CN101489298A - 适用于移动组播系统的离散速率跨层功率分配方法 - Google Patents

Abstract

一种适用于移动组播系统的离散速率跨层功率分配方法涉及一种适用于单小区移动组播系统多业务之间的跨层功率分配方法。在移动组播系统中，需要为每种业务分配适当的功率以完成点到多点的业务传输，该方法在假定基站只能使用有限个离散传输速率的情况下首先获得数据链路层的队列状态信息和物理层的信道状态信息，然后应用改进遗传算法优化系统的吞吐量系数和系统的公平性系数，从而进行跨层功率分配。离散传输速率的假设更符合实际系统，组播系统采用本发明所提的跨层功率分配方法，可以有效提高系统队列时延性能、系统吞吐量性能和系统公平性性能。

Description

适用于移动组播系统的离散速率跨层功率分配方法

技术领域

本发明涉及一种适用于移动组播系统的自适应跨层功率分配方法，属于移动通信中的无线资源管理领域。

技术背景

近年来，无线多媒体业务的迅速发展对通信系统传输的可靠性和有效性要求大大提高，正交频分多址(OFDM)因具有频谱利用率高和抗多径衰落等诸多优点被公认为第三代移动通信系统(3G)长期演进(LTE)标准以及第四代移动通信系统(4G)的核心技术。在OFDM系统中，为了提高无线资源的利用率，同一个小区中有相同业务要求的移动用户可以使用同一个子信道接收基站传输的下行业务，这就形成组播(Multicast)，这在多媒体广播组播(MBMS)，无线传感器网络(WSN)等系统中有广泛的应用前景。

功率分配和功率控制是现代移动通信系统中必不可少的资源管理技术之一，直接影响到移动通信系统的总体性能。目前，功率分配技术的研究大都是基于集中式(CPC)和分布式(DPC)进行的。参考文献“Grandhi S，Vijavan R，Goodman D，et al.Centralizedpower control in cellular radio systems[J].IEEE Trans Vehicular Techmology，1993，42(4)：466～468.”在接收噪声功率为零的假设下基于干扰最小化给出最优功率分配方案。参考文献“Saraydar C U，Mandayam N B，Goodman D J.Efficient power control via pricingin wireless data networks[J].IEEE Trans Communication，2002，50(2)：291～303.”，“Xiao M，Shroff N B，Edwin K P.A utility-based power-control scheme inwireless cellular systems[J].IEEE/ACM Trans Networking，2003，11(2)：210～221.”和“Koskie S，Gajic Z.A Na sh gamealgorithm for SIR-based power control in 3G wireless CDMA networks[J].IEEE/ACM TransNetworking，2005，13(5)：1017～1026.”借用经济学中优化效用函数的方法在不同的用户之间实现分布式功率分配，大大提高了系统的性能。以上的研究都是针对单播(Unicast)传输系统的，针对组播系统的功率分配问题，相关的研究较少。文献“Kim J Y，Kwon T，Cho D H.OFDM resource allocation scheme for minimizing power consumption in multicastsystems[C]//IEEE 64th Vehicular Technology Conference.Québec，Canada，2006：1～5.”研究OFDM组播系统中的资源分配，其目标是总功率消耗最少，资源分配采用功率最省的方案；提出一种次优算法，这种算法以略微损失系统吞吐量系性能换取计算复杂度的大幅度降低。文献“Du Q，Zhang X.Adaptive power and rate allocation for mobile multicastthroughput optimization over fading channels in wireless networks[C]//ComputerCommunications And Networks15th International Conference.Washington，USA，2006：261～266.”在组播系统中采用特殊的叠合编码和重传机制提高系统吞吐量。

遗传算法(GA)是一种利用自然选择和进化思想在高维空间中强有力的随机搜索和优化算法，具有简单、快速、顽健性好等特点。它采用有指导的非遍历随机搜索机制，可以快速收敛到全局近似最优解，其在通信系统中的子载波分配、比特加载等资源分配中有重要的应用。

发明内容

技术问题：针对移动组播系统中的自适应传输问题，本发明提出一种基于改进遗传算法的适用于移动组播系统的离散速率跨层功率分配方法，该方法是在系统只能支持有限个离散传输速率的假设下进行跨层功率分配的，更适合于实际系统。

技术方案：本发明提出一种适用于移动组播系统的离散速率跨层功率分配方法，该方法的具体实现步骤为：

第一步：基站读取数据链路层中每种业务的队列状态信息，并获得每种业务相应组播组的用户反馈的信道状态信息；

第二步：系统根据各组播业务的队列状态信息和信道状态信息利用改进遗传算法进行跨层功率分配。

上述的适用于移动组播系统的离散速率跨层功率分配方法，第一步中的每种业务的队列状态信息是指第t个调度周期业务S₁，S₂，…，S_N在基站的缓存量u₁(t)，u₂(t)，…，u_N(t)，每种业务相应的组播组信道状态信息是指订阅业务S₁，S₂，…，S_N的组播组中所有用户反馈的信道衰落系数 $h_1^1\left(t\right),\·\·\·,h_1^{K_1}\left(t\right),\·\·\·,h_i^1\left(t\right),\·\·\·,h_i^j\left(t\right),\·\·\·,h_i^{K_j}\left(t\right),\·\·\·,h_N^1\left(t\right),\·\·\·,h_N^{K_N}\left(t\right),$ 其中，N表示系统支持的业务种数，K₁，K₂，…，K_N分别表示订阅业务S₁，S₂，…，S_N的各组播组的用户数。

1.上述的适用于移动组播系统的离散速率跨层功率分配方法，其实现步骤的第二步的主要步骤为：

①系统根据业务S₁，S₂，…，S_N的队列状态信息及对应的组播组的用户反馈的信道状态信息建立功率跨层分配的优化模型

$\underset{P}{\max }f\left(P\right)$

$s.t.\left\{\begin{array}{c}{P}_i\≥0\\ \underset{j=1}{\overset{N}{\mathrm{\Σ}}}{P}_j\≤P_{\mathrm{total}}\\ i\∈\{\mathrm{1,2},\·\·\·,N\}\end{array}\right.$

$P\stackrel{\mathrm{\&Delta;}}{=}(P_1,P_2,\&CenterDot;\&CenterDot;\&CenterDot;,P_N)$ 表示功率分配矢量，P₁，P₂，…，P_N分别为业务S₁，S₂，…，S_N的发送功率，P_total表示基站总的发送功率，f(P)＝κ₁ξ+κ₂ζ表示目标函数，κ₁和κ₂分别为ξ和ζ的权重，0≤κ₁，κ₂≤1且κ₁+κ₂＝1，ζ表示系统公平性系数，定义为系统在某个调度周期达到所订阅业务最低信噪比要求的用户占系统所有用户的比例，即 $\mathrm{\&zeta;}=\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{T}_i/\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{K}_i,$ T_i表示订阅业务S_i的移动用户中满足业务S_i的最低信噪比要求Γ_i的用户个数，ξ表示系统吞吐量系数，定义为系统在某个调度达到所订阅业务最低信噪比要求的用户所获得的吞吐量之和与所有用户所能获得的最大吞吐量之和的比值，即 $\mathrm{\&xi;}=\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{T}_i{R}_i/\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{K}_i{\stackrel{\&OverBar;}{R}}_i,$ R_i表示业务S_i在第某个调度周期的下行传输速率，其值取决于在这个调度周期业务S_i所分配到功率，设在每个调度周期内，N种业务S₁，S₂，…，S_N只能以M种可供使用的速率下传，这M种速率分别为R⁽¹⁾，R⁽²⁾，…，R^(M)，它们满足下列不等式 $0\stackrel{\mathrm{\&Delta;}}{=}{R}^{\left(0\right)}<R^{\left(1\right)}<R^{\left(2\right)}<\&CenterDot;\&CenterDot;\&CenterDot;<R^{\left(M\right)}<\&infin;,$ 与这M种速率对应的基站发送功率的最低门限设为P⁽⁰⁾，P⁽¹⁾，…，P^(M+1)，且满足 $0\stackrel{\mathrm{\&Delta;}}{=}{P}^{\left(0\right)}<P^{\left(1\right)}<\&CenterDot;\&CenterDot;\&CenterDot;<R^{\left(M\right)}<P^{(M+1)}\stackrel{\mathrm{\&Delta;}}{=}{P}_{\max },$ 业务S_i在第t个调度周期的下行传输速率R_i(t)和其功率P_i(t)之间的函数关系可以表示为 $R_i\left(n\right)=\underset{m=0}{\overset{M}{\mathrm{\&Sigma;}}}{R}^{\left(m\right)}(U(P_i\left(n\right)-P^{\left(m\right)})-U(P_i\left(n\right)-P^{(m+1)})),$ 其中 $U\left(x\right)=\left\{\begin{array}{cc}1,& x\&GreaterEqual;0\\ 0,& x<0\end{array}\right.,$ R_i＝u_i(t)/T表示业务S_i在第t个调度周期的最大吞吐量，T为一个调度周期持续的时间，为0.5ms，

②对①中优化模型的功率分配矢量进行实数编码，取染色体的结构为

{P₁，P₂，…，P_N}；

③产生初始群体，在①中优化模型的可行域 $\mathrm{\&Omega;}=\left\{P\right|P_i\&GreaterEqual;0,\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{P}_i\&le;P_{\mathrm{total}}\}$ 的每一维上以P_total/30为间隔画网格，在每个网格与可行域相交的部分内随机地选取一点作为初始群体的个体，显然，初始群体的规模Ps取值为与可行域相交的网格的个数；

④评价群体中个体的优劣，适应度函数取为f(O)＝κ₁ξ+κ₂ζ，即群体中个体O＝{P₁，P₂，…，P_N}的适应度值为f(O)；

⑤进行选择，以个体适应度的大小确定该个体被遗传到下一代群体中的概率，个体O₁被选择遗传到下一代的概率 $p_l=f\left(O_l\right)/{\mathrm{\&Sigma;}}_{l\&prime;=1}^{\mathrm{Ps}}f\left(O_{l\&prime;}\right),$ 采用赌轮法从父代群体中选择Ps个个体组成新的群体，将目前找到的适应度值最大的个体不参与以下遗传操作，直接替换下一代中适应度值最小的个体；

⑥进行遗传操作，包括交叉和变异，改进遗传算法交叉操作的具体方法为：从父代群体中随机选择两个个体，记适应度值大的个体为O₁，再从父代群体中随机选择两个个体，记适应度值大的个体为O₂，对选出的两个父代个体O₁和O₂以交叉概率p_c＝0.6进行交叉，交叉后的两个子代个体为 $\left\{\begin{array}{c}{O}_1^{\&prime;}=\mathrm{\&alpha;}{O}_1+(1-\mathrm{\&alpha;})O_2\\ O_2^{\&prime;}=(1-\mathrm{\&alpha;})O_1+\mathrm{\&alpha;}{O}_2\end{array}\right.,$ 其中，α为区间[0，1]上的随机数；变异操作同时对个体O＝(P₁，P₂，…，P_N)两个基因座上的基因以变异概率p_m＝0.1进行变异，具体操作方法为：随机地选择两个基因座i，j，1≤i，j≤N，i≠j，设Δ为[O，P_i]上的随机数，个体O变异后的新个体为 $O\&prime;=(P_1,\&CenterDot;\&CenterDot;\&CenterDot;,P_i^{\&prime;},\&CenterDot;\&CenterDot;\&CenterDot;,P_j^{\&prime;},\&CenterDot;\&CenterDot;\&CenterDot;P_N),$ 其中 $\left\{\begin{array}{c}{P}_i^{\&prime;}=P_i-\mathrm{\&Delta;}\\ P_j^{\&prime;}=P_j+\mathrm{\&Delta;}\end{array}\right.;$

⑦评价新一代群体中个体的优劣，方法同④；当算法所找到的适应度值最大的解不再变化，或遗传次数超过30，终止算法，否则，返回⑤。

有益效果：与现有技术方案相比，本发明提出的功率分配方法是在系统只能支持有限个离散传输速率的假设下同时考虑数据链路层的队列状态信息和物理层的信道状态信息利用改进遗传算法进行跨层优化；为了在实时性的条件下有效地找到近优解，改进遗传算法在选择、交叉和变异等方面都对遗传算法进行了改进；离散传输速率的假设更符合实际系统；系统采用本发明所提的跨层功率分配方法，可以有效提高系统队列时延性能、系统吞吐量性能和系统公平性性能；当然，本发明所提的跨层功率分配方法对于单播系统也是适用的。

附图说明

图1为多业务组播系统结构示意图。

图2为业务发送功率与传输速率的关系图。

图3为本发明所提跨层功率分配方法的流程图。

具体实施方式

本发明提出一种适用于移动组播系统的离散速率跨层功率分配方法，该方法的具体实现步骤为：

第一步：基站读取数据链路层中每种业务的队列状态信息，并获得每种业务相应组播组的用户反馈的信道状态信息；

第二步：系统根据各组播业务的队列状态信息和信道状态信息利用改进遗传算法进行跨层功率分配。

上述的适用于移动组播系统的离散速率跨层功率分配方法，第一步中的每种业务的队列状态信息是指第t个调度周期业务S₁，S₂，…，S_N在基站的缓存量u₁(t)，u₂(t)，…，u_N(t)，每种业务相应的组播组信道状态信息是指订阅业务S₁，S₂，…，S_N的组播组中所有用户反馈的信道衰落系数 $h_1^1\left(t\right),\&CenterDot;\&CenterDot;\&CenterDot;,h_1^{K_1}\left(t\right),\&CenterDot;\&CenterDot;\&CenterDot;,h_i^1\left(t\right),\&CenterDot;\&CenterDot;\&CenterDot;,h_i^j\left(t\right),\&CenterDot;\&CenterDot;\&CenterDot;,h_i^{K_j}\left(t\right),\&CenterDot;\&CenterDot;\&CenterDot;,h_N^1\left(t\right),\&CenterDot;\&CenterDot;\&CenterDot;,h_N^{K_N}\left(t\right),$ 其中，N表示系统支持的业务种数，K₁，K₂，…，K_N分别表示订阅业务S₁，S₂，…，S_N的各组播组的用户数。

2.上述的适用于移动组播系统的离散速率跨层功率分配方法，其实现步骤的第二步的主要步骤为：

①系统根据业务S₁，S₂，…，S_N的队列状态信息及对应的组播组的用户反馈的信道状态信息建立功率跨层分配的优化模型

$\underset{P}{\max }f\left(P\right)$

$s.t.\left\{\begin{array}{c}{P}_i\&GreaterEqual;0\\ \underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}{P}_j\&le;P_{\mathrm{total}}\\ i\&Element;\{\mathrm{1,2},\&CenterDot;\&CenterDot;\&CenterDot;,N\}\end{array}\right.$

$P\stackrel{\mathrm{\&Delta;}}{=}(P_1,P_2,\&CenterDot;\&CenterDot;\&CenterDot;,P_N)$ 表示功率分配矢量，P₁，P₂，…，P_N分别为业务S₁，S₂，…，S_N的发送功率，P_total表示基站总的发送功率，f(P)＝κ₁ξ+κ₂ζ表示目标函数，κ₁和κ₂分别为ξ和ζ的权重，0≤κ₁，κ₂≤1且κ₁+κ₂＝1，ζ表示系统公平性系数，定义为系统在某个调度周期达到所订阅业务最低信噪比要求的用户占系统所有用户的比例，即 $\mathrm{\&zeta;}=\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{T}_i/\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{K}_i,$ T_i表示订阅业务S_i的移动用户中满足业务S_i的最低信噪比要求Γ_i的用户个数，ξ表示系统吞吐量系数，定义为系统在某个调度达到所订阅业务最低信噪比要求的用户所获得的吞吐量之和与所有用户所能获得的最大吞吐量之和的比值，即 $\mathrm{\&xi;}=\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{T}_i{R}_i/\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{K}_i{\stackrel{\&OverBar;}{R}}_i,$ R_i表示业务S_i在第某个调度周期的下行传输速率，其值取决于在这个调度周期业务S_i所分配到功率，设在每个调度周期内，N种业务S₁，S₂，…，S_N只能以M种可供使用的速率下传，这M种速率分别为R⁽¹⁾，R⁽²⁾，…，R^(M)，它们满足下列不等式 $0\stackrel{\mathrm{\&Delta;}}{=}{R}^{\left(0\right)}<R^{\left(1\right)}<R^{\left(2\right)}<\&CenterDot;\&CenterDot;\&CenterDot;<R^{\left(M\right)}<\&infin;,$ 与这M种速率对应的基站发送功率的最低门限设为P⁽⁰⁾，P⁽¹⁾，…，P^(M+1)，且满足 $0\stackrel{\mathrm{\&Delta;}}{=}{P}^{\left(0\right)}<P^{\left(1\right)}<\&CenterDot;\&CenterDot;\&CenterDot;<R^{\left(M\right)}<P^{(M+1)}\stackrel{\mathrm{\&Delta;}}{=}{P}_{\max },$ 业务S_i在第t个调度周期的下行传输速率R_i(t)和其功率P_i(t)之间的函数关系可以表示为 $R_i\left(n\right)=\underset{m=0}{\overset{M}{\mathrm{\&Sigma;}}}{R}^{\left(m\right)}(U(P_i\left(n\right)-P^{\left(m\right)})-U(P_i\left(n\right)-P^{(m+1)})),$ 其中 $U\left(x\right)=\left\{\begin{array}{cc}1,& x\&GreaterEqual;0\\ 0,& x<0\end{array}\right.,$ R_i＝u_i(t)/T表示业务S_i在第t个调度周期的最大吞吐量，T为一个调度周期持续的时间，为0.5ms，

②对①中优化模型的功率分配矢量进行实数编码，取染色体的结构为{P₁，P₂，…，P_N}；

③产生初始群体，在①中优化模型的可行域 $\mathrm{\&Omega;}=\left\{P\right|P_i\&GreaterEqual;0,\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{P}_i\&le;P_{\mathrm{total}}\}$ 的每一维上以P_total/30为间隔画网格，在每个网格与可行域相交的部分内随机地选取一点作为初始群体的个体，显然，初始群体的规模Ps取值为与可行域相交的网格的个数；

④评价群体中个体的优劣，适应度函数取为f(O)＝κ₁ξ+κ₂ζ，即群体中个体O＝{P₁，P₂，…，P_N}的适应度值为f(O)；

⑤进行选择，以个体适应度的大小确定该个体被遗传到下一代群体中的概率，个体O₁被选择遗传到下一代的概率 $p_l=f\left(O_l\right)/{\mathrm{\&Sigma;}}_{l\&prime;=1}^{\mathrm{Ps}}f\left(O_{l\&prime;}\right),$ 采用赌轮法从父代群体中选择Ps个个体组成新的群体，将目前找到的适应度值最大的个体不参与以下遗传操作，直接替换下一代中适应度值最小的个体；

⑥进行遗传操作，包括交叉和变异，改进遗传算法交叉操作的具体方法为：从父代群体中随机选择两个个体，记适应度值大的个体为O₁，再从父代群体中随机选择两个个体，记适应度值大的个体为O₂，对选出的两个父代个体O₁和O₂以交叉概率p_c＝0.6进行交叉，交叉后的两个子代个体为 $\left\{\begin{array}{c}{O}_1^{\&prime;}=\mathrm{\&alpha;}{O}_1+(1-\mathrm{\&alpha;})O_2\\ O_2^{\&prime;}=(1-\mathrm{\&alpha;})O_1+\mathrm{\&alpha;}{O}_2\end{array}\right.,$ 其中，α为区间[0，1]上的随机数；变异操作同时对个体O＝(P₁，P₂，…，P_N)两个基因座上的基因以变异概率p_m＝0.1进行变异，具体操作方法为：随机地选择两个基因座i，j，1≤i，j≤N，i≠j，设Δ为[O，P_i]上的随机数，个体O变异后的新个体为 $O\&prime;=(P_1,\&CenterDot;\&CenterDot;\&CenterDot;,P_i^{\&prime;},\&CenterDot;\&CenterDot;\&CenterDot;,P_j^{\&prime;},\&CenterDot;\&CenterDot;\&CenterDot;P_N),$ 其中 $\left\{\begin{array}{c}{P}_i^{\&prime;}=P_i-\mathrm{\&Delta;}\\ P_j^{\&prime;}=P_j+\mathrm{\&Delta;}\end{array}\right.;$

⑦评价新一代群体中个体的优劣，方法同④；当算法所找到的适应度值最大的解不再变化，或遗传次数超过30，终止算法，否则，返回⑤。

下文结合附图详细说明本发明所提的跨层功率分配方法。研究一个支持下行组播业务传输的单小区蜂窝移动通信系统，如图1所示，基站支持多种下行组播业务，设每种业务的数据包到达基站后，被存储在基站的相应缓冲队列中，并且按照先入先出(FIFO)的规则，以组播的方式下传给订阅该业务的所有移动用户。基站以OFDM的方式将下行传输的频带划分成若干个相互正交的子信道，每种业务占用一个子信道，不同的业务使用不同的子信道，假设每种业务下传时所使用的子信道具有相互独立的衰落特性。此外，每个移动用户不能同时订阅两种或两种以上的业务。移动用户能够通过信道估计算法测量信道的参数，并能通过反馈信道将所测量的信道状态信息(CSI)反馈给基站。

这样，基站就可以根据数据链路层的队列状态信息(QSI)和物理层的CSI自适应地调整不同业务的传输功率，并进行相应的自适应调制编码(AMC)，从而优化系统整体性能。

假设基站支持N种组播业务的下传，N≥1，例如N＝2、N＝5，将这N种组播业务分别记为S₁，S₂，…，S_N，每种业务在第t个传输时间间隔(TTI)内在基站中的缓存量为u₁(t)，u₂(t)，…，u_N(t)比特，订阅业务S_i的移动用户有K_i个，

表示订阅业务S_i的第j个移动用户。设在一个TTI内系统的个移动用户的信道衰落系数保持恒定，

表示在第t个TTI内

的信道衰落系数，P_i(t)表示基站在第t个TTI分配给业务S_i的传输功率，σ²表示各移动用户接收机的加性Gauss白噪声功率，则移动用户

的接收信噪比(SNR)为

${\mathrm{\&gamma;}}_i^j\left(t\right)=\frac{P_i\left(t\right){\left|h_i^j\left(t\right)\right|}^2}{{\mathrm{\&sigma;}}^2}---\left(1\right)$

假设在每个TTI内，这N种业务只能以M种可供使用的速率下传，这M种速率分别为R⁽¹⁾，R⁽²⁾，…，R^(M)，它们满足下列不等式

$0\stackrel{\mathrm{\&Delta;}}{=}{R}^{\left(0\right)}<R^{\left(1\right)}<R^{\left(2\right)}<\&CenterDot;\&CenterDot;\&CenterDot;<R^{\left(M\right)}<\&infin;---\left(2\right)$

与这M种速率对应的基站发送功率的最低门限设为P⁽⁰⁾，P⁽¹⁾，…，P^(M+1)，且满足

$0\stackrel{\mathrm{\&Delta;}}{=}{P}^{\left(0\right)}<P^{\left(1\right)}<\&CenterDot;\&CenterDot;\&CenterDot;<R^{\left(M\right)}<P^{(M+1)}\stackrel{\mathrm{\&Delta;}}{=}{P}_{\max }---\left(3\right)$

设业务S_i在第t个TTI所分配到的发送功率为P_i(t)，若P_i(t)∈[P^(m)，P^(m+1))，则此时只能选择R^(m)作为下行传输速率，如图2所示，故业务S_i的下行传输速率R_i(t)和其功率P_i(t)之间的函数关系可以表示为

$R_i\left(t\right)=\underset{m=0}{\overset{M}{\mathrm{\&Sigma;}}}{R}^{\left(m\right)}(U(P_i\left(t\right)-P^{\left(m\right)})-U(P_i\left(t\right)-P^{(m+1)}))---\left(4\right)$

其中U(x)为Heaviside单位阶跃函数

$U\left(x\right)=\left\{\begin{array}{cc}1,& x\&GreaterEqual;0\\ 0,& x<0\end{array}\right.---\left(5\right)$

业务S_i在第t个TTI内传输的业务量为

s_i(t)＝TR_i(t)                      (6)

T表示一个TTI持续的时间，为0.5ms。

由于在第t个TTI业务S_i的缓存量为u_i(t)，因此业务S_i在第t个TTI内的最大吞吐量为

${\stackrel{\&OverBar;}{R}}_i\left(t\right)=\frac{u_i\left(t\right)}{T}---\left(7\right)$

显然所有业务的功率总和具有上限，即

$\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{P}_i\left(t\right)\&le;P_{\mathrm{total}}---\left(8\right)$

每种业务都有其最低SNR要求，设业务S_i的最低SNR要求为Γ_i，设在第t个TTI内订阅业务S_i的K_i个移动用户中有T_i个用户满足业务S_i的最低SNR要求，定义系统的公平性系数为

$\mathrm{\&zeta;}\stackrel{\mathrm{\&Delta;}}{=}\frac{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{T}_i}{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{K}_i}---\left(9\right)$

定义系统的吞吐量系数为

$\mathrm{\&xi;}\stackrel{\mathrm{\&Delta;}}{=}\frac{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{T}_i{R}_i}{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{K}_i{\stackrel{\&OverBar;}{R}}_i}---\left(10\right)$

显然，此处的功率分配是一个多目标优化问题，第一个目标是最大化系统吞吐量系数ξ，第二个目标是最大化系统公平性系数ζ，但同时达到这两个目标的功率分配矢量 $P\stackrel{\mathrm{\&Delta;}}{=}(P_1,P_2,\&CenterDot;\&CenterDot;\&CenterDot;,P_N)$ 在很多场合不存在，因此本发明采用加权求和的方法折中这两个目标，也即用f(P)＝κ₁ξ+κ₂ζ作为目标函数，其中κ₁和κ₂分别为ξ和ζ的权重，0≤κ₁，κ₂≤1且κ₁+κ₂＝1。具体来说，跨层功率分配问题的离散速率集优化模型为

$\underset{P}{\max }f\left(P\right)$

$s.t.\left\{\begin{array}{c}{P}_i\&GreaterEqual;0\\ \underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}{P}_j\&le;P_{\mathrm{total}}\\ i\&Element;\{\mathrm{1,2},\&CenterDot;\&CenterDot;\&CenterDot;,N\}\end{array}\right.---\left(11\right)$

为方便起见，式(9)-(11)省去了TTI下标n。式(11)是一个复杂的组合优化问题，目前没有有效的方法获得该问题的最优解，提出一种简单快速的全局搜索方案有很大的应用价值，下文拟用改进遗传算法优化式(11)，整个功率跨层优化的流程如图3所示。

遗传算法来源于生物遗传学和适者生存的自然规律，它的基本思想是从一个初始群体也即一组候选解开始迭代，在每次迭代的过程中都按候选解的优劣进行排序，保留其中优秀的部分，通过一些遗传操作如杂交、变异等运算产生新一代候选解，重复这个过程，直到满足某个收敛条件为止。遗传算法的主要步骤如下：①进行基因编码；②产生初始群体；③评价群体的优劣；④对群体进行选择；⑤进行遗传操作，包括杂交和变异；⑥评价新一代群体的优劣；⑦如果满足收敛条件，结束算法；如果不满足，返回④。下面给出求解式(11)的改进遗传算法的几个关键步骤。

确定编码方式是设计遗传算法的首要任务，不仅影响交叉算子、变异算子的运算方法，而且与遗传算法的收敛性能有密切关系。二进制编码方法编码解码过程简单，对交叉、变异操作易于实现，但受染色体长度的限制，计算精度不高。实数编码是对连续参数优化问题的自然描述，不存在编码和解码的过程，能大大提高解的精度和算法的收敛速度。本算法采用实数编码，染色体的结构为{P₁，P₂，…，P_N}，染色体的基因满足式(11)的约束条件。

一般地，初始群体的个体产生是随机进行的，但考虑到功率控制问题的实时性要求，初始群体最好能分布在最优个体附近，这样，经过有限次迭代，群体向最优解逼近；另一方面，为了防止算法陷入局部最优解，改进遗传算法在式(11)的可行域 $\mathrm{\&Omega;}=\left\{P\right|P_i\&GreaterEqual;0,\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{P}_i\&le;P_{\mathrm{total}}\}$ 的每一维上以P_total/30为间隔画网格，在每个网格与可行域相交的部分内随机地选取一点作为初始群体的一个个体，初始群体的规模Ps取值为与可行域相交的网格的个数；

在遗传算法中，以个体适应度的大小确定该个体被遗传到下一代群体中的概率。在该算法中，适应度函数就取为式(11)的目标函数，个体O₁被选择遗传到下一代的概率 $p_l=f\left(O_l\right)/{\mathrm{\&Sigma;}}_{l\&prime;=1}^{\mathrm{Ps}}f\left(O_{l\&prime;}\right),$ 采用赌轮法从父代群体中选择Ps个个体组成新的群体。为了保证算法以概率1收敛到最优解，改进算法在个体选择时采取保护措施，即将目前找到的适应度值最大的个体不参与任何遗传操作，直接替换下一代中适应度值最小的个体。

交叉和变异是最主要的遗传操作。为了提高子代个体的质量，借助优生学原理，改进遗传算法交叉操作的具体方法为：从父代群体中随机选择两个个体，保留适应度值大的个体，再进行一次两两优选，对选出的两个父代个体以概率p_c进行交叉。设两父代个体分别为O₁和O₂，则交叉后的两个子代个体分别为

$\left\{\begin{array}{c}{O}_1^{\&prime;}=\mathrm{\&alpha;}{O}_1+(1-\mathrm{\&alpha;})O_2\\ O_2^{\&prime;}=(1-\mathrm{\&alpha;})O_1+\mathrm{\&alpha;}{O}_2\end{array}\right.---\left(12\right)$

其中，α为区间[0，1]上的随机数。显然，交叉后的个体依然满足式(11)的约束条件。

变异运算是将个体染色体编码串中的某些基因座上的基因值用该基因座的其它等位基因替换。变异可以改善遗传算法的局部搜索能力，维持群体的多样性。为了使变异后的个体仍然满足式(11)的约束，同时对两个基因座上的基因进行变异。对个体O＝(P₁，P₂，…，P_N)以概率p_m进行变异操作，随机地选择两个基因座i，j，设Δ为[0，P_i]上的随机数，个体O变异后的新个体为 $O\&prime;=(P_1,\&CenterDot;\&CenterDot;\&CenterDot;,P_i^{\&prime;},\&CenterDot;\&CenterDot;\&CenterDot;,P_j^{\&prime;},\&CenterDot;\&CenterDot;\&CenterDot;P_N),$ 其中

$\left\{\begin{array}{c}{P}_i^{\&prime;}=P_i-\mathrm{\&Delta;}\\ P_j^{\&prime;}=P_j+\mathrm{\&Delta;}\end{array}\right.---\left(13\right)$

算法会一代一代向前进化去搜寻最优功率分配矢量，直到终止条件满足。当算法所找到的适应度值最大的解不再变化，或遗传次数超过30，终止算法。

Claims (3)

1.一种适用于移动组播系统的离散速率跨层功率分配方法，其特征在于，该方法的具体实现步骤为：

第一步：基站读取数据链路层中每种业务的队列状态信息，并获得每种业务相应组播组的用户反馈的信道状态信息；

第二步：系统根据各组播业务的队列状态信息和信道状态信息利用改进遗传算法进行跨层功率分配。

2.如权利要求1所述的适用于移动组播系统的离散速率跨层功率分配方法，其特征在于，第一步中的每种业务的队列状态信息是指第t个调度周期业务S₁，S₂，…，S_N在基站的缓存量u₁(t)，u₂(t)，…，u_N(t)，每种业务相应的组播组信道状态信息是指订阅业务S₁，S₂，…，S_N的组播组中所有用户反馈的信道衰落系数 $h_1^1\left(t\right),\&CenterDot;\&CenterDot;\&CenterDot;,h_1^{K_1}\left(t\right),\&CenterDot;\&CenterDot;\&CenterDot;,h_i^1\left(t\right),\&CenterDot;\&CenterDot;\&CenterDot;,h_i^j\left(t\right),\&CenterDot;\&CenterDot;\&CenterDot;,h_i^{K_j}\left(t\right),\&CenterDot;\&CenterDot;\&CenterDot;h_N^1\left(t\right),\&CenterDot;\&CenterDot;\&CenterDot;,h_N^{K_N}\left(t\right),$ 其中，N表示系统支持的业务种数，K₁，K₂，…，K_N分别表示订阅业务S₁，S₂，…，S_N的各组播组的用户数。

3.如权利要求1所述的适用于移动组播系统的离散速率跨层功率分配方法，其特征在于，其实现步骤的第二步的主要步骤为：

①系统根据业务S₁，S₂，…，S_N的队列状态信息及对应的组播组的用户反馈的信道状态信息建立功率跨层分配的优化模型

$\underset{P}{\max }f\left(P\right)$

$s.t.\left\{\begin{array}{c}{P}_i\&GreaterEqual;0\\ \underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}{P}_j\&le;P_{\mathrm{total}}\\ i\&Element;\{\mathrm{1,2},\&CenterDot;\&CenterDot;\&CenterDot;,N\}\end{array}\right.$

$P\stackrel{\mathrm{\&Delta;}}{=}(P_1,P_2,\&CenterDot;\&CenterDot;\&CenterDot;,P_N)$ 表示功率分配矢量，P₁，P₂，…，P_N分别为业务S₁，S₂，…，S_N的发送功率，P_total表示基站总的发送功率，f(P)＝κ₁ξ+κ₂ζ表示目标函数，κ₁和κ₂分别为ξ和ζ的权重，0≤κ₁，κ₂≤1且κ₁+κ₂＝1，ζ表示系统公平性系数，定义为系统在某个调度周期达到所订阅业务最低信噪比要求的用户占系统所有用户的比例，即 $\mathrm{\&zeta;}=\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{T}_i/\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{K}_i,$ T_i表示订阅业务S_i的移动用户中满足业务S_i的最低信噪比要求Γ_i的用户个数，ξ表示系统吞吐量系数，定义为系统在某个调度达到所订阅业务最低信噪比要求的用户所获得的吞吐量之和与所有用户所能获得的最大吞吐量之和的比值，即 $\mathrm{\&xi;}=\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{T}_i{R}_i/\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{K}_i{\stackrel{\&OverBar;}{R}}_i,$ R_i表示业务S_i在第某个调度周期的下行传输速率，其值取决于在这个调度周期业务S_i所分配到功率，设在每个调度周期内，N种业务S₁，S₂，…，S_N只能以M种可供使用的速率下传，这M种速率分别为R⁽¹⁾，R⁽²⁾，…，R^(M)，它们满足下列不等式 $0\stackrel{\mathrm{\&Delta;}}{=}{R}^{\left(0\right)}<R^{\left(1\right)}<R^{\left(2\right)}<\&CenterDot;\&CenterDot;\&CenterDot;<R^{\left(M\right)}<\&infin;,$ 与这M种速率对应的基站发送功率的最低门限设为P⁽⁰⁾，P⁽¹⁾，…，P^(M+1)，且满足 $0\stackrel{\mathrm{\&Delta;}}{=}{P}^{\left(0\right)}<P^{\left(1\right)}<\&CenterDot;\&CenterDot;\&CenterDot;<P^{\left(M\right)}<P^{(M+1)}\stackrel{\mathrm{\&Delta;}}{=}{P}_{\max },$ 业务S_i在第t个调度周期的下行传输速率R_i(t)和其功率P_i(t)之间的函数关系可以表示为 $R_i\left(n\right)=\underset{m=0}{\overset{M}{\mathrm{\&Sigma;}}}{R}^{\left(m\right)}(U(P_i\left(n\right)-P^{\left(m\right)})-U(P_i\left(n\right)-P^{(m+1)})),$ 其中 $U\left(x\right)=\left\{\begin{array}{cc}1,& x\&GreaterEqual;0\\ 0,& x<0\end{array}\right.,$ ${\stackrel{\&OverBar;}{R}}_i=u_i\left(t\right)/T$ 表示业务S_i在第t个调度周期的最大吞吐量，T为一个调度周期持续的时间，为0.5ms，

②对①中优化模型的功率分配矢量进行实数编码，取染色体的结构为{P₁，P₂，…，P_N}；

③产生初始群体，在①中优化模型的可行域 $\mathrm{\&Omega;}=\left\{P|P_i\&GreaterEqual;0,\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{P}_i\&le;P_{\mathrm{total}}\right\}$ 的每一维上以P_total/30为间隔画网格，在每个网格与可行域相交的部分内随机地选取一点作为初始群体的个体，显然，初始群体的规模Ps取值为与可行域相交的网格的个数；

④评价群体中个体的优劣，适应度函数取为f(O)＝κ₁ξ+κ₂ζ，即群体中个体O＝{P₁，P₂，…，P_N}的适应度值为f(O)；

⑤进行选择，以个体适应度的大小确定该个体被遗传到下一代群体中的概率，个体O_l被选择遗传到下一代的概率 $p_l=f\left(O_l\right)/{\mathrm{\&Sigma;}}_{l\&prime;=1}^{\mathrm{Ps}}f\left(O_{l\&prime;}\right),$ 采用赌轮法从父代群体中选择Ps个个体组成新的群体，将目前找到的适应度值最大的个体不参与以下遗传操作，直接替换下一代中适应度值最小的个体；

⑥进行遗传操作，包括交叉和变异，改进遗传算法交叉操作的具体方法为：从父代群体中随机选择两个个体，记适应度值大的个体为O₁，再从父代群体中随机选择两个个体，记适应度值大的个体为O₂，对选出的两个父代个体O₁和O₂以交叉概率p_c＝0.6进行交叉，交叉后的两个子代个体为 $\left\{\begin{array}{c}{O}_1^{\&prime;}={\mathrm{\&alpha;O}}_1+(1-\mathrm{\&alpha;})O_2\\ O_2^{\&prime;}=(1-\mathrm{\&alpha;})O_1+{\mathrm{\&alpha;O}}_2\end{array}\right.,$ 其中，α为区间[0，1]上的随机数；变异操作同时对个体O＝(P₁，P₂，…，P_N)两个基因座上的基因以变异概率p_m＝0.1进行变异，具体操作方法为：随机地选择两个基因座i，j，1≤i，j≤N，i≠j，设Δ为[0，P_i]上的随机数，个体O变异后的新个体为 $O\&prime;=(P_1,\&CenterDot;\&CenterDot;\&CenterDot;,P_i^{\&prime;},\&CenterDot;\&CenterDot;\&CenterDot;,P_j^{\&prime;},\&CenterDot;\&CenterDot;\&CenterDot;P_N),$ 其中 $\left\{\begin{array}{c}{P}_i^{\&prime;}=P_i-\mathrm{\&Delta;}\\ P_j^{\&prime;}=P_j+\mathrm{\&Delta;}\end{array}\right.;$

⑦评价新一代群体中个体的优劣，方法同④；当算法所找到的适应度值最大的解不再变化，或遗传次数超过30，终止算法，否则，返回⑤。

Images