无线Mesh网络中基于对偶分解的路由优化方法与流程

本发明涉及的认知无线电网络，具体涉及一种无线mesh网络中基于对偶分解的路由优化方法。

背景技术：

无线mesh网络是一种新型分布式无线宽带接入网，融合了无线局域网和adhoc网络的优势，具有自组织、自修复、多跳级联、高速率、覆盖范围广等特点，在提高网络覆盖率、增加网络容量、减少前期投资等诸多方面都显示出很大优势，有望成为“最后一公里”宽带接入问题的理想解决方案，正引起业界的广泛关注。

随着无线技术的发展，用户数量不断增多，对服务质量的需求不断提升，有限的频谱资源已成为获取高性能数据服务的严重障碍，而传统的固定频谱分配模式无疑使这一问题雪上加霜。近年来，认知无线电技术(cognitiveradio，cr)的产生和发展为人们提供了新的解决思路。cr通过动态分配空闲频谱，能够使得认知用户伺机接入授权频谱，有望解决日益增长的无线通信需求和有限的频谱资源之间的矛盾，认知无线mesh网络应运而生。

路由优化是认知无线mesh网络需要重点关注的问题。由于路由算法直接决定了各链路的流量需求。而在认知无线mesh网络中，链路容量除了与所采用功率控制、信道分配机制密切相关，还受到信道检测方法的影响。然而，目前容量计算中并没有考虑信道检测概率对链路容量的影响。考虑到基于能量的信道检测已成为当前认知无线电技术中的广泛使用空闲频谱检测方法，如何基于能量检测机制，有效评估链路容量，已成为认知无线mesh网络路由优化中必须考虑的重要问题。

技术实现要素：

为解决现有技术中的问题，本发明提供一种无线mesh网络中基于对偶分解的路由优化方法。

第一方面，本发明提供一种无线mesh网络中基于对偶分解的路由优化方法，包括：

步骤1：根据无线mesh网络路由优化过程中网络层的约束条件和物理层资源分配的约束条件、基于无线mesh网络中每一链路的信道使用信息确定各链路的有效容量值，构建无线mesh网络的优化模型；

步骤2：采用拉格朗日函数描述所述优化模型，并对优化模型的优化问题进行分解，得到网络优化子问题和物理层优化子问题；

步骤3：初始化拉格朗日函数的对偶变量；

步骤4：基于初始化后的对偶变量，采用凸优化方法处理所述网络优化子问题，获得第一处理结果；以及基于初始化后的对偶变量，采用遗传算法处理所述物理层优化子问题，获得第二处理结果；

步骤5：判断第一处理结果和第二处理结果是否收敛，若收敛，则将第一处理结果和第二处理结果作为最优解输出；

步骤6：若步骤5中的第一处理结果和第二处理结果不收敛，则根据第一处理结果和第二处理结果，对对偶变量进行更新，并重新执行步骤4和步骤5，以基于更新的对偶变量，采用凸优化方法获取第一处理结果；以及基于更新的对偶变量，采用遗传算法获取第二处理结果并判断是否收敛的过程。

可选地，构建无线mesh网络的优化模型之前，所述方法还包括：

基于无线mesh网络中认知用户、主用户对应的信道使用信息确定每一链路的有效容量值。

可选地，基于无线mesh网络中认知用户、主用户对应的信道使用信息确定每一链路的有效容量值，包括：

针对无线mesh网络中的每一信道，当感知当前信道为空闲时，能够正确检测到当前信道为空闲的概率作为第一概率；

当感知当前信道被主用户占用时，能够错误检测到当前信道为空闲的概率作为第二概率；

将获取到的主用户占用当前信道的概率作为第三概率，以及将获取到的主用户释放当前信道的概率作为第四概率；

获取当主用户占用当前信道，同时次用户使用当前信道通信时次用户对应的第一sinr；

获取当主用户未占用当前信道，且次用户使用当前信道通信时次用户对应的第二sinr；

根据所述第一概率、第二概率、第三概率、第四概率和第一sinr、第二sinr，获取链路使用当前信道的有效容量值。

可选地，当感知当前信道为空闲时，能够正确检测到当前信道为空闲的概率作为第一概率包括：

或者，若当前信道为高斯信道，则

其中，假设信道m的累计获取能量为ym，sm表示信道m的状态，当sm＝1时，表示信道m为空闲，否则sm＝0，表示信道m被占用；

f(γ)为接收信号的分布概率，为平均接收功率，τ为判决门限，u为时间带宽积；

和/或，

当感知当前信道被主用户占用时，能够错误检测到当前信道为空闲的概率作为第二概率包括：

或者，若当前信道为高斯信道，则

其中，pf,a为高斯信道下的错误检测到当前信道为空闲的概率。

可选地，将获取到的主用户占用当前信道的概率作为第三概率，以及将获取到的主用户释放当前信道的概率作为第四概率，包括：

定义第三概率为则第四概率为

可选地，获取当主用户占用当前信道，同时次用户使用当前信道通信时次用户对应的第一sinr，包括：

其中，占用信道m的主用户的通信功率为pm，当次用户i与次用户j使用信道m进行通信时，为第一sinr，为其它使用信道m的次用户对次用户j的干扰，n0为白噪声功率，hij为次用户i与次用户j的路径损耗；

和/或，

获取当主用户未占用当前信道，且次用户使用当前信道通信时次用户对应的第二sinr，包括：

为当主用户空闲时，而次用户准确判断信道空闲，此时次用户i与次用户j使用信道m通信时，获得的第二sinr。

可选地，根据所述第一概率、第二概率、第三概率、第四概率和第一sinr、第二sinr，获取链路eij使用当前信道的有效容量值，包括：

其中，uij表示次用户i与次用户j之间使用当前信道的整体有效容量，为当次用户i与次用户j使用信道m进行通信时的有效容量，

为链路资源分配变量，若表示次用户i在信道m上与次用户j通信，否则，

可选地，根据无线mesh网络中构建网络层的约束条件和物理层资源分配的约束条件、基于无线mesh网络中每一信道使用信息确定的该信道的有效容量值，构建无线mesh网络的优化模型，包括：

假设无线mesh网络中包含n个节点和q个路由请求，优化模型的目标函数为：max:∑q∈qlog(1+λq)

s.t.

其中，<sq,dq,rq>是输入参数，λ是决定物理层资源分配和路由选择的优化变量，目标函数及uij均包含非线性约束；

sq、dq、rq分别表示路由请求q∈[1,2,…,q]的源节点、目的节点、流量需求，表示路由请求q从节点i→j或j→i传输的流量，i,j∈v,i≠j；

对于任意次用户i、j(i,j∈v)，定义次用户i和次用户j之间每次只能分配1个信道，即，

其中，表示次用户i的信道分配情况，如果则i≠j,m∈全网的信道集oc，或否则，对任意次用户i，

可选地，网络优化子问题

约束条件为：所述约束条件六至约束条件九；

物理层优化子问题

约束条件为：所述约束条件一至约束条件五；

根据拉格朗日函数得到对偶问题为，

其中，为拉格朗日系数即对偶变量；

对偶变量的更新方式为：

为链路e的第t次迭代步长。

可选地，采用凸优化方法处理所述网络优化子问题，获得第一处理结果，包括：

将网络优化子问题分解为q个路由子问题，采用cvx优化工具对各个路由子问题进行求解，

将所有路由子问题的解进行合成，作为网络层优化子问题的解。

本发明具有的有益效果如下：

首先，基于无线mesh网络中网络层和物理层资源分配的约束条件及链路的有效容量值，构建了认知无线mesh网络的路由优化模型；随后，通过挖掘优化问题的具体表达方式，将整个优化问题分解为网络层上的吞吐量优化子问题及物理-链路层上的信道分配与功率控制子问题；同时提出基于拉格朗日的对偶求解机制，通过对偶变量对两个子问题进行调节，获得具有最大吞吐量的跨层优化方法。

此外，本发明实施例中的链路有效容量值是基于综合信道分配、功率控制、及频谱检测概率确定的，可保证计算的准确性。

附图说明

图1为本发明实施例的方法的流程示意图；

图2为本发明实施例的结构示意图；

图3为本发明实施例中个体编码方案的示意图；

图4为本发明实施例中基于子串的交叉机制的示意图；

图5为本发明实施例中不同步长时算法的收敛情况示意图。

具体实施方式

为了更好的解释本发明，以便于理解，下面结合附图，通过具体实施方式，对本发明作详细描述。

本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。

本发明实施例提供一种无线mesh网络中基于对偶分解的路由优化方法，如图1所示，该方法可包括：

步骤101：根据无线mesh网络路由优化过程中网络层的约束条件和物理层资源分配的约束条件、基于无线mesh网络中每一链路的信道使用信息确定各链路的有效容量值，构建无线mesh网络的优化模型；

步骤102：采用拉格朗日函数描述所述优化模型，并对优化模型的优化问题进行分解，得到网络优化子问题和物理层优化子问题；

步骤103：初始化拉格朗日函数的对偶变量；

步骤104：基于初始化后的对偶变量，采用凸优化方法处理所述网络优化子问题，获得第一处理结果；以及基于初始化后的对偶变量，采用遗传算法处理所述物理层优化子问题，获得第二处理结果；

步骤105：判断第一处理结果和第二处理结果是否收敛，若收敛，则将第一处理结果和第二处理结果作为最优解输出；

步骤106：若步骤105中的第一处理结果和第二处理结果不收敛，则根据第一处理结果和第二处理结果，对对偶变量进行更新，并基于更新的对偶变量重复步骤104和步骤105的过程。

也就是说，在步骤106中，若不收敛，则可根据第一处理结果和第二处理结果对初始化后的对偶变量进行更新，进而在重复步骤104的过程中，可基于更新的对偶变量，采用凸优化方法处理所述网络优化子问题，获得第一处理结果；以及基于初始化后的对偶变量，采用遗传算法处理所述物理层优化子问题，获得第二处理结果，进而再重复步骤105中的对第一处理结果和第二处理结果进行判断的过程。

本实施例中在步骤101之前，还可执行下述的步骤100：

步骤100：基于无线mesh网络中认知用户、主用户对应的信道使用信息确定每一链路的有效容量值。

例如，子步骤01：针对无线mesh网络中的每一信道，当感知当前信道为空闲时，能够正确检测到当前信道为空闲的概率作为第一概率；

子步骤02：当感知当前信道被主用户占用时，能够错误检测到当前信道为空闲的概率作为第二概率；

子步骤03：将获取到的主用户占用当前信道的概率作为第三概率，以及将获取到的主用户释放当前信道的概率作为第四概率；

子步骤04：获取当主用户占用当前信道，同时次用户使用当前信道通信时次用户对应的第一sinr；

子步骤05：获取当主用户未占用当前信道，且次用户使用当前信道通信时次用户对应的第二sinr；

子步骤06：根据所述第一概率、第二概率、第三概率、第四概率和第一sinr、第二sinr，获取链路使用当前信道的有效容量值。

本实施例的方法中基于无线mesh网络中网络层和物理层资源分配的约束条件及链路的有效容量值，构建了认知无线mesh网络的路由优化模型；随后，通过挖掘优化问题的具体表达方式，将整个优化问题分解为网络层上的吞吐量优化子问题及物理-链路层上的信道分配与功率控制子问题；同时提出基于拉格朗日的对偶求解机制，通过对偶变量对两个子问题进行调节，获得具有最大吞吐量的跨层优化方法。

此外，本发明实施例中的链路有效容量值是基于综合信道分配、功率控制、及频谱检测概率确定的，可保证计算的准确性。

为较好的理解本发明实施例的方案，以下结合图2对各个步骤进行详细说明。

第一：构建跨层优化的基本模型

(1)检测概率计算器，用于在感知到当前信道为空闲时，能够正确检测到当前信道为空闲的概率作为第一概率；

本实施例中可采用现有的信道感知算法感知当前信道是否为空闲。

具体而言，定义二元变量sm表示信道m的状态，当sm＝1时，表示信道为空闲，否则sm＝0，表示信道被占用。f(γ)为接收信号的分布概率，且满足如下表达式

其中，为平均接收功率。当采用能量检测方法时，假设信道m的累计获取能量为ym，则正确判断信道为空闲的概率为：

进一步，当信道为高斯信道时，第一概率可表示为

其中τ为判决门限，u为时间带宽积。

(2)误检概率计算器，用于当感知当前信道被主用户占用时，能够错误检测到当前信道为空闲的概率作为第二概率

本实施例中采用现有的信道感知算法感知信道的空闲状态或占用状态。

具体而言，误检的第二概率可表示为

若当前信道为高斯信道，则

(3)空闲概率获取器，用于将获取到的主用户占用当前信道的概率作为第三概率，以及将获取到的主用户释放当前信道的概率作为第四概率。

即，定义为信道m空闲的第三概率，则为信道m被占用的第四概率。

(4)工作条件sinr计算器，用于获取当主用户占用当前信道，同时次用户使用当前信道通信时次用户对应的第一sinr。

也就是说，用于计算当主用户工作时，而次用户错误判断信道空闲，此时次用户使用信道m通信时，获得的sinr值。

具体而言，定义占用信道m的主用户的通信功率为pm，当次用户i与次用户j使用信道m进行通信时，其可表示为

其中为其它使用信道m的次用户对次用户j的干扰，n0为白噪声功率，hij为节点i与节点j的路径损耗。

(5)空闲条件sinr计算器，用于获取当主用户占用当前信道，且次用户使用当前信道通信时次用户对应的第二sinr。

也就是说，用于计算当主用户空闲时，而次用户准确判断信道空闲，此时次用户使用信道m通信时，获得的sinr值。

具体而言，当次用户i与次用户j使用信道m进行通信时，其可表示为

(6)链路容量计算器，用于根据所述第一概率、第二概率、第三概率、第四概率和第一sinr、第二sinr，获取链路eij使用当前信道的有效容量值。

即：用于计算综合考虑功率控制、信道分配及检测概率与误检概率后，获得的有效容量值。

具体而言，当次用户i与次用户j使用信道m进行通信时，其有效容量可表示为

且次用户i与次用户j之间的整体有效容量为：

其中为链路资源分配变量。若表示次用户i在信道m上与次用户j通信。否则，

(7)网络层约束构建器，用于获取路由算法所服从的约束条件。

具体而言，定义<sq,dq,rq>表示网络中第q个端到端的路由需求，其中，sq、dq、rq分别表示路由请求q∈[1,2,…,q]的源节点、目的节点、流量需求。定义表示路由请求q从节点i→j(j→i)传输的流量，其中，i,j∈v,i≠j。

则根据流量守恒关系，有，

其中，式(9)要求路由请求q流经任意链路上的流量非负；式(10)表示除源节点和目的节点之外，每个节点的流量守恒，即流入流量等于流出流量；式(11)表示对于任意路由请求，从源节点流出的流量至少是其请求量的λq倍；式(12)表示对于任意路由请求，流入到目的节点的流量至少是其请求量的λq倍；式(13)表示流经一条链路的所有流量之和不能超过该链路的有效容量。

(8)物理层资源分配约束构建器：用于获取物理层资源分配算法所服从的约束条件。

具体而言，对于任意次用户i、j(i,j∈v)，考虑到次用户间数据的并行传输极易导致数据包的到达乱序，为了保证数据包的到达一致性，定义次用户i和次用户j之间每次只能分配1个信道，即，

定义表示次用户i的信道分配情况。如果则i≠j,m∈oc，或否则，对任意次用户i而言，该次用户能够同时使用的信道数受网络接口数的限制，即，

(9)优化模型构建器，用于根据无线mesh网络中构建网络层的约束条件和物理层资源分配的约束条件、基于无线mesh网络中每一信道使用信息确定的该信道的有效容量值，构建无线mesh网络的优化模型。

即，用于构建认知无线mesh网络中综合考虑频谱感知概率、误检概率、资源分配约束、路由约束的网络优化模型。

具体而言，已知认知无线mesh网络中包含n个节点和q个路由请求，满足比例公平性的路由优化问题即为搜索最优的信道分配和功率控制方案以最大化全网比例公平效用函数。形式上，该优化问题能够表述为，

max:∑q∈qlog(1+λq)(16)

s.t.

其中，<sq,dq,rq>是输入参数。注意λ是决定网络资源分配和路由选择的优化变量，目标函数及uij均包含非线性约束。该优化问题在形式上属于混合整数非线性凸优化问题，且属于np难问题，无法通过常规优化工具如cplex等进行求解。

应说明的是，优化问题是与路由层有关的变量，其中受到物理层a～e的约束及网络差16f～16i的约束，及关联约束16j。把约束16j进行拉格朗日改写，可对优化问题进行分解。分解后，即可分成单独的物理层优化问题及网络层优化问题。

(10)对偶分解优化器：主要基于对偶分解方法对上述模型进行优化，并求解最优的路由路径及资源分配向量。

例如，可采用拉格朗日函数描述所述优化模型，并对优化模型的优化问题进行分解，得到网络优化子问题和物理层优化子问题；

初始化拉格朗日函数的对偶变量，基于初始化后的对偶变量，采用凸优化方法处理所述网络优化子问题，获得第一处理结果；以及基于初始化后的对偶变量，采用遗传算法处理所述物理层优化子问题，获得第二处理结果；

判断根据第一处理结果和第二处理结果是否收敛，如果收敛，将第一处理结果和第二处理结果作为最优解输出，否则，基于第一处理结果和第二处理结果对初始化后的对偶变量进行更新，并基于更新的对偶变量重新获取第一处理结果和第二处理结果。

第二：对偶分解优化器中使用的模型分解方法

从上述的优化问题描述中可知，认知无线mesh网络中基于sinr的跨层优化问题同时包含网络层及物理层的约束条件，且上层与下层的联系在于流经链路的总流量不能超过该链路的固有容量，即不等式约束(16j)。为此，本实施例进一步提出基于对偶变量的模型分解方法。

步骤一：求解优化问题所对应的拉格朗日函数为，

其中，为拉格朗日系数。

步骤二：对上述函数变形，获得如下变形函数：

步骤三：从变形函数中求解网络优化子问题与物理层优化子问题

即，

步骤四：根据拉格朗日函数得到对偶问题为，

第三：对偶分解优化器中使用的模型优化方法

本实施例中采用基于对偶分解的跨层优化。

step1：设置t＝0，初始化拉格朗日系数即对偶变量

step2：基于初始化后的对偶变量，采用凸优化方法求解网络层优化子问题

step3：基于初始化后的对偶变量，采用遗传算法求解物理层子问题

step4：根据step2与step3的求解结果，判断优化函数即对偶问题是否已经收敛，若收敛，则将step2和step3的结果作为最优解输出；

若不收敛，则按照式(23)更新对偶问题(22)中每条链路e的投影次梯度，即更新拉格朗日系数(对偶变量)，

其中，为链路e的第t次迭代步长；

此时，迭代次数t＝t+1，基于更新后的拉格朗日系数重复获取step2和step3的结果，并再次执行step4的判断过程。

结合图2分析说明，图2中在求解之后，对应的步骤是对偶变量更新，本实施例可不限定该步骤是在判断收敛的步骤之前还是在判断收敛的步骤之后，在判断收敛的步骤之前或之后都可以。本实施例中只要是判断不收敛之后，根据基于更新的对偶变量获取上述子结果即可。

第四：网络层子问题求解举例说明

对于step2中网络层优化子问题求解，其具体步骤包括：

step2-1：优化子问题重表示，

s.t.(16f)～(16i)

step2-2：把子问题分解为为q个路由子问题。由于每个路由子问题都是严格的凸优化问题，故本文采用cvx优化工具对各个子问题进行求解，

step2-3：把所有子问题的解进行合成，并以此作为网络层优化子问题的解。

第五：物理层子问题求解举例说明

对于step3中的物理层优化子问题求解，本实施例采用遗传算法对物理层子问题进行求解。其主要步骤包括：

step3-1：使用以网络节点作为染色体的编码方式，并基于整数与实数联合编码方法生成初始化种群；

具体包括：对任意节点i的信道选择，用子串表示，该子串由整数向量与实数向量组成，其中，表示节点i当前分配的信道集合，c为网络中可用信道数，i为节点的网络接口数，表示节点i中每个网络接口分配的功率比。

图3示意了基于网络节点的整数编码效果，其中，可用信道数为4，可用接口数为2。

表示节点1的第1个接口使用信道2，第2个接口使用信道3。

表示第1个接口使用功率第2个接口使用功率等级

由于同一节点中任意两个接口不能使用相同信道，则或等将视为不合理的编码方案，在种群初始化过程中对其进行修复，以加快收敛过程。

step3-2：基于step3-1的编码方案，产生m个编码个体作为初始种群。

step3-3：个体编码完成之后，即可由式(8)确定在综合考虑资源分配及感知概率的各链路容量值；

step3-4：个体适应值进行评价，评价初始化种群中每个个体的适应值函数。本实施例定义的个体适应值为基于当前容量价格能够获得的全网最大有效容量

step3-5：以遗传算法对种群进化。其中主要的操作主要包括基于轮盘赌的概率选择、交叉、变异等基本的进化操作。

特别地，对于遗传算法中的交叉操作，为了尽可能保证父代双亲的遗传基因，本发明采用基于子串的交叉方法，以子串作为基本操作单元，并随机选择交叉位置，能够保证交叉后的新个体满足编码的约束条件，具体交叉过程如图4所示。

对于遗传算法中的变异操作，本发明将根据子串的不同类型，执行相应的变异操作。对于信道子串而言，变异从最大可用信道范围执行改变；对于功率子串而言，变异从最大功率范围执行改变。另外，在执行变异操作后还将对不合理的个体进行修复，以加快收敛过程。

上述实施例充分考虑了认知无线电系统中主用户的活动对次用户的影响，因而能更准确的衡量链路间的有效容量。

本实施例构建了基于对偶变量的优化问题分解机制，能有效减少原问题的求解复杂性，并使得求解的结果非常接近最优解。

另外，上述的模型优化方法具有较好的收敛性，能较快速完成最优解的搜索。

在1000*600区域内，随机产生一个包含2个主用户和20个次用户的认知无线mesh网络。每个节点配备3个智能无线网卡、4个信道，最大传输功率为16。节点的最大传输距离为250m。主用户的传输覆盖范围为150m，路径损耗因子γ为4，每个信道的带宽hm为54mbps，接收阈值为10dbm。

首先考察在不同步长条件下算法的收敛情况，网络中随机产生2个路由需求，步长step分别设置为0.004、0.006与0.008。实验结果如图5所示。由图5可见，采用不同步长均能够收敛到最优解，且步长越大，收敛速度越快，但相应波形振荡越大。

最后应说明的是：以上所述的各实施例仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或全部技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。