的要大。α、β分别表示信 息素浓度和启发信息的权重。由每次迭代后建立的最优解来进行信息素的更新，信息素更 新公式为：
[0028]
(Φ
[0029] Ρ为信息素挥发因子，⑴的定义如下：
如果路径/上用户m的j类业务接入RAN-n
[0030] 玫 (7) 否则
[0031]其中Lgb表示到目前为止找到的全局最优解路径，Q为算法循环一次释放在路径上 的信息总量，是一个目标函数值有关的常量，用于强化正反馈性能，有助于算法收敛。最后 根据蚁群算法求得的最佳资源分配方案为移动终端的每个业务分配相应的带宽资源。
【附图说明】
[0032]图1异构网络融合场景图。
[0033] 图2基于混合优化的资源分配方法结构框图。
[0034] 图3基于遗传运算的资源初次分配流程图。
[0035] 图4基于蚁群算法的资源再分配流程图。
【具体实施方式】
[0036] 图3是遗传运算初次分配的具体实现方法。首先获取当前研究区域内可接入的 RANs种类及其容量，网络支持的业务种类及QoS;然后根据优化目标建立优化目标函数（1)， 在效用函数中，引入业务优先级和用户代价，就是从用户的角度出发，提高用户满意度。由 于遗传运算常见的是用来处理不带约束的问题，所以引入了惩罚函数(2)，将其转换为不带 约束的适值函数。
[0037] 基于遗传运算的资源初次分配的实施主要包括以下几个步骤：
[0038]第一步:设置遗传算法的参数，包括种群规模NP、最大迭代代数NG、交叉概率Pc、变 异概率Pm。
[0039] 第二步：产生初始种群，种群个体采用整数编码，个体基因 e且取整 数，为了保证移动终端的每个业务仅由一个RAN为其分配带宽，对于每个个体生成矢量 <兮中只有一个基因位为1，表示移动终端i的J类业务只能接入N个RANs中的一个。
[0040] 第三步:按照适值函数计算每个个体的适应值，并按照适应值由大到小进行排序， 其中前NP X (1-PC)个个体直接进入到下一代，下一代剩下的个体由交叉产生。
[0041]第四步：按照正比选择法，选出NPXPC个个体，然后随机两两构成父代，并进行单 点交叉，产生的子代进入下一代。
[0042] 第五步：按照变异概率Pm，随机选取变异的基因位置，改变其值，改变后的值必须
[0043] 第六步:更新种群。
[0044] 第七步:判断迭代代数是否达到设置的迭代代数NG，如果是则开始蚁群优化算法， 否则转到第二步，开始下一轮遗传运算。
[0045] 图4是基于蚁群算法的资源再分配的具体实现，主要包含以下几个步骤：
[0046] 第一步:根据获得遗传算法计算的初次资源分配结果，将其按照（3)(4)转换为蚁 群算法的初始信息素。
[0047] 第二步:初始化参数，设置最大迭代代数Nmax，蚂蚁数量等。
[0048] 第二步:根据表达式(5)计算出蚂蚁在节点m时为业务j选择接入网的转移概率。
[0049] 第三步：当所有蚂蚁完成一次循环后，根据/7(4)表达式计算每只蚂蚁路径的目标 函数值，选择最优解按照表达式(6)进行全局信息素更新。
[0050] 第四步:判断迭代次数是否达到设置的最大迭代代数，如果是则根据最后一次的 迭代结果，选择其中的最优解进行资源分配，否则转到第三步，开始下一次的循环。最大迭 代代数的确定是在多次仿真结果的基础上，记录每次最终收敛时已经迭代的次数，取其中 的最大值即为最终的最大迭代数。
【主权项】
1. 一种异构融合场景中基于混合优化的资源分配方法，其特征在于，该方法包括建立 优化目标函数，基于遗传运算的资源初次分配，基于蚁群算法的资源再分配三个主要阶段； 建立优化目标函数阶段:首先获取异构网络资源信息、移动终端数量、业务种类及其服 务质量QoS要求等信息，然后以最大化资源利用率为目标建立优化目标函数，同时确定相应 的约束条件； 基于遗传运算的资源初次分配阶段：首先根据优化目标函数建立评价个体的适值函 数，然后经选择、交叉、变异、种群更新遗传操作多次迭代求得初次分配结果； 基于蚁群算法的资源再分配阶段:将遗传运算的初次分配结果转换为蚁群算法的初始 信息素分布，每只蚂蚁按照信息素浓度决定转移方向，每次循环结束更新全局信息素，经过 多次迭代得到最佳资源分配方案，最后根据最佳资源分配方案为移动终端的每个业务请求 分配相应的带宽资源。2. 根据权利要求1所述的异构融合场景中基于混合优化的资源分配方法，其特征在于： 建立优化目标函数阶段中根据获取的无线网络资源信息、移动终端数量、业务种类及其QoS 要求，以最大化资源利用率为目标，以满足网络容量限制和不同业务QoS要求为条件来建立 优化目标函数和相应的约束条件。3. 根据权利要求1所述的异构融合场景中基于混合优化的资源分配方法，其特征在于： 基于遗传运算的资源初次分配阶段主要包括建立适值函数、种群初始化、遗传操作等处理 过程；引入惩罚函数将带约束的优化问题转换为无约束的优化问题，进而建立评价个体好 坏的适值函数;随机产生规定数量的个体构成初始种群，个体中元素的取值满足业务QoS要 求;其中，遗传操作主要包括:选择、交叉、变异、种群更新，其中选择是从当前种群中选取适 应值最高的个体以生成交配池的过程，选择策略使用正比选择策略，交叉采用单点交叉。4. 根据权利要求1所述的异构融合场景中基于混合优化的资源分配方法，其特征在于： 基于蚁群算法的资源再分配阶段主要包括信息素初始化、转移概率设计、信息素更新等过 程;蚁群算法的路径矢量与遗传算法的染色体矢量编码方式相同，将遗传算法求得的较优 解转换成蚁群算法路径上初始信息素分布;根据不同无线网络对业务QoS要求的支持能力 确定路径启发信息，再由信息素和启发信息共同决定转移概率;所有蚂蚁遍历完所有用户 业务后，计算每只蚂蚁路径的目标函数值，选择最优解进行信息素更新，最后根据蚁群算法 多次迭代获得的最佳资源分配方案，为移动终端的每个业务请求分配相应的带宽资源。
【专利摘要】本发明提供了一种异构网络融合场景中基于混合优化的资源分配方法，其包括建立优化目标函数、基于遗传运算的资源初次分配和基于蚁群算法的资源再分配三个阶段。首先，根据获取的异构网络资源信息、移动终端数量、业务种类及其服务质量要求来建立优化目标函数和其所需要满足的约束条件；其次，将优化目标函数映射为遗传运算的适值函数，初始化种群并设置遗传参数，通过选择、交叉、变异，种群更新等一系列迭代操作得到资源初次分配结果；最后，将遗传运算得到的资源初次分配结果作为蚁群算法中的初始信息素分布，通过蚁群算法对资源进行再次分配。本发明所提供的方法解决了异构网络中能最大化资源利用率，同时满足业务服务质量的最佳资源分配问题。
【IPC分类】H04W72/12, H04W72/08, H04W72/04
【公开号】CN105530707
【申请号】CN201510962869
【发明人】夏玮玮, 王佩, 沈连丰, 胡静, 宋铁成
【申请人】东南大学
【公开日】2016年4月27日
【申请日】2015年12月21日