CN103945388B

CN103945388B - 一种异构网络中基于遗传算法的用户接入网络方法

Info

Publication number: CN103945388B
Application number: CN201410152938.5A
Authority: CN
Inventors: 曲桦; 赵季红; 魏小敏; 栾智荣
Original assignee: Xian Jiaotong University
Current assignee: Xian Jiaotong University
Priority date: 2014-04-16
Filing date: 2014-04-16
Publication date: 2017-10-20
Anticipated expiration: 2034-04-16
Also published as: CN103945388A

Abstract

本发明公开了一种异构网络中基于遗传算法的用户接入网络方法，根据用户吞吐量的经验值确定可以稳定接入各个基站的用户群和性能较差的小区边缘用户；然后利用遗传算法对性能较差的用户智能地调换基站，对遗传操作中的每一代更新用户的吞吐量和接入各个基站的总用户数，从而不断提高边缘用户吞吐量和整个网络的性能，经过多代遗传操作，得到各个基站较好的用户组合，使***性能达到最优。

Description

一种异构网络中基于遗传算法的用户接入网络方法

技术领域

本发明涉及无线异构网络的用户接入网络问题，具体涉及一种异构网络中基于遗传算法的用户接入网络方法，可用于异构网络下宏基站和小功率节点中用户的分配。

背景技术

在传统的宏蜂窝小区引入低功率节点提供重叠覆盖的异构网络组网形式，可以有效地解决无线通信网络对数据速率需求的日益增长，提高***容量和频谱利用率。与宏蜂窝网络相比，由于小功率网络节点的发射功率（均在250mW到1W之间）和天线高度(<5m)都比较低，在异构网络中按照传统的基于接收信号强度（RSS，Received Signal Strength）的接入选择算法会出现这样的问题：接入低功率节点的用户数远远小于选择接入宏基站的用户数。这就造成宏蜂窝小区的负载量过多，频率资源竞争非常激烈，然而低功率节点的频率资源却没有充分利用。因此，异构网络中各小区使用相同带宽的频率资源，增加小功率节点的用户数会最大化小区***增益，从而提升全网性能。因此在无线异构网络中必须改变用户接入目标小区的选择策略，让更多用户选择低功率节点为服务小区，即为用户选择参考信号接收功率RSRP较大的小区而不一定选RSRP最大的小区作为其服务小区，这就是小区范围扩展（RE，Range Expansion）技术。目前常用的小区范围扩展技术一般只用在简单的宏微基站场景下，以分布式解决问题，每次只能调整基站的偏置值，不能兼顾全网的运行情况。不适用于实际中的复杂异构网络场景。

由于无线异构网络的异构性和多个网络的重叠覆盖性，无线异构网络不仅要考虑单一网络的运行质量，还要考虑到整个网络***的运行质量以及其它异构网络对自身网络的影响等因素。因此，在终端用户选择接入的目标网络的方法上，无线异构网络不但对于网络性能的需求更多，要求更高，要求能够以全局最优化的方式使网络达到最优的性能。

遗传算法是模拟自然界优胜劣汰的进化现象，把可能解的搜索空间映射为遗传空间，把可能的解编码为一个向量（即染色体），向量的每个元素称为基因。种群是由一定数目的个体所构成的，遗传算法的最开始的工作就需要进行编码工作，然后形成初始的种群，最后进行选择、交叉和变异的操作。初始化一个可能潜在解集的种群，按照适者生存和优胜劣汰的机制，在每一代中根据问题域个体的适应度值大小来挑选个体，并借助自然遗传机制进行交叉、变异操作产生新的解集的种群。通过不断计算各染色体的适应度值和遗传操作，选择最好的染色体，从而获得最优解。

与其他优化算法相比较，遗传算法具有的优势：（1）搜索过程是作用在编码后的字符串上，间接作用在优化问题的具体变量上，在搜索中用随机变换规则替代确定的规则。为了提高效率，遗传算法在搜索时采用了启发式搜索。（2）具有较好的通用性，不需要辅助信息。遗传算法仅需使用适应度函数的数值来评价个体的好坏，并在此基础上进行遗传操作。更重要的是，遗传算法的适应度函数只要求编码必须与可行解空间对应，其不仅不受连续可微的约束，而且其定义域可以任意设定。这使得遗传算法的应用范围很广泛。（3）群体搜索特性。遗传算法搜索种群的点是并行的一组点，而许多传统的搜索方法都是单点搜索。它采用的是同时处理群体中多个个体的方法，即同时对搜索空间的多个解进行评估。这一特点使遗传算法能在解空间内充分搜索，具有较好的全局优化能力，也使得遗传算法本身易于并行化。（4）具有很强的可并行性。遗传算法的并行性体现在这三个方面：个体适应度评价的并行性、整个群体各个个体适应度评价的并行性及子代群体产生过程的并行性。遗传算法只需要通过保持多个群体和恰当控制群体间的互相作用来模拟并发执行过程，即使不使用并行计算机，也能提高算法的执行率。

发明内容

本发明的目的在于提供一种异构网络中基于遗传算法的用户接入网络方法。

为达到上述目的，本发明采用了以下技术方案。

1）根据用户吞吐量将接入异构网络中各个基站的用户划分为可以稳定接入对应基站的用户和接入性能较差的小区边缘用户；

2）以最大化小区边缘用户吞吐量为优化目标，利用遗传算法对所述小区边缘用户所接入的基站进行调换。

所述步骤1）中，根据用户吞吐量选出5%的接入性能最差的用户作为所述小区边缘用户。

所述遗传算法根据优化目标确定适应度函数，遗传算法具体包括以下步骤：

1）生成初始化种群，初始化种群中每个染色体的长度（长度即基因数目）等于所述小区边缘用户的总数，将异构网络中各基站的编码随机填充在染色体的基因座上，直至所有染色体的每个基因座均被填充；

2）经过步骤1）后，采用选择算子、交叉算子以及变异算子使初始化种群不断进化，在达到预先设定的进化代数后找出适应度最大的染色体。

所述遗传算法的适应度函数为：

其中，bad_ue表示所述小区边缘用户的总数，Nue(i,base)是一个popsize行base列的矩阵，popsize表示种群大小，base表示基站的编码，Nue(i,base)用于记录种群在每一次迭代过程中接入各个基站的用户数，SINR_i表示小区边缘用户在所接入基站侧的信干噪比。

所述遗传算法的进化代数取为50～500，种群大小取为20～100，交叉概率取为0.4～0.99，变异概率取为0.0001～0.1。

所述遗传算法的选择算子采用最优保存策略结合轮盘赌选择算法，具体包括以下步骤：

首先计算当前种群中各个染色体的适应度，然后从当前种群中找出适应度最高的染色体X1和适应度最低的染色体Y1，当前种群中其余的染色体记为evolution_pop（即除了适应度最高和适应度最低的两个染色体以外的染色体），保留所述适应度最高的染色体X1，并将所述适应度最低的染色体Y1替换为与所述适应度最高的染色体X1相同的染色体X2，X1以及X2不参与交叉和变异操作而直接进入下一代种群，然后再按轮盘赌选择算法对evolution_pop进行选择操作，选择出的染色体进行交叉、变异后与X1以及X2共同构成下一代种群，轮盘赌选择算法中染色体被选中的概率与适应度高低成正比。

所述遗传算法的交叉算子采用单点交叉。

所述异构网络为宏基站、微微基站以及毫微微基站混合部署的场景。

本发明的有益效果体现在：

本发明研究异构网络下小区关联的智能优化算法，结合小区范围扩展技术使宏小区性能差的用户分流到小功率基站的思想，即在层叠异构网络中，调换基站使用户接入低发射功率、小覆盖范围小区，从而使用户设备选择参考信号强度较大的小区而不一定选参考信号强度最大的小区作为其服务小区，本发明具体采用遗传算法来实现各个基站中用户群的选择，对无线异构网络中性能较差的边缘用户所接入的基站进行调换，解决小区边缘用户性能差、宏基站负载量过大和低功率节点频谱资源未充分利用的问题，提高了边缘用户吞吐量，可以用于无线异构网络场景下宏基站和小功率节点之间的用户关联，减轻了宏蜂窝的负载，改善室内覆盖和提高小区边缘用户的性能，进而改善全网性能。

附图说明

图1是无线异构网络场景示意图；

图2（a）是按照传统接入方法用户接入网络的情况；

图2（b）是按照传统接入方法选出性能差的边缘用户；

图3为遗传算法流程图；

图4是未经遗传操作前用户接入基站的情况；

图5是遗传操作后用户接入基站的情况；

图6是遗传操作后得到的最佳个体适应值示意图。

具体实施方式

下面结合附图和实施例对本发明作详细说明。

本发明提出一种基于遗传算法（GA，Genetic Algorithm）的人工智能优化算法，可以解决异构网络中基站间的用户群的接入问题，提高小区边缘用户的吞吐量和提升全网性能。

本发明利用遗传算法解决异构网络的用户选择问题，在复杂异构网络场景下以最大化边缘用户吞吐量为性能优化目标，找到各个基站的最佳用户组合。而目前关于异构网络下改善网络性能的研究大多是宏微基站或宏基站和家庭基站场景下，本发明提供了采用人工智能的启发式算法的一个分支即遗传算法来实现多个基站各自所服务用户的最佳组合，从而提高***频谱利用率，改善了全网性能。

本发明中场景搭建为：无线异构网络场景下，共有N_ue个用户，宏小区半径为r。宏蜂窝网络保证大面积覆盖范围下在热点地区部署微微基站（picocell，即图1中pico），在室内环境中部署毫微微基站（femtocell，即图1中femto）。各个基站的信号发射功率为power_i（i表示基站编号，如宏基站侧i=1,2,...,m，微微基站侧i=m+1,m+2,...,p，毫微微基站侧i=p+1,p+2,...,f，其中i为正整数）。

由于无线信道模型在复杂传播环境中难以用自由空间损耗、射线跟踪等精确建模，在仿真环境的城市宏小区、城市微小区、甚至室内环境，假设路径损耗p_r/p_t模型由距离函数定义确定，其包括路径损耗、阴影损耗以及多径衰落的影响。阴影衰落采用对数正态阴影衰落随机过程模型。

由于路径损耗模型如果采用单一模型难以精确反映复杂传播环境下的路径损耗，如果采用解析模型或者实测精确模型对问题的要求很严格，具体实现很复杂。本发明中采用简化的路径损耗模型建模，作为一般性***优劣分析，反映在复杂无线信道传播环境中信号传播的主要特性。这样定义用户到各个基站i的增益为：

因此，根据简化的路径损耗模型，用户接收功率P_r可以表示为：

对应分贝值为：

其中，P_t为发射功率，K是确定的路径损耗因子，该无量纲常系数取决于天线特性和平均信道衰减。d₀是天线远场的参考距离，d是用户到某个服务基站的实际距离。参考距离d₀和用户到某个服务基站的距离d之间的路径损耗指数为γ。γ取决于传播环境，一般城市宏蜂窝γ=3.7-6.5、城市微小区γ=2.7-3.5、室内办公环境下γ=1.6-3.5、家庭基站中γ=3，两径模型γ=4。通常把K<1取为全向天线在参考距离d₀处的自由空间路径增益，即K由距离d₀处的自由空间路径损耗公式KdB=-20log₁₀(4πd₀/λ)确定。其中，λ为信号波长。

规定某一个小区中的用户会受到来自重叠异构网络下其他小区的干扰和无线信道传输中的加性高斯白噪声（AWGN）的干扰，白噪声的功率为σ²。相应地，用户接收到的来自宏基站（即图1中Macro）和各个低功率节点的信干噪比是决定服务质量(QoS,Quality of Ｓervice)最重要参数。信干噪比的计算公式为：

SINR_i表示用户在基站i处接收到的信干噪比值，power_i为基站i的发射功率，为异构网络中来自其他基站j的干扰。

本发明的目的是用遗传算法实现目标函数最大化即最大化小区边缘用户吞吐量。根据用户吞吐量，选择大约5%的性能最差的边缘用户，边缘用户数为bad_ue。f(m)表示遗传操作中第m个个体中的bad_ue个边缘用户的吞吐量大小，***带宽为B。目标函数为边缘用户吞吐量，其计算公式为：

f(m)=f(m)+(1/Nue)*log₂(1+SINR_i)*B

上述公式SINR_i是经过信道增益计算得到，SINR_i表示异构网络场景中用户在各个基站侧的信干噪比（i表示基站编号，如宏基站侧i=1,2,...,m，微微基站侧i=m+1,m+2,...,p，毫微微基站侧i=p+1,p+2,...,f，其中i为正整数）。

下面介绍一下在本发明中应用的遗传算法的具体操作，参见图3：

个体长度等于bad_ue。在染色体（即个体）的结构上，一个染色体表示一个个体即bad_ue个边缘用户接入的基站编码，一个基因的值i(取值为自然数1,2,...,f)表示基站i服务该用户。进化代数取为50～500，种群大小popsize取为20～100，交叉概率取为0.4～0.99，变异概率取为0.0001～0.1。

步骤1：根据用户吞吐量大小，从无线异构网络场景下的N_ue个用户中选出大约5%的性能最差的边缘用户（总数为bad_ue个），对这些用户进行遗传算子操作；

步骤2：初始化种群。本发明中采用的染色体编码为实数编码，也就是基因位编码为整数1,2,...,f。异构网络场景中需要采用遗传算法变换基站的最差边缘用户数有bad_ue个用户。对染色体进行初始化时，randint和ones函数对染色体的每个基因随机产生1到f的整数进行填充；

步骤3：染色体适应度值计算。根据染色体编码，计算种群中各染色体的适应度值，本发明根据目标函数最大化边缘用户吞吐量f(m)的表达式可以将适应度函数转化为如下：

其中，Nue(i,base)是一个popsize行base列的矩阵，popsize表示种群大小，base表示基站的编码，Nue(i,base)用于记录种群在每一次迭代过程中接入各个基站的用户数，SINR_i表示小区边缘用户在所接入基站侧的信干噪比。群体的进化过程就是以个体的适应度值为依据，根据个体适应度值对诸染色体进行选择操作，挑选出适应度强的个体进行下一步的交叉、变异操作，通过反复的迭代，剔除适应度低(性能不佳)的染色体，留下适应度高(性能优良)的染色体，从而得到新群体。

步骤4：选择操作，选择算子是从当前种群中根据染色体的适应度值，按照某种准则挑选出适应度高的个体并淘汰一些适应度较低的个体，然后进行后面的交叉和变异操作，为产生新的染色体做准备。本发明选择过程采用了最优保存策略和轮盘赌选择算法相结合的思路。首先从当前种群中找出适应度值最高和最低的两个个体，将适应度值最高的个体best_individual保留下来并用它替换掉最差的那个个体。当前最佳个体（best_individual）不参与交叉和变异操作而直接进入下一代，这样可以保证其不被交叉和变异操作所破坏。然后再按轮盘赌选择算法对剩下的evolution_popsize个个体evolution_pop进行选择操作。轮盘赌选择算法即为比例选择法，是指个体被选中的概率与该个体的适应度大小成正比。使用这两种方法相结合的优点是：在遗传算法操作中，不仅能够不断地提高种群的平均适应度值，而且能够保证适应度值最高的个体即最佳个体的适应度值不减小；

步骤5：交叉操作。交叉操作是按给定的交叉概率在选择出的个体中任意选择两个个体进行交叉运算或重组运算，两个染色体之间随机交换信息从而产生两个新的个体的一种机制。通过交叉操作得到的新一代个体结合了其父辈个体的特性，因此交叉体现了信息互换的思想。本发明对从evolution_pop中选择出的两个父代解的个体P1和P2采用单点交叉来实现交叉算子，即按交叉概率P_c在两两配对的个体编码串cpairs中随机设置一个交叉点cpoints，然后在该点相互交换两个配对个体的部分基因，从而形成两个新的个体；

步骤6：变异操作，是模仿生物遗传和进化过程中的变异环节，以较小的概率对个体编码串上的某个或某些位值进行改变，进而生成新的个体。遗传算法中的变异操作就是将个体染色体编码串中的某些基因座上的基因值用该基因座的其他等位基因来替换。对于以一定的变异概率P_m选中的个体改变染色体编码串结构数据中某个基因座的值。同生物界一样，遗传算法中发生变异的概率很低，通常取值在0.0001-0.1之间。变异为新个体的产生提供了机会，本发明中采用基因位突变操作。根据需要可以以给定的变异概率P_m在群体中选择若干个体，并对选中的个体进行变异运算。变异运算增加了遗传算法找到最优解的能力。本发明中，从evolution_pop中选择出的个体按照变异概率P_m随机选择变异点mutation_point进行变换（变成网络中的其他基站），并更新种群pop_bad；

步骤7：选出适应度值最高的个体，若算法没有达到最大迭代数，返回步骤3重复操作。

仿真实验

图1所示是多层重叠复杂异构网络场景，宏蜂窝层网络提供大面积无线覆盖范围下随机部署微微蜂窝小区、毫微微蜂窝小区和用户设备（UE）。无线异构网络仿真参数具体介绍如下：

宏小区可以覆盖面积很大的区域，覆盖半径约为1～30Km。微微基站的覆盖半径在0.1Km～1Km之间，且其覆盖面积不一定是圆形的，可部署在室内或室外，并且可服务于高达两百个用户设备。毫微微基站主要部署在室内，可达到大约十五米到五十米的覆盖范围。图2（a）所示是按照传统接入方法，根据用户吞吐量大小选出约5%的性能最差的用户，图2（a）中圆圈和点分别代表可以保证用户性能且分别稳定接入宏基站和小功率基站的用户，图2（b）带圆圈的点表示选出的5%性能差的边缘用户，这些用户需要进行下面的遗传算法更换接入的基站，找出最佳的基站-用户组合。图4所示是未经遗传操作前5%性能差的边缘用户接入基站的情况，结合图2（b）以及图4可知，根据传统的接入方法此时宏基站的负载量过大。

随着数据速率需求的日益增长和无线互联网的迅猛发展，基于传统的宏小区覆盖的组网形式已经不能满足业务需求了，室内覆盖较差、热点地区的业务感受较差、无法满足高速率业务支持等，而且网络开销上考虑对宏蜂窝网络服务负载量过度的问题，异构网络中部署小功率节点来提供增强和补充覆盖。异构网络中的层叠网络有利于减轻宏蜂窝的负载，改善室内覆盖和小区边缘用户的性能。通过空间复用来提高单位区域内的频谱效率。异构网络部署方案具有相对较低的网络额外开销，并且有可能大大减少未来无线网络的功率损耗。

图1场景下按照随机撒点方式生成1000个用户，简化仿真模型：1个宏小区保证大面积覆盖范围下随机部署四个低功率节点：2个微微基站（简写为p1和p2）、2个毫微微基站（简写为f1和f2）。***带宽B设为10Mhz，宏基站（简写为m1）发射功率46dBm，微微基站发射功率30dBm，毫微微基站发射功率23dBm。

每一个用户只能关联一个基站，用户归属基站指示ue_HL是一个1000行5列的矩阵，N(i,base)表示1000个用户中接入某个基站的用户数（i为1000个用户中的第i个用户，base为某个基站，取1，2，3，4，5，分别对应基站m1、p1、p2、f1、f2）。例如当用户i接入宏基站m1时，用户归属指示ue_HL(i,1)=1，微微基站p1、p2和毫微微基站f1、f2的归属指示分别为ue_HL(i,2)=0、ue_HL(i,3)=0、ue_HL(i,4)=0、ue_HL(i,5)=0，此时宏小区服务用户数N(i,1)加1。同理分别用N(i,2)、N(i,3)、N(i,4)、N(i,5)表示微微基站p1、p2和毫微微基站f1、f2所服务的用户数。

本发明用遗传算法实现目标函数最大化即最大化小区边缘用户吞吐量。根据用户吞吐量，在1000个用户中选择大约5%性能最差的边缘用户，边缘用户数bad_ue约为50个。***带宽B=10Mhz。

步骤1：根据用户吞吐量选出大约5%的性能最差的边缘用户，约为50个用户，后面只对这些用户进行遗传算子操作。

统计固定接入基站的用户信息，以便以后每一次迭代操作中边缘用户经过遗传操作后变更所接入的基站，更新各个基站的用户数，进而计算边缘用户的吞吐量，遗传操作迭代次数为50次；

步骤2：编码，即初始化种群。对染色体进行初始化时，只需对染色体的每个基因随机产生1到5的整数进行填充，如此反复对种群内所有染色体进行填充即可完成初始化。

popsize为20，个体长度为bad_ue，约为50个，染色体采用实数编码。各个基因座上的编码可能为1,2,3,4或5，即对应异构网络仿真场景中的5个基站，每一行的基因即为bad_ue个性能最差的边缘用户对应关联的基站；

步骤3：计算种群中个体的适应度值；

步骤4：选择操作，选择算子是利用解码后求得的个体适应度值大小，淘汰一些较差的个体而选出一些比较优良的个体，以进行后面的交叉和变异操作。本选择过程采用了最优保存策略和比例选择法相结合的思路。比例选择法即为轮盘赌选择算法，是指个体被选中的概率与该个体的适应度大小成正比。首先找出当前种群中适应值最高和最低的个体，将最佳个体best_individual保留下来并用它替换掉最差的个体。为了保证当前最佳个体不被交叉和变异操作所破坏，允许其不参与交叉和变异操作而直接进入下一代。然后将剩下的18个体evolution_pop按比例选择法进行操作。这两种方法结合起来的好处是：在遗传操作中，不仅能不断提高群体的平均适应值，而且保证了最佳个体的适应值不减小；

步骤5：交叉操作，交叉概率p_c=0.6；

步骤6：变异操作，变异概率p_m=0.09；

步骤7：选出适应度值最高的个体，若算法没有满足算法终止条件（迭代次数），返回步骤3重复操作。

结果分析，图5所示是遗传操作后用户接入基站的情况，结合图4可知遗传操作后用户从宏小区分流到低功率节点且性能得到了提高。图6所示是遗传操作后得到的最佳个体适应值，由图6可见，遗传算法在大约20次迭代后适应值（适应度）就达到收敛。由于算法采用了最优保存策略，由图6可知最佳个体适应值没有减小。

本发明将人工智能的重要分支—遗传算法（(Genetic Algorithm，GA）用于小区选择中，不需要辅助信息如连续可微的约束，仅需使用适合度函数的数值来评价个体的好坏并在此基础上进行遗传操作，本发明中结合小区范围扩展（RE，Range Expansion）技术的思想搜索最优解，从而达到全局最优化，提高小区边缘用户的性能，减轻宏小区的负载，提高小功率节点的频谱资源利用率。

Claims

1.一种异构网络中基于遗传算法的用户接入网络方法，其特征在于：包括以下步骤：

1)根据用户吞吐量将接入异构网络中各个基站的用户划分为可以稳定接入对应基站的用户和接入性能较差的小区边缘用户；

2)以最大化小区边缘用户吞吐量为优化目标，利用遗传算法对所述小区边缘用户所接入的基站进行调换；

1)生成初始化种群，初始化种群中每个染色体的长度等于所述小区边缘用户的总数，将异构网络中各基站的编码随机填充在染色体的基因座上，直至所有染色体的每个基因座均被填充；

2)经过步骤1)后，采用选择算子、交叉算子以及变异算子使初始化种群不断进化，在达到预先设定的进化代数后找出适应度最大的染色体；

首先计算当前种群中各个染色体的适应度，然后从当前种群中找出适应度最高的染色体X1和适应度最低的染色体Y1，当前种群中其余的染色体记为evolution_pop，保留所述适应度最高的染色体X1，并将所述适应度最低的染色体Y1替换为与所述适应度最高的染色体X1相同的染色体X2，X1以及X2不参与交叉和变异操作而直接进入下一代种群，然后再按轮盘赌选择算法对evolution_pop进行选择操作，选择出的染色体进行交叉、变异后与X1以及X2共同构成下一代种群，轮盘赌选择算法中染色体被选中的概率与适应度高低成正比；

所述遗传算法的交叉算子采用单点交叉。

2.根据权利要求1所述一种异构网络中基于遗传算法的用户接入网络方法，其特征在于：所述步骤1)中，根据用户吞吐量选出5％的接入性能最差的用户作为所述小区边缘用户。

3.根据权利要求1所述一种异构网络中基于遗传算法的用户接入网络方法，其特征在于：所述遗传算法的适应度函数为：

<mrow> <mi>t</mi> <mi>h</mi> <mi>r</mi> <mi>o</mi> <mi>u</mi> <mi>t</mi> <mrow> <mo>(</mo> <mi>m</mi> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mrow> <mi>b</mi> <mi>a</mi> <mi>d</mi> <mo>_</mo> <mi>u</mi> <mi>e</mi> </mrow> </munderover> <mrow> <mo>(</mo> <mn>1</mn> <mo>/</mo> <mi>N</mi> <mi>u</mi> <mi>e</mi> <mo>(</mo> <mrow> <mi>i</mi> <mo>,</mo> <mi>b</mi> <mi>a</mi> <mi>s</mi> <mi>e</mi> </mrow> <mo>)</mo> <mo>)</mo> </mrow> <mo>*</mo> <msub> <mi>log</mi> <mn>2</mn> </msub> <mrow> <mo>(</mo> <mn>1</mn> <mo>+</mo> <msub> <mi>SINR</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> </mrow>

4.根据权利要求1所述一种异构网络中基于遗传算法的用户接入网络方法，其特征在于：所述遗传算法的进化代数取为50～500，种群大小取为20～100，交叉概率取为0.4～0.99，变异概率取为0.0001～0.1。

5.根据权利要求1所述一种异构网络中基于遗传算法的用户接入网络方法，其特征在于：所述异构网络为宏基站、微微基站以及毫微微基站混合部署的场景。