CN102573027B - 基于蚁群优化的离散功率控制方法 - Google Patents

Abstract

本发明公开了一种基于蚁群优化的离散功率控制方法，包括创建一种每个节点上存在多条平行路径的多重图搜索空间，并设计了一种同时考虑多小区性能的启发式信息计算方法；采用蚁群优化方法，各小区蚂蚁综合考虑信息素和启发式信息，依据伪随机比例规则独立进行解的构造，并且为了保证满足功率约束条件设计了一种蚂蚁淘汰机制，配合局部信息素更新，有效获得满足约束条件的可行解；最后，在各小区蚂蚁的合作的基础上进行全局信息素更新，进而寻求到目标优化问题的近似最优解。本发明公开的方法在满足功率限制条件下可以显著提高采用离散功率级别的多小区系统的整体吞吐量，达到优化系统性能的目的。

Description

基于蚁群优化的离散功率控制方法

技术领域

本发明涉及无线通信技术领域，尤其涉及一种基于蚁群优化的离散功率控制方法。

背景技术

在多小区OFDM(Orthogonal Frequency Division Multiplexing)系统中，来自相邻小区的同频干扰是影响系统性能的主要因素。功率控制被证明是抑制小区间干扰、提高系统容量的重要工具之一。但是于小区间干扰的存在使得每个小区的功率分配都与其它小区密切相关，一个小区内子载波上的功率变化会影响到其他相邻小区的功率分配，这使得多小区间的功率控制十分困难。

OFDM系统中，功率控制作为抑制干扰、提高信道复用率、增大系统容量的有效手段，受到人们的普遍关注。多小区OFDM系统的离散功率分配问题可以被抽象为具有一定约束条件的组合优化问题，且被证明是NP难问题，即在多项式时间内无法得到其最优解。一种可能的解决方法是利用穷尽搜索，但是由于计算量大而无法应用于实际系统。特别是随着系统规模的日益扩大，得到资源分配问题的最优解将给系统带来巨大的计算压力。

现有的功率控制方法大多数都是建立在假设传输功率可以任意连续取值的基础上的，而且这些算法通常都十分复杂，计算复杂度高而难以应用于实际系统中。然而，实际数字通信系统中功率往往只能以离散级别调整，直接利用已有的连续功率分配方法，即进行简单的上取整离散和下取整离散处理，将不能得到满意的结果。参考文献A.D.Gesbert，G.and S.Kiani，Binary powercontrol for sum rate maximization over multiple interfering links，IEEETransactions on Wireless Communication，vol.7，pp.3164-3173提出了一种基于贪婪算法的二值功率分配算法，但由于二值功率级别的限制，以及贪婪算法只选择当下最优方案而不从整体最优上加以考虑的的约束，导致该方案性能不够理想；参考文献Yiping Xing and R.Chandramouli，Stochastic Learning Solution for Distributed DiscretePower Control Game in Wireless Data Networks，IEEE Transactions onNetworking，vol.16，no.4提供了一种基于博弈论的离散功率控制方法，但该方法计算复杂度高而难以在实际系统中获得应用。

元启发式算法是一种有效获得组合优化问题的次优解的方法，由于其计算复杂度低且易于实现，而成为众多学者研究的焦点。蚁群优化算法ACO(Ant Colony Optimization)，是一种具有高度创新性与启发性的元启发式算法，虽出现至今不过短短15年，却已经成为组合优化领域最具潜力的算法之一。

蚁群优化算法最初由意大利学者Marco Dorigo于1991年首次提出，用于解决著名的旅行商问题TSP(Traveling Salesman Problem)。受到蚂蚁在觅食过程中寻找食物与巢穴间之最短路径的高度自组织行为的启发，实际中的蚂蚁被抽象为具有基本简单行为的计算单元，它们的主要任务是寻找食物与巢穴之间最优的完整路径。一种被称作信息素的化学物质被释放在蚂蚁所经过的路径上，且释放的信息素量正比于路径所对应的问题解的好坏，这样就构成了所谓的正反馈机制。于是经过若干次迭代之后，所有的蚂蚁将逐渐收敛于一条次优或者有可能最优的路径上。应用于不同的NP难问题，蚁群优化算法被证明具有较强的鲁棒性且容易在实际系统中实现。

发明内容

(一)要解决的技术问题

本发明要解决的技术问题是：提供一种基于蚁群优化的离散功率控制方法，针对功率往往只能以离散级别调整的实际情况，在满足最大功率限制条件的情况下，快速得到多小区间离散功率分配问题的近似最优解，实现降低小区间干扰、提升系统性能的目标。

(二)技术方案

为解决上述问题，本发明提供了一种基于蚁群优化的离散功率控制方法，包括以下步骤：

S1：各小区分别构建蚁群算法的搜索空间；

S2：初始化蚁群算法的各控制参数和算法执行的统计信息变量；

S3：依据当前的最优分配方式，对搜索空间中的所有路径进行启发式信息的计算；

S4：每小区自蚁巢释放一只蚂蚁，并初始化蚂蚁；

S5：每个小区蚂蚁独立进行解的构建；

S6：判断是否所有小区的蚂蚁都完成了完整路径的构建，若是，则跳转至步骤S7，否则，对未完成的小区继续进行解的构建，跳转至步骤S5；

S7：系统收集各小区蚂蚁的信息得到本次迭代的一组可行解，与当前最优分配结果进行比较，取对应的系统吞吐量较大的为新的当前最优分配；进行全局信息素更新，并将新的当前最优分配结果传递给所有小区的蚂蚁；

S8：判断算法是否满足迭代终止条件，如果满足，则算法结束，直接按照当前最优分配结果进行离散功率控制；否则，跳转至步骤S3。

优选地，所述步骤S1具体包括：将多个子载波作为蚁群算法的各节点设置在蚁巢和食物之间；以及将每个子载波的传输功率离散化为多个功率级别构成蚁群算法节点与其前一个节点之间的多条路径。

优选地，所述步骤S2包括初始化执行迭代次数、最优分配方式以及所有路径上的信息素浓度。

优选地，所述步骤S3中的启发式信息通过下面的公式计算：

${\mathrm{\η}}_{m,l}=\frac{R_{m,l}}{\underset{k=1}{\overset{L}{\mathrm{\Σ}}}{R}_{m,k}}$

$R_{m,l}=\underset{j=1}{\overset{I}{\mathrm{\Σ}}}{r}_m^j(P_m^i={\mathrm{\ϵ}}_l)$

其中，η_m，l为到达节点m的路径l上的启发式信息；R_m，l表示在当前所研究小区i的子载波m功率其它小区的功率级别为上次迭代的当前最优功率分配时，所有I个小区在相同子载波m上的总吞吐量；表示小区j中子载波m上的传输速率；L为功率级别的总数。

优选地，所述步骤S5具体包括以下步骤：

S51：蚂蚁从若干条路径中选择一条到达下一节点；

S52：蚂蚁进行局部信息素更新；

S53：判断蚂蚁已完成的功率级别的分配是否超过基站的最大功率限制，如果超过，则认定该蚂蚁被淘汰，从蚁巢释放一只蚂蚁，重新进行该小区解的构建；否则，跳转至步骤S6。

优选地，所述步骤S51中，蚂蚁结合信息素与启发式信息，根据伪随机比例规则选择通向下一节点的路径。

优选地，所述步骤S52中，通过下面的公式进行局部信息素更新：

τ_m，l＝(1-ξ)·τ_m，l+ξτ₀

其中，τ_m，l为信息素浓度，ξ为局部信息素蒸发时的蒸发速率；τ₀为初始的信息素浓度。

优选地，所述步骤S7中通过下面的公式进行全局信息素更新：

其中，ρ为全局信息素蒸发时的蒸发速率，k₀为用于调节释放信息素的释放量常数参数，R为当前最优路径对应的系统吞吐量。

(三)有益效果

本发明针对实际数字系统中功率往往只能以离散级别调整的实际情况，利用蚁群优化算法在解决组合优化问题方面的出色表现，可以快速得到目标问题的近似最优解。同时，由于蚁群优化算法有着较高的鲁棒性，非常适合在实际系统中取得应用，因此本发明有较好的应用前景。

附图说明

图1为根据本发明实施例一功率控制方法的步骤流程图；

图2为根据本发明实施例一功率控制方法初始的小区搜索空间的示意图；

图3为根据本发明实施例一功率控制方法步骤S5的具体步骤流程图；

图4为根据本发明实施例一功率控制方法若干次迭代后的小区搜索空间的示意图；

图5为根据本发明实施例二不同功率控制方法的系统吞吐量对比曲线图；

图6为根据本发明实施例二方案迭代趋势示意图。

具体实施方式

下面结合附图及实施例对本发明进行详细说明如下。

实施例一：

如图1所示，本实施例记载了一种基于蚁群优化的离散功率控制方法，包括以下步骤：

S1：各小区分别构建蚁群算法的搜索空间；

首先，将目标问题被转化成搜索空间，以便于蚁群中的蚂蚁在其中移动进行解的构建。由于各小区的功率分配密切相关，本实施例中每个小区分别构建自己的搜索空间，且由于蚁群优化算法天然的分布式结构，各小区的解的构建可独立进行。

具体的，将M个子载波作为蚁群算法的各节点设置在蚁巢和食物之间；以及将每个子载波的传输功率离散化为L个功率级别构成蚁群算法节点与其前一个节点之间的L条路径。其中，L个功率级别分别为：0＝ε₁＜ε₂＜…＜ε_L＝ε_max，ε_max为子载波的最大可传输功率。因此，如图2所示，每个小区的搜索空间可表示为一个二维有向图，共包括M个节点和M×L条边。

在传统蚁群优化算法的搜索空间中，节点与节点之间通常只有一条直达路径，本实施例中相邻两节点间存在L条路径，分别代表L个功率级别，构成了一个基于多重图的搜索空间。虚拟的蚁巢和食物被置于搜索空间两侧，蚂蚁从蚁巢出发，从L条路径中选择一条且仅一条路径到达下一节点，表示与下一节点对应的子载波选择功率级别。并重复此选择过程，直到到达食物源为止。搜索空间中的每条完整路径(由蚁巢到食物的通路)对应该小区的一种功率控制策略S_i，I个小区的一种功率控制策略可以表示为各小区的策略集合S＝{S₁，S₂，...，S_I}。

S2：初始化蚁群算法的各控制参数和算法执行的统计信息变量；包括初始化执行迭代次数、最优分配方式以及所有路径上的信息素浓度等参数；

S3：依据当前的最优分配方式，对搜索空间中的所有路径进行启发式信息的计算；

在进行蚁群算法时，除了信息素以外，蚂蚁还需依靠启发式信息来决策下一步的移动方向。对于某一小区，较高的功率级别会带来更高的传输速率，但却同时为邻小区带来更严重的同频干扰，因此为了得到全局最优解，启发式信息的计算还需考虑相邻小区的性能。本实施例中所述启发式信息通过下面的公式计算：

${\mathrm{\η}}_{m,l}=\frac{R_{m,l}}{\underset{k=1}{\overset{L}{\mathrm{\Σ}}}{R}_{m,k}}$

$R_{m,l}=\underset{j=1}{\overset{I}{\mathrm{\Σ}}}{r}_m^j(P_m^i={\mathrm{\ϵ}}_l)$

其中，η_m，l为到达节点m的路径l上的启发式信息；R_m，l表示在当前所研究小区i的子载波m功率其它小区的功率级别为上次迭代的当前最优功率分配时，所有I个小区在子载波m上的总吞吐量；表示小区j中子载波m上的传输速率；L为功率级别的总数。

S4：每小区自蚁巢释放一只蚂蚁，并初始化蚂蚁；

S5：每个小区蚂蚁独立进行解的构建；

如图3所示，具体包括以下步骤：

S51：蚂蚁从若干条路径中选择一条到达下一节点；

蚂蚁结合信息素与启发式信息，根据伪随机比例规则选择通向下一节点的路径。

假设蚂蚁位于搜索空间中的第m-1个节点上，即将移动到节点m上，那么它选择的路径可由下式表示：

其中，q为系统生成的[0，1]之间的随机数，q₀(0≤q₀≤1)为蚁群算法中控制集中式搜索与偏向性探索的参数，α和β参数分别决定信息素和启发式信息的相对影响。J是基于下式所定义的概率分布使用轮盘算法得到的子集的索引：

$p(m,l)=\frac{{\left[{\mathrm{\τ}}_{m,l}\right]}^{\mathrm{\α}}{\left[{\mathrm{\η}}_{m,l}\right]}^{\mathrm{\β}}}{\underset{k=1}{\overset{L}{\mathrm{\Σ}}}{\left[{\mathrm{\τ}}_{m,k}\right]}^{\mathrm{\α}}{\left[{\mathrm{\η}}_{m,k}\right]}^{\mathrm{\β}}}$

S52：蚂蚁进行局部信息素更新；

通过下面的公式进行局部信息素更新：

τ_m，l＝(1-ξ)·τ_m，l+ξτ₀

其中，τ_m，l为信息素浓度，即到达节点m的路径l上的信息素浓度。在算法初始时刻，所有路径上的信息素浓度τ_m，l被初始为同一的常数值τ₀。ξ为局部信息素蒸发时的蒸发速率。局部信息素更新的意义在于，蚂蚁每次经过边(m，l)，该路径的信息素τ_m，l将会减小，从而使得其他蚂蚁选择该路径的概率减小。局部信息素更新可以增加探索未使用过的边的机会，配合前面提到的蚂蚁淘汰机制，可以有效引导蚂蚁找到满足约束条件的可行解。

S53：判断蚂蚁已完成的功率级别的分配是否超过基站的最大功率限制，如果超过，则认定该蚂蚁被淘汰，从蚁巢释放一只蚂蚁，重新进行该小区解的构建；否则，跳转至步骤S6。

具体为：每当蚂蚁移动一步，即为一个子载波选择相应功率级别，系统自动计算已经分配功率的子载波是否符合功率约束条件，即超出最大功率限制。如果超出，这种分配情况是不被期望的，定义该蚂蚁在达到目的节点前被淘汰，另外一只相同的蚂蚁重新从蚁巢中释放来代替淘汰的蚂蚁，重新开始选择从蚁巢到食物的路径。蚂蚁通过重复应用伪随机比例的状态转移规则来选择各自的路径，直到一条完整路径构建完毕。

S6：判断是否所有小区的蚂蚁都完成了完整路径的构建，若是，则跳转至步骤S7，否则，对未完成的小区继续进行解的构建，跳转至步骤S5；

S7：首先，系统收集各小区蚂蚁的信息得到本次迭代的一组可行解，与当前最优分配结果进行比较，取对应的系统吞吐量较大的为新的当前最优分配；

当所有小区的蚂蚁均完成一次完整解的构建时，系统集中收集各小区的分配结果构成本次迭代获得的一组可行解为S＝{S₁，S₂，...，S_I}，并与当前最优解进行比较。比较对象为这两组功率控制策略时所对应的系统吞吐量R，即本发明所要优化的目标，计算式如下：

$R=\underset{i=1}{\overset{I}{\mathrm{\Σ}}}\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{r}_m^i$

两组功率控制策略中较大的为新的当前最优解。

然后，进行全局信息素更新，全局信息素仅在当前最优路径上进行更新，且当前最优路径对应的系统吞吐量越大，信息素的释放量越多。

其中通过下面的公式进行全局信息素更新：

其中，ρ为全局信息素蒸发时的蒸发速率，k₀为用于调节释放信息素的释放量常数参数。

蚁群算法通过局部和全局更新两种方式不断改变路径上信息素的浓度，最终寻找到满意的可行解。为了更好解释算法，可以用路径的粗细表示信息素的浓度，图4给出了搜索空间经过若干次迭代后信息素变化的示意图，并给出了在这种信息素浓度下的一条可能的当前最优路径。

执行全局信息素更新后，将新的当前最优分配结果传递给所有小区的蚂蚁，用于下一轮迭代中启发式信息的计算。

S8：判断算法是否满足迭代终止条件，比如达到预先设定的最大迭代次数、算法已找到与最优解的距离在预定义范围内的解或者算法陷入停滞状态，如果满足，则算法结束，直接按照当前最优分配结果进行离散功率控制；否则，跳转至步骤S3，进行下一次迭代。

下面以更为具体的实施例对本发明进行说明：

实施例二：

本实施例中的系统为下行OFDM系统，以相邻7个小区为一簇进行功率控制。假设多个子载波已经根据信道及用户公平性等原则分配给用户，在基站发射功率受限的情况下进行基于蚁群优化的离散功率控制，以实现最大化系统吞吐量。

各基站的最大发射功率为P_max，在理想情况下，子载波最大功率限制ε_max应等于P_max。而实际上，ε_max的设置可小于P_max，这是由于在最优功率分配情况下，某一子载波的功率不可能占据基站绝大部分的功率，且适当减小ε_max可以减小功率等级，使得计算复杂度显著下降。离散功率级别的划分方式是方案实施的关键之一，这里提出两种可能的划分方式，在(0，ε_max)间进行等间隔取值和指数间隔取值，本实施例采用等间隔取值。

为了简化方案，本实施例中的迭代终止条件可以选为到达最大迭代次数，设定为100次。蚁群算法的收敛性能对初始化参数的设置比较敏感，关于蚁群优化算法的相关控制参数已有大量相关测试，本实施例给出可以参考的控制参数，见表格1。

表1蚁群算法控制参数

如图5所示，为本实施例的方案与两个对比方案(二值功率分配方案和平均功率分配方案)实施后的系统吞吐量对比图，其中二值功率分配基于贪婪算法，平均功率分配方案指的是所有子载波上的传输功率均设置P_max/M。由图5可以看出，在系统吞吐量方面，本实施例方案明显高于两个对比方案，特别在用户较多的情况下，可以更好利用多用户分级、多小区分级，获得更高的系统吞吐量。

如图6所示，为本实施例方案在运行中的迭代趋势图。由图6可见，本实施例方案在算法初始几次迭代中，系统吞吐量就有大幅度改善，大约在60次左右吞吐量提高趋势趋于平缓。在实际系统中，可以不必等到算法收敛，迭代若干次达到满意的结果即可停止。

实施例三：

本实施例的系统为上行多小区OFDM系统，以相邻7个小区为一簇进行小区间资源分配，在移动终端发射功率受限的情况下最大化系统吞吐量。子载波最大功率限制ε_max等于移动终端的最大功率限制P_max。本实施例中离散功率的划分方式同样有两种可能的划分方式，在(0，ε_max)间进行等间隔取值和指数间隔取值。对于蚁群控制参数的取值，与实施例二相同，这里不做赘述。

不同于下行OFDM系统，本实施例中的功率约束条件是每个移动终端的最大发射功率，由于小区内有多个用户，所以包含多个约束。可以采用原方案中判断是否满足功率约束的方法，即每次移动到下个节点，检查是否有用户超出功率约束，如果有，则淘汰蚂蚁，重新释放新蚂蚁并从头开始分配。为了提高方案执行效率，一种改进的方法为：针对每个小区，每次迭代从蚁巢释放与小区内用户数相同的蚂蚁，每只蚂蚁负责与之对应的用户的子载波上功率的控制。若功率不满足约束条件，淘汰该蚂蚁，并重新释放蚂蚁为该用户进行功率级别的选择即可。

以上实施方式仅用于说明本发明，而并非对本发明的限制，有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明的范畴，本发明的专利保护范围应由权利要求限定。

Claims (4)

1.一种基于蚁群优化的离散功率控制方法，其特征在于，包括以下步骤：

S1：各小区分别构建蚁群算法的搜索空间；

S2：初始化蚁群算法的各控制参数和算法执行的统计信息变量；

S3：依据当前的最优分配方式，对搜索空间中的所有路径进行启发式信息的计算；

S4：每小区自蚁巢释放一只蚂蚁，并初始化蚂蚁；

S5：每个小区蚂蚁独立进行解的构建；

S6：判断是否所有小区的蚂蚁都完成了完整路径的构建，若是，则跳转至步骤S7，否则，对未完成的小区继续进行解的构建，跳转至步骤S5；

S7：系统收集各小区蚂蚁的信息得到本次迭代的一组可行解，与当前最优分配结果进行比较，取对应的系统吞吐量较大的为新的当前最优分配；进行全局信息素更新，并将新的当前最优分配结果传递给所有小区的蚂蚁；

S8：判断算法是否满足迭代终止条件，如果满足，则算法结束，直接按照当前最优分配结果进行离散功率控制；否则，跳转至步骤S3；

所述步骤S5具体包括以下步骤：

S51：蚂蚁从若干条路径中选择一条到达下一节点；

S52：蚂蚁进行局部信息素更新；

S53：判断蚂蚁已完成的功率级别的分配是否超过基站的最大功率限制，如果超过，则认定该蚂蚁被淘汰，从蚁巢释放一只蚂蚁，重新进行该小区解的构建；否则，跳转至步骤S6；

所述步骤S51中，蚂蚁结合信息素与启发式信息，根据伪随机比例规则选择通向下一节点的路径；

所述步骤S52中，通过下面的公式进行局部信息素更新：

τ_m,l＝(1-ξ)·τ_m,l+ξτ₀；

所述步骤S7中通过下面的公式进行全局信息素更新：

其中，τ_m,l为信息素浓度，m为节点，l为路径，即τ_m,l为到达节点m的路径l上的信息素浓度，ξ为局部信息素蒸发时的蒸发速率，τ₀为常数值，ρ为全局信息素蒸发时的蒸发速率，k₀为用于调节释放信息素的释放量常数参数，R为当前最优路径对应的系统吞吐量。

2.如权利要求1所述的功率控制方法，其特征在于，所述步骤S1具体包括：将多个子载波作为蚁群算法的各节点设置在蚁巢和食物之间；以及将每个子载波的传输功率离散化为多个功率级别构成蚁群算法节点与其前一个节点之间的多条路径。

3.如权利要求1所述的功率控制方法，其特征在于，所述步骤S2包括初始化执行迭代次数、最优分配方式以及所有路径上的信息素浓度。

4.如权利要求2所述的功率控制方法，其特征在于，所述步骤S3中的启发式信息通过下面的公式计算：

${\mathrm{\η}}_{m,l}=\frac{R_{m,l}}{\underset{k=1}{\overset{L}{\mathrm{\Σ}}}{R}_{m,k}}$

其中： $R_{m,l}=\underset{j=1}{\overset{I}{\mathrm{\Σ}}}{r}_m^j\left(P_m^i\right)$

$P_m^i={\mathrm{\ϵ}}_l$

其中，η_m,l为到达节点m的路径l上的启发式信息；R_m,l表示在当前所研究小区i的子载波m功率其它小区的功率级别为上次迭代的当前最优功率分配时，所有I个小区在相同子载波m上的总吞吐量；ε_l表示功率级别l对应的功率大小；表示小区j中子载波m上的传输速率；L为功率级别的总数。