满足,《^=(巧…')的基因个体，把得到的y告诉在其覆盖范围5。内的 用户，每个用户j通过公式（16)更新他们的花费y,，随后把新的结果告诉其所在地S,上 的所有单元C，然后循环，将每个C都进行一次求解，即进行了N。次更新，把最终信仰空间内 的y返回到中间层里的各个用户上，完成资源分配。
[0077] 本发明与现有技术相比，其显著优点为：（1)本发明的异构网络基于社会遗传认 知算法进行虚拟资源分配，满足异构网络最优资源分配要求；（2)本发明的方法具有较快 的收敛速度，捜索能力较强；(3)本发明的方法为拥有学习机制，可W多次迭代进行求解， 从而实现资源最优分配。
【附图说明】
[0078] 图1为本发明利用遗传文化社会认质算法来解决在异构无线网络中的多路存取 多单元分布式资源分配方法的流程图。
[0079] 图2为本发明异构网络资源分配示意图。
[0080] 图3为本发明基于GCS算法资源分配方法示意图。
[0081] 图4位本发明算法操作流程图。
【具体实施方式】
[0082] 下面对本发明做详细的介绍：
[0083] 首先，要介绍一下社会认知算法（SCO)。
[0084] 近半个世纪W来，很多学者模拟生物的智慧，研发出多种进化算法，运些进化算法 大多是基于昆虫系统的，从整个生物群体来看，人类社会的社会性和智能性要远远优于昆 虫社会。人类学习是通过观察学习别人行为的结果，并将其符号化的过程。人类学习是通过 观察学习别人行为的结果，并将其符号化的过程。班杜拉将运种通过观察和模仿他人行为 而提升自身能力的行为称为观察学习，运种观察学习是发生在社会之中的，所W也称为社 会学习，运也是比昆虫系统要智能得多的地方。基于此，Xie等人在2002年首先提出了社会 认知优化（socialCO即itiveoptimization,SCO)算法。该算法的基本概念主要有：a)知 识点。由知识空间中位置值、水平值的描述构成的点，通过对知识点的多次更新和选取，最 终获得最优解。b)知识库。用来存储知识点的表。C)学习代理。学习代理是一个行为个体， 用来选取知识库中的知识点参与优化过程。d)领域捜索。假设有两个知识点Xi,d和X2,d，对 X2,d的领域捜索就是Wxl,d作为参考，选出一个新的知识点巧d，巧d=Xl,d巧XRandOX(X2, d-xi,d)，d表示知识点的维数，RandO是一个在（0，1)的随机值，xi,d和X2,d分别为捜索行为 的参考点和中屯、点。整个优化过程由学习代理来完成。假设库中知识点的个数是Np。。，学习 代理的个数为N。，学习的次数为T。
[0085] SCO算法的具体步骤如下：
[0086]a)初始化过程
[0087] (a)在知识库中随机生成一定数量的知识点（包括每个知识点的位置和其水 平）；
[0088] 化）随机地给每个学习代理分配库中的一个知识点，但不允许把一个知识点重复 分配给多个学习代理。
[0089] b)替代学习过程（对于每个学习代理）
[0090] (a)模仿学习。从知识库中随机地选出两个或者多个知识点，所选出的知识点都不 能与学习代理自身的知识点相同，并根据竞争选择原则，在运几个知识点之间选出一个较 好的知识点。
[0091] 化）观察学习。将所选择出的知识点与代理自身的知识点的水平对比，将水平较好 的那个点定为中屯、点，将较差的那个点定为参考点，然后学习代理基于领域捜索的原则，移 动到一个新的知识点，并且将新的知识点储存在库中。
[0092]C)库更新过程
[0093] 从库中删除化个具有最差水平的知识点。
[0094]d)重复步骤b)~d)，直到满足停止条件。
[0095] 由社会认知算法中的领域捜索规则可W看出，社会认知算法只适用于解空间为连 续型的优化问题，而不能用于求解具有离散型解空间的组合优化问题，为了扩展社会认知 算法的求解功能，本文对社会认知算法的学习规则进行了改进：
[0096]a)对模仿学习的改进
[0097] 在社会认知算法中，模仿学习实质上是解之间的比较，并没有体现人类社会相互 学习的本质。本文借鉴协作学习的思想，对模仿学习进行了改进，提出了一种针对离散型优 化问题的学习方法：（a)从知识库中随机抽取出一定数量的、有别于代理自身的解；化）将 代理自身的解和抽取到的解分成若干段，代理对其他解的每一段进行学习，将其学习到的、 优于自身相应段的局部解吸纳为自身的一部分。经过运样一个学习过程，代理将其他解最 优的部分变成自身的一部分，从而可W改善自身的构造，通过运样的学习可W使代理身上 的解成为一个优于其他解的新解。
[0098] b)对观察学习的改进
[0099] SCO算法中的观察学习是基于领域捜索的学习规则，该学习方法只适用于具有连 续解空间的优化问题，而不能用于离散型解空间的优化问题。针对运一问题，本文提出了一 种基于变异的观察学习方法，在代理完成模仿学习之后，对通过模仿学习得到的新解实施 基于变异的解捜索，每次变异后，选出通过变异得到的解与代理自身的解之间的最优者。运 样使得社会认知算法可W用来求解离散型优化问题，并且能够快速地增加解的多样性，扩 大捜索空间，避免算法陷入局部最优。运里采用多点变异方法，即对构成解的点实施变异。
[0100] 本文所用算法为：
[0101] 在人类社会中，个体所获得的知识W-种公共认知的形式影响着社会中的其他个 体，加速整体进化，帮助个体更加适应环境，从而形成文化。基于此，Reynolds提出了一种源 于文化进化的双层进化模型，称为文化算法（cul化realgorithm,CA)。已经有文献证明， 在文化加速进化作用下的进化远优于单纯依靠基因遗传的生物进化。群体智能的演化应该 是由基因遗传进化、生物群体的演化、生物群体文化的积累与沉淀、文化对生物群体进化的 影响构成的一个相互影响和相互促进的过程。鉴于上述思想，本文结合遗传算法（GA)、社会 认知算法（SCO)和文化算法（CA)的优点，提出了遗传文化社会认知算法（GC巧算法。
[0102] 该算法包括微观层、中间层和信仰层S层协同演化空间。GCS算法的构建思路 为：a)将遗传算法纳入微观层，为中间层提供具有良好基因的个体；b)将改进的社会认知 算法纳入文化算法框架之内，作为中间层，模拟人类群体的学习过程；C)不断地从中间层 提取有用的知识存储到信仰空间，信仰空间里的知识通过积累沉淀形成文化，并应用文化 来指导中间层群体的演化。
[0103] 利用GCS来解决在异构无线网络中的多路存取多单元分布式资源分配问题，包括 W下步骤：
[0104] 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= (ji,J'2......jw.j)，节点单元C和它绑定的用户j所能支配的资源数量Wc,.j， 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，O2,表示移动节点的 噪声.
[0105]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 y=(巧…?从）的个体到GCS算法的中间层；
[0106]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//'=(巧心）的个体执行群体的认知学习过程；
[0107] 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；
[010引步骤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，得到满足C巧i…的基因个体，把得到的y告诉在其覆盖范围S。内的 用户，每个用户j通过公式（16)更新他们的花费y,，随后把新的结果告诉其所在地S,上 的所有单元C，然后循环，将每个C都进行一次求解，即进行了N。次更新，把最终信仰空间内 的y返回到中间层里的各个用户上，完成资源分配。
[0109] 下面进行具体描述：
[0110] 结合图1，本发明利用遗传文化社会认质算法来解决在异构无线网络中的多路存 取多单元分布式资源分配方法，包括W下步骤：
[0111] 步骤1，异构网络智能收集所设定区域内所有资源的物理上限，记为W^x;
[0112] 结合图2,步骤2,智能收集节点单元数量N。和用户数量N
[0113] 结合图3,步骤3,智能采用遗传社会认知算法来对异构无线网络中多路存取多单 元分布式资源分配，具体过程如下：
[0114] 步骤3-1所述的参数包括：
[011引节点单元集合C= (Cl,C2......cj,用户集合J=化，J'2......jw.j)，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。, ,P。,,/O2,，其中O2, 表示移动节点的噪声；用户对服务的满意程度U，(w。, ,）；
[0116] 步骤3-2、选择满足基因/=f巧…? //^ )的个体到GCS算法的中间层，具体为：
[0117] 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