[发明专利]一种异构融合场景中基于混合优化的资源分配方法

权利要求书

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。