一种异构融合场景中基于混合优化的资源分配方法
【技术领域】
[0001 ]本发明属于移动通信技术领域，尤其涉及一种异构网络融合场景中基于混合优化 的资源分配方法。
【背景技术】
[0002] 无线通信技术的迅猛发展形成了异构通信网络，在多种接入技术、组网方式、无线 终端并存的场景下，实现多种无线通信技术的有机融合，是技术发展的必然趋势，也是实现 最优网络资源使用和最佳用户服务质量保障的有效途径。随着宽带无线应用的推广，无线 资源日趋紧张，资源分配技术成为实现异构网络融合的关键技术之一。在异构网络中，除了 无线接入技术的多样性，还包括业务类型的多样性。相应地，资源分配技术既要考虑不同无 线接入技术的特点也要考虑多种业务的不同需求。
[0003] 在异构网络环境下，不同的无线网络在传输速率、覆盖范围、系统容量及提供的服 务水平方面有很大的差异。传统的基于用户移动性和业务特征的资源分配方法不能有效地 应用到泛在网络中，这些算法通常仅考虑一种业务类型，没有考虑支持多种业务的情景以 及资源分配对网络性能和用户QoS的重要作用。现有的异构网络中的资源分配方法，往往仅 从用户端或者仅从网络端考虑，缺乏对网络资源和业务特性的清晰把握，从而导致资源分 配存在很多的不足，无法适应网络资源的动态变化和不同QoS需求。目前各主流算法均存在 各自的优缺点，如遗传算法虽然全局搜索能力较好，但对系统中的反馈信息却无能为力，缺 乏局部搜索能力容易陷入局部最优解;蚁群算法虽具有很强的发现"较优解"的能力，但初 期信息素缺乏会导致搜索效率低。
[0004] 本发明采用基于混合优化的资源分配方法，该方法结合不同无线网络和业务类型 特点，最大化资源利用率，同时满足各类业务的QoS要求。采用遗传运算与蚁群算法相结合 的混合优化方法求解资源优化问题，先利用遗传算法快速随机的全局搜索能力来产生初始 信息素，再利用蚁群算法求精确解，优势互补，不仅能够清晰描述移动终端在使用有限资源 时的竞争关系与相互作用，而且很大的提高了时间效率和最优解精确度。
【发明内容】
[0005] 本发明提供了异构融合场景中一种基于混合优化的资源分配方法，其目的以最大 化资源利用率为目标，同时保证各类业务QoS需求，寻求面向异构网络中覆盖范围内所有移 动终端的最佳资源分配方案。
[0006] 本发明给出了在异构网络融合场景中，采用遗传运算与蚁群算法相结合的混合优 化方法来寻求最佳资源分配方案。其中，异构网络融合系统包括N种无线接入网络(RANs， Radio Access Networks)，每种RAN具有不同的覆盖范围和带宽支持能力，如图1所示。假设 RAN-1具有最大的覆盖范围但提供的带宽最低，ΚΑΝ-η(η = 2，···，Ν)提供的带宽较高但覆盖 范围较小，Bn表示RAN-n含有的带宽单元数，不同的RAN其带宽单元提供的带宽不同，覆盖面 积越大，带宽单元提供的带宽越小，设RAN-1的带宽单元为基本带宽单元（BBU，Basic Bandwidth Unit)，一个Bn(n = 2，···，N)等于βη(η = 2，···，N)个BBUs，βη>1。每种网络都支持J 类业务，满足j类业务的最少BBUs数为5_，最多为在研究区域有Μ个随机分布的移动 终端(MTs，Mobi 1 e Terminal s )，ΜΤ是多模终端，即可以同时接入多种RANs，甩6&表示由 RAN-n(n = 1，…，N)分配给移动终端m(m= 1，…，M)的j (j = 1，…，J)类业务的BBUs，表示 网络分配给业务的优先级参数，A〗,e (〇，1]。本发明以最大化资源利用率为目标建立优化目 标函数，再将其转化为遗传算法的适值函数，种群中个体用矢量g表示， § =[气，…，f，…. .，/【..，/φ …，0^…^，…力^ 化、计算适值函数、选择、交叉、变异、种群更新等一系列迭代运算后得到资源初次分配结 果，然后将其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， 依据每次循环结果进行全局信息素更新，经过多次循环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。本方法的框图如 图2所示。
[0007] 具体步骤分为三个阶段：
[0008] (1)建立优化目标函数阶段
[0009] 根据获取的研究区域内RANs种类及其提供的带宽、用户数量、业务种类及其QoS要 求等信息确定优化目标函数及其约束条件。C n表示RAN-n的系统容量，即RAN-n所包含的
BBUs数量 _示资源利用率，则资源分配优化问题应满足：
[0010]
[0011]
[0012]
[0013]
[0014]
[0015] 其中^是二进制数，取1时表示第m个用户的j类业务接入RAN-n，=1是为 了保证一个业务只能由一个网络为其分配资源，4的取值与业务优先级参数 减? 0<& Μ >相关，例如，对于语音业务，当η为蜂窝网时，< 的取值大于η为WLAN时的 值，这样在j为语音业务的情况下，η为蜂窝网时4,取1的概率大于η为WLAN时； 确保分配给终端的资源总量不超过系统资源总量。
[0016] (2)基于遗传运算的资源初次分配阶段
[0017] 首先将优化问题转换为无约束的适值函数，这里采用引入惩罚函数的方法，个体 扩展目标函数：
[0018]
(2)
[0019] ση是一个充分大的罚因子，Fmax表不所有个体扩展目标函数的最大值，则个体k的 适值函数：厂(々)=;#_ _供(岣，γ >1，γ是为了让适应值较小的个体也能以很小的概率产生 下一代，确定适值函数后，再经过种群初始化、计算适值函数、选择、交叉、变异、种群更新等 一系列迭代运算后，可以得到资源初次分配结果。
[0020] (3)基于蚁群算法的资源再分配阶段
[0021] 以一定的概率选取种群中适应度值高个体组成的优化解作为初始信息素公式，用 户m的j类业务由RAN-n分配资源块数为a的初始信息素公式为：
[0022]
(3)
[0023] 其中τ〇为信息素常量是根据遗传算法的结果转换的信息素值。本方法采 取的信息素转换具体做法是遗传算法终止时，以一定的概率PQ选取种群中适应值最好的个 体，信息素转换公式为：
[0024]
， (4)
[0025] 其中，w为信息素转换因子，Κ表示个体总数，如果在第k个个体中用户m的j类业务 由RAN-n分配带宽为a个BBUs则v k等于1，否则等于0，a的取值与j有关，满足S广& < 5；?"'。转 移概率由信息素和路径启发信息共同决定：
[0026]
, (5)
[0027] 其中，allowedn表示当前可用的RANs，当RAN-n剩下的资源不足以满足业务QoS需 求时，蚂蚁不能选择该RAN-n作为接入网。?表示路径启发信息，与业务类型有关，例 如，考虑同时接入蜂窝网的语音业务与数据业务，显然蜂窝网对语音业务的支持能力要更 好，所以当RAN-n是蜂窝网时，语音业务的路径启发信息比数据业务