CN103347299B

CN103347299B - 一种基于遗传算法的集中式资源管理方法

Info

Publication number: CN103347299B
Application number: CN201310226342.0A
Authority: CN
Inventors: 许晓东; 戴巡; 张慧鑫; 陶小峰; 张平
Original assignee: Beijing University of Posts and Telecommunications
Current assignee: Beijing University of Posts and Telecommunications
Priority date: 2013-06-07
Filing date: 2013-06-07
Publication date: 2016-04-13
Anticipated expiration: 2033-06-07
Also published as: CN103347299A

Abstract

本发明公开了一种基于遗传算法的集中式资源管理方法，涉及无线通信领域，主要包括：S1、整合***中的网络资源以及***中的用户，对资源分配进行二维染色体编码，随机产生N个个体作为初始种群，其中N为大于2的整数；S2、对每个染色体进行动态功率分配，基于该功率分配以及用户需求构建个体的适应度函数；S3、进行种群繁殖，包括：选择、交叉、突变和修正过程，维持子代个体数目与父代个体数目相同；S4、用子代替换父代，重复种群繁殖过程，直到满足迭代终止条件。本发明能够提高***的功率利用率，在保证实时用户需求的情况下，还能有效保证非实时用户间的公平性，大大提高***性能。

Description

一种基于遗传算法的集中式资源管理方法

技术领域

本发明涉及无线通信技术领域，尤其涉及一种基于遗传算法的集中式资源管理方法。

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提出了更高的要求。

协作多点传输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，成为近年来的研究热点之一。其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）***，即多个协作基站同时使用相同无线资源为协作用户提供服务。然而，协作多点通信技术的引入，也为无线资源分配带来了更大的挑战。

为提高资源利用效率，研究人员提出了资源池的概念，即把***中所有可用资源，包括天线单元、功率、频率、时隙、码字以及空间资源等，集中到一起形成资源池，进行统一管理。

目前，已有一些相关的研究成果，文献XUXiaoDong,WANGDa,TAOXiaoFeng,SVENSSONTommy.Resourcepoolingforframelessnetworkarchitecturewithadaptiveresourceallocation[J].SCIENCECHINAInformationSciences,2013,56(2):022314(12)提出了针对无框架网络架构的多种资源分配方案。方案中在满足***功率约束的条件下，运用遗传算法，对天线和子载波两种资源进行了统一分配。然而，该文献提出的方案采用等功率分配方式，即每个天线的每个子载波所分到的功率相等。这种不灵活的功率分配方式会限制***的性能。此外，上述文献提出的方案并未考虑用户不同的业务需求，这无疑是不符合移动通信的业务现状的。

本发明提出了一种基于遗传算法的集中式资源管理方法，该方法会根据染色体所表达的资源分配信息动态地为每个个体分配功率，然后基于动态功率分配的结果以及染色体信息构建种群个体的适应度函数；同时本发明运用统一形式的效用函数描述不同的用户需求，并把用户需求信息涵盖在适应度函数中，这样本发明提供的方法，不仅能满足不同用户的需求，还能最大化***效用。

发明内容

（一）要解决的技术问题

本发明所要解决的技术问题是：如何提供一种基于遗传算法的集中式资源管理方法，既能满足不同的用户需求，又能动态地分配功率。

（二）技术方案

为了解决上述技术问题，本发明提供了一种基于遗传算法的集中式资源管理方法，主要包括如下步骤：

S1、整合***中的网络资源以及***中的用户，对所述网络资源分配进行二维染色体编码，随机产生N个个体作为初始种群，其中N为大于2的整数；

S2、对每个染色体进行动态功率分配，基于该功率分配以及用户需求构建个体的适应度函数；

S3、进行种群繁殖，包括：选择、交叉、突变和修正过程，维持子代个体数目与父代个体数目相同；

S4、用子代替换父代，重复种群繁殖过程，直到满足迭代终止条件，根据种群中适应度函数值最大的个体集中分配网络资源；

上述步骤所述的网络资源不包括功率资源。

进一步地，步骤S2所述的用户需求是用户对数据速率的需求，所述构建适应度函数的具体步骤为：

S21、在染色体表示的网络资源分配基础上进行功率动态分配；

S22、根据功率分配结果以及对应染色体为用户分配的网络资源，计算出用户的SINR；

S23、根据香农定律，计算出按照所述染色体分配网络资源，用户能达到的数据速率；

S24、根据用户需求构建用户关于数据速率的效用函数，***中所有用户在当前染色体表示的网络资源分配下达到的总效用就是该个体的适应度。

更进一步地，所述用户的效应函数具体描述如下：

效用函数的统一形式是通用的S型函数，值域为[0,1]；

效用函数在不同的系数下具有不同的性质，从而能描述不同类型的用户效用；

所述S型函数表示为：

U (r) = \frac{E}{A + {Be}^{- C (r - d)}} + D

其中r表示用户能够达到的数据速率；系数C主要影响曲线的斜率,即边际效用函数的取值，A、B、D、E主要影响效用函数的值域范围,通过调节上述系数可使不同类型的用户效用在同一范围内具有可比性,从而实现在混合业务下的网络资源分配;

d为效用函数的拐点,表示用户需求；当r小于d时,效用函数是一个凹函数,代表用户对数据速率d的需求强烈;当r大于d时,效用函数是一个凸函数,代表用户对额外获得的数据速率的需求变弱。

更进一步地，所述用户需求通过用户自主报告的方式确定或者***分析确定；

根据所述用户需求将用户分为两大类：一种是需要一定数量的网络资源以满足其QoS需求的实时用户，另一种是追求最大化吞吐量的非实时用户。

更进一步地，所述不同类型用户的效用函数的具体形式如下：

对于实时用户，用户的需求特点为：

\{\begin{matrix} 0 < r < r_{0}, U (r) > 0, U^{'} (r) > 0 \\ r_{0} < r < R, U (r) > 0, U^{'} (r) \leq 0 \\ U (0) \approx 0, U (R) = 1 \end{matrix}

与之对应的效用函数表示为：

U_{1} (r) = \frac{1}{1 + e^{- C_{1} (r - r_{0})}}

其中U′(r)表示用户的边际效用函数，r₀为用户需求的传输速率下限，R为***能够为用户分配的最大传输速率，C₁用来确定r₀附近的曲线斜率，C₁越大，曲线斜率越大，表明用户对数据速率r₀的需求越强；

对非实时用户，用户的需求特点为：

\{\begin{matrix} 0 < r < R, U (r) > 0, U^{'} (r) < 0 \\ U (0) \approx 0 \end{matrix}

与之对应的效用函数表示为：

U_{2} (r) = \frac{1}{1 + 1.5 e^{- C_{2} r}} - 0.4

其中U′(r)表示用户的边际效用函数，用户需求的传输速率下限为r₀＝0，R为***能够为用户分配的最大传输速率，C₂用来确定r₀附近的曲线斜率，它反映了***吞吐量与用户间公平性的折中，C₂越大，曲线斜率越大，效用函数趋于追求更好的公平性；C₂越小，曲线斜率越小，效用函数趋于追求更大的***吞吐量。

进一步地，步骤S1所述二维染色体编码具体是：

染色体采用二维矩阵形式编码，矩阵的一行代表为***中一个用户分配的网络资源，矩阵的列代表***的一个网络资源在用户间的分配，矩阵的一个元素代表染色体的一个基因；

其中，相同类型的用户位于所述矩阵的相邻行；相同类型的网络资源位于所述矩阵的相邻列。

进一步地，所述步骤S3具体包括：

S31、在当前种群中选择2个适应度最大的个体作为精英个体，加入到新种群中；

S32、按照轮盘赌选择法选择N-2个个体作为父母，适应度越大的个体被选为父母的概率也越大，同一个个体能够多次被选为父母；

S33、选出的父母个体采用扩展的单点交叉方式进行交叉，生成N-2个新个体；

S34、设定一突变阈值，为步骤S32生成的每个新个体的每个基因产生一个随机数，若该随机数小于所述阈值则对应的基因发生突变，否则，基因保持不变；

S35、修正交叉突变生成的新个体中的不可行解；

S36、步骤S31中的精英个体和上述繁殖生成的新个体共同作为新种群；

同种类型的资源有多个，所述基因突变是指：该基因指向的资源突变为相同类型的不同资源。

（三）有益效果

上述技术方案有如下优点：

本发明所记载的技术方案基于资源池的理念，对***中的资源进行集中式统一管理，能够实现多小区协作，最大化***效用。本发明提出的方案能够根据***中其他资源的分配情况，动态地分配功率，大大提高功率的利用率；同时，本发明运用统一形式的效用函数描述不同的用户需求，并基于用户的效用函数构建种群个体的适应度函数，能够在保证实时用户的QoS的同时，提高非实时用户之间的公平性。

附图说明

图1为实施例1的步骤流程示意图；

图2为实施例1的具体步骤流程示意图；

图3为实施例2中用户效用函数曲线图；

图4为实施例2中在不同用户数目下遗传算法的收敛性；

图5为实施例2的技术方案与其他方案在不同用户数下***效用对比图；

图6为实施例2的技术方案与其他方案在不同用户数下实时用户的接入成功率对比图；

图7为实施例2的技术方案与其他方案在不同用户数下非实时用户速率的标准差对比图。

具体实施方式

下面结合说明书附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例仅用于说明本发明，但不用来限制本发明的范围。

实施例一

如图1所示，本实施例记载了一种基于遗传算法的集中式资源管理方法，所述方法包括如下步骤：

S1、整合***中的网络资源以及***中的用户，对资源分配进行二维染色体编码，随机产生N个个体作为初始种群，其中N为大于2的整数；

S4、用子代替换父代，重复种群繁殖过程，直到满足迭代终止条件；

所述网络资源是指功率资源以外的其他网络资源。

以为实时和非实时两类用户分配天线和信道两种资源为例，结合图2详细说明上述各个步骤的具体执行过程。值得注意的是用户类型还能够采用其他分类方式，资源可以是天线、子信道、码字、时隙中的任意两种，这些情况也应当理解为属于本发明的保护范围。

假设***内随机分布着K个用户，其中实时用户有K₁个，非实时用户有K₂个；无线通信***中天线有I个，标记为：A₁，A₂，…A_I；子信道有M个，标记为：C₁，C₂，…，C_M。***的资源管理模块能够获得用户的需求信息和***内的信道状态信息。

一、染色体编解码

依据遗传算法的基本原理，首先对可能的资源分配方式进行染色体编解码，如图2中的步骤201。由于二进制编码方式在解决复杂的多维问题时，编码长度会变得很大，本实施例采用一种二维矩阵编码方式。矩阵的行数是***中用户的个数，矩阵的列数是***将要分配的资源的总个数，染色体G具体表示为：

G = \{\begin{matrix} a_{1,1}, a_{1,2}, \cdot \cdot \cdot, a_{1, N_{a}}; b_{1, 1}, b_{1,2}, \cdot \cdot \cdot, b_{1, N_{s}}; \\ \cdot \cdot \cdot \cdot \cdot \cdot \\ a_{K_{1}, 1}, a_{K_{1}, 2}, \cdot \cdot \cdot, a_{K_{1}, N_{a}}; b_{K_{1}, 1}, b_{K_{1}, 2}, \cdot \cdot \cdot, b_{K_{1}, N_{s}}; \\ a_{K_{1} + 1,1}, a_{K_{1} + 1,2}, \cdot \cdot \cdot, a_{K_{1} + 1, N_{a}}; b_{K_{1} + 1,1}, b_{K_{1} + 1,2}, \cdot \cdot \cdot, b_{K_{1} + 1, N_{s}}; \\ \cdot \cdot \cdot \cdot \cdot \cdot \\ a_{K_{1} + K_{2}, 1}, a_{K_{1} + K_{2}, 2}, \cdot \cdot \cdot, a_{K_{1} + K_{2}, N_{a}}; b_{K_{1} + K_{2}, 1}, b_{K_{1} + K_{2}, 2}, \cdot \cdot \cdot, b_{K_{1} + K_{2}, N_{s}}; \end{matrix}

染色体的前K₁行表示实时用户的资源分配情况，余下的K₂行表示非实时用户的资源分配情况。每一行能进一步分成两部分，前N_a个基因表示分配给此用户的天线资源，其中N_a≤I，后N_s个基因表示分配给此用户的信道资源，N_s≤M。

其中，染色体G中的每一个元素代表一个基因，a_k,i表示分配给用户k的第i个天线资源，a_k,i∈{A₁,A₂,...,AI}；且当i≠j时，a_k,i≠a_k,j。b_k,p表示分配给用户k的第p个子信道，b_k,p∈{0,C₁,C₂,...,C_M}，b_k,p＝0表示分配给用户k的第p个子信道为空，并且当p≠q时，若b_k,p≠0且b_k,q≠0，则b_k,p≠b_k,q。

需要注意的是，在解码过程中，若两种资源有一定的从属关系（如第一种资源是天线，第二种资源是子信道），则可能并非任意用户k的所有第二种资源在其占用的第一种资源中都能够使用。于是，设定解码过程以随机的顺序执行，若某第一种资源对应的第二种资源不可用，则不认为编码是错误的，而是仅考虑该第二种资源对应的可用的第一种资源。

二、初始化

如图2中的步骤202，在算法的初始阶段，随机生成N_p个个体组成初始种群。各代种群中个体数目不随种群的进化而改变。

三、繁殖

图2中的步骤205至步骤209，给出了种群的繁殖过程，其遗传操作主要包括四个步骤：选择、交叉、突变和修正。

首先在步骤205中判断遗传算法是否满足迭代终止条件，如果不满足则执行步骤206，在当前种群中选择两个适应度函数值最大的个体作为精英个体直接加入到子代中。然后再进行步骤207的遗传操作。

所述迭代终止条件是预设的一个迭代次数值，该值设定的越大，则遗传算法越接近最优解。

具体操作过程如下：

（一）选择

首先按照轮盘赌选择法选择遗传操作的父母个体。轮盘赌选择法是按照概率选择的常用方法，在本实施例中表现为适应度函数值越大的个体被选为父母的概率越大，个体G_i被选为父母个体的概率表示为：

P (G_{i}) = \frac{F (G_{i})}{Σ_{k = 1}^{N_{p}} F (G_{k})}

其中F(G_i)表示个体G_i的适应度函数值。需要注意的是，被选为父母的个体不会从种群中移除，所以一个个体可能不止一次被选为父母。

（二）交叉

被选为父母的一对个体参与交叉过程，采用一种扩展的单点交叉方式，假设父母个体A和B分别为：

A = \{\begin{matrix} a_{1,1}, a_{1,2}, \cdot \cdot \cdot, a_{1, N_{a}}; b_{1, 1}, b_{1,2}, \cdot \cdot \cdot, b_{1, N_{s}}; \\ \cdot \cdot \cdot \cdot \cdot \cdot \\ a_{K_{1}, 1}, a_{K_{1}, 2}, \cdot \cdot \cdot, a_{K_{1}, N_{a}}; b_{K_{1}, 1}, b_{K_{1}, 2}, \cdot \cdot \cdot, b_{K_{1}, N_{s}}; \\ a_{K_{1} + 1,1}, a_{K_{1} + 1,2}, \cdot \cdot \cdot, a_{K_{1} + 1, N_{a}}; b_{K_{1} + 1,1}, b_{K_{1} + 1,2}, \cdot \cdot \cdot, b_{K_{1} + 1, N_{s}}; \\ \cdot \cdot \cdot \cdot \cdot \cdot \\ a_{K_{1} + K_{2}, 1}, a_{K_{1} + K_{2}, 2}, \cdot \cdot \cdot, a_{K_{1} + K_{2}, N_{a}}; b_{K_{1} + K_{2}, 1}, b_{K_{1} + K_{2}, 2}, \cdot \cdot \cdot, b_{K_{1} + K_{2}, N_{s}}; \end{matrix}

和

B = \{\begin{matrix} a_{1,1}^{'}, a_{1,2}^{'}, \cdot \cdot \cdot, a_{1, N_{a}}^{'}; b_{1,1}^{'}, b_{1,2}^{'}, \cdot \cdot \cdot, b_{1, N_{s}}^{'}; \\ \cdot \cdot \cdot \cdot \cdot \cdot \\ a_{K_{1}, 1}^{'}, a_{K_{1}, 2}^{'}, \cdot \cdot \cdot, a_{K_{1}, N_{a}}^{'}; b_{K_{1}, 1}^{'}, b_{K_{1}, 2}^{'}, \cdot \cdot \cdot, b_{K_{1}, N_{s}}^{'}; \\ a_{K_{1} + 1,1}^{'}, a_{K_{1} + 1,2}^{'}, \cdot \cdot \cdot, a_{K_{1} + 1, N_{a}}^{'}; b_{K_{1} + 1,1}^{'}, b_{K_{1} + 1,2}^{'}, \cdot \cdot \cdot, b_{K_{1} + 1, N_{s}}^{'}; \\ \cdot \cdot \cdot \cdot \cdot \cdot \\ a_{K_{1} + K_{2}, 1}^{'}, a_{K_{1} + K_{2}, 2}^{'}, \cdot \cdot \cdot, a_{K_{1} + K_{2}, N_{a}}^{'}; b_{K_{1} + K_{2}, 1}^{'}, b_{K_{1} + K_{2}, 2}^{'}, \cdot \cdot \cdot, b_{K_{1} + K_{2}, N_{s}}^{'}; \end{matrix}

假设随机产生的交叉点位于b_1,1和b_1,2之间，则交叉产生的个体C和D为：

C = \{\begin{matrix} a_{1,1}, a_{1,2}, \cdot \cdot \cdot, a_{1, N_{a}}; b_{1, 1}, b_{1,2}, \cdot \cdot \cdot, b_{1, N_{s}}; \\ \cdot \cdot \cdot \cdot \cdot \cdot \\ a_{K_{1}, 1}, a_{K_{1}, 2}, \cdot \cdot \cdot, a_{K_{1}, N_{a}}; b_{K_{1}, 1}, b_{K_{1}, 2}, \cdot \cdot \cdot, b_{K_{1}, N_{s}}; \\ a_{K_{1} + 1,1}, a_{K_{1} + 1,2}, \cdot \cdot \cdot, a_{K_{1} + 1, N_{a}}; b_{K_{1} + 1,1}, b_{K_{1} + 1,2}, \cdot \cdot \cdot, b_{K_{1} + 1, N_{s}}; \\ \cdot \cdot \cdot \cdot \cdot \cdot \\ a_{K_{1} + K_{2}, 1}, a_{K_{1} + K_{2}, 2}, \cdot \cdot \cdot, a_{K_{1} + K_{2}, N_{a}}; b_{K_{1} + K_{2}, 1}, b_{K_{1} + K_{2}, 2}, \cdot \cdot \cdot, b_{K_{1} + K_{2}, N_{s}}; \end{matrix}

和

D = \{\begin{matrix} a_{1,1}^{'}, a_{1,2}^{'}, \cdot \cdot \cdot, a_{1, N_{a}}^{'}; b_{1,1}^{'}, b_{1,2}^{'}, \cdot \cdot \cdot, b_{1, N_{s}}^{'}; \\ \cdot \cdot \cdot \cdot \cdot \cdot \\ a_{K_{1}, 1}^{'}, a_{K_{1}, 2}^{'}, \cdot \cdot \cdot, a_{K_{1}, N_{a}}^{'}; b_{K_{1}, 1}^{'}, b_{K_{1}, 2}^{'}, \cdot \cdot \cdot, b_{K_{1}, N_{s}}^{'}; \\ a_{K_{1} + 1,1}^{'}, a_{K_{1} + 1,2}^{'}, \cdot \cdot \cdot, a_{K_{1} + 1, N_{a}}^{'}; b_{K_{1} + 1,1}^{'}, b_{K_{1} + 1,2}^{'}, \cdot \cdot \cdot, b_{K_{1} + 1, N_{s}}^{'}; \\ \cdot \cdot \cdot \cdot \cdot \cdot \\ a_{K_{1} + K_{2}, 1}^{'}, a_{K_{1} + K_{2}, 2}^{'}, \cdot \cdot \cdot, a_{K_{1} + K_{2}, N_{a}}^{'}; b_{K_{1} + K_{2}, 1}^{'}, b_{K_{1} + K_{2}, 2}^{'}, \cdot \cdot \cdot, b_{K_{1} + K_{2}, N_{s}}^{'}; \end{matrix}

通过遗传父母的部分特性，子代可能产生出更好的染色体。

（三）变异

每个新生成的子个体都要经过突变过程。假设基因突变的概率为p_m，对个体的染色体中的每一个基因都产生一个随机数z∈[0,1]，若z＜p_m，则该基因随机突变为其他可能值。具体地，对于用户k来说，两种不同类型的基因的突变表达式如下：

其中表示已分配给用户k的天线集，表示已分配给用户k的子信道集；a′′和b′′分别表示a和b突变后的值。

（四）修正

由于交叉和突变可能会产生不满足i≠j时，a_k,i≠a_k,j或者p≠q，且b_k,p≠0，b_k,q≠0时，b_k,p≠b_k,q的不可行解，需要进行一定的修正。分别检查各用户使用的天线资源和频率资源集合中是否有重复元素，若有，则随机置为其他可能值，直至解可行。

当上述遗传操作一共产生（N_p-2）个子个体时，遗传操作结束，与前面选出的两个精英个体共同构成子代，如图2中的步骤208所示。然后重新执行繁殖操作，直至遗传算法迭代结束。依据适应度函数值最大的个体分配资源。

四、适应度函数

下面对本实施例遗传算法的适应度函数做具体介绍。在本实施例中，适应度函数的构建包含以下步骤：

S21、在染色体表示的资源分配基础上进行功率动态分配；

S23、根据香农定律，计算出按照所述染色体分配资源，用户能达到的数据速率；

S24、根据用户需求构建用户关于数据速率的效用函数，***中所有用户在当前染色体表示的资源分配下达到的总效用就是该个体的适应度。

上述步骤详细描述如下：

（一）动态功率分配

为了提高***的功率利用效率，在遗传算法中加入动态功率分配环节。在本实施例中，动态功率分配依据用户与所述用户所属服务基站间的信道增益进行，信道增益中包含路径损耗、阴影衰落、快衰等因素。

依据染色体所表达的资源分配方案，用户k与天线A_i在子信道C_m上的传输功率正比于信道增益

P_{i, k}^{m} = \frac{P_{\max} \times g_{i, k}^{m}}{Σ_{k = 1}^{K} Σ_{i = 1}^{I} Σ_{m = 1}^{M} g_{i, k}^{m}}

其中P_max表示***允许的最大功率。表示天线Ai的子信道C_m并没有服务用户k。这种功率分配方式满足***的功率限制:

Σ_{k = 1}^{K} Σ_{i = 1}^{I} Σ_{m = 1}^{M} p_{i, k}^{m} \leq P_{\max}

动态功率分配的方法很多，可依据不同的分配标准来进行。其他满足***限制的与染色体相关联的动态功率分配方案也应理解为属于本发明的保护范围。

（二）计算用户的数据速率

为了降低天线之间的干扰，提高***的性能，用户在同一个时隙内能够接收多个天线的信号。用户k在子信道C_m上接收的瞬时SINR为：

{SINR}_{k}^{m} = \frac{Σ_{i &Element; A_{k}^{m}} P_{i, k}^{m} {| h_{i, k}^{m} |}^{2}}{Σ_{j &Element; \overset{&OverBar;}{A_{k}^{m}}} P_{i, k}^{m} {| h_{j, k}^{m} |}^{2} + n_{k}^{m}}

其中，表示工作在子信道C_m上为用户k服务的所有天线的集合，表示的补集，表示天线A_i与用户k在子信道C_m上的复信道响应，表示子信道C_m上的高斯白噪声。

根据香农定理能够得到用户k在子信道C_m上的数据速率：

R_{k}^{m} = {B \log}_{2} (1 + {SINR}_{k}^{m})

对用户k所分得的所有子信道上的数据速率求和后，可得到此用户所获得的总数据速率：

R_{k} = \underset{m &Element; S_{k}}{Σ} R_{k}^{m}

（三）用户的效用函数

用户的效用函数是基于用户能够获得的数据速率与用户需求的数据速率之间的差值构建的。

所述用户的效应函数具体描述如下：

效用函数的统一形式是通用的S型函数，值域为[0,1]；

所述S型函数表示为：

U (r) = \frac{E}{A + {Be}^{- C (r - d)}} + D

其中r表示用户能够达到的数据速率；系数C主要影响曲线的斜率,即边际效用函数的取值，A、B、D、E主要影响效用函数的值域范围,通过调节上述系数可使不同类型的用户效用在同一范围内具有可比性,从而实现在混合业务下的资源分配;

所述用户需求能够通过用户自主报告的方式确定或者***分析等多种方式确定。对于实时用户，用户的需求特点为：

\{\begin{matrix} 0 < r < r_{0}, U (r) > 0, U^{'} (r) > 0 \\ r_{0} < r < R, U (r) > 0, U^{'} (r) \leq 0 \\ U (0) \approx 0, U (R) = 1 \end{matrix}

与之对应的效用函数表示为：

U_{1} (r) = \frac{1}{1 + e^{- C_{1} (r - r_{0})}}

对非实时用户，用户的需求特点为：

\{\begin{matrix} 0 < r < R, U (r) > 0, U^{'} (r) > 0 \\ U (0) \approx 0 \end{matrix}

与之对应的效用函数表示为：

U_{2} (r) = \frac{1}{1 + 1.5 e^{- C_{2} r}} - 0.4

其中U′(r)表示用户的边际效用函数，用户需求的传输速率下限r₀＝0，R为***能够为用户分配的最大传输速率，C₂用来确定r₀附近的曲线斜率，它反映了***吞吐量与用户间公平性的折中，C₂越大，曲线斜率越大，效用函数趋于追求更好的公平性；C₂越小，曲线斜率越小，效用函数趋于追求更大的***吞吐量。

（四）基于用户效用函数的适应度函数：

用户的适应度函数F是资源分配的优化目标,用来衡量染色体对应的解的优劣情况。本发明根据不同类型用户的效用函数构建适应度函数，能够同时为不同类型的用户分配资源。种群个体的适应度函数表示为：

F = Σ_{k = 1}^{K} U (R_{k}) = Σ_{k = 1}^{K_{1}} U_{real} (R_{k}) + Σ_{k = K_{1} + 1}^{K_{1} + K_{2}} U_{non - real} (R_{k})

把遗传算法所获得的最大的适应度函数值做为***效用。在满足***总资源的约束的前提下,最大化用户累积效用函数，在资源分配时能自动优先满足实时用户的资源请求,并能自适应地在非实时用户之间达到一定的公平性。

实施例二

本实施例进一步给出了实施例1的matlab仿真实验及结果。设定实施例1的参数的实验值：设***中用户个数K＝10，其中实时用户个数K₁＝4，非实时用户个数K₂＝6；天线个数为I＝7，随机分布于***中；子信道个数M＝20。每个用户最多有N_a＝3个天线服务，最多占用N_s＝4个子信道。基站与用户间的信道响应考虑大尺度衰落、阴影衰落、和瑞利衰落。对于遗传算法，每一代种群中包含N_p＝50个个体，共进行N_g＝100代搜索则迭代终止，突变概率为p_m＝0.05。

对于用户的效用函数，设实时用户效用函数中C₁＝2，非实时用户的效用函数中C₂＝0.07，用户效用值随着获得的数据速率的变化曲线如图3所示。从图3中可以直观看出，实时用户的效用函数为S型函数，非实时用户的效用函数为凸函数。

图4给出了当用户数目K变化时，本实施例在不同用户数目下的收敛性。随着遗传代数的增加，***效用逐渐收敛。在迭代初期，***效用能显著提升，但当迭代到一定代数后，***效用逐渐收敛。此外，用户数越多，***效用值越大，本技术方案需要越多的代数去达到收敛。

为了评估本技术方案的性能，本实施例将本技术方案与以下三个方案做仿真比较：

对比方案1：天线根据路径损耗分配，子信道随机分配

对比方案2：天线根据路径损耗分配，子信道根据信干比分配

对比方案3：不考虑不同的用户需求，以最大吞吐量作为优化目标，其余与本方案发明相同

图5给出了不同方案在不同用户数时的***效用对比。由图5可知，所有方案的***效用都随着用户的增多而增大。当用户少时，本方案的优势并不明显，但随着用户的增多，本发明方案能显著提升***性能，这是因为在重负载情况下，合理的根据用户的不同业务需求分配资源尤为重要。

图6给出了不同方案在不同用户数情况下实时用户的接入成功率对比。本发明方案有最大的接入率，也就是说本方案能有效的保证实时用户的QoS需求。

图7给出了不同方案在不同用户数情况下非实时用户速率的标准差对比。本发明方案有最小的标准差，也就是说本方案能有效的保证非实时用户间的公平性。

综上，本发明能够高效可靠的优化***性能，满足不同用户的QoS服务需求，最大化***效用。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。

Claims

1.一种基于遗传算法的集中式资源管理方法，其特征在于，包括如下步骤：

上述步骤所述的网络资源不包括功率资源；

步骤S2所述的用户需求是用户对数据速率的需求，所述构建适应度函数的具体步骤为：

2.如权利要求1所述的方法，其特征在于，所述用户的效应函数具体描述如下：

效用函数的统一形式是通用的S型函数，值域为[0,1]；

所述S型函数表示为：

U (r) = \frac{E}{A + {Be}^{- C (r - d)}} + D

其中r表示用户能够达到的数据速率；系数C主要影响曲线的斜率,即边际效用函数的取值，A、B、D、E主要影响效用函数的值域范围,通过调节上述系数可使不同类型的用户效用在同一范围内具有可比性,从而实现在混合业务下的网络资源分配；

d为效用函数的拐点,表示用户需求；当r小于d时,效用函数是一个凹函数,代表用户对数据速率d的需求强烈；当r大于d时,效用函数是一个凸函数,代表用户对额外获得的数据速率的需求变弱。

3.如权利要求2所述的方法，其特征在于，所述用户需求具体为：

所述用户需求通过用户自主报告的方式确定或者***分析确定；

4.如权利要求3所述的方法，其特征在于，所述不同类型用户的效用函数的具体形式如下：

对于实时用户，用户的需求特点为：

\{\begin{matrix} 0 < r < r_{0}, U (r) > 0, U^{'} (r) > 0 \\ r_{0} < r < R, U (r) > 0, U^{'} (r) \leq 0 \\ U (0) \approx 0, U (R) = 1 \end{matrix}

与之对应的效用函数表示为：

U_{1} (r) = \frac{1}{1 + e^{- C_{1} (r - r_{0})}}

对非实时用户，用户的需求特点为：

\{\begin{matrix} 0 < r < R, U (r) > 0, U^{'} (r) < 0 \\ U (0) \approx 0 \end{matrix}

与之对应的效用函数表示为：

U_{2} (r) = \frac{1}{1 + 1.5 e^{- C_{2} r}} - 0.4

5.如权利要求1所述的方法，其特征在于，步骤S1所述二维染色体编码具体是：

6.如权利要求1所述的方法，其特征在于，所述步骤S3具体包括：

S32、按照轮盘赌选择法选择N-2个个体作为父母，适应度越大的个体被选为父母的概率也越大，同一个个体能够被多次选为父母；

S35、修正交叉突变生成的新个体中的不可行解；

所述基因突变是指：该基因指向的网络资源突变为同种类型的不同网络资源。