异构认知无线网络中基于业务类型的信道分配方法与流程

本发明属于移动通信领域，特别是涉及一种基于业务类型的信道分配方法。

背景技术：

信道分配是无线资源管理的重要内容。相比传统认知无线网络，异构认知无线网络中不同种类无线接入技术在系统容量、传输速率和满足业务qos能力等各方面有巨大的差异，因而异构认知无线网络的多样性与动态性更强，并且异构认知无线网络必须综合考虑传统异构网络中的网络选择问题以及认知无线网络中的信道分配问题。不同算法在给次用户分配信道时都有各自特定的目标函数，如频谱利用率，公平性，吞吐量等。

文献[alnwaimig,arshadk,moessnerk.dynamicspectrumallocationalgorithmwithinterferencemanagementinco-existingnetworks[j].ieeecommunicationsletters,2011,15(9):932-934]提出的信道分配算法在保证次用户qos的前提下最小化干扰，同时最大化频谱利用率。由于信道分配是资源最优化分配问题，所以智能优化算法与其结合的优越性更加突出。文献[zhaozhi-jin,pengzhen,zhengshi-lianetal.cognitiveradiospectrumallocationusingevolutionaryalgorithms[j].ieeetransactionsonwirelesscommunications,2009,8(9):4421-4425]提出一种基于遗传算法(geneticalgorithm，ga)的频谱分配方法，相比于图着色频谱分配算法，该算法能更好地实现网络效益最大化。文献[hasann,ejazw,ejazn,etal.networkselectionandchannelallocationforspectrumsharingin5gheterogeneousnetworks[j].ieeeaccess,2016,4:980-992]研究了异构网络环境下次级用户的网络选择和信道分配问题，以最小化整体服务费用以及次用户对主用户造成的干扰为目标求取一组最优的信道分配解，但该算法未考虑不同业务具有不同的需求，算法实用性低。

技术实现要素：

本发明旨在解决以上现有技术的问题。提出了一种提升系统的整体满意度的异构认知无线网络中基于业务类型的信道分配方法。本发明的技术方案如下：

一种异构认知无线网络中基于业务类型的信道分配方法，其包括以下步骤；

101、首先对包括时延d、抖动j、花费e、带宽b在内的网络属性参数利用离差标准化作归一化处理；

102、将次级用户的业务类型分为实时业务和非实时业务，并定义一个综合干扰的网络选择匹配度参数s；

103、将匹配度参数s作为目标函数，利用改进的遗传算法进行优化，，得到整体信道分配结果，对遗传算法的改进如下：初始化染色体时，随机初始化前n-1个染色体，将第n个染色体设置为满足约束条件的一组解，每次迭代后，如果所有染色体中最大的适应值小于上一次迭代中的最大适应值，则将上一代中具有最大适应值的染色体保留到下一代。

进一步的，所述步骤102的匹配度参数s为：

u为认知网络中次级用户的个数，fi表示对次用户进行信道分配时选取的具体网络属性参数：

(1)当service(i)＝1时，表示第i个用户业务类型为实时业务，实时业务更关注时延、抖动参数，且算法综合考虑干扰因素，故选取干扰，时延以及抖动作为实时业务次用户信道分配标准：

fi＝(ii,j+di,j+ji,j)/3(2)

其中ii,j，di,j，ji,j分别表示第i个用户选择网络j对应的干扰，时延以及抖动；(2)当service(i)＝2时，表示第i个用户业务类型为非实时业务，非实时业务更关注花费，带宽等参数，故选取干扰，花费以及带宽作为非实时业务次用户信道分配标准：

fi＝(ii,j+ei,j+bi,j)/3(3)

其中ii,j，di,j，ji,j分别表示第i个用户选择网络j对应的干扰，费用以及总带宽。

进一步的，所述以s作为目标函数，利用改进的遗传算法进行优化包括

subjectto：

(1)次级用户不能分配到被主用户占用的信道上来；

(2)不同次用户不能分配到同一信道。

进一步的，所述步骤101的网络属性参数可分为两类：效益型参数和成本型参数，其中，效益型参数包括带宽；成本型参数包括时延，抖动，花费，所述步骤101中两类参数的归一化方法分别为：

效益型参数：

成本型参数：

x为同种类型的一组参数，xi为一组参数中的单个参数，为规范后的参数，规范后的参数范围在0到1之间。

进一步的，所述步骤102将次级用户的业务类型分为两种，分别是实时业务和非实时业务，实时业务选取干扰，时延，抖动作为信道分配标准，非实时业务选取干扰，花费，带宽作为信道分配标准。

进一步的，所述异构认知无线网络模型由各种无线接入系统覆盖区域相互交叉、重叠组成，由n个主网络构成异构网络环境，每个主网络下有一定数量的信道，且同一网络下信道特性相同，频谱共享方式为overlay。

本发明的优点及有益效果如下：

本发明针对当前信道分配未充分考虑频谱资源的多样性和区分性，考虑异构认知无线网络环境下的信道分配方法。根据不同次级用户对qos参数的不同需求，设计一个整体的信道分配匹配度参数作为优化目标函数，为次用户分配符合其业务特征的信道资源，提升系统的整体满意度。

附图说明

图1是本发明的异构认知无线网络场景；

图2为改进遗传算法与经典遗传算法性能对比；

图3为信道分配匹配度与算法迭代次数的曲线图；

图4为实时业务次级用户平均时延与算法迭代次数的曲线图；

图5为实时业务次级用户平均抖动与算法迭代次数的曲线图；

图6为非实时业务次级用户平均费用与算法迭代次数的曲线图；

图7为非实时业务次级用户平均带宽与算法迭代次数的曲线图；

图8为信道分配匹配度与主用户出现率的曲线图；

图9为信道分配匹配度与次级用户数目的曲线图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。

本发明解决上述技术问题的技术方案是：

本发明该方法考虑了信道资源的多个属性特征以及次用户的业务类型，通过优化次用户的业务类型与所分配的信道资源的匹配度来最大化用户服务满意度，该算法在保证次用户对主网络造成的干扰尽可能小的前提下能够优化的为一组次用户分配符合其业务需求的信道资源。

本发明提出的信道分配方法包括以下步骤：

步骤一、首先对各网络属性如时延d，抖动j，花费e，带宽b利用离差标准化作归一化处理。

步骤二、定义一个综合干扰的网络选择匹配度参数s。

步骤三、将s作为目标函数，利用改进的遗传算法进行优化，得到整体信道分配结果。

为了对本发明进行验证，我们在matlab平台上进行仿真实验，并设置如下仿真场景：场景内分布有6个不同类型的主网络，每个主网络下信道数为8，网络场景如图1所示，主网络特性参数如表1所示：

表1

仿真中遗传算法与粒子群算法参数设置如表2所示：

表2

为了进一步突出本发明中改进遗传算法的优越性，将本发明所提遗传算法方经典遗传算法对比。

图2为改进遗传算法与经典遗传算法的对比曲线图。可以看出，随着迭代次数的增加，改进遗传算法的适应值一直呈上升趋势，而经典遗传算法则是波动上升，且改进的遗传算法适应值一直高于后者。这是由于在设计适应值函数的时候加入了惩罚函数，不满足约束条件的解所对应的适应值非常小，而改进的遗传算法的初始群体就含有满足条件的解，且每次进化都保留下了最优解，所以改进遗传算法的适应值一开始就很高，随着迭代过程的进行，群体一直朝着最优解的方向进化。因此，改进的遗传算法无论是在运行效率还是信道分配解的质量上都由于经典遗传算法。

为了进一步突出本发明的优越性，将本发明所提区分业务类型的改进遗传算法与文献[hasann,ejazw,ejazn,etal.networkselectionandchannelallocationforspectrumsharingin5gheterogeneousnetworks[j].ieeeaccess,2016,4:980-992]中不区分业务类型的遗传算法及粒子群算法进行比较分析，得到如图3-9所示的仿真结果。

图3显示了信道分配匹配度s与迭代次数的关系。算法运行结束后，四种算法的信道分配结果皆满足约束条件。随着迭代次数的增加，各算法的s在不断增大，算法在往更优解的方向进化。同时可以看到，几种算法的收敛速度相当，但本发明区分业务类型的改进遗传算法的信道分配匹配度s一直最大，这是由于本发明通过区分次用户业务类型，在给具有不同业务类型的次用户分配信道时考虑的属性参数不同，对应的匹配性也更高，而对比算法并未区分次用户的业务类型，因此本发明能更好的为不同次用户分配符合其业务类型的信道。

图4-7显示次用户qos参数与迭代次数的关系。

图4显示实时业务次用户平均时延与迭代次数的关系。

图5显示实时业务次用户平均抖动与迭代次数的关系。

图6显示非实时业务次用户平均费用与迭代次数的关系。

图7显示非实时业务次用户平均带宽与迭代次数的关系。

由图4-7可以看出，四种算法的qos参数都随着迭代次数的增加而增大，这是由于四种算法在进行信道分配时都考虑了相应参数，但本发明无论是针对实时业务次用户的时延，抖动还是非实时业务次用户的带宽，花费皆最高，这是因为对比文献中算法不区分业务类型的次用户在进行信道分配时，将所有的参数都考虑进来，而本发明区分业务类型的算法对实时业务注重时延与抖动，对非实时业务注重花费与带宽，因此本发明更具有针对性与目的性，对应的qos参数也最大。

图8显示信道分配匹配度与主用户出现概率的关系。此处将主用户出现概率设为0～0.5变化。由仿真图可以看到，随着主用户出现率的增加，4种算法的s都在下降，但不论在哪一种主用户出现率下，本发明都能得到最高的s，这是因为主用户出现率的增加使得更多信道都被主用户占用，留给次用户可用的特性较好的信道减少，而需要分配信道的次用户数目又是一定的，所以一部分次用户只能分配到匹配度较低的信道上来，而本发明通过区分次用户的业务类型，能更好的为次用户分配符合其业务类型的信道。

图9显示信道分配匹配度与次用户数目的关系。此处将次用户的数目设置为10～20变化，得到信道分配匹配度与次用户数目的关系如图9所示，由仿真图可以看出，随着次用户数目的增加，四种算法的s都呈下降趋势，但无论次用户数目为多少，本发明区分业务类型的遗传算法所得到的s都优于其他三种算法。这是由于信道特性好的信道数目是一定的，而每个次用户又得分配各不相同的信道，所以次用户数目越多，被分到特性较差的信道上的次用户数目就越多，导致s下降，另一方面，本发明区分次用户的业务类型，信道分配的结果与次用户的业务类型更加匹配，因此本发明能更好的为次用户分配符合其业务类型的信道。

以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。