本发明属于无线通信，尤其涉及一种超密集缓存网络中联合分簇、卸载与资源的优化方法。
背景技术：
1、随着移动网络的发展，出现了许多计算密集型、数据密集型和延迟敏感型的程序，这些应用会产生大量计算任务和文件请求任务。为了保证用户获得高质量的体验，移动设备亟需更多的计算、存储和通信资源以执行任务。
2、移动边缘计算是一种解决上述问题的有效方案，通过在网络边缘部署边缘服务器来满足这些要求。与云计算相比，移动边缘计算能实现更低和延迟和更灵活的服务。在此基础上，超密集移动边缘网络结合移动边缘计算和异构蜂窝网络，通过部署大量低功耗的小基站为用户提供大量的计算资源和缓存资源。
3、为进一步利用小基站资源缓解通信压力，部分研究提出在小基站配置缓存服务器，通过预缓存计算任务的方式，减少上传时间以提高计算卸载效率，被称为超密集缓存网络。这种方案目前仍存在一定问题。首先，现实情况下用户不仅要上行传输执行计算任务，还要下行下载文件，但相关研究往往只专注于其中一种情况而不考虑两者同时进行的情况；其次，大量小基站往往会预缓存相同的文件，这造成了存储资源的浪费；再次，计算任务、文件涉及到两类不同的服务，但却都需要使用小基站的缓存资源，这形成了二者的竞争，合理分配缓存资源是一个复杂的优化问题。并且，现有技术中使用的水波优化算法，其结构存在问题，不能很好地权衡探索和开发进程，在求解过程中存在只能线性搜索的问题，难以解决复杂场景下的优化问题。
技术实现思路
1、有鉴于此，本发明提供了一种超密集缓存网络中联合分簇、卸载与资源的优化方法，以解决现有技术中因缺少对缓存服务器辅助计算卸载时产生的新问题的研究而导致算法性能下降的问题。
2、本发明的第一方面，提供了一种超密集缓存网络中联合分簇、卸载与资源的优化方法，包括：
3、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；
4、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；
5、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。
6、进一步地，所述步骤s2包括以下子步骤：
7、步骤s21：初始化水波能量衰减算法的最大迭代次数，并将当前迭代次数t设置为1；
8、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；
9、步骤s23：初始化种群，并构建水波个体的适应度函数：使用适应度函数计算种群中所有水波个体的适应度值，并将适应度值最高的个体作为全局最佳个体；
10、步骤s24：判断当前迭代次数t是否小于等于最大迭代次数，若当前迭代次数t小于等于最大迭代次数，则基于水波能量对水波种群自适应执行传播或折射操作，再对当前种群最佳个体执行碎浪操作，以得到目标种群；若当前迭代次数t大于最大迭代次数，则输出全局最佳个体的编码。
11、进一步地，所述步骤s24包括以下子步骤：
12、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；
13、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；
14、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；
15、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；
16、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；
17、步骤s246：将当前迭代次数的值加1，返回步骤s24，重复迭代直到迭代结束，最终保留全局最佳个体即为问题的最优解。
18、本发明的第二方面提供了一种终端设备，包括存储器、处理器以及存储在存储器中并可在终端设备上运行的计算机程序，处理器执行计算机程序时实现上述的超密集缓存网络中联合分簇、卸载与资源的优化方法。
19、本发明的第三方面提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述超密集缓存网络中联合分簇、卸载与资源的优化方法。
20、本发明通过利用改进的水波能量衰减算法进行搜索。利用水波能量控制自适应执行传播与折射操作，并对全局最优个体执行碎浪操作，促进了算法探索与开发进程的合理分配，增强了求解复杂优化问题的能力，极大地提升了本发明方法的性能，能够很好地实现最小化系统时延的目标。具体地，根据超密集移动边缘网络基础信息构建优化问题，得到优化问题的初始解，并将其作为亲代种群，采用改进的水波能量衰减算法对亲代种群进行迭代搜索，最终得到全局最佳个体的位置；根据全局最佳个体的位置执行分簇缓存辅助的计算卸载与资源优化配置。本发明联合优化用户关联、子信道选择、任务预缓存以最小化系统时延。在计算资源按比例分配、缓存服务器分簇部署、缓存容量约束下，该方法能很好地实现最小化系统时延的目标。
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：
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，及个小基站，小基站索引集合为，每个小基站配备1个边缘计算服务器和1个边缘缓存服务器，且小基站与宏基站之间通过有线链路连接；移动终端分为两种，一种为计算敏感型移动终端，将计算任务上传至计算服务器进行计算，另一种为高速率型移动终端，从缓存服务器请求文件下载；该网络系统中存在个计算敏感型移动终端，计算敏感型移动终端索引集合为，个高速率型移动终端，高速率型移动终端索引集合为；
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，将网络系统的频带划分为上行频带和下行频带，分别用于移动终端与小基站的上行接入链路和下行接入链路传输，、和的频带宽度分别为、和，其中为频带划分因子，且满足；上行接入链路采用上行非正交多址复用接入，将上行频带根据小基站分簇的数量划分为个子频带，每个簇所占据的子频带分为个上行非正交多址复用子信道，上行的子信道索引集合为，其中表达舍入运算，表示上行非正交多址复用子信道的带宽，表示上行的子信道；下行接入线路采用下行非正交多址复用接入，将下行频带划分为个子频带，每个子频带再分为个下行非正交多址复用子信道，下行的子信道索引集合为，其中表示下行非正交多址复用子信道的带宽，表示下行的子信道。
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，关联至小基站的计算敏感型移动终端在子信道上的上行传输速率为：
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，且每个文件请求只能由一个小基站响应，任意文件的大小为，为文集数量；设为高速率型移动终端对文件的请求索引，若高速率型移动终端请求文件，则，否则；设为文件在小基站上的缓存索引，若小基站已缓存文件，则，否则；
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；设定为计算敏感型移动终端与小基站的关联指示，计算敏感型移动终端与小基站的关联指示集合为，若计算敏感型移动终端与小基站相关联，则，否则；设计算敏感型移动终端的计算任务数据大小为，计算结果数据大小为，计算该任务每比特所需cpu周期数为，计算敏感型移动终端的计算能力为，小基站的计算能力为；
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：
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：
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：
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。
