基于DA優化模糊神經網絡的異構無線網絡接入選擇算法

錢志鴻，馮一諾，孫佳妮，王雪

（吉林大學通信工程學院，吉林 長春 130012）

1 引言

社會經濟的快速發展、5G 部署的不斷推進以及人們對高質量信息通信的需求等因素促使無線移動通信技術飛速發展[1-2]。下一代無線網絡將會是由多種無線接入技術共同組成，可提供多種接入方式、支持終端無縫移動的異構無線網絡[3]。網絡接入選擇是異構無線網絡融合的關鍵技術之一，其主要功能是對用戶的接入請求進行控制，并選擇某一個網絡為用戶提供連接服務[4]。如何在兼顧用戶和網絡兩方面的情況下，為用戶選擇最適合的網絡并保證用戶的服務質量，已經成為研究熱點。

目前，國內外針對異構無線網絡接入選擇問題已經提出了以下幾類算法：基于多屬性決策的接入選擇算法[5-7]、基于效用理論的接入選擇算法[8-10]、基于馬爾可夫過程的接入選擇算法[11]、基于模糊邏輯的接入選擇算法[12-13]、基于神經網絡的接入選擇算法[14]。其中，文獻[5]提出一種基于信干噪比和層次分析法的簡單加權法（SAW,weighted method of simple additivity）垂直切換算法，利用層次分析法確定屬性矩陣，然后用簡單加權法進行判決。文獻[6]提出一種基于多屬性決策的接入選擇算法，采用模層次分析法確定類間和類內的權重，再用馬氏距離對替代方案進行排序。文獻[7]提出了一種基于層次分析法和灰色關聯分析的切換網絡決策機制。以上基于多屬性決策的接入選擇算法雖然綜合考慮了網絡的屬性問題，但屬性參數過多會增加算法的復雜度。文獻[8-9]提出了一系列效用函數，但都停留在傳統意義上。文獻[10]提出了一種基于異構無線網絡的終端多接入選擇機制，通過效用函數在終端功耗與吞吐量閾值范圍內平衡終端功耗和數據傳輸速率，以此選擇參與并行傳輸的網卡，能夠顯著減少不必要的重復選擇。文獻[11]在利用馬爾可夫模型分析2 個融合網絡如何接入的基礎上，針對無線通信網絡、陸地無線接入網、無線局域網（WLAN,wireless local area network）的融合網絡，提出了一個三維的馬爾可夫模型，分別通過負載和業務2 個方面對系統的性能進行了分析。文獻[12]提出了一種基于模糊邏輯的多準則垂直切換模型。文獻[13]提出了一種基于模糊邏輯的分級垂直切換算法，將接收信號強度、帶寬、時延輸入一級模糊邏輯系統，結合規則自適應匹配，推理出服務質量模糊值，并通過服務質量模糊值對網絡進行初步篩選得到候選網絡集；然后通過觸發機制觸發二級模糊邏輯系統，并將候選網絡的服務質量模糊值、網絡負載率、用戶接入費用輸入二級模糊邏輯系統，同時結合規則自適應匹配，得到輸出判決值，從而選擇最佳接入網絡?；谀：壿嫷慕尤脒x擇算法雖然將不確定的參數進行準確的表達，但卻不具備學習能力。文獻[14]提出了一種基于神經網絡的機器學習方案，將每個屬性的估計值轉發到神經網絡以選擇最佳訪問網絡?；谏窠浘W絡的接入選擇算法雖具備學習能力，但無法處理模糊屬性?？紤]以上問題，本文將模糊邏輯與神經網絡相結合，提出了基于蜻蜓算法（DA,dragonfly algorithm）優化模糊神經網絡（FNN,fuzzy neural network）的異構無線網絡接入選擇算法，即DA-FNN。

本文的主要研究工作分為以下三方面。

1) 構建了五層模糊神經網絡模型，主要包括輸入層、模糊化層、2 個模糊推理層以及解模糊層，利用強化學習過程自適應調整模糊神經網絡第二層和第五層隸屬度函數參數，訓練模糊神經網絡。

2) DA 尋優。DA 尋優過程用于尋找模糊神經網絡第二層和第五層高斯隸屬度函數均值和方差的最優初始值，主要是根據蜻蜓群體在自然界的5 種行為方式，利用一定數目的蜻蜓尋找其食物位置和天敵位置，將食物位置作為所求最優初始值，再用尋優后的初始值進行模糊神經網絡訓練。

3) 進行仿真實驗，驗證本文所提算法的優越性。

2 模糊神經網絡模型

本文提出的基于DA 優化模糊神經網絡的異構無線網絡接入選擇算法構建了五層模糊神經網絡，具體結構如圖1 所示。

2.1 模糊神經網絡結構

第一層為輸入層。本文的備選網絡有3 個，分別是通用移動通信系統的長期演進（LTE,long term evolution）、WLAN1、WLAN2。網絡屬性有2 個，分別是帶寬BW 和時延D。本文將所有備選網絡的屬性設置為輸入數據，那么輸入層的輸入數據共有3 × 2=6個，分別是BWLTE、DLTE、BWWLAN1、DWLAN1、BWWLAN2、DWLAN2，則第一層共有6 個節點，每個節點對應一個輸入數據，其輸入和輸出是相等的，表達式為

第二層為模糊化層。模糊化層的作用是將輸入數據進行模糊化處理。一般情況下，隸屬度函數分為三角隸屬度函數、鐘形隸屬度函數、高斯隸屬度函數和梯形隸屬度函數[15]。本文采用高斯隸屬度函數，將輸入數據模糊為低（L,low）、中 （M,medium）、高（H,high）3 個等級，則第二層共有3 × 6=18個節點，且一個節點對應一個輸入數據，輸入和輸出的表達式分別為

圖1 模糊神經網絡結構

第三層為模糊推理層1。模糊推理的作用在于建立模糊規則，模糊規則采用if…then…的形式。例如“if(x1=d,x2=g)，then(y=p)”，其中，x1、x2和y分別為輸入和輸出數據，d和g分別為x1和x2對應的輸入數據模糊集，p為輸出數據模糊集[15]。本文的輸入數據有6 個，由于每個輸入都包含3 個模糊集，且該層中的每個節點都對應不同模糊集的組合，因此經模糊推理后可以得到36=729 個模糊規則，第三層共有729 個節點，表1 列舉了5 條規則。

將第二層的輸出數據取最小運算（min）作為第三層的輸入數據，且第三層的輸入數據與輸出數據相等，則輸入和輸出的表達式分別為

第四層為模糊推理層2。第四層的節點代表輸出層網絡評分的隸屬度函數值，3 個備選網絡的評分也模糊化為L、M、H 這3 個等級，則第四層共有3 × 3=9個節點，每個節點都對應一個模糊集。將對應第四層同一節點的所有第三層節點求和（sum）做模糊或操作，得到輸入和輸出的表達式分別為

表1 模糊規則舉例

其中，i=1,2,…,9，Gi是使輸出層節點對應同一模糊集的規則數的集合，j是與第四層的節點i相連的第三層節點，是第四層節點i的第j個輸入數據。

第五層為輸出層，又叫作解模糊層。常用的解模糊的方法有最大隸屬度法、加權平均法、面積重心法等。本文采用面積重心法進行解模糊，解模糊的作用是將第四層得到的輸出節點的隸屬度函數解模糊為精確的輸出值，得到的輸出值即為備選網絡的評分[15]，分別為和則第五層共有3 個節點，利用面積重心法解模糊得到輸入和輸出的表達式分別為

其中，i=1,2,3，B i是與第五層節點i相連的第四層節點的集合，j是與第五層的節點i相連的第四層節點，分別是第五層高斯隸屬度函數的均值和方差，是第五層節點i的第j個輸入數據。

2.2 強化學習過程

本文的強化學習過程旨在訓練模糊神經網絡第二層及第五層隸屬度函數的均值和方差，訓練過程是通過反向誤差傳播過程（BP,back propagation）實現的。BP 神經網絡是一種誤差反向傳播訓練的多層前饋網絡，其學習規則通常使用梯度下降法[15]，通過反向傳播實現對均值和方差的不斷調整，以減小實際輸出評分與期望輸出評分之間的差距，具體實現過程如下。

步驟1計算模糊神經網絡第五層的實際輸出評分與期望輸出評分的均方誤差E，設實際輸出為ri(i=1,2,3)，期望輸出為hi，則均方誤差E的表達式為

其中，K=3為模糊神經網絡第五層輸出節點的個數。

步驟2利用梯度下降法建立學習規則，進而自適應調整隸屬度函數的參數。將需要調整的參數設為ω，自適應調整的目標函數為

其中，α為學習效率，t為迭代次數。

步驟3計算第五層和第二層高斯隸屬度函數的均值和方差。

1) 第五層高斯隸屬度函數的均值和方差的表達式分別為

根據均值的求解過程，可類比得到方差的表達式為

2) 第二層高斯隸屬度函數的均值和方差的表達式分別為

將式(3)代入式(21)可得

由于第二層節點的輸出影響著第三層節點的輸入，且第三層有729 個節點，則

由于第三層節點的輸出影響著第四層節點的輸入，且第四層有9 個節點，則有

將式(24)～式(28)代入式(23)，可得第二層高斯隸屬度函數的均值的表達式為

根據均值的求解過程，可類比得到方差的表達式為

3 蜻蜓算法優化模糊神經網絡

蜻蜓算法是一種新的群體智能優化技術，其主要靈感來源于自然界中蜻蜓的靜態和動態群居行為。在蜻蜓算法中，蜻蜓個體通過避撞行為、結對行為、聚集行為、覓食行為和避敵行為進行覓食和尋優[16]。

3.1 蜻蜓群體的行為方式

1) 避撞行為，指個體與鄰域內其他個體的靜態避碰。避撞行為的位置向量為

其中，X為當前個體的位置，Xj為相鄰個體j的位置，N為相鄰個體的數量。

2) 結對行為，指個體與相鄰個體保持一致的速度。結對行為的位置向量為

其中，Vj為第j個相鄰個體的速度，N為相鄰個體的數量。

3) 聚集行為，指個體傾向于向相鄰個體的中心聚集。聚集行為的位置向量為

其中，X為當前個體的位置，Xj為第j個相鄰個體的位置，N為相鄰個體的數量。

4) 覓食行為，指自然界中生存的蜻蜓會本能地向食物源接近。覓食行為的位置向量為

其中，X為當前個體的位置，X+為食物源的位置。

5) 避敵行為，指自然界中生存的蜻蜓會本能地遠離天敵。避敵行為的位置向量為

其中，X為當前個體的位置，X-為天敵的位置。

根據以上5 種蜻蜓群體行為可以得到蜻蜓個體的步長向量為

其中，s、a、c、f、e分別為5 種蜻蜓群體行為的權重，w為慣性權重，t為當前迭代次數。

綜上，蜻蜓個體的位置向量為

3.2 蜻蜓算法優化模糊神經網絡的過程

本文利用蜻蜓算法中蜻蜓群體的5 種行為方式來尋找高斯隸屬函數的最優初始值，具體過程如下。

步驟1初始化種群規模N和最大迭代次數T，本文設置蜻蜓群體個數為10，最大迭代次數為500 次，即N=10，T=500。

步驟2隨機初始化步長向量為ΔX、隨機產生蜻蜓個體的初始位置為X，本文取模糊神經網絡第二層和第五層中每個節點對應的高斯隸屬度函數的均值和方差構成向量作為蜻蜓個體的初始位置。蜻蜓個體的初始位置向量為

其中，m和b分別代表每個節點的高斯隸屬度函數的均值和方差。

步驟3令t=1，將訓練集輸入模糊神經網絡，根據式(10)可以得到模糊神經網絡的均方誤差，然后將均方誤差作為蜻蜓算法的適應度函數，計算所有蜻蜓個體的適應度。適應度越小代表均方誤差越小，通過將適應度排序可以得到最小適應度和最大適應度所對應的蜻蜓位置向量，分別為X+和X?，也就是蜻蜓群體的食物源位置和天敵位置。適應度函數為

步驟4根據步驟3 可以更新模糊神經網絡的最優均值、方差和最差均值、方差對應的位置向量，即X+和X?。同時，更新5 種行為權重s、a、c、f、e和慣性權重w。

步驟5根據式(31)～式(36)更新5 種行為位置向量S、A、C、F、E，并更新步長和位置向量。

步驟6若t＞T，保存此時的食物源位置X+，也就是最優模糊神經網絡參數；否則，繼續迭代(t=t+1)，返回步驟3。

步驟7將結束迭代時對應的食物源位置向量中的參數m、b作為模糊神經網絡第二層和第五層相應節點的高斯隸屬度函數的初始參數，然后開始訓練模糊神經網絡。

4 網絡接入選擇

本文將有業務產生的用戶類型分為2 類，一類是實時業務用戶，另一類是非實時業務用戶，設置2 類用戶對 3 個網絡的偏好程度分別為W1=[0.4,0.3,0.3]、W2=[0.4,0.4,0.2]。在進行網絡接入選擇時，先對用戶位置進行判斷，然后綜合考慮不同業務類型下用戶對網絡的偏好程度和網絡輸出評分兩方面因素，對輸出評分做加權處理，作為最后的評價標準，具體情況如下。

1) 當實時業務用戶或非實時業務用戶位于LTE 覆蓋區域，但不在WLAN1和WLAN2的覆蓋區域時，選擇接入LTE。

2) 當實時業務用戶位于LTE和WLAN1的重疊覆蓋區域時調用模糊神經網絡，若0.4OUTLTE＞，選擇接入 LTE；否則選擇接入WLAN1。當非實時業務用戶位于LTE 和WLAN1的重疊覆蓋區域時，若選擇接入LTE；否則選擇接入WLAN1。

3) 當實時業務用戶位于LTE和WLAN2的重疊覆蓋區域時調用模糊神經網絡，若選擇接入LTE；否則用戶選擇接入WLAN2。當非實時業務用戶位于LTE和 WLAN2的 重 疊 覆 蓋 區 域 時，若選擇接入LTE；否則用戶選擇接入WLAN2。

4) 當實時業務用戶位于LTE、WLAN1、WLAN2這3 個網絡的重疊覆蓋區域時，調用模糊神經網絡，比較0.4OUTLTE、的大小，選擇三者中最大的進行接入；當非實時業務用戶位于LTE、WLAN1、WLAN2這3 個網絡的重疊覆蓋區域時，調用模糊神經網絡，比較0.4OUTLTE、的大小，選擇三者中最大的進行接入。

5 仿真分析

為了驗證本文提出的DA-FNN 的性能，本節將其與SAW[5]、Fuzzy-Logic[12]以及FNN 進行對比仿真分析。首先，對比DA-FNN 與FNN 的均方誤差曲線的收斂速度，然后對比分析這4 種算法在200 輪仿真實驗后各網絡性能指標的平均值，包括接入阻塞率、系統吞吐量、平均切換處理時延、切換次數以及用戶滿意度。

5.1 仿真場景

本文的仿真場景是由LTE、WLAN1、WLAN2構成的重疊覆蓋網絡區域，如圖2 所示?？紤]到實際場景中用戶的移動性，和不同用戶的移動方向的差異，本文設置100 個用戶隨機分布在仿真區域中，并隨機產生用戶的移動方向，每個用戶的移動速度為3 m/s[17-18]。

圖2 仿真場景

本文設置實時業務和非實時業務均按照泊松分布到達，每隔5 s 判斷一次所有用戶的位置，對有業務需求的用戶調用模糊神經網絡進行網絡接入選擇，共判斷120 次，即10 min 內的網絡接入選擇情況。仿真參數設置如表2 所示。

5.2 結果分析

本文使用MATLAB R2018b 進行仿真，仿真結果如下。

圖3 和圖4 分別為DA-FNN 算法與FNN 算法的均方誤差曲線，圖3 中的均方誤差值經過100 次迭代后從0.345 下降到0.002，圖4 中的均方誤差值經過100 次迭代后從0.187 下降到0.002，DA-FNN相比于FNN 的收斂速度提高了85.41%。

表2 仿真參數

圖3 DA-FNN 算法的均方誤差曲線

圖4 FNN 算法的均方誤差曲線

圖5 是在業務到達率λ為1～8 時，DA-FNN、FNN、SAW、Fuzzy-Logic 這4 種算法的接入阻塞率對比。當λ=6時，DA-FNN 的接入阻塞率相比FNN、SAW、Fuzzy-Logic 分別降低了68.58%、96.17%、99.28%。當λ=7時，DA-FNN 的接入阻塞率相比FNN、SAW、Fuzzy-Logic 分別降低了40%、75%、84.21%。當λ=8時，DA-FNN 的接入阻塞率相比FNN、SAW、Fuzzy-Logic 分別降低了15.79%、48.39%、60%。

圖5 接入阻塞率對比

圖6 是在業務到達率λ為1～8 時，DA-FNN、FNN、SAW、Fuzzy-Logic 這4 種算法的系統吞吐量對比，DA-FNN 的系統吞吐量一直高于其他3 種算法，當λ=8時，4 種算法的系統吞吐量分別為263.9 Mbit/s、251.2 Mbit/s、230 Mbit/s、224.4 Mbit/s。

圖6 系統吞吐量對比

圖7 是在業務到達率λ為1～8 時，DA-FNN、FNN、SAW、Fuzzy-Logic 這4 種算法的用戶滿意度對比。本文的用戶滿意度是指在接入成功的前提下，用戶能夠接入期望網絡的次數占總成功接入次數的比例。本文的用戶期望網絡是根據實時業務用戶和非實時業務用戶對3 種網絡的偏好程度確定的，實時業務用戶對 3 種網絡的偏好程度為W1=[0.4,0.3,0.3]，非實時業務用戶對3 種網絡的偏好程度為W2=[0.4,0.4,0.2]。當實時業務用戶位于LTE 區域并且不在WLAN1和WLAN2的區域內時，期望網絡為LTE；當實時業務用戶位于LTE 和WLAN1的重疊區域內時，期望網絡為LTE；當實時業務用戶位于LTE 和WLAN2的重疊區域內時，期望網絡為LTE；當實時業務用戶位于LTE、WLAN1和WLAN2的重疊區域內時，期望網絡為LTE。當非實時業務用戶位于LTE 區域并且不在WLAN1和WLAN2的區域內時，期望網絡為LTE；當非實時業務用戶位于LTE 和WLAN1的重疊區域內時，期望網絡為LTE 或WLAN1；當非實時業務用戶位于LTE 和WLAN2的重疊區域內時，期望網絡為LTE；當非實時業務用戶位于LTE、WLAN1和WLAN2的重疊區域內時，期望網絡為LTE 或WLAN1。當λ=8時，4 種算法的用戶滿意度分別為99.68%、99.34%、98.17%、95.28%，DA-FNN的用戶滿意度相比于其他3 種算法分別提高了0.34%、1.54%、4.62%。

圖7 用戶滿意度對比

圖8 是在業務到達率λ=1、決策時間為1～5 min時，DA-FNN、FNN、SAW、Fuzzy-Logic 這4 種算法的切換次數對比。由于用戶是隨機移動的，當用戶所在的網絡區域變化時可能產生網絡的切換，隨著決策時間的增加，4 種算法的切換次數都在增加，但DA-FNN 的切換次數整體稍低于其他3 種算法。

圖9 是DA-FNN、FNN、SAW、Fuzzy-Logic這4 種算法的平均切換處理時延對比。4 種算法的平均切換處理時延分別為4.282 ms、4.241 ms、1.951 ms、4.782 ms。平均切換處理時延代表了算法處理切換所需要的時間，而算法本身的復雜度不同導致運算量存在差異，運算量越大的算法處理切換需要的時間就越長。SAW 是適用范圍最廣的一種多屬性決策算法，其基本思想是對備選網絡的屬性效用進行加權處理，算法復雜度較低，運算量比較小，所以在4 種算法中SAW 的平均切換處理時延最小。DA-FNN、FNN 和Fuzzy-Logic 均使用了模糊邏輯理論，由于模糊邏輯理論存在人工干預多、推理速度慢、算法復雜度較高的缺陷，因此Fuzzy-Logic 的運算量較大、平均切換處理時延較高，而DA-FNN 和FNN 在模糊邏輯理論的基礎上利用神經網絡的學習能力降低算法復雜度，減少運算量，所以這2 種算法的平均切換處理時延比Fuzzy-Logic 小。

圖8 切換次數對比

圖9 平均切換處理時延對比

6 結束語

本文提出了基于DA 優化模糊神經網絡的異構無線網絡接入選擇算法，該算法既能通過模糊邏輯實現參數模糊化，具備自適應調整高斯隸屬度函數均值和方差的能力，又能提高原始模糊神經網絡的收斂速度。仿真結果表明，所提算法能夠提高模糊神經網絡的收斂速度，相較于 FNN、SAW、Fuzzy-Logic 這3 種算法，DA-FNN 能夠在降低異構無線網絡接入選擇的接入阻塞率的同時，提高系統吞吐量和用戶滿意度，并且切換次數在一定程度上低于其他3 種算法。