一种基于多目标优化模型的异构网络垂直切换算法及系统的制作方法

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系统。

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系统(fuzzyinferencesystem,fis)或神经网络中进行处理，并根据系统输出进行切换判决。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。

技术实现要素：

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系统，以提高异构网络系统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：

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：

模型中的约束条件为：θij(1-θij)＝0i＝1，2...，mj＝1，2...，n.

0≤||θ(i，：)||1≤ηii＝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系统，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系统，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。可以提高异构网络系统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系统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系统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系统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，可以提高异构网络系统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：

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：

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指数需要引入多臂赌博机模型(multi-armedbanditmodel)，其形式如下：

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系统，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，此序号对应的价值就是对应状态的gittins指数，计算公式如下：

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矩阵和一个的向量及其中其中m是基站对应的状态数。的初始值分别为：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：

定义然后更新

下一个选取的状态序列号为：

计算对应的gittinsindex：

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：

误码率的计算公式为：其中

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系统性能的改变。

进一步地，定义矩阵变量θ为：

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：

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：

以最大化gittins指数、最大化系统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：

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。

最大化系统吞吐量的目标函数如下：

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，为所有用户最大传输速率之和即系统吞吐量。

同理可得到最小化误码率的目标函数：

由此得到如下的多目标优化模型：

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.

0≤‖θ(i,:)‖1≤ηii＝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系统的吞吐量和误码率。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

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，系统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系统的吞吐量。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，系统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，基于多臂赌博机算法，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)能够有效的减小系统的阻塞率。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，系统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系统的误码率。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系统，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。