学术咨询

让论文发表更省时、省事、省心

基于遗传算法求解三维匹配的资源分配问题

时间：2021年02月06日 分类：电子论文 次数：

摘要：针对非正交多址接入(NOMA)技术的两层异构网络(HetNets)的资源配置，因用户、基站和子信道三维匹配属于NP难题，多分解为二维匹配求解，为此提出一种改进的遗传算法(GA)求解用户的多维匹配。为满足系统总容量最大并降低时间复杂度，将遗传算法的编码方式

　　摘要：针对非正交多址接入(NOMA)技术的两层异构网络(HetNets)的资源配置，因用户、基站和子信道三维匹配属于NP难题，多分解为二维匹配求解，为此提出一种改进的遗传算法(GA)求解用户的多维匹配。为满足系统总容量最大并降低时间复杂度，将遗传算法的编码方式设计为一种多维映射过程;为防止陷入局部最优并提高全局搜索能力，对选择算子进行确定性和随机性的结合。实验结果表明，该算法相对于贪婪算法和双边匹配算法，具有收敛速度快和全局性更好等优点。

　　关键词：异构网络;非正交多址接入;资源分配;用户关联;子信道分配;遗传算法

资源分配

　　0引言

　　为了提高系统频谱利用效率并增加用户接入量，非正交多址技术被纳入讨论[1];同时，为了提供更高的吞吐量和频谱效率，HUDN引起了广泛的研究兴趣[2]。针对超密集异构网络和NOMA的研究主要集中在以下几个方面：用户关联、子信道分配、功率分配、用户功率分配等等。关于用户关联和子信道分配，现有研究都是基于匹配理论、博弈论、匈牙利算法、凸优化无限逼近[3]等进行分步求解。

　　计算机网络评职知识：计算机网络基础论文好发表吗

　　此外，将用户与基站的关联转化为二部图形式，使用匈牙利算法求得最优解[4]，或者在匹配理论的基础上修改二部图的双边匹配权重，求得次优解[5]，然而该情况并没有考虑同一子信道中传输用户的干扰，并且双边匹配权重并不能使得系统函数达到最优。针对复杂的关联情况，常采用融合算法进行求解[6-8]，常见的基于分布式算法和遗传算法的基础上提出两种算法的混合迭代算法，基于蚁群的遗传算法和量子遗传算法等。

　　算法、基于蚁群的遗传算法、量子遗传算法进行比较分析[10]，但是此算法仅考虑了用户与基站匹配，并且可能因为种群多样性减少陷入局部最优。众所周知，用户、基站和子信道的三维匹配问题属于NP-hard问题，人们处理多维匹配问题，都是通过将多维匹配分解为二维的匹配[11，12]，但是这种分解方法是通过降低系统的准确度为代价。针对以上情况，本文提出一种智能遗传算法求解三维用户匹配问题，通过设计一种多维染色体映射关系，将用户与基站和子信道的关联问题转化为染色体进行遗传变异，从而得出最佳匹配。

　　1网络模型与问题描述

　　1.1网络模型

　　两层的超密集异构网络(HetNet)模型。A区域为宏基站(MBS)的有效覆盖范围，MBS内均匀分布着若干微基站(SCBSs)。设基站表示为k，k∈{1，2，…K｝，当k=1时表示为宏基站;在A区域内随机分布的若干用户表示为u，u∈{1，2，…U｝;用户与基站之间传输信息所使用的子载波表示为n，n∈{1，2，…N｝。

　　设定MBS分配给微基站k的功率表示为Ptk，微基站k通过子信道n分配给用户u的功率表示为Pk，n，u。因为频谱资源的有限性，现有的基站共享公用已有的频谱资源，假设已知完美的信道状态信息，采用非正交多址接入技术，在同一时刻，每个用户只能接入一个基站和一个子信道，而同一个基站可以同时发送多个用户的信息，同一个子载波也可以同时传输多个用户，并且子载波之间是相互正交，使得不同子载波上传输的用户互不干扰。

　　1.2问题描述

　　用户关联问题可以建模为一个三维一对一匹配问题，即用户、基站和子信道如何分配。众所周知，三维匹配属于NP-hard问题。针对用户关联从而使得整体系统最优，可以等价为用户如何关联求取系统总容量最大。

　　2问题求解

　　2.1基础知识

　　遗传算法就是仿照自然界生物进化的机制，通过染色体不断地遗传和变异，使用“适者生存”不断淘汰劣势群体，从而使得种群不断进化，达到全局最优的一种智能算法。由于遗传算法的本质就是通过并行处理染色体，不断地遗传变异，属于一种高效快速的全局搜索算法，所以相比较于其它算法，遗传算法不用考虑其内部协同关系，仅依靠一个统一的评价标准(即适应度函数)就可以否定劣势群体，具有很强的灵活性和搜索速度，快速趋于稳定状态。

　　2.2算法设计

　　2.2.1初始化参数

　　(1)初始化基础参数给定各项参数，用户u的个数、子信道n的个数、基站k的个数、用户的信道增益矩阵g、基站功率Ptk等参数。定义矩阵A为用户i在基站k和子信道n的有效覆盖范围，矩阵A中的元素aij，若aij=1表示用户i在基站k或者子信道n的有效覆盖范围，否则用户i不在有效覆盖范围内。令矩阵A=[A1A2]，其中矩阵A1为用户i与基站k的映射情况，矩阵A2为用户i与子信道n的映射情况。

　　3仿真分析

　　本文研究场景是在超密集异构网络下，一个宏基站的有效覆盖区域A内均匀分布k-1个微基站和随机分布若干个用户。在子信道的数目为10，基站的数目为6，用户数为30的条件下，迭代次数对系统容量的变化。采用改进的遗传算法求解用户与基站和子信道关联的迭代过程。随着迭代次数的不断增加，系统总容量不断增加，但是在迭代一定次数的时候，出现了由于种群多样性减少而陷入局部最优解，此时利用算法的随机性和确定性精英个体的选择机制，可以跳出局部最优，从而达到全局最优解的收敛情况。

　　4结束语

　　在超密集异构网络模型中，由于引入了NOMA技术，使得小区间和小区内的用户干扰减少，那么用户在基站的有效覆盖范围内，如何选择基站，以及用户选择在哪个频带中传输成为至关重要的问题之一。在此背景下，目前现有文献针对用户关联的三维匹配都是分解为二维匹配进行求解，本文通过使用一种改进遗传算法求解用户与基站和子信道的三维匹配问题，为了减少系统复杂度，设计一种多维映射过程，防止算法陷入局部最优，在种群多样性设计方面增加了随机性和确定性染色体的精英选择机制，从而求得全局最优。针对资源分配问题，用户与基站和子信道的关联影响着系统分配资源，但是在用户匹配之后，基站如何给覆盖范围内的用户分配合适的功率也影响着系统资源，所以针对用户功率分配问题将作为下一步的工作方向。

　　参考文献：

　　[1]LiuF，MarinaP.Dynamicpowerallocationfordownlinkmulti-carrierNOMAsystems[J].IEEECommunicationsLet-ters，2018，22(9)：1930-1933.

　　[2]ZhangH，WangB，JiangC，etal.EnergyefficientdynamicresourceoptimizationinNOMAsystem[J].IEEETransac-tionsonWirelessCommunications，2018，17(9)：5671-5683.

　　[3]JiangL，SongR.Alow-complexityresourceallocationschemeforOFDMAmulticastsystemswithproportionalfairness[J].ChinaCommunications，2018，15(1)：1-11.

　　作者：龙恳，鲁江丽+，李伟，蒋明均

上一篇：材料成型专业电工电子技术课程教学改革探究 下一篇：跨媒体智能视角下的知识服务探析

专项学术专题

SCI期刊目录

点击咨询期刊详情

SCI论文

SSCI论文

EI论文

SCOPUS

翻译润色

期刊知识

发表指导

NOW!

Take the first step of our cooperation迈出我们合作第一步

符合规范的学术服务 助力您的学术成果走向世界


点击咨询学术顾问
关于学术服务

预审评估服务（含快速预审、投刊前评审、专业学术评审）；润色编辑服务（校对编辑、标准润色、深度润色）；学术翻译服务（常规学术翻译、深度学术翻译）；查重去重服务（学术查重、英文去重、中文去重）；发表支持服务（期刊推荐、格式修改、协助提交、投稿附言）

期刊之家 热门核心 职称新闻 发表指导 期刊知识 国际学术专区服务项目网站地图