基于异构无线网络的多路存取多单元分布式资源分配方法
【技术领域】
[0001] 本发明数据计算机网络领域，特别是一种基于异构无线网络中的多路存取多单元 分布式的资源分配方法。
【背景技术】
[0002] 如今的无线异构网络环境中，在各种多路存取的构造特点下，它的复杂性已经W 一种激进的方式在发展。高效的异构无线网络中分布式资源分配观点已经被提出，其中多 路存取和多单元的方法正相辅相成地为达到最佳地用户感知度怕〇巧表现而共存。
[0003] 完整的网络可W被认知成一个全球性的，在合理单元内部资源分配约束下的优化 程序。多路存取的多样性表现在：通过设定一个W用户为中屯、的服务感知度的标准，使得用 户对服务的感知度和满意度达到最高，从而使网络效用得到最大化的体现。
[0004] 如今现有的全求无线网络范式，都在促进开发和建立现有的优化工具，来进一步 完善无线资源管理（RRM)。W此为目的，网络效用（NUM)已经被广泛地用作衡量资源分配方 法，通过结合大范围的无线接入技术，来设计模块化的，分散的，可扩展的网络架构。
[0005] 遗传文化社会认知算法（GC巧是一种新型的混合仿生智能优化算法。该算法具备 协同演化的=层空间。首先由基于遗传算法的微观层为中间层输送具备优良基因的个体， 位于中间层的个体基于改进的社会认知算法执行学习演化过程，并提取中间层群体中的知 识到信仰空间，通过知识的积累沉淀，形成文化并指导群体的演化。然后用GCS算法对QoS 感知的云服务优化组合问题进行了求解，通过模拟实验验证了GCS算法的可行性和有效 性。GCS算法具有较好的性能，并且可W用来求解其他离散型组合优化问题。
[0006] 现有技术中尚无一种利用遗传文化认知算法对异构无线网络分散资源分配的相 关报道。
【发明内容】
[0007] 本发明的目的在于提供一种高效、可靠的解决异构无线网络中的多路存取多单元 分布式资源分配方法。
[0008] 实现本发明目的的技术解决方案为：一种基于异构无线网络的多路存取多单元分 布式资源分配方法，包括W下步骤：
[0009] 步骤1、异构无线网络收集所设定区域内所有资源的物理上限，记为Wcmax;
[0010] 步骤2、异构无线网络收集节点单元数量N。和用户数量N
[0011] 步骤3、采用遗传社会认知算法对异构无线网络进行多路存取多单元分布式资源 分配。具体步骤为：
[0012] 步骤3-1、对算法参数进行初始化，所述的参数包括：节点单元集合C= (Cl,C2...... cj，用户集合J=a,J'2……jw.，），节点单元C和它绑定的用户j所能支配的资源数量W。,,， 用户j和单元C之间的信噪比丫。, ,=G。,声。,,/O2,，其中G。, ,表示长时间通道行为下，用户j 和单元C之间路径的收益，Pw表示分配给用户j到单元C的传送力，O2j表示移动节点的 噪声.
[0013] 步骤3-2、在GCS算法的微观层，按照基因变异的演化过程，选择满足基因 (W…)的个体到GCS算法的中间层；具体为：
[0014] 步骤3-2-1、将异构无线网络的多路存取多单元分布式资源分配到整个系统，所用 公式为：
(1) (2) (3) (4)
[0019] 式中所用参数为：Uj(wc，j)为用户对服务的满意程度；当用户j被分配到单元C 时X。,,为1，不然是0 ;公式（1)表示每个和单元联系的用户对服务满意程度最大化，公式 (2)表示一个用户只能和一个单元联系，公式（3)表示单元C聚集的资源不能超过固定的上 限 (W,X)为所有可能的资源向量（W,X) = ((W,X) 1，. . .，（W,X)。，. . .，（W,X严）的集合， 并且用（W，X)e= ((Wc,i，...，Wc,N,)，（Xc,i，...，Xc,N,))表示每个单元C内部的资源分配向量， (w，x)G(W，X)表示问题的最佳解决方案；
[0020] 步骤3-2-2、提出假设，并对GP问题进行优化，所述GP问题为：把用户分配到网络 单元之中，并把它们相应的资源最佳地分配到整个系统；所述假设为：
[0021] 假设1 :GP问题可行，即永远有一个向量（取巧能使公式似、公式做成 立；
[0022] 假设2 :单个移动用户设备U,被选择，W使得下列两个条件保持：
[002引 （a)U>。,,）是凹形增长的并且两次连续可微的在区间W。,,=扣，W之间 IimU.W-,W-GG；
[0024] (b) -Wc,,U" >c,,) /U' >c,,) > 1 (' 为微分）；
[00巧]假设3 :假设单元内部的干扰和单元之间的干扰都是相同的接入类型，都是静态 的且可W被认为为噪声，即高斯噪声，运种假设不会在不同的无干扰接入方式的共存重叠 的科技单元上强加任何限制；
[0026] 假设4 :存在一种对每个单元C都有效的资源分配机制，使得每个单元可用的资源 最佳地分配到与之对应的用户集，与假设1-3相符；
[0027] 对GP问题进行优化，将其优化为全体禪合问题GD问题，所用公式为：
[0028] 定义和GP问题相关的拉格朗日函数，即：
C5)
[0030] 式中参数含义为：单个移动用户设备Uj,y= (yl，…，yNj)为一个拉格朗日乘 数向量，相当于公式（2)的松弛，M*定义为原问题的解得非空的集，为公式（2)中最佳地拉 格朗日乘数；
[0031] 定义禪合后的问题的目标函数： (6)
[003引对（6)处理之后即：
巧:)
[0035] 利用上述S个公式对GD问题进行优化，结果为：
(8)
[003引式中参数含义为：.,I是用户为了单元C的花费的和， 昨J' maxY0',(u.,. 即单元C的最大收益。 ' -切
[0040] 步骤3-3、在中间层，按照社会认知优化算法SCO的流程，将步骤3-2得到的满足基 因知^C记…庐的个体执行群体的认知学习过程；具体为；
[0041] 步骤3-3-1、对GD问题进行演绎和分解：
[0042] 将GD分成两个最优的水平，低一点的水平下为单元内部最优化问题CP问题，所用 公式为：
(9)
[0046] 在高一点的水平下，确定对偶变量向量y，所用公式为：
[0047] minDL(//) =mill乙DL(.") .片 片诚e (10)
[0048] S,/,//G胶-、'。
[0049] 式中参数含义为：公L'(,沁是聚合的对偶函数；
[0050] 步骤3-3-2、解决上述问题，针对CP问题，做如下定义：
[0051] 定义1:每个用户j和一个最小的信噪比水平定义为r,，它决定了由于连接问题 而附加在它上的单元的位置，即：
[005引 & : {c e CI 7w' > r,}，式C C U:D
[0053] 式中参数含义为：S,表示用户潜在的依赖程度，&
[0054] 定义2 :定义只有一个子集的用户可W与单元绑定的集合S。为：
[005引 5,':{'/G'/I六..,，>「，！ >5G../ 02)
[0056] 假设S。被每个单元C获取，则S。是一组在单元覆盖范围内的集合；
[0057] 根据公式（11)和公式（12)，将问题简化为下列空间限制的问题，即单元内部位置 最佳化问题（CLP)，所用公式为：
(13)
[0060] ay居{(.)，uv/臣'S'.
[0061] 式中参数含义为：(W，讶嗦示可行解的个体单元集，它表示 (W,X)S(%X) 8,给定一个乘向量= …，A',，在一个给定的时间 间隔t中，（Vl'，X)fs(M'，X)fw,E(W，义)S表示所有系统中单元最佳资源分配向量， ("^记,。=(叫^坤五。，...，抑，邱.二。，...，惦坤沾)是在所有化。问题上特别得到的解；
[006引步骤3-3-3、基于假设1~假设3和y，一个改进的等价的且已处理的CLP变形已 经被广泛利用，即：
[0065] 可通过上述公式解出唯一未知的向量是(W)法"=
[0066] 采用次梯度投影法解决公式（10)W及整个GP问题，让乘数y被更换至相反方向 的梯度上，VDL(6')V/eJ，所用公式为
(.14)
[0068] 式中参数含义为：q(t) = ￡，是一个固定标量；
[0069] 将上述公式简化，可得公式：
t 15)
[0071] 式中参数含义为：XjS'为聚合的对用户j中单元的需求；
[007引步骤3-3-4、把（巧）代入（14)中，得：
[0073] （M-1)=八,(7)-讲-) (16)
[0074] 完成了对整个问题的最优化。
[00巧]步骤3-4、通过SCO算法中的接受函数将中间层优秀的个体作为知识提取到信仰 空间，用更新函数更新信仰空间里的知识，对知识执行基于模仿学习的进化操作；
[0076] 步骤3-5、当信仰空间里的知识经过化代更新后，通过影响函数来指导中间层群 体的演化，得到