改進蟻群算法的超密集網絡資源分配方法仿真

李金磊,翟海亭

(1. 商丘工學院,河南 商丘 476000;2. 海軍航空大學航空基礎學院,山東 青島 264000)

1 引言

在網絡業務類型增多以及移動互聯網技術進步的背景下,移動數據流量不斷增大。為了進一步滿足用戶需求,超密集網絡得到廣泛應用,該網絡可以縮短終端用戶與基站在網絡中傳輸數據的距離,其主要原理是通過部署網絡中的基站,提高網絡空間流量[1]。小區間干擾是超密集網絡中易出現的問題,在小區間干擾下網絡吞吐量極易受到影響,使小區邊緣用戶無法獲取良好的體驗性能[2]。因此,通過合理分配超密集網絡中存在的資源可有效解決小區間干擾問題。

針對超密集網絡的資源分配問題,王雪[3]等人結合功率分配方案和資源分配方案用確定性尋優約束問題代替超密集網絡資源分配問題,將K-means算法引入譜聚類用戶分組算法中,獲得頻率分配方案,該方法無法準確分析資源在超密集網絡中的分布特點,存在數據分析精度低的問題。陳發堂[4]等人首先計算了超密集網絡的最小邊緣開銷和最小本地開銷,用功率分配問題和信道分配問題代替超密集網絡資源分配問題,將拉格朗日函數引入資源分配模型中,結合Frank-Wolfe方法和內點懲函數法求解模型,實現資源分配,該方法存在資源傳輸成功率低的問題。程萬里[5]等人利用K-means聚類算法劃分網絡資源基站,將超密集網絡吞吐量最大化作為目標,設計超密集網絡資源分配方案,通過貪婪算法分配不同聚類中的視頻資源塊,針對網絡中剩余的資源塊,利用資源補償算法完成分配,該方法存在資源消耗比例高、頻譜效率低的問題,表明在資源分配過程中容易出現資源丟失問題,資源分配結果仍達不到理想效果。

超密集組網能夠通過超大規模低功率節點改善網絡覆蓋率,提高網絡容量,在現階段已經得到了廣泛應用。為了解決其資源均衡性問題,提出基于蟻群算法優化的超密集網絡資源分配方法。

2 超密集網絡模型

2.1 網絡基站資源發送模型

在一個時隙內,超密集網絡基站通常只服務一個超密集網絡用戶,通過正交時隙對接入的多個用戶服務[6]。當超密集網絡基站中沒有用戶接入時,一般屬于靜默狀態。

(1)

為了滿足資源在網絡中的傳輸需求,需要協調超密集網絡中的小區間干擾,上述操作通過分配時隙資源完成[7,8]。

(2)

如果某個時隙內,超密集網絡基站將資源分配給接入的用戶,則可通過固定發射功率A服務用戶,如果某個時隙內,基站沒有將資源分配給接入的用戶,則超密集網絡基站此時處于靜默狀態。

(3)

2.2 網絡基站資源接收模型

(4)

(5)

(6)

式中,E代表帶寬。

3 超密集網絡資源分配

3.1 資源分配目標函數建立

若子信道數量低于簇內基站數量時,子信道在簇內無法實現正交。為了確保子信道數量多于簇內超密集網絡基站的數量,在損耗圖的基礎上對網絡展開分簇處理,具體步驟如下:

1)根據參考資源,基站在網絡中測量路徑損耗,當兩個基站之間的路徑損耗小于路徑損耗門限U時,表明兩個基站之間存在干擾[9,10],相反,表明兩個超密集網絡基站之間不存在干擾;

2)在基站路徑損耗信息的基礎上建立損耗圖,基站即為圖中的節點,如果兩個基站之間的路徑損耗低于門限U時,表明以上兩個基站的節點之間存在邊,相反,則不存在邊;

3)在損耗圖中存在最短的邊,如果存在多條長度較短的邊,簇頭即為最大度對應的節點,將選取的節點存入簇W中;

4)計算未劃分基站與簇W之間的距離,選取距離最小的基站存入簇W中;

5)重復上述步驟;

6)刪除損耗圖中簇W內存在的基站對應的節點,并刪除與之相關聯的邊,更新損耗圖;

7)重復上述步驟,完成節點分簇。

根據信噪比[11]將子信道分配給簇中存在的用戶:

1)設置子信道集合Ξ={v1,v2,…,vM},該集合中存在M個子信道,在簇Wk中對基站編號vk1,vk2,…,vkKk,其中Kk代表簇Wk中基站的數量[12,13];

3)重復上述步驟,直到簇W中子信道分配完畢;

根據上述分析,構建如下超密集網絡資源分配目標函數F為

(7)

3.2 目標函數求解

采用蟻群算法[14,15]求解上述目標函數F,完成超密集網絡資源的分配。用υu,v表示網絡資源u和資源v之間存在的信息素,信息素的更新分為兩個階段,第一個階段為局部更新,第二個階段為全局更新,當每只螞蟻在尋優過程中獲得一個資源分配目標函數的可行解時,通過下式更新該可行解中相鄰節點的信息素

υu,v(t)=σ1υu,v(t)+(1-σ1)υ0

(8)

式中,σ1代表信息素在局部更新階段中的發揮程度;υ0代表初始的信息素濃度。局部更新的主要目的是避免算法陷入局部搜索,通過減少節點之間存在的信息素濃度,提高螞蟻在后續尋優過程中的選擇多樣性。

當全部螞蟻在種群中都獲得可行解時,構建解空間,獲得該空間中的最優解,通過下式對信息素展開全局更新:

υu,v(t+1)=σgυu,v(t)+(1-σg)?υu,v(t)

(9)

式中,σg代表信息素在全局更新階段中的揮發程度;?υu,v(t)代表更新率,其計算公式如下

(10)

式中,g1、g2均代表超密集網絡資源分配目標函數中當前解空間中的最優可行解對應的值。

假設在獲取超密集網絡資源分配目標函數可行解的過程中,螞蟻已經獲取序列中存在的最后一個網絡資源u,則在網絡資源集合slist中根據下述轉移規則選取下一個待分配的網絡資源v

(11)

式中,q、q0均為隨機數,在區間[0,1]內取值;du,v代表資源u和資源v之間存在的螞蟻數量,其計算公式如下

(12)

通過計算路徑中的信息素濃度,選取螞蟻下一個路徑,通過更新信息素獲取超密集網絡資源分配目標函數的最優解,實現超密集網絡資源的最優分配。

4 實驗設計與分析

為了驗證基于蟻群算法優化的超密集網絡資源分配方法的整體有效性,需要對其展開相關測試,測試環境的仿真參數如表1所示。

表1 仿真參數

測試基于蟻群算法優化的超密集網絡資源分配方法、基于譜聚類的超密集網絡資源分配方法(簡稱譜聚類方法)和基于MEC的超密集網絡資源分配方法(簡稱MEC方法)測試累積分布函數(Cumulative Distribution Function,CDF)曲線、網絡資源傳輸成功率、資源消耗比例以及資源分配頻譜效率。不同指標的測試結果如下。

由圖1中的數據可知,所提方法獲得CDF曲線與實際CDF曲線基本相符,表明所提方法可以準確地分析超密集網絡中資源的分布情況,而基于譜聚類的超密集網絡資源分配方法和基于MEC的超密集網絡資源分配方法獲得的CDF曲線與實際CDF曲線之間的偏差較大,表明上述兩種方法的資源分布分析誤差大。

網絡資源分配過程中,網絡資源傳輸的成功率屬于重要指標,所提方法、基于譜聚類的超密集網絡資源分配方法和基于MEC的超密集網絡資源分配方法在不同條件下的網絡資源傳輸成功率如圖2所示。

圖2 不同方法的資源傳輸成功率

由圖2(a)可知,隨著數據率的增加,不同方法的資源傳輸成功率呈現出先增大后減小的趨勢,對比三種方法的資源傳輸成功率發現,所提方法的資源傳輸成功率始終處于0.8以上。分析圖2(b)可知,隨著用戶資源需求的增加,基于譜聚類的超密集網絡資源分配方法和基于MEC的超密集網絡資源分配方法的資源傳輸成功率不斷下降,基于MEC的超密集網絡資源分配方法的下降幅度較高,而所提方法在用戶資源需求增加到150MBytes之后才有所下降,其下降幅度較小,始終保持在0.8以上。

在網絡資源分配過程中會消耗一定的資源,將資源消耗比例作為指標,測試所提方法、基于譜聚類的超密集網絡資源分配方法和基于MEC的超密集網絡資源分配方法的分配性能,測試結果如圖3所示。

圖3 不同方法的資源消耗比例

根據圖3中的數據可知,所提方法、基于譜聚類的超密集網絡資源分配方法和基于MEC的超密集網絡資源分配方法的資源消耗比例隨著用戶資源需求的增加逐漸上升,但所提方法在測試過程中始終將資源消耗比例控制在0.02以內?；谧V聚類的超密集網絡資源分配方法和基于MEC的超密集網絡資源分配方法在測試過程中的資源消耗比例波動較大,且上升幅度大,表明以上兩種方法在資源分配過程中容易出現資源丟失的現象,分配性能差。

采用上述方法對同一個超密集網絡展開資源分配測試,對比不同方法的頻譜效率。數字通信網絡的鏈路頻譜效率為凈比特率(有用信息速率,不包括糾錯碼)與通信信道或數據鏈路的帶寬的比值。頻譜效率越高,表明資源分配效果越好,不同方法的測試結果如圖4所示。

圖4 不同方法的頻譜效率

分析圖4可知,與其它兩種方法相比,所提方法具有較高的頻譜效率,表明所提方法的網絡資源分配效果好。這是因為所提方法構建了超密集網絡模型,對資源在網絡中的分布特性和傳輸特性展開分析,根據分析結果構建超密集網絡資源分配目標函數,具有良好的資源分配效果。

5 結束語

在移動數據流量和無線業務需求不斷增長的背景下,研究網絡資源分配方法可以提高網絡容量和網絡覆蓋率。目前針對超密集網絡的資源分配方法存在數據分析精度低、資源傳輸成功率低、資源消耗比例高和頻譜效率低的問題,提出基于蟻群算法優化的超密集網絡資源分配方法,該方法在超密集網絡模型的基礎上采用蟻群算法實現資源分配,具有較高的數據分析精度、資源傳輸成功率和頻譜效率,降低了資源消耗比例,為超密集網絡的應用和發展奠定了基礎。