CN102711266A

CN102711266A - 基于遗传算法的调度与资源分配联合优化方法

Info

Publication number: CN102711266A
Application number: CN2012101551248A
Authority: CN
Inventors: 许晓东; 张平; 王达; 陶小峰; 陈鑫; 崔琪楣; 吴德壮
Original assignee: Beijing University of Posts and Telecommunications
Current assignee: Beijing University of Posts and Telecommunications
Priority date: 2012-05-17
Filing date: 2012-05-17
Publication date: 2012-10-03
Anticipated expiration: 2032-05-17
Also published as: WO2013170611A1; US9287939B2; US20130308570A1; CN102711266B

Abstract

本发明涉及无线通信技术领域，提供了一种基于遗传算法的调度与资源分配联合优化方法，应用于使用多点协作传输技术的通信***中。该方法包括步骤：S1，染色体编码；S2，初始化设置；S3，计算适应度值；S4，判断最优解是否优于精英，若是进行精英更新执行S5；否则跳到S5；S5，判断是否已产生预定代种群，若否执行S6；否则跳到S8；S6，参加繁殖过程产生两个子染色体个体；S7，判断是否已产生预定个子染色体个体，若是跳到S3重新计算；否则转S6继续繁殖；S8，依据精英对应的解进行调度和资源分配。本发明的方法可在满足调度限制及功率限制条件下，联合地进行调度和资源分配，以较低的计算复杂度可靠高效地优化***性能。

Description

基于遗传算法的调度与资源分配联合优化方法

技术领域

本发明涉及无线通信技术领域，特别涉及一种基于遗传算法的调度与资源分配联合优化方法。

背景技术

近年来，随着移动通信技术的发展，移动通信***对无线通信业务的支持能力有了明显的提高。然而，用户对高速率、高质量的多媒体业务也有了更高的需求。因此，在下一代移动通信技术的研究中，对频谱效率、传输速率、***吞吐量和小区边缘性能等方面也提出了更高的要求。作为下一代无线通信***的关键技术之一，OFDMA（Orthogonal Frequency Division Multiplexing Access，正交频分多址）虽然可以有效降低小区内干扰，却无法摆脱小区间干扰的影响，从而造成***性能得下降。特别是对于信噪比较低的边缘用户，可能由于干扰过大无法准确译码而导致吞吐量大大减小。协作多点传输（CoMP，Coordinated Multi-Point Transmission/Reception）技术因其能有效改善小区边缘用户性能，降低甚至消除小区间干扰，在近年来引起了业界的广泛关注和研究，并成为3GPP LTE-Advanced标准化的一项重要研究项目。

协作多点传输通信技术的核心思想是将传统的蜂窝网络扩展成为一个多小区的多输入多输出（MIMO，Multiple Input MultipleOutput）***，即多个协作基站同时使用相同无线资源的为协作用户提供服务。这样，来自相邻小区的信号将被作为辅助传输信号为边缘用户提供服务，而不是作为干扰信号的主要来源。然而，随着协作多点通信这一新技术的引入，却为用户的调度及无线资源的分配带来了更大的挑战。这是由于在多个协作小区间进行调度和资源分配，意味着原本已经非常复杂的问题规模的进一步扩大，以及问题约束条件的增多和更加严苛。

目前，针对协作多点通信***的调度和资源分配问题，已有大量工作。比如D.Choi等人提出了针对多载波协作多点传输***的调度和资源分配方案（D.Choi,D.Lee,J.Lee,Resource allocation for CoMPwith multiuser MIMO-OFDMA,IEEE Trans.on Vehicular Technology，vol.60,pp.4626-4632,Nov.2011）。现有方案中采用了LTE***支持的3种调制方式，并考虑了频率选择性信道的影响，这意味着方案可以直接用于下一代基于OFDM的通信***中。但是，为了降低复杂度，现有方案将联合优化问题分解为独立的两步，即首先确定调度方案，然后在此基础上进行比特和功率分配。并且，采用了一种基于贪婪算法分配方式，在满足各基站功率约束的条件下，每次分配一个比特，将其分配给多传输一个比特所需的额外发射功率最少的用户及其对应的子载波。由于现有方案将调度和资源分配的分开，且贪婪算法仅能选择当前最好结果，这使得现有方案不能顾全全局的次优算法的应用，对***整体的调度与资源分配性能必然会造成一定的影响。

发明内容

（一）要解决的技术问题

针对现有技术的缺点，本发明为了解决现有技术中调度和资源分配方案因规模大、约束条件严苛而无法顾全全局的问题，提供了一种基于遗传算法的调度与资源分配联合优化方法。

（二）技术方案

为解决上述技术问题，本发明具体采用如下方案进行：

首先，本发明提供一种基于遗传算法的调度与资源分配联合优化方法，应用于使用多点协作传输技术的通信***中，所述方法包括步骤：

S1，对问题的潜在解进行染色体的编码设计；

S2，进行初始化设置，设置初始种群、精英及遗传算法的控制参数；

S3，计算新种群中包括精英在内的各染色体的适应度值；

S4，判断当前种群中的最优解是否优于精英，若是，则进行精英的更新后执行步骤S5；否则，直接跳转到步骤S5；

S5，判断是否已产生预定代种群，若否，执行步骤S6；否则，直接跳转步骤S8；

S6，种群参加繁殖过程，产生两个子染色体个体；

S7，判断是否已产生预定个子染色体个体，若是，跳转到步骤S3重新计算；否则，转回步骤S6继续繁殖；

S8，依据精英对应的解进行协作多点传输***中的用户调度和资源分配。

优选地，步骤S1中，对染色体个体进行二维二进制编码。

优选地，步骤S1中，若***中基站带宽被均匀划分为M个子载波，则每个染色体个体由M个基因向量组成，每个基因向量的二值比特划分为用户调度策略和比特分配情况两部分。

优选地，步骤S2中，初始化设置的控制参数包括种群大小、遗传代数和突变概率。

优选地，步骤S3中，采用基于罚函数的适应度函数进行所述适应度值的计算。

优选地，步骤S3中，所述适应度函数为：

其中，R(G)为染色体G对应的优化目标值；λ₀为体现惩罚力度大小的罚因子；penalty(n,G)为基站n的功率约束条件不满足时带来的惩罚，定义为基站n最大发射功率与实际发射功率的负差值；N为***中协作基站个数。

优选地，所述优化目标值的函数为：

\max R = Σ_{m = 1}^{M} \underset{k &Element; s_{m}}{Σ} b_{m, k},

\max R = \underset{k &Element; s_{m}}{Σ} \log_{2} (Σ_{m = 1}^{M} b_{m, k})

或

\max R = Σ_{m = 1}^{M} \underset{k &Element; s_{m}}{Σ} w_{k} \cdot b_{m, k};

其中，M为***中基站带宽被均匀划分的子载波个数；b_m，k代表用户k在子载波m上的比特速率，且在使用LTE支持的三种调制方式：QPSK、16QAM、32QAM时，b_m,k∈{0,2,4,6}；s_m为子载波m上被调度用户的集合，且集合中元素个数小于等于N；w_k为用户k的权值，权值与用户的最低速率要求成比例。

优选地，步骤S6中，繁殖过程包括选择、交叉、变异和调整4个部分。

优选地，所述选择部分中，采用赌轮选择算法进行父母的选择。

优选地，所述交叉部分中，采用均匀交叉的方式进行。

（三）有益效果

本发明提出了一种基于遗传算法的调度与资源分配联合优化方法，可在满足调度限制及功率限制条件下，联合地进行调度和资源分配，以较低的计算复杂度可靠高效地优化***性能。具体地，本发明采用的是调度和资源分配联合优化，不会由于二者分离而产生性能损失；另外，本发明也回避了现有技术中采用贪婪算法的缺陷，能更加逼近穷尽搜索的最优解；本发明中采用的遗传算法有着远远低于穷尽搜索的计算复杂度，因此可以在性能和吞吐量之间达到平衡；最后，由于遗传算法有着较高的鲁棒性，非常适合在实际***中取得应用，有较好的应用前景。

附图说明

图1为本发明的实施例中基于遗传算法的调度与资源分配联合优化方法的流程示意图；

图2为本发明的优选实施例中两种典型的基因向量示意图；

图3为本发明的优选实施例中一种均匀交叉的实例；

图4为本发明的优选实施例中繁殖过程的示例性流程图；

图5为本发明的优选实施例中包括精英的种群结构图；

图6为本发明的一个实施例中的应用场景示意图；

图7为本发明的一个实施例中本发明方案与对比方案实施后的总速率对比图；

图8为本发明的一个实施例中不同方案在不同用户数及SNR=20dB时的总速率对比图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明为了解决现有技术中调度和资源分配方案难以兼顾全局的问题，提出了一种基于遗传算法的调度与资源分配联合优化方法，该方法主要应用于使用多点协作传输技术的通信***中。如图1的流程图所示，本发明中的方法的基本过程为：

S1，对问题的潜在解进行染色体的编码设计；

S2，进行初始化设置，设置初始种群、精英及遗传算法的控制参数，包括种群大小N_p、代数N_g、突变概率p_m等；

S3，计算新种群中包括精英在内的各染色体的适应度值；

S5，判断是否已产生N_g代种群，若否，执行步骤S6；否则，直接跳转步骤S8；

S6，种群参加繁殖过程，产生两个子个体；其中繁殖过程包括四步：选择、交叉、突变和修正；

S7，判断是否已产生N_p个子个体，若是，跳转到步骤S3重新计算；否则，转回步骤S6继续繁殖；

下面对本发明的方案做进一步的说明。在本发明的方案中，首先假设无线通信***包含N个协作基站和K个协作用户，基站和移动终端分别配备一个发送和一个接收单天线；基站拥有相同的最大发射功率P_max和带宽，且该带宽被均匀划分为M个子载波；用户的数据和信道状态信息可以通过核心和回传网络快速可靠的在各基站之间交互；采用线性预编码，协作***可以实现在任意子载波上最多可以有N个用户同时得到服务。此外，假设***采用三种调试方式：QPSK、16QAM和64QAM，则各载波上各用户的传输比特∈{0,2,4,6}。

步骤S1和S2中涉及编码设计和初始化：

本发明的方案在对问题进行处理之前，需要对染色体个体进行编码来表示问题的潜在可能解。这里提出一种二维二进制编码的方案，其中二进制表示每个比特取值仅为‘1’或‘0’两种值，二维表示染色体含有多行和多列码字。更进一步地，基因向量g_m表示为一个子载波上的用户调度与比特分配策略，M个基因向量组成一个完整的染色体

其中，每个基因向量包括

个二值比特（bit，即二进制位），其中Q表示传输比特的可能值的个数，这里Q=4。基因向量进一步划分为两部分，分别对应用户调度策略（下称Part 1）和比特分配情况（下称Part 2）。

Part 1由K个二值比特组成，分别对应K个用户在该子载波的调度情况，其中每一位的‘1’代表调度用户，‘0’代表非调度用户。需要注意的是，由于每个子载波上最多有N个用户可被调度，Part 1中所有比特的代数和（即‘1’的个数）必须小于或者等于N。Part 2由

比特构成，其顺次给出了Part 1中每一调度用户的比特速率，其中

为表示四种可能的比特速率所需的二值比特数目；具体而言，就是Part 2中的第一个比特速率与Part 1中的第一个‘1’表示的调度用户对应，Part 2中的第二个比特速率与Part 1中的第二个‘1’表示的调度用户对应，如此类推。

举例来说，假设***包括3个协作基站，8个协作用户，即N＝3，K＝8，图2给出了两种典型的基因向量示意图。其中，图2(a)代表用户2、6、8被调度，且分别对应编码为11、01、10的比特速率；此时比特速率与二值编码的对应情况见表1。故用户2、6、8的传输比特分别为6、2、4，调制方式分别为64QAM、QPSK、16QAM。

传输比特	0	2	4	6
					编码	00	01	10	11

表1图2(a)中传输比特对应的二值编码

图2(b)表示用户1、5被调度，对应的传输比特分别为2和4，分别采用QPSK和16QAM的调制方式，此基因向量的最后两比特可以忽略不理。

在算法初始阶段，随机生成包含N_p个染色体个体的初始种群；随着种群的不断进化，种群中的个体数目保持不变。

步骤S3中根据适应度函数计算新种群中各染色体的适应度值：

其中，适应度函数用来衡量染色体对应的解的好坏情况，该函数最基本的思想是，染色体所对应的优化目标值越大，适应度越强。然而在本发明要面对的问题中，由于基站各功率约束条件的影响，不是所有的染色体都是问题的可行解。为了处理功率约束条件，本发明中进一步提出了一种基于罚函数的适应度函数，即对任意违反约束条件的个体（即不可行解），通过在其适应度值上添加一个惩罚项的方式加以惩罚，从而使该个体的适应度值降低。本发明中优选的适应度函数的表达式如下：

式（1）中，R(G)为染色体G对应的优化目标值，λ₀为罚函数的参数（罚因子），该罚因子体现了惩罚力度的大小。penalty(n,G)为基站n的功率约束条件不满足时带来的惩罚，定义为基站n最大发射功率与实际发射功率的负差值。这样，可以在群体中保持一定数量的非可行解，这将增大种群中个体的多样性，并让遗传算法可以同时在可行域和非可行域进行检索，使算法更快速地找到问题的最优解。

步骤S6涉及种群的繁殖过程：

该步骤中产生的子个体将使可行与不可行的染色体的基因都将通过该繁殖过程进入到下一代种群中。具体地，繁殖过程共包括4个部分，分别为：选择、交叉、变异和调整。

1、选择

本发明中优选采用赌轮选择算法（Roulette wheel selection）进行父母的选择，具有较高适应度值的个体将有更大可能性被选为父母，且染色体G_i被选为父母的概率为：

p_{i} = \frac{Fit (G_{i})}{Σ_{j = 1}^{N_{p}} Fit (G_{j})} - - - (2)

需要注意的是，选择出的染色体并不从种群中移出，因此，同一染色体可能被选择两次以上。

2、交叉

在本发明中优选采用均匀交叉的方式，相比单点交叉和多点交叉，均匀交叉更加广义。均匀交叉时将每个点都作为潜在的交叉点，随机地产生与染色体等大的0-1掩码矩阵，掩码中的片段表明哪个父个体向子个体提供变量值。图3给出了一种均匀交叉的实例，其中***基站数为3，用户数为8，子载波数为4：对于子个体1，‘1’表示父个体1提供基因值，‘0’表示父个体2提供基因值；对于子个体2，规则恰好相反。

3、变异

每个交叉后的子个体都要经过变异过程。本发明中取定变异概率p_m（一般较小，p_m≤0.05），对交叉后代集中的每个染色体的每一位基因，产生一个随机数r∈[0,1]，若r≤p_m，则将该位变为‘1-*’；否则，该位‘*’不变。具体而言，就是把（‘0’或‘1’）变成另一个数（‘1’或‘0’）；否则，该位不变。

4、修正

实行均匀交叉和变异后，生成的子个体很有可能不再满足调度约束条件，造成存在一些子载波上多于N个用户被调度。因此，需要对交叉后的不满足调度约束条件个体进行修正处理。修正过程中首先检查子各基因向量的Part 1部分的各位代数和是否超过N，如果是，则随机选择值为‘1’的位置，并置为‘0’，直至满足约束条件为止；此外，也可能存在Part 1中‘1’的个数为‘0’的情况，于是随机将一个比特置为‘0’。

上述繁殖过程的示例性流程图见图4。由于两个父个体只能产生两个子个体，因此为了产生下一代种群，繁殖过程需要一直重复直至生成N_p个子个体。

最后，为了满足遗传算法的收敛条件，本发明中将经典的遗传算法进行修改。具体地，在每个群体中加入一个超级个体并命名为精英，作为种群中的第N_p+1个成员，设计一种新的种群结构，如图5所示，其中当前种群中最好个体为新生成个体中的最好可行解。本发明中，精英不参加繁殖过程，其更新规则如下：a、若当前种群中的最好个体优于精英，则用当前种群中的最好个体替换精英；b、否则，精英保持不变（保留）。

需要注意的是，达到最优解的所需遗传代数并不知道，因此，实际中常常将最大代数预先固定，设为N_g。当算法结束时，协作多点通信***的调度和比特分配策略将依据当前精英所对应的解。

下面通过几个具体的实施例和附图，对本发明的技术方案做进一步的详细描述。

实施例1

考虑下行协作多点传输***，实施例1的场景如图6所示，N＝3个相邻基站同时为随机分布于阴影区域的边缘用户提供服务；所有小区的半径均为500m，且各基站具有相同的最大发射功率限；假设***共有M＝4个子载波，且以复用系数1在各基站间复用；基站与用户间的信道考虑大尺度衰落、阴影衰落和瑞利衰落；对于遗传算法，种群中包含N_p＝50个个体，共进行N_g＝100代搜索，且突变概率为p_m＝0.05。

考虑优化目标R为***总传输比特最大：

\max R = Σ_{m = 1}^{M} \underset{k &Element; s_{m}}{Σ} b_{m, k} - - - (3)

其中，b_m,k代表用户k在子载波m上的比特速率，且b_m，k∈{0,2,4,6}；s_m为子载波m上被调度用户的集合，且集合中元素个数小于等于N。

图7给出了本发明方案与对比方案实施后的总速率对比图，其中对比方案1和对比方案2来自前述D.Choi等人的参考文献，且均将调度与资源分配分开，并采用基于贪婪算法的比特功率分配算法。其中，对比方案1采用一种基于总传输比特的次优调度方法，另外的对比方案则采用随机调度方法和穷尽搜索方法；用户数K＝10。由图7可以看出，在***吞吐量方面，本发明的方法可以获得接近穷尽搜索的结果，并且远远优于其他的对比方案；随机方案的性能最差；其次是对比方案1；对比方案2次于所提方案是由于其调度和资源分配方法均为次优解，且二者的分开进一步降低了性能。

图8给出了不同方案在不同用户数及SNR=20dB时的总速率对比，以更好验证方案的多用户分集性能。由图8可见，本发明的方法、穷尽搜索及对比方案1的总速率随着用户的增多而增大，说明这三种方案可以较好利用多用户分级。此外，本发明方案与穷尽搜索的性能差距随着用户数增多而增大，这是由于随着搜索空间的增大，本发明方案相比穷尽搜索节约了更多的计算复杂度，但是却要以牺牲一定的性能为代价。然而，对比方案2和随机方案的总比特速率几乎是不变的，因为二者都是采用随机用户调度的策略，不能很好利用多用户分集。

实施例2

本实例2考虑下行协作多点传输***，***模型设置及参数同实施例1。要兼顾***总速率和用户的公平性，可以设置不同的目标函数和与之对应的适应度函数，达到不同的优化目标。比例公平是平衡吞吐量和用户公平性的著名准则。要兼顾边缘用户的公平性，调度和资源分配方式可以最大化下面的目标函数：

\max R = \underset{k &Element; s_{m}}{Σ} \log_{2} (Σ_{m = 1}^{M} b_{m, k}) - - - (4)

式（4）中，b_m,k与s_m同实施例1。

另一种情况是，***中的不同用户由于业务种类的不同，具有不同的最低速率需求。为了保证具有不同速率要求的用户的公平性，定义优化目标函数：

\max R = Σ_{m = 1}^{M} \underset{k &Element; s_{m}}{Σ} w_{k} \cdot b_{m, k} - - - (5)

其中，w_k为用户k的权值，权值与用户的最低速率要求成比例；b_m，k与s_m同实施例1。

本发明提出了一种基于遗传算法的调度与资源分配联合优化方法，可在满足调度限制及功率限制条件下，联合地进行调度和资源分配，以较低的计算复杂度可靠高效地优化***性能。具体地，本发明设计了一种二维二值的染色体编码方式，用以表示各子载波上调度策略和比特分配方法的可能解；为了处理各基站的功率约束条件，提出了一种基于罚函数的适应度函数，用于衡量染色体的质量；经过选择、交叉、突变、调整四个步骤的繁殖过程，具有较高适应度值的染色体的基因不断遗传给子代，达到不断逼近问题近似最优解的目的；另外，为了保证算法的收敛性，本发明在种群中添加了精英个体，并进一步对传统遗传算法的种群结构加以改进，提出了一种新的种群结构。本发明采用的是调度和资源分配联合优化，不会由于二者分离而产生性能损失；另外，本发明也回避了现有技术中采用贪婪算法的缺陷，能更加逼近穷尽搜索的最优解；本发明中采用的遗传算法有着远远低于穷尽搜索的计算复杂度，因此可以在性能和吞吐量之间达到平衡；最后，由于遗传算法有着较高的鲁棒性，非常适合在实际***中取得应用，有较好的应用前景。

以上实施方式仅用于说明本发明，而并非对本发明的限制，有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明的范畴，本发明的实际保护范围应由权利要求限定。

Claims

1.一种基于遗传算法的调度与资源分配联合优化方法，应用于使用多点协作传输技术的通信***中；其特征在于，所述方法包括步骤：

S1，对问题的潜在解进行染色体的编码设计；

S3，计算新种群中包括精英在内的各染色体的适应度值；

S6，种群参加繁殖过程，产生两个子染色体个体；

2.根据权利要求1所述的方法，其特征在于，步骤S1中，对染色体个体进行二维二进制编码。

3.根据权利要求2所述的方法，其特征在于，步骤S1中，若***中基站带宽被均匀划分为M个子载波，则每个染色体个体由M个基因向量组成，每个基因向量的二值比特划分为用户调度策略和比特分配情况两部分。

4.根据权利要求1所述的方法，其特征在于，步骤S2中，初始化设置的控制参数包括种群大小、遗传代数和突变概率。

5.根据权利要求1所述的方法，其特征在于，步骤S3中，采用基于罚函数的适应度函数进行所述适应度值的计算。

6.根据权利要求5所述的方法，其特征在于，步骤S3中，所述适应度函数为：

其中，R(G)为染色体G对应的优化目标值；λ₀为体现惩罚力度大小的罚因子；penalty(n,G)为基站n的功率约束条件不满足时带来的惩罚，定义为基站n最大发射功率与实际发射功率的负差值；N为***中协作基站的个数。

7.根据权利要求6所述的方法，其特征在于，所述优化目标值的函数为：

\max R = Σ_{m = 1}^{M} \underset{k &Element; s_{m}}{Σ} b_{m, k},

\max R = \underset{k &Element; s_{m}}{Σ} \log_{2} (Σ_{m = 1}^{M} b_{m, k})

或

\max R = Σ_{m = 1}^{M} \underset{k &Element; s_{m}}{Σ} w_{k} \cdot b_{m, k};

8.根据权利要求1所述的方法，其特征在于，步骤S6中，繁殖过程包括选择、交叉、变异和调整4个部分。

9.根据权利要求8所述的方法，其特征在于，所述选择部分中，采用赌轮选择算法进行父母的选择。

10.根据权利要求8所述的方法，其特征在于，所述交叉部分中，采用均匀交叉的方式进行。