标志”src=

数学问题在工程
PDF
数学问题在工程/2015年/文章
特殊的问题

先进的计算技术和信息科学

把这个特殊的问题

研究文章|开放获取

体积 2015年 |文章的ID 620658年 | https://doi.org/10.1155/2015/620658

Shidrokh Goudarzi Wan Haslina哈桑,穆罕默德·侯赛因Anisi赛义德Ahmad Soleymani, Parvaneh Shabanzadeh, ”小说在曲线拟合模型和粒子群优化异构无线网络垂直切换”,数学问题在工程, 卷。2015年, 文章的ID620658年, 16 页面, 2015年。 https://doi.org/10.1155/2015/620658

小说在曲线拟合模型和粒子群优化异构无线网络垂直切换

Shidrokh Goudarzi,1 Wan Haslina哈桑,1 穆罕默德·侯赛因·Anisi,2 赛义德Ahmad Soleymani,3 和 Parvaneh Shabanzadeh4

1通信系统和网络(iKohza)研究小组,Malaysia-Japan国际研究所的技术(MJIIT),马来西亚各种大学、道路Semarak, 54100年吉隆坡,马来西亚

2计算机系统与技术、计算机科学与信息技术学院,50603年吉隆坡、马来西亚马来亚大学

3学院计算、马来西亚各种大学、UTM新山市,81310柔佛,马来西亚

4人工智能和机器人学中心马来西亚各种大学、54100年吉隆坡、马来西亚

学术编辑器:兴企局域网
收到了 2015年6月18日
接受 06年9月2015年
发表 2015年12月30日

文摘

垂直交接机制是一个重要的问题在异构无线环境中选择一个高效的网络,提供无缝连接涉及复杂的场景。本研究使用了两个模块,利用粒子群优化(PSO)算法来预测和智能垂直交接做决定。在这篇文章中,我们预测接收信号强度指示器使用曲线拟合参数基于粒子群优化(CF-PSO)和RBF神经网络。提出的方法比较的结果的预测能力系数测定(R2)和均方误差(MSE)的基础上,验证数据集。结果表明,基于CF-PSO模型的效果优于基于RBF神经网络模型在预测接收到的信号强度指标的情况。此外,我们提出一个新颖的网络选择算法选择最佳候选人接入点之间的各种技术基于PSO的访问。仿真结果表明,使用CF-PSO算法可以减少不必要的交接和防止“乒乓效应”。此外,它表明,基于多目标粒子群优化的方法找到一个最优选择在异构无线网络环境。

1。介绍

一个有效的算法来确定最佳网络中可用的无线网络具有重要意义。每个可用的网络的优点应该意识到发现最好的网络。几种多准则方案基于人工智能方法如模糊逻辑、神经网络和遗传算法(1,2在可扩展性和模块化问题上)的弱点。他们不能管理基于大量的无线接入技术(老鼠)和异构无线网络的标准(HWN)。这些算法有几个弱点的可伸缩性和复杂性,因为他们从不同的老鼠进入所有输入到一个模糊逻辑块同时而不是基于推理规则的数量呈指数上升。

未来无线网络领域的研究中最具吸引力的地区之一(3- - - - - -6]。提出的算法在该领域的研究分为不同群体的基础上,分析,研究,和教程中找到相关文献[3- - - - - -6]。这些算法分为基于消耗的不同群体决策技术。文献[7鼠)提出了一个新颖的方法选择,即hopfield神经网络鼠选择机制(人力资源管理),利用hopfield神经网络作为一种强有力的决策工具。新方法使用信息的数据率,货币成本,和接收信号强度作为不同参数进行交接报告的决定(8,9]。相关的主要缺点是计算的误差函数和雅可比矩阵反演获取一个矩阵的大小等于整个所有的权重神经网络(NN)。因此,内存的必要性是非常高的。现有的算法(8,9考虑服务费用,接收到的信号强度信息(RSSI),用户偏好,等等。该算法与传统的RSSI-based算法相比提高了结果主要用于用户和网络的结果提供了基于模糊的交接系统。混合的类别,10)提出了一种基于PSO-FNN-based垂直切换决策方案,可以使一个聪明的回归决定基于网络的分析的立场。的作者(11)主要处理的一种新型的垂直切换决策算法建立在模糊逻辑的协助下灰色理论和动态权重适应。一个neurofuzzy multiparameter-based垂直切换决策算法(VHDA)提出了12]。绩效评估的结果由交接质量指标(用来量化QoS),这是有关“乒乓球”效应,ESA,和吞吐量,证明了提出VHDA提供更好的QoS比现有的垂直切换方法。Pahlavan et al。13)应用模糊基于逻辑的方法是一个很好的表示归一化定量决策算法和一个微分预测算法与高水平的准确性。

上述垂直交接方案都有自己的好处,但他们并不认为网络选择的复杂性,和较低的计算代价函数的津贴是不合理的。显然,决策过程应该关注一个坚定、聪明的算法来执行一个准确的决定并迅速转向网络最好的候选人。本研究的目的是提出一种新颖的网络选择优化算法,利用预测模型使用CF-PSO满足上述需求。使用CF-PSO预测算法PSO算法的选择有三个目的:(1)作为验证算法的结果MOPSO,(2)减少不必要的交接和防止“乒乓球”效应,和(3)选择最佳候选人访问点在不同接入技术。本文提供了一个比较两种预测方法的基础上,也就是说,CF-PSO和RBF神经网络,预测RSSI。更重要的是,这种比较评价两种方法从不同的方面,例如,时间,确定系数和均方误差。结果表明,CF-PSO具有更好的性能,这在下面将深入。该方法是一个一步未来的计算机优化方法,必须避免巨大不确定性的优化算法。要做到这一点,预测算法结合粒子群优化。拟议中的MOPSO-based垂直切换决策算法可以使一个聪明的交接决策基于网络的位置。 The proposed network selection model is presented in Figure1。


图1
提出网络选择模型基于多目标粒子群优化(MOPSO)无线异构环境。

本文的概述如下。首先,部分中描述的相关作品2。节3,提出基于CF-PSO和RBF网络的预测方法。然后,基于提出的模型的结果比较。部分4说明了MOPSO-based垂直切换决策算法。部分5通过仿真结果分析了算法的性能。最后,部分6总结了纸。

许多网络选择算法提出了文学,算法被用于回归的决定。它与一组随机初始化粒子(解决方案),找到一个最优结果通过更新一代又一代。被称为粒子最优结果,整个问题空间飞行遵循当前的最优粒子。此外,GSM-like [14)认真交接算法提出了对策防止乒乓效应通过提供一个基线阈值对权力交接由于信道变化波动。作者定义的四个规则两个规则防止不必要的交接(乒乓效应)和一个规则旨在帮助加载eNB j从eNB我推迟交接。此外,其他规则旨在减轻加载eNB我对eNB j。通过推进交接的PSO算法表示的邻居eNB交接最大流量交换是最好的邻居。需要先验知识的优化过程提供了控制器的参数化形式,这是由MOPSO优化。已经表明,静态优化和动态优化的表现产生更好的移动自组织网络负载平衡控制器,提高了吞吐量和访问概率对几个百分点的规划方案。

王等人。15)提出了一个最好的连接(ABC)维护QoS交接决定方案基于利基PSO算法。这个文献报道访问网络的当前负载和考虑终端的当前速度和剩余电容量。作者还研究了应用QoS需求,偏好的用户在访问网络编码系统,和偏好的用户访问网络提供商,等等。

此外,Venkatachalaiah et al。16)提出了一个技术预测的信号强度值艾滋病在无线网络提供有效的交接和PSO的消耗来调整权重函数回归的决定。提出技术最小化交接的数量和被证明有很短的计算时间和更好的预测精度比基于磁滞的决定。在这篇文章中,他们描述了利用灰色模型结合模糊逻辑与PSO算法。从预测误差是不可避免的,灰色模型的输出可以补偿使用一个模糊控制器,然后调整使用PSO算法。

刘的方法和江11)是一个很好的象征意义的例子使用模糊基于逻辑的归一化定量决策算法和一个微分预测算法与高水平的准确性。这个计划试图控制无线局域网和UMTS之间的交接。predecision部分是本算法中使用。远期微分预测算法被用来获得预测RSS,这可能引发提前交接。此外,回归前predecision方法应用决策模块,能够过滤不必要的数据,并提供一个正确的交接触发器。优化选择方法是一个重要的研究主题,从而导致网络信号的衰落也和移动设备功率损耗和提高网络QoS和服务等级(GoS)。

本文的重点是实现更好的QoS在选择美国广播公司的网络,使用一种新颖的基于曲线拟合的RSSI预测算法使用一个增强的算法和基于MOPSO网络选择算法在异构无线网络垂直切换。网络选择算法利用动态优化权重使用层次分析法选择ABC网络异构环境的蜂窝网络。动态权重的参数用于网络的成本函数选择使用一种改进的优化MOPSO算法。

3所示。预测RSSI使用提出的预测方法

在本节中,我们打算显示CF-PSO具有更好的性能比RBF作为预测模型。接收信号强度指示器或RSSI回归是一种常见的指标用于决策(17]。质量和距离范围中的每个接入点(AP)可以通过扫描分析通过移动节点RSSI (MN)。当AP MN改变其位置,水平的RSSI美联社将会改变。real-tested测量是用来实现RSSI通过MN运动水平。这个场景包括一台笔记本电脑作为MN在APs提供使用UMTS和WLAN服务。收集数据通过MetaGeek仅仅频谱分析仪和Chanalyzer软件。最必要的L2信息收集使用Chanalyzer软件作为协助策划提出了预测算法的信息。图2显示不同的RSSI值在MN运动在15秒。RSSI Chanalyzer聚集的软件,这是安装在一台笔记本电脑移动穿过四个APs。


图2
收集RSSI四APs通过扫描阶段Chanalyzer软件。
3.1。使用曲线Fitting-Based粒子群优化预测

预测技术,垂直交接本节使用CF-PSO算法。曲线拟合是基于创建一条曲线或数学函数的过程,最适合的数据点,受到约束。此外,该算法是一种群体智能,它利用一组粒子形成一个群体,在移动搜索空间观察最好的解决方案。被视为一个点在一个粒子 维空间,修改他们的“飞行”根据自己的飞行经验以及其他粒子的飞行体验。粒子可以改变他们的位置根据各种类型的信息,即现有的职位,最近的速度,当前位置之间的距离和个人最佳位置(pb)和当前位置之间的距离和全球最佳位置(gb)。粒子可以在解决方案空间路线头寸,这是最佳解决方案相关(健身),实现了由这些粒子迄今为止。这个值被称为个人最好,pb。另一个最佳值,正在追踪的算法,是获得最佳值的距离之后,这些粒子的粒子在该地区。这个项目叫做gb。算法的基本概念侧重于快速粒子根据每次pb和gb位置。粒子群优化算法的搜索概念图所示3。粒子的位置的变化可以在数学上形成基于以下几点: 在哪里 是速度的粒子我在迭代米,ω是惯性因素, 权重因子, 均匀分布随机数在0和1之间, 是粒子当前位置 在迭代 , 是pb的粒子 , gb的组。


图3
搜索算法的概念。

小惯性权重可以促进本地搜索和大惯性的重量 协助全球搜索。线性惯性权重下降从一个较大的值通过一个较小的值的算法相比,运行提供了最佳的算法性能稳定的惯性权重设置。惯性因子 增加了粒子的速度在哪里 th位置实现改变速度更新所示(1)。 被初始化为1.0和随着时间的推移不断下降。CF-PSO程序创建和执行在MATLAB。

在扫描阶段,每个AP的RSSI数据将作为输入值输入到CF-PSO计算每个点的数据(RSSI)。这个过程是通过构建覆盖每个RSSI值上下界点收集的扫描时间。因此,CF-PSO达到下一个预测RSSI值取决于多少真正的RSSI点的曲线拟合。这允许MN预测下一个可用的APs RSSI值和当前连接美联社然后获得一个交接与低延迟决定。

每个AP的RSSI数据将作为输入值输入到CF-PSO计算每个点的数据在整个扫描步骤。创造更高和更低的限制覆盖每个RSSI值点扫描期间收集的时间完成这个过程。因此,CF-PSO得到下一个预测RSSI率取决于距离的真实数据的曲线拟合。通过这种方法,MN可以预测下一个RSSI值可用的APs和现有连接可用美联社AP。然后,它使最好的回归决定最低的延迟。

在这项研究中,多项式模型已经被选择用于曲线拟合模型获得的适合程度每组RSSI的数据与一个特定的美联社。多项式模型有足够的灵活性数据与高水平的复杂性,如RSSI数据。此外,它是线性的,这表明拟合过程适用于简单和有效的方法。CF-PSO作品收集每个AP的RSSI找到RSSI值的点之间的紧密配合,然后获得预期的曲线。换句话说,曲线拟合曲线通常接近值保持在生产区域。方程(2CF-PSO)介绍了多项式模型: 更多细节关于RSSI预测使用CF-PSO介绍部分6。

3.2。使用RBF神经网络预测方法

人工神经网络(ANN)用于开发、优化、估计、预测和监控复杂系统。一个新的和有效的与三层前馈神经网络称为RBF神经网络具有良好的逼近性能的特点,全球最佳18]。在一般情况下,RBF网络由输入层、隐层和输出层。每个神经元在输入层负责将记录信号隐藏层。隐层的径向基函数通常是用作传递函数,通常采用一个简单的线性函数在输出层。RBF程序是在MATLAB中实现。三层的RBF神经网络用于纸是显示在图4。


图4
RBF神经网络结构。
3.3。比较分析

扫描后一步,每个AP的RSSI数据将被插入到CF-PSO作为主要输入评价最好的预测实现的RSSI MN在时间变化的运动。因此,锰会获得一个精确的方法,首先分析然后预计下一个传入的RSSI APs的扫描区域。

为了评估的性能与CF-PSO如图5残留分析已经发生改变,使用。这是证明的方式CF-PSO可以预测新RSSI值,造成很大程度上的确定性,极其变量RSSI APs收集的数据。三个统计估计,即均方误差(MSE) (3),确定系数( )(4),均方根误差(RMSE) (5),如果RMSE零方法有杰出的表现,被用来评估CF-PSO的性能: 在哪里 是点的数量, 估计的价值, 是实际值, 是实际值的平均值。确定系数, ,之间的线性回归直线估计的神经网络模型和所需的输出值也被用作衡量性能(19]。越接近 值是1,该模型符合实际的数据(20.]。这测量过程如何成功的在描述数据的变化。换句话说, 广场的广场是响应值之间的相关性和预测响应值。这也叫复相关系数的平方,多个系数决定。 AP1的年代,AP2 AP3, AP4是0.9973,0.9818,0.99278,和0.9938,分别。相关系数的平方( )四套校准曲线范围从0.98到1.00指示一个几乎完美的所有曲线的线性度。图6显示更多细节的AP1, AP2 AP3, AP4。

(一)预测开往AP1 RSSI”name=
(一)预测开往AP1 RSSI
(b)预测开往AP2 RSSI”name=
(b)预测开往AP2 RSSI
(c)预测AP3 RSSI前往”name=
(c)预测AP3 RSSI前往
(d)预测开往AP4 RSSI”name=
(d)预测开往AP4 RSSI
图5
CF-PSO过程预测RSSI的AP1 AP2, AP3, AP4。

图6
AP1, AP2 AP3, AP4。

与RBF人工神经网络常被用来估计RSSI数据。在本节中,实验的解释使用RBF神经网络。RSSI数据将作为输入插入RBF为了检查最好的预测使用这种方法。四个APs的相关结果图7。总之,RBF网络由三层包括输入层、隐藏层和输出层。安执行名义计算提供一个输出。计算包括一次通过的算法步骤。迭代和非线性计算并不复杂的提供一个输出。RBF网络选择,因为这种方法涉及到一个简单的设计,只有三层。在这项研究中,隐层神经元的数目设置为15日的均方误差(MSE)是0.1根据实际培训过程,和σ(σ)参数由0.02 RBF的宽度。

(一)RBF AP1预报值”name=
(一)RBF AP1预报值
(b)的RBF AP2预报值”name=
(b)的RBF AP2预报值
(c)的RBF AP3 RSSI值的预测”name=
(c)的RBF AP3 RSSI值的预测
(d)的RBF预报值AP4 RSSI”name=
(d)的RBF预报值AP4 RSSI
图7
整体性能的RBF AP1, AP2 AP3, AP4。

RBF的主要优势是,有一个隐藏层,包括节点称为RBF单位。每个RBF主要因素指定位置、偏差或函数宽度的中心。隐藏组件处理输入数据向量的距离和RBF中心的。如果特定的距离中心输入数据向量是零,那么RBF有自己的高峰,如果距离增加,那么RBF的峰值将稳步下降。

在RBF隐层有不同的权重分为两组。这些权重可以隐藏层连接到输入和输出层联系。受试者的基函数是固定在连接到输入层的权重。网络的问题,输出是固定连接的权重隐层到输出层。从隐藏的单位是非线性,可以合并隐层输出的线性,因此,快速处理。网络的输出检索使用以下(21]: 在哪里 基函数的数量, 代表了一种加权连接基函数和输出层, 是输入数据矢量,然后呢 是单位的非线性函数 ,这通常是一个高斯形式如以下所示(21]: 在哪里 和 是输入和RBF中心的单位,分别和 是基于高斯函数的传播21]。权重可以优化的最小均方(LMS)算法一旦确定RBF中心的单位。中心随机选择或者通过聚类算法。本文从数据集随机中心提名。径向基人工神经网络模型训练最小化均方误差与参数(RSSI)作为输入,并期望的输出(RSSI)预测。设计和验证该模型的可靠性,数据集被分为两个不同包括训练和测试数据集数据总数的80%和20%,分别。测试数据不了网络在训练过程中。当训练过程,验证了该网络的可靠性和过度拟合的测试数据。提出了模型的整体性能评估四个APs的RSSI已经在图以图形方式描述7。

真正的和预测的RSSI值四APs在15秒已经表示在表1。通过观察表1,观察CF-PSO模型可以估计RSSI值之前约800毫秒的时间。
时间 真正的RSSI 预测RSSI使用
CF-PSO		 预测RSSI使用
RBF
AP1 AP2 AP3 AP4 AP1 AP2 AP3 AP4 AP1 AP2 AP3 AP4
1 −20 −29 −27 −98
1.7 −23.5 −33.1 −29.6 −96.4 −38.2 −43.8 −27 −98
2 −27 −36 −31 −97
2.5 −28.5 −34.8 −37.4 −95.3 −34.5 −33 −31 −97
3 −30 −37 −40 −96
3.2 −32.5 −35.8 −45.2 −95 −30 −37 −40 −96
4 −33 −37 −60 −94
4.4 −38.3 −37.5 −59.1 −94.8 −33 −46.7 −60 −94
5 −38 −38 −68 −93
5.6 −43.3 −40.4 −71.9 −93.5 −38 −45.6 −68 −93
6 −45 −40 −80 −91
6.8 −47.9 −45.1 −82.2 −89.9 −45 −40 −64.6 −92.9
7 −50 −45 −81 −90
7.5 −50.6 −48.9 −86.5 −86.6 −49 −45 −81 −90
8 −57 −50 −87 −86
8.6 −54.9 −56.2 −90.5 −79.3 −57 −50 −87 −86
9 −57 −60 −93 −79
9.2 −57.5 −60.8 −91.2 −74.4 −57 −60 −80.2 −80.4
10 −60 −72 −87 −66
10.4 −63.3 −70.8 −89.3 −63 −60 −71.5 −87 −66
11 −66 −79 −85 −52
11.6 −70.3 −80.9 −83.7 −50.6 −65.5 −72 −64.5 −52
12 −70 −80 −82 −46
12.8 −78.9 −89.5 −75.4 −39 −65.6 −70.8 −59.2 −46
13 −80 −89 −76 −39
13.4 −83.9 −92.6 −70.6 −34.1 −70.9 −80 −76 −48.7
14 −94 −94 −68 −33
14.6 −95.6 −94.6 −61.1 −28.1 −90 −89 −68 −47.5
15 −98 −95 −56 −26
表1
实际和预测RSSI值。

必须提到一个不合适的选择的初始权重可能会导致局部最小值的数据。为了防止这个不利的现象,30在每次运行经营各方法的应用和不同的初始重量测量随机值。最后,最训练有素的RBF网络,选择最小MSE的验证数据,训练网络。CF-PSO和RBF网络的估计性能进行评估 和均方误差。输出值是表示在表2。这个表格展示了30种不同运行时间与迭代的结果= 100。
运行数 CF-PSO RBFN
RMSE RMSE
AP1 AP2 AP3 AP4 AP1 AP2 AP3 AP4 AP1 AP2 AP3 AP4 AP1 AP2 AP3 AP4
1 0.99 0.98 0.99 0.99 0.69 0.78 0.69 0.63 0.93 0.72 0.78 0.72 1.36 1.98 1.98 1.98
2 0.98 0.98 0.98 0.99 0.78 0.78 0.78 0.69 0.91 0.72 0.66 0.82 0.98 1.98 1.56 1.90
3 0.97 0.98 0.99 0.99 0.79 0.59 0.69 0.69 0.80 0.69 0.67 0.72 0.90 1.02 0.98 1.02
4 0.99 0.99 0.99 0.99 0.69 0.69 0.69 0.69 0.92 0.72 0.68 0.80 0.98 1.98 1.43 1.02
5 0.99 0.98 0.98 0.99 0.69 0.79 0.59 0.59 0.88 0.70 0.78 0.86 0.99 1.36 1.98 1.98
6 0.97 0.98 0.99 0.99 0.79 0.69 0.69 0.69 0.86 0.70 0.64 0.82 1.02 0.98 1.99 1.98
7 0.99 0.98 0.99 0.99 0.69 0.69 0.69 0.69 0.93 0.68 0.77 0.82 1.36 1.36 1.36 0.98
8 0.99 0.98 0.98 0.99 0.69 0.59 0.59 0.69 0.93 0.72 0.68 0.74 1.36 1.98 0.98 0.99
9 0.97 0.99 0.99 0.98 0.79 0.59 0.69 0.89 0.91 0.72 0.76 0.74 0.98 1.98 1.43 1.02
10 0.99 0.98 0.99 0.99 0.69 0.69 0.69 0.69 0.90 0.69 0.67 0.72 1.43 1.33 1.36 1.36
11 0.99 0.98 0.99 0.99 0.69 0.69 0.69 0.69 0.72 0.72 0.68 0.70 1.35 1.98 1.36 1.98
12 0.99 0.98 0.99 0.99 0.69 0.69 0.69 0.69 0.98 0.70 0.68 0.76 0.99 1.33 1.89 1.98
13 0.99 0.99 0.99 0.98 0.59 0.69 0.59 0.80 0.96 0.70 0.64 0.72 1.33 1.36 0.98 1.89
14 0.99 0.99 0.99 0.99 0.69 0.69 0.69 0.59 0.93 0.68 0.67 0.72 1.36 0.98 1.36 1.36
15 0.99 0.98 0.99 0.98 0.69 0.69 0.69 0.79 0.93 0.72 0.58 0.72 1.36 1.98 0.98 1.36
16 0.99 0.98 0.99 0.99 0.58 0.69 0.79 0.69 0.93 0.72 0.56 0.83 1.36 1.98 0.99 1.89
17 0.99 0.98 0.99 0.99 0.69 0.59 0.69 0.69 0.90 0.69 0.85 0.82 1.89 1.89 1.02 0.98
18 0.98 0.99 0.99 0.97 0.78 0.69 0.69 0.79 0.82 0.72 0.58 0.80 0.98 1.98 1.36 1.89
19 0.99 0.99 0.97 0.99 0.69 0.69 0.69 0.69 0.88 0.70 0.58 0.86 0.99 1.36 1.36 0.98
20. 0.96 0.98 0.99 0.99 0.80 0.69 0.79 0.59 0.86 0.70 0.54 0.87 1.02 1.36 1.98 1.36
21 0.99 0.98 0.99 0.99 0.69 0.69 0.69 0.69 0.93 0.68 0.57 0.82 1.36 0.98 1.98 0.98
22 0.98 0.99 0.99 0.99 0.69 0.69 0.59 0.69 0.93 0.72 0.58 0.72 1.36 1.98 1.89 1.98
23 0.99 0.99 0.99 0.98 0.69 0.69 0.69 0.79 0.91 0.73 0.56 0.87 0.98 0.98 0.98 1.98
24 0.98 0.99 0.99 0.99 0.78 0.59 0.69 0.69 0.90 0.79 0.57 0.82 1.89 1.43 1.36 1.89
25 0.97 0.98 0.99 0.99 0.79 0.69 0.69 0.79 0.91 0.72 0.58 0.80 0.98 1.98 0.98 1.89
26 0.90 0.98 0.99 0.98 0.88 0.69 0.69 0.79 0.93 0.70 0.58 0.87 1.36 0.98 1.35 0.98
27 0.99 0.99 0.97 0.99 0.69 0.79 0.79 0.69 0.92 0.70 0.54 0.88 0.98 1.36 0.98 1.36
28 0.98 0.99 0.99 0.99 0.69 0.69 0.69 0.59 0.97 0.70 0.47 0.88 1.35 0.98 0.99 0.98
29日 0.99 0.99 0.99 0.98 0.69 0.69 0.69 0.79 0.95 0.72 0.58 0.82 1.01 1.98 1.02 1.35
30. 0.98 0.98 0.99 0.99 0.69 0.69 0.69 0.69 0.91 0.72 0.56 0.89 0.98 1.98 1.36 1.89
表2
和均方误差值。

表2显示了 CF-PSO和RBFN值的数据集。很明显,符合合理适用于所有数据集 CF-PSO 1的值。RBFN被发现足够的RSSI的估计,而CF-PSO模型表现出了相当高的程度的估计的准确性 在0.98和0.993之间。此外,MSE的根发现RMSE越小的测试数据集,预测质量越高。CF-PSO和RBF网络模型的评估显示了合适的CF-PSO模型的预测能力。

4所示。网络选择使用多目标粒子群优化(MOPSO)

不同的接入网技术的复杂性,给出一个基于ai的架构将为一个有效的解决方案提供精度高、稳定,为垂直交接在异构无线环境中更快的收敛。最重要的一个方面,现代通讯处理通过移动设备访问无线网络,寻找一个好的服务质量在用户的偏好。然而,移动终端可以发现沿线的多个网络不同的技术在异构情况下能够连接到其他的无线接入点根据他们的服务质量值。目前的移动设备的特点,设计了使用快速和有效的算法,提供解决方案接近实时系统。这些约束了我们开发智能算法,避免与直接搜索相关的缓慢而巨大的计算技术,从而减少了计算时间。

最初,RSSI用于识别无线网络的存在。异构无线环境中的移动设备时感觉多个无线网络同时,选择最好的网络QoS成为主要问题。在提出的模型中,在扫描阶段,首先,物理层度量(RSSI)可用的网络异构环境中执行一个情报预测观察到。

为此,本文CF-PSO模型设计作为一种新的预测模型来构造一个数学函数,它有最适合的一系列数据点的RSSI值UMTS和WLAN网络。在扫描阶段,接收到的信号强度指标参数是测量为主要输入CF-PSO模型来预测四个接入点接收到的信号强度值和选择最好的美联社其中使用MOPSO算法以聪明的方式。

提出网络选择模型评估一组蜂窝网络的异构环境。每个网络的成本函数测量质量在每个位置移动时从一个网络向另一个。在垂直交接,成本函数可以测量成本利用提供了一个特定的网络。它为每个网络计算 涵盖用户的服务区域。无线网络技术有能力支持高速数据服务具有高频谱效率。在异构无线网络,多媒体数据异构无线网络的流媒体急剧增加和视频流服务已经成为更受欢迎在不同类型的多媒体服务,如视频会议和互联网协议语音。考虑视频流在垂直交接链路的容量不稳定是至关重要的,因为网络状态会影响视频的质量。垂直交接期间,带宽变化突然回归,也导致丢包和延迟的断开视频。在本节中,我们解释了网络选择在异构无线网络垂直切换选择最好的网络提供无缝的视频。我们可以看到,传输速率和传输数据的质量是带宽变化密切相关。

提出的网络选择方案提出了一种多目标决策(MODM)函数评估不同的蜂窝网络,以选择最好的一个异构网络。这个函数被定义为使用物理层RSS等指标上,误比特率(BER),信噪比和吞吐量在异构的网络环境。

在下一阶段,可用网络的排名基于接口优先级分数和执行应用程序优先级分数分配在阶段1中。考虑一组候选网络 和一组服务质量因素 ,在那里 是候选人的数量网络和 是服务质量因素的数量。此外,每个QoS因素被认为有自己的重量和这个重量显示的影响因素在网络上或用户。因此,每个网络的成本函数可以计算使用(8), 计算使用MOPSO(多目标粒子群优化)MOPSO [24]。选择是基于其有能力改变它的每个因素之间的权重根据网络环境和用户的偏好。因此, 众所周知,各种类型的服务需要各种模式的可靠性、延迟和数据率。因此,我们认为服务类型为主要指标。的网络环境,网络相关参数如可用带宽和网络延迟必须测量,以便更有效地使用网络。

此外,在选择使用网络信息交接可以用于各种类型的网络之间的负载均衡。此外,为了保持系统的性能,一系列的参数可用于回归的决定,比如翻番。移动终端条件还包括动态因素,如速度,移动模式,历史,移动和位置信息。

QoS是另一个重要参数,保证用户满意度之苦。用户可以建立不同的QoS参数的偏好取决于所需的服务。实验是更现实的考虑不同的用户的偏好,,更重要的是,权重的QoS参数高值。必须提到的动态因素,如可用带宽,速度,网络延迟在不同条件下有不同的价值观。重要参数的设置如下:RSS, ABR的误码率、信噪比和吞吐量 所示的向量 在 最后,根据(8),每个用户的成本值的请求的服务网络n可以计算。MOPSO算法的计算时间约束相对较低,最终符合多媒体可靠通信在无线网络上的时间要求。提出了几个MOPSO相关算法在文献[25]。当使用MOPSO时,速度的程度有可能成为非常大的。两种技术先进控制速度的增加。第一个是一个动态的方式修改惯性因素,第二是使用收缩系数。为了提高粒子的惯性和收敛性随着时间的推移,MOPSO的一种变体,称为修改MOPSO [24)使用,惯性因素 和收缩系数( )介绍了在速度更新所示(1),分别。网络拥有最低的成本函数是选为“总是最好的连接”在异构环境中网络或最佳访问网络。基于MOPSO,一个新的回归算法决定寻求最好的网络连接移动节点的访问网络。该模型有一个成本函数在每个情况来衡量网络的质量。我们计划预测RSSI每次提高选择,和预测单元的输出应该被发送到选择单元。因为选择最好的网络是一个多目标问题,因此MOPSO可以有效率,因为访问网络选择冲突目标的最小化和最大化。例如,垂直切换决策算法应该选择高RSSI的接入网,ABR,信噪比,和吞吐量,而且该算法还需要选择最好的网络较低的误码率,交接率和中断概率。我们的策略是伪代码所示的操作1。

%% MOPSO参数
麦克斯特= 200;%的最大迭代数
nPop = 50;%的人口规模
nRep = 50;%库大小
w = 0.5;%惯性权重
wdamp = 0.99;重量%惯性阻尼率
c1 = 1;%个人学习系数
c2 = 2;%全球学习系数
nGrid = 5;%每个维度的网格数量
α= 0.1;通货膨胀率%
β= 2;%的领导人选择压力
γ= 2;%删除选择压力
μ= 0.1;%突变率
% %初始化
流行= repmat (empty_particle nPop 1);
因为我= 1:nPop
流行(我).Position = unifrnd (VarMin, VarMax VarSize);
流行(我).Velocity = 0 (VarSize);
流行(我).Cost = CostFunction(流行(我).Position);
%更新个人最好
流行(我).Best.Position =流行(我).Position;
流行(我).Best.Cost =流行(我).Cost;
结束
%确定统治
流行= DetermineDomination(流行);
代表=流行(~ [pop.IsDominated]);
网格= CreateGrid(代表、nGridα);
i = 1:元素个数(代表)
代表(我)= FindGridIndex(代表(i)、网格);
结束
% % MOPSO主循环
为它= 1:麦克斯特
因为我= 1:nPop
领袖= SelectLeader(代表、β);
流行(我)。.Velocity速度= w *流行(我)…
+ c1 *兰德(VarSize)。*(流行(我).Best.Position-pop(我).Position)…
+ c2 *兰德(VarSize)。* (leader.Position-pop(我).Position);
流行(我)。位置=流行(我)。位置+流行(我).Velocity;
流行(我)。成本= CostFunction(流行(我).Position);
%应用突变
点= (1 - (1)/ (MaxIt-1))∧(1 /μ);
NewSol.Position =变异(流行(我).Position点、VarMin VarMax);
NewSol.Cost = CostFunction (NewSol.Position);
代表=[代表;流行(~ [pop.IsDominated])];% Non-Dominated粒子添加到存储库中
代表= DetermineDomination(代表);%确定Resository新成员的主导地位
代表=代表(~ [rep.IsDominated]);%只保留Non-Dminated Memebrs在存储库中
网格= CreateGrid(代表、nGridα);%更新网格
i = 1:元素个数(代表)%更新网格索引
代表(我)= FindGridIndex(代表(i)、网格);
结束
如果元素个数(代表)> nRep%检查仓库是否完整
额外的=元素个数(代表)-nRep;
e = 1:额外的
代表= DeleteOneRepMemebr(代表、γ);
结束
结束
伪代码1
网络选择MOPSO伪代码。

5。计算实验的多目标粒子群优化(MOPSO)

节3.3的功效CF-PSO预测四个接入点接收到的信号强度值附近。我们解释了MOPSO小说模式,候选接入点的最佳选择,作为一个聪明的方法设计的场景。在MOPSO算法中,我们进行了模拟结果证明了该方案的可行性,使用仿真软件,QualNet 7.0。这个实验是一个垂直的情况下3 g网络和无线局域网之间的交接。场景模拟的QualNet由UMTS BS和IEEE 802.11 APs。WLAN基于IEEE 802.11 b标准,和物理数据率是11 Mbps。3 g通用移动通信系统的容量是384 kbps。所有链接除了无线链接有一个100 Mbps的能力。特别的按需距离矢量(AODV)协议作为反应式路由协议(26]。该协议提供了快速收敛特设网络拓扑变化时(通常情况下,当一个节点移动网络)。

如图8,移动节点可以在固定的时间在UMTS的覆盖范围。然而,由于运动,它可以进入的领域涵盖多个访问网络,也就是说,同时覆盖区域内,例如,UMTS BS和IEEE 802.11美联社。多个IEEE 802.11无线局域网覆盖区域通常由UMTS覆盖范围内。自从WLAN1覆盖范围较低,当移动用户移动WLAN1区域,准确和及时的存在切换决定保持连接损失前的WLAN访问是必要的。随后,用户可以进入在UMTS网络所涵盖的地区,然后用户可以进入WLAN2区域以最低的成本实现更高的QoS。因此,用户更改WLAN2连接。移动节点与UMTS或无线局域网监控措施 这是接收到的信号强度的多样性之间的网络附近的无线局域网/ UMTS检查是否一个访问网络提供高数据率。


图8
模拟场景。

评估算法的性能在一个场景中,当移动节点与一个恒定的速度移动沿着一条直线路径WLAN1所覆盖的区域覆盖的UMTS然后在WLAN2所覆盖的区域。显然,随着距离的增加,平均的RSS, ABR、信噪比和吞吐量将减少和数量也会增加。通过计算成本价值基于迭代的数量,可以选择一个最优的网络呈现在图9。

(一)”name=
(一)
(b)”name=
(b)
(c)”name=
(c)
(d)”name=
(d)
图9
(一)平均RSS和距离,(b) ABR与距离,(c)信噪比和距离,和(d)吞吐量和距离在无线局域网和UMTS移动异构环境,上: (22和信噪比: (23]; 每一点能源,收到吗 是信道的噪声功率。

使用CF-PSO MOPSO算法预测相比,RBF网络基于垂直传递的数量。组成的异构无线网络场景的无线局域网和通用移动通信系统(UMTS) / B3G是显示在图8。模拟,评估异构无线网络包含4到10移动终端和无线局域网。采用随机路点的流动为每个移动节点和随机方向随机速度从1到25米/秒,UMTS的数量= 1时,泊松分布是6到16日到达率和带宽的B3G / UMTS和WLAN是384 kb / s和54 Mb / s,分别。拓扑占地2000米长,2000米宽。仿真考虑两类交通,即恒定比特率(CBR)和可变比特率(VBR)。丛发性应用程序产生的VBR(可变比特率)交通流,而不断产生CBR应用交通流。CBR交通流很容易预测模型,它对网络的性能的影响。数据速率的CBR B3G和WLAN的50到200 (Kbps)和低和高数据率的VBR B3G和WLAN 10 (Kbps)和1.6 (Mbps),分别为(27]。

图10显示了该方法的评价通过比较垂直传递的数量。显然,该预测方法大大提高了垂直传递的数量。95%的置信区间图的仿真结果10从30创建独立的运行。垂直传递的方法的数量增加时,到达率增加。CF-PSO方法,提出了预测模型结果在最少的垂直传递。因此,CF-PSO方法优于其他方法的数量在异构无线网络垂直传递。


图10
比较不同到达率下垂直传递的数量。

图11展示了细胞异构网络之间的状态变化对基于该算法的距离。很明显,当距离增加,成本价值提高蜂窝网络。增加迭代次数的影响成本的价值已经被检查发现必要的迭代次数达到最佳状态。迭代是不同的从10到100年基于100年之后发现没有显著变化连续迭代对于无线局域网和UMTS蜂窝网络,分别。


图11
无线局域网之间的网络选择和UMTS基于该算法。

6。结论

我们提出了一个新的MOPSO-based垂直切换决策算法。我们的目标是实现一个优化MOPSO在小成本函数,由于这个原因,MOPSO规则提出了异构无线网络。CF-PSO预测模型能够减少不必要的交接,避免“乒乓效应”在异构无线环境。我们的小说部分计划旨在使移动节点足够聪明能够自动确定最佳网络使用数据的预测。实验结果表明,接收到的信号强度预测的指标参数,模型基于CF-PSO比RBF神经网络模型更有效。选择决定函数被定义为一个成本函数组成的五个参数,即RSS, ABR的误码率、信噪比和吞吐量 。该方法与执行几个测试问题的成本函数评估所需的数量,发现的质量解决方案,成功的最小化,和平均成本函数。几个实验进行优化的垂直切换决策算法在异构无线网络以一种聪明的方式。MOPSO-VHO有低成本函数相比以前的作品。仿真结果表明,我们建议的垂直切换决策算法能够最小化代价函数,减少不必要的交接,避免“乒乓效应”,并选择最佳访问网络,优化网络环境,服务质量需求,移动终端条件,和用户首选项。

利益冲突

作者宣称没有利益冲突有关的出版。

确认

作者要感谢教育部、马来西亚、资助这个研究项目通过马来西亚各种大学的研究型大学格兰特(UTM),马来西亚日本国际理工学院(MJIIT)和i-Kohza计算机系统和网络(CSN)。同时,作者感谢马来亚大学金融支持(BKP格兰特bk060 - 2014)和设施来开展工作。

引用

  1. l . Giupponi r . Agusti j . Perez-Romero, o . Sallent”小说与强化学习机制,联合无线资源管理方法”《24日IEEE国际性能、计算和通信会议(IPCCC 05)IEEE,页621 - 626年,凤凰城,亚利桑那州,美国,2005年4月。视图:出版商的网站|谷歌学术搜索
  2. a·威尔逊,a . Lenaghan和r·宝”优化无线接入网络选择保持QoS在异构无线环境中,”学报》第八届国际研讨会上无线个人多媒体通信(WPMC 05)2005年9月,Aalborg,丹麦,。视图:谷歌学术搜索
  3. a·艾哈迈德·l·m·Boulahia, d . Gaiti”使异构无线网络垂直切换决策:最先进的一个分类,“IEEE通信调查和教程,16卷,不。2、776 - 811年,2014页。视图:出版商的网站|谷歌学术搜索
  4. s . Paul j .锅,r . Jain,“架构未来网络和下一代互联网:一项调查,“计算机通信,34卷,不。1,2-42,2011页。视图:出版商的网站|谷歌学术搜索
  5. 和v c . m . p . TalebiFard t . Wong Leung)”访问和服务融合在移动网上调查,“计算机网络,54卷,不。4、545 - 557年,2010页。视图:出版商的网站|谷歌学术搜索
  6. z罪犯,m . Ayari r . Langar, g . Pujolle“自主网络体系结构的调查和评估标准,“IEEE通信调查和教程,14卷,不。2、464 - 490年,2012页。视图:出版商的网站|谷歌学术搜索
  7. 诉Rakovic和l . Gavrilovska”小说鼠基于Hopfield神经网络选择机制,”论文发表在国际大会上超现代通信和控制系统和研讨会(ICUMT 10),页210 - 217年,莫斯科,俄罗斯,2010年10月。视图:出版商的网站|谷歌学术搜索
  8. a . Calhan和c Ceken”,基于人工神经网络的垂直切换算法减少切换延迟,”无线个人通信,卷71,不。4、2399 - 2415年,2013页。视图:出版商的网站|谷歌学术搜索
  9. a . Calhan和c . Ceken”案例研究在无线覆盖网络的切换策略,”计算机标准和接口,35卷,不。1,第178 - 170页,2013。视图:出版商的网站|谷歌学术搜索
  10. w . n . Wang史、美国球迷和s .刘”PSO-FNN-based在异构无线网络垂直切换决策算法,”Procedia环境科学部分,卷。11日,55 - 62、2011页。视图:出版商的网站|谷歌学术搜索
  11. 刘x和L.-G。江”,一种新颖的基于模糊逻辑的垂直切换算法的援助的灰色预测理论在无线异构网络,”上海交通大学学报(自然科学),17卷,不。1、25 - 30,2012页。视图:出版商的网站|谷歌学术搜索
  12. a . Singhrova和n .普拉卡什“垂直切换决策算法在异构无线网络,提高服务质量”专业的沟通》第六卷,没有。2、211 - 223年,2012页。视图:出版商的网站|谷歌学术搜索
  13. a . k . Pahlavan p•克里希纳穆尔蒂Hatami et al .,“切换混合移动数据网络,”IEEE个人通信,7卷,不。2,34-47,2000页。视图:出版商的网站|谷歌学术搜索
  14. z奥特曼,s . Sallem r·纳斯里b . Sayrac和m . Clerc”粒子群优化的流动性在LTE网络负载平衡的儿子,”车间IEEE无线通信和网络研讨会论文集(WCNCW 14)IEEE,页172 - 177年,伊斯坦布尔,土耳其,2014年4月。视图:出版商的网站|谷歌学术搜索
  15. X.-W。王,P.-Y。“秦、黄m和h . Cheng细分算法基于QoS切换决策方案与ABC支持”《IEEE国际智能计算和智能会议系统(艾多酷' 09),第427 - 423页,上海,中国,2009年11月。视图:出版商的网站|谷歌学术搜索
  16. s . Venkatachalaiah r·j·哈里斯和j·墨菲,“改善无线网络切换使用灰色和粒子群优化,”第二届国际会议上计算、通信和控制技术(CCCT ' 04)5卷,第373 - 368页,奥斯汀,德克萨斯州,美国,2004年8月。视图:谷歌学术搜索
  17. m . Rehan m . Yousaf A加尤姆表示和s·马利克,“跨层以用户为中心的垂直切换决策方法基于MIH当地触发”无线和移动网络卷,308年,页359 - 369,施普林格,柏林,德国,2009年。视图:出版商的网站|谷歌学术搜索
  18. m . o . Ansong H.-X。姚,j·s·黄”,径向和乙状结肠基函数神经网络在无线传感器路由拓扑控制地下矿山救援行动基于粒子群优化,“国际期刊的分布式传感器网络ID 376931条,卷。2013年,14页,2013。视图:出版商的网站|谷歌学术搜索
  19. 学术界。郭,T.-A。刘,黄永发。陈,C.-M。j . Chang和C.-J。Shieh”,响应面方法和人工神经网络优化酶的合成醋酸2-phenylethyl在无溶剂系统中,“生物催化和农业生物技术,3卷,不。3、1 - 6,2014页。视图:出版商的网站|谷歌学术搜索
  20. p . Shabanzadeh r·尤索夫和k . Shameli“人工神经网络建模的银纳米粒子的大小在蒙脱土/淀粉bionanocomposites准备,”工业和工程化学杂志》上,24卷,42-50,2015页。视图:出版商的网站|谷歌学术搜索
  21. 通用汽车香、“受监视的影像分类延时和RBF神经网络有或没有一个详尽的组类定义,“国际遥感杂志》上,25卷,不。15日,第3104 - 3091页,2004年。视图:出版商的网站|谷歌学术搜索
  22. h·d·费斯j·b·Soriaga和p h·西格尔,”可以实现信息的有限状态ISI频道,”《IEEE全球电信会议(GLOBECOM ' 01)5卷,第2996 - 2992页,IEEE,圣安东尼奥,德克萨斯州,美国,2001年11月。视图:出版商的网站|谷歌学术搜索
  23. f·r·雷扎,“最优范围移动通信数据传输,”国际科学与工程研究杂志》上,3卷,不。4、481 - 489年,2012页。视图:谷歌学术搜索
  24. c . a . Coello Coello和m . s . Lechuga MOPSO:多目标粒子群优化的建议,”美国国会对进化计算(CEC 02),卷2,页1051 - 1056,IEEE,檀香山,夏威夷,美国,2002年5月。视图:出版商的网站|谷歌学术搜索
  25. m . Reyes-Sierra a和c Coello Coello”,多目标粒子群优化器:最新的一项调查,“计算智能研究的国际期刊,卷2,不。3、287 - 308年,2006页。视图:谷歌学术搜索
  26. c·e·帕金斯,e . m .罗耶s . r . Das和m . k .滨”两个按需路由协议的性能比较特设网络,”IEEE个人通信,8卷,不。1,16-28,2001页。视图:出版商的网站|谷歌学术搜索
  27. B.-J。Chang和肯尼迪。陈,“Cross-layer-based适应性与预测RSS在异构无线网络垂直切换,”IEEE车辆技术卷,57号6,3679 - 3692年,2008页。视图:出版商的网站|谷歌学术搜索

版权©2015 Shidrokh Goudarzi等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。

更多相关文章

PDF 下载引用 引用
下载其他格式更多的
ePub
XML
订单打印副本订单
的观点1859年
下载1215年
引用

相关文章

文章奖:2020年杰出的研究贡献,选择由我们的首席编辑。获奖的文章阅读。