专利名称：基于并行免疫遗传算法的多模终端选择目标网络的方法
技术领域：
本发明涉及无线通信领域，特别涉及一种基于并行免疫遗传算法的多模终端选择目标网络的方法。
背景技术：
随着无线技术的飞速发展，越来越多的无线网络出现在人们的生活中，网络多模化的趋势越来越明显；多种无线网络共同存在，形成互为补 充、交错重叠的多模化网络覆盖现状，因此，能够同时支持多种不同模式目标网络的多模终端应运而生；当多模终端同时处于不同模式网络的覆盖下时，需要基站根据一定的业务需求为其分配一个最优的网络进行接入；当通信质量下降或者多模终端移动时，基站可以为其选择另外一个更优的目标网络，并且能保证通信不中断，所以，多模终端如何选择合适的网络来接入成为了一个研究热点。多模终端选择能够保证服务质量的目标网络时需要综合参考多种因子，属于多约束条件下的多目标组合优化问题，现有的传统遗传算法存在记忆单元单一、容易出现未成熟收敛的缺陷，而并行免疫遗传算法可以避免记忆单元单一的问题，且可以防止未成熟收敛，提高算法的计算效率，缩短计算时间；因此，应用并行免疫遗传算法为多模终端选择保证服务质量的目标网络就成为业内研究人员关注的新课题。
发明内容
针对上述问题，本发明提出了一种基于并行免疫遗传算法的多模终端选择目标网络的方法，并通过以下技术方案予以实现一种基于并行免疫遗传算法的多模终端选择目标网络的方法，包括以下步骤SI :多模终端将其在每种无线网络中的服务质量值发送给基站；S2:基站接收到所述各服务质量值，调用并行免疫遗传算法，为每个多模终端选择目标网络；所述并行免疫遗传算法包括以下步骤S21 :对目标网络和种群进行初始化参数设置，产生初始抗体，并设定算法迭代总次数；S22 :计算抗体的亲和度；S23 :根据所述亲和度对记忆单元进行更新；S24:对并行进化的抗体种群进行划分和迁移，所述抗体种群拥有彼此独立的记忆单元；S25 :判断是否达到设定的最大迭代次数，若不是，则返回S22 ;若是，则输出亲和度最高的抗体，并结束。所述初始化参数的设置包括对参与选择的全部多模终端和所有不同模式的目标网络进行顺序编号，并设置多模终端和目标网络的总数分别为K个和S种；设置每个种群个体的编码长度与多模终端数K相同，且每一位编码的编号与所述多模终端编号相同；设置种群染色体的编码选择范围与目标网络数S相同，且染色体每一位的编码与所述目标网络的编号相同。所述顺序编号采用自然数；所述编码采用自然数顺序编号相应的编码。所述步骤S22包括以下步骤S221 :设置每个多模终端服务质量值的最低门限，设置每种目标网络能容纳多模终端数量的最大值；S222 :通过以下方式确定抗体的亲和度 如果抗体所对应的可选目标网络中，有任何一个多模终端的服务质量值低于其最低门限，或者任何一种目标网络中的多模终端数量超过其容量最大值时，则该抗体的亲和度为O;如果抗体所对应的可选目标网络中，所有多模终端的服务质量值都高于其最低门限，并且每种网络中的多模终端数量都不大于设定的目标网络容量的最大值时，则设置该抗体的亲和度为全部多模终端的服务质量值的平均值。所述步骤S23包括以下步骤S231 :选出预定值个亲和度最高的抗体进行克隆，产生的新抗体作为子代种群的部分新个体；S232:将预定值个亲和度最低的抗体进行变异，并作为新抗体加入到所述步骤S231的子代种群中，该预定值的个数等于种群规模减去所述步骤S231中部分新个体数量的差值。所述步骤S24中，对抗体种群的划分和迁移采用多群体粗粒度模型。本发明采用并行免疫遗传算法，通过记忆单元之间的交流和并行计算，克服了以往传统的遗传算法中记忆细胞单一、容易出现未成熟收敛的缺陷，从而有效提高整个移动通信网络中多模终端的平均服务质量，还大大提高了算法运行速度，减少算法运行时间。
图I是本发明中并行免疫遗传算法的流程图。图2是多模终端为30个时，本发明与传统简单遗传算法的两种收敛速度曲线的示意图。图3是多模终端为40个时，本发明与传统简单遗传算法的两种收敛速度曲线的示意图。
具体实施例方式下面对于本发明所提出的一种基于并行免疫遗传算法的多模终端选择目标网络的方法，结合附图和实施例详细说明。实施例I :一种基于并行免疫遗传算法的多模终端选择目标网络的方法，包括以下步骤SI :多模终端将其在每种无线网络中的服务质量值发送给基站；S2:基站接收到所述各服务质量值，调用并行免疫遗传算法，为每个多模终端选择目标网络；所述并行免疫遗传算法包括以下步骤S21 :对目标网络和种群进行初始化参数设置，产生初始抗体，并设定算法迭代总次数；S22 :计算抗体的亲和度；S23 :根据所述亲和度对记忆单元进行更新；S24 :对并行进化的抗体种群进行划分和迁移，所述抗体种群拥有彼此独立的记忆单元；S25 :判断是否达到设定的最大迭代次数，若不是，则返回S22 ;若是，则输出亲和 度最高的抗体，并结束。所述初始化参数的设置包括对参与选择的全部多模终端和所有不同模式的目标网络进行顺序编号，并设置多模终端和目标网络的总数分别为K个和S种；设置每个种群个体的编码长度与多模终端数K相同，且每一位编码的编号与所述多模终端编号相同；设置种群染色体的编码选择范围与目标网络数S相同，且染色体每一位的编码与所述目标网络的编号相同。所述顺序编号采用自然数；所述编码采用自然数顺序编号相应的编码。所述步骤S22包括以下步骤S221 :设置每个多模终端服务质量值的最低门限，设置每种目标网络能容纳多模终端数量的最大值；S222 :通过以下方式确定抗体的亲和度如果抗体所对应的可选目标网络中，有任何一个多模终端的服务质量值低于其最低门限，或者任何一种目标网络中的多模终端数量超过其容量最大值时，则该抗体的亲和度为O;如果抗体所对应的可选目标网络中，所有多模终端的服务质量值都高于其最低门限，并且每种网络中的多模终端数量都不大于设定的目标网络容量的最大值时，则设置该抗体的亲和度为全部多模终端的服务质量值的平均值。所述步骤S23包括以下步骤S231 :选出预定值个亲和度最高的抗体进行克隆，产生的新抗体作为子代种群的部分新个体；S232:将预定值个亲和度最低的抗体进行变异，并作为新抗体加入到所述步骤S231的子代种群中，该预定值的个数等于种群规模减去所述步骤S231中部分新个体数量的差值。所述步骤S24中，对抗体种群的划分和迁移采用多群体粗粒度模型。实施例2 本实施例具体描述基站是如何根据多模终端在每种网络中的服务质量值，再基于本发明的并行免疫遗传算法来分配最优化的目标网络。如图I所示，详细的介绍了该并行免疫遗传算法在多模终端选择目标网络时的实现步骤
S21 :对目标网络和种群进行初始化参数设置，产生初始抗体，并设定算法迭代总次数；具体包括以下操作采用自然数k和s分别对参与选择的全部多模终端和所有不同模式的目标网络进行顺序编号，并设置多模 终端和目标网络的总数分别为K个和S种；设置每个种群个体的编码长度 与多模终端数K相同，且每一位编码的编号与多模终端的编号相同，这样每个染色体上的一位编码就代表基站为该多模终端配置目标网络；设置种群染色体的编码选择范围与可供选择的目标网络数S相同，且染色体每一位编码与目标网络的编号相同。在本实施例中，采用自然数顺序编号相应编码是为了后续解码方便；且在步骤S21操作前，所有多模终端先将其在每种无线网络中的服务质量值发送给基站，该信息作为基站为每个多模终端分配目标网络的依据，基站接收到所述各服务质量值，调用并行免疫遗传算法，为每个多模终端选择目标网络。S22 :计算抗体的亲和度；在每次种群的抗体更新完毕后，基站要对新一代抗体进行亲和度计算，其具体包括下列操作设置每个多模终端服务质量值的最低门限，设置每种目标网络能容纳多模终端数量的最大值；如果抗体所对应的可选目标网络中，有任何一个多模终端的服务质量值低于其最低门限，或者任何一种目标网络中的多模终端数量超过其容量最大值时，则该抗体的亲和度为O;如果抗体所对应的可选目标网络中，所有多模终端的服务质量值都高于其最低门限，并且每种网络中的多模终端数量都不大于设定的目标网络容量的最大值时，则设置该抗体的亲和度为全部多模终端的服务质量值的平均值； 抗体亲和度M的计算公式为
权利要求
1.一种基于并行免疫遗传算法的多模终端选择目标网络的方法，其特征在于，包括以下步骤 Si:多模终端将其在每种无线网络中的服务质量值发送给基站； S2 :基站接收到所述各服务质量值，调用并行免疫遗传算法，为每个多模终端选择目标网络；所述并行免疫遗传算法包括以下步骤 521:对目标网络和种群进行初始化参数设置，产生初始抗体，并设定算法迭代总次数； 522:计算抗体的亲和度； 523:根据所述亲和度对记忆单元进行更新； 524:对并行进化的抗体种群进行划分和迁移，所述抗体种群拥有彼此独立的记忆单元; 525:判断是否达到设定的最大迭代次数，若不是，则返回S22 ;若是，则输出亲和度最高的抗体，并结束。
2.如权利要求I所述的方法，其特征在于，所述初始化参数的设置包括 对参与选择的全部多模终端和所有不同模式的目标网络进行顺序编号，并设置多模终端和目标网络的总数分别为K个和S种； 设置每个种群个体的编码长度与多模终端数K相同，且每一位编码的编号与所述多模终端编号相同； 设置种群染色体的编码选择范围与目标网络数S相同，且染色体每一位的编码与所述目标网络的编号相同。
3.如权利要求2所述的方法，其特征在于，所述顺序编号采用自然数；所述编码采用自然数顺序编号相应的编码。
4.如权利要求I所述的方法，其特征在于，所述步骤S22包括以下步骤 5221:设置每个多模终端服务质量值的最低门限，设置每种目标网络能容纳多模终端数量的最大值； 5222:通过以下方式确定抗体的亲和度 如果抗体所对应的可选目标网络中，有任何一个多模终端的服务质量值低于其最低门限，或者任何一种目标网络中的多模终端数量超过其容量最大值时，则该抗体的亲和度为O ； 如果抗体所对应的可选目标网络中，所有多模终端的服务质量值都高于其最低门限，并且每种网络中的多模终端数量都不大于设定的目标网络容量的最大值时，则设置该抗体的亲和度为全部多模终端的服务质量值的平均值。
5.如权利要求I所述方法，其特征在于，所述步骤S23包括以下步骤 5231:选出预定值个亲和度最高的抗体进行克隆，产生的新抗体作为子代种群的部分新个体； 5232:将预定值个亲和度最低的抗体进行变异，并作为新抗体加入到所述步骤S231的子代种群中，该预定值的个数等于种群规模减去所述步骤S231中部分新个体数量的差值。
6.如权利要求I所述的方法，其特征在于，所述步骤S24中，对抗体种群的划分和迁移采用多群体粗粒度模型。
全文摘要
本发明提供一种基于并行免疫遗传算法的多模终端选择目标网络的方法，其特征在于，包括以下步骤S1多模终端将其在每种无线网络中的服务质量值发送给基站；S2基站接收到所述各服务质量值，调用并行免疫遗传算法，为每个多模终端选择目标网络；本发明采用并行免疫遗传算法，不仅能够避免记忆单元单一的问题，且可以防止在目标网络选择过程中采用的算法未成熟收敛而造成的长时延问题，提高算法的计算效率，缩短计算时间。
文档编号H04W88/06GK102917440SQ20121037594
公开日2013年2月6日 申请日期2012年9月29日 优先权日2012年9月29日
发明者唐碧华, 张洪光, 张立佳, 吴帆, 范文浩, 刘元安 申请人:北京邮电大学