基于速率限制的异构网络每比特能量最小化资源分配方法

摘要

本发明提供一种基于速率限制的异构网络每比特能量最小化资源分配方法，包括以下步骤：步骤1.智能集中控制器收集异构网络中可用的带宽资源，带宽资源为异构网络中无线频率资源的总流量带宽；步骤2.智能集中控制器收集用户设备的资源使用申请；步骤3.智能集中控制器采用人工蜂群算法对异构网络中的频率资源进行分配。本发明提供的资源分配方法高效、可靠，可以显著提高异构网络中的能量利用效率，并减少其能量消耗。

说明书

技术领域

本发明属于计算机网络技术领域，特别是一种基于速率限制的异构网络每比 特能量最小化资源分配方法。

背景技术

绿色无线通信的目的是在无线通信系统中采用节能操作，以针对蜂窝网络中 日益增长的能量消耗。今天，全球手机用户数量接近60亿，其中无线设备和器 材大约消耗总信息技术能量的9％(也就是高达6.1亿千瓦时)。最近的调查显示， 蜂窝网络的操作大约需要总能量的80％，包括基站，用户设备和核心网络消耗的 能量。此外，移动用户设备的数量和每用户容量需求都在持续增长。因此，下一 代移动网络设计的研究已经着重于绿色无线通信，在这当中，高能效无线资源分 配起着重要的作用。

下一代无线网络设计的另一个重要问题是异构无线网络的融合，包括像 3GPP-LTE(第三代合作伙伴计划—长期演进)和WiMAX(全球微波互联接入) 那样利用正交频分多址技术的无线局域网和蜂窝网。有两种不同的方法处理异构 无线网络，即网络选择和多归属：网络选择在所有可用的选择中选取最合适的接 入网，而多归属则同时访问多个无线网络接口。总的来说，多归属更加有利，因 为它准许用户设备利用网络的多样性使用多个接口。

多归属功能允许每个用户设备从所有可用的无线接入网络中获得其所需要 的服务质量。它具有下列优点：首先，可以聚合不同无线接入网络的可用资源， 以支持高数据速率的应用。第二，它可以支持移动性，因为在服务提供期间，至 少有一个使用的接口会保持活跃。第三，多归属概念平衡了不同无线接入网络间 的业务负载。因此，多归属接入能力的异构网络有能力解决最小化能量比率和传 输比特优化的问题。

专利1(异构网络下的网络资源调度方法和无线资源控制器，北京邮电大学， 公开号CN102143589A，申请号CN201110076874.1，申请日2011.03.29)公开了 一种异构网络下的网络资源调度方法和无线资源控制器。该方法适用于异构网络 中多媒体数据传输，包括：各移动终端每隔第一预定时间测量并确定各自所期望 的终端绑定子层数目，将其所期望的终端绑定子层数目及其移动终端类型上报, 无线资源控制器每隔第二预定间隔根据移动终端上报的信息来确定网络覆盖区 域的转发子层信息，并向移动终端发送该移动终端所处的网络覆盖区域的转发子 层信息；移动终端根据其移动终端类型和所收到的转发子层信息来确定终端子层 绑定数目，以按照所确定的终端子层绑定数目来执行多媒体数据的解码和回放, 其中转发子层信息表示与该网络覆盖区域需要转发哪些数据子层有关的信息。专 利2(一种异构网络下行链路资源分配方法，北京交通大学，公开号 CN102711262A，申请号CN201210228395.1，申请日2012.07.02)公开了宏小区 和毫微微小区混合网络下的通信资源管理技术领域中的一种异构网络下行链路 资源分配方法。包括组建用户集合和可用资源块集合,计算并组成用户优先级列 表；计算用户需求的资源块数量；从用户优先级列表中选择优先级最高的用户并 从可用资源块集合中选择信道质量最好的资源块分配给该优先级最高的用户,直 至分配给该优先级最高的用户的资源块等于该优先级最高的用户需求的资源块 数量或者可用资源块集合为空；计算并更新宏小区/毫微微小区的基站使用可用 资源块与用户通信时在该可用资源块上的传输功率。但是上述两种方法均没有考 虑异构网络中能量利用的问题，这样不能满足异构网络日益增长的能量消耗需 求。

发明内容

为了克服现有技术的不足，本发明提供一种高效、可靠的基于速率限制的异 构网络每比特能量最小化资源分配方法，以显著提高异构网络中的能量利用效 率，并减少其能量消耗。

一种基于速率限制的异构网络每比特能量最小化资源分配方法，包括以下步 骤：

步骤1，智能集中控制器收集异构网络中可用的带宽资源，带宽资源为异构 网络中无线频率资源的总流量带宽，记为YMHz，其中Y∈[16,32]；

步骤2，智能集中控制器收集用户设备的资源使用申请，包括用户设备所需 的时间比例、用户设备所需的最小速率；

步骤3，智能集中控制器采用人工蜂群算法对异构网络中的频率资源进行分 配：

步骤3.1，智能集中控制器初始化人工蜂群算法的参数；

步骤3.2，将蜜蜂按种群适应度大小分为采蜜蜂和跟随蜂，每只采蜜蜂对应 一个原蜜源；

步骤3.3，每只采蜜蜂在原蜜源附近搜索并计算其适应度值，若其适应度值 小于原蜜源，则取代原蜜源；

步骤3.4，跟随蜂依概率选择适应度值小的蜜源，并转化为采蜜蜂采蜜，同 时在蜜源附近搜索，记录适应度值较小的蜜源位置；

步骤3.5，判断搜索次数是否大于最大搜索次数，若大于则放弃步骤3.3中 产生的蜜源，并在解的范围内随机产生一个新蜜源；

步骤3.6，记录适应度值最小的蜜源、以及该蜜源相应的适应度函数值；

步骤3.7，重复步骤3.2～3.6N_g次，最小的适应度函数值即为异构网络最小 化的每比特能量值，N_g表示人工蜂群算法的最大迭代次数。

本发明与现有技术相比，其显著优点在于：(1)异构网络基于人工蜂群算法 进行虚拟资源分配，满足异构网络最优资源分配要求；(2)充分挖掘了异构网络 中可用的频率资源，保障了异构网络每比特能量最小化；(3)为显著提高异构网 络能量利用效率、减少异构网络能量消耗提供技术支持。

下面结合说明书附图对本发明作进一步描述。

附图说明

图1为本发明基于速率限制的异构网络每比特能量最小化资源分配方法的 流程图；

图2为本发明异构网络频率资源分配示意图；

图3为本发明基于人工蜂群算法的资源分配方法流程图。

具体实施方式

结合图1，本发明基于速率限制的异构网络每比特能量最小化资源分配方 法，包括以下步骤：

步骤1，智能集中控制器收集异构网络中可用的带宽资源，带宽资源为异构 网络中无线频率资源的总流量带宽，记为YMHz，其中Y∈[16,32]。

结合图2，步骤2，智能集中控制器收集用户设备的资源使用申请，包括用 户设备所需的时间比例、用户设备所需的最小速率。

结合图3，步骤3，智能集中控制器采用人工蜂群算法对异构网络中的频率 资源进行分配，具体过程如下：

步骤3.1，智能集中控制器初始化人工蜂群算法的参数，包括：

蜜蜂总数Limit∈[100,150]、采蜜蜂数量N_g∈[500,600]、最大搜索次数 Limit∈[100,150]和人工蜂群算法的最大迭代次数N_g∈[500,600]，并且令迭 代次数序号gen＝1；基站总功率消耗第m个访问接入点中用户设备k可 达到的数据速率其中，

$P_{\mathrm{tot}}^{\mathrm{BS}}=P_{\mathrm{static}}^{\mathrm{BS}}+{\zeta }^{\mathrm{BS}}\underset{k=1}{\overset{K}{\Sigma }}\underset{n=1}{\overset{N}{\Sigma }}{p}_{\mathrm{nk}},---\left(1\right)$

${\tilde{r}}_{\mathrm{mk}}=c(P_{\mathrm{out}}^{\mathrm{AP}}{\tilde{g}}_{\mathrm{mk}}/{\tilde{\sigma }}^2);---\left(2\right)$

其中，无线接入访问点数量记为M、异构网络子载波数量记为N、子载波 带宽记为W、用户设备数量记为K、噪声谱密度记为σ²、α_nk为异构网络中子 载波n上用户设备k时分因子、p_nk为子载波n上用户设备k平均传输功率、g_nk为子载波n上用户设备k信道增益的、为基站静态功率消耗、1/ξ^BS为基 站功率放大器效率、c为决定基于信噪比阈值可达到数据速率、为访问接入 点输出功率、为第m个访问接入点中用户设备k信道收益的、为WLAN 信道噪声方差的，其中m∈M，n∈N，k∈K；

收集的参数还包括：异构网络中用户设备k所需的最小速率采用公式 (3)确定子载波n上用户设备k可达到的最大数据速率r_nk：

$r_{\mathrm{nk}}=\left(\begin{array}{cc}{\alpha }_{\mathrm{nk}}W{\log }_2(1+\frac{p_{\mathrm{nk}}{g}_{\mathrm{nk}}}{{\alpha }_{\mathrm{nk}}{\mathrm{W\sigma }}^2})& {\alpha }_{\mathrm{nk}}>0\\ 0& {\alpha }_{\mathrm{nk}}=0\end{array}\right).---\left(3\right)$

初始化蜂群，利用公式(4)随机产生N_p个人工蜂群算法的初始解表示第i只蜜蜂第m个访问接入点中用户设备k分配到的时间比例，其中 i∈[1,N_p]，是用户分配到时间比例的下限，是用户分配到时间比例的上 限，s∈[0,1]之间的随机数，初始解需要满足公式(5)、(6)、和(7)，

$t_{\mathrm{mk}}^{\left(i\right)}=t_{\mathrm{mk}}^{\min }+s*(t_{\mathrm{mk}}^{\max }-t_{\mathrm{mk}}^{\min }),---\left(4\right)$

$\underset{n=1}{\overset{N}{\Sigma }}{r}_{\mathrm{nk}}+\underset{m=1}{\overset{M}{\Sigma }}{t}_{\mathrm{mk}}^{\left(i\right)}{\tilde{r}}_{\mathrm{mk}}\ge R_k^{\min },---\left(5\right)$

$\underset{k=1}{\overset{K}{\Sigma }}{t}_{\mathrm{mk}}^{\left(i\right)}\le 1,\forall m,---\left(6\right)$

$t_{\mathrm{mk}}^{\left(i\right)}\ge 0,\forall m,\forall k.---\left(7\right).$

步骤3.2，将蜜蜂按种群适应度大小分为采蜜蜂和跟随蜂，每只采蜜蜂对应 一个原蜜源，具体过程为，

利用公式(8)计算第i只蜜蜂适应度函数值的大小，将函数值从小到大排列， 取函数值排名前N_e的解看做第gen次循环的原蜜源，其中N_e的取值为N_p的一 半，每个原蜜源对应一只采蜜蜂，其余的解则对应于跟随蜂所在位置，其中 表示第i只蜜蜂在gen次循环时的适应度函数值

$f\left(t_{\mathrm{mk}}^{(i,\mathrm{gen})}\right)=\frac{P_{\mathrm{tot}}^{\mathrm{BS}}+\underset{m=1}{\overset{M}{\Sigma }}\{\underset{k=1}{\overset{K}{\Sigma }}{t}_{\mathrm{mk}}^{(i,\mathrm{gen})}{P}_{\mathrm{tx}}^{\mathrm{AP}}+(1-\underset{k=1}{\overset{K}{\Sigma }}{t}_{\mathrm{mk}}^{(i,\mathrm{gen})})P_{\mathrm{idle}}^{\mathrm{AP}}\}}{\underset{k=1}{\overset{K}{\Sigma }}(\underset{n=1}{\overset{N}{\Sigma }}{r}_{\mathrm{nk}}+\underset{m=1}{\overset{M}{\Sigma }}{t}_{\mathrm{mk}}^{(i,\mathrm{gen})}{\tilde{r}}_{\mathrm{mk}})},i\in [1,N_p].---\left(8\right)$

步骤3.3，每只采蜜蜂在原蜜源附近搜索并计算其适应度值，若其适应度值 小于原蜜源，则取代原蜜源，具体过程为，

步骤3.3.1，设定搜索次数v(h,gen)＝0，采用公式(9)产生第h只采蜜蜂在 第gen次循环的新蜜源其中表示第h只采蜜蜂在第gen次循环 的原蜜源，

$t_{\mathrm{mk}}^{(h,\mathrm{gen})\mathrm{new}}=t_{\mathrm{mk}}^{(h,\mathrm{gen})}+r(t_{\mathrm{mk}}^{(h,\mathrm{gen})}-t_{\mathrm{mk}}^{(j,\mathrm{gen})}),---\left(9\right)$

其中r∈[-1,1]的随机数，h∈{1,2,...,N_e},j∈{1,2,...,N_e},j≠h，其中j随 机生成；

步骤3.3.2，利用步骤3.2的方法计算第gen次循环中第h只采蜜蜂的新蜜源 的适应度函数值比较与大小；若 则取代原蜜源，令搜索次数v(h,gen)＝0； 否则，舍弃新蜜源，令v(h,gen)←v(h,gen)+1。

步骤3.4，跟随蜂依概率选择适应度值小的蜜源，并转化为采蜜蜂采蜜，同 时在蜜源附近搜索，记录适应度值较小的蜜源位置，具体过程为，

步骤3.4.1，利用公式(10)计算第gen次循环中第h个跟随蜂选择蜜源的概 率P_(h,gen)，并将P_(h,gen)与rand比较，若rand＜P_(h,gen)，则将第h个跟随蜂转换为采 蜜蜂，并在第h个采蜜蜂对应的蜜源附近搜索，rand∈(0,1)之间的随机数，

$P_{(h,\mathrm{gen})}=\frac{f\left(t_{\mathrm{mk}}^{(h,\mathrm{gen})}\right)}{\underset{h=1}{\overset{N_e}{\Sigma }}f\left(t_{\mathrm{mk}}^{(h,\mathrm{gen})}\right)};---\left(10\right)$

步骤3.4.2，采用公式(11)确定在第gen次循环中由第h只跟随蜂转换的采 蜜蜂的新蜜源，

$t_{\mathrm{mk}}^{(h,\mathrm{gen}){\mathrm{new}}^{\prime }}=t_{\mathrm{mk}}^{(h,\mathrm{gen})}+r(t_{\mathrm{mk}}^{(h,\mathrm{gen})}-t_{\mathrm{mk}}^{(j,\mathrm{gen})}),---\left(11\right)$

其中r∈[-1，1]的随机数，h∈{1,2,...,N_e},j∈{1,2,...,N_e},j≠h，其中j随 机生成；

步骤3.4.3，利用步骤3.3的方法计算第gen次循环中对应的适应度 函数值比较适应度函数值与步骤3.3产生的蜜源(新 密源或原蜜源)适应度函数值的大小；若小于步骤3.3产生的蜜源 适应度函数值，则取代步骤3.3产生的蜜源，令搜索次数v(h,gen)＝0；否则，舍 弃跟随蜂转换的采蜜蜂的新蜜源，令搜索次数v(h,gen)←v(h,gen)+1。

步骤3.5，判断搜索次数是否大于最大搜索次数，若大于则放弃步骤3.3中 产生的蜜源，并在解的范围内随机产生一个新蜜源。

步骤3.6，记录步骤3.2至步骤3.5中所有适应度函数值中最小值所对应的蜜 源，记为以及该蜜源相应的适应度函数值

步骤3.7，令gen←gen+1，重复步骤3.2～3.6N_g次，从记录的中 选取最小值对应的蜜源，记为对应的适应度函数值即为异构 网络最小化的每比特能量值。

实施例一

步骤1，异构网络中智能集中控制器收集可用的无线资源。所述异构网络中 基站位于小区的中心，服务半径为600m，4个访问接入点对称的位于基站450m 处，异构网络的总流量带宽为16MHz，总流量带宽中子载波间隔为15kHz。

步骤2，智能集中控制器收集用户设备的资源使用申请。访问接入点中用户 设备的时间比例为[2,4,3,3]，用户设备所需的最小速率为3.5Mbps。图2为本发 明的异构网络频率资源分配示意图。

步骤3，智能集中控制器采用人工蜂群算法对异构网络中的频率资源进行分 配。

首先，智能集中控制器初始化人工蜂群算法的参数，初始化N_L＝1、 N_p＝10、N_e＝5、Limit＝100、N_g＝500，令gen＝1，初始化M、N、 W、K、σ²、α_nk、p_nk、g_nk、1/ξ^BS、c、r_nk，初始化蜂群，随机产生N_p个优化问题的初始解

然后，将蜜蜂按种群适应度大小分为采蜜蜂和跟随蜂，计算适应度函数值的 大小，将函数值从小到大排列，取函数值排名前一半的解看做蜜源，并将其对应 于采蜜蜂；排名后一半的解则对应于跟随蜂所在位置。

再然后，采蜜蜂在附近蜜源搜索并计算其适应度值，经计算其适应度值小于 原蜜源，取代原蜜源，产生新蜜源并计算令搜索次数 v(h,gen)＝0。

再然后，跟随蜂依概率选择适应度值小的蜜源，并转化为采蜜蜂采蜜，同时 在蜜源附近搜索，记录适应度值较小的蜜源位置，先计算跟随蜂选择蜜源的概率 并将其转换为采蜜蜂，再产生新蜜源计算若 $f\left(t_{\mathrm{mk}}^{(h,\mathrm{gen}){\mathrm{new}}^{\prime }}\right)<f\left(t_{\mathrm{mk}}^{(h,\mathrm{gen})\mathrm{new}}\right),$则取代新蜜源

记录新蜜源为最优蜜源以及该蜜源相应的每比特能量值为

最后，令gen←gen+1，重复上述步骤，直到达到人工蜂群算法的最大迭代 次数，从记录的中选取最小值对应的蜜源，记为对应的适 应度函数值即为异构网络最小化的每比特能量值，输出最优的每比特能 量值

实施例二

步骤1，异构网络中智能集中控制器收集可用的无线资源。所述异构网络中 基站位于小区的中心，服务半径为600m，4个访问接入点对称的位于基站450m 处，异构网络的总流量带宽为16MHz，总流量带宽中子载波间隔为15kHz。

步骤2，智能集中控制器收集用户设备的资源使用申请。访问接入点中用户 设备的时间比例为[2,4,3,3]，用户设备所需的最小速率为3.5Mbps。图2为本发 明的异构网络频率资源分配示意图。

步骤3，智能集中控制器采用人工蜂群算法对异构网络中的频率资源进行分 配。

首先，智能集中控制器初始化人工蜂群算法的参数，初始化N_L＝1、 N_p＝16、N_e＝8、Limit＝150、N_g＝600，令gen＝1，初始化M、N、 W、K、σ²、α_nk、p_nk、g_nk、1/ξ^BS、c、r_nk，初始化蜂群，随机产生N_p个优化问题的初始解

然后，将蜜蜂按种群适应度大小分为采蜜蜂和跟随蜂，计算适应度函数值的 大小，将函数值从小到大排列，取函数值排名前一半的解看做蜜源，并将其对应 于采蜜蜂；排名后一半的解则对应于跟随蜂所在位置。

再然后，采蜜蜂在附近蜜源搜索并计算其适应度值，经计算其适应度值大于 等于原蜜源，舍弃新蜜源令v(h,gen)←v(h,gen)+1(在最大搜索次数 范围内)。

再然后，跟随蜂依概率选择适应度值小的蜜源，并转化为采蜜蜂采蜜，同时 在蜜源附近搜索，记录适应度值较小的蜜源位置，先计算跟随蜂选择蜜源的概率 并将其转换为采蜜蜂，再产生新蜜源计算若 舍弃跟随蜂转换的采蜜蜂的新蜜源，令搜索次数 v(h,gen)←v(h,gen)+1。

记录原蜜源为最优蜜源以及该蜜源相应的每比特 能量值为

最后，令gen←gen+1，重复上述步骤，直到达到人工蜂群算法的最大迭代 次数，从记录的中选取最小值对应的蜜源，记为对应的适 应度函数值即为异构网络最小化的每比特能量值，输出最优的每比特能 量值

实施例三

步骤1，异构网络中智能集中控制器收集可用的无线资源。所述异构网络中 基站位于小区的中心，服务半径为600m，4个访问接入点对称的位于基站450m 处，异构网络的总流量带宽为16MHz，总流量带宽中子载波间隔为15kHz。

步骤2，智能集中控制器收集用户设备的资源使用申请。访问接入点中用户 设备的时间比例为[2,4,3,3]，用户设备所需的最小速率为3.5Mbps。图2为本发 明的异构网络频率资源分配示意图。

步骤3，智能集中控制器采用人工蜂群算法对异构网络中的频率资源进行分 配。

首先，智能集中控制器初始化人工蜂群算法的参数，初始化N_L＝1、 N_p＝10、N_e＝5、Limit＝100、N_g＝500，令gen＝1，初始化M、N、 W、K、σ²、α_nk、p_nk、g_nk、1/ξ^BS、c、r_nk，初始化蜂群，随机产生N_p个优化问题的初始解

然后，将蜜蜂按种群适应度大小分为采蜜蜂和跟随蜂，计算适应度函数值的 大小，将函数值从小到大排列，取函数值排名前一半的解看做蜜源，并将其对应 于采蜜蜂；排名后一半的解则对应于跟随蜂所在位置。

再然后，采蜜蜂在附近蜜源搜索并计算其适应度值，经计算其适应度值大于 等于原蜜源，舍弃新蜜源令v(h,gen)←v(h,gen)+1(在最大搜索次数 范围内)。

再然后，跟随蜂依概率选择适应度值小的蜜源，并转化为采蜜蜂采蜜，同时 在蜜源附近搜索，记录适应度值较小的蜜源位置，先计算跟随蜂选择蜜源的概率 并将其转换为采蜜蜂，再产生新蜜源计算若 舍弃跟随蜂转换的采蜜蜂的新蜜源，令搜索次数 v(h,gen)←v(h,gen)+1。

记录原蜜源为最优蜜源以及该蜜源相应的每比特 能量值为

令gen←gen+1，重复上述步骤。当v(h,gen)＝99，重复步骤3.3，经计算 其适应度值大于等于原蜜源，舍弃新蜜源令 v(h,gen)←v(h,gen)+1＝100；步骤3.4，跟随蜂依概率选择适应度值小的蜜源， 并转化为采蜜蜂采蜜，同时在蜜源附近搜索，记录适应度值较小的蜜源位置，先 计算跟随蜂选择蜜源的概率并将其转换为采蜜蜂，再产生新蜜源计算 若$f\left(t_{\mathrm{mk}}^{(h,\mathrm{gen}){\mathrm{new}}^{\prime }}\right)\ge f\left(t_{\mathrm{mk}}^{(h,\mathrm{gen})\mathrm{new}}\right),$舍弃跟随蜂转换的采蜜蜂的新 蜜源，令搜索次数v(h,gen)←v(h,gen)+1＝101。

此时搜索次数大于最大搜索次数Limit＝100，放弃步骤3.3中产生的蜜源， 并在解的范围内随机产生一个新蜜源。

记录步骤3.2至步骤3.5中所有适应度函数值中最小值所对应的蜜源，记为 以及该蜜源相应的适应度函数值

从记录的中选取最小值对应的蜜源，记为对应的适应 度函数值即为异构网络最小化的每比特能量值，输出最优的每比特能量 值