CN105873127A - 基于随机决定的启发式用户连接的负载均衡方法 - Google Patents

Abstract

本发明公开了超密集异构网络中一种离散的基于随机决定的启发式用户连接的负载均衡方法，用户对于其可选的候选基站拥有一个连接概率向量，根据当下的网络环境，根据连接概率向量随机的选择服务基站，从选择的基站中获得自己的连接反馈，更新自己的连接概率向量，直至连接概率向量中某一个成员接近1，最终确定要连接的服务基站。采用本发明中的方法，可以根据现有网络的负载状况，让新到达的用户选择连接最优的基站。根据局部信息确定连接，减少了整个网络的信令开销和计算复杂度。能够提高超密集异构网络中负载的均衡性和用户速率的公平性，同时提升超密集异构网络资源的利用率。

Description

基于随机决定的启发式用户连接的负载均衡方法

技术领域

本发明涉及一种超密集异构网络中基于随机决定的启发式用户连接的负载均衡方法，属于无线通信中的网络技术领域。

背景技术

5G(第五代移动通信技术)***的异构网络中，部署高密度的小站成为常见的策略，从而形成超密集异构网络。

在超密集异构网络中，不同类型(比如可以按照发射功率进行区分)的基站构成不同层，同一类型的基站处于同一层。比如发射功率小的基站称为小站，所有小站构成小站层，发射功率大的基站称为宏站，所有宏站构成宏站层。由于不同层的基站之间的发射功率不同，造成用户接收的来自不同站的参考信号接收功率(RSRP，Reference Signal Received Power)有很大的差距，如果用户采用传统的最大RSRP连接机制，会造成很大一部分用户接入到发射功率较大，信号较好的基站上，从而造成这些基站的拥塞。而其它一些发射功率较小，但是有丰富资源的基站处于空闲状态。这样，使得网络负载分布不均衡，使得整个网络资源不能得到充分合理的运用，造成***资源利用率低，网络整体性能下降。

无线网络中，可以用基站连接的用户数反映基站的负载，所以寻求网络中各基站的负载均衡可以看成寻求合适的用户连接方法。在传统的蜂窝网络中负载均衡机制就是将重负载和轻负载区域内的资源合理分配，把重负载网络中的用户转移到周围负载相对较轻的网络，达到负载均匀分布的状态。这样使得整个***的资源利用率得到有效提升。但是在超密集异构网络中，由于大小站之间的发射功率差异较大，从宏站卸载到小站的用户将受到来自宏站的强干扰，造成用户的信号与干扰加噪声比(SINR，Signal to Interference plus Noise Ratio)较低。导致用户从小站获得的吞吐量下降，无法充分利用小站资源。所以超密集异构网络中的负载均衡经常采用合适的干扰管理技术，减少从宏站卸载到小站的用户受到的干扰，促使用户从高负载的宏站卸载到小站上，进一步达到宏站与小站之间的负载均衡，从而进一步提升网络性能。所以在超密集网络中引入几乎空白子帧(ABS，Almost Blank Subframe)，也就是宏站在时间域上按照一定的ABS比率留出一些几乎空白子帧，在这些子帧期间，小站用户受到宏站的干扰将下降，提高小站资源的利用率。

发明内容

发明目的：针对现有技术中存在的问题与不足，本发明提供一种超密集异构网络中基于用户连接的负载均衡方法，提出了一种离散的基于随机决定的启发式用户连接方法。采用本发明中的方法，能够提高超密集异构网络中负载的均衡和用户速率的公平性，以及网络资源的利用率。

本发明以最大化所有用户的对数速率总和为目的，对用户连接优化，从而实现负载均衡。由于直接求解该问题复杂度过高，需要知道全局的信道增益信息和所有用户的连接策略，这会导致整个***的信令资源消耗过高而无法实际实施。因此，采用一种离散的启发式方法让每个用户动态且独立地选择自己最优的基站。所有的决定都在用户侧完成，用户对于其可以连接的候选基站拥有一个连接概率向量，根据当前的网络环境，根据连接概率向量随机地选择服务基站，从选中的基站中获得自己的连接反馈，更新自己的连接概率向量，直至连接概率向量中某一个成员接近1，最终确定要连接的服务基站。

技术方案：一种基于随机决定的启发式用户连接的负载均衡方法，以最大化超密集异构网络中所有用户的对数速率总和为目标建立用户连接的负载均衡模型。该模型在以下方面提升网络的公平性，首先，以提升用户的速率为目标会促使用户连接到相对空闲能够分配到更多资源的小站上，从而提高大小站之间负载的均衡性，其次，对数函数是一个增益递减的函数，可提高用户速率的公平性。通过该模型确定的用户连接还可以提升整体网络吞吐量性能。

假设在超密集异构网络中，所有的大站都采用同步的ABS比率0≤α≤1，每个大站占有1-α的时间资源，小站既可以工作在ABS期间，也可以工作在非ABS期间，所以将每个小站看成两个逻辑基站，一个ABS小站，占有α的时间资源；一个非ABS小站，占有1-α的时间资源。用户可以选择连接到大站，ABS小站或者非ABS小站。

所有的大站用集合M表示，大小为N_m，所有的ABS小站由集合P^ABS表示，大小为N_p，所有的非ABS小站由集合P^nABS表示，大小为N_p，其中N_p大于N_m，根据网络的差异，N_p可以是N_m的几倍，几十倍，甚至于上百倍。所有的用户由集合U表示，大小为N_u。

用户i从大站或非ABS小站j接收的SINR值：

${\mathrm{SINR}}_{ij}=\frac{P_j{h}_{ij}}{{\mathrm{\Σ}}_{n\∈(M\∪P^{nABS})/j}{P}_n{h}_{in}+{\mathrm{\σ}}^2},\∀i\∈U,j\∈M\∪P^{nABS}---\[1\]$

用户i从ABS小站j接收的SINR值：

${\mathrm{SINR}}_{ij}=\frac{P_j{k}_{ij}}{{\mathrm{\Σ}}_{n\∈P^{ABS}/j}{P}_n{h}_{in}+{\mathrm{\σ}}^2},\∀i\∈U,j\∈P^{ABS}---\[2\]$

其中，P_j定义为标号为j的基站的发射功率，h_ij表示的是从基站j到用户i的信道增益，包含路径损耗，阴影衰落和天线增益，σ²表示噪声功率。

用户i从基站j得到的信道容量c_ij由下式计算得到：

c_ij＝Wlog(1+SINR_ij) [3]

其中W表示基站的带宽。所有的基站使用相同的带宽。

本发明提出的优化问题如下式所示。

$\underset{\left\{X\right\}}{max}\underset{i,j}{\Σ}{x}_{ij}{\mathrm{logR}}_{ij}---\[4a\]$

约束条件:

$\underset{j\∈B}{\Σ}{x}_{ij}=1,\∀i\∈U---\[4b\]$

$\underset{i}{\Σ}{x}_{ij}=k_j,\∀j\∈B---\[4c\]$

$\underset{j\∈B}{\Σ}{k}_j=N_u---\[4d\]$

$x_{ij}\∈\{0,1\},\∀i\∈U,\∀j\∈B---\[4e\]$

其中，x_ij是一个二进制变量，当用户i连接到基站j上的时候，x_ij＝1，否则为0，k_j定义为第j个基站上连接的用户数，X表示所有x_ij的集合。所有的大站，ABS小站，非ABS小站组成基站集合，用B表示。约束条件[4b]用以限制每个用户只连接到一个基站上，约束条件[4d]用以确保所有的用户都得到连接。R_ij表示用户i从基站j获得的速率，它由下式计算：

$R_{ij}=\left\{\begin{array}{c}\frac{(1-\mathrm{\α})W}{k_j}log(1+{\mathrm{SINR}}_{ij}),\∀i\∈U,j\∈M\∪P^{nABS}\\ \frac{\mathrm{\α}W}{k_j}log(1+{\mathrm{SINR}}_{ij}),\∀i\∈U,j\∈P^{ABS}\end{array}\right.---\[5\]$

由于直接求解该问题复杂度过高，因此，采用一个离散的启发式方法让每个用户动态且独立地选择自己最优的基站。所有的决定都在用户侧完成，用户对于其可以连接的候选基站拥有一个连接概率向量，根据当前的网络环境，根据连接概率向量随机地选择服务基站，从选中的基站中获得自己的连接反馈，更新自己的连接概率向量，直至连接概率向量中某一个成员接近1，最终确定要连接的服务基站。具体过程如下：

1)基站选择策略

在用户端，每个用户根据随机策略随机地选择一个基站。与固定地选择一个基站不同，用户i根据一个概率向量有概率地选择基站，其中q_ij表示用户i选择基站j的可能性。|a_i|表示用户i的候选基站的数目。如果基站能够提供更好的性能，则基站的连接几率就会更高，反之亦然。用这种方式，每个用户会各自自动连接到最优的BS上。用户i选择基站j的概率由下式给出：

$q_{ij}=\frac{\exp \left\{{\mathrm{\γr}}_{ij}\right\}}{\underset{k\∈a_i}{\Σ}\exp \left\{{\mathrm{\γr}}_{ik}\right\}}---\[6\]$

其中而γ是一个正的参量，通常被称作温度，γ的取值接近于0时，能保证所得的最终解收敛于最优解，但是同时γ的取值越大，收敛速率越快，为保证收敛速度和收敛效果，取值通常采用0.1～0.01这样的范围。r_ij表示的是用户i从基站j获得的连接反馈，根据效用函数定义，也就是用户当下从基站获得的对数吞吐量。假设用户i选择基站j作为服务基站，连接到基站j上的用户数为k_j。则用户i的反馈函数由下式给出：

$\begin{array}{c}{r}_{ij}=R_{ij}(\mathrm{\α},k_j)\\ =\left\{\begin{array}{c}\log \left(\frac{(1-\mathrm{\α})W}{k_j}\log \right(1+{\mathrm{SINR}}_{ij}\left)\right),\∀i\∈U,j\∈M\∪P^{nABS}\\ \log \left(\frac{\mathrm{\α}W}{k_j}\log \right(1+{\mathrm{SINR}}_{ij}\left)\right),\∀i\∈U,j\∈P^{ABS}\end{array}\right.\\ =\left\{\begin{array}{c}\log \left(\right(1-\mathrm{\α}\left)W\log \right(1+{\mathrm{SINR}}_{ij}\left)\right)-\log \left(k_j\right),\∀i\∈U,j\∈M\∪P^{nABS}\\ \log \left(\mathrm{\α}W\log \right(1+{\mathrm{SINR}}_{ij}\left)\right)-\log \left(k_j\right),\∀i\∈U,j\∈P^{ABS}\end{array}\right.\end{array}---\[7\]$

2)计算连接反馈

用户根据[7]式计算选中连接的基站相应的反馈值。最优化网络中所有用户的吞吐量性能，相互之间的协调是必须的。所以反馈函数中有一个基站价值因子log(k_j)_，它反映了基站的负载情况_。如果k_j上升_，说明连接到基站_j的用户数增加，则用户i从基站j获得的反馈下降。如果想进一步增加反馈函数中基站负载意识，可以再增加相应的价值因子p_ij，正比于k_j。p_ij相当于基站j连接的总用户为k_j时体现负载情况的价值因子。反馈函数变为其中表示进一步增加价值因子后的反馈函数。这个价值因子能够反映用户之间的拥塞并一定程度减轻它。

3)基站估计更新

在状态t，每个用户只获得当下选择的基站的反馈，给出下一轮连接概率更新中使用的反馈值：

$r_{ij}^{t+1}=\left\{\begin{array}{c}(1-\mathrm{\ϵ})r_{ij}^t+\mathrm{\ϵ}{\stackrel{\‾}{r}}_{ij}^t,a_i=j\\ r_{ij}^t,otherwise\end{array}\right.---\[8\]$

ε表示的是一个权重因子，且满足0≤ε≤1，反映的是用户对于连接基站的反馈值更新中r_ij和所占的权重比，且ε越大，所占的权重越大。根据新获得的反馈值更新用户的连接概率向量。

4)确定最终的服务基站

循环执行前三个步骤，直至用户的连接概率向量中某一成员变量接近于1时，则该变量对应的基站为用户最终的服务基站。要增加收敛速度，则可以在连接概率达到0.9以上的范围时，就确定该基站为服务基站，要进一步增加准确性，则可以选取0.95～0.99以上的值作为确定边界。

有益效果：本发明以最大化超密集异构网络中所有用户的对数速率总和为目标建立用户连接的负载均衡模型。用一个离散的基于随机决定的启发式方法进行用户连接的求解，该方法可以有效的将负载从拥塞的宏站卸载到相对空闲的小站上。所有的决定都在用户侧完成，用户终端只需要知道局部的信息就可以根据自己的连接策略连接到当下最优的基站上，而不需要知道其他用户的SINR以及他们的连接策略。模型中采用了ABS技术，让ABS期间连接在小站上的用户避免来自宏站的强干扰，进一步促进用户卸载到小站上，同时保证小站用户的性能。根据本发明给出的模型计算的用户连接，在达到负载均衡的同时提升网络性能。

基于本发明的负载均衡方法具有如下优点：

1.用户能够有效的从拥塞的大站卸载到相对空闲的小站上，各个基站之间的负载拥有更高的公平性。

2.能够有效提升边缘用户的速率，用户性能的公平性提高

3.所有的决定都在用户侧完成，用户终端只需要知道局部的信息就可以根据自己的连接策略连接到当下最优的基站上。

具体实施方式

下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

基于随机决定的启发式用户连接的负载均衡方法，以最大化超密集异构网络中所有用户的对数速率总和为目标建立用户连接的负载均衡模型。该模型在以下方面提升网络的公平性，首先，以提升用户的速率为目标会促使用户连接到相对空闲能够分配到更多资源的小站上，从而提高大小站之间负载的均衡性，其次，对数函数是一个增益递减的函数，可提高用户速率的公平性。通过该模型确定的用户连接还可以提升整体网络吞吐量性能。

假设在超密集异构网络中，所有的大站都采用同步的ABS比率0≤α≤1，每个大站占有1-α的时间资源，小站既可以工作在ABS期间，也可以工作在非ABS期间，所以将每个小站看成两个逻辑基站，一个ABS小站，占有α的时间资源；一个非ABS小站，占有1-α的时间资源。用户可以选择连接到大站，ABS小站或者非ABS小站。

所有的大站用集合M表示，大小为N_m，所有的ABS小站由集合P^ABS表示，大小为N_p，所有的非ABS小站由集合P^nABS表示，大小为N_p，其中N_p大于N_m，根据网络的差异，N_p可以是N_m的几倍，几十倍，甚至于上百倍。所有的用户由集合U表示，大小为N_u。

用户i从大站或非ABS小站j接收的SINR值：

${\mathrm{SINR}}_{ij}=\frac{P_j{h}_{ij}}{{\mathrm{\Σ}}_{n\∈(M\∪P^{nABS})/j}{P}_n{h}_{in}+{\mathrm{\σ}}^2},\∀i\∈U,j\∈M\∪P^{nABS}---\[1\]$

用户i从ABS小站j接收的SINR值：

${\mathrm{SINR}}_{ij}=\frac{P_j{k}_{ij}}{{\mathrm{\Σ}}_{n\∈P^{ABS}/j}{P}_n{h}_{in}+{\mathrm{\σ}}^2},\∀i\∈U,j\∈P^{ABS}---\[2\]$

其中，P_j定义为标号为j的基站的发射功率，h_ij表示的是从基站j到用户i的信道增益，包含路径损耗，阴影衰落和天线增益，σ²表示噪声功率。

用户i从基站j得到的信道容量c_ij由下式计算得到：

c_ij＝Wlog(1+SINR_ij) [3]

其中W表示基站的带宽。所有的基站使用相同的带宽。

本发明提出的优化问题如下式所示。

$\underset{\left\{X\right\}}{max}\underset{i,j}{\Σ}{x}_{ij}{\mathrm{logR}}_{ij}---\[4a\]$

约束条件:

$\underset{j\∈B}{\Σ}{x}_{ij}=1,\∀i\∈U---\[4b\]$

$\underset{i}{\Σ}{x}_{ij}=k_j,\∀j\∈B---\[4c\]$

$\underset{j\∈B}{\Σ}{k}_j=N_u---\[4d\]$

$x_{ij}\∈\{0,1\},\∀i\∈U,\∀j\∈B---\[4e\]$

其中，x_ij是一个二进制变量，当用户i连接到基站j上的时候，x_ij＝1，否则为0，k_j定义为第j个基站上连接的用户数，X表示所有x_ij的集合。所有的大站，ABS小站，非ABS小站组成基站集合，用B表示。约束条件[4b]用以限制每个用户只连接到一个基站上，约束条件[4d]用以确保所有的用户都得到连接。R_ij表示用户i从基站j获得的速率，它由下式计算：

$R_{ij}=\left\{\begin{array}{c}\frac{(1-\mathrm{\α})W}{k_j}log(1+{\mathrm{SINR}}_{ij}),\∀i\∈U,j\∈M\∪P^{nABS}\\ \frac{\mathrm{\α}W}{k_j}log(1+{\mathrm{SINR}}_{ij}),\∀i\∈U,j\∈P^{ABS}\end{array}\right.---\[5\]$

由于直接求解该问题复杂度过高，因此，采用一个离散的启发式方法让每个用户动态且独立地选择自己最优的基站。所有的决定都在用户侧完成，用户对于其可以连接的候选基站拥有一个连接概率向量，根据当前的网络环境，根据连接概率向量随机地选择服务基站，从选中的基站中获得自己的连接反馈，更新自己的连接概率向量，直至连接概率向量中某一个成员接近1，最终确定要连接的服务基站。具体过程如下：

1)基站选择策略

在用户端，每个用户根据随机策略随机地选择一个基站。与固定地选择一个基站不同，用户i根据一个概率向量有概率地选择基站，其中q_ij表示用户i选择基站j的可能性。|a_i|表示用户i的候选基站的数目。如果基站能够提供更好的性能，则基站的连接几率就会更高，反之亦然。用这种方式，每个用户会各自自动连接到最优的BS上。用户i选择基站j的概率由下式给出：

$q_{ij}=\frac{\exp \left\{{\mathrm{\γr}}_{ij}\right\}}{\underset{k\∈a_i}{\Σ}\exp \left\{{\mathrm{\γr}}_{ik}\right\}}---\[6\]$

其中而γ是一个正的参量，通常被称作温度，γ的取值接近于0时，能保证所得的最终解收敛于最优解，但是同时γ的取值越大，收敛速率越快，为保证收敛速度和收敛效果，取值通常采用0.1～0.01这样的范围。r_ij表示的是用户i从基站j获得的连接反馈，根据效用函数定义，也就是用户当下从基站获得的对数吞吐量。假设用户i选择基站j作为服务基站，连接到基站j上的用户数为k_j。则用户i的反馈函数由下式给出：

$\begin{array}{c}{r}_{ij}=R_{ij}(\mathrm{\α},k_j)\\ =\left\{\begin{array}{c}\log \left(\frac{(1-\mathrm{\α})W}{k_j}\log \right(1+{\mathrm{SINR}}_{ij}\left)\right),\∀i\∈U,j\∈M\∪P^{nABS}\\ \log \left(\frac{\mathrm{\α}W}{k_j}\log \right(1+{\mathrm{SINR}}_{ij}\left)\right),\∀i\∈U,j\∈P^{ABS}\end{array}\right.\\ =\left\{\begin{array}{c}\log \left(\right(1-\mathrm{\α}\left)W\log \right(1+{\mathrm{SINR}}_{ij}\left)\right)-\log \left(k_j\right),\∀i\∈U,j\∈M\∪P^{nABS}\\ \log \left(\mathrm{\α}W\log \right(1+{\mathrm{SINR}}_{ij}\left)\right)-\log \left(k_j\right),\∀i\∈U,j\∈P^{ABS}\end{array}\right.\end{array}---\[7\]$

2)计算连接反馈

用户根据[7]式计算选中连接的基站相应的反馈值。最优化网络中所有用户的吞吐量性能，相互之间的协调是必须的。所以反馈函数中有一个基站价值因子log(k_j)_，它反映了基站的负载情况_。如果k_j上升_，说明连接到基站j的用户数增加，则用户i从基站j获得的反馈下降。如果想进一步增加反馈函数中基站负载意识，可以再增加相应的价值因子p_ij，正比于k_j。p_ij相当于基站j连接的总用户为k_j时体现负载情况的价值因子。反馈函数变为其中表示进一步增加价值因子后的反馈函数。这个价值因子能够反映用户之间的拥塞并一定程度减轻它。

3)基站估计更新

在状态t，每个用户只获得当下选择的基站的反馈，给出下一轮连接概率更新中使用的反馈值：

$r_{ij}^{t+1}=\left\{\begin{array}{c}(1-\mathrm{\ϵ})r_{ij}^t+\mathrm{\ϵ}{\stackrel{\‾}{r}}_{ij}^t,a_i=j\\ r_{ij}^t,otherwise\end{array}\right.---\[8\]$

ε表示的是一个权重因子，且满足0≤ε≤1，反映的是用户对于连接基站的反馈值更新中r_ij和所占的权重比，且ε越大，所占的权重越大。根据新获得的反馈值更新用户的连接概率向量。

4)确定最终的服务基站

循环执行前三个步骤，直至用户的连接概率向量中某一成员变量接近于1时，则该变量对应的基站为用户最终的服务基站。要增加收敛速度，则可以在连接概率达到0.9以上的范围时，就确定该基站为服务基站，要进一步增加准确性，则可以选取0.95～0.99以上的值作为确定边界。

实施例

1.初始化各个用户对于其候选基站的连接概率，如果用户i的候选基站数为a_i，则可以将其连接概率向量初始化为

2.各个用户根据其连接概率向量在候选基站中随机的选择服务基站。

3.各个用户根据式[7]计算所选择的服务基站给出的反馈值，再根据式[8]计算下一轮连接概率向量更新中要用到的反馈值。

4.各个用户根据式[6]用上一步中新计算得到的反馈值更新连接概率向量。

5.重复执行步骤2，3，4，直至用户的连接概率向量中某个元素接近1，比如值超过0.95，则其对应的基站确定为该用户最终的服务基站。

6.所有用户的连接概率向量中都有接近于1的元素时，则所有的用户连接确定。

Claims (3)

1.一种基于随机决定的启发式用户连接的负载均衡方法，其特征在于：用户对于其可以连接的候选基站拥有一个连接概率向量，根据当前的网络环境，根据连接概率向量随机地选择服务基站，从选中的基站中获得自己的连接反馈，更新自己的连接概率向量，直至连接概率向量中某一个成员接近1，最终确定要连接的服务基站。

2.如权利要求1所述的基于随机决定的启发式用户连接的负载均衡方法，其特征在于：

假设在超密集异构网络中，所有的大站都采用同步的ABS比率0≤α≤1，每个大站占有1-α的时间资源，小站既可以工作在ABS期间，也可以工作在非ABS期间，所以将每个小站看成两个逻辑基站，一个ABS小站，占有α的时间资源；一个非ABS小站，占有1-α的时间资源；用户可以选择连接到大站，ABS小站或者非ABS小站；

所有的大站用集合M表示，大小为N_m，所有的ABS小站由集合P^ABS表示，大小为N_p，所有的非ABS小站由集合P^nABS表示，大小为N_p，其中N_p大于N_m，所有的用户由集合U表示，大小为N_u；

用户i从大站或非ABS小站j接收的SINR值：

${\mathrm{SINR}}_{ij}=\frac{P_j{h}_{ij}}{{\mathrm{\Σ}}_{n\∈(M\∪P^{nABS})/j}{P}_n{h}_{in}+{\mathrm{\σ}}^2},\∀i\∈U,j\∈M\∪P^{nABS}---\[1\]$

用户i从ABS小站j接收的SINR值：

${\mathrm{SINR}}_{ij}=\frac{P_j{h}_{ij}}{{\mathrm{\Σ}}_{n\∈P^{ABS}/j}{P}_n{h}_{in}+{\mathrm{\σ}}^2},\∀i\∈U,j\∈P^{ABS}---\[2\]$

其中，P_j定义为标号为j的基站的发射功率，h_ij表示的是从基站j到用户i的信道增益，包含路径损耗，阴影衰落和天线增益，σ²表示噪声功率；

用户i从基站j得到的信道容量c_ij由下式计算得到：

c_ij＝Wlog(1+SINR_ij) [3]

其中W表示基站的带宽；所有的基站使用相同的带宽；

提出的优化问题如下式所示：

$\underset{\left\{X\right\}}{max}\underset{i,j}{\Σ}{x}_{ij}{\mathrm{logR}}_{ij}---\[4a\]$

约束条件:

$\underset{j\∈B}{\Σ}{x}_{ij}=1,\∀i\∈U---\[4b\]$

$\underset{i}{\Σ}{x}_{ij}=k_j,\∀j\∈B---\[4c\]$

$\underset{j\∈B}{\Σ}{k}_j=N_u---\[4d\]$

$x_{ij}\∈\{0,1\},\∀i\∈U,\∀j\∈B---\[4e\]$

其中，x_ij是一个二进制变量，当用户i连接到基站j上的时候，x_ij＝1，否则为0，k_j定义为第j个基站上连接的用户数，X表示所有x_ij的集合；所有的大站，ABS小站，非ABS小站组成基站集合，用B表示；约束条件[4b]用以限制每个用户只连接到一个基站上，约束条件[4d]用以确保所有的用户都得到连接；R_ij表示用户i从基站j获得的速率，它由下式计算：

$R_{ij}=\left\{\begin{array}{c}\frac{(1-\mathrm{\α})W}{k_j}log(1+{\mathrm{SINR}}_{ij}),\∀i\∈U,j\∈M\∪P^{nABS}\\ \frac{\mathrm{\α}W}{k_j}log(1+{\mathrm{SINR}}_{ij}),\∀i\∈U,j\∈P^{ABS}\end{array}\right.---\[5\]$

采用一个离散的启发式方法让每个用户动态且独立地选择自己最优的基站。所有的决定都在用户侧完成，用户对于其可以连接的候选基站拥有一个连接概率向量，根据当前的网络环境，根据连接概率向量随机地选择服务基站，从选中的基站中获得自己的连接反馈，更新自己的连接概率向量，直至连接概率向量中某一个成员接近1，最终确定要连接的服务基站。

3.如权利要求1所述的基于随机决定的启发式用户连接的负载均衡方法，其特征在于，确定用户连接的具体过程如下：

1)基站选择策略

在用户端，每个用户根据随机策略随机地选择一个基站。与固定地选择一个基站不同，用户i根据一个概率向量有概率地选择基站，其中q_ij表示用户i选择基站j的可能性。|a_i|表示用户i的候选基站的数目；如果基站能够提供更好的性能，则基站的连接几率就会更高，反之亦然。用这种方式，每个用户会各自自动连接到最优的BS上。用户i选择基站j的概率由下式给出：

$q_{ij}=\frac{\exp \left\{{\mathrm{\γr}}_{ij}\right\}}{\underset{k\∈a_i}{\Σ}\exp \left\{{\mathrm{\γr}}_{ik}\right\}}---\[6\]$

其中而γ是一个正的参量，通常被称作温度，γ的取值接近于0时，能保证所得的最终解收敛于最优解，但是同时γ的取值越大，收敛速率越快，r_ij表示的是用户i从基站j获得的连接反馈，根据效用函数定义，也就是用户当下从基站获得的对数吞吐量；假设用户i选择基站j作为服务基站，连接到基站j上的用户数为k_j；则用户i的反馈函数由下式给出：

$\begin{array}{c}{r}_{ij}=R_{ij}(\mathrm{\α},k_j)\\ =\left\{\begin{array}{c}\log \left(\frac{(1-\mathrm{\α})W}{k_j}\log \right(1+{\mathrm{SINR}}_{ij}\left)\right),\∀i\∈U,j\∈M\∪P^{nABS}\\ \log \left(\frac{\mathrm{\α}W}{k_j}\log \right(1+{\mathrm{SINR}}_{ij}\left)\right),\∀i\∈U,j\∈P^{ABS}\end{array}\right.\\ =\left\{\begin{array}{c}\log \left(\right(1-\mathrm{\α}\left)W\log \right(1+{\mathrm{SINR}}_{ij}\left)\right)-\log \left(k_j\right),\∀i\∈U,j\∈M\∪P^{nABS}\\ \log \left(\mathrm{\α}W\log \right(1+{\mathrm{SINR}}_{ij}\left)\right)-\log \left(k_j\right),\∀i\∈U,j\∈P^{ABS}\end{array}\right.\end{array}---\[7\]$

2)计算连接反馈

用户根据[7]式计算选中连接的基站相应的反馈值。最优化网络中所有用户的吞吐量性能，相互之间的协调是必须的；所以反馈函数中有一个基站价值因子log(k_j)，它反映了基站的负载情况；如果k_j上升，说明连接到基站j的用户数增加，则用户i从基站j获得的反馈下降；如果想进一步增加反馈函数中基站负载意识，可以再增加相应的价值因子p_ij，正比于k_j；p_ij相当于基站j连接的总用户为k_j时体现负载情况的价值因子；反馈函数变为其中表示进一步增加价值因子后的反馈函数；这个价值因子能够反映用户之间的拥塞并一定程度减轻它；

3)基站估计更新

在状态t，每个用户只获得当下选择的基站的反馈，给出下一轮连接概率更新中使用的反馈值：

$r_{ij}^{t+1}=\left\{\begin{array}{c}(1-\mathrm{\ϵ})r_{ij}^t+\mathrm{\ϵ}{\tilde{r}}_{ij}^t,a_i=j\\ r_{ij}^t,otherwise\end{array}\right.---\[8\]$

ε表示的是一个权重因子，且满足0≤ε≤1，反映的是用户对于连接基站的反馈值更新中r_ij和所占的权重比，且ε越大，所占的权重越大；根据新获得的反馈值更新用户的连接概率向量；

4)确定最终的服务基站

循环执行前三个步骤，直至用户的连接概率向量中某一成员变量接近于1时，则该变量对应的基站为用户最终的服务基站。