改進(jìn)MOEA/ D算法的異構(gòu)網(wǎng)絡(luò)接入控制

劉艷君，牛麗平

(1.新鄉(xiāng)學(xué)院 計(jì)算機(jī)與信息工程學(xué)院，河南 新鄉(xiāng) 453003；2.河南師范大學(xué) 計(jì)算機(jī)與信息工程學(xué)院，河南 新鄉(xiāng) 453007)

0 引 言

接入控制單元是無(wú)線異構(gòu)網(wǎng)絡(luò)的核心，當(dāng)多模終端用戶有業(yè)務(wù)需要接入網(wǎng)絡(luò)時(shí)，會(huì)對(duì)當(dāng)前網(wǎng)絡(luò)的資源進(jìn)行分析，并將其合理地分配到最適合的網(wǎng)絡(luò)中，在保證用戶接入體驗(yàn)的同時(shí)，充分利用整個(gè)網(wǎng)絡(luò)資源[1-3]。目前，對(duì)異構(gòu)網(wǎng)絡(luò)的接入控制研究已經(jīng)取得了一定的成果，文獻(xiàn)[4]將NSGA-Ⅱ算法應(yīng)用在異構(gòu)網(wǎng)絡(luò)多業(yè)務(wù)接入控制中，優(yōu)化了用戶的傳輸速率和網(wǎng)絡(luò)負(fù)載均衡，但沒有考慮網(wǎng)絡(luò)阻塞的影響，所以始終無(wú)法讓異構(gòu)網(wǎng)絡(luò)的資源得到充分利用；文獻(xiàn)[5]利用高斯與戒上型組合隸屬函數(shù)對(duì)多目標(biāo)進(jìn)行模糊處理，再轉(zhuǎn)化為單目標(biāo)問(wèn)題后求出最優(yōu)解，取得了不錯(cuò)的效果。由于在異構(gòu)網(wǎng)絡(luò)中的資源占用、阻塞率和負(fù)載均衡這3個(gè)方面相互沖突和制約，不能同時(shí)達(dá)到最優(yōu)，屬于多目標(biāo)優(yōu)化問(wèn)題[6-8]?；诜纸獾亩嗄繕?biāo)進(jìn)化算法MOEA/D算法在解決多目標(biāo)優(yōu)化問(wèn)題的優(yōu)越性，關(guān)于MOEA/D算法的改進(jìn)，學(xué)者們也提出了很多策略，如：文獻(xiàn)[9]引入了懲罰機(jī)制建立了雙層優(yōu)化模型，利用改進(jìn)的多目標(biāo)優(yōu)化算法求解出了懲罰期望后悔度的帕累托前沿，但該方法對(duì)懲罰系數(shù)的控制較難；文獻(xiàn)[10]采用了動(dòng)態(tài)懲罰參數(shù)的方法來(lái)調(diào)節(jié)候選解區(qū)域，避免邊界個(gè)體的遺失問(wèn)題，但在求解的過(guò)程中還會(huì)經(jīng)常出現(xiàn)搜索區(qū)域不全面的問(wèn)題；文獻(xiàn)[11]通過(guò)在超平面生成初始權(quán)重向量的方式，不僅使解集的分布更加均勻，而且還降低了計(jì)算量，但仍有提升的空間。本文在MOEA/D的基礎(chǔ)上，對(duì)其采取了進(jìn)一步的改進(jìn)策略，大幅提升了算法的性能，并將其應(yīng)用在異構(gòu)無(wú)線網(wǎng)絡(luò)的接入控制中，分別對(duì)資源占用、阻塞率和負(fù)載均衡3個(gè)目標(biāo)進(jìn)行優(yōu)化，能夠更好地充分利用網(wǎng)絡(luò)資源，解決異構(gòu)網(wǎng)絡(luò)的業(yè)務(wù)接入控制問(wèn)題。

1 建立異構(gòu)無(wú)線網(wǎng)絡(luò)數(shù)學(xué)模型

異構(gòu)網(wǎng)絡(luò)的業(yè)務(wù)接入控制需要全局考慮不同網(wǎng)絡(luò)和不同終端的各種因素，本文對(duì)正交頻分復(fù)用(OFDM)技術(shù)的異構(gòu)無(wú)線網(wǎng)絡(luò)接入控制進(jìn)行研究。假設(shè)在異構(gòu)無(wú)線網(wǎng)絡(luò)系統(tǒng)中，存在m個(gè)不同類型的網(wǎng)絡(luò)，第j(1≤j≤m) 個(gè)網(wǎng)絡(luò)的子載波數(shù)為Nj，每個(gè)子信道中有Fj個(gè)子載波，通過(guò)TRU的模型能夠計(jì)算出第j個(gè)網(wǎng)絡(luò)可用的TRU總數(shù)Tj表示如下

(1)

其中，TLj表示數(shù)據(jù)幀的長(zhǎng)度；Sj和TSj分別表示OFDM的符號(hào)數(shù)量和符號(hào)周期。

若有n個(gè)業(yè)務(wù)等待接入網(wǎng)絡(luò)，其中第i(1≤i≤n) 個(gè)業(yè)務(wù)接入第j個(gè)網(wǎng)絡(luò)的狀態(tài)表示為xij，接入成功xij=1，反之，未接入xij=0。實(shí)際上，本文最終求得的最優(yōu)解形式是一個(gè)n×m的0/1矩陣X。

當(dāng)業(yè)務(wù)i接入網(wǎng)絡(luò)j時(shí)，設(shè)所需的TRU數(shù)為tij，首先將業(yè)務(wù)i優(yōu)先分配到距離基站較近和發(fā)射功率較大的網(wǎng)絡(luò)j，可以占用較少的網(wǎng)絡(luò)資源，這樣不僅可以降低整個(gè)網(wǎng)絡(luò)的負(fù)載率，還能夠保證更多的剩余網(wǎng)絡(luò)資源[12,13]。業(yè)務(wù)占用最小網(wǎng)絡(luò)資源的優(yōu)化目標(biāo)函數(shù)表示如下

(2)

為了避免網(wǎng)絡(luò)資源的不合理配置，使系統(tǒng)中各網(wǎng)絡(luò)的負(fù)載達(dá)到均衡，本文采用負(fù)載率方差對(duì)網(wǎng)絡(luò)的負(fù)載分布情況進(jìn)行描述，負(fù)載率方差越小，則說(shuō)明網(wǎng)絡(luò)負(fù)載越均衡，故將負(fù)載率方差作為最小優(yōu)化目標(biāo)函數(shù)，表達(dá)式描述如下

(3)

其中，η(j)為當(dāng)業(yè)務(wù)i接入網(wǎng)絡(luò)j后，已用TRU數(shù)占整個(gè)網(wǎng)絡(luò)TRU總數(shù)的比，具體可描述為

(4)

其中，Bj表示業(yè)務(wù)i接入網(wǎng)絡(luò)前已占用的TRU網(wǎng)絡(luò)資源數(shù)量。

為了給用戶提供更穩(wěn)定和可靠的服務(wù)，提高業(yè)務(wù)接入網(wǎng)絡(luò)的成功率，將最小阻塞率作為優(yōu)化目標(biāo)函數(shù)，表達(dá)式描述如下

(5)

另外，業(yè)務(wù)所需資源不應(yīng)大于整個(gè)網(wǎng)絡(luò)提供的資源總數(shù)。同時(shí)，每個(gè)業(yè)務(wù)實(shí)際上僅可以接入一個(gè)網(wǎng)絡(luò)，所以可產(chǎn)生兩個(gè)約束條件

(6)

(7)

通過(guò)上述分析可知，如果以業(yè)務(wù)占用最小的資源為優(yōu)化目標(biāo)，會(huì)優(yōu)先接入距離較近的基站，從而出現(xiàn)不同網(wǎng)絡(luò)負(fù)載不均衡的問(wèn)題，持續(xù)接入業(yè)務(wù)后還會(huì)出現(xiàn)個(gè)別網(wǎng)絡(luò)阻塞的現(xiàn)象，拒絕業(yè)務(wù)的接入，嚴(yán)重影響用戶的體驗(yàn)。如果以網(wǎng)路負(fù)載平衡為最小優(yōu)化目標(biāo)，業(yè)務(wù)會(huì)優(yōu)先接入已使用資源最少的網(wǎng)絡(luò)，但可能會(huì)以消耗更多的TRU資源數(shù)為代價(jià)，從而影響整個(gè)網(wǎng)絡(luò)的容量，當(dāng)業(yè)務(wù)持續(xù)增加后，依然會(huì)提前出現(xiàn)網(wǎng)絡(luò)阻塞的情況[14]。為此，本文將3個(gè)最小優(yōu)化目標(biāo)函數(shù)結(jié)合兩個(gè)約束條件進(jìn)行組合，轉(zhuǎn)化成多目標(biāo)優(yōu)化模型，利用改進(jìn)的MOEA/D算法進(jìn)行求解，得到最優(yōu)的業(yè)務(wù)接入控制方案。

2 MOEA/D算法及其改進(jìn)策略

傳統(tǒng)MOEA/D算法的思路是將多目標(biāo)問(wèn)題轉(zhuǎn)化為多個(gè)單目標(biāo)子問(wèn)題進(jìn)行求解，較其它常見智能算法在收斂性和復(fù)雜度方面均有了明顯的改善，但是也仍然存在一些不足，如：給權(quán)重向量隨機(jī)分配個(gè)體容易導(dǎo)致種群多樣性和收斂性下降。另外，固定的鄰域值不僅會(huì)使收斂速度放緩，而且還會(huì)影響算法的全局和局部搜索能力[15,16]。針對(duì)這兩個(gè)方面的缺陷，給出改進(jìn)策略。

2.1 權(quán)重向量與個(gè)體的匹配優(yōu)化

在傳統(tǒng)MOEA/D算法求解的初期，會(huì)為權(quán)重向量λ隨機(jī)分配個(gè)體，而這種隨機(jī)分配的方法可能會(huì)導(dǎo)致將某個(gè)權(quán)重向量臨近的最優(yōu)解分配給較遠(yuǎn)的權(quán)重向量，從而使該權(quán)重向量下的適應(yīng)度變差，所以會(huì)出現(xiàn)該個(gè)體被其它個(gè)體替代的情況，進(jìn)而使種群的多樣性和收斂性下降。給權(quán)重向量λi隨機(jī)分配個(gè)體的過(guò)程如圖1所示。

圖1 給權(quán)重向量隨機(jī)分配個(gè)體過(guò)程

從圖1中可看出，在隨機(jī)分配的方式下，距離權(quán)重向量λ2較近的個(gè)體B可能會(huì)分配給λ3，而個(gè)體C則可能分配給λ2。然后，在隨后的進(jìn)化過(guò)程中，距離權(quán)重向量λ3更近的個(gè)體F會(huì)取代B，距離權(quán)重向量λ2更近的個(gè)體G會(huì)替代C，但實(shí)際上B的Pareto支配G，C的Pareto支配F，即B和C的Pareto要比F和G更優(yōu)，故這種隨機(jī)的分配方式會(huì)導(dǎo)致算法多樣性和收斂性下降。同時(shí)，隨著種群的不斷進(jìn)化，這個(gè)最優(yōu)解還有被丟棄的可能，從而影響算法的收斂性精度。為此，本文提出了權(quán)重向量與個(gè)體匹配優(yōu)化的方法，使權(quán)重向量選擇最優(yōu)解，計(jì)算權(quán)重向量和所有個(gè)體的偏差Δλ，表達(dá)式如下

(8)

(9)

其中，F(xiàn)′(X)=(f′1(X),f′2(X),…,f′i(X),…,f′m(X))。f′i(X) 則表示如下

(10)

綜上所述，如果在多個(gè)權(quán)重向量選取同一個(gè)個(gè)體X的情況下，把該個(gè)體X匹配給ΔX最小的權(quán)重向量，通過(guò)權(quán)重向量與個(gè)體的匹配優(yōu)化，可以形成兩者的最佳對(duì)應(yīng)關(guān)系，不僅維持了種群的多樣性，而且還能利于獲得均勻分布的Pareto最優(yōu)解。

2.2 自適應(yīng)鄰域

在MOEA/D算法中使用權(quán)重向量間的歐式距離定義了個(gè)體間鄰域，所以鄰域值是固定的，但這樣會(huì)影響到種群的進(jìn)化。在進(jìn)化的前期，應(yīng)盡量用優(yōu)良的個(gè)體對(duì)更多劣質(zhì)的個(gè)體進(jìn)行替換，需要較大的鄰域加快算法的收斂速度，而到了進(jìn)化的后期，需要適當(dāng)減小鄰域值，來(lái)維持種群的多樣性和提升局部搜索能力。實(shí)際上，相鄰個(gè)體間存在著共同的基因，通過(guò)這種內(nèi)在關(guān)聯(lián)能夠促進(jìn)種群的進(jìn)化，使優(yōu)良的基因得到保留。根據(jù)種群所處的進(jìn)化階段和分布情況，本文提出了一種自適應(yīng)動(dòng)態(tài)調(diào)節(jié)的鄰域，具體描述如下

(11)

式中：t表示當(dāng)前的迭代次數(shù)；tmax表示設(shè)置的最大迭代次數(shù)；μ為比例系數(shù)；β為比例調(diào)整參數(shù)；fav表示種群的平均適應(yīng)度值；fmax則表示最大適應(yīng)度值。

在進(jìn)化的前期，由于迭代次數(shù)t值較小，鄰域值T能夠保持較大值，突出全局搜索能力；隨著迭代次數(shù)t的增加，到了進(jìn)化的后期，鄰域值T逐漸減小，又突出了算法的局部搜索能力。另外，從適應(yīng)度值的角度看，如果適應(yīng)度值分布較均勻，那么個(gè)體間的差異就明顯，種群表現(xiàn)出多樣性，此時(shí)平均適應(yīng)度值距離最大值較遠(yuǎn)，即arcsin(fav/fmax) 會(huì)更趨近于0，鄰域T會(huì)被動(dòng)態(tài)增大，就相應(yīng)提升了算法收斂性。相反，如果適應(yīng)度值分布較集中，個(gè)體間的差異就不大，即arcsin(fav/fmax) 會(huì)更趨近于1，鄰域T就會(huì)被動(dòng)態(tài)減小，來(lái)保持種群的多樣性。

3 改進(jìn)算法性能測(cè)試與對(duì)比

為了驗(yàn)證本文提出的改進(jìn)算法的性能，利用通用的2目標(biāo)測(cè)試函數(shù)ZDT1-ZDT4和3目標(biāo)測(cè)試函數(shù)DTLZ1-DTLZ4進(jìn)行仿真驗(yàn)證，并分別與標(biāo)準(zhǔn)MOEA/D算法、文獻(xiàn)[10]中的MOEA/D-DPS和文獻(xiàn)[11]中的MOAC/DE算法進(jìn)行比較。通過(guò)反向世代距離[17,18](inverted generation distance，IGD)指標(biāo)對(duì)不同算法運(yùn)算得到結(jié)果進(jìn)行比較和分析。IGD均值和標(biāo)準(zhǔn)差越小，對(duì)應(yīng)算法的收斂性、分布性和穩(wěn)定性就越優(yōu)。

傳統(tǒng)MOEA/D算法的參數(shù)：采用模擬二進(jìn)制交叉，ηc=25，交叉率為1，鄰域值T=15。本文提出的改進(jìn)算法的參數(shù)：比例系數(shù)μ為0.5，比例調(diào)整參數(shù)β為45。設(shè)置種群大小為150，最大迭代次數(shù)tmax為300。在8個(gè)測(cè)試函數(shù)上分別運(yùn)行50次，求得對(duì)應(yīng)算法的IGD均值和標(biāo)準(zhǔn)差見表1。

從表1中的運(yùn)行結(jié)果可看出：本文提出的改進(jìn)算法在8個(gè)測(cè)試函數(shù)上求得的IGD均值均優(yōu)于傳統(tǒng)MOEA/D算法、MOEA/D-DPS算法、MOAC/DE算法，收斂性和分布性兩個(gè)方面均得到了明顯的提升。同時(shí)，也得到了最優(yōu)的IGD標(biāo)準(zhǔn)差，也說(shuō)明了改進(jìn)算法具有更佳的穩(wěn)定性，從而驗(yàn)證了改進(jìn)策略的有效性和優(yōu)越性。

表1 不同算法運(yùn)行得到的IGD均值和標(biāo)準(zhǔn)差

4 仿真結(jié)果與分析

4.1 仿真環(huán)境參數(shù)設(shè)置

為了驗(yàn)證本文提出的改進(jìn)算法在處理異構(gòu)無(wú)線網(wǎng)絡(luò)接入控制的效果，選擇較為常見的無(wú)線網(wǎng)絡(luò)TD-LTE、WiMax和LTE-FDD構(gòu)成仿真網(wǎng)絡(luò)模型。仿真網(wǎng)絡(luò)模型如圖2所示。

圖2 仿真網(wǎng)絡(luò)模型

實(shí)驗(yàn)運(yùn)行的硬件平臺(tái)配置為：Intel Core i7的CPU，主頻率2.8 GHz；8 GB的內(nèi)存，操作系統(tǒng)采用的是64位的Windows 7，在Matlab 2012a的環(huán)境中進(jìn)行仿真，無(wú)線網(wǎng)絡(luò)的參數(shù)見表2。

表2 3種無(wú)線網(wǎng)絡(luò)的參數(shù)

4.2 仿真結(jié)果與對(duì)比分析

仿真環(huán)境搭建完畢后，預(yù)設(shè)100個(gè)業(yè)務(wù)，利用本文提出的改進(jìn)算法求解異構(gòu)網(wǎng)絡(luò)接入控制的多目標(biāo)優(yōu)化問(wèn)題。每當(dāng)有新業(yè)務(wù)接入時(shí)，通過(guò)運(yùn)算都能夠得到一系列的最優(yōu)解集，每個(gè)解均代表著一種接入方案。為了直觀展示，當(dāng)接入的業(yè)務(wù)數(shù)量為80個(gè)時(shí)，最優(yōu)解集在目標(biāo)空間的Pareto前沿分布如圖3所示。

圖3 本文改進(jìn)算法求解得到的Pareto前沿分布(n=80)

從圖3的結(jié)果可看出：每個(gè)點(diǎn)均代表著多目標(biāo)優(yōu)化問(wèn)題的一個(gè)最優(yōu)解，實(shí)際上是0/1矩陣，每個(gè)業(yè)務(wù)與接入網(wǎng)絡(luò)的對(duì)應(yīng)關(guān)系。每個(gè)解在占用TRU資源、阻塞率和負(fù)載均衡3個(gè)目標(biāo)函數(shù)上表現(xiàn)出了不同的優(yōu)勢(shì)，從這些解中選擇一個(gè)兼顧三者的折中方案，并將其應(yīng)用到仿真環(huán)境中，對(duì)新接入異構(gòu)網(wǎng)絡(luò)的業(yè)務(wù)進(jìn)行控制，并分別與文獻(xiàn)[4]中的NSGA-Ⅱ算法、文獻(xiàn)[5]中的MOC方法、文獻(xiàn)[11]中的MOAC/DE算法得到的結(jié)果進(jìn)行比較，記錄接入業(yè)務(wù)數(shù)從50到100的控制過(guò)程，在不同算法下業(yè)務(wù)占用資源TRU總數(shù)和業(yè)務(wù)阻塞率的變化情況，得到的曲線如圖4、圖5所示。

圖4 不同算法下業(yè)務(wù)占用TRU的變化情況

圖5 不同算法下業(yè)務(wù)阻塞率的變化情況

從圖4的結(jié)果可以看出：隨著新業(yè)務(wù)的不斷接入，業(yè)務(wù)占用TRU總數(shù)逐漸攀升，從整體上看，在相同接入業(yè)務(wù)數(shù)量的情況下，本文提出的改進(jìn)算法占用的資源數(shù)均小于其它3種比較算法，使剩余的網(wǎng)絡(luò)資源能夠接入更多的業(yè)務(wù)，當(dāng)接入業(yè)務(wù)數(shù)量達(dá)到85后，其它方法的網(wǎng)絡(luò)資源陸續(xù)用盡，而在本文方法下當(dāng)業(yè)務(wù)數(shù)達(dá)到95時(shí)，仍然有剩余網(wǎng)絡(luò)資源可接入新業(yè)務(wù)。

從圖5的結(jié)果可以看出：在文獻(xiàn)[4]中NSGA-Ⅱ算法下，當(dāng)新業(yè)務(wù)接入數(shù)量達(dá)到75個(gè)時(shí)，就開始出現(xiàn)了業(yè)務(wù)阻塞的現(xiàn)象，且隨著新業(yè)務(wù)接入的增加阻塞率不斷攀升，當(dāng)接入第100個(gè)新業(yè)務(wù)時(shí)，阻塞率達(dá)到了18%；在文獻(xiàn)[5]中MOC方法下，當(dāng)新業(yè)務(wù)接入數(shù)量達(dá)到80個(gè)時(shí)，開始出現(xiàn)業(yè)務(wù)阻塞的現(xiàn)象，當(dāng)接入第100個(gè)新業(yè)務(wù)時(shí)，阻塞率達(dá)到了14%；在文獻(xiàn)[11]中MOAC/DE算法下，新業(yè)務(wù)接入數(shù)量達(dá)到85個(gè)時(shí)，開始出現(xiàn)業(yè)務(wù)阻塞的現(xiàn)象，當(dāng)接入第100個(gè)新業(yè)務(wù)時(shí)，阻塞率達(dá)到了11%；在本文改進(jìn)算法下，當(dāng)新業(yè)務(wù)接入數(shù)量達(dá)到90個(gè)時(shí)，才開始出現(xiàn)業(yè)務(wù)阻塞的現(xiàn)象，而且當(dāng)接入第100個(gè)新業(yè)務(wù)時(shí)，阻塞率僅為8%。

隨著接入業(yè)務(wù)的增加，在4種不同算法下對(duì)3種網(wǎng)絡(luò)負(fù)載進(jìn)行歸一化處理，得到結(jié)果如圖6所示。其中，3條曲線越緊湊說(shuō)明網(wǎng)絡(luò)間的負(fù)載越均衡，縱軸的值越小，說(shuō)明占用的資源越少。

從圖6的仿真結(jié)果可看出：在新業(yè)務(wù)不斷接入的過(guò)程中，3個(gè)網(wǎng)絡(luò)的負(fù)載均逐漸攀升，但在本文改進(jìn)算法下攀升的速度最慢(斜率最小)，說(shuō)明算法有效控制了網(wǎng)絡(luò)的總體資源占用率。在文獻(xiàn)[4]中的NSGA-Ⅱ算法下，如圖6(a)所示，當(dāng)接入業(yè)務(wù)數(shù)量達(dá)到75時(shí)，由于LTE-FDD網(wǎng)絡(luò)資源耗盡，已經(jīng)開始滿載，也正是此時(shí)開始出現(xiàn)網(wǎng)絡(luò)阻塞現(xiàn)象；在文獻(xiàn)[5]中的MOC方法下，如圖6(b)所示，當(dāng)接入業(yè)務(wù)數(shù)量達(dá)到80時(shí)，LTE-FDD也開始出現(xiàn)了滿載和阻塞的情況；在文獻(xiàn)[11]中的MOAC/DE算法下，如圖6(c)所示，當(dāng)接入業(yè)務(wù)數(shù)量達(dá)到85時(shí)，WiMax網(wǎng)絡(luò)出現(xiàn)滿載和阻塞情況；而在本文提出的改進(jìn)算法下，如圖6(d)所示，由于對(duì)資源占用和網(wǎng)絡(luò)阻塞的有效控制，當(dāng)接入業(yè)務(wù)數(shù)量達(dá)到90時(shí)，WiMax網(wǎng)絡(luò)才出現(xiàn)了滿載和阻塞情況。另外，從負(fù)載均衡的方面分析，文獻(xiàn)[4]算法下，3種網(wǎng)絡(luò)的歸一化負(fù)載間距最大，在文獻(xiàn)[5]和文獻(xiàn)[11]算法下，歸一化負(fù)載得到了明顯改善，而本文提出的改進(jìn)算法得到的3種網(wǎng)絡(luò)的歸一化負(fù)載曲線一致性最強(qiáng)，說(shuō)明本文改進(jìn)算法的求解精度更高、性能更強(qiáng)，在控制異構(gòu)網(wǎng)絡(luò)業(yè)務(wù)接入時(shí)，不僅占用最小的網(wǎng)絡(luò)資源，還具有最小的阻塞率，也有更優(yōu)的負(fù)載均衡控制能力。

圖6 4種算法下的歸一化負(fù)載情況

5 結(jié)束語(yǔ)

針對(duì)異構(gòu)無(wú)線網(wǎng)絡(luò)的業(yè)務(wù)接入問(wèn)題，本文從資源占用率、阻塞率和負(fù)載均衡3個(gè)方面進(jìn)行考慮建立了多目標(biāo)優(yōu)化數(shù)學(xué)模型，引入了復(fù)雜度較低的MOEA/D算法，并通過(guò)權(quán)重向量與個(gè)體的匹配進(jìn)行優(yōu)化，改善了種群的多樣性和解的分布。同時(shí)，引入自適應(yīng)鄰域的策略，大大提升了算法的收斂速度和搜索能力。改進(jìn)的MOEA/D算法在8個(gè)標(biāo)準(zhǔn)函數(shù)上進(jìn)行測(cè)試，得到的IGD均值和標(biāo)準(zhǔn)差明顯優(yōu)于其它3種比較算法，驗(yàn)證了改進(jìn)策略的有效性和優(yōu)越性。將改進(jìn)的MOEA/D算法應(yīng)用在異構(gòu)無(wú)線網(wǎng)絡(luò)的接入控制中進(jìn)行仿真實(shí)驗(yàn)，通過(guò)選取折中的解并與其它3種方法在資源占用、阻塞率和負(fù)載均衡進(jìn)行比較，本文改進(jìn)算法均得到了最優(yōu)的結(jié)果，其中，本文方法在接入業(yè)務(wù)數(shù)為90個(gè)時(shí)，網(wǎng)絡(luò)才開始出現(xiàn)阻塞的現(xiàn)象，而其它3種算法出現(xiàn)阻塞時(shí)對(duì)應(yīng)的接入業(yè)務(wù)數(shù)分別為75、80和85，說(shuō)明提出的改進(jìn)算法能夠?qū)W(wǎng)絡(luò)資源進(jìn)行更為合理的分配，改善用戶對(duì)業(yè)務(wù)接入的體驗(yàn)。