[发明专利]基于无线异构网络的虚拟资源多目标映射方法

权利要求书

1.一种基于无线异构网络的虚拟资源多目标映射方法，包括：初始化阶段和虚拟资源映射阶段；其中，

所述初始化阶段，包括：

步骤S11：初始化虚拟小区与网络节点的对应关系，具体如下：

在区域G中，虚拟小区与网络节点的资源供求关系为：

其中，v_ibs_j表示节点j^th为虚拟小区i^th提供的资源数量；

每个节点最多能够为每一个虚拟小区提供的无线资源数量为：

其中，overcaver^s(v_i,bs_j)为节点j^th与虚拟小区i^th重叠覆盖的面积，为节点j^th的无线资源数量，为节点j^th的覆盖面积，r_bsj为节点j^th的覆盖半径，即，基站的覆盖半径，一般为500米；

基于每个节点对资源处理能力的上限，式(1)的约束条件为：

其中N_v＝{v₁,v_i,…}是虚拟化小区的集合，v_i为一个具体和虚拟小区；

基于每个虚拟小区的资源的处理请求，式(1)的约束条件为：

其中，N_H,BS是物理节点的集合，即，基站的集合，v_ibs_j的取值关系如下式所示：

步骤S12：初始化业务与网络节点对应的关系，具体包括：

业务与网络节点对应的关系BSW为：

其中，bs_iw_j表示虚拟小区i^th中节点j^th的业务服务能力；

步骤S13：初始化业务与虚拟小区的关系，具体包括：

在某个时间段T内，各虚拟小区存在的相关业务WV为：

其中，w_iv_j表示虚拟小区j^th存在i^th业务的数量；

基于虚拟小区在时间段T内的业务的总量，式(6)的约束条件：

其中表示处理i^th业务需要的最少无线资源数量，n表示业务的个数；

步骤S14：初始化虚拟小区与网络节点能量消耗的关系，具体包括：

每个网络节点的能量消耗E_i为：

其中，表示空闲时的能量消耗，表示传送数据时的能量消耗，表示睡眠时的能量消耗，T表示工作的时间；

每个网络节点为每一个虚拟小区的能量消耗如：

其中，为从网络节点bs_i发送数据到虚拟小区v_j时的能量消耗，为可视路径的能量损耗；

虚拟小区与网络节点能量消耗的对应关系为：

步骤S15：初始化种群规模NP；

步骤S16：染色体的初始位选取，具体包括：

染色体x_k的初始位置的初始化方式为：

x_k＝x_mink+(x_maxk-x_mink)×random(0,1) (11)

其中，染色体x_k为节点i^th对虚拟小区j^th提供的资源数量，x_k＝v_jbs_i，k＝(j-1)*i+i，k∈{1,2,…}；random(0,1)是指0到1间均匀分布的随机数，x_maxk和x_mink表示搜索空间的边界，每个种群X(l)的表达式为：

其中，str(x_k)表示对x_k按字符串方式操作，l表示种群的编号，l∈{1,2,…,NP}；

步骤S17：初始化迭代次数IP；

步骤S18：计算初始化种群的目标函数F(X)，具体包括：

采用将多个目标通过线性加权的手段将原多目标问题转化为单目标问题，再釆用单目标动态优化算法进行求解，单目标动态优化算法为：

其中，是通过机器学习方法所得的系数，f¹(x)为网络的总吞吐量，其表达式为：

其中，R(_i,j)为瞬时吞吐量，其计算公式：

R(_i,j)＝log₂(1+SINR_i,j) (15)

其中，SINR_i,j为节点i^th提供虚拟小区j^th的资源时所受到的同频及邻频的信干比，则每个虚拟小区所受到的信干比为：

其中，P_i,j为节点i^th提供虚拟小区j^th的发送功率，G_i为链路增溢，为虚拟小区j^th的接收到同信道的功率，为虚拟小区j^th的接收到临信道的功率，σ²为噪声；

f²(x)表示节点i^th为虚拟小区j^th提供的体验质量QoE_i,j，f²(x)的计算公式如下：

QoE_i,j的计算公式如下：

根据多目标优化算法求解原则，把式(17)最大化目标函数转化为最小化目标函数：

f³(x)为网络的总体能量消耗，其计算公式如下：

其中，E_total为整个区域所有节点的能量消耗，E_i为单个节点的能量消耗，N_H为异构网络的种类，BS为不同网络的节点数，Active表示节点处于活跃状态，Sleep表示节点处于休眠状态；

步骤S19：从种群的目标函数中挑选最优值的种群存入外部精英存档文件中，具体包括：

初始时外部存档A为空，如果试验个体被外部存档中的任何个体所支配，拒绝试验个体进入外部存档；如果试验个体支配任何一个外部存档任意个体，被支配的所有个体都将从外部存档中删除，再把试验个体加入到外部存档中；如果试验个体与外部存档任意个体互不占优，则把试验个体加入外部存档中；因此，精英保留法则为：

其中，it为迭代的次数，it∈{0,1,2,…,IT}；IT为最大迭代的次数；为it^th迭代中i^th试验个体；为在精英存档A中的it^th迭代中适应性最好的个体，A^it为在精英存档A中的it^th迭代中所有最好的个体的集合；

所述虚拟资源映射阶段，包括：

步骤S21：检测迭代次数；如果迭代次数达到预设值，输出不同环境下的最优解，按最优解进行资源映射；如果没有达到迭代次数，调用外部环境变化检测算法，判断外部环境是否发生变化，如果外部环境发生变化，先保存当前环境的精英文档，再重新初始化种群算法对当前种群重新初始化，接着计算初始化种群的目标函数F(X)，同时挑选最优值的种群存入外部精英存档文件中，最后调用种群优化迭代函数；如果外部环境未发生变化，直接调用种群优化迭代函数；

步骤S22：检查是否达到种群规模；如果达到种群规模跳转到种群优化迭代函数进行下次迭代；如果未达到种群规模，则先对种群进行差分变异，再对种群进行交叉，最后对经过差分变异和交叉生成的试验体与本体及精英存档中的适应性最好的个体进行竞争，以确定哪一个个体进入下一代的种群。