基于能效優化的異構網絡資源分配算法設計*

錢　進，王　孝，郭士增

(1.海軍駐航天三院軍事代表室,北京 100074；2.哈爾濱工業大學 通信技術研究所,黑龍江 哈爾濱 150080)

?

基于能效優化的異構網絡資源分配算法設計*

錢進1，王孝2，郭士增2

(1.海軍駐航天三院軍事代表室,北京 100074；2.哈爾濱工業大學 通信技術研究所,黑龍江 哈爾濱 150080)

摘要：Macro/Femtocell作為新一代的異構網絡，在用于增加網絡覆蓋量和提高吞吐量以及保證用戶服務需求上有很大的優勢，然而大規模的部署Femtocell會導致功率消耗顯著增加，同時網絡的能量效率也會明顯下降。除此之外，為了提高頻譜利用率，Macro/Femtocell之間通常采用共享頻譜方案，這會導致Macro基站和Femtocell用戶之間的跨層干擾，從而明顯地降低異構網絡的性能。針對上述問題，通過對多目標遺傳算法的研究，提出基于能效優化的異構網絡資源分配算法。該算法以能量效率為優化目標，在跨層干擾和功率限制等限制條件下，進行子載波信道和功率的聯合資源分配。其中，采用多目標遺傳算法中的非支配排序遺傳算法(Non-dominated Sorting Genetic Algorithm,NSGA-II)進行優化的子載波分配和功率分配方案的求解。仿真結果表明，本文提出的算法在節約能耗方面相比于不考慮干擾限制的算法有很大提升。

關鍵詞：能量效率；NSGA-II；異構網絡；資源分配

0引言

隨著無線通信技術的飛速發展，新一代無線設備在傳輸方面的需求成幾何級數增長，人們為此已經在傳輸容量和傳輸速率方面做出了大量的研究。隨著用戶對更高的吞吐量和更大的峰值流量的需求的增長，能量的負擔也日益加重，而且由于用戶對傳輸速度的要求也越來越嚴苛，這更導致越來越巨大的能量被消耗在無線網絡中。能量消耗問題也提醒研究者和運營商，大規模地部署傳統的Macro基站不僅不是一種經濟實惠更不是一種可持續發展的綠色的滿足快速增長的用戶需求的方式。因此，一種區別于傳統同構網絡模型的新型網絡結構——異構網絡技術應運而生。異構網絡由傳統Macro基站和不同類型的低功率基站共同構成，常見的低功率基站包括Micro基站，Pico基站、Femtocell基站、Relay基站和射頻節點等[1]。然而，在異構網絡中，跨層干擾和同層干擾會給異構網絡的基站部署帶來巨大的挑戰，并且會降低異構網絡的性能。比如，在網絡中如果沒有適當的干擾管理，必然會有一部分功率的浪費，從而導致網絡的能量效率可能比沒有采用低功率基站的網絡能量效率更低，這就失去了利用低功率基站構成異構網絡的意義[2-3]。因此，在干擾功率受限的策略中，引入低功率基站所引起的干擾必須控制在可接受的范圍內。采用合理的資源分配方案不僅可以避免資源的浪費，更能夠降低甚至基本消除同層或者跨層干擾。因此，資源分配在干擾管理和提高能量效率中扮演了重要角色。

現階段針對異構網絡能量效率的資源分配算法的研究中，一般都只是通過減小基站的發射功率來提高能量效率，但這并不符合實際的功率模型。現有的對能量效率的算法研究中很少同時考慮同層干擾和跨層干擾，但實際上跨層干擾和同層干擾會減小異構網絡的容量，并對能量效率有很大的影響。除此之外，現有的資源分配算法很少同時進行聯合的子載波和功率的聯合分配。因此，本課題在Macro/Femtocell的兩層異構網絡的下行鏈路中，綜合考慮實際的功率模型和跨層干擾和同層干擾的限制，充分考慮網絡的整體性能，提出一種聯合考慮實際的功率模型、干擾限制條件且以整個異構網絡的能量效率為優化目標的子信道和功率的聯合資源分配算法。

由于綜合考慮了多個參數，本課題利用多目標遺傳算法進行子信道和功率聯合分配的優化值的求解。該算法不僅目標移植性強，而且復雜度較低，可以有效地進行資源分配問題的優化。

1系統模型

本文考慮Macro/Femtocell的兩層異構網絡環境，如圖1所示，本文的仿真場景設置為包含三個Macro小區的多小區的網絡結構，其中在每個Macro小區內包含1個Macro基站和6個Femtocell簇，每個Femtocell簇包含3個Femtocell。本文設定Macro基站和Femtocell采用共頻譜方案，并采用全頻率復用方式，并且設定在同一個簇內的Femtocell之間沒有干擾。在網絡中的每個Femtocell都有12個用戶，每個Macro基站都有36個用戶，Femtocell為開放式接入方式，Macro基站和Femtocell的用戶既可以接入Macro基站和Femtocell基站。

圖1　異構網絡拓撲結構

本文的總體思路是，在Macro/Femtocell兩層異構網絡的下行鏈路中，針對全網的能量效率，綜合考慮實際的功率模型和干擾限制等條件，對子信道和功率進行聯合式的資源分配，并利用非支配排序遺傳算法(Non-dominated Sorting Genetic Algorithm II,NSGA-II)進行優化的資源分配方案的求解。算法的整體流程圖如圖2所示。

圖2　聯合式資源分配算法流程

在理論分析的基礎上，本文首先根據Macro/Femtocell的兩層異構網絡系統模型和對下行干擾的仿真分析，給出具體的系統參數以及具體的限制條件；其次，在該系統模型的基礎上，通過仿真分析確定遺傳算法的合理的種群規模和迭代次數以便與在較低的復雜度的條件下獲得較好的收斂值，并通過算法的對比驗證算法的性能；最后根據遺傳算法具體的參數設定，根據通過設置不同的參數對算法的整體性能進行仿真分析[4-5]。

2資源分配方案設計

遺傳算法是美國的J.Holland教授在60年代末提出的，通過模擬達爾文自然進化選擇的過程，對一個解值空間進行操作并搜索，使群體經過優勝劣汰在解值空間找到最優解[6]。1967年，Rosenberg首次將遺傳算法在多目標優化問題中的應用，這一研究開創了遺傳算法解決多目標優化問題之一領域，使多目標遺傳算法成為了研究熱點。多目標遺傳算法有很多種，其中，NSGA由Srinivas和Deb在1994提出。NSGA相比于簡單遺傳算法優化了所選擇的算子，但是由于這種算法具有計算復雜度高、需要制定共享半徑及容易丟失進化中的最優解的缺點，Deb在2000年對NSGA進行了改進，得到NSGA-II算法[7]。NSGA-II算法提出了新的基于分級的快速非勝出排序算法，將復雜度大大降低，提出了擁擠距離的概念，同時引入保護優秀個體的策略，擴大了樣本空間，并將經過種群選擇和復制得到的個體可以和產生其的父代進行比較，有利于保持優秀的個體，更快速地得到優化問題的解。因此，本文利用NSGA-II遺傳算法來求解子信道和功率聯合式資源分配的最優化方案。

本文設計的基因包括子信道分配和功率分配兩部分，每一部分都是包含N個元素的序列，分別表示子信道占用情況和功率分配情況，并將每個用戶的功率分配及信道占用的結果作為每個基因個體中的基因特質，即對應用戶的功率分配和子信道占用結果作為同一時間下的一套完整的資源分配方案。因此，本文設計的遺傳算法的整體流程圖如圖3所示。

圖3　遺傳算法流程

2.1種群初始化

種群的初始化就是根據要優化的具體問題設置符合其仿真場景的一定規模的種群個體。染色體的設計決定了種群初始化的優劣，本文的染色體設計方案如圖4所示，本文的染色體一共包含兩部分，第一部分表示子信道分配方案，第二部分表示用戶的功率分配方案。在染色體中的前N個基因位表示網絡中的Macro基站和Femtocell的所有用戶的子信道分配情況，并且利用每一個基因位置表示一個基站內的所有用戶的子信道分配情況；染色體中的后N個基因位表示網絡中所有用戶的功率分配方案，但是每個基因位置表示的含義與前N位不同，每個基因位置對應任意一個基站的所有的用戶的功率分配方案。

圖4　本文染色體設計方案

2.2適應度函數

利用遺傳算法求解最優解問題時，最重要的指標就是適應度函數。在本文中，研究的子信道和功率聯合式資源分配優化問題是為了在滿足約束條件下得到最大的能量效率。由于本文的約束條件較多，所以本文設計將約束條件數學建模為另一個目標函數。本文分別得到能量效率和約束條件這兩個目標函數，分別如式(1)和式(2)所示：

(1)

(2)

2.3種群選擇和復制

選擇與復制就是比較符合課題設定的適應度函數的大小，將符合課題需求的染色體選擇進入下一代的過程。種群選擇的作用就是篩選個體，通過對種群的個體進行選擇，可以有效地保留資源池中待優化問題的必要的相關遺傳信息，進而使得整個種群通過選擇淘汰，可以向最優的染色體種群進行演變，即算法逐漸收斂可以獲得所求問題的最優解。

具體的等級劃分的方法如下：

(1)如果有兩個樣本X1、X2出現公式(4-7)的情況，說明樣本X1在兩個適應度值上都優于樣本X2，也就是說樣本X1的等級高于樣本X2。因此，選擇樣本X1進入下一環節。

(3)

(2)如果這兩個樣本出現(4-8)的情況，說明樣本X2在兩個適應度值上都優于樣本X1，也就是說明樣本X2的等級高于樣本X1。因此，選擇樣本X2進入遺傳算法的下一環節。

(4)

(3)如果樣本X1、X2出現公式(4-9)或者公式(4-10)的情況，那么說明這兩個樣本只在某一個適應度函數值上優于對方，二者屬于同等級。

(5)

(6)

當樣本處于同一等級時，需要通過樣本周圍的擁擠程度內部排序：

I(i)distance=

(7)

2.4種群交叉

為了確保遺傳算法更有效地得到收斂值，本文也設定交叉發生在基因序列上。即本文的交叉發生在父代的前N段染色體的某個基因位上或是染色體后N段的某個基因位置上，染色體的前N段和后N段分別表示基站的所有用戶的子信道分配方案和功率分配方案，針對于某個基站來說，其子信道分配方案和功率分配方案是一一對應的。本文設定交叉是否發生取決于按照伯努利分布的數列βa,a=1,2,…,N的取值，交叉的表達式如式(8)：

(8)

其中，offspring_SCa和offspring_PAa代表后代的子信道分配方案和功率分配方案；Parent(ω)_SCa、Parent(ω)_PAa、Parent(v)_SCa和Parent(v)分別代表兩個父代的子信道和功率分配方案。

2.4種群變異

借助于自然進化論思想的遺傳算法，自然也將種群變異作為了算法的一個步驟。遺傳算法中的種群變異有基本變異、高斯近似變異以及均勻和非均勻變異等方式，不同的研究者也會根據具體的系統模型和課題需要來設計具體的變異方式。本文的變異方式選取最基本的變異方式，并且變異是發生在染色體的基因序列上的。作為染色體上的代表子信道的分配方案的和代表功率分配方案的基因位，二者具有相同的變異概率，如果發生變異，那么將對發生變異的重新進行編碼也就是重新進行初始化。變異可以促進種群的多樣性，但是如果變異概率過大，種群可能會無法收斂，即優化問題無法達到最優近似解；反之，如果變異概率過小，種群又有可能陷入局部最優解導致無法獲得最優秀的種群個體，即無法獲得最優的分配結果。因此，本文選取了合適的變異概率Pm=0.01。

從種群初始化到種群的變異是遺傳算法的一次運算過程，對于由Np個個體組成的種群來說，通過t次迭代才能獲得最終的優化結果，其中種群規模Np和迭代次數t的選取對遺傳算法的性能和復雜度有很大的影響，需要對二者進行動態合理選擇。

3仿真與分析

圖5是遺傳算法中的種群規模的選取和總的EE的關系的仿真圖。其中，縱坐標為異構網絡的整個網絡的EE，單位為Mbps/W，橫坐標為種群的規模，且種群規模的取值從100增加至300。從圖5中可知，無論種群的規模的取值為多大，隨著訓練次數的增加，總的EE的曲線的趨勢都是先快速增加然后緩慢增加至一個平穩的常數，當總的EE增加到常數后，EE的值就不再隨著訓練次數的增加而改變。因此從圖5中可以得出兩點結論：首先，不管種群的規模為多大，隨著訓練次數的增加作為目標函數的能量效率都可以得到平穩的收斂值，這證明了本文提出的資源分配算法的收斂性；其次，隨著種群規模的擴大，總的EE會收斂到一個最優值。

圖5　種群選取與能量效率關系

圖6為本文提出的聯合式的子信道分配和功率分配的資源分配算法與不考慮干擾限制的基于遺傳算法的資源分配算法的EE對比曲線圖。本文的總的EE先隨著訓練次數的增加而增加，當增加到EE的收斂值時，總的EE就不再隨著訓練次數的增加而改變，總的EE是一個常數，而對比算法的EE隨著訓練次數的增加基本沒有改變，一直是一個常數，這主要是由于該算法將基站的發射功率都分配給用戶，導致網絡中的總的能耗十分大，所以導致能效較低。通過總的EE的對比圖可以看出，本文的算法性能相比于對比算法更能保證能效。

圖6　能量效率對比

圖7為本文算法與對比算法的吞吐量的對比圖，縱坐標為總的吞吐量，單位為Mbps，橫坐標為訓練次數。兩種算法的吞吐量都隨著訓練次數的增加先增加再平穩，這是因為兩種算法都是以能量效率為優化目標，當能量效率達到優化值時，能量效率是一個常數，因此吞吐量也是一個常數。而且，通過曲線對比可知，本文提出的算法的吞吐量也要優于對比算法。這是由于本文對跨層干擾進行限制，可以在一定程度上保障MUE和FUE的性能，從而使異構網絡的性能得到保證，而對比算法由于不對跨層干擾進行限制，通過第三章對下行干擾的仿真分析可知在基站發射功率較大時MUE和FUE受到的跨層干擾都較大，會影響異構網絡的性能。

圖7　吞吐量對比

4結語

本文首先提出基于能效優化的異構網絡的子信道和功率的聯合式資源分配算法，并對用于求解優化資源分配方案的NSGA-II算法的各個步驟進行了具體闡述和分析；其次對于搭建的Macro/Femtocell兩層異構網絡系統模型設置了具體的仿真參數，并通過相應的仿真設置了合理的遺傳算法的仿真參數；最后通過設置不同參數，對提出的算法進行了仿真分析。從仿真結果上看，本文提出的算法保證用戶性能和減少能量消耗上有一定優勢。

參考文獻：

[1]Damnjanovic A,Montojo J,WEI Yong-bin,et al.A Survey on 3GPP Heterogeneous Networks[J].IEEE Wireless Communications,2011,18(3): 10-21.

[2]Soh Yong Sheng,Quek T Q S,Kountouris M,Hyundong Shin.Energy Efficient Heterogeneous Cellular Networks[J].IEEE Selected Areas in Communications,2013,31(5): 840-850.

[3]HU R Q,QIAN Y.An Energy Efficient and Spectrum Efficient Wireless Heterogeneous Network Framework for 5G Systems[J].IEEE Communications Letters,2014,52(5):94-101.

[4]TAN Cheng,JI Qing-bing.A Game Model based on Energy-Efficiency in Cooperative Communication Networks[J].Communications Technology,2015,48(1):51-55.

[5]GE Xiao-hu,HAN Tao,ZHANG Yan,et al.Spectrum and Energy-Efficiency Evaluation of Two-Tier Femtocell Networks with Partially Open Channels[J].IEEE Transactions on Vehicular Technology,2014,63(3):1306-1319.

[6]Holland J.Genetic Algorithms and Simulated Annealing: A Marriage Proposal[C] // IEEE International Conference on Neural Networks.San Francisco CA: Institute of Electrical and Electronics Engineers Inc,1993:1104-1109.

[7]Deb K,Aarawal S,Pratap A,et al.A Fast Elitist Non-Dominated Sorting Genetic Algorithm for Multi-Objective Optimization: NSGA-II [C] // 6th International Conference on Parallel Problem Solving from Nature.Paris France:Springer Verlag,2000:849-858.

An Energy-Efficient Resource Allocation Algorithm in Heterogeneous Network

QIAN Jin1，WANG Xiao2，GUO Shi-zeng2

(1.Navy Military Representative Office in CASIC,Beijing 100074,China;2.Communication Research Center,Harbin Institute of Technology,Harbin Heilongjiang 150080,China)

Abstract：Macro/Femtocell network,as a new generation of heterogeneous network,enjoys great superiority in raising network coverage and capacity and ensuring the user′s service needs,and however,large-scale deployment of Femtocells would considerably increase power consumption and decrease energy efficiency of the networks.In addition,Macro/Femtocell network usually adopts spectrum-sharing strategy,thus to improve spectral efficiency,and this would lead to cross-layer interference of between Macro and Femtocell users,and clearly decrease the performance of heterogeneous network.Aiming at the above problems and based on the research of multiple objective genetic algorithms,a new energy-efficient resource allocation algorithm in heterogeneous network is proposed.This algorithm,with energy efficiency as the optimization target,achieves joint resource allocation of subcarrier channel and power under the restricted condition of cross-layer interference and power limitation,of which,NSGA-II (Non-dominated Sorting Genetic Algorithm) algorithm is adopted to seek the optimized solution of the joint allocation problem of subcarrier and power.Simulation result shows that the proposed algorithm could achieves a better improvement in terms of energy savings compared to the algorithm that considers no interference limitation.

Key words：energy efficiency;NSGA-II;heterogeneous network;resource allocation

doi:10.3969/j.issn.1002-0802.2016.02.015

* 收稿日期：2015-09-08；修回日期：2015-12-28Received date:2015-09-08；Revised date：2015-12-28

基金項目：國家科技重大專項基金資助項目(No.2014ZX03004003)

Foundation Item:Special Funds of National Major Science and Technology Project(No.2014ZX03004003)

中圖分類號：TN913.21

文獻標志碼：A

文章編號：1002-0802(2016)02-0199-06

作者簡介：

錢進(1977—)，男，碩士，工程師，主要研究方向為寬帶移動通信；

王孝(1966—)，男，碩士，副教授，主要研究方向為集群通信系統、寬帶多媒體移動通信系統、無線網絡及數字傳輸技術；

郭士增(1965—)，男，碩士，副教授，主要研究方向為交換技術、集群通信、無線網絡及數據鏈地面測試技術。