个体进行保留,差的个体进行淘汰,构成新的种群,并对新种群继续进行迭代优化,值至满足停止条件。遗传算法的适应性函数不受连续可微的约束,应用范围广,具有较好的全局搜索能力,也存在过早收敛的问题,需要予以改进。
发明内容
本发明提出了一种基于改进遗传算法的蜂窝网络资源分配方法,可以有效的对蜂窝网络进行资源分配,提高***的吞吐量,具体如下:
一种基于改进遗传算法的蜂窝网络资源分配方法,包括如下步骤:
步骤1,建立带有缓存的蜂窝网络***模型,分析各用户的传输速率以及***总的传输速率;
步骤2,将用户与小基站关联,以***总吞吐量最大为目标,建立约束优化问题;
步骤3,结合罚函数设计适应性评价函数,对种群进行适应性评价,目标函数值优的个体适应性好,目标函数值劣的个体适应性差;
步骤4,根据迭代次数计算交叉和变异概率;
步骤5,对种群中选中的个体进行交叉和变异操作,并进行迭代,直至满足终止条件,最终得到最优的资源分配方案,并依次完成资源的分配。
进一步地,所述步骤1中,启用缓存的蜂窝网络由一个云池和连接在云池上的L个基站组成,每个基站和云池都有一定的缓存容量,网络中共有U个用户,每个基站有N个子信道,每个信道只分配给一个用户,每个小基站处缓存内容的数量为G,云池处缓存的内容数量为M,其中M≤G;
设定传输路径一,当用户直接请求基站处的缓存内容时,传输速率为:
其中gl,n为信道增益,为路径损耗,dl,n表示用户距离基站的距离,σ2为高斯噪声的功率,hi,l,k为指示函数,当用户i占用了基站 l的子信道n时为1,否则为0;pl,n代表当前用户与小基站l使用子信道n进行通信时的功率,pl',n代表其他用户与小基站l'使用子信道n 通信时的功率,l'代表***中除当前用户连接基站以外的基站;
设定传输路径二,当基站中没有用户请求资源时,需要使用回程链路从云池传输至小基站再传输至用户,每个子信道的回程链路速度为vf,在单位时间内用户收到的数据为B,则有如下等式:
式中,Rj代表用户通过传输路径二的实际速率,Ri代表用户和基站之间的最大传输速率,整理得到用户的传输速率为:
每个小基站的和速率为:
其中Il={i1.i2,…,il}表示使用传输路径一的用户集合,Is= {j1,j2,…,js}表示使用传输路径二的用户集合;
所有小基站的速率之和为:
进一步地,所述步骤2的实现过程如下:
每个用户都连接至离其距离最近的基站,并利用下式进行评分:
S(i)=ω1Ii-ω2di
其中Ii为指示函数,Ii=1表示基站处缓存有用户i需要的内容, Ii=0则表示没有,di表示用户距离基站的距离,ω1、ω2为权重系数,在小基站处,选择评分最高的N个用户接入;
确定信道分配后,将功率分配改写为标准的带约束的优化问题:
g2(p)=pl.n-pc<0,l∈L,n∈Nsub
约束条件1表示,小基站所有信道分配的功率之和要小于小基站最大限制功率,约束条件2表示每个信道分配的功率要小于信道最大限制功率。
进一步地,所述步骤3中适应性函数的设计如下:
一个共有m个不等式约束和q个等式约束的优化问题,其罚函数构造如下:
其中ωj为不同的权重约束,fj(x)表示数据x对第j个约束的违反,违反的程度越高,惩罚的力度越大,即罚函数值也越大;hj(x)代表上述不等式和等式的约束条件,j代表第j个约束条件;
将目标函数和罚函数进行归一化:
其中fmax与fmin分别表示当前中种群中目标函数的最大值与最小值,pmax为罚函数的最大值,Npop为种群大小,罚函数和目标函数的值都归一化到[0,Npop]之间,构造如下适应性函数:
其中t为当前进化代数,T为最大进化代数,r、b为参数,控制罚函数所有占的比重。
进一步地,所述步骤4中交叉和变异概率按如下公式计算:
其中Pc、Pm分别表示交叉概率和变异概率,Pc_max、Pc_min分别表示最大和最小交叉概率,Pm_max、Pm_min分别表示最大和最小变异概率,f'表示父代的适应度,f表示变异个体的适应度,favg表示种群的平均适应度,随着迭代的进行,交叉概率和变异概率自适应变化。
进一步地,所述步骤5中交叉和变异操作按如下方式进行:
利用父体之间适应度的差异,规范化搜索方向d表示为:
此处fhigh和flow表示交叉对中两父体的适应度;
按照交叉概率从种群中选择出需要执行交叉操作的群体,并按如下的公式执行交叉操作:
对交叉后的种群按照变异概率选择需要执行变异操作的群体,按照下式执行变异操作:
vt+1=ωt+c1(xbestt-xt)+c2(to-xt)
其中ωt、xo按下式计算:
进一步地,所述步骤5中终止条件为算法达到设定的最大迭代次数或是最优解不再发生变化。
本发明达到的有益效果为:本发明提出了一种基于改进遗传算法的蜂窝网络资源分配方法,利用基站处的缓存容量,设计了适应性评价函数,自适应交叉变异概率,交叉和变异算子,改进了遗传算法的早熟现象,降低网络负担,提升网络吞吐量。
附图说明
图1为本发明实施例中启用缓存的蜂窝网络模型示意图。
图2为本发明实施例中的蜂窝网络资源分配方法流程图。
图3为本发明实施例中改进遗传算法流程图。
具体实施方式
下面结合说明书附图对本发明的技术方案做进一步的详细说明。
如图1所示,建立启用缓存的蜂窝网***模型,该模型包括一个云池和连接在云池上的L个基站,云池处和基站处都设有缓存,云池中有集中控制器,对资源进行分配。
用户请求的资源有两种传输路径:(1)基站处有用户请求的资源时,直接由基站传输至用户;(2)基站处不存在用户请求的资源时,由云池处的缓存传输至基站再传输至用户。
使用传输路径(1)时,用户的传输速率为:
使用传输路径(2)时,用户的传输速率为:
每个基站的和速率为:
其中Il={i1.i2,…,il}表示使用传输路径(1)的用户集合,Is= {j1,j2,…,js}表示使用传输路径(2)的用户集合。
所有小基站的速率之和为:
将基站与用户关联,每个用户连接至离其最近的基站,并用 S(i)=ω1Ii-ω2di进行评分,其中Ii为指示函数,Ii=1表示基站处缓存有用户i需要的内容,Ii=0则表示没有,di表示用户距离基站的距离,ω1,ω2为权重系数,在小基站处,选择评分最高的N个用户接入。
确定信道分配后,将功率分配改写为标准的带约的束优化问题:
g2(p)=pl.n-pc<0,l∈L,n∈Nsub
约束条件1表示,小基站所有信道分配的功率之和要小于小基站最大限制功率,约束条件2表示每个信道分配的功率要小于信道最大限制功率。
设计适应性函数,对于由m个不等式约束和q个等式约束的优化问题,罚函数构造如下:
其中ωj为不同的权重约束,fj(x)表示数据x对第j个约束的违反,违反的程度越高,惩罚的力度越大,即罚函数值也越大。
其中fmax与fmin分别表示当前中种群中目标函数的最大值与最小值,pmax为罚函数的最大值,Npop为种群大小,罚函数和目标函数的值都归一化到了[0,Npop]之间,构造如下适应性函数:
其中t为当前进化代数,T为最大进化代数,r、b为参数。
交叉和变异概率按如下方式计算:
其中Pc、Pm分别表示交叉概率和变异概率,Pc_max、Pc_min分别表示最大和最小交叉概率,Pm_max、Pm_min分别表示最大和最小变异概率,f'表示父代的适应度,f表示变异个体的适应度,favg表示种群的平均适应度,随着迭代的进行,交叉概率和变异概率自适应变化。
按照交叉概率从种群中选择出需要执行交叉操作的群体,并按如下的公式执行交叉操作:
其中d按下式计算:
对交叉后的种群按照变异概率选择需要执行变异操作的群体,按照下式执行变异操作:
vt+1=ωt+c1(xbestt-xt)+c2(xo-xt)
其中ωt,xo按下式计算:
整个算法流程如图3所示,首先产生初始种群,对种群中的个体计算适应度,由交叉概率公式计算处交叉概率,由交叉概率冲种群中选出交叉的父代,按照交叉公式执行交叉操作,用交叉产生的后代替换掉种群中适应性差的个体得到新的种群,对次计算适应度,由变异概率公式计算变异概率,按照变异概率选出要变异的个体,按照变异公式执行变异作,用变异生成的个体替换掉种群中适应性差的个体,完成一次迭代,继续执行操作,直到达到最大迭代次数。
以上所述仅为本发明的较佳实施方式,本发明的保护范围并不以上述实施方式为限,但凡本领域普通技术人员根据本发明所揭示内容所作的等效修饰或变化,皆应纳入权利要求书中记载的保护范围内。
Claims (4)
1.一种基于改进遗传算法的蜂窝网络资源分配方法,其特征在于:所述方法包括如下步骤:
步骤1,建立带有缓存的蜂窝网络***模型,分析各用户的传输速率以及***总的传输速率;
步骤2,将用户与小基站关联,以***总吞吐量最大为目标,建立约束优化问题;
步骤3,结合罚函数设计适应性评价函数,对种群进行适应性评价,目标函数值优的个体适应性好,目标函数值劣的个体适应性差;
所述步骤3中适应性评价函数的设计如下:
一个共有m个不等式约束和q个等式约束的优化问题,其罚函数构造如下:
其中ωj为不同的权重约束,fj(x)表示数据x对第j个约束的违反,违反的程度越高,惩罚的力度越大,即罚函数值也越大;hj(x)代表上述不等式和等式的约束条件,j代表第j个约束条件;
将目标函数和罚函数进行归一化:
其中fmax与fmin分别表示当前种群中目标函数的最大值与最小值,pmax为罚函数的最大值,Npop为种群大小,罚函数和目标函数的值都归一化到[0,Npop]之间,构造如下适应性评价函数:
其中t为当前进化代数,T为最大进化代数,r、b为参数,控制罚函数所占的比重;
步骤4,根据迭代次数计算交叉和变异概率;
所述步骤4中交叉和变异概率按如下公式计算:
其中Pc、Pm分别表示交叉概率和变异概率,Pc_max、Pc_min分别表示最大和最小交叉概率,Pm_max、Pm_min分别表示最大和最小变异概率,f'表示父代的适应度,f表示变异个体的适应度,favg表示种群的平均适应度,随着迭代的进行,交叉概率和变异概率自适应变化;
步骤5,对种群中选中的个体进行交叉和变异操作,并进行迭代,直至满足终止条件,最终得到最优的资源分配方案,并依次完成资源的分配;
所述步骤5中交叉和变异操作按如下方式进行:
利用父体之间适应度的差异,规范化搜索方向d表示为:
此处fhigh和flow表示交叉对中两父体的适应度;
按照交叉概率从种群中选择出需要执行交叉操作的群体,并按如下的公式执行交叉操作:
对交叉后的种群按照变异概率选择需要执行变异操作的群体,按照下式执行变异操作:
vt+1=ωt+c1(xbestt-xt)+c2(xo-xt)
其中ωt、xo按下式计算:
2.根据权利要求1所述的一种基于改进遗传算法的蜂窝网络资源分配方法,其特征在于:所述步骤1中,启用缓存的蜂窝网络由一个云池和连接在云池上的L个基站组成,每个基站和云池都有一定的缓存容量,网络中共有U个用户,每个基站有N个子信道,每个信道只分配给一个用户,每个小基站处缓存内容的数量为G,云池处缓存的内容数量为M,其中M≤G;
设定传输路径一,当用户直接请求基站处的缓存内容时,传输速率为:
其中gl,n为信道增益,为路径损耗,dl,n表示用户距离基站的距离,σ2为高斯噪声的功率,hi,l,n为指示函数,当用户i占用了基站l的子信道n时为1,否则为0;pl,n代表当前用户与小基站l使用子信道n进行通信时的功率,pl',n代表其他用户与小基站l'使用子信道n通信时的功率,l'代表***中除当前用户连接基站以外的基站;
设定传输路径二,当基站中没有用户请求资源时,需要使用回程链路从云池传输至小基站再传输至用户,每个子信道的回程链路速度为vf,在单位时间内用户收到的数据为B,则有如下等式:
式中,Rj代表用户通过传输路径二的实际速率,Ri代表用户和基站之间的最大传输速率,整理得到用户的传输速率为:
每个小基站的和速率为:
其中Il={i1.i2,…,il}表示使用传输路径一的用户集合,Is={j1,j2,…,js}表示使用传输路径二的用户集合;
所有小基站的速率之和为:
3.根据权利要求2所述的一种基于改进遗传算法的蜂窝网络资源分配方法,其特征在于:所述步骤2的实现过程如下:
每个用户都连接至离其距离最近的基站,并利用下式进行评分:
S(i)=ω1Ii-ω2di
其中Ii为指示函数,Ii=1表示基站处缓存有用户i需要的内容,Ii=0则表示没有,di表示用户距离基站的距离,ω1、ω2为权重系数,在小基站处,选择评分最高的N个用户接入;
确定信道分配后,将功率分配改写为标准的带约束的优化问题:
g2(p)=pl,n-pc<0,l∈L,n∈Nsub
约束条件1表示,小基站所有信道分配的功率之和要小于小基站最大限制功率Pmax,约束条件2表示每个信道分配的功率要小于信道最大限制功率pc。
4.根据权利要求1所述的一种基于改进遗传算法的蜂窝网络资源分配方法,其特征在于:所述步骤5中终止条件为算法达到设定的最大迭代次数或是最优解不再发生变化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110579983.9A CN113301576B (zh) | 2021-05-26 | 2021-05-26 | 一种基于改进遗传算法的蜂窝网络资源分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110579983.9A CN113301576B (zh) | 2021-05-26 | 2021-05-26 | 一种基于改进遗传算法的蜂窝网络资源分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113301576A CN113301576A (zh) | 2021-08-24 |
CN113301576B true CN113301576B (zh) | 2023-03-21 |
Family
ID=77325205
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110579983.9A Active CN113301576B (zh) | 2021-05-26 | 2021-05-26 | 一种基于改进遗传算法的蜂窝网络资源分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113301576B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117785949B (zh) * | 2024-02-28 | 2024-05-10 | 云南省地矿测绘院有限公司 | 一种数据缓存方法、电子设备、存储介质以及装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102711266B (zh) * | 2012-05-17 | 2014-08-13 | 北京邮电大学 | 基于遗传算法的调度与资源分配联合优化方法 |
CN105320988A (zh) * | 2014-07-14 | 2016-02-10 | 重庆邮电大学 | 一种基于改进型遗传算法的无线能量传输***参数优化方法 |
CN108738048B (zh) * | 2018-04-25 | 2021-02-26 | 杭州电子科技大学 | 一种基于遗传算法的最大化公平性基站主动存储方法 |
CN108880663B (zh) * | 2018-07-20 | 2020-09-22 | 大连大学 | 基于改进遗传算法的天地一体化网络资源分配方法 |
-
2021
- 2021-05-26 CN CN202110579983.9A patent/CN113301576B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113301576A (zh) | 2021-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113296845B (zh) | 一种边缘计算环境下基于深度强化学习的多小区任务卸载算法 | |
CN111585816B (zh) | 一种基于自适应遗传算法的任务卸载决策方法 | |
Jiang et al. | Optimal cooperative content caching and delivery policy for heterogeneous cellular networks | |
CN105979553B (zh) | 一种基于模糊逻辑和topsis算法的分层网络切换决策方法 | |
He et al. | Resource allocation based on graph neural networks in vehicular communications | |
Wang et al. | Joint resource allocation and power control for D2D communication with deep reinforcement learning in MCC | |
CN111970733A (zh) | 超密集网络中基于深度强化学习的协作式边缘缓存算法 | |
Tang et al. | Collaborative cache-aided relaying networks: Performance evaluation and system optimization | |
Gao et al. | Reinforcement learning based cooperative coded caching under dynamic popularities in ultra-dense networks | |
Li et al. | Cloud–edge collaborative resource allocation for blockchain-enabled Internet of Things: A collective reinforcement learning approach | |
CN113473580B (zh) | 异构网络中基于深度学习的用户关联联合功率分配方法 | |
CN112637907B (zh) | 毫米波网络中用户多关联和下行功率分配的联合优化方法 | |
Cai et al. | Joint optimal multi-connectivity enabled user association and power allocation in mmWave networks | |
Qiu et al. | Subchannel assignment and power allocation for time-varying fog radio access network with NOMA | |
CN110602722A (zh) | 一种基于noma的联合内容推送和传输的设计方法 | |
CN113301576B (zh) | 一种基于改进遗传算法的蜂窝网络资源分配方法 | |
CN106060876B (zh) | 一种异构无线网络均衡负载的方法 | |
Liu et al. | Deep reinforcement learning-based MEC offloading and resource allocation in uplink NOMA heterogeneous network | |
CN108965034A (zh) | 小小区基站超密集部署下的用户关联到网络的方法 | |
CN116828534B (zh) | 基于强化学习的密集网络大规模终端接入与资源分配方法 | |
CN116981090A (zh) | 多基站下基于改进d3qn的d2d通信资源分配方法 | |
Li et al. | Joint access point selection and resource allocation in MEC-assisted network: A reinforcement learning based approach | |
CN109547979B (zh) | 一种d2d缓存网络下联合能耗和用户公平性的内容分发方法 | |
Zhang et al. | Energy efficient resource allocation in millimeter-wave-based fog radio access networks | |
CN113518457B (zh) | 基于一维深度卷积神经网络的功率分配策略 |
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 |