买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：武汉理工大学

摘要：本发明提出了一种QoS感知的5G智能步行导航方法，一种动态的ACOAntColonyOptimization,蚁群算法‑A*算法，该算法将以可回溯优先队列实现的动态A*算法与ACO算法结合起来，确保动态最短路径，同时基于状态表保证QoS要求。具体来说包含三个阶段：阶段1：建立基于系统模型的动态拓扑图结构并通过此构建状态表；阶段2：基于状态表利用ACO求解动态最短路径参考值；阶段3：利用ACO算法的参考值，设计基于可回溯数据结构的动态A*算法并通过动态ACO‑A*算法获取动态最短路。本发明创新性地利用可回溯优先队列来实现A*搜索算法的动态化，同时利用了ACO智能算法的可行解特性有效地减小了搜索空间、加快了求解速度。

主权项：1.一种QoS感知的5G智能步行导航方法，其特征在于，包括以下步骤：步骤1：通过建立抽象城市拓扑图、人口空间分布设定、蜂窝网络模型、信号传播模型以完成系统模型构建方案，基于系统模型，通过计算覆盖概率、数据传输率建立状态转移矩阵，并结合状态表构建算法实现状态表的构建方案；步骤2：利用ACO求解路径参考值技术方案；步骤3：基于动态化设计的A*算法实现通过动态ACO-A*算法获取路径的动态最短路求解方案；所述步骤2具体为：通过系统模型构建方案可以得到包含拓扑信息与状态信息的结构图GV，E，F，S；而本方案旨在使用完成基于状态表的动态ACO-A*算法中ACO部分；采用ACO来获得一组可行的解决方案，该解决方案用{Lr}表示，来搜索从源顶点Vs到目的顶点Vd的路径，其中Vs和Vd都属于GV，E，F，S；最佳解可被视为局部最优的可行的解；ACO的优点是能够找到可行的解决方案并保持高度的多样性；然而，ACO的缺点是它会倾向于陷入到一个局部最佳解；因此，由ACO产生的只能作为一个参考值使用，减少搜索空间，加速求解过程，以优化产生全局最优值的方案的时间效率；使用ACO来获得的值不同于传统到达路径规划问题；因为GV，E，F，S的状态表S是随时间动态变化的；使用原始没有改进的ACO来解决这个问题会面对以下两个“堵塞与‘死胡同’”的问题：因此，为了应对上述的两个问题需要对ACO算法进行优化改进得到智能ACO算法：初始化参数；在开始路线规划之前，将每个路段的信息素水平设定为τ0，并将m只蚂蚁放在起始顶点；选择路径；基于先前的传统ACO算法研究，在顶点vi的蚂蚁选择道路eij的概率为： 其中，是蚂蚁k选择道路eij的概率，τij是当蚂蚁经过eij后的信息素，而α、β是分别代表激素与距离影响的系数；根据最短路的目标，定义ηij＝1eij.dist；为了实现优化以适应当前研究问题，这里将Ni设为除了sijt＝0的与顶点vi相连的顶点集合，以解决堵塞问题；此外，如果蚂蚁k遇到死胡同的情况，它将站在当前的道路上并警告其他蚂蚁，降低其它蚂蚁访问此节点的概率以解决这个问题；信息素更新；更新包括增加和减少两种情况；对于减少，在选择一条道路后，信息素将以的百分比蒸发，从而减少 而对于增加，如果有一只蚂蚁，假设蚂蚁为F，到达目的地，将通过以下方式更新整个路径信息素： 其中Q是一个常数，代表到达目的地的奖励信息素，LF是蚂蚁F的路径长度；用这种方法，结果会更快地收敛；循环结束后，设定最短路径作为基于状态表的智能ACO算法最终求解得到的参考值所述步骤3具体如下：步骤3.1：实现由可回溯数据结构的实现与回溯操作的执行来达到A*算法的动态化设计；传统A*搜索算法是通过在Dijkstra算法中引入一个启发式函数来实现的，以提高路径规划的效率；假设在图GV，E中，路径规划是由起始顶点Vs到目的地顶点Vd；在整个求解过程中都有一个关键的数据结构，优先队列Q；对每一个v∈G.V都有：v.sp＝v.dist+costvv.sp表达了每个顶点的优先级；其中，v.sp表示从Vs到Vd通过v的最短路径的估值，v.dist是计算的从Vs到v的最短路径，costv是估计从v到Vd的最小成本的启发函数；通常情况下，在Q中v.sp较小的顶点会被优先考虑；因此，搜索过程是直接目的地导向的；为了实现最优求解，启发式函数costv的设计是很重要的；依靠合理设计的costv便可以保证本方案求解得到的动态最短路径的最优值；与A*算法中优先队列的重要作用类似，可回溯优先队列QR是获得动态最短路径的关键保证；QR的实现结合了两种数据结构，即优先队列Q和二叉搜索树T；除了利用每个顶点的优先级外，QR还需要存储先前的操作以实现回溯；优先性由优先队列Q实现；而相关操作的存储，即最短路径树中顶点的存储，由二叉搜索树T实现；为了更好地适应问题的情景对Q和T中的条目设计如下：Q中的条目NQ表示为：NQv，{vp，dist,sp}其中v，vp分别代表相应的顶点和其前驱；dist和sp对应于基本A*算法中v.dist和v.sp；T中的条目NT表示为：NTv，{vp，dist,sp，t}其中v，vp代表插入最短路径树的边的对应顶点和它的前驱；t是v的添加操作时间；dist是Vs到v在t的最短距离，sp代表在t时刻Vs到Vd经过边vp，v的路径的估值长度；这里考虑使用二叉平衡树，通过红黑树来实现T，记录操作序列，从而保证操作的高效执行；根据之前的设计，有两个数据结构Q与T，其具体用法含义如下；优先队列Q：可访问顶点集合；二叉搜索树T：从Q中删除的顶点，这些顶点被添加到最短路径树中；回溯的相关操作原则描述如下：确定动态变化所带来的影响：取决于发生变化的边euv即边u，v，影响可分为三类：无影响：当v既不在Q中也不在T中时，无需进行操作；直接更新：当v在Q中时，直接调整其数值，不管u，v边的权值增大还是减小都直接仅更新NQv.dist与NQv.sp；特定顶点的回溯：当v在T中时，其产生的影响取决于u，v边权值的变化；当权值增大时，由于对最短路是没有贡献的因此不需要进行任何操作；但是当权值减小时，称后继节点为v，而其前驱节点为vp，那么便需要回溯满足以下条件的NTv： 不断地回溯当前的后继与其前驱直到上式不满足为止；权重变化的影响会持续地从后继传到前驱，沿着图G的结构一层一层地传递影响并更新图G的信息来获得当前的路径信息；被影响节点的回溯：因为节点v已经从最短路径树T回溯到了队列Q中，v的一些出边可能会需要松弛并更新dist的值，这与在A*算法中的常规松弛相同；因此，QR会规律并连续地将最小sp值从Q加入到T中来扩展最短路径树，同时将可达顶点压入Q中；而一旦动态变化发生了，QR将根据上述的确定动态变化原则来适应相关变化；步骤3.2：动态ACO-A*算法获取路径；根据步骤3.1中的设计思想，通过设计可回溯数据结构并依据其回溯的执行步骤便可实现动态A*算法；而为了提高动态A*算法在时间性能方面的表现，由ACO生成的Lr可被利用作为参考值，以减小其搜索空间、优化动态A*的时间效率；动态ACO-A*算法是基于传统的A*搜索算法的，在极端情况下会退回为静态A*算法，通过对于所有的对应于eij∈E，其wij始终保持不变；而在发生变化时能自适应变化，解决此动态寻路问题；因此可以得到动态ACO-A*算法过程如下：初始化：对v∈V初始化其启发函数costv的数值，并对由源点Vs可达的顶点集设置其dist与sp的数值；建立最短路：从Vs到v，QR持续返回从Q中具有最小sp值的条目以保证寻路过程是目标导向的；同时，QR利用了ACO产生的来减少不必要的计算，提高运行效率；触发动态变化：当图G在当前时间存在变化时，动态处理将被触发；sij在时间t上的变化的数学表达可以通过异或运算表示为： 其中，Tc和Tt-δt代表当前时间和前一时间；然后，依据动态变化所带来的三中影响来进行处理；三种影响：基于A*动态设计细节部分的内容，变化的影响包括：无效果、直接更新与特定顶点回溯；对于特定顶点回溯操作的细节，需要将在T中满足条件的顶点从T中清除，以确保Q和T中没有冲突并保持一致；以此执行算法，最终得到由动态ACO-A*算法计算的能够满足用户QoS的最短路线规划。

全文数据：

权利要求：

百度查询： 武汉理工大学 一种QoS感知的5G智能步行导航方法