超密集无线网络基于干扰协调的能效资源分配方法

摘要

本发明提出了超密集无线网络中一种基于干扰协调的能效资源分配算法。分析并给出了基于成簇的超密集无线网络，提出了簇间与簇内干扰协调策略：采用图论着色原理进行簇间干扰协调和部分信息交互方式对簇内干扰进行协调。提出了超密集无线网络中一种基于干扰协调的能效资源分配算法，该算法对超密集无线网络子信道和功率进行联合优化。首先，利用用户质量体验函数和最大最小算法对子信道进行分配；其次，优化改进的粒子群算法对功率进行优化分配。其中，为了避免粒子群优化陷入局部解缺陷，引进阻尼震动与适应度变异对粒子群优化算法进行改进。

说明书

技术领域

本发明设计了一种基于干扰协调的能效资源分配算法，适应于超密集无线网络，属于信息通信技术领域。

背景技术

近年来，随着移动通信技术的快速发展，用户业务需求和网络结构都发生了巨大的变革。据调查显示，话音和数据流量需求分别有超过30％和70％产生在室内，同时大量办公区和住宅区都面临着室内信号盲点的问题。另外，智能设备和手持平板等移动终端的广泛普及、各种应用程序的日益丰富，促进移动网蓬勃发展。预计到2020年，全球移动数据量将达到15.9百京，是2014的近11倍。毫无疑问，这将带来无线通信业务需求爆炸式增长。为了应对满足大量数据通信的需求，主要有两种不同的方式，一种是大规模的MIMO天线技术，而另外一种就是超密集无线部署网络。但是MIMO的性能由于空间限制而日渐饱和，同时大量天线阵列成本较贵。超密集无线网络是应对此挑战的一个重要方案，在未来无线通信网络中扮演极其重要的角色，其主要思想是在传统蜂窝网的大功率宏蜂窝内，在用户数据服务较多的区域部署大量低功率、低成本的各种类型的接入节点(小基站)。在热点区域将会同时部署传统大功率的宏基站和低功率的小基站，使得小基站可以分流大量的用户业务与流量，减少宏基站的负载，提高网络的利用率。

此外，减少能量消耗，响应绿色通信和提高网络的高能效技术是近年来也呈递增趋势。如何在保障用户业务体验的同时降低网络耗电是移动通信网络面临的一个大挑战，而通过资源优化技术来降低网络能耗已引起学术界的广泛关注也是超密集无线网络研究的热点问题。但是超密集无线网络也带来了诸多挑战，宏蜂窝与小小区共存的网络环境中，跨层干扰十分严重。随着用户对数据业务的高速要求，未来在网中小蜂窝节点部署的密度将继续增加，达到现在的10倍以上，用户收到的来自非服务小小区的同层干扰将更加严重。超密集无线网络小基站部署密度的增大，需要交互处理的信息也变得海量，处理复杂难度急剧增加以及各种类型节点之间信息交流带来海量的信令开销都对网中无线资源的分配造成巨大的影响。

因此，本发明提出一种基于干扰协调的能效资源分配算法，解决超密集无线网络中簇内与簇间干扰以及能量效率资源分配的问题。

发明内容

技术问题：本发明的目的是在超密集无线网络中提供一种基于干扰协调的能效资源分配算法，有效地解决了超密集无线网络簇间与簇内干扰，提高网络能量效率的问题。

技术方案：本发明在超密集无线网络中提供一种基于干扰协调的能效资源分配方法，包括以下步骤：

1.基于成簇的超密集无线网络模型

基于成簇的超密集无线网络，由一个宏基站MBS和密集的家庭基站FBS构成，如家庭基站已经C个分簇，不考虑来邻区宏基站的干扰。MBS处于宏蜂窝的中心位置，覆盖半径为R_M，最大发射功率为P_M，宏小区随机分布着U_M个宏用户。宏蜂窝覆盖范围内随机分布着F个家庭基站，半径为R_f，最大发射功率为P_f,每个家庭基站采用半开放式的用户接入方式，即首先保证本家庭基站注册用户的权益，再考虑接入其他用户。系统总带宽W分为等宽的L个子信道，子信道带宽为Δf＝W/L。由于同一小区下使用相同子信道的用户会产生强干扰，所以为了降低干扰同一小区下，信道与用户的关系为n:1，即一个信道在同一时刻只能分配给单个用户。

2.能效优化模型

与传统的资源分配最大化吞吐量不同，本发明所提出的超密集无线网络基于干扰协调的能效资源分配算法关注的是能效的最大化，目的是为了以更少的能量传递更多的数据业务。能量效率EE(Energy Efficient，EE)的定义为总传输速率与总的能量消耗的比值，如下：

其中，R_sum为超密集无线网络家庭基站总的传输速率，P_sum为网中消耗的总功率，包括电子元器件的消耗与发射功率消耗，e为平均误码率。

网络总的传输速率表示为：

其中，表示信道使用因子，满足当表示家庭基站f没采用子信道l的信息，反之，采用。其中，信道l上用户u的传输速率为表示家庭基站在信道l上用户u的信干燥比：

其中，和分别表示家庭基站与宏基站在信道l上发射功率。系统总能耗可以表示为：

式中，为家庭基站总的累计传输功率，为功放器的倒数。P_e＝F*p_e为电子元器件的消耗的总功率，单个家庭基站消耗为固定值p_e。

本发明所优化目标是在发射功率限制、终端用户业务传输速率和簇间、簇内干扰制约的条件下最大化网络的能量效率，优化模型可以表示为：

其中，C1和C2分别代表了用户的最低业务速率和家庭基站发射功率的限制；C3和C4分别表示信道只有被用户使用和未被使用两种状态与每个小小区内信道只能分给一个用户；C5是宏基站对家庭基站的跨层干扰做了限制。本发明能量效率优化的主要目的是在最大功率限制、用户最低业务速率制约和干扰制约的前提下最大化η_EE的值。

2.簇间与簇内干扰协调

A.簇间干扰协调

由于基于成簇的超密集无线网络簇间采用频率复用技术，将造成簇间的边缘家庭基站存在严重的干扰。为解决簇间干扰，本发明基于图论着色原理对簇进行归类，并以此提出新型簇间时域调度方案。对簇按照图论着色理论进行着色，由于图论着色算法可知最少需要四种颜色，地图上的任何互相相邻区域不能涂一样的颜色，用绿、黄、红和白色对C个簇进行着色，将簇分为四类且相邻簇间颜色不同。把每一个染色后的簇看成统一协调的共同体，对簇与簇之间按照着色分簇进行时域调度:

步骤一:根据颜色数量，将8个调度帧分为四类，与之对应的是簇的四种颜色，即：着绿色的簇对应帧1和5，着黄色的簇对应帧2和6，着红色的簇对应帧3和7，着白色的簇对应帧4和8。

步骤二:某个颜色调度的时候,与之对应的该颜色的簇称作干扰簇(InterferenceCluster，IC)，其它的簇称作守护簇(Protected Cluster，PC)。并且干扰簇内的FBS要减功率发送，及各自覆盖范围内的用户不参与调度，而在调度帧守护簇的FBS以分配的满功率发送且所有边缘用户都可得到调度。簇的功率衰减公式如下：

其中，δ满减因子。

B.簇内干扰协调

超密集无线网络中，通过宏基站、簇内家庭基站都通过簇头CH(cluster head，CH)基站协作优化无线资源分配，尤其是干扰较大的终端用户信道链路信息，可以限制彼此干扰大的家庭基站使用不同信道。但是，高密度部署家庭基站的情况，若每个基站都去广播发送与接收彼此的链路状态信息，会造大量的开销浪费和负载量，更会造成能量效率下降。因此，通过回传链路统一发送给CH，并对其收集到的信息采取干扰协调：

步骤一：簇内家庭基站信息回传到CH

公式(7)中，g^req为信道链路状态门限阈值，区分宏基站与家庭基站阈值，若某信道链路状态小于门限值，则其干扰置零。否则，CH进行干扰协调处理。

步骤二：高密度家庭基站部署，人流分布不均，极其容易出现簇内家庭基站负载不均衡，若某个家庭基站用户偏多，需要用到更多的子信道，则CH采用如下策略：

其中，q_uf表示其他使用相同子信道的家庭基站对该用户的干扰集合，并按照倒序排位，I_max为干扰集中对用户最大的干扰项，表示排除最大干扰项后的用户数据速率。终端用户的传输速率满足最低需求则不需要协调；若不满足，则让最大干扰项的家庭基站禁止使用该信道，并重新更新若更新后用户速率还不满足需求，为了终端用户之间的公平性则抛弃此用户。通过上述两步方法实现簇间与簇内的干扰的协调。

4.基于干扰协调能效资源分配算法

本发明所提出得一种基于干扰协调的能效资源分配算法，形成半分布式的资源分配算法来缓解簇间与簇内干扰、降低计算复杂度、提高能量效率。超密集无线网络中家庭基站通过K-means算法进行分簇。将基于干扰协调的资源分配问题分解成两个优化子问题，分别利用最大最小算法和优化改进的粒子群算法对子信道和功率进行优化分配。其中，为了避免粒子群优化陷入局部解缺陷，引进阻尼震动与适应度变异对粒子群优化算法进行改进。

A.基于干扰协调的最大最小算法的信道分配

当给定子信道分配与电子元器件的消耗比例后，系统的能量效率必然存在下限值，即η_EE不小于用户能量效率的最低值，表示为：

因此，只要让具有最低的能效值的终端用户的能效提升，就可以让系统能效进一步提高。定义用户质量体验函数当e＜1时，表明用户对数据速率体验不满意，e≥1表示体验满意，且越大越满意。而且为了保证用户之间的公平性，e越小则具有更高的子信道分配优先级。基于干扰协调的子信道分配算法描述如下：

(1)初始化。每个子信道均分功率为

(2)初分配子信道。对终端用户按照业务速率进行正排序，家庭基站按照排序优先级给用户分配子信道，计算每个用户的初始化传输速率R_u；

(3)再分配。计算每个终端用户的质量体验函数并以倒排序放入用户质量体验队列T_f中，并以此次序对子信道进行再一次分配，并更新再分配后的和e_u。不断重复此步骤，直到所有的终端用户质量体验函数e_u＞1；

(4)(1)-(3)后终端全部用户都达到了各自要求的基本业务速率。倒排序取出值最低的用户，轮询q_f中剩下子信道L_remain，找到可以让最低值能效提升的子信道即重复步骤(4)，直剩余子信道L_remain不能再让提升。

B.基于干扰协调的改进的粒子群优化算法的功率分配

在CH对簇内干扰协调与子信道分配结果的基础上，首先将优化模型(5)化为约束性粒子群优化的标准形式：

其中，p_m描述了每一个粒子m的发射功率，是一个L维的向量。将(10)转化为无约束问题：

公式中，h_max(p_m)＝max[h₁(p_m),h₂(p_m),...,h₄(p_m)]，适应度函数为h(p_m)。由于非约束性粒子群算法容易出现早熟现象，因此引入了群体适应度方差的概念，定义为:

其中，σ²表示为适应度变异方差，h(p_m)和h_avg分别为粒子m的适应度和群体的平均适应度。σ²越小越趋近收敛；反之，趋近随机收敛。群体(或者临近域)所有粒子M最优位置变异的概率定义为

其中，i∈[0.2,0.7]，阀值与实际问题有关，一般

依照公式(4.10)可以得到粒子的位置和飞行速度的更新公式如下：

其中，和分别表示粒子m当前的位置(当前发射功率)和速度(飞行变化趋势)，针对传统粒子全优化算法的惯性权重ω进行改进，更好的平衡局部和全局搜索权重。引入DW对ω进行逐步周期性衰减改进：

式中，ω_max和ω_min分别为ω的上限与下限值，通常取ω_min＝0.1，ω_max＝0.9；T_max为迭代的最大次数；A为t＝0时ω的振幅；T_ped为惯性权重因子振幅变化的周期。

回归公式(14)，是单个粒子m最优的发射功率分配，表示整个族群最优的发射功率分配，分别通过下面公式更新：

根据以上对功率分配过程，分配迭代过程表述如下，

(1)初始化粒子群。

(2)粒子群粒子表示为Π＝{1,...,M}，然后他们的位置和速度分别被初始化为和迭代次数表示为t_max；

(3)接收子信道分配结果。

(4)初始化个体最优位置

(5)初始化全局最优位置

(6)粒子群寻找全局最优

(7)当迭代次数t≤t_max，根据阻尼震动ω(t)＝|ω_maxexp(1/T_max)ln(A/ω_max)tcos((π/T_ped)t)|+ω_min来更新和

(8)对于每一个粒子计算个体适应度和群体适应度方差和如果则否则

(9)更新

(10)如果则否则

(11)重复(7)-(11)步骤直至迭代结束或收敛；

(12)输出最优位置信息作为最优的功率分配结果。

有益效果

本发明具有以下优点：

①提出了基于成簇的超密集无线网络模型，根据网络模型分别解决簇间与簇内干扰。

②提出了能效优化模型，根据成簇后的超密集无线网络模型、信道使用因子、用户最低业务需求形成多维资源分配的能效优化模型。

③提出了超密集无线网络中簇间与簇内干扰协调方案。方案首先根据图论着色原理对簇间干扰进行协调；其次，CH根据部分信息交互对簇内各家庭基站进行干扰协调。

④提出了超密集无线网络中一种基于干扰协调能效资源分配算法。形成半分布式的资源分配算法来缓解簇间与簇内干扰、降低计算复杂度、提高能量效率。超密集无线网络中家庭基站通过K-means算法进行分簇。首先，将基于干扰协调的资源分配问题分解成两个优化子问题，分别利用最大最小算法和优化改进的粒子群算法对子信道和功率进行优化分配。其中，为了避免粒子群优化陷入局部解缺陷，引进阻尼震动与适应度变异对粒子群优化算法进行改进。

附图说明

图1是基于成簇的超密集无线网络模型。

图2是调度帧划分图。

图3是超密集无线网络中一种基于干扰协调能效资源分配算法图。

具体实施方式

本发明设计出超密集无线网络中一种基于干扰协调的能效资源分配算法。分析并给出了基于成簇的超密集无线网络，提出了簇间与簇内干扰协调策略：采用图论着色原理进行簇间干扰协调和部分信息交互方式对簇内干扰进行协调。提出了超密集无线网络中一种基于干扰协调的能效资源分配算法，该算法对超密集无线网络子信道和功率进行联合优化。首先，利用用户质量体验函数和最大最小算法对子信道进行分配；其次，优化改进的粒子群算法对功率进行优化分配。其中，为了避免粒子群优化陷入局部解缺陷，引进阻尼震动与适应度变异对粒子群优化算法进行改进。

1.基于成簇的超密集无线网络模型

本发明提出一个基于成簇的超密集无线无线网络模型，如图1所示。基于成簇的超密集无线网络，由一个宏基站MBS和密集的家庭基站FBS构成，如家庭基站已经C个分簇，不考虑来邻区宏基站的干扰。MBS处于宏蜂窝的中心位置，覆盖半径为R_M，最大发射功率为P_M，宏小区随机分布着U_M个宏用户。宏蜂窝覆盖范围内随机分布着F个家庭基站，半径为R_f，最大发射功率为P_f,每个家庭基站采用半开放式的用户接入方式，即首先保证本家庭基站注册用户的权益，再考虑接入其他用户。系统总带宽W分为等宽的L个子信道，子信道带宽为Δf＝W/L。由于同一小区下使用相同子信道的用户会产生强干扰，所以为了降低干扰同一小区下，信道与用户的关系为n:1，即一个信道在同一时刻只能分配给单个用户。

2.能量效率优化模型

与传统的资源分配最大化吞吐量不同，本发明所提出的超密集无线网络基于干扰协调的能效资源分配算法关注的是能效的最大化，目的是为了以更少的能量传递更多的数据业务。能量效率EE(Energy Efficient，EE)的定义为总传输速率与总的能量消耗的比值，如下所示：

其中，R_sum为超密集无线网络家庭基站总的传输速率，P_sum为网中消耗的总功率，包括电子元器件的消耗与发射功率消耗，e为平均误码率。

网络总的传输速率表示为：

其中，表示信道使用因子，满足当表示家庭基站f没采用子信道l的信息，反之，采用。其中，信道l上用户u的传输速率为表示家庭基站在信道l上用户u的信干燥比：

其中，和分别表示家庭基站与宏基站在信道l上发射功率。系统总能耗可以表示为：

式中，为家庭基站总的累计传输功率，为功放器的倒数。P_e＝F*p_e为电子元器件的消耗的总功率，单个家庭基站消耗为固定值p_e。

本发明所优化目标是在发射功率限制、终端用户业务传输速率和簇间簇内干扰制约的条件下最大化网络的能量效率，优化模型可以表示为：

其中，C1和C2分别代表了用户的最低业务速率和家庭基站发射功率的限制；C3和C4分别表示信道只有被用户使用和未被使用两种状态与每个小小区内信道只能分给一个用户；C5是宏基站对家庭基站的跨层干扰做了限制。本发明能量效率优化的主要目的是在最大功率限制、用户最低业务速率制约和干扰制约的前提下最大化η_EE的值。

3.簇间与簇内干扰协调

A.簇间干扰协调

由于基于成簇的超密集无线网络簇间采用频率复用技术，将造成簇间的边缘家庭基站基站存在严重的干扰。为解决簇间干扰，本发明基于图论着色原理对簇进行归类，并以此提出新型簇间时域调度方案。首先，对簇按照图论着色理论进行着色，由于图论着色算法可知最少需要四种颜色，地图上的任何互相相邻区域不能涂一样的颜色，用绿、黄、红和白色对C个簇进行着色，将簇分为四类且相邻簇间颜色不同。把每一个染色后的簇看成统一协调的共同体，对簇与簇之间按照着色分簇进行时域调度。

步骤一:，如图2所示,根据颜色数量，将8个调度帧分为四类，与之对应的是簇的四种颜色，即：着绿色的簇对应帧1和5，着黄色的簇对应帧2和6，着红色的簇对应帧3和7，着白色的簇对应帧4和8。

步骤二:某个颜色调度的时候,与之对应的该颜色的簇称作干扰簇(InterferenceCluster，IC)，其它的簇称作守护簇(Protected Cluster，PC)。并且干扰簇内的FBS要减功率发送，及各自覆盖范围内的用户不参与调度，而在调度帧守护簇的FBS以分配的满功率发送且所有边缘用户都可得到调度。簇的功率衰减公式:

其中，δ满减因子。

B.簇内干扰协调

超密集无线网络中，通过宏基站、簇内家庭基站都通过簇头CH(cluster head，CH)基站协作优化无线资源分配，尤其是干扰较大的终端用户信道链路信息，可以限制彼此干扰大的家庭基站使用不同信道。如果家庭基站是全向天线的，则用户之间的干扰可简化为基站点之间的干扰。但是，高密度部署家庭基站的情况，若每个基站都去广播发送与接收彼此的链路状态信息，会造大量的开销浪费和负载量，更会造成能量效率下降。因此，通过回传链路统一发送给CH，并对其收集到的信息采取干扰协调：

步骤一：簇内家庭基站信息回传到CH

公式(7)中，g^req为信道链路状态门限阈值，区分宏基站与家庭基站基站阈值，若某信道链路状态小于门限值，则其干扰置零。否则，CH进行干扰协调处理。

步骤二：高密度家庭基站部署，人流分布不均，极其容易出现簇内家庭基站负载不均衡，若某个家庭基站用户偏多，需要用到更多的子信道，则CH采用如下策略：

其中，q_uf表示其他使用相同子信道的家庭基站对该用户的干扰集合，并按照倒序排位，I_max为干扰集中对用户最大的干扰项，表示排除最大干扰项后的用户数据速率。终端用户的传输速率满足最低需求则不需要协调；若不满足，则让最大干扰项的家庭基站禁止使用该信道，并重新更新若更新后用户速率还不满足需求，为了终端用户之间的公平性则抛弃此用户。通过上述两步方法实现簇间与簇内的干扰的协调。

4.基于干扰协调能效资源分配算法

首先，将基于干扰协调的资源分配问题分解成两个优化子问题，分别利用最大最小算法和优化改进的粒子群算法对子信道和功率进行优化分配。其中，为了避免粒子群优化陷入局部解缺陷，引进阻尼震动与适应度变异对粒子群优化算法进行改进。

A.基于干扰协调的最大最小算法的信道分配

当给定子信道分配与电子元器件的消耗比例后，系统的能量效率必然存在下限值，即η_EE不小于用户能量效率的最低值，表示为：

因此，只要让具有最低的能效值的终端用户的能效提升，就可以让系统能效进一步提高。定义用户质量体验函数当e＜1时，表明用户对数据速率体验不满意，e≥1表示体验满意，且越大越满意。而且为了保证用户之间的公平性，e越小则具有更高的子信道分配优先级。基于干扰协调的子信道分配算法描述如下：

(1)初始化。假设每个子信道均分功率为

(2)初分配子信道。对终端用户按照业务速率进行正排序，家庭基站按照排序优先级给用户分配子信道，计算每个用户的初始化传输速率R_u。

(3)再分配。计算每个终端用户的质量体验函数并以倒排序放入用户质量体验队列T_f中，并以此次序对子信道进行再一次分配，并更新再分配后的和e_u。不断重复此步骤，直到所有的终端用户质量体验函数e_u＞1。

(4)(1)-(3)后终端全部用户都达到了各自要求的基本业务速率。倒排序取出值最低的用户，轮询q_f中剩下子信道L_remain，根据公式(4.9)找到可以让最低值能效提升的子信道即重复步骤(4)，直剩余子信道L_remain不能再让提升。

B.基于干扰协调的改进的粒子群优化算法的功率分配

在CH对簇内干扰协调与子信道分配结果的基础上，首先将优化模型(4.5)化为约束性粒子群优化的标准形式：

其中，p_m描述了每一个粒子m的发射功率，是一个L维的向量。将(5)转化为无约束问题：

公式中，h_max(p_m)＝max[h₁(p_m),h₂(p_m),...,h₄(p_m)]，适应度函数为h(p_m)。由于非约束性粒子群算法容易出现早熟现象，因此引入了群体适应度方差的概念，定义为:

其中，σ²表示为适应度变异方差，h(p_m)和h_avg分别为粒子m的适应度和群体的平均适应度。σ²越小越趋近收敛；反之，趋近随机收敛。群体(或者临近域)所有粒子M最优位置变异的概率定义为

其中，i∈[0.2,0.7]，阀值与实际问题有关，一般可以得到粒子的位置和飞行速度的更新公式如下：

其中，和分别表示粒子m当前的位置(当前发射功率)和速度(飞行变化趋势)，针对传统粒子全优化算法的惯性权重ω进行改进，更好的平衡局部和全局搜索权重。引入DW对ω进行逐步周期性衰减改进：

式中，ω_max和ω_min分别为ω的上限与下限值，通常取ω_min＝0.1，ω_max＝0.9；T_max为迭代的最大次数；A为t＝0时ω的振幅；T_ped为惯性权重因子振幅变化的周期。

是单个粒子m最优的发射功率分配，表示整个族群最优的发射功率分配，分别通过下面公式更新：

根据以上对功率分配过程，分配迭代过程表述如下，

(1)初始化粒子群。

(2)粒子群粒子表示为Π＝{1,...,M}，然后他们的位置和速度分别被初始化为和迭代次数表示为t_max；

(3)接收子信道分配结果。

(4)初始化个体最优位置

(5)初始化全局最优位置

(6)粒子群寻找全局最优

(7)当迭代次数t≤t_max，更新和

(8)对于每一个粒子如果则否则

(9)更新

(10)如果则否则

(11)重复(7)-(10)步骤直至迭代结束或收敛；

(12)输出最优位置信息作为最优的功率分配结果。

因此，超密集无线网络中基于干扰协调的能效资源分配算法流程如图3所示。