1.一种超密集缓存网络中联合分簇、卸载与资源的优化方法,其特征在于,包括:步骤S1:获取超密集缓存网络的网络基础信息,根据网络基础信息构建网络系统,网络系统包括通信模型、缓存模型、计算模型,并在缓存服务器分簇与缓存容量约束下构建优化问题,优化问题为系统时延最小化问题;
步骤S2:根据优化问题得到初始解,并将初始解定义为亲代种群,采用水波能量衰减算法对亲代种群进行搜索,最后输出全局最优个体的位置,即可求得系统时延最小的解;水波能量衰减算法对亲代种群进行搜索的过程包括:初始化种群及确定全局最优个体;在水波能量的控制下,自适应执行改进的传播操作和折射操作,其中传播操作对种群进行粗粒度搜索,折射操作对种群进行细粒度搜索;找到当前种群最优个体,并对其执行改进的碎浪操作,帮助算法跳出局部最优;
步骤S3:根据全局最优个体的位置执行超密集缓存网络的联合分簇、卸载与资源优化配置。
2.根据权利要求1所述的一种超密集缓存网络中联合分簇、卸载与资源的优化方法,其特征在于,所述网络系统中,每个宏小区部署了1个宏基站,及根据小基站的位置,使用K-means聚类方法将小基站划分为
3.根据权利要求2所述的一种超密集缓存网络中联合分簇、卸载与资源的优化方法,其特征在于,将网络系统的频带
4.根据权利要求3所述的一种超密集缓存网络中联合分簇、卸载与资源的优化方法,其特征在于,步骤S1中,根据网络基础信息构建通信模型,关联至小基站其中,
关联至小基站
其中,
5.根据权利要求4所述的一种超密集缓存网络中联合分簇、卸载与资源的优化方法,其特征在于,构建缓存模型:边缘缓存服务器中存在两种缓存数据,一种是计算任务缓存,另一种是文件缓存;在网络系统中,任意高速率型移动终端从文件集合中获取文件数据,文件集合为将小基站按照位置进行分簇,每个簇内的小基站进行边缘缓存服务器之间的协作,共享存储资源,从而形成一个缓存资源池;若缓存资源池已缓存文件当
其中
当
其中
当
其中
因此,高速率型移动终端
6.根据权利要求5所述的一种超密集缓存网络中联合分簇、卸载与资源的优化方法,其特征在于,构建计算模型:任意计算敏感型移动终端的计算任务在本地执行,或卸载至小基站执行;设定设
当
当
其中
当
当
完成计算敏感型移动终端
7.根据权利要求6所述的一种超密集缓存网络中联合分簇、卸载与资源的优化方法,其特征在于,根据以下公式构建优化问题:其中
优化问题表述为:
其中,
8.根据权利要求1所述的一种超密集缓存网络中联合分簇、卸载与资源的优化方法,其特征在于,所述步骤S2包括以下子步骤:步骤S21:初始化水波能量衰减算法的最大迭代次数步骤S22:对水波个体进行编码,定义水波个体波长用于传播操作的计算;
步骤S23:初始化种群,并构建水波个体步骤S24:判断当前迭代次数t是否小于等于最大迭代次数
9.根据权利要求8所述的一种超密集缓存网络中联合分簇、卸载与资源的优化方法,其特征在于,所述步骤S24包括以下子步骤:步骤S241:计算当前迭代次数下水波种群的能量,生成介于0与1的随机数与水波能量进行比较,若该随机数小于等于水波能量,则执行传播操作,即步骤S242;若该随机数大于水波能量,则执行折射操作,即步骤S243;
步骤S242:用给定传播规则更新水波个体,并对更新后的个体进行自适应扰动,即先执行多样性引导扰动,再根据自适应概率执行自适应扰动;
步骤S243:用给定折射规则更新水波个体,并根据折射前后的个体适应度值更新水波个体波长;
步骤S244:在步骤S241执行后,更新水波波长及碎浪系数,使用适应度函数计算水波种群的适应度值,找到当前种群最佳个体,并对其执行碎浪操作;
步骤S245:将当前种群最佳个体与全局最佳个体进行适应度值比较,若前者的适应度值大于后者,则用当前种群最佳个体更新全局最佳个体,否则保留全局最佳个体;
步骤S246:将当前迭代次数
10.一种终端设备,包括存储器、处理器以及存储在存储器中并在终端设备上运行的计算机程序,其特征在于,所述处理器执行计算机程序时实现权利要求1-9任意一项所述的超密集缓存网络中联合分簇、卸载与资源的优化方法。