CN101146079A - 基于遗传算法的正交频分复用系统子载波分配方法 - Google Patents

Abstract

一种无线传输技术领域的基于遗传算法的正交频分复用系统子载波分配方法。本发明首先根据信道估计得到每个用户在不同的子载波上的信道状态信息，接着，调用遗传算法进行最优化分配子载波，其中遗传算法采用整数编码，并采用循环移位交叉的技术来提高搜索能力，每次经过遗传变异的种群经过计算适应度函数后，继续根据终止条件判断算法是否应当停止，得到了子载波分配方案。本发明与已有的相应技术相比，系统性能可以得到较大的提高，同时本发明中该进的遗传算法相比于传统的遗传算法收敛速度大大加快。

Description

基于遗传算法的正交频分复用系统子载波分配方法

技术领域

本发明涉及一种无线传输技术领域的方法，具体是一种基于遗传算法的正交频分复用系统子载波分配方法。

背景技术

OFDM技术的基本原理与传统的FDM技术相似，但是，在传统的FDM系统中，整个频带被划分为若干不重叠的子频带，发送端和接收端都需要使用高性能的滤波器对信号进行频域提取，这种方法不能提高系统的频谱利用率；而在OFDM系统中，整个频带被分成许多子载波，且子载波与子载波之间部分重叠，并保持相互正交，这就使频谱利用率近似提高一倍。此外，由于OFDM系统中不同的子载波是相互正交的，具有较强的抗多径能力，因此比较适合于高速数据传输，在未来的无线通信系统中将得到广泛应用。在多用户OFDM系统下行链路中，各个用户在不同的子载波上衰落是相互独立的，对于某一个用户衰落比较严重的子载波可能相对于其他的用户信道状况反而很好，这就是多用户系统的分集效应。因此根据瞬时信道条件动态的自适应的分配资源错误！未找到引用源。就可以充分的利用多用户多载波系统的这一效应，从而大大改善系统性能。

实际系统中的有限资源包括可用的子载波和系统最大传输功率，但是如果考虑子载波和功率的联合最优化分配，计算复杂度太高而难以实现，目前常用的算法都是通过分步进行的，即预先进行子载波的自适应分配，然后再分配功率给不同的用户占用的子载波。

经对现有技术的文献检索发现，子载波分配阶段常用的是贪婪算法，这种算法的典型代表可以参见文献：Z.Shen，J.G.Andrews，and B.L. Evans等在《IEEE Trans.Wireless Commun》，(IEEE无线通信技术杂志)2005年第4期第2726-2737页上发表的“Adaptive Resource Allocation in Multiuser OFDMSystems with Proportional Fairness”，(带有比例性的多用户OFDM系统中的自适应资源管理)，这种贪婪算法的主要办法也就是每次让系统中还最需要提高数据传输速率的用户优先选择系统内剩下的子载波，这里选择的依据主要是把该用户在所有剩下的子载波中某一个衰落最小的子载波分配给该用户，一直到所有的子载波分配完毕。这种贪婪算法虽然也可以比较简单快速地得到较好的性能，但是得到的只是一个局部最优解而非全局最优解，没有完全的发挥OFDM系统的分集效应。

遗传算法特别适合于数值求解带有多参数，多变量和多区域但连通性较差的非确定性全局最优化问题。OFDM系统中把所有可用的子载波按照每个用户的数据传输速率要求分配给所有的用户就是这样一类全局最优化问题。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于遗传算法的正交频分复用系统子载波分配方法。该方法根据系统容量最大化原则，利用遗传算法比较好的全局搜索能力，来解决基于公平性的OFDM系统中子载波的分配方案。本发明收敛速度快，并且容易实现。

本发明是通过以下技术方案实现的，本发明首先根据信道估计得到每个用户在不同的子载波上的信道状态信息，这个子载波信道状态信息矩阵将作为后面利用香农公式计算不同分配方案系统性能的依据。接着，调用遗传算法进行最优化分配子载波，遗传算法首先涉及到的是如何进行编码以利于用计算机进行仿真计算，本发明采用整数编码来解决这一问题。考虑到在通常的无线衰落信道中，每个用户在不同的子载波上的信道衰落情况总可以近似看成连续的，因此本发明采用不同于一般遗传算法的交叉操作，也即采用一种循环移位的技术来提高搜索能力。每次经过遗传变异的种群经过计算适应度函数后，继续根据终止条件判断算法是否应当停止，得到了子载波分配方案。可以采用所有子载波平均分配系统可用的总功率的办法计算最终系统性能。

本发明所述调用遗传算法进行最优化分配子载波，其步骤为：解的编码和解码，初始群体的生成，适应度函数的确定，种群选取，交配策略，变异规则和终止条件：

步骤一：解的编码和解码

常用的编码方式为二进制编码，但是对每个个体进行二进制编码后单个染色体长度过长，使得搜索空间太大，而且后面的交配变异操作失去了实际意义。因此本发明采用整数编码方法，每一个染色体的长度和系统可用的子载波数目相同，代表系统可用的子载波序列，染色体中每一个元素的取值就代表了第几个用户占用了这个子载波，采用整数编码后解的解码也变得十分简单，直观。

步骤二：初始群体的生成

初始群体一般来说应该随机形成，只有随机选取才能具有最大的代表性，避免早熟而陷入局部最优解。本发明的群体规模和系统中的用户数有关，随着用户数的增加，需要增大群体规模，以扩大搜索空间，加快进化速度。另外为了加快收敛速度，本发明依据贪婪式启发算法给出两个比较好的种子，若初始群体规模较大，则加入的两个种子带来的片面性可以忽略。

步骤三：种群选择

本发明采用概率分布，轮盘赌的形式从父代中选择个体进化到下一代，适应度大的个体进化到下一代的概率相应的也大，并且不排除单个个体在下一代中出现重复。另外，为了确保进化的过程中不丢失好的基因，每一代取几个具有最高适应度的个体强行遗传到下一代。

步骤四：交配策略

实际OFDM系统下行链路中，不同的用户占用不同的子载波，因此交配要保证可以交换不同用户占用的子载波序列。本发明采用循环移位交配策略，首先按照交叉概率从当前群体中选择一定数目的个体两两配对作为父本进行交配，然后从每个父代个体中随机选择固定数目的几个位置，对于所有选择出来的配对位，循环移动一位后把两个父本中相应的位置互相替换，这样产生子代的两个个体进入下一代种群。

步骤五，变异规则

变异可以生成新的基因，具体在上述最优化模型中就是可以允许新的用户占用子载波。本发明的变异规则按照如下步骤进行：首先对父代中的每一个个体的每一个基因，按照变异概率判断是否需要变异，如果有必要，则让这个基因随机变异为一个新的基因，也即让一个新的用户占用子载波，本发明允许原来的用户继续占用此子载波，也即变异失败。

步骤六，终止条件

本发明终止条件为遗传算法已经完成的搜索代数达到了预先设定值。

与现有技术相比，本发明充分利用了遗传算法寻求全局最优解的特点，相比于以往的方法通过近似只能求得局部最优解，本发明提高了系统性能，同时本发明采用独特的遗传算法进一步提高了遗传进化速度，减少了计算时间，通过下面的实例计算机设置参数仿真表明，本发明相比于以往的贪婪算法来分配子载波，使得系统在数据传输速率方面有所提高。具体看来，整个系统的数据传输速率能够提高多少，将取决于系统总的可用带宽，以及系统总的用户数目，例如对于八个用户的系统本发明使得系统总的传输速率提高了约3％，随着用户数目的增大，系统性能的提高将会更多。而且每个用户都能够很好的满足预先要求的数据传输速率比例性要求。经过改进的遗传算法也加快了收敛速度，在八个用户的系统中，普通的遗传算法需要200代以上才可以达到比较良好的效果，而本发明的算法只需要大概重复100代就可以得到比较好的结果，明显加快了搜索速度。

附图说明

图1本发明应用的OFDM系统完整结构示意图

图2本发明方法流程示意图

图3采用本发明方法和以往算法相比性能仿真曲线示意图

图4采用本发明方法和以往算法相比不同用户比例性柱状图

图5采用本发明中的遗传算法进化速度曲线示意图(两个用户)

图6采用本发明中的遗传算法进化速度曲线示意图(八个用户)

具体实施方式

下面结合附图对本发明的实施例作详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

本发明方法实施的OFDM系统完整结构图如图1所示，由发射端，信道，接收端三部分组成。具体来说，模块1至模块4代表OFDM基带信号的调制，具体包括首先根据本发明得到每个用户占用的子载波序列，把每个用户待传送的数据平均分配到各自的子载波上去，然后经过OFDM系统的基带调制，也即将符号做逆傅立叶变换，再在时域上把不同的信号叠加，然后添加循环前缀后得到一个完整的OFDM符号待传送。模块11至模块14是与之对应的OFDM基带信号的解调，模块6至模块9是模拟发射与信道环节，模块15是OFDM的同步模块，模块16是OFDM的信道估计模块。本发明需要利用的信道信息就是通过模块16信道估计模块得到的，在得到了信道状态信息之后，才可以使用本发明中的算法来具体的按照不同用户的在不同信道的衰落情况分配子载波，以达到系统性能的最优化。下面具体阐述如何利用信道状态信息结合本发明中的遗传算法来最优化的分配子载波给每一个用户。

如图2所示，本发明实施例的实施流程：

首先，通过信道估计得到了多用户信道条件矩阵，这个信息就是用来确定不同用户被分配到不同子载波的依据。OFDM系统可用的资源主要是子载波和功率，本发明采用遗传算法根据不同用户在不同子信道上的衰落条件得到了一个最优的子载波分配方案。

接着，调用遗传算来求解得到最优化的子载波分配方案。该遗传算法的具体步骤如下：

首先随机产生一个初始化的群体，该群体可以部分结合用户的比例特性要求分配子载波数目，对于该群体中的每一个个体，也就是一个初始的子载波分配方案，根据香农公式都可以到得该分配方案下的系统最大允许传输速率，这个就可以作为这个个体在该种群中的适应度大小。如果这个个体的适应度比较大，那么也就是说该个体可以生存进入下一代的概率也就比较大。

在得到了初始的群体之后，首先依据适应度的大小，选择一部分适应度大的个体直接进入下一代，然后，再选出部分个体进行两两配对交叉，交叉的方法采用循环移位法，也即在这一对个体中，随机的选择交叉位，然后循环移动一位后再相互替换对应的父本中的基因，以此来得到子代的个体进入下一代。交叉完成后，再对得到的种群进行变异，也就是在当前得到的子代里选出部分个体，随机的选择其中的部分基因让其产生变异，基因变异的结果使得其余的用户可以占用当前的子载波，从而加快搜索速度。变异概率大小的选择取决于系统的规模，子载波数目越多，系统总的用户数目越多，则相应的变异概率就可以取得大一些。经过上述的交叉，变异之后得到了下一个子代，再根据香农公式计算得到每个个体的适应度。记录当前种群中适应度最大的个体，此个体就是目前已经搜索到的最好的子载波分配方案。

检查终止的条件是否已经满足，当遗传算法搜索次数达到了预先设定的代数时候，搜索即告结束，系统把搜索结果以文字的形式返回给用户。否则，继续返回配对交叉一直到满足终止条件。

和以往的近似算法相比，本发明由于求解得到的是全局最优解，系统性能大大提高，并且本发明对传统算法做了改进，采用了新型的遗传编码和遗传交叉方法，也大大提高了系统收敛速度。

实施例：

本实施例基于传统的瑞利散射信道模型，信道建模为包含六个相互独立分布的多径频率选择性瑞利信道，幅度按照指数衰减。最大的时延扩展为5μs，最大多普勒频移为30Hz，系统可用的总功率假设为1W，总的可用带宽为1MHz，总的子载波数为64，平均信道SNR为38dB。对于系统不同的用户数，仿真了20个不同的信道实现方式，每个信道实现方式抽样50次。对于不同的用户预先随机设定一个速率比例限制条件。

遗传算法的参数如表1所示。

参数	W	P	G	Pc	Pm	t
							取值	100-300	W/10	30	0.55	0.10	10

对于上述的参数设置，实验仿真了多用户OFDM系统采用本发明自适应分配资源后的系统容量和比例性条件。图3和图4显示了本实施例的仿真结果，图3表明本发明相比于现有的方法系统性能有了较大提高，八个用户的系统，通过使用本发明，系统性能相比于以往的贪婪算法，性能大概提高了0.12bit/s/Hz，对于一个10MHz的OFDM系统，性能大概可以提高120000bit/s数据传输速率。图4表明本发明同时可以较好的满足多用户系统不同传输速率比例性要求，在此实例中，预先假设八个用户希望得到的数据传输速率比例是：γ₁  ∶γ₂  …：γ₈＝1∶4∶4∶2∶2∶4∶2∶1，对于此预先设定的比例性要求，通过本发明的遗传算法得到最优化分配方案中，八个用户的比例性为：λ₁∶λ₂…∶λ₈＝0.0493∶0.1997∶0.2005∶0.0994∶0.1007∶0.1996∶0.0997∶0.0511，误差率为 $\underset{i=1}{\overset{8}{\mathrm{\Σ}}}\left(\right|{\mathrm{\λ}}_i-{\mathrm{\γ}}_i|{)}^2/\underset{i=1}{\overset{8}{\mathrm{\Σ}}}{\mathrm{\γ}}_i=3.14\×{10}^{-6}.$ 此外，图5和图6分别显示了在两个用户和八个用户的系统中，采用本发明中的遗传算法相比于传统的遗传算法，在收敛速度方面的提高，两个用户的时候，由于用户数目较少，本发明中采用的遗传算法的优势还没有完全的体现出来，但是随着用户数目的增加，系统的分集效应加剧，在八个用户的系统中，本发明的遗传算法已经比传统的遗传算法在收敛速度上大概提高了一倍左右。

Claims (4)

1.一种基于遗传算法的正交频分复用系统子载波分配方法，其特征在于，首先根据信道估计得到每个用户在不同的子载波上的信道状态信息，接着，调用遗传算法进行最优化分配子载波，其中遗传算法采用整数编码，并采用循环移位交叉的技术来提高搜索能力，每次经过遗传变异的种群经过计算适应度函数后，继续根据终止条件判断算法是否应当停止，得到了子载波分配方案。

2.根据权利要求1所述的基于遗传算法的正交频分复用系统子载波分配方法，其特征是，所述调用遗传算法进行最优化分配子载波，包括以下步骤：

步骤一：解的编码和解码

采用整数编码方法，每一个染色体的长度和系统可用的子载波数目相同，代表系统可用的子载波序列，染色体中每一个元素的取值就代表了第几个用户占用了这个子载波；

步骤二：初始群体的生成

初始群体随机形成，群体规模和系统中的用户数有关，随着用户数的增加，增大群体规模；

步骤三：种群选择

采用概率分布，轮盘赌的形式从父代中选择个体进化到下一代，适应度大的个体进化到下一代的概率相应的也大，且不排除单个个体在下一代中出现重复；

步骤四：交配策略

采用循环移位交配策略，首先按照交叉概率从当前群体中选择个体两两配对作为父本进行交配，然后从每个父代个体中随机选择固定数目的几个位置，对于所有选择出来的配对位，循环移位一位后把两个父本中相应的位置互相替换，这样产生子代的两个个体进入下一代种群；

步骤五，变异规则

首先对父代中的每一个个体逐个基因按照变异概率判断是否需要变异，如果有必要，则让这个基因随机变异为一个新的基因，也即让一个新的用户占用子载波，允许原来的用户继续占用此子载波，也即变异失败；

步骤六，终止条件

终止条件为遗传算法的搜索次数达到了预先设定值。

3.根据权利要求2所述的基于遗传算法的正交频分复用系统子载波分配方法，其特征是，所述步骤二中，依据贪婪式启发算法给出两个比较好的种子，以加快收敛速度。

4.根据权利要求1所述的基于遗传算法的正交频分复用系统子载波分配方法，其特征是，所述步骤三中，每一代取几个具有最高适应度的个体强行遗传到下一代。

Images