一种面向车联网网络切片的效用最大化资源分配方法

本发明涉及一种面向车联网网络切片的效用最大化资源分配方法，属于车联网。

背景技术：

1、随着人工智能的发展，汽车智能化已成为汽车和智能产业发展的新方向。同时，车联网是未来智能交通的重要组成部分。车辆可以使用车联网技术与其他道路使用者和基础设施进行通信。网络切片作为5g网络的关键技术，可以针对越来越多的车联网服务类型的出现进行量身定制，从而提供更好的服务。

2、近些年，随着第五代移动通信系统时代到来，多个行业都经历了深刻的技术变革，尤其在汽车领域。随着移动数据的迅速增长，车联网业务数量和用户密度实现了数十倍增长，这使得车载移动终端通信设备在处理海量业务数据的同时，也要保证各业务之间差异化和多样化服务质量要求。然而目前来说车载移动终端设备的缓存资源、计算资源配备是有限的，很难将所有的数据都放在终端设备供用户使用，增加成本的同时也让服务质量难以保障。同时，与车辆建立业务关系的通信实体也将面临类似的问题，如何在资源有限的条件下为车辆用户提供差异性和多样性服务质量成为了挑战，如果依然使用传统的物理组网方式，会带来巨大的运营成本和网络运维难度。针对以上问题，网络切片技术应运而生，它能够将一体的物理网络分割为多个功能独立的逻辑网络，为不同的业务场景提供特定的服务。通过根据不同业务的特定需求，网络切片技术能够高效分配资源。对于如v2x这样有众多行业应用的技术，网络切片能为其提供更为专业和优化的网络服务。但是，如何在v2x中利用5g网络切片进行资源分配和业务匹配的研究仍在进展中。

技术实现思路

1、本发明提供了一种面向车联网网络切片的效用最大化资源分配方法。根据车联网业务种类的差异性以及车辆移动性，建立以最大化网络效用为目标的车联网背景下网络切片资源分配模型，并使用罚函数法处理约束条件，采用基于动态记忆库的双sigmoid函数粒子群算法进行求解，有效避免了算法过早陷入局部最优问题。

2、为了解决上述技术问题，本发明所采用的技术方案是：

3、一种面向车联网网络切片的效用最大化资源分配方法：

4、获取不同车辆的业务通信参数；

5、根据不同车辆的业务通信参数以网络效用最大化为目标建立网络切片资源分配模型；

6、使用罚函数法处理所述网络切片资源分配模型的约束条件；

7、基于动态记忆库的双sigmoid函数粒子群算法求解约束条件处理后的网络切片资源分配模型，输出最优网络切片资源分配方案；

8、根据最优网络切片资源分配方案向网络切片服务的车辆用户分配资源块。

9、进一步地，不同车辆的业务通信参数包括：

10、表示第个车辆用户所需的传输速率，表示第个车辆用户的传输速率，表示第个车辆用户所期望的最大时延。

11、进一步地，根据不同车辆的业务通信参数以网络效用最大化为目标建立网络切片资源分配模型的方法为：

12、假设车联网区域由不同基站覆盖，区域内有个车辆用户，区域内车辆用户的不同需求由不同网络切片提供服务，网络切片数量为n；

13、定义传输速率与资源分配关系函数：；

14、其中，表示资源块利用率，表示每个资源块的带宽，是车辆的发射功率，，其中，是由于增加资源块而增加的增益，是当没有分配任何资源块时的信号接收增益；k 表示每增加一个资源块，信号增益增加的量；是噪声功率谱密度；

15、定义时延与资源分配关系函数：；

16、其中， 是传输时延，是因为有限的资源块而产生的排队时延，是处理时延，是车辆用户在时间窗口t内需要传输的数据量；

17、构建效用函数：车辆用户的效用函数如下：

18、 ；

19、其中，表示车辆用户的服务优先级权重； 是根据车联网业务需求调节传输速率的权重参数，是根据车联网业务需求传输时延的权重参数；λ是调节移动性对效用影响的权重参数；表示车辆移动性对于网络效用的影响，的计算公式为：

20、；

21、其中，是车辆的临界速度值，是正的比例常数，和决定了车辆速度变化对的敏感度；

22、则以网络效用最大化为目标的网络切片资源分配模型的目标函数表示为：

23、。

24、进一步地，所述网络切片资源分配模型的约束条件包括：

25、约束条件1：，表示单个车辆网业务的资源需求量不能超过系统总的资源量；

26、约束条件2：，表示第个车辆用户的传输速率不能超过最大传输速率；

27、约束条件3：，表示第个车辆用户所期望的最大时延不能超过最大容忍时延；

28、约束条件4：，表示第个车辆用户的发射功率不能超过最大发射功率；

29、约束条件5：，表示不同车辆用户之间存在的通信干扰不超过干扰阈值；

30、其中，是干扰信号源的发射功率，是路径损耗模型中的一个常数项，用于描述信号在传播过程中由于距离等因素导致的衰减程度；，表示距离为d的路径损耗, 是参考距离的路径损耗，是路径损耗指数，是随机变量，表示由多径、遮挡和其他影响因素引起的信号衰减的随机性，标准差为。

31、进一步地，使用罚函数法处理所述网络切片资源分配模型的约束条件的方法为：

32、执行动态罚函数系数策略，罚函数因子为：

33、 ；

34、其中，是罚函数因子，是罚函数因子的最小值， 是罚函数因子的最大值，表示当前迭代次数，表示最大迭代次数，表示种群中不可行解的比例，表示种群中不可行解比例设定的阈值；

35、罚函数定义为：

36、；

37、其中，用于判断是否违反或满足约束条件：

38、用于判断是否违反或满足约束条件1；

39、用于判断是否违反或满足约束条件2；

40、用于判断是否违反或满足约束条件3；

41、用于判断是否违反或满足约束条件4；

42、用于判断是否违反或满足约束条件5；

43、若返回非负值，则表示违反约束，若返回值为0，则表示约束被满足；

44、则所述网络切片资源分配模型的网络切片资源分配最优化问题表示为：

45、。

46、进一步地，基于动态记忆库的双sigmoid函数粒子群算法求解约束条件处理后的网络切片资源分配模型，包括：

47、计算双sigmoid函数优化惯性权重：

48、 ；

49、表示时刻的惯性权重，表示迭代的初始时刻，表示迭代的结束时刻，表示双sigmoid函数斜率控制常数，用于控制两个sigmoid函数的陡度， 表示惯性权重最大值，表示惯性权重最小值；

50、使用改进的mbds-pso算法运行求解，包括：

51、初始化算法参数，初始化群体粒子个数与网络切片数量相同，均为，每个粒子表示一个网络切片，初始记忆库容量，最大记忆库容量，设置最大迭代次数；设置算法学习因子，控制粒子跟随自己历史最佳位置的趋势强度，控制粒子跟随整个群体的历史最佳位置的趋势强度；设置惯性权重最大值和最小值，设置sigmoid函数斜率控制常数，网络切片资源分配量的最大值和最小值，粒子速度最大值和最小值；

52、初始化个体和全局最优位置和最优值；

53、循环迭代所有粒子，计算每一个粒子当前的函数值，更新个体和全局最优位置和最优值；

54、更新了个体和全局最优位置后，算法根据当前sigmoid函数计算的惯性权重因子以及学习因子、学习因子来调整每个粒子的速度和位置；

55、速度和位置更新后，进行边界条件处理，将超出边界的速度或位置重置到其边界值；

56、记忆库更新，通过评估当前迭代的全局最优解决定是否更新记忆库，如果当前迭代的全局最优解比记忆库中的任何解更好，则用当前新解替换记忆库中的较差解；

57、记录最优解未更新的连续迭代次数，如果次数超过预设的阈值，则增加记忆库容量，并向记忆库中加入备选解；

58、如果在某次迭代中解的适应度值远优于记忆库中的现有解，减少记忆库容量，淘汰低质量解；

59、使用轮盘赌方法进行记忆库中解的选择；每个解的被选择概率与其适应度成正比，适应度越高，被选择的概率越大，根据所选择的优质解更新粒子的位置信息；

60、从历代全局最优解中选择最终全局最优解；

61、将所述最终全局最优解对应的网络切片资源分配方案作为网络切片资源分配结果。

62、本发明所达到的有益效果：

63、本发明针对车联网系统下的车辆业务资源分配问题，结合网络切片技术，考虑到不同车联网业务速率、时延以及车辆移动性对于网络效用的影响，以最大化网络效用为目标，构建了一种基于车联网系统的网络切片资源分配模型。提出了一种基于动态记忆库的双sigmoid函数粒子群优化算法（mbds-pso），增强了算法的全局和局部搜索能力，降低了算法求解结果的标准差，解决了传统粒子群算法以及一些改进算法对于前后期搜索能力过渡不平滑等问题，实现了在相同时间复杂度下缩短算法运算时间的同时能够在资源分配过程中为系统带来更高的网络效用。