分配算法

分配算法（精选十篇）

分配算法 篇1

随着3G概念的逐步深入人心,以及3G应用产品的推出,用户的数据行为也发生了巨大变化。在过去三年里,移动数据流量呈爆炸性增长,移动互联网流量从占PC互联流量的1/6发展到是PC流量的3倍。但是,真正承载手机数据流量的主力军不是3G网络,而是2G网络。根据对2010年9月的数据统计显示,2G手机上网流量占手机上网流量的96.3%,是移动数据总流量的42.3%。如此大的数据流量给网络带来了巨大压力,扩容需求空前。

在不断扩容网络,增加PDCH的时候,会发现一个奇怪的现象,一方面网络数据流量相当大,而另一方面单PDCH的承载速率却比较低。低承载速率增大了对扩容的需求,而有限频点下的扩容又导致了网络干扰加重,网络质量下降,客户满意度降低。提升单PDCH速率刻不容缓。

1 现网单TBF配置情况

现网单PDCH速率约为4 Kb/s。而理论计算,GPRS的最高速率为21.4 Kb/s,最低速率也有9 Kb/s, EDGE的速率则更高。为什么在EDGE比例已经很高的情况下,单PDCH速率还是比较低呢?究其原因,与目前广为流行的诸如QQ类的低速率,耗资源性的业务开展有很重要的关系。据统计,QQ聊天类业务已占用约80%的移动数据无线网资源。

在GPRS/EDGE网络中,移动台与网络进行数据传送,必须先申请建立TBF连接。系统会根据移动台的多时隙等级和小区的PDCH信道资源等情况,把归属于该用户的TBF分配到合适的PDCH上,1个PDCH可以被多个TBF占用。这样就产生了一个问题,TBF如何分配比较合适呢?单PDCH的速率是有限的,TBF配置较多时, TBF速率便会降低;反之,TBF配置较少时,网络承载用户数降低。

在现网中,通过给PDCH承载的TBF数目设定一个上限来进行自动配置,从而保证每个TBF的平均速率。当PDCH承载的TBF数目达到上限时,不管信道利用率如何,均不接受新的接入。尤其是当其承载的TBF均为QQ类低速率业务时,在每个TBF不需要很高的速率情况下,这种配置方法就会对网络的数据承载能力造成极大浪费。

2 新型TBF分配方式

2.1 新型TBF分配思路

对于不同的业务有不同的QoS要求,也有满足相应QoS要求的最低数据传输速率要求,可以首先设定一个PDCH信道基本复用数,若信道承载TBF数小于基本复用数,则允许接入新业务,否则启动速率判决算法。根据目前信道承载的业务情况与信道设定速率目标进行比较得出信道剩余容量数值,然后确定是否接入新业务。具体流程如图1所示。

(1) 用户接入申请信息到达;

(2) 根据申请信息为用户分配TFI;

(3) 分析移动台多时隙能力,选取候选的PDCH信道组;

(4) 判断该PDCH组中是否存在承载TBF数目未达到复用基准数的PDCH信道,如果是,则允许在该PDCH上建立新的TBF标识,算法结束;

(5) 否则,逐一统计该PDCH信道组中各PDCH已建立的TBF传输速率要求之和,计算该组中各PDCH剩余的信道容量;

(6) 若PDCH组剩余速率可满足业务需求,则建立业务连接,算法结束;

(7) 若遍历PDCH组中所有PDCH信道,剩余容量之和均不能满足业务需求时,则表明网络剩余资源无法满足此次业务需求,业务建立失败。

2.2 新型TBF分配算法实现关键

2.2.1 业务类型划分与速率判断

遵照常规做法,将接入业务分为四类,分别为:

WAP业务:在1 s完成750 B的传输,即6 Kb/s带宽;

WWW业务:按照资源能力规划,取带宽25 Kb/s;

SMTP、POP3业务:需求是20 Kb/s的带宽;

VoIP业务:需求是5 Kb/s的带宽。

判断新申请的业务属于以上那一类的方法如下:

对于MS端发起的业务,MS数据链路层会从上层接收到一个LLC PDU请求,然后通过RACH信道的PACKET CHANNEL REQUEST消息来向网络申请信道资源。网络侧的PCU则通过PACKET UPLINK ASSIGNMENT消息为MS指定相应接入参数,包括TFI。LLC PDU包括本次上行传输相关的吞吐量、RLC模式、无线优先权及信令标识。可以根据吞吐量等信息判断出此次传输需求速率,然后在PACKET CHANNEL REQUEST消息中作以标识,为PCU信道分配作出建议。

对于网络侧发起的业务,SGSN会发送BSSGP下行数据单元给PCU。BSSGP下行数据单元包括四方面内容:QoS文件,IMSI,TLLI,RLC模式。其中QoS文件定义了期望的吞吐量及数据类型,可以据此来进行发起业务的速率判断。

然后,网络分析MS状态。若MS状态为STANDBY,则通过PCH或PACCH信道上的PACKET PAGING REQUEST消息向MS发起分组寻呼,紧接着MS开启一个类似分组接入的寻呼响应过程。若MS状态为STANDBY,网络直接在CCCH信道上通过PACKET DOWNLINK ASSIGNMENT消息为MS指定相应的信道,以建立下行TBF连接。

2.2.2 信道剩余容量统计

GPRS的业务传输是以TBF为单位进行的,而每个TBF都用一个TFI来标识。不管是上行还是下行,TFI均占用5个字节,取值范围为0～31。在遵照TFI分配基本原则的基础上,可以新加一条规则,依据现网各种业务发起TBF连接的频次百分比进行TFI区段划分。举个简单的例子:假设现网已建立的TBF中,WAP业务占20%,WWW业务占20%,SMTP、POP3业务占10%,VoIP业务占50%,那么可以固定地将TFI中0～6分给WAP业务,7～12分给WWW业务,13～15分给SMTP、POP3业务,16～31分给VoIP业务。可以通过计算PDCH信道中各种区间TFI数目来求出PDCH以承载业务量,进而算出PDCH剩余容量。

采用上面的算法,提高了单PDCH承载的TBF数目,但不得不对另外一个问题做出思考,即TBF的建立、释放都需要一定的信令交互,TBF的数量是否受网络可承载信令流量限制。

GPRS的逻辑信道并未占用单独的信道,是通过复帧映射到PDCH上。逻辑信道占用的PDCH数目可由PBCCH中的参数BS-PRACH-BLKS以及BS-PAG-BLKS来设定。而上下行每个方向的TBF数量上限为32个,通过调整PBCCH参数可以设置PCCCH信道映射的PDCH信道数量,进而确保PDCH信道TBF接入信令流的能力。

3 结 语

现网众多低速率业务占用了大量的网络资源,本文通过分析现网PDCH分配策略,总结并大胆地改进TBF分配算法,可适度缓解大量低速率业务对PDCH资源造成的压力,希望能对缓解现网资源压力起到一定作用。

摘要：EDGE业务的快速发展,导致2G网络综合利用率高位运行。通过对现网数据的分析,发现可以通过提高PDCH复用度以大幅节省载频资源。针对因大量低速率业务占用引起的PDCH信道承载速率低的问题,提出了一种新的TBF资源分配方法。通过此方法的应用,可缓解低速率业务带来的网络压力,提升PDCH承载速率,提高网络承载效率。

关键词：TBF,PDCH,低速率业务,数据速率

参考文献

[1]韩彬杰.GPRS原理及其网络优化[M].北京:机械工业出版社,2003.

[2]徐志坚,刘阳,胡丽娜.GPRS/EDGE无线信道配置方法[J].邮电设计技术,2008(8):65-67.

[3]吕鑫,王忠.GPRS数据传输模块的设计与实现[J].现代电子技术,2008,31(9):30-34.

[4]刘彩霞,刘波粒,李新民.从2G到3G演进的中介技术:GPRS[J].现代电子技术,2004,27(15):3-5.

[5]常波.无线局域网信道特性的研究[J].现代电子技术,2007,30(7):61-63.

复合制动系统制动力分配算法研究 篇2

复合制动系统制动力分配算法研究

针对电机液压复合制动系统的制动力分配问题,设计不同分配方法以满足相应的需求,针对各种分配方法提出了合理的制动力分配算法.同时基于Matlab/Simulink平台,建立了制动力分配模型对分配算法进行仿真,验证了分配算法的合理性.

作 者：肖琨 作者单位：同济大学中德学院,上海,04刊 名：北京汽车英文刊名：BEIJING AUTOMOTIVE ENGINEERING年，卷(期)：“”(2)分类号：U462.3+2关键词：复合制动 制动力分配 算法

分配算法 篇3

1网络结构

图1是网络物理结构的一个例子，虚线内为光传送网。图中有5个OXC：A，B，C，D，E；5个具有光接口的电设备：S1～S5；6个将OXC相连的物理链路：l1～l6。一般一条物理链路包含一对光纤供双向运用，有的OXC间没有物理链路相连。但更多的情况是一条物理链路包含多根光纤供不同方向运用。一根光纤上可采用多个波长。

一般情况下，OXC不直接和电设备相连，只起光交叉连接作用。

OXC可分为无波长变换和有波长变换(也可以是部分端口有波长变换或波长变换的范围有限)两种：无波长变换的OXC的作用是将一根输入光纤上的某一波长信号连到另一根输出光纤的同一波长上，即波长是连续的；有波长变换则是将一根输入光纤上的某一波长信号连到另一根输出光纤的另一波长上。适当地安排路由和分配波长，可为电设备间建立光路(opticalpath)。在一根光纤上，不能为不同光路分配相同波长。图2(a)为图1建立的光路例子。将图2(a)的光路连接用图2(b)来表示，称为逻辑结构，也称逻辑拓扑或虚拓扑。例如，图2(a)中，节点B与E间的光路是经节点A中的OXC转接的，在图2(b)中用O4表示。图2(b)中，O6、O4、O1都是中间有OXC转接的。O2、O3、O5是直接光路。

这样建立的光路对信号是透明的，即信号可以是任意方式。

实际设计中，一种需求情况是：提出所需建立的光路，为这种光路选取物理路由并分配相应的波长[1,2]。例如，图2(b)中提出要建立6条光路，图2(a)就是一种选路和波长分配方案。

网络向分组化发展，图1中的电设备可以是ATM交换机或IP路由器。例如，连在端口B2的路由器可以通过光路O6和连在端口C3的路由器相连。B2到C3可有多条路径，O6是最近的，也可以经过O4—O5—O3或O4—O5—O1—O2连接，但需要路由器转接，即电的多跳连接。A与B间没有光路，至少需经C电跳连接一次。

实际设计中另一种需求情况是：提出各路由器间的所需业务量强度；设计出逻辑拓扑并为其光路选取物理路由和分配波长[2－4]。与根据光路需求情况进行设计相比，增加了要考虑电的多跳。

下面分别叙述两种需求情况下的选路和波长分配(RWA)算法。

2基于光路的RWA算法

光路需求的提出有3类：静态的、递增的和动态的。静态RWA问题是预先给出多条光路连接需求，计算路由和分配波长。这种计算可以是离线(off－line)的，即不需要实时计算。在递增情况，光路需求逐条地提出，需要为每一条作实时在线RWA计算。光路数增加到一定值后，就不再增加。对于动态情况，光路需求逐条地提出，但一条光路持续一段时间后又被拆除，要为每一条作实时RWA计算。这里所谓的动态，实用中常是缓慢变化的，例如几小时甚至几天才有一次新的需求。后两类情况的RWA算法常相同，只是性能评价指标不同，将在2.2节合在一起叙述。

2.1基于光路的静态RWA算法

基于光路的静态RWA算法是给定多条光路的连接需求和物理拓扑后为每条光路选取路由并分配波长。设计时的优化目标可以是使所用的资源如波长数最小。这个优化问题可用整数线性规划法求解[1]。若OXC无波长变换，则将波长连续作为约束条件。这个问题的反过来是在一定的波长数下使连接的光路数最大。这种优化方法的复杂性随网络规模的增大而急剧增加，因此，工程上常将RWA问题拆成选路子问题和波长分配子问题，分两步求解。

(1)为每条光路选取路由

选路方案有两类：固定路由和备用路由(alternaterouting)。

固定路由是为每条光路选取一条固定的路由。通常可用熟知的最短路径算法。但是，最短路径算法的缺点是有时会使网络中某些部分过于拥挤，即某些光纤上经过的光路数过多，在波长数有限情况下会造成波长不够分配。改进的方法是采用能使负载平衡的选路算法。可以采用整数线性规划的优化方法使网络中一根光纤上的光路数尽量小，这为减小波长数创造了条件，但这种方法在网络规模较大时较复杂。为此，可采用使网络负载平衡的启发式路由算法。启发式算法是根据概念推出的优化算法，能得到较优的结果，但不一定最优。例如，可以按某种合适次序逐条地为光路选取路由，每一条均采用某种优化的动态路由算法[5]。

备用路由是为每条光路选取多条路由，最简单的方法是选取k条最短路径。为多条光路的一组路由分配波长时，若发生波长数不够用，则通过置换备用路由构成另一组路由，再分配波长，直到完成要求。如何从备用路由集选择合适的路由也是需要考虑的[2]。

(2)分配波长

若OXC没有波长变换，则波长分配的约束条件是每条经OXC连接的光路应是波长连续的，并且在一根光纤上不同光路需分配不同波长，优化目标是使采用的波长数量最小。这个问题可以转化为一个辅助图G(V,E)的着色问题[1]，V为节点集，E为边集。V中的每个节点相应于一条光路，这条光路如果和某些其他的光路处于同一根光纤内，则相应的节点间就有边相连。波长分配相当于为G的节点着色，约束条件是相连的节点不能采用同一颜色，优化目标是使采用的颜色数最小。这个着色问题已有有效的算法[1]，但较复杂。为了简化，可以采用一些启发式算法，对多条路由逐条分配波长。

2.2基于光路的动态RWA算法

对于上面讲过的递增情况，在给定的物理拓扑和最大波长数条件下，要为每一条新增光路选取路由并分配波长，优化目标为被拒绝(由于波长数不够)的百分比(相对于总增加数)尽量小；对于动态的连接请求和拆除情况，优化目标为被拒绝(或称阻塞)的概率尽量小。这两类情况的RWA算法是在线的，当网络规模较大时，为了减小复杂性，常将选路和波长分配分两步进行；当网络规模不太大时，可以采用分层图的方法将选路和波长分配合在一起考虑[6]。

若首先进行选路，可分为3类：固定路由、备用路由和自适应路由(自适应路由也可纳入前两类中，即只分成两类)。固定路由通常采用最短路径。备用路由可采用多条最短路径，在首条路由上波长资源不够时，换一条再试，与固定路由相比减小了阻塞率。采用最短路径的缺点是有时会使网络中某些部分过于拥挤，阻塞率加大。改进的方法是采用自适应路由[1]，在每次选路时，根据网络的状态，使各条光纤上的光路数尽量平衡。

选定一条路由后，要为它分配波长，有多种方法[1,2]。第一种方法是从该路由上已建光路所使用的波长之外，随机地另选一个波长，称为随机波长分配算法(R算法)；第二种是将波长编号，从低到高依次观察是否已在该路由上建光路使用，首先找到的波长就被使用，称为首先适合算法(FF)。仿真表明，采用FF算法的阻塞率比采用R算法时小。R和FF算法只考虑一条路由上的局部情形，还有一种最大－总数算法(Max－Sum)[1,2]，其思路是按分配波长后网络中仍可容纳的光路数最大为目标来分配波长。采用Max－Sum算法的阻塞率优于FF算法(但有时差别不大)，代价是增加复杂性。文献1还叙述了其他8种波长分配算法。

对于将选路和波长分配分两步进行的算法，仿真表明，影响阻塞率的主要是选路算法。好的选路算法会显著地减小阻塞率，而各种波长分配算法的性能差别不大。因此，在工程上可采用一种自适应路由算法加简易的FF波长分配算法。

采用分层图(layered－graph)的方法可以将选路和波长分配一步完成[6]。OXC中的光开关是空间域的连接，波长分配是频率域的连接，从提供通道的角度看，空域和频域的作用是一致的。分层图将空域和频域结合起来，绘出一张新的通道图，动态RWA问题成为在分层图中选取一条通道的问题。各种动态选路的算法都可考虑，目标是使阻塞率最小。仿真表明，采用较好选路算法的分层图法比将选路和波长分配割裂的方法阻塞率小。

3基于运送分组业务的RWA算法

图1所示是电设备(例如路由器或ATM交换机)通过光路进行连接。可以将所有的光路部分称为光层，其中有光交叉连接。如果光路已经给定，则分组业务运行遇到的是一般的选路问题，但是实用中会遇到给定各分组通信设备间的业务量矩阵，要设计光路结构(称为逻辑拓扑或虚拓扑)的问题[2－4,7]。对于电设备来说，最好是各自间都建有一条光路，但是，这样设计不经济。有的电设备间的连接可以经过其他的电设备转接，从而节省光路，图2(b)中A与B间就没有光路。基于运送分组业务的选路和波长分配(RWA)算法是根据运送分组业务的需求来设计网络，也可分为静态和动态两种。

3.1基于运送分组业务的静态RWA算法

基于运送分组业务的静态选路和波长分配(RWA)算法是在给定物理拓扑和各分组电设备间的业务量矩阵情况下设计网络，使网络性能和经济性尽量好。从理论上说，优先目标一直要考虑所用的光纤数最小，使用的波长数最小等问题，但是这样经常很复杂。可将问题割裂分为几步考虑，首先进行虚拓扑设计[3,4]，再为虚拓扑中的光路进行选路和分配波长，最后可能反过来对第一步设计进行调整。在设计中，也可以将光路的选路放在第一步中。

3.2基于运送分组业务的动态

RWA算法

在IPoverWDM网络中，可以采用MPLS(多协议标记交换)技术来实现业务量工程，解决有效利用网络资源和保证QoS(服务质量)的问题。在MPLS网络中，需在线建立保证带宽的路径，最好的解决方法是采用综合的动态IP与波长选路算法[8]。这种算法是将IP网络的QoS路由技术进一步推广到IPoverWDM网络。

4RWA设计中要考虑的附加问题

上面从概念上说明了有关RWA算法。最基本的情况是采用无波长变换的OXC，即对一条经OXC构成的光路有波长连续性限制。下面对引入波长变换、抗毁、服务策略等问题作概要叙述。

4.1波长变换问题

引入波长变换可使在一条光路上分配波长时更灵活，动态建立光路时阻塞率减小。引入波长变换与无波长变换相比的得益程度与具体情况有关，有时明显，有时并不明显。波长变换器价格较贵，而且技术上有限制。文献2中研究了各种不同的配置情况：网络中只有少数节点配置有完全波长变换的OXC，称为稀疏波长变换；OXC只有部分端口具有波长变换；波长变换范围有限，如只能在几个波长间变换。上述3种情况可相互组合。对于不同的配置，除了要解决RWA问题外，还要解决如何最佳配置问题。

4.2抗毁问题

光网络的抗毁十分重要。一种情况是只考虑光传送网本身抗毁，可以分成保护和恢复两种机制[9]：保护机制是为每一条工作光路准备一条备用光路，要求这两条光路不会在一根光纤断裂时同时失效，解决的算法类似于第2节中的备用路由算法；恢复机制是在网络有故障造成某一条光路失效时，根据网络状态实时地重新构造一条光路，这种方法实现较复杂，同时也需要网络有一定的冗余容量。

另一种情况是考虑IPoverWDM网络的抗毁，涉及光层和IP层，可参考文献9。

4.3服务策略问题

网络运行时可以引入各种策略，例如引入优先级，某些光路必须经过某节点，某些光路不能经过某节点等。要解决这些额外要求情况下的RWA算法[10]。上面4.1至4.3节叙述的问题可能同时存在，也需要有相应的RWA算法[11]。

5结束语

本文综述了WDM光传送网的RWA算法。可以看到，光传送网的RWA算法有多种应用情况，并要考虑多种问题，是较复杂的。今后人们还可能提出一些新的算法。算法研究如何投入工程应用，也需要做进一步的工作。□

参考文献

1 Zang H, Jue J P, Mukherjee B. A review of routing and wavelength assignment approaches for wavelength routed optical WDM networks. Optical Networks Magazine, 2000, 1(1): 47－60

2 徐世中,王晟,李乐民. DWDM光传送网中选路和波长分配. 通信学报, 2001, 22(4): 51－57

3 Leonardi E, Mellia M, Marsan M A. Algorithms for the logical topology design in WDM all optical networks. Optical Networks Magazine, 2000, 1(1): 35－46

4 Dutta R, Rouskas G N. A survey of virtual topology design algorithms for wavelength routed optical networks. Optical Networks Magazine, 2000, 1(1): 73－89

5 Kodialam M, Lakshman T V. Minimum interference routing with application to MPLS traffic engineering. IEEE INFOCOM, Tel－Aviv, Israel, 2000

6 Xu S, Li L, Wang S. Dynamic routing and assignment of wavelength algorithms in multifiber wavelength division multiplexing networks. IEEE J, Selected Areas in Commun, 2000, 18(10): 2130－2137

7 Harai H, Kubota F, Nakazato H. Design of reconfigurable lightpaths in IP over WDM networks. IEICE Trans Commun, 2000, E83－B(10): 2234－2244

8 Kodialam M, Lakshman T V. Integrated dynamic IP and wavelength routing in IP over WDM networks. IEEE INFOCOM, Anchorage, Alaska, 2001

9 王烨,李乐民,王晟. IP over WDM网络结构和生存性研究. 电信科学, 2000, 16(11): 25－30

10 何荣希,李乐民,徐世中. WDM光传送网中支持优先级的波长分配算法. 通信学报, 2001, 22(3): 27－32

11 王烨,李乐民等. 抗毁WDM网络中支持多优先级的波长分配算法. 电子学报, 2001, 29(1): 27－31

(收稿日期：2001－09－05)

作者简介

分配算法 篇4

关键词：无线传感网络,ZigBee,地址分配算法,树路由,负载均衡

0 引言

Zig Bee协议默认的地址分配算法为分布式地址分配算法(Distributed Address Assignment Mechanism,DAAM)[1]。地址分配算法为每一个路由器节点预留一个网络内部唯一的地址块。通过分布式地址分配算法(DAAM)分配给节点的地址空间是固定的,直到节点离开网络,这些地址资源都只能被它自己使用而不能用来和别的节点共享。虽然预留地址空间使得网络的可扩展性可以得到部分的保证,但是这种算法在节点分布不均的时候面临这样的问题:网络中某些路由器节点的地址空间已经用完,而另外的节点地址空间还有大量的富余。

同时,DAAM分配的地址呈规律性。包含了“地址—位置”的对应关系。即可以从节点的地址,再结合网络的参数配置,就可以判断节点之间是否存在父子关系。而这正是Zig Bee网络树路由的基础。但是树路由没有考虑节点的负载均衡,对于能量受限的Zig Bee节点,负载不均衡将导致网络寿命的缩短。

本文的研究目标有两个,一个是为了解决上边提及的地址空间利用不平衡的问题。同时,为了能够继续使用树路由,算法改进的时候应该尽量不改变网络地址包含的“地址-位置”关系。第二个研究目标是均衡路由节点负载,推迟网络分割的到来。

1 Zig Bee地址分配算法和路由算法简介

Zig Bee节点按照角色可以分为协调器、路由器和终端节点[2]。协调器负责网络的初始化和维护;路由器负责数据的采集和传输;终端节点负责数据采集。

1.1 分布式地址分配算法简介

分布式地址分配算法(DAAM)是Zig Bee协议默认的地址分配算法。协调器建立网络时定义了网络的父节点可以连接的最大子节点数Cm、网络的最大深度Lm和父节点可以连接的最大的路由节点数量Rm。分布式地址分配算法通过一个函数来计算父节点分配给拥有路由功能的子节点的地址块的大小。地址块大小的计算方式如公式(1-1)所示。其中,d表示当前节点的深度。

新节点加入网络时,父节点根据类型为其分配地址。子节点为路由器和终端节点时,地址分别通过公式(1-2)和(1-3)计算得到。

其中,m的取值范围是1到Cm-Rm,代表父节点的地址。

1.2 树路由算法简介

DAAM算法分配的地址包含“位置-地址”对应关系,使用树路由的时候不需要复杂的路由控制分组就可以完成路由过程[3]。具体的,地址为A,深度为L的节点收到一个目的节点地址为B的数据以后,先判断B的范围,如果A

反之,如果A

2 Zig Bee地址分配算法改进

为了解决地址空间利用不均衡的问题,有人提出了借地址的算法,这类算法在地址空间不足的情况下向协调器申请空闲的地址[4],或者地址空间不足的父节点根据剩余地址节点的优先级发出申请并且分配空闲地址空间[5],或者发送广播向周围有空闲地址的路由器借地址[6]。这些算法都可以提高节点的入网率,但是并不能完整的保留原有的“位置-地址”关系,增加了树状网络的冗余路径,所以在树路由算法中会增加额外的路由开销,并且节点需要存储相应的地址信息。

2.1 分布式地址分配算法简介

本文提出的算法以DAAM算法为基础进行改进,除协调器外,每个节点维护一个备选父节点表用于保存邻居节点中有地址分配能力的节点作为备选父节点。地址空间不足的路由器可以通过让子节点加入其备选父节点的办法获取空闲地址空间,一定程度上缓解地址空间不能得到充分利用的问题。以图1为例:

框中的数字表示节点的编号,黑色的线相连表示父子关系,黄色的线表示想要加入网络但是没有足够的空闲地址,红色的线表示备选父节点。

网络的参数分别为Cm=5、Lm=5、Rm=3。节点1到节点5已经组成了一个网络,此时节点6想要加入,但是他的潜在父节点只有一个节点1,而且此时节点1已经没有空闲地址了。于是节点6向节点1发起地址调整请求,节点1收到后给自己的孩子节点发送询问;节点4通过查询发现自己的备选父节点表里除了节点1还有一个节点5,于是给节点1应答。节点1收到4的应答后发消息给节点4让他通过备选父节点5重新加入网络,同时将节点4的地址分配给节点6。

2.2 算法仿真与结果分析

仿真工具采用OMNET++4.2.2,操作系统是ubuntu11.04。网络参数的设置为:通信范围:300m*300m,协调器节点处在中心位置,节点的位置是随机的,节点的类型也是随机的,其中路由器节点的比例为40%,剩下的是终端节点。仿真的时候借助第三方的软件包Mi Xi M提供的基于802.15.4的MAC层和PHY层。数据的传输速率为250Kbps。网络参数的设置为Cm=5,Rm=2,Lm=5。以SLAR[7]算法和DAAM算法作为对比,改进的地址分配算法的仿真结果如图2所示。

从仿真结果可以,节点数目在10以下的时候三者的性能是一样的,这是由于我们的节点位置是随机的,所以当节点数目过少的时候大部分的节点都没有办法连接网络。当节点数目大于20以后,改进的算法与DAAM算法相比,可以获得不小于11%的性能提升。而SLAR算法由于减小了网络深度,入网率显著下降。

3 Zig Bee树路由算法能量均衡研究

树路由算法简单,没有复杂的控制开销,所以很适用于节点的能量和存储空间都有限的Zig Bee网络。考虑到大多数情况下,Zig Bee网络的数据都是由节点采集并且传递给网络的协调器节点这样一个应用的特点,很显然网络深度越低也就是越靠近协调器的节点需要转发的数据量将越大。这样的后果是使得越靠近协调器的节点将因为能量的耗尽而越早离开网络造成网络分割,缩短了网络的寿命。

3.1 树路由算法的能量均衡改进

为了延迟网络分割的到来,我们提出了基于改进的分布式地址分配算的负载均衡的树路由算法。这个算法在原来的基础上增加了流量调整的过程,以图3为例进行说明:

红色的线表示一个节点是另一个节点的备选父节点备选父节点,黑色的线表示节点父子关系。

组网完成以后,假设数据发送的周期相同,并且数据都是发送给协调器的。如果每个节点的流量设为1,那么节点1的负载是4,而节点2的负载只有2.显然的,经过一段时间以后,如果节点1能量耗尽离开网络,那么节点3和6也将离开网络而造成网络分割。如果引入负载均衡的树路由算法,协调器将发起流量调整的过程。这时节点1通过查询知道节点4还有备选的父节点,于是与节点4这个子节点解除父子关系,节点4通过节点5重新加入网络,这样一来节点1和2的流量就都变成了3,于是达到了负载均衡的目的。

3.2 算法仿真与结果分析

仿真条件:节点数量为40,节点开始的时候能量都是1000单位。同时假设节点接收一次数据耗费的能量为1个单位,发送一次数据消耗的能量是2单位。所有在网络中的节点都以10s为周期发送数据。由于节点能量消耗主要集中在数据传输上[8],所以假设收发数据耗费的能量就是总的耗能。其它参数与上一章的设置相同。仿真结果如图4所示。

图中红色的线表示原算法死亡节点数随时间变化的情况,可见由于没有考虑能量均衡,负载较重的路由器节点在270s左右就死亡了,由此造成了一大批节点离开网络。而绿色的线表示改进的算法。可以看出,负载均衡的树路由算法由于考虑了能量均衡,网络直到370s左右才有节点开始离开网络。因此改进算法对网络寿命的延长是很显著的。图中,时间大于1000s以后曲线重合了,这是因为这个时候除了直接连接在协调器上的节点,其他节点都已经离开网络。这部分直接与协调器相连的节点直到自己的能量耗尽才离开网络。

4 结论

本文对Zig Bee的分布式地址分配算法进行了改进。改进的地址分配算法通过与邻居节点进行协商,从而提高地址空间利用率,进而提高节点的入网率。本文在此基础上进一步提出了负载均衡的树路由算法。当节点负载过重的时候,将发起一个负载调整的过程从而使得节点负载趋于均衡,以达到延长网络寿命的目的。仿真结果表明,改进的地址分配算法可以显著的提高节点的入网率;负载均衡的树路由算法可以延长网络寿命。

参考文献

[1]ZigBee Alliance,Document053474r17-2008.ZigBee specification[s].San Ramon:ZigBee Alliance Inc.2008.

[2]Pan Meng-Shiuan,Tsai Chia-Hung,Tseng Yu-Chee.The orphan problem in ZigBee wireless networks[J].IEEE Transactions on Mobile Computing,2009,8(11):1573-1584.

[3]Seong Hoon Kim,Yong Soon Choi.Mesh Routing Protocol using Cluster Label in the ZigBee Network.[A].Kwang Koog Lee.2006IEEE International Conference on Mobile Ad-Hoc and Sensor System[C].New York:IEEE Press,2006.801—806.

[4]ROY U K.Address borrowing in wireless personal area network[A].GIRI D.2009IEEE International Advance Computing Conference[C].New York:IEEE Press,2009.18l—l86.

[5]Wang Jian,Xu Xian Ghua.A Preemptive distribution address assignment mechanism for wireless sensor networks[A].Fang MiaoQi.Proceedings of the4th Interrnational Confernce on Wireless Communications,Networking and Mobile Computing[C].dalian:IEEEPress,2008.l-5.

[6]Pottie GJ,Kaiser WJ.Wireless integrated network sensors[J].Communications of the ACM,2004,43(5):51-58.

[7]ROY U K Single level address reorganization in wireless personal area network[A].GIRI D.4th International Conference on Computers and Devices for Communication[C],Kolkata:IEEE Press,2009.1-4.

分配算法 篇5

运输网络转运结点有容量限制的最大流分配算法

对运输网络转运结点有容量限制的最大流分配一般是用结点一分为二的方法,但在大型、复杂的运输网络中,当有容量限制的结点很多时,这种方法将会使运输网络变得更加庞大,流量分配的`过程变得更加繁琐.通过分析容量限制结点的特点,基于寻找增流链的算法,构造了基于大型、复杂运输网络中结点有容量限制的最大流分配算法.利用此算法,可以解决大型、复杂运输网络中容量限制的结点很多时的最大流分配问题,此算法也为解决实际的运输问题提供了应用基础.

作 者：寇玮华 李宗平KOU Wei-hua LI Zong-ping  作者单位：西南交通大学,交通运输学院,成都,610031 刊 名：交通运输工程与信息学报  ISTIC英文刊名：JOURNAL OF TRANSPORTATION ENGINEERING AND INFORMATION 年，卷(期)：2008 6(4) 分类号：V121 关键词：大型复杂运输网络   最大流分配   结点容量限制   增流链   Ford-Fulkerson算法  

分配算法 篇6

(上海海事大学科学研究院，上海 201306)

0 引言

堆场空间资源配置问题(Storage Space Allocation Problem，SSAP)主要是指根据堆场分类的标准和堆放原则合理确定进出口集装箱的箱区堆存数量并安排箱位.ZHANG等［1］利用滚动计划法解决进出口、中转箱的堆场空间分配问题，可大大减少堆场不平衡的工作量，有效避免码头运作过程中可能出现的瓶颈;EBRU等［2］将进口箱SSAP和场桥调度问题结合起来进行整体研究;FU等［3］考虑不同数量、大小的集装箱以及空间资源分配在计划期不同时间内的变动，研究SSAP，运用禁忌搜索算法、模拟退火算法、遗传算法(Genetic Algorithm，GA)和“squeaky wheel”优化算法求解模型;王斌［4］应用数学规划的方法求解分配到各箱区贝位的箱数，进而用线性规划法求解一个周期内每艘船要分配到各箱区贝位的箱数，降低集卡从堆场到码头前沿的行走距离，提高堆场的操作效率;李建忠等［5］在滚动计划的基础上建立集装箱堆场空间资源动态配置模型，使集卡行驶距离减少20%左右，集卡使用效率得到很大提高;陈庆伟［6］以贝位为对象，根据混合堆存策略，考虑不断变化的堆存状态和操作难度，为每一个动态到达的出口箱安排位置，以便使装船作业期间前方堆场取箱时的倒箱次数最少;陶经辉等［7］建立进出口箱堆存的数学模型，解决集装箱工作量平衡问题及箱组间平衡优化问题，用启发式算法求解数学模型，并用深圳蛇口集装箱码头实际数据仿真验证模型;白治江等［8］建立堆存空间分配的线性整数规划模型，并用滚动规划的方法解决堆场存储空间的分配方案，结果表明，模型求解时间短，能有效降低堆场中的负载不平衡问题;白治江［9］将集装箱存放空间的分配决策从逻辑上分解为箱区分配、集卡指派和箱位分配等3个目标一致的子决策，其目标是使设备空闲时间最少、翻箱总数最少、道路拥堵程度最低;严伟等［10］以降低存放处到泊位的水平运输距离和平衡堆场内作业量为目标，达到提高装船效率和降低成本的要求，建立滚动式计划的出口集装箱堆场分配模型.

本文提出用矩阵式遗传算法(Matrix Genetic Algorithm，M－GA)求解基于作业面的堆场空间资源分配模型，并在模型中综合考虑场桥因素，重点在于应用矩阵式编码方式，使GA可以迅速求得可行解.

1 问题描述

船舶依次进港并带来集装箱的箱流.每艘船都在指定的时间到港，并且已经确定将要卸船和装船的集装箱箱量.本文在计算集装箱数量时区分进口箱和出口箱，并始终使用TEU作为数量单位.船期直接确定进口箱的到达时间和出口箱的离开时间.因此，可以提前确定对这两种类型集装箱的作业(用龙门吊和岸桥)时段.

堆场空间资源分配的施行就是在基于作业路考虑集装箱整体运输距离的基础上，平衡各个场桥的工作量，预计各个计划时段进入堆场的集装箱并完成箱区分配.本文所研究的堆存问题的规模由作业路数、箱区数量以及场桥数量共同决定，港口实体布局示意图见图1.

图1 港口实体布局示意图

考虑到船舶的大型化趋势，大型集装箱港口在对船舶作业时采用多条作业路的并行作业方式.因此，应用基于作业路的堆场空间分配策略，实现并优化堆存方案.

港口堆场中90%的堆存安排工作量来自等待进场的集装箱，仅仅是在倒箱和整理堆场时会对出口箱做堆存安排.因此，重点研究进口集装箱.

对于确定的船舶和计划时段，集装箱的信息是已知的.因此，只要给定该船的装卸量，就可以推断出其在任意时段内的作业量.通过岸桥的分配，可以确定船只的作业路数及各条作业路的工作箱量.因此，本文针对一个特定的作业时段研究进口箱的分配方案.对于整个计划周期，在每个时段只要循环使用分配策略就可求得该时段的堆存方案.

对于场桥，跨行作业所需的运行时间要比同行作业大得多，因此在场桥不跨行作业的基础上求解堆存方案，即某一行箱区的可用场桥只是当前作业时段开始时刻已经在该行的场桥.例如，图1中箱区1，2，3和4的可用场桥为场桥1和2.根据测算，场桥的起升频率是50次/h.因而，可以计算得到每个场桥在某个作业时段内的最大工作量.

2 基于作业路的堆场空间资源动态配置数学模型建立

2.1 相关假设

某一天内所有靠港船舶的停靠泊位和卸载进口箱量已知;该天每艘船开通的作业路数及各作业路的任务量已知;堆场拥有足够的内集卡，且内集卡、场桥每次只处理一个集装箱;不考虑集装箱的箱型和重量，所处理的集装箱尺码统一为20英尺.

2.2 模型建立

2.2.1 参数定义

B为堆场的箱区总数;V为一天内要卸货的船数;l为船的作业路数;i为箱区序号;j为船舶序号;p为作业路序号;Ci为箱区i的可用空间(每个集装箱占用一个空间);Ejp为船舶j第p条作业路卸载的进口箱堆存的最多箱区数;Yjp为船舶j第p条作业路卸载的进口箱量;dij为箱区i与船舶j停靠泊位间的距离;Xij为箱区i堆放船舶j的进口箱量;M为一个大数.

2.2.2 决策变量

Xijp为箱区i堆放船舶j第p条作业路卸载的进口箱量;当Sijp=1时，表示箱区i堆存船舶j第p条作业路卸载的进口箱;当Sijp=0时，表示箱区i未堆存船舶j第p条作业路卸载的进口箱.

2.2.3 目标函数及约束条件

目标函数(1)表示船舶j的进口箱的卸箱总距离最小.约束(2)表示船舶j第p条作业路卸下的进口箱量等于分散在各堆存箱区的箱量之和;约束(3)表示箱区 i堆存的船舶j进口箱量等于该船各条作业路卸至该箱区箱量之和;约束(4)表示箱区i堆放的所有船的进口箱总数小于其容量;约束(5)用于判断箱区i是否已堆放船舶j第p条作业路卸载的进口箱;约束(6)表示箱区i只能堆放船舶j一条作业路的进口箱，或者不堆放船舶j的进口箱;约束(7)表示船舶j第p条作业路卸载的进口箱堆放的箱区数小于给定的最多箱区数.

3 M－GA 的实现

GA实现最重要的一步是解的表示，也就是对染色体的设计.因此，为了快速找到可行解，并高效搜索到最优解附近，本文运用M－GA［11］求解堆存问题.

3.1 基于矩阵的染色体设计

3.1.1 编码

以矩阵构造满足系统约束条件的某一堆存计划的染色体，第p个染色体矩阵为

3.1.2 生成初始解群

生成初始解的步骤为

步骤1判断作业路是否全部遍历:是则初始解构造完毕;否则选择一个作业路i.

步骤2任选2个箱区1和2，判断箱区剩余容量之和是否大于所选作业路的需求:是则进入步骤3;否则重做步骤2.

步骤3比较作业路i的需求与箱区1的容量:若箱区容量大于作业路需求，则将作业路i的需求全部分配给箱区1;若作业路i分配给箱区1的箱量等于箱区1的容量，则作业路i分配给箱区2的箱量等于作业路i的需求减去箱区1的容量.

步骤4重新计算箱区1和2的容量.

步骤5遍历任选2个箱区的所有组合:对于作业路i+1，若满足所有条件，进入步骤(1)再生成;若没有任何组合的容量和大于需求，则重新构造.

3.2 M-GA设计

3.2.1 交叉算法

步骤1由父代染色体X1和X2组成两个矩阵D=(dij)和R=(rij).

步骤2将矩阵R分解为R1=()和R2=)，R=R1+R2.

步骤3生成两个子染色体X'1，X'2.

3.2.2 变异算法

步骤1根据父染色体矩阵构造子矩阵.随机选取行{i1，i2，…，ip}和列{j1，j2，…，jq}，生成(p·q)型的子矩阵Y=(ykl).

步骤2重新分配子矩阵的元素.被重新分配的元素总和

步骤3将重新分配的子矩阵Y放回父染色体矩阵原来的位置，从而生成新染色体.

3.3 父代选择策略

采用轮盘赌方式产生与种群相同数量的染色体即为下一代.

3.4 结束规则

如果迭代到最大一代(Gmax)，则停止;否则进入下一代，转第3.2节.

4 算例与结果分析

首先利用上海张华浜码头的案例验证本文所建模型和GA的有效性，并分析所提出的M－GA的性能，然后比较M－GA与传统求解方法的优劣.

为了更好地理解和验证本文所提出模型的准确性，针对该实际案例在模型中忽略靠泊时间.本次试验计算得出一个计划周期内的一个时段的堆存方案，在现实中将其多次循环，就能得到整个计划周期的堆存方案.

4.1 输入参数

所研究的堆存问题的规模由作业路数、箱区数量以及场桥数量共同决定.算例初始参数的示例见表1～4.

4.2 结果分析

4.2.1 M－GA策略比较分析

4.2.1.1 初始解群分析

通过研究发现，初始解群的构成对M－GA的搜索效率有很大影响.最初，使用纯左上角法构成解群，结果不令人满意，算法需要搜索25万代才能到达最优解附近;然后，在生成初始解群的算法中加入相类似的左下角法、右上角法以及右下角法，并用随机选取的方式确定初始解群中某个解的生成方法，之后算法的收敛速度有所增加，但还是要在10万代左右才达到收敛;之后，又在初始解群中加入一半的随机解来满足解群的多样性需求，这样生成初始解的策略可大大提高算法的搜索效率，在1万代左右即可趋向收敛.M－GA收敛比较示意图见图2.

表1 计划周期内船舶的相关数据 TEU

表2 当前计划时刻的堆场容量 TEU

表3 计划周期内各场桥的相关信息

4.2.1.2 交叉变异算法分析

在选择交叉和变异策略时发现，不同的交叉变异策略对最终求解得出的堆存分配方案效果有很大影响.最初，选用自然交叉策略和自然变异策略，即在交叉算法中从两个父代染色体矩阵随机挑选矩阵元素做随机互换操作，构成子代染色体;在变异算法中，对父代染色体矩阵的子矩阵做随机自然数变换.计算结果表明，算法得到的最终解与最优解的误差在10%以上，堆存方案不太理想.之后，通过对矩阵结构的分析，使用第3节中所描述的交叉变异算法，得到的最终解与最优解的平均误差在4%以内.上述两种方案的堆存效果见图3～6.在堆场容量图中，上方为岸线，箱区中显示当前该堆场的使用率(填满为100%，空白为0).从图中可见，使用本文提出的交叉和变异算法后，各场桥的作业量较为平均，集装箱的堆存更为靠近岸线，运输总距离较短，更符合堆存数学模型的目标.表5中给出使用矩阵约束交叉变异算法后的计算结果.

表4 箱区与泊位距离 m

图2 M-GA收敛比较

图3 计划前堆存情况

图4 计划后使用自然数变异算法后的堆存情况

4.2.2 算法优势分析

通过改变控制参数来控制问题的规模，用20个规模不同的算例比较本文所提出的M－GA和传统求解方法的优劣.对于小尺寸的案例，试验中在一台装有Intel双核P8600@2.6 GHz处理器和2 GB内存的个人电脑上，用Gurobi 400求出最优解.然而，想在合理的时间内利用规划求解的方法求解出一个大尺寸案例的最优解是不可能的.本文用M－GA求解所有案例，在合理的时间内可以得到较优值.在实验中用M－GA对每个案例都求解50次，并将M－GA目标函数值的均值与Gurobi的计算结果之间的相对误差(GAD)列于表6和7中.用Gurobi求解大型问题最优解的时间接近3 h，这些最优解也列在表6和7中.然而，超大型案例在3 h的求解以后，用规划求解的方法找不到可行解，只列出M－GA的求解结果.MGA的计算时间根据M－GA求得最优解的质量确定，在本次试验中，当M－GA趋向收敛时计算即终止.

图5 计划后使用矩阵约束交叉变异算法后的堆存情况

图6 场桥作业量甘特图对比

表5 矩阵约束交叉变异算法堆存分配结果

表6 小型案例最优值与M-GA值的比较

图8 Gurobi与M-GA计算时间对比

在图8中，对比M－GA与Gurobi的计算时间.可见，随着计算量的增加，Gurobi的求解时间呈指数增长，而M－GA的计算时间基本不变.

5 结束语

用M－GA解决针对集装箱港口的空间资源分配扩展问题(堆存问题).不仅考虑原有条件，也考虑场桥的初始位置及场桥的数量，使在场桥调度中各条作业路的任务都能在计划周期内完成.本文求解出一个典型案例的最优解，从而验证所提出的数学模型和M－GA的有效性.用20个不同规模的案例比较M－GA和传统求解方法的优劣，结果发现，M－GA的结果与目标函数最优值有4%左右的误差.

表7 大型案例最优值与M-GA值的比较

［1］ZHANG Chuqian，LIU Jiyin，WAN Yat－Wah.Storage space allocation in container terminals［J］.Transportation Res:Part B，2003，37(10):883－903.

［2］EBRU K，BISH.A multiple－crane－constrained scheduling problem in a container terminal［J］.Eur J Operational Res，2003，144(1):83－107.

［3］FU Z，LI Y，LIM A，et al.Port space allocation with a time dimension［J］.J Operational Res Soc，2007(58):797－807.

［4］王斌.集装箱堆场基于堆存的滚动式计划堆存方法［J］.系统工程学报，2005，20(5):466－471.

［5］李建忠，丁以中，王斌.集装箱堆场空间动态配置模型［J］.交通运输工程学报，2007，7(3):50－55.

［6］陈庆伟.基于遗传算法的堆场贝位分配优化问题研究［D］.青岛:青岛大学，2007.

［7］陶经辉，汪敏.基于堆存模式的集装箱堆场区段分配［J］.系统工程与理论，2009，29(8):185－192.

［8］白治江，王晓峰.基于负载平衡的堆存空间分配优化方案［J］.上海海事大学学报，2008，29(3):60－64.

［9］白治江.动态负载下堆场资源规划的在线决策［J］.上海海事大学学报，2010，31(3):52－57.

［10］严伟，谢尘，苌道方.基于并行遗传算法的集装箱码头堆场分配策略［J］.上海海事大学学报，2009，30(2):14－19.

基于信道性能的频谱分配算法 篇7

参考文献[2]提出了颜色敏感图着色 (CSGC) 频谱分配算法, 考虑了各信道间的干扰性以及频谱效益的差异性, 使网络总效益最大化, 但是其未考虑信道性能等因素对实际应用的影响。在实际应用中, 主用户PU (Primary User) 的接入具有时变特性, 当主用户到达时, 若次用户SU (Secondary User) 没有及时撤离, 则会对主用户的通信产生干扰, 这就要求次用户进行频谱切换或中断。频繁的频谱切换会增加系统的感知时间、执行切换的次数, 也会增加次用户的等待时长, 降低系统性能[5]。参考文献[6]提出考虑了信道可用率的频谱分配算法, 但是其没有考虑到次用户传输时间对可用率的影响, 次用户所需的传输时间越长, 信道相对可用率越低;其次, 也没有考虑到信道衰落因子这个因素。信道衰落因子的大小会直接影响到信道的信噪比、检测概率[7]以及误码率, 继而影响到系统实际的效益值。综上所述, 次用户需要根据主用户的信道特性, 结合自身业务量的大小, 选择合适的信道进行传输。

本文利用ON-0FF模型对授权信道使用情况进行建模, 采用基于次用户业务时间的相对频谱利用率、信道衰落因子来衡量信道性能, 最后结合CSGC[8]算法进行频谱分配, 该算法可以在提升实际总效益的同时, 降低信道的切换概率以及误码率。

1 问题描述

如果把主用户在授权信道上的通信活动看成是ON与OFF两个状态交替出现的更新过程, 即ON-OFF模型, 假设共有M个信道, 则对于信道m (1≤m≤M) , Tmoff表示信道空闲状态的持续时间, 其服从参数为λm的负指数分布:

同理, 信道忙碌状态的持续时间Tmon服从参数为μm的负指数分布:

其状态转移图如图1所示。

若t=0时刻信道处于空闲状态, 则根据马尔科夫链以及更新公式[9]可得信道m的瞬时可用率为:

信道m的平均可用概率为:

信道平均可用概率是指频谱空穴出现、可被次用户使用的概率。参考文献[6]根据信道平均可用概率式 (4) 的大小来优化CSGC算法中的信道效益矩阵。但是, 参考文献[6]没有考虑到次用户本身的传输时间对可用概率的影响, 即没有由传输时长和频谱空穴时长综合决定次用户的信道选择。

设次用户n的业务时间为Tn, 则称次用户n在信道m上完成传输的最小概率为相对信道可用概率Pn, m:

频谱空洞时变特性对不同的次用户有差异。信道相对可用概率是指频谱空穴被某个次用户使用, 使次用户在此频带上能够完成传输的概率, 即在业务完成之前不发生切换的概率。信道相对可用概率越高, 则意味着次用户在数据传输中切换的概率越小、切换次数越少, 由此切换成本降低, 实际效益得到提高。

设本文采用BPSK调制, 则次用户n在信道m上进行传输时的误码率、实际效益、检测概率分别为:

其中, Pn, mG、hn, m分别为次用户n在信道m上的发射功率以及信道衰落因子 (信道增益) , Qn, m (·) 为泛化Q函数, λ为频谱感知判决门限。Pn, mG与次用户和主用户的相对距离有关, 这里不做讨论。

在以往的频谱分配文献中, 都没有考虑信道衰落对频谱分配的影响。从式 (6) 、 (7) 、 (8) 可以看出, BER的大小与信道衰落因子有关, 衰落越明显, 误码率越高。衰落越大, 实际效益值越低, 检测准确率越低。

因此, 在进行频谱分配的过程中, 需要考虑到相对信道利用率以及信道衰落因子这两个因素。

2 基于信道性能的CSGC算法

一般图着色模型建模如下:其中n表示次用户 (1≤n≤N) , m表示信道 (1≤m≤M) , N、M分别为认知网络中次用户数量和授权信道数量。

(1) 空闲矩阵L。L={ln, m|ln, m∈{0, 1}}N×M, 即次用户可使用的频谱矩阵。当ln, m=1时, 表示次用户n可以使用信道m, ln, m=0, 表示不可用。

(2) 效益矩阵B。B={bn, m}N×M, bn, m表示次用户n使用信道m给系统带来的效益。LB={ln, m·bn, m}, 当ln, m=0时, 表示信道不可用, 实际效益为0。

(3) 干扰矩阵C。认知用户在使用相同信道时可能会互相会产生干扰。C={cn, k, m|cn, k, m∈{0, 1}}N×N×M, cn, k, m=1表示次用户n和次用户k同时使用信道m时会产生干扰, cn, k, m=0表示不会产生干扰。

(4) 无干扰分配矩阵A。A={an, m|an, m∈{0, 1}}N×M, an, m=1表示信道m被分配给次用户n。矩阵A必须满足无干扰条件:

不同次用户在不同频带上的可用信道性能不同、衰落因子不同、理想效益不同, 因此, 在实际应用中, 要考虑各个方面因素的影响。由此提出基于信道性能的CSGC频谱分配算法。

R为实际效益矩阵, 本文将R矩阵表示成信道相对可用率Pn, m以及信道衰落因子hn, m两个因素的函数, 如式 (9) 所示:

其中, rn, m表示次用户n在信道m上获得的实际效益值, 即综合考虑了两个因素后的效益。因此, 其目标函数为:

本文采用协作式最大化总带宽 (CMSB) 准则[2], 使得节点可取得协作最大总效益, 标记为labeln*:

其中Dn, m为信道m上与用户n有干扰的用户个数,

本文所提出的基于信道性能的CSGC频谱分配算法流程如图2所示。

3 算法仿真与性能分析

本节分析比较未考虑信道性能的CMSB算法[2], 只考虑信道利用率[6]的方法和本文提出的基于多种信道性能的频谱分配算法在切换概率、误码率、实际总效益等方面的性能。

取信道数目M=10, 次用户数目N为1~10, 每个信道随机生成500组次用户到达率和离开率, 0≤λm, μm≤1, m=1, 2, …10, 次用户n (1≤n≤N) 的业务量传送时间都设为500 s。图3 (a) 、 (b) 分别给出了参考文献[2]、参考文献[6]算法以及本文算法的切换概率和误码率。实验取200次仿真结果的平均值。从图3可以看出, 虽然本文算法的切换概率略低于只考虑切换概率的信道选择算法, 但误码率明显低于后者。

取信道数目M=10, 次用户数目N为10, B、L、C矩阵根据参考文献[10]附录产生, 图4 (a) 、 (b) 分别给出了本文算法与参考文献[2]和参考文献[6]算法在50次试验中实际效益值的比较。从图中可以看出, 本文算法的实际效益值高于后两种算法。

本文主要研究信道状态转换概率、衰落因子以及次用户通信时间对整个系统实际总效益的影响。仿真结果表明, 该算法在降低系统整体切换概率、误码率的同时, 提高了系统实际总效益。

摘要：频谱分配是认知无线电的关键技术之一, 各授权信道的可用概率与授权用户的到达率以及次用户业务量传送时间有关, 并且实际效益还与该信道的衰落因子相关。提出了基于以上信道性能的CSGC频谱分配算法, 该算法通过优先分配相对信道利用率高、信道衰落小的信道, 达到最大化实际总效益的目的。仿真结果表明, 该算法是有效的。

关键词：相对信道利用率,认知无线电,信道衰落因子,CSGC

参考文献

[1]Federal Communications Commission.Spectrum Policy Task Force Report[R].ET Docket, 2002, 02-135.

[2]Zheng Haitao, Peng Chunyi.Collaboration and fairness in opportunistic spectrum access[C].IEEE International Conference Communication.May 2005:3132-3136.

[3]Zhang Dongmei, Xu Youyun, Cai Yueming.Liner water filling power allocation algorithm in OFDMA system[J].Journal of Electronics&Information Technology, 2007, 29 (6) :1286-1289.

[4]DIRK H H.Ensemble modem structure for imperfect transmission media[P].U.S.Patent 4679227, 1987, 4731816, 1988 and 4833796, 1989.

[5]HAUSI C, HAGENAUER J.Iterative network and channel decoding for the two-way relay channel[C].Proc.of IEEE ICC’06.Istanbul, Turkey:IEEE, 2006:11-18.

[6]张伟卫, 赵知劲, 王海泉.一种结合信道性能的频谱分配算法[J].现代电子技术, 2010, 33 (23) :49-51.

[7]TEVFIK Y, HUSEYIN A.A survey of spectrum sensing algorithms for cognitive radio applications[C].in Proc of IEEE Conference on Communications, 2009:116-122.

[8]Peng Chunyi, Zheng Haitao, Zhao Ben Y.Utilization and fairness in spectrum assignment for opportunistic spectrum access[C].IEEE International Conference on Communications (ICC) , 2006, 11:555-576.

[9]HAUSL C, DUPRAZ P.Joint network-channel coding for the multiple-access relay channels[C].Proc.of Intern.Workshop on Wireless Ad-hoc and Sensor Networks (IW-WAN) , New York, USA:IWWAN, 2006:19-22.

基于动态门限的波长分配算法 篇8

动态门阈值T (i, j) 定义为在时刻tj时, 波长子集W Pi相对应的的门限值, 它是依据波长实时使用状态, 即波长tj时刻的占用情况来计算:

其中, μ>1 (常数) , 动态门限阈值和μ值可以通过神经网络预测器和遗传算法求出。

1波长集的划分

假设全部光纤的连接都是双向连接, 并且可用的波长数目{λ1, λ2, …λw}均相同。连接请求分为m个等级, 分别对应m个优先级{P1, P2, Pm}, 并且从P1到Pm的权限越来越弱, 即P1的权限最高, Pm的权限最低。即首先到来的连接请求权限最高, 最后到来的连接请求权限最低。把这些波长数目{λ1, λ2, …λw}分成m个波长子集, 这m个波长子集分别用{W P1, W P2, W Pm}来表示。对于这些可用波长子集, 有两个限制条件:一是保证每个波长不能被重复划分, 即它只能属于一个波长子集;二是保证权限高的的连接请求占用的波长数目, 远远大于低权限的连接请求占用的波长数目。采用不均等分配的方法, 对波长数目进行分配, 保证权限高的连接请求拥塞率远远低于低权限的连接请求。

2算法的设计

基于动态门限的波长分配算法的流程如下:

步骤1:根据权限的数目m值和每条链路的空闲波长数目Q值, 划分波长子集。

步骤2:根据连接请求的权限p在对应的波长子集中寻找空闲的波长。当对应的波长子集中存在空闲的波长时, 就接着执行步骤3;如果没有对应波长子集中空闲波长, 则直接执行步骤4。

步骤3:为连接请求分配一个空闲波长, 此时使用的是FF算法。

步骤4:在比权限p低一级的权限对应的波长子集中继续寻找空闲波长, 如果此时有空闲波长, 跳出执行步骤3;如果依然不存在空闲波长, 则接着执行步骤5。

步骤5:计算出比权限p高一级的权限动态门限阈值, 如果此时的权限p建立的光通道的平均波长利用率比高一级的动态门限阈值要低, 跳出执行步骤3;如果利用率比计算出动态门限阈值要高, 那么禁止当前的连接请求, 并标识网络拥塞一回。

步骤6:当完成光通路建立的后, 被占用的波长重新获得自由, 再次刷新网络波长的占用情况。

3仿真结果分析

分别选择N SFN ET网络和一个16节点的网状网络作为仿真网络。其中N SFN ET网络是一个具有14个节点和21条链路的拓扑的不规则网络, 而16个节点的网状网络则是具有比较规则的网络拓扑结构。设定到达每个节点的连接请求有3个不同的权限等级, 且这些连接请求的到达率均满足相同的泊松分布, 服务时间满足均值为μ的指数分布。

从网络的拥塞概率方面分析, 仿真结果如图1和图2所示:

在图1所示的N SFN ET网络中, 权限为3的光通道的拥塞率下降了15.91%, 权限为2的光通道的拥塞率下降了13.51%, 权限为1的光通道的拥塞率略上升了1.58%。在图3.4所示的16节点的网状网络中, 权限为3的光通道的拥塞率下降了20.29%, 权限为2的光通道的拥塞率下降了17.01%, 权限为1的光通道的拥塞率略上升了2.47%。

综上所述, 当引入动态门限后, C P策略波长分配算法的局限性得到解决。当一些波长子集耗尽时, 使用动态门限可以依据实时网络占用的状态, 实时监控波长子集的分配的情况, 当到来的连接请求, 达到了这些波长子集所要求的动态门限阈值条件, 这些连接请求就会被通过来占用这些空闲的波长, 提高了网络资源的使用率, 在一定程度上降低完全分割策略波长分配算法导致的网络拥塞, 该算法与完全分割策略波长分配算法相比, 性能有了很大的改善。

摘要：目的:为了寻找一条适合的光通路, 并合理地调配网络资源, 扩大现有的网络资源的使用率, 达到最大限度的增加通信通道的容量, 降低完全分割策略波长分配算法导致的网络拥塞。方法:引入动态门限的概念, 利用基于遗传算法的神经网络预测器求出门限值, 根据实时网络动态划分各个波长子集。结果:动态门限可以对各个波长子集进行灵活划分, 解决全分割策略波长路由分配的局限性, 降低网络拥塞的发生率。结论:该算法与分割策略波长分配算法相比, 性能有了很大的改善, 此算法在一定程度上降低完全分割策略波长分配算法导致的网络拥塞, 提高整个网络的公平性。

关键词：CP策略,动态门限,神经网络,拥塞率

参考文献

基于极值优化的频谱分配算法 篇9

频谱分配问题是认知无线电网络领域的一个研究热点, 主要是指认知用户感知到空闲频谱后, 如何对频谱进行有效分配从而实现授权用户和认知用户的双赢[1,2]。

频谱分配按照不同的分类方式有不同的模型和实现算法。文献[3, 4]对目前认知无线电网络中的频谱分配研究成果进行了较为详细的描述。集中式频谱分配是一种应用广泛的场景, 适合采用图着色理论建模并实现。由于图着色模型是NP难问题, 很多智能算法被用来求解频谱分配问题, 如免疫克隆[2]、微粒群优化、进化算法[5,6]、蜂群优化[7]等。然而, 已有的频谱分配模型较少考虑频谱的可用性, 即频谱能够被不间断使用的概率对频谱分配的影响。基于此, 本文将引入频谱可用概率改进频谱分配模型, 以使之更加合理。同时, 基于问题的NP特性, 本文提出了一种基于极值优化的新型智能算法求解基于图着色的频谱分配问题。结果表明, 本文所提算法能得到较好的频谱分配结果。

2 图着色的频谱分配模型

频谱分配模型可以采用如下的几个矩阵进行定义[2,3,4]:空闲矩阵L、收益矩阵B、干扰约束矩阵C、所需的分配矩阵A。此外, 本文新定义一个频谱可用率矩阵P。假设参与分配的认知用户数为N, 可供分配的可用频谱数为M, 各个矩阵的说明如下:

(1) 空闲矩阵L

(2) 收益矩阵B

(3) 干扰矩阵C

(4) 分配矩阵A

(5) 频谱可用率矩阵

给定频谱分配矩阵A, 认知用户n获得的网络收益:

频谱分配的目标为最大化网络收益总和, 即

可见, 本文目标即为寻找网络收益最大的矩阵A。

3 极值优化算法

极值优化算法是一种启发式智能优化算法, 主要思想来源于复杂系统的自组织临界理论和生物进化模型[8,9,10]。模型是基于以下原则建立的:根据达尔文的进化理论, 在一个生物群落中, 按照自然界优胜劣汰的物种进化规律, 对环境适应能力最差的物种将被淘汰或者必须通过变异以获得新的适应物种环境的能力。

极值优化算法是一种动态优化过程, 其基本理论基础是通过调整局部极值进而优化全局变量, 从而提高算法的效果。从结果上看, 极值优化算法呈现出断续平衡的表现形式, 而不会收敛到一个平衡态, 其产生的波动性使得算法具有持续搜索和跳出局部最优解的能力[11,12,13]。

假设生物群落中有n个物种, 物种i的适应值为λi∈[0, 1]。在物种的进化过程中, 每一步都衡量其适应值, 并选中适应值最差的物种进行变异, 即重新分配一个[0, 1]之间的随机数。可见, 极值优化算法的变化规则很简单, 却体现了变化的动态特性和适应值的广泛分布。在使用极值优化进行问题求解中, 无需调整参数, 实现起来非常容易且高效。

4 算法实现

使用极值优化进行频谱分配, 其具体步骤如下:

步骤1:针对频谱分配问题, 定义变量划分xi及对应的适应度函数λi;适应度函数λi为最大化网络收益总和, 即

步骤3:针对当前解S, 计算每个物种的适应度λi, 并根据适值大小对物种xi排序;

步骤4:构造S的邻域空间N (S) , 并选择一个邻域解S'∈N (S) 使得xm状态发生改变;

步骤6:以S'更新S;在每一次的迭代中, 将对频谱分配收益总和, 即适应度函数最小的解进行变异。每一次变异后, 重新计算所有的适应度值。

步骤7:如果满足停止准则, 则算法停止, 输出Sbest和C (Sbest) , 否则上转步骤3。重复步骤2的迭代, 直到适应度函数达到最大值, 此时的频谱分配方案是一个最佳值。

5 仿真实验

实验仿真环境为:假设在一个通信范围固定的区域中, 有多个主用户和多个认知用户进行通信, 网络拓扑结构由文献[4]的伪代码随机产生。同时, 假设认知用户N∈[1, 20], 可用频谱M∈[1, 100]。在Windows X操作系统下, 用MATLAB7.0进行编程实现, 实验结果与经典CSGC算法[4]及PSOSA[5]进行比较。为了避免结果的随机性, 将算法运行100次的平均结果作为最终的实验结果。

表1和表2分别是在不同的迭代次数下得到的网络收益总和, 用户个数分别为M=N=10和M=100, N=10。

从上表可以看出, 本算法在网络收益总和上优于已有的算法, 同时收敛速度也较快, 同时, 在可用频谱数量较大时, 本算法优势更为明显, 说明本算法寻优能力较强。

假设在认知用户数固定的情况下, 当可用频谱M的增加时, 相关算法的性能变化如图1所示。

从图中可见, 本文算法网络收益总和优于已有相关算法, 并且随着可用频谱数M的增加, 网络收益总和一直在增加, 这是与现实情况一致的。

同时, 假设在可用频谱数 (M取值为20) 一定的情况下, 验证认知用户个数变化对网络收益的影响, 结果如图2所示。实验结果表明:本文算法能获得较好的性能。

5 结束语

基于遗传算法的炮兵火力分配优化 篇10

1 目标分配的数学模型

基本问题假定:m批来袭目标 (此处我们对目标进行一些基本的设定, 目标为运动目标, 可以是一般意义的点目标, 而面积目标也可以看成广义上的点目标) , n个炮兵火力单位 (此处的炮兵火力单位并不是一般意义的一门火炮, 而是具有一定数量的以一定编制构成的战斗单元, 一个战斗单元为六门制炮兵连) 。

射程约束条件:设Dij为第i个目标相对于第j个火力单位的距离, Dmax为第j个火力单位可杀伤目标的最大射程, 则有:

显然, 只有目标在射程范围之内, 才有研究的意义。

时间约束条件:设第i个目标到达第j个火力单位杀伤远界的时间为tyij, 在其射程范围内停留时间为tmij, 则j火力单位对目标的反应时间tij应满足

由于每个火力单元有一定的转火时间tzh, 包括弹丸飞行时间和火炮操作时间等, 故应有

(1) 确定决策变量

(2) 确定效能系数

火力单位对目标的反应时间tij:第j个火力单位对第i个目标的反应时间。

火力单位对目标的射击效能指标cij:第j个火力单位打击第i个目标时的射击效果。

式中wi——目标威胁权重;f (D, V) ——第j个火力单元对第i个目标的杀伤概率;V——目标运动速度。

(3) 打击目标表达式。总反应时间最快:

式中tij——效率时间变量;wi——目标威胁权重;f (D, V) ——火力单位对目标的杀伤概率;tyij——第i个目标到达第j个火力单位杀伤远界的时间;tmij——目标在发射区停留时间;tzh——转火时间;

2 自适应遗传算法在目标优化分配方法中的应用

2.1 编码方式

采用十进制编码, 每个染色体由火力分组组成, 染色体的长度表示目标的数量, 一个基因代表一个分配结果。例如: (5, 3, 1, 2, 4) 表示共有5批目标等待分配, 其中5号火力单元分配给第1批目标, 4号火力单元分配给第5批目标。

2.2 适应度函数

我们的目的是最大限度杀伤目标, 使所有火力单元的作战效益最大。因此, 将目标函数E作为适应度函数。

2.3 遗传算子

2.3.1 选择算子

采用轮盘赌的选择方法, 即每个个体被选择的概率和其适应度成正比, 其公式为:

pi为选择概率, 即个体被选择的概率率;Fi为个体的适应度值, popsize为群体的规模, 所以说个体的适应度越高, 被选中的概率越大, 同时采取保优策略, 对于新一代群体中适应值最高的个体直接选入下一代群体并替代新群体中适应值最低的个体。

2.3.2 交叉算子

交叉算子对经过选择后相对优秀的个体按一定的规律随机交换基因。从而形成新的个体, 使新的个体具有更好的适应性。算法的寻优主要靠交叉算子来实现。由于采用了整数编码, 我们采用单点交叉方式, 例如两个染色体:

随机产生一个交叉点如3, 交换A, B染色体3位右边部分的基因, 得到两个新的染色体, A`, B`:

2.3.3 变异算子

在十进制编码中, 将染色体中某个基因值变化为1~9之间的整数即可。

2.4 自适应的调整选择概率和变异概率

用适应度函数的最大值Fmax与群体适应度函数的平均值作为检验遗传算法收敛的尺度, 按下面的公式自动调整交叉概率Pc和变异概率Pm的大小:

Fmax为群体中最优个体的适应度值, Fave为群体的平均适应度值, Fi为参与交叉和变异的两个个体中适应度值较大的个体的适应度值, Ki (i=1~4) 和M均为常数。

3 仿真算例

假设我方有3个火力单位, 共两种配置情况, 一个火力单位是有6个战斗单元, 另外2个火力单位是只有1个战斗单元。现在这3个火力单位混合部署, 3个火力单位的杀伤区有部分重叠, 敌人地面进攻以一定的批次间隔进入我火力范围, 如何进行目标分配使敌人的损失最大, 我方获得的效益最高?

我们假设敌人的一次行动共有15批目标进入我火力范围, 我3个火力单位对目标进行拦截, 我们用VC编写仿真程序, 在VC++6.0环境下调试, 程序中。通过运行程序, 得到方案。1号火力单位分配{2, 5, 7, 9, 12, 15}, 2号火力单位分配{1, 4, 8, 11, 14}, 3号火力单位分配{3, 6, 10, 13}。

从分配结果我们可以看出, 达到了最优的分配。火力单位1具有6个战斗单元, 由于这6个战斗单元在作战使用上是完全等同的, 分配到哪一个具体的战斗单元效果都是相同的。虽然第2个火力单位对第4批和第5批的杀伤概率最大, 但是由于这2批目标的批次间隔为8秒, 小于转火时间60s, 所以将第5批目标分配给了第1个火力单元, 第7批目标同样的原因分配给了第1个火力单位, 其他的目标都达到了最优分配。这样分配达到了整体效益最佳, 最后的效益值为8.0844。

4 结论

采用自适应的遗传算法对目标进行最优分配为炮兵火力分配提供了一种可行的方法, 仿真的结果也基本符合要求, 能够在一定的时间内得到最优的分配方案。

参考文献

[1]郭张龙.基于遗传算法的目标分配问题研究[J].现代防御技术, 2002 (6) :327.

[2]陈国良, 王熙法.遗传算法及其应用[M].北京:人民邮电出版社, 1996.