异构网络中基于遗传理论的资源分配算法

发布时间：2017-09-27 12:20

  本文关键词：异构网络中基于遗传理论的资源分配算法

  更多相关文章： 异构网络 资源利用率 服务质量 资源分配 遗传理论

【摘要】：随着宽带无线应用的推广,无线资源日趋紧张。如何通过设计合理的资源优化算法实现异构资源的优势互补与协调管理,从而最大化资源利用率,向用户提供具有服务质量(QoS, Quality of Service)保证的服务是异构网络场景下必须要解决的一个问题。本学位论文围绕异构网络中如何最大化资源利用率同时向用户提供具有QoS保证的服务这一核心问题,深入研究了异构网络中基于遗传理论的资源分配算法,以期得到最佳的资源分配方案。本文的主要工作如下：(1)较为详细地介绍了异构网络中资源优化管理的关键技术,讨论了异构网络中资源优化算法的研究现状,重点分析了异构网络中资源分配算法的特点和面临的挑战。(2)提出了两种基于遗传运算的资源分配算法。第一种算法以最大化资源利用率,同时满足不同业务的QoS要求为目标,考虑到不同无线接入技术(RATs, Radio Access Technologies)对业务的支持能力不同；第二种算法引入了业务优先级机制,以最大化网络效用和系统吞吐量为目标。仿真结果表明,考虑业务优先级后,资源分配算法不仅提高了资源利用率,也降低了业务阻塞率。并与现有的资源分配算法进行了比较,仿真结果表明,所提出的基于遗传运算的资源分配算法的性能更好。(3)为了解决基于遗传运算的资源分配算法的早熟收敛问题,提出了异构网络中基于蚁群优化的资源分配算法,该算法主要是利用局部正反馈信息进行搜索,能避免算法陷入局部最优解。仿真结果表明,基于蚁群优化的资源分配算法比基于遗传运算的资源分配算法求精确解效率高,但收敛速度较慢。(4)提出了异构网络中基于混合优化的资源分配算法。算法前期利用遗传算法快速全局搜索能力得到资源分配的初次结果,然后将其求得的结果转化为蚁群算法的初始信息素分布,后期利用蚁群算法的正反馈、并行性搜索得到全局最优解。仿真结果表明,所提出的基于混合优化的资源分配算法比基于蚁群优化的资源分配算法搜索速度快,比基于遗传运算的资源分配算法求精确解效率高。(5)给出本学位论文研究工作的总结,并对下一步的研究给出展望。
【关键词】：异构网络 资源利用率 服务质量 资源分配 遗传理论
【学位授予单位】：东南大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TN92;TP18
【目录】：

• 摘要5-6
• ABSTRACT6-11
• 缩略语11-13
• 第1章 绪论13-17
• 1.1 课题背景及意义13-15
• 1.2 研究内容及章节安排15-17
• 1.2.1 主要研究内容15
• 1.2.2 论文章节安排15-17
• 第2章 异构网络资源优化管理关键技术17-29
• 2.1 异构网络融合发展及关键技术概述17-21
• 2.1.1 异构网络融合发展概述17-18
• 2.1.2 异构网络融合关键技术18-21
• 2.2 异构网络资源优化算法研究现状及分析21-22
• 2.2.1 资源调度算法21
• 2.2.2 接纳控制算法21-22
• 2.2.3 资源分配算法22
• 2.3 异构网络中的资源分配算法研究22-27
• 2.3.1 异构网络中资源分配的特点22-25
• 2.3.2 异构网络中资源分配算法的研究现状和挑战25-27
• 2.4 本章小结27-29
• 第3章 异构网络中基于遗传运算的资源分配算法29-47
• 3.1 背景介绍29-33
• 3.1.1 遗传算法概述29-30
• 3.1.2 遗传算法的基本原理30-33
• 3.2 异构网络系统模型33-34
• 3.3 异构网络中基于遗传运算的资源分配算法34-39
• 3.3.1 基于业务的资源分配算法(TRAA)34-37
• 3.3.2 基于网络效用的资源分配算法(URAA)37-39
• 3.4 仿真与分析39-45
• 3.4.1 仿真场景与参数设置39-40
• 3.4.2 仿真结果与分析40-45
• 3.5 本章小结45-47
• 第4章 异构网络中基于蚁群优化的资源分配算法47-57
• 4.1 背景介绍47-49
• 4.1.1 蚁群算法概述47
• 4.1.2 蚁群算法基本原理47-49
• 4.2 基于蚁群优化的资源分配算法49-53
• 4.2.1 蚁群优化模型50-51
• 4.2.2 蚁群优化求解资源分配问题51-53
• 4.3 仿真与分析53-56
• 4.3.1 仿真场景与参数设置53
• 4.3.2 仿真结果与分析53-56
• 4.4 本章小结56-57
• 第5章 异构网络中基于混合优化的资源分配算法57-67
• 5.1 混合优化算法的基本思想57-60
• 5.1.1 混合优化算法的发展与研究现状57-58
• 5.1.2 混合优化算法的基本框架58-60
• 5.2 混合优化算法的实现60-61
• 5.2.1 基于遗传算法的资源初次分配60-61
• 5.2.2 基于蚁群算法的资源再分配61
• 5.3 仿真与分析61-65
• 5.3.1 仿真场景与参数设置61-62
• 5.3.2 仿真结果与分析62-65
• 5.4 本章小结65-67
• 第6章 总结和展望67-69
• 6.1 研究工作总结67
• 6.2 研究展望67-69
• 致谢69-70
• 参考文献70-75
• 攻读硕士学位期间的研究成果75
• 1 学术论文75
• 2 专利(执笔)75
• 3 参与的科研项目75

【参考文献】

中国期刊全文数据库 前2条

1 袁东辉;刘大有;申世群;;基于蚁群—遗传算法的改进多目标数据关联方法[J];通信学报;2011年06期

2 赵义武;牛庆银;王宪成;;遗传算法与蚁群算法的融合研究[J];科学技术与工程;2010年16期

，

本文编号：929673