CN102892188A - 通信网络中基于遗传算法的上行功率控制方法及装置 - Google Patents

Abstract

本发明公开了一种通信网络中基于遗传算法的上行功率控制方法及装置，所述方法包括对通信网络进行建模，获取理论最优的移动终端发射功率表达式；结合遗传算法确定适应度函数；确定变量的二进制串位数；初始化种群；从二进制串中返回一个实际的值作为实际变量；以及，根据适应度函数得到染色体中最健壮及最虚弱的基因，并据此设计遗传算子以及确定遗传算法的运行参数。采用本发明，可以满足通信网络中同构或者异构网情况下，基站适时地指示动态调整归属移动终端的上行发射功率，降低对其他基站的干扰，同时保证该目标基站下整网移动终端上行链路的QoS，保证通信网络良好的系统性能。

Description

通信网络中基于遗传算法的上行功率控制方法及装置

技术领域

本发明涉及通信技术领域，具体而言，涉及一种通信网络中基于遗传算法的上行功率控制方法及装置。

背景技术

目前随着通信网络中移动宽带技术的蓬勃发展，网络流量呈爆发性增长，为了满足未来人们对移动通信越来越高的要求，摆脱场地以及环境的束缚，实现网络真正意义上的无所不在，因此，通信网络如何向用户提供高速的数据业务并支持用户在各种无线通信系统中实现无缝漫游服务，尤其在话务热点和覆盖欠佳的区域提供补热和补盲控制已经显得尤为重要。

现有频谱以宏基站为主的网络部署已经很难满足容量需求，为此，在通信网络中引入小基站以实现多层异构网络的同频组网不失为当前一种较佳的解决方案，同时也带来了多种类型的无线通信网络的融合和发展。类似这样的不具有相同的传输性质和通信协议的网络被统一称为无线异构网络（Heterogeneous Net），它一方面有效地降低了运营商的运维成本；另一方面，对于终端用户来说，其业务体验也获得了明显的提升。

目前的无线通信网络中，无论是传统的同构网络还是多网融合的异构网络，其目标都是为移动用户提供更大的系统容量和更好的服务质量。为了有效地降低系统的干扰，提高系统的容量保证通信链路的质量，就需要对频带、发射功率和信道等有限的无线资源进行合理的动态分配，使得系统资源得到充分利用，系统性能得以优化，从而实现上述目标。

在众多的无线关键技术中，功率控制是其中的难点同时也是关键点之一。功率控制的主要目的，就是通过控制终端或者基站的发射功率方法来抑制干扰，基本思想是实时动态调节发射机的发射功率，在满足正常通信质量要求的前提下，使得在接收机处的接收功率尽量小。如果系统中所有的发射机都使用刚刚满足要求的最小发送功率，那么系统中干扰将大大降低，但是并不会降低单个接收机的接收质量。当干扰功率比发送功率降低的幅度更大时，就能增加整个系统的容量。另外，功率控制在通信中还起着节能的作用，对于移动终端用户而言，如果能够以尽可能小的发射功率与基站建立正常通信，势必能够延长电池的放电时间。因此合理有效的功率控制方案，将使整个系统呈现出高容量和高服务质量的特点。

通常功率控制分为上行功率控制和下行功率控制，上下行功率控制独立进行。传统的功率控制方法一般可以分为如下两种：一种是基于优化的功率控制方法，另一种是基于反馈的功率控制方法。

其中，对于基于优化的功率控制算法，需要知道整个系统的精确模型，通过目标函数对系统性能进行描述，在使系统性能达到最优的目标下，完成对各个移动终端发射功率的计算，然后将算出的功率值实时加载给移动终端。这种方法控制准确且具有明确意义的最优化目标函数，但计算量大，且不适合动态环境。当环境参数发生变化时，原来求得的最优解将不再适用，特别是当系统维数，用户数量发生变化时，需要重新建立系统模型和再次优化，这种情况下任务实时完成是比较难实现的，因此基于优化的功率控制算法只具有理论上的研究价值，而不具有实用意义。

另外，对于基于反馈的功率控制算法，其控制灵活，易于实现，但步长的确定在很大程度上依赖于经验知识，并且缺乏理论依据。如果选择不适当的步长，会导致产生很大的过调量或较长的稳定时间，从而影响每个用户的信干比和系统的稳定性。并且此基于反馈的功率控制算法是根据单个用户服务质量的变化来确定发射功率的变化趋势，不涉及系统整体的最优概念。

目前典型的功率控制算法大概有以下几种：传统固定步长的功率控制算法、基于接收信号强度测量的功率控制算法、基于通信链路传输质量（如：SIR（Signal to Interference Ratio，信噪比），BER（Bit Error Rate，比特差错率））的功率控制算法以及基于随机理论的功率控制算法等，下面分别对其简述之。

（一）传统固定步长的功率控制算法

以上行链路为例，若设移动台发射功率为P(t)在每个功率控制周期T_p以步长Δp进行调整：

$P\left(t\right)=P(t-T_p)\±\mathrm{\Δp}$ ；

其中，步长Δp固定为1dB。

这种功率控制算法，允许基站发送功率控制命令，用户通过此控制命令，以固定步长调整发射功率，功率改变过程就像一个“乒乓”控制，这种功率控制算法的稳定性差，且易产生过调量过大和稳定时间过短的情况。

（二）基于接收信号强度测量的功率控制算法

获得对信号强度的估计对于大多数的移动通信系统来说相对容易，所以大多数算法是围绕着基于接收信号强度的测量进行的。同样地，在该算法中个，对于上行链路，移动台接收机接收信号强度为C_i(t)，其与移动台发射功率P_i(t)之间是一线性关系，则这种基于接收信号强度测量的静态控制算法采用下式来表述：

$P_i(t+1)=\mathrm{\α}+\mathrm{\β}{C}_i\left(t\right)$  ；

式中，β是大于零的常数，该算法中，其参数α,β的选择对系统的性能影响至关重要。

（三）基于通信链路传输质量的功率控制算法

通信链路的传输质量可以用信噪比（SIR）或比特差错率（BER）加以衡量。现以基于SIR 平衡的功率控制算法，以集中式为例对此类算法进行介绍。

对于多小区多用户的蜂窝系统而言，设系统中小区基站的数目为N，每小区有M_n (n=1,2,3……N)个移动用户。以上行链路为例，若属于第k个小区的移动用户i的信干比用Γ_i(t) 表示，则有：

${\mathrm{\Γ}}_i=\frac{G_{\mathrm{ki}}{P}_i}{\underset{j\≠i}{\mathrm{\Σ}}{G}_{\mathrm{kj}}{P}_j+{\mathrm{\η}}_i},k=\mathrm{1,2,3}.....N$ ；

式中，G_ki为移动用户i到基站k的链路增益，P_i为移动用户i的发射功率。设保证通信链路质量下要求的SIR的门限值为γ_i，则为保证通信质量，应该有：

${\mathrm{\Γ}}_i\≥{\mathrm{\γ}}_i$  ；

若不考虑噪声的影响，则：

${\mathrm{\Γ}}_i=\frac{G_{\mathrm{ki}}{P}_i}{\underset{j\≠i}{\mathrm{\Σ}}{G}_{\mathrm{kj}}{P}_j}=\frac{P_i}{\underset{j\≠i}{\mathrm{\Σ}}{Z}_{\mathrm{kj}}{P}_j}$ ；

上式中， $Z_{\mathrm{kj}}=\left\{\begin{array}{cc}\frac{G_{\mathrm{kj}}}{G_{\mathrm{ki}}}& j\≠k\\ 0& j=k\end{array}\right.$  是归一化后的链路增益矩阵，代入上式得到：

$P_i\≥\left({\mathrm{\γ}}_i\right)\left(\mathrm{\Σ}{P}_j{Z}_{\mathrm{ij}}\right)$  ；

写成矩阵的形式：

$P\frac{1}{\mathrm{\γ}}\≥\mathrm{PZ}$ ；

式中， $Z=Z_{\mathrm{kj}}$ ； $P={(P_1,P_2,P_3,.....P_N)}^T,P>0$  ； $\mathrm{\γ}={({\mathrm{\γ}}_1,{\mathrm{\γ}}_2,{\mathrm{\γ}}_3,.....{\mathrm{\γ}}_N)}^T$ ，基于 SIR 平衡的功率控制算法，就是利用一些测量信息来决定满足发射功率矢量 P。因为在求解功率 P 的过程中需要知道所有链路的增益，所以此算法为集中式功率控制算法。集中式功率控制算法获得的控制性能好，可以说是最佳的功率控制，然而其同样存在着一缺点，即：获得某一时刻的归一化链路矩阵计算量比较大。

（四）基于随机理论的功率控制算法

Ulukus和Yates提出了一个基于随机理论的扩展的功率控制算法，其算法用下式表示：

$P_i(t+1)=[1-{\mathrm{\α}}_i(1+{\mathrm{\γ}}_i)]P_i\left(t\right)+{\mathrm{\α}}_i{v}_i\left(t\right)\frac{{\mathrm{\γ}}_i}{G_{\mathrm{ik}}}$ ；

式中，G_ik为移动台i和与之建立连接的基站k之间的信道增益；α_n，n=1,2,3….，满足条件α_i=ε或

，ε是一个小的正常数；v_i(t)是移动台i在t时刻的SMF(Squared Matched Filter)输出，它是一个均值为零，方差为σ²的高斯分布的随机噪声。

除上述概括的四类基本功率控制算法之外，不排除还有很多其它功率控制算法的分支研究。总体来说，现有的功率控制算法大多是基于传统的功率控制算法的基础上实现的改进。基于各类算法侧重点不同，有的体现在硬件可行性方面，有的侧重于整网性能的提升，有的重点简化模型实现简单等。一方面，这些传统功率控制算法在历经长期实践过程，具有一定的可靠性和稳定性；另一方面，其也被证实在长期演进通信网络中表现出了一定的局限性抑或复杂性。

发明内容

为了提高目标基站的上行通信链路的服务质量（QoS），同时尽可能减小对其他基站的干扰影响，本发明的目的在于提供一种通信网络中基于遗传算法的上行功率控制方法及装置。

本发明主要是在基于传统功控通信链路传输质量准则基础上，利用遗传算法的全局搜索能力，确定适用度函数和设立评价函数，使得系统能够尽可能快速计算某一时刻移动终端发射功率，保证目标基站的上行通信链路的QoS，同时尽可能减小对其他基站的干扰影响。

为了达到本发明的目的，本发明采用以下技术方案实现：

一种通信网络中基于遗传算法的上行功率控制方法，包括：

A、对通信网络进行建模，获取理论最优的移动终端发射功率表达式；

B、结合遗传算法确定适应度函数；

C、确定变量的二进制串位数；

D、初始化种群；

E、从二进制串中返回一个实际的值作为实际变量；

F、根据适应度函数得到染色体中最健壮及最虚弱的基因，并据此设计遗传算子以及确定遗传算法的运行参数。

优选实施方式下，在所述步骤A中，所述理论最优的移动终端发射功率

矢量表达式为：

$\hat{P}={(I-H)}^{-1}\mathrm{\η}$ ；

其中，矩阵，其为一个M×M的归一化链路增益矩阵；矢量η=(δ_n/G_ni)×γ＇_i，其为归一化噪声功率矢量，其中δ_n是基站n处的热噪声功率，G_ni为某一时刻第i个移动终端和基站n之间的链路增益，γ＇_i为第i个移动终端的目标信干比。

优选实施方式下，在所述步骤B中，对于通信系统上行链路而言，确定的适应度函数如下：

$\mathrm{\μ}\left(t\right)=\underset{i=1}{\overset{M}{\mathrm{\Σ}}}[p_i\left(t\right)+\mathrm{\φ}\left(t\right)]$ ；

其中，φ(t)=p_i(t)-p_i(t-1)，p_i(t)表示第i个移动终端在第t代的发射功率。

更为优选地实施方式下，所述适应度函数的约束条件为：

对接收信号SINR的解调门限：

$\frac{G_{\mathrm{ni}}\×p_i}{I_i}\×{{\mathrm{\γ}}_i}^{\′}$ ；

对移动终端发射功率：

$0\≤p_i\left(t\right)\≤p_{i\_\max }$ ；

其中，I_i表示第i个移动终端所接收到的干扰和噪声功率总和，γ＇_i表示第i个移动终端的目标信干比，p_{i_max}是第i个移动终端发射功率的最大值。

更为优选地实施方式下，得到发射功率的搜索取值范围为：

$\left(\frac{{\mathrm{\γ}}_i^{\′}\×I_i}{G_{\mathrm{ni}}}\right)\≤p_i\≤p_{i\_\max }$ 。

优选实施方式下，所述通信网络为同构网络或异构网络。

优选实施方式下，在所述步骤C中，每个变量的二进制串位数m_j可由以下数学式获取：

$2^{m_j-1}<(p_{i\_\max }-\mathrm{\&alpha;})\&times;{10}^n\&le;2^{m_j}-1$ ；

其中，变量的搜索取值下限值

，变量的搜索取值范围为

，当精度确定到小数点后n位时，每个变量应该被分成至少(p_{i_max}-α)×10ⁿ个部分。

更为优选地实施方式下，所述计算得到的每个变量的二进制串位数m_j为每个基因的长度，染色体的长度等于基因的长度乘以基因的个数。

优选实施方式下，在所述步骤D中，初始种群是从解的范围中随机确定的，在获得了染色体的长度的基础上，对于基于此长度的0、1染色体串的生成，可以根据预先设置的初始种群数目随机生成K组。

更为优选地实施方式下，当处理周期超过预设的时间段周期T后，则转步骤C，以计算二进制串位数m_j，如果计算得到的二进制串位数m_j与前一个周期计算得到的m_j相同， 则继续采用前一个周期迭代得到的最优解并通过交叉、变异操作生成下一周期的初始种群；如果m_j已经改变，则需要重新生成新的m_j长度以初始随机种群。

优选实施方式下，在所述步骤E中，从二进制串返回一个实际的值作为实际变量可以采用如下公式来实现：

$p_i=\mathrm{\&alpha;}+\mathrm{decimal}\left(\mathrm{substring}\right)\&times;\frac{p_{i\_\max }-\mathrm{\&alpha;}}{2^{m_j}-1}$  ；

其中，decimal(substring)表示变量p_i的十进位数值。

优选实施方式下，在所述步骤F中，采用轮盘赌法，根据适应度函数得到染色体中最健壮及最虚弱的基因，并据此设计遗传算子以及确定遗传算法的运行参数，其具体步骤包括：

F1、根据各个随机生成的染色体二进制对应的十进制数值U_k，K这个参数主要用于体现遗传算法的随机可控性，可以人为初始设置，计算适应度函数eval(U_k)：

$\mathrm{eval}\left(U_k\right)=\mathrm{\&mu;}\left(t\right),k=\mathrm{1,2,3},......$ ；

F2、计算群体的适应度总和：

$F=\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}\mathrm{eval}\left(U_k\right)$ ；

F3、计算对应每个染色体U_k的选择概率Y_k：

$Y_k=\frac{\mathrm{eval}\left(U_k\right)}{F}$ ；

F4、计算每个染色体U_k的累计概率Q_k：

$Q_k=\underset{j=1}{\overset{k}{\mathrm{\&Sigma;}}}{Y}_j,k=\mathrm{1,2,3}.....,K;$

F5、选择新种群的一个染色体。

优选实施方式下，所述步骤F5包括：

F51、轮盘转动K次，每次转动生成一个[0，1]间的随机数r，记作r大小为1×K向量；

F52、利用随机数向量的每一个元素进行一次筛选得到当前随机数对应的满足条件的一个新种群，如果当前随机数r_i≤Q₁，则直接选择染色体U₁这个种群作为该随机数选取的最优解；如果不满足r_i≤Q₁，则比较满足Q_k≤r_i≤Q_k+1，则选取第k个初始种群，依次遍历随机数矩阵r的每一个元素，递推直至将随机数全部比较完，选中的初始种群概率出现最多的第k组，也就是最后当前t时刻的最佳发射功率；

F53、如果选中的新种群U_k不唯一，则再结合选择概率对当前多组U_k进行比较，将选择概率最小的U_k作为本次最优种群的输出。

一种通信网络中基于遗传算法的上行功率控制装置，包括：

功率控制模块，其用于对通信网络进行建模，获取理论最优的移动终端发射功率表达式；结合遗传算法确定适应度函数；确定变量的二进制串位数；初始化种群；从二进制串中返回一个实际的值作为实际变量；以及，根据适应度函数得到染色体中最健壮及最虚弱的基因，并据此设计遗传算子以及确定遗传算法的运行参数。

优选实施方式下，所述理论最优的移动终端发射功率

矢量表达式为：

$\hat{P}={(I-H)}^{-1}\mathrm{\&eta;}$ ；

其中，矩阵

，其为一个M×M的归一化链路增益矩阵；矢量η=(δ_n/G_ni)×γ＇_i，其为归一化噪声功率矢量，其中δ_n是基站n处的热噪声功率，G_ni为某一时刻第i个移动终端和基站n之间的链路增益，γ＇_i为第i个移动终端的目标信干比。

优选实施方式下，对于通信系统上行链路而言，功率控制模块确定的适应度函数如下：

$\mathrm{\&mu;}\left(t\right)=\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}[p_i\left(t\right)+\mathrm{\&phi;}\left(t\right)]$ ；

其中，φ(t)=p_i(t)-p_i(t-1)，p_i(t)表示第i个移动终端在第t代的发射功率。

更为优选地实施方式下，所述适应度函数的约束条件为：

对接收信号SINR的解调门限：

$\frac{G_{\mathrm{ni}}\&times;p_i}{I_i}\&times;{{\mathrm{\&gamma;}}_i}^{\&prime;}$ ；

对移动终端发射功率：

$0\&le;p_i\left(t\right)\&le;p_{i\_\max }$ ；

其中，I_i表示第i个移动终端所接收到的干扰和噪声功率总和，γ＇_i表示第i个移动终端的目标信干比，p_{i_max}是第i个移动终端发射功率的最大值。

更为优选地实施方式下，得到发射功率的搜索取值范围为：

$\left(\frac{{\mathrm{\&gamma;}}_i^{\&prime;}\&times;I_i}{G_{\mathrm{ni}}}\right)\&le;p_i\&le;p_{i\_\max }$  。

优选实施方式下，所述通信网络为同构网络或异构网络。

优选实施方式下，每个变量的二进制串位数m_j可由以下数学式获取：

$2^{m_j-1}<(p_{i\_\max }-\mathrm{\&alpha;})\&times;{10}^n\&le;2^{m_j}-1$ ；

其中，变量的搜索取值下限值

，变量的搜索取值范围为

，当精度确定到小数点后n位时，每个变量应该被分成至少(p_{i_max}-α)×10ⁿ个部分。

优选实施方式下，所述计算得到的每个变量的二进制串位数m_j为每个基因的长度，染色体的长度等于基因的长度乘以基因的个数。

更为优选地实施方式下，初始种群是从解的范围中随机确定的，在获得了染色体的长度的基础上，对于基于此长度的0、1染色体串的生成，可以根据预先设置的初始种群数目随机生成K组。

更为优选地实施方式下，当处理周期超过预设的时间段周期T后，则重新计算二进制串位数m_j，如果计算得到的二进制串位数m_j与前一个周期计算得到的m_j相同， 则继续采用前一个周期迭代得到的最优解并通过交叉、变异操作生成下一周期的初始种群；如果m_j已经改变，则需要重新生成新的m_j长度以初始随机种群。

优选实施方式下，从二进制串返回一个实际的值作为实际变量可以采用如下公式来实现：

$p_i=\mathrm{\&alpha;}+\mathrm{decimal}\left(\mathrm{substring}\right)\&times;\frac{p_{i\_\max }-\mathrm{\&alpha;}}{2^{m_j}-1}$  ；

其中，decimal(substring)表示变量p_i的十进位数值。

优选实施方式下，采用轮盘赌法，根据适应度函数得到染色体中最健壮及最虚弱的基因，并据此设计遗传算子以及确定遗传算法的运行参数，其具体步骤包括：

1）根据各个随机生成的染色体二进制对应的十进制数值U_k，K这个参数主要用于体现遗传算法的随机可控性，可以人为初始设置，计算适应度函数eval(U_k)：

$\mathrm{eval}\left(U_k\right)=\mathrm{\&mu;}\left(t\right),k=\mathrm{1,2,3},.....$ ；

2）计算群体的适应度总和：

$F=\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}\mathrm{eval}\left(U_k\right)$ ；

3）计算对应每个染色体U_k的选择概率Y_k：

$Y_k=\frac{\mathrm{eval}\left(U_k\right)}{F}$ ；

4）计算每个染色体U_k的累计概率Q_k：

$Q_k=\underset{j=1}{\overset{k}{\mathrm{\&Sigma;}}}{Y}_j,k=\mathrm{1,2,3}.....,K;$

5）选择新种群的一个染色体。

更为优选地实施方式下，所述步骤F5包括：

51）轮盘转动K次，每次转动生成一个[0，1]间的随机数r，记作r大小为1×K向量；

52）利用随机数向量的每一个元素进行一次筛选得到当前随机数对应的满足条件的一个新种群，如果当前随机数r_i≤Q₁，则直接选择染色体U₁这个种群作为该随机数选取的最优解；如果不满足r_i≤Q₁，则比较满足Q_k≤r_i≤Q_k+1，则选取第k个初始种群，依次遍历随机数矩阵r的每一个元素，递推直至将随机数全部比较完，选中的初始种群概率出现最多的第k组，也就是最后当前t时刻的最佳发射功率；

53）如果选中的新种群U_k不唯一，则再结合选择概率对当前多组U_k进行比较，将选择概率最小的U_k作为本次最优种群的输出。

通过上述本发明的技术方案可以看出，本发明揭示的技术方案，在结合具有最优解的全局搜索的算法下，提出了利用遗传算法来获得通信网络中上行链路的功率控制的算法，给出了一种具有可行性，实现具有一定复杂度的功控方案。采用该方案，可以满足通信网络中同构或者异构网情况下，基站适时地指示动态调整归属移动终端的上行发射功率，降低对其他基站的干扰，同时保证该目标基站下整网移动终端上行链路的QoS，保证通信网络良好的系统性能。

附图说明

图1是遗传算法的流程示意图；

图2是本发明提供的通信网络中基于遗传算法的上行功率控制装置功率控制示意图；

图3 是本发明实施例一中UMTS与GSM混合组网示意图；

图4 是本发明实施例二中LTE系统宏基站下部署多个家庭基站组网示意图。

本发明目的的实现、功能特点及优异效果，下面将结合具体实施例以及附图做进一步的说明。

具体实施方式

下面结合附图和具体实施例对本发明所述技术方案作进一步的详细描述，以使本领域的技术人员可以更好的理解本发明并能予以实施，但所举实施例不作为对本发明的限定。

通常，通信网络功率控制技术所采用的算法种类会直接影响功率控制效果的好坏，而算法实现复杂程度往往与系统性能好坏相互制约，即对系统性能提高越大，其功率控制算法的复杂度很大程度上就越高，硬件成本代价也越大。由于功率控制技术也是一种控制技术，因此一些控制理论的原理和研究结果可以应用到功率控制算法当中来，如基于模糊控制理论的功率控制算法、基于博弈论的功率控制算法等。控制理论在功率控制技术中的应用，为功率控制技术性能的提高，提供了新的路径。这也正是本发明的基石，引入遗传算法的初衷。

值得注意的是，本发明主要研究上行功率控制，即通过根据基站对终端的指示来动态调整移动终端的发射功率，使目标基站获得稳定的接收信号强度，同时减少对同/邻频的干扰，降低移动终端的功耗。

遗传算法（Genetic Algorithm，简称GA）是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索满足条件的范围内相对最优解的方法。本发明利用遗传算法原理，提出了通信网络中基于遗传算法的上行功率控制方法及装置。遗传算法引入到功率控制问题的研究中，充分利用该算法强有力的全局搜索和优化能力，保证一定复杂度的前提下，实现系统稳定性并尽可能降低移动终端的发射功率，同时不影响无线通信系统正常上行链路的QoS，它具有自组织、自适应、并行性等优异的特点，是一种全局优化技术。同时，遗传算法与其它的搜索算法（如基于梯度的搜索算法）相比，它不需要求导或其它辅助知识，而只需要确定搜索方向的目标函数和相应的适用度函数，以及遗传算子就可以在整个解空间里找寻到问题的最优解。本发明基本适用无线通信的同构网或者异构网，为通信网络中的功率控制解决方案提供了一种新思路。

本发明正是利用遗传算法强有力的全局搜索能力在功率解的空间范围内寻找满足预先设定的适用度函数的功率控制问题的最优解，进而提出了通信网络中基于遗传算法的上行功率控制方法，相对于传统的功率控制技术而言，该发明隶属于一种随机搜索的功率控制技术。通过功率控制技术对上行链路移动终端的发射功率进行适时调整，从而实现保证目标基站的上行链路的QoS以及对其他基站的干扰影响尽可能小。本发明相对现有的通信网络中常见的功率控制算法，具有复杂度较低，搜索效率高，稳定性较好等适用场景普遍的特点，也为同构网络和异构网络干扰管理的有效控制提供了一种新思路。

如图1所示，其为遗传算法的大致流程示意图，其包括如下步骤：

步骤一、实际问题参数集，预先设定初始种群数目；

步骤二、对第t代所有群体随机产生0，1二进制数据串；

步骤三、对第t代所有群体随机产生二进制数据进行编码；

步骤四、对第t代所有群体随机产生二进制数据进行解码；

步骤五、设计符合算法的适应度函数；

步骤六、评价所有个体种群；

步骤七、筛选出最优解，是否用于下一代计算，若是，则返回步骤一；否则，执行步骤八；

步骤八、获得最终改善式解决实际问题输出。

本发明既可以在同构网络实现，亦可在异构网中实现。根据不同的网络制式干扰的计算以及功控信令的下发会有一些差别。为了便于技术方案原理基本描述，这里技术方案的介绍暂以UMTS（Universal Mobile Telecommunications System，通用移动通信系统）网络为例：

步骤1：首先对UMTS网络进行建模，得到理论系统最优的发射功率的推导公式：

假定无线通信系统中有M个移动终端处于活动状态，假定在任一时刻移动终端j和基站i之间的链路增益G_ij保持常数。如果移动终端i正在与基站n进行通信，则在基站n处所接收到相对于移动终端i的干扰和噪声功率为：

$I_i=\underset{j=1,j\&NotEqual;i}{\overset{m}{\mathrm{\&Sigma;}}}{R}_{\mathrm{nj}}{p}_j+{\mathrm{\&delta;}}_n---\left(1\right)$

其中，p表示当前某个移动终端的发射功率，是一个标量。 δ_n是基站n处的热噪声功率。终端基于通信连路质量的算法原理，如果在基站n处所接收到的移动终端i的信号功率与干扰加噪声功率之比（SIR）大于或等于所要求的预设目标值γ＇_i，则认为移动终端i的信号可以被正确接收，所以对于移动终端i有如下的推导：

$\frac{G_{\mathrm{ni}}\&times;p_i}{I_n}\&GreaterEqual;{\mathrm{\&gamma;}}_i^{\&prime;}---\left(2\right)$

将（1）和（2）相结合起来，可求得移动终端i的发射功率应满足关系式：

$p_i\&GreaterEqual;\underset{j=1,j\&NotEqual;i}{\overset{M}{\mathrm{\&Sigma;}}}\frac{G_{\mathrm{nj}}}{G_{\mathrm{ni}}}\&times;p_j\&times;{\mathrm{\&gamma;}}_i^{\&prime;}+\frac{{\mathrm{\&delta;}}_i}{G_{\mathrm{ni}}}\&times;{\mathrm{\&gamma;}}_i^{\&prime;}---\left(3\right)$

另外考虑到移动终端的发射功率受限，可以表示如下式子：

$0{\&le;p}_i{\&le;p}_{i\_\max }$ ；

p_{i_max}是移动终端i发射功率的最大值。将上式改写成矩阵形式：

$P=\mathrm{HP}+\mathrm{\&eta;}$ ；

式中，矢量P=[P₁,P₂,P₃…P_M]^T表示移动终端的发射功率矢量；矩阵

是一个M×M的归一化链路增益矩阵，特别地，当i≠j时，h_nj=(G_nj/G_ni)×γ＇_i；当i=j时，h_nj=0；矢量η=(δ_n/G_ni)×γ＇_i是归一化噪声功率矢量。通过整理得到系统理论最优的发射功率矢量表达式：

$\hat{P}={(I-H)}^{-1}\mathrm{\&eta;}---\left(4\right)$

步骤2：遗传算法结合功率控制，确定适应度函数。

基于染色体群的并行搜索，带有猜测性质的选择操作、交换操作和突变操作。这种特殊的组合方式将遗传算法与其它搜索算法区别开来。搜索合适的假设从若干初始假设的群体或集合开始。以下为遗传算法的基本术语与功率控制的相关变量间关系：

（1）染色体（Chronmosome）

染色体又可以叫做基因型个体(individuals)，一定数量的个体组成了群体，群体中个体的数量叫做群体大小。本发明中发射功率的矢量P=[p_i]^T，是由用各个移动终端的发射功率p_i(i=1,2,….M)所构成，例如：[p₁,p₂,p₃,p₄]^T这样的一组向量称之为一个染色体。初始种群可从解的取值范围中随机选择出作为该种群的第一代。

（2）基因（Gene）

基因是染色体串中的元素，基因用于表示个体的特征。例如：[p₁,p₂,p₃,p₄]^T中的p₁就是一个基因，一个串S＝1011，则其中的1，0，1，1这4个元素分别称为基因。它们的值称为等位基因(Alletes)。可以看出染色体的基因就是系统中各个用户需要使用的发射功率。

（3）适应度函数（Fitness）

各个个体对环境的适应程度叫做适应度(fitness)。为了体现染色体的适应能力，引入了对问题中的每一个染色体都能进行度量的函数，叫适应度函数。这个函数是计算个体在群体中被使用的概率，用来判断群体中的个体的优劣程度的指标，它是根据所求问题的目标函数来进行评估的。在搜索进化过程中一般不需要其他外部信息，仅用评估函数来评估个体或解的优劣，并作为后代遗传操作的依据。由于遗传算法中，适应度函数要比较排序并在此基础上计算选择概率，所以适应度函数的值要取正值。选择确定适应度函数是很重要的，因为它直接影响到遗传算法的性能。结合功率控制的基本原理和根本目的，对于通信系统上行链路而言，最大化目标基站的系统容量同时功控要尽可能降低移动终端的功耗，保证系统稳定性和通信上行链路的QoS。基于这几点综合考虑本发明选取的适应度函数如下所示：

$\mathrm{\&mu;}\left(t\right)=\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}[p_i\left(t\right)+\mathrm{\&phi;}\left(t\right)]---\left(5\right)$

其中，φ(t)=p_i(t)-p_i(t-1)，要求适应度函数应尽可能小。

此外，其还有两个约束条件：

对接收信号SINR的解调门限：

$\frac{G_{\mathrm{ni}}\&times;p_i}{I_i}\&times;{{\mathrm{\&gamma;}}_i}^{\&prime;}$ ；

对移动终端发射功率：

$0\&le;p_i\left(t\right)\&le;p_{i\_\max }$ ；

p_i(t)表示第i个用户在第t代（即就是t时刻）的发射功率；I_i表示第i个用户所接收到的干扰和噪声功率总和，γ＇_i表示第i个用户的目标信干比。由上式综合得到发射功率的搜索取值范围：

$\left(\frac{{\mathrm{\&gamma;}}_i^{\&prime;}\&times;I_i}{G_{\mathrm{ni}}}\right)\&le;p_i\&le;p_{i\_\max }---\left(6\right)$

其中，假定在任一时刻可获得移动终端i和基站n之间的链路增益G_ni且保持常数，当前基站n可以得到干扰信号总的功率，噪声功率作为已知。故该功率取值范围在某一时刻是确定的。

步骤3：确定编码的方法。

由于遗传算法可以采用固定的二进制符号串来表示群体中的个体，其等位基因是由二值符号集合{0.1}组成。对于初始种群中个体的基因值可用均匀分布的随机数来生成，其中基因的长度又与所要求的精度有关。本实施例中变量的取值范围由（6）式给出，假设下限设为

,那么变量的区间就是。暂以精度取小数点后n位，也就意味着每个变量应该被分成至少(p_{i_max}-α)×10ⁿ个部分。对一个变量的二进制串位数（用m_j表示），用以下公式计算：

$2^{m_j-1}<(p_{i\_\max }-\mathrm{\&alpha;})\&times;{10}^n\&le;2^{m_j}-1---\left(7\right)$

上式得到的二进制的位数就是一个基因的长度，染色体的长度等于基因的长度再乘以基因的个数。

步骤4：初始化种群。

初始种群是从解的范围中随机选择出来的，将这些解比喻为染色体或基因，该种群被称为第一代。

本实施例在步骤3获得了染色体的长度的基础上，对于基于此长度的0，1染色体串的生成，可以根据提前设置初始种群数目随机生成K组以满足需求，在此对于初始化种群可以将其记作U_K。此外，需要设定在某一个时间段周期T（可以根据具体场景来决定），如果处理周期超过T后，系统需要重新从步骤3开始执行，计算二进制串位数m_j，如果与前一个周期计算的m_j相同， 那么可以继续采用前一个周期迭代得到的最优解并通过交叉、变异等操作生成下一周期的初始种群；如果m_j已经改变，那么需要重新生成新的m_j长度初始随机种群。

步骤5：确定解码的方法。

从二进制串返回一个实际的值作为实际变量，可以采用如下公式来实现：

$p_i=\mathrm{\&alpha;}+\mathrm{decimal}\left(\mathrm{substring}\right)\&times;\frac{p_{i\_\max }-\mathrm{\&alpha;}}{2^{m_j}-1}---\left(8\right)$

其中，decimal(substring)代表变量p_i的十进位数值。

步骤6：确定个体评价方法。

根据适应度函数得到染色体中最健壮的和最虚弱的，设计遗传算子和确定遗传算法的运行参数。

例如，本发明实施例选择使用轮盘赌选择法（roulette wheel selection），也就是适用度比例选择。具体实现时，它不是最优的算法，但是它是最简单也是最常用的选择方法。在该方法中，各个个体的选择概率和其适应度值成比例。轮盘赌选择时，各个个体类似于轮盘中的一小块扇形，扇形的大小与该个体被选择的概率成正比。那么扇形越大的个体被选择的概率越大，这就是轮盘赌选择法，为基础的概率分配来选择新的种群，大致步骤包括：

1）根据各个随机生成的染色体二进制对应的十进制数值U_k，K这个参数主要体现了遗传算法的随机可控性，可以人为初始设置。计算适应度函数eval(U_k)：

$\mathrm{eval}\left(U_k\right)=\mathrm{\&mu;}\left(t\right),k=\mathrm{1,2,3},......---\left(9\right)$

2）计算群体的适应度总和：

$F=\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}\mathrm{eval}\left(U_k\right)---\left(10\right)$

3）计算对应每个染色体U_k的选择概率Y_k：

$Y_k=\frac{\mathrm{eval}\left(U_k\right)}{F}---\left(11\right)$

4）计算每个染色体U_k的累计概率Q_k：

$Q_k=\underset{j=1}{\overset{k}{\mathrm{\&Sigma;}}}{Y}_j,k=\mathrm{1,2,3}.....,K---\left(12\right)$

5）实际工作中，选择新种群的一个染色体按照以下步骤完成：

（1）轮盘转动K次，每次转动生成一个[0，1]间的随机数r，记作r大小为1×K向量；

（2）利用随机数向量的每一个元素进行一次筛选得到当前随机数对应的满足条件的一个新种群，例如：如果当前随机数r_i≤Q₁，那么就直接选择染色体U₁这个种群作为该随机数选取的最优解；如果不满足r_i≤Q₁，则比较满足Q_k≤r_i≤Q_k+1，则选取第k个初始种群，依次遍历随机数矩阵r的每一个元素，递推直至将随机数全部比较完，选中的初始种群概率出现最多的第k组，也就是最后当前t时刻的最佳发射功率；

（3）如果选中的新种群U_k不唯一，那么需要再结合选择概率对当前多组U_k进行比较，将选择概率最小的U_k作为本次最优种群的输出。因为新种群是在进行下一代的最优种群选择的时候，作为父代遗传的最佳的染色体，在此基础上再进行交叉、变异等操作可以作为获得下一代随机产的初始种群的方式。交叉算子变异方法比较多，本发明在此不做深入的讨论。

如图2所示，假设一条基站到移动台的链路已经建立，则功率控制将归结为如何更新发射机的输出功率问题。

其中，外部输入W包括信道增益G_ii和干扰I_i(t)（包括热噪声δ_i）；控制信号u指用户传输的信号功率p_i(t)；功率控制的测量参量v表示，通常包括基于通信质量或者基于接收信号强度的测量；z表示业务特定的质量测量参量，例如误码率等，这是在较长时间段测量得到的。

实施例一

下面结合图3，通过具体的实施例说明本发明在异构网络中的实现方法，本实施例以UMTS与GSM混合组网场景为基础，研究暂以GSM基站的上行干扰为例加以说明。

UMTS系统采用WCDMA技术与传统GSM系统内用户之间是存在相互干扰的，对于任何一个用户而言，干扰来自除此用户外的其他所有用户。假设部署UMTS系统的基站记作i，GSM基站记作j。假定UMTS基站下有M个移动终端处于活动状态，GSM基站下有N个移动终端处于活动个状态。任一时刻归属UMTS基站移动终端i和归属GSM基站移动终端j与UMTS、GSM基站之间的无线链路增益依次分别为G_ii、G_jj、G_ij、G_ji且在一定时间内可以认为保持常数。

步骤1：确定决策性变量以及约束条件

GSM基站j处所接收到的干扰和噪声功率为：

$I_j=\underset{m=1}{\overset{M}{\mathrm{\&Sigma;}}}{P_m}^{\mathrm{umts}}\&times;G_{m,i}+\underset{n=1,n\&NotEqual;j}{\overset{N}{\mathrm{\&Sigma;}}}{P_n}^{\mathrm{gsm}}\&times;G_{n,j}+{\mathrm{\&delta;}}_j$ ；

其中，P_m ^umts是UMTS基站下用户的发射功率，P_m ^gsm是GSM基站下用户的发射功率，δ_j是基站j处的热噪声功率。基于通信连路质量的算法原理，如果在基站j处所接收到的移动终端j的信号功率与干扰加噪声功率之比（SINR）大于或者等于作要求的目标值γ^t _j：

$\frac{G_{\mathrm{jj}}{P_j}^{\mathrm{gsm}}}{I_j}\&GreaterEqual;{{\mathrm{\&gamma;}}^t}_j$ ；

约束条件：

（1）UMTS各UE的UL最大发射功率不能超过P_max ^umts；

（2）GSM各UE的UL最大发射功率不能超过P_max ^gsm；

公式推导GSM网络中各个移动终端j的发射功率应满足关系式：

${P_j}^{\mathrm{gsm}}\&GreaterEqual;{\mathrm{\&gamma;}}_j^{\&prime;}(\underset{n=1,n\&NotEqual;j}{\overset{N}{\mathrm{\&Sigma;}}}{P_n}^{\mathrm{gsm}}\&times;\frac{G_{n,j}}{G_{\mathrm{jj}}}+\underset{m=1}{\overset{M}{\mathrm{\&Sigma;}}}{P_m}^{\mathrm{umts}}\&times;\frac{G_{m,j}}{G_{\mathrm{jj}}})+\mathrm{\&eta;}$

即系统的最优发射功率解的表达式为：

$P^{\mathrm{gsm}}={(I-H)}^{-1}\&times;(H_u\&times;P^{\mathrm{umts}}+\mathrm{\&eta;})---\left(13\right)$

式中，矢量P^gsm=[P₁,P₂,P₃,….,P_N]^T，P^umts=[P₁,P₂,P₃,….,P_M]^T分别表示GSM网络和UMTS网络中移动终端的发射功率矢量；矩阵H=[h_nj]是一个N×N的归一化链路增益矩阵，特别地，当n≠j时，

；当n=j时，h_ij=0；H_u=[h_mi]是一个M×M的归一化链路增益矩阵，

，矢量

是归一化噪声功率矢量。GSM系统基站可以测得所有接收信号的功率之和，也可以得到UMTS的基站下所有用户对其干扰的总和。因此理论最优发射功率可以获得，此外终端发射功率的搜索范围也是可以确定的。

步骤2：遗传算法结合功率控制，确定适应度函数

对于上行链路而言，功率控制就是最小化用户终端的功率消耗，同时最大化系统容量，保证系统稳定性，保证链路的QoS。因此，选取的适应度函数如下：

$\mathrm{\&mu;}\left(t\right)=\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}[{P_j}^{\mathrm{gsm}}\left(t\right)+\mathrm{\&phi;}\left(t\right)]---\left(14\right)$

其中，φ(t)=P_j ^gsm(t)-P_j ^gsm(t-1)，要求适应度函数尽可能的小。此外，由于对接收信号SINR的解调门限的要求以及终端发射功率是有限制的，约束条件是：

$\frac{G_{\mathrm{jj}}{P_j}^{\mathrm{gsm}}}{I_j}\&GreaterEqual;{{\mathrm{\&gamma;}}^t}_j,0\&le;{P_j}^{\mathrm{gsm}}\left(t\right)\&le;{P_{\max }}^{\mathrm{gsm}};$

P_j(t)表示第j个用户在第t代的发射功率；I_j表示第j个用户所接收到的干扰和噪声功率总和，γ^t _j表示第j个用户在第t代的目标信干比。

步骤3：确定编码方法

假设下限设为

, GSM基站可以接收到所有移动终端总的接收功率，再减去当前用户的功率就是干扰的总功率。那么变量的区间就是

，暂以精度取小数点后n位，也就意味着每个变量应该被分成至少(p_{i_max}-α)×10ⁿ个部分。对一个变量的二进制串位数（用m_j表示），用以下公式计算：

$2^{m_j-1}<({P_{\max }}^{\mathrm{gsm}}-\mathrm{\&alpha;})\&times;{10}^n\&le;2^{m_j-1}---\left(15\right)$

上式得到的二进制的位数就是一个基因的长度，染色体的长度等于基因的长度再乘以基因的个数。

步骤4：初始化种群

初始种群是从解的范围中随机选择出来的，将这些解比喻为染色体或基因，该种群被称为第一代。本发明在步骤3获得了染色体的长度的基础上，对于基于此长度的0，1染色体串的生成，可以根据提前设置初始种群数目随机生成K组以满足需求，在此对于初始化种群记作U_K。此外，需要设定在某一个时间段周期T（可以根据具体场景来决定），如果处理周期超过T后，系统需要重新从步骤3开始执行，计算二进制串位数m_j，如果与前一个周期计算的m_j相同， 那么可以继续采用前一个周期迭代得到的最优解并通过交叉、变异等操作生成下一周期的初始种群；如果m_j已经改变，那么需要重新生成新的m_j长度初始随机种群。

步骤5：确定解码方法

从二进制串返回一个实际的值可以采用如下公式来实现：

$P_j=\mathrm{\&alpha;}+\mathrm{decimal}\left(\mathrm{substring}\right)\&times;\frac{{P_{\max }}^{\mathrm{gsm}}}{2^{m_j}-1}---\left(16\right)$

其中，decimal(substring)代表变量P_j的十进位数值。

步骤6：确定个体评价方法

本发明选择使用轮盘赌选择法（roulette wheel selection），它不是最优的算法，但是它是最简单也是最常用的选择方法。

1）根据各个随机生成的染色体二进制对应的十进制数值U_k，K这个参数主要体现了遗传算法的随机迭代可控性，可以人为初始设置。计算适应度函数eval(U_k)：

$\mathrm{eval}\left(U_k\right)=\mathrm{\&mu;}\left(t\right),k=\mathrm{1,2.3},......---\left(17\right)$

2）计算群体的适应度总和：

$F=\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}\mathrm{eval}\left(U_k\right)---\left(18\right)$

3）计算对应每个染色体U_k的选择概率Y_k：

$Y_k=\frac{\mathrm{eval}\left(U_k\right)}{F}---\left(19\right)$

4）计算每个染色体U_k的累计概率Q_k：

$Q_k=\underset{j=1}{\overset{k}{\mathrm{\&Sigma;}}}{Y}_j,k=\mathrm{1,2,3}.....,K---\left(20\right)$

5）实际工作中，选择新种群的一个染色体按照以下步骤完成：

（1）轮盘转动K次，每次转动生成一个[0，1]间的随机数r，记作r为1×K向量；

（2）利用随机数向量的每一个元素进行一次筛选得到当前随机数对应的满足条件的一个新种群，例如：如果当前随机数r_i≤Q₁，那么就直接选择染色体U₁这个种群作为该随机数选取的最优解；如果不满足r_i≤Q₁，则比较满足Q_k≤r_i≤Q_k+1，则选取第k个初始种群，依次遍历随机数矩阵r的每一个元素，递推直至将随机数全部比较完，选中的初始种群概率出现最多的第k组，也就是最后当前t时刻的最佳发射功率；

（3）如果选中的新种群U_k不唯一，那么需要再结合选择概率对当前多组U_k进行比较，将选择概率最小的U_k作为本次最优种群的输出。新种群是在进行下一代的最优种群选择的时候，作为父代遗传的最佳的染色体，在此基础上再进行交叉、变异等操作可以作为获得下一代随机产的初始种群的方式。交叉算子变异方法比较多，本发明在此不做深入的讨论。

实施例二

下面结合图4，通过具体的实施例说明本发明在LTE系统中一个宏站下部署多个家庭基站（femto）来实现补盲补热场景为例，加以说明。

LTE系统中上行采用的是SC-FDMA技术，也就是说子载波之间是相互正交的，假设宏基站下M个UE的频点信息：

$F_{\mathrm{lte}}=\left[\begin{array}{cccc}f_1& f_2& ...& f_M\end{array}\right].$

步骤1 ：确定决策性变量以及约束条件

家庭基站和宏基站采用同频布站方式，那么在某一个频点上，家庭基站下采用该频点的用户和宏基站下采用该频点的用户会产生相互干扰，非同频点之间用户没有干扰。假设部署家庭基站N个，宏基站记做i，以第j个家庭基站为例，那么其受到的上行干扰为来自其他小区的采用相同频点用户都是干扰信号，表达式为：

$I_j=\underset{n=1,n\&NotEqual;j}{\overset{N}{\mathrm{\&Sigma;}}}{P_n}^f\&times;G_{\mathrm{nj}}+P_i^m\&times;G_{\mathrm{ii}}+{\mathrm{\&delta;}}_j---\left(21\right)$

其中P_j ^f，

分别表示家庭基站下某频点UE的发射功率和宏基站下同频点处的UE的发射功率。G_nj表示其他家庭基站下同频用户到第j个家庭基站的链路增益，G_ii表示宏基站下同频点用户i到家庭基站的链路增益，δ_j是家庭基站j处的热噪声功率。如果在基站j处所接收到的移动终端j的信号功率与干扰加噪声功率之比（SINR）大于或者等于作要求的目标值γ^t _j：

$\frac{G_{\mathrm{jj}}{P_j}^f}{I_j}\&GreaterEqual;{{\mathrm{\&gamma;}}^t}_j$ ；

约束条件：

（1）LTE各UE的UL最大发射功率不能超过P_max ^m；

（2）家庭基站各UE的UL最大发射功率不能超过P_max ^f；

可求得家庭基站j下采用同频的移动终端j的发射功率应满足关系式：

${P_j}^{*f}=\underset{n=1,n\&NotEqual;j}{\overset{N}{\mathrm{\&Sigma;}}}{P_n}^f\&times;\frac{G_{\mathrm{nj}}\&times;{{\mathrm{\&gamma;}}_j}^t}{G_{\mathrm{jj}}}+{P_i}^m\&times;\frac{G_{\mathrm{ij}}\&times;{{\mathrm{\&gamma;}}_j}^t}{G_{\mathrm{jj}}}+\mathrm{\&eta;}---\left(21\right)$

其中，P_j ^*f表示家庭基站j下同频点的移动终端最优发射功率，矢量η=(δ_n/G_ni)×γ^t _i是归一化噪声功率矢量。是宏基站下采用同频点的终端的发射功率。家庭基站j可以测得接收信号的功率总和，减去当前目标基站下的有用信号功率就是干扰信号功率总和。因此，理论上该家庭基站j下的该频点的移动终端的最优发射功率可以获得。G_nj是某频点的终端到家庭基站j的链路增益，假设一段时间内保持常数。

步骤2：遗传算法结合功率控制，确定适应度函数

对于上行链路而言，功率控制就是最小化用户终端的功率消耗，同时最大化系统容量，保证系统稳定性，保证上行链路的QoS。因此，适应度函数可以简化为：

$\mathrm{\&mu;}\left(t\right)={P_j}^f\left(t\right)+\mathrm{\&phi;}\left(t\right)---\left(22\right)$

其中，φ(t)=p_j ^f(t)- p_j ^f(t-1)，要求适应度函数尽可能的小。此外，由于对接收信号SINR的解调门限的要求以及终端发射功率是有限制的，约束条件是：

$\frac{G_{\mathrm{jj}}{P_j}^f}{I_j}\&GreaterEqual;{{\mathrm{\&gamma;}}^t}_j$ 和  $0\&le;{P_j}^f\left(t\right)\&le;{P_{\max }}^f$ ；

其中，P_j ^f(t)表示第j个家庭基站用户在第t代的发射功率；I_j表示第j个家庭基站用户所接收到的干扰和噪声功率总和，γ^t _j表示第j个用户在第t代的目标信干比。

步骤3 ： 确定编码方法

假设下限设为,那么变量的区间范围就是

，暂以精度取小数点后n位，也就意味着每个变量应该被分成至少(p_{i_max}-α)×10ⁿ个部分。对一个变量的二进制串位数（用m_j表示），用以下公式计算：

$2^{m_j-1}\&le;({P_{\max }}^f-\mathrm{\&alpha;})\&times;{10}^n\&le;2^{m_j}-1---\left(23\right)$

上式得到的二进制的位数就是一个基因的长度，染色体的长度等于基因的长度再乘以基因的个数。

步骤4 ：初始化种群。

初始种群是从解的范围中随机选择出来的，将这些解比喻为染色体或基因，该种群被称为第一代。本实施例在步骤3获得了染色体的长度的基础上，对于基于此长度的0，1染色体串的生成，可以根据提前设置初始种群数目随机生成K组以满足需求，在此对于初始化种群记作U_K。此外，需要设定在某一个时间段周期T（可以根据具体场景来决定），如果处理周期超过T后，系统需要重新从上述步骤3开始执行，计算二进制串位数m_j，如果与前一个周期计算的m_j相同， 那么可以继续采用前一个周期迭代得到的最优解并通过交叉、变异等操作生成下一周期的初始种群；如果m_j已经改变，那么需要重新生成新的m_j长度初始随机种群。

步骤5 ：确定解码方法

从二进制串返回一个实际的值可以采用如下公式来实现：

${P_j}^f=\mathrm{\&alpha;}+\mathrm{decimal}\left(\mathrm{substring}\right)\&times;\frac{{P_{\max }}^f}{2^{m_j}-1}---\left(24\right)$

其中，decimal(substring)代表变量P_j ^f的十进位数值。

步骤6 ：确定个体评价方法

本实施例依旧选择使用轮盘赌选择法 （roulette wheel selection），它不是最优的算法，但是它是最简单也是最常用的选择方法，其包括如下具体步骤：

1）根据各个随机生成的染色体二进制对应的十进制数值U_k，K这个参数主要体现了遗传算法的随机迭代可控性，可以人为初始设置。计算适应度函数eval(U_k)：

$\mathrm{eval}\left(U_k\right)=\mathrm{\&mu;}\left(t\right),k=\mathrm{1,2,3},.....---\left(25\right)$

2）计算群体的适应度总和：

$F=\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}\mathrm{eval}\left(U_k\right)---\left(26\right)$

3）计算对应每个染色体U_k的选择概率Y_k：

$Y_k=\frac{\mathrm{eval}\left(U_k\right)}{F}---\left(27\right)$

4）计算每个染色体U_k的累计概率Q_k：

$Q_k=\underset{j=1}{\overset{k}{\mathrm{\&Sigma;}}}{Y}_j,k=\mathrm{1,2,3}.....,K---\left(28\right)$

5）实际工作中，选择新种群的一个染色体按照以下步骤完成：

（1）轮盘转动K次，每次转动生成一个[0，1]间的随机数r_k，记r=[r_1,r_2,r_3,….r_K]为1×K向量；

（2）利用随机数向量的每一个元素进行一次筛选得到当前随机数对应的满足条件的一个新种群，例如：如果当前随机数r_i≤Q₁，那么就直接选择染色体U₁这个种群作为该随机数选取的最优解；如果不满足r_i≤Q₁，则比较满足Q_k≤r_i≤Q_k+1，则选取第k个初始种群，依次遍历随机数矩阵r的每一个元素，递推直至将随机数全部比较完，选中的初始种群概率出现最多的第k组，也就是最后当前t时刻的最佳发射功率；

（3）如果选中的新种群U_k不唯一，那么需要再结合选择概率对当前多组U_k进行比较，将选择概率最小的U_k作为本次最优种群的输出。新种群是在进行下一代的最优种群选择的时候，作为父代遗传的最佳的染色体，在此基础上再进行交叉、变异等操作可以作为获得下一代随机产的初始种群的方式。交叉算子变异方法比较多，本发明在此不做深入的讨论。

以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (26)

1.一种通信网络中基于遗传算法的上行功率控制方法，其特征在于，包括：

A、对通信网络进行建模，获取理论最优的移动终端发射功率表达式；

B、结合遗传算法确定适应度函数；

C、确定变量的二进制串位数；

D、初始化种群；

E、从二进制串中返回一个实际的值作为实际变量；

F、根据适应度函数得到染色体中最健壮及最虚弱的基因，并据此设计遗传算子以及确定遗传算法的运行参数。

2.如权利要求1所述的通信网络中基于遗传算法的上行功率控制方法，其特征在于，在所述步骤A中，所述理论最优的移动终端发射功率

矢量表达式为：

$\hat{P}={(I-H)}^{-1}\mathrm{\&eta;}$ ；

其中，矩阵，其为一个M×M的归一化链路增益矩阵；矢量η=(δ_n/G_ni)×γ＇_i，其为归一化噪声功率矢量，其中δ_n是基站n处的热噪声功率，G_ni为某一时刻第i个移动终端和基站n之间的链路增益，γ＇_i为第i个移动终端的目标信干比。

3.如权利要求1所述的通信网络中基于遗传算法的上行功率控制方法，其特征在于，在所述步骤B中，对于通信系统上行链路而言，确定的适应度函数如下：

$\mathrm{\&mu;}\left(t\right)=\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}[p_i\left(t\right)+\mathrm{\&phi;}\left(t\right)]$ ；

其中，φ(t)=p_i(t)-p_i(t-1)，p_i(t)表示第i个移动终端在第t代的发射功率。

4.如权利要求3所述的通信网络中基于遗传算法的上行功率控制方法，其特征在于，所述适应度函数的约束条件为：

对接收信号SINR的解调门限：

$\frac{G_{\mathrm{ni}}\&times;p_i}{I_i}\&times;{{\mathrm{\&gamma;}}_i}^{\&prime;}$ ；

对移动终端发射功率：

$0\&le;p_i\left(t\right)\&le;p_{i\_\max }$

其中，I_i表示第i个移动终端所接收到的干扰和噪声功率总和，γ＇_i表示第i个移动终端的目标信干比，p_{i_max}是第i个移动终端发射功率的最大值。

5.如权利要求4所述的通信网络中基于遗传算法的上行功率控制方法，其特征在于，得到发射功率的搜索取值范围为：

$\left(\frac{{\mathrm{\&gamma;}}_i^{\&prime;}\&times;I_i}{G_{\mathrm{ni}}}\right)\&le;p_i\&le;p_{i\_\max }$  。

6.如权利要求1所述的通信网络中基于遗传算法的上行功率控制方法，其特征在于，所述通信网络为同构网络或异构网络。

7.如权利要求5所述的通信网络中基于遗传算法的上行功率控制方法，其特征在于，在所述步骤C中，每个变量的二进制串位数m_j可由以下数学式获取：

$2^{m_j-1}<(p_{i\_\max }-\mathrm{\&alpha;})\&times;{10}^n\&le;2^{m_j}-1$ ；

其中，变量的搜索取值下限值

，变量的搜索取值范围为

，当精度确定到小数点后n位时，每个变量应该被分成至少(p_{i_max}-α)×10ⁿ个部分。

8.如权利要求7所述的通信网络中基于遗传算法的上行功率控制方法，其特征在于，所述计算得到的每个变量的二进制串位数m_j为每个基因的长度，染色体的长度等于基因的长度乘以基因的个数。

9.如权利要求8所述的通信网络中基于遗传算法的上行功率控制方法，其特征在于，在所述步骤D中，初始种群是从解的范围中随机确定的，在获得了染色体的长度的基础上，对于基于此长度的0、1染色体串的生成，可以根据预先设置的初始种群数目随机生成K组。

10.如权利要求9所述的通信网络中基于遗传算法的上行功率控制方法，其特征在于，当处理周期超过预设的时间段周期T后，则转步骤C，以计算二进制串位数m_j，如果计算得到的二进制串位数m_j与前一个周期计算得到的m_j相同， 则继续采用前一个周期迭代得到的最优解并通过交叉、变异操作生成下一周期的初始种群；如果m_j已经改变，则需要重新生成新的m_j长度以初始随机种群。

11.如权利要求1所述的通信网络中基于遗传算法的上行功率控制方法，其特征在于，在所述步骤E中，从二进制串返回一个实际的值作为实际变量可以采用如下公式来实现：

$p_i=\mathrm{\&alpha;}+\mathrm{decimal}\left(\mathrm{substring}\right)\&times;\frac{p_{i\_\max }-\mathrm{\&alpha;}}{2^{m_j}-1}$  ；

其中，decimal(substring)表示变量p_i的十进位数值。

12.如权利要求1所述的通信网络中基于遗传算法的上行功率控制方法，其特征在于，在所述步骤F中，采用轮盘赌法，根据适应度函数得到染色体中最健壮及最虚弱的基因，并据此设计遗传算子以及确定遗传算法的运行参数，其具体步骤包括：

F1、根据各个随机生成的染色体二进制对应的十进制数值U_k，K这个参数主要用于体现遗传算法的随机可控性，可以人为初始设置，计算适应度函数eval(U_k)：

$\mathrm{eval}\left(U_k\right)=\mathrm{\&mu;}\left(t\right)k=\mathrm{1,2,3}......$ ；

F2、计算群体的适应度总和：

$F=\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}\mathrm{eval}\left(U_k\right)$ ；

F3、计算对应每个染色体U_k的选择概率Y_k：

$Y_k=\frac{\mathrm{eval}\left(U_k\right)}{F}$ ；

F4、计算每个染色体U_k的累计概率Q_k：

$Q_k=\underset{j=1}{\overset{k}{\mathrm{\&Sigma;}}}{Y}_j,k=\mathrm{1,2,3}.....,K;$

F5、选择新种群的一个染色体。

13.如权利要求12所述的通信网络中基于遗传算法的上行功率控制方法，其特征在于，所述步骤F5包括：

F51、轮盘转动K次，每次转动生成一个[0，1]间的随机数r，记作r大小为1×K向量；

F52、利用随机数向量的每一个元素进行一次筛选得到当前随机数对应的满足条件的一个新种群，如果当前随机数r_i≤Q₁，则直接选择染色体U₁这个种群作为该随机数选取的最优解；如果不满足r_i≤Q₁，则比较满足Q_k≤r_i≤Q_k+1，则选取第k个初始种群，依次遍历随机数矩阵r的每一个元素，递推直至将随机数全部比较完，选中的初始种群概率出现最多的第k组，也就是最后当前t时刻的最佳发射功率；

F53、如果选中的新种群U_k不唯一，则再结合选择概率对当前多组U_k进行比较，将选择概率最小的U_k作为本次最优种群的输出。

14.一种通信网络中基于遗传算法的上行功率控制装置，其特征在于，包括：

功率控制模块，其用于对通信网络进行建模，获取理论最优的移动终端发射功率表达式；结合遗传算法确定适应度函数；确定变量的二进制串位数；初始化种群；从二进制串中返回一个实际的值作为实际变量；以及，根据适应度函数得到染色体中最健壮及最虚弱的基因，并据此设计遗传算子以及确定遗传算法的运行参数。

15.如权利要求14所述的通信网络中基于遗传算法的上行功率控制装置，其特征在于，所述理论最优的移动终端发射功率矢量表达式为：

$\hat{P}={(I-H)}^{-1}\mathrm{\&eta;}$ ；

其中，矩阵

，其为一个M×M的归一化链路增益矩阵；矢量η=(δ_n/G_ni)×γ＇_i，其为归一化噪声功率矢量，其中δ_n是基站n处的热噪声功率，G_ni为某一时刻第i个移动终端和基站n之间的链路增益，γ＇_i为第i个移动终端的目标信干比。

16.如权利要求14所述的通信网络中基于遗传算法的上行功率控制装置，其特征在于，对于通信系统上行链路而言，功率控制模块确定的适应度函数如下：

$\mathrm{\&mu;}\left(t\right)=\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}[p_i\left(t\right)+\mathrm{\&phi;}\left(t\right)]$ ；

其中，φ(t)=p_i(t)-p_i(t-1)，p_i(t)表示第i个移动终端在第t代的发射功率。

17.如权利要求16所述的通信网络中基于遗传算法的上行功率控制装置，其特征在于，所述适应度函数的约束条件为：

对接收信号SINR的解调门限：

$\frac{G_{\mathrm{ni}}\&times;p_i}{I_i}\&times;{{\mathrm{\&gamma;}}_i}^{\&prime;}$ ；

对移动终端发射功率：

$0\&le;p_i\left(t\right)\&le;p_{i\_\max }$ ；

其中，I_i表示第i个移动终端所接收到的干扰和噪声功率总和，γ＇_i表示第i个移动终端的目标信干比，p_{i_max}是第i个移动终端发射功率的最大值。

18.如权利要求17所述的通信网络中基于遗传算法的上行功率控制装置，其特征在于，得到发射功率的搜索取值范围为：

$\left(\frac{{\mathrm{\&gamma;}}_i^{\&prime;}\&times;I_i}{G_{\mathrm{ni}}}\right)\&le;p_i\&le;p_{i\_\max }$  。

19.如权利要求14所述的通信网络中基于遗传算法的上行功率控制装置，其特征在于，所述通信网络为同构网络或异构网络。

20.如权利要求18所述的通信网络中基于遗传算法的上行功率控制装置，其特征在于，每个变量的二进制串位数m_j可由以下数学式获取：

$2^{m_j-1}<(p_{i\_\max }-\mathrm{\&alpha;})\&times;{10}^n\&le;2^{m_j}-1$ ；

其中，变量的搜索取值下限值

，变量的搜索取值范围为

，当精度确定到小数点后n位时，每个变量应该被分成至少(p_{i_max}-α)×10ⁿ个部分。

21.如权利要求20所述的通信网络中基于遗传算法的上行功率控制装置，其特征在于，所述计算得到的每个变量的二进制串位数m_j为每个基因的长度，染色体的长度等于基因的长度乘以基因的个数。

22.如权利要求21所述的通信网络中基于遗传算法的上行功率控制装置，其特征在于，初始种群是从解的范围中随机确定的，在获得了染色体的长度的基础上，对于基于此长度的0、1染色体串的生成，可以根据预先设置的初始种群数目随机生成K组。

23.如权利要求22所述的通信网络中基于遗传算法的上行功率控制装置，其特征在于，当处理周期超过预设的时间段周期T后，则重新计算二进制串位数m_j，如果计算得到的二进制串位数m_j与前一个周期计算得到的m_j相同， 则继续采用前一个周期迭代得到的最优解并通过交叉、变异操作生成下一周期的初始种群；如果m_j已经改变，则需要重新生成新的m_j长度以初始随机种群。

24.如权利要求14所述的通信网络中基于遗传算法的上行功率控制装置，其特征在于，从二进制串返回一个实际的值作为实际变量可以采用如下公式来实现：

$p_i=\mathrm{\&alpha;}+\mathrm{decimal}\left(\mathrm{substring}\right)\&times;\frac{p_{i\_\max }-\mathrm{\&alpha;}}{2^{m_j}-1}$  ；

其中，decimal(substring)表示变量p_i的十进位数值。

25.如权利要求14所述的通信网络中基于遗传算法的上行功率控制装置，其特征在于，采用轮盘赌法，根据适应度函数得到染色体中最健壮及最虚弱的基因，并据此设计遗传算子以及确定遗传算法的运行参数，其具体步骤包括：

1）根据各个随机生成的染色体二进制对应的十进制数值U_k，K这个参数主要用于体现遗传算法的随机可控性，可以人为初始设置，计算适应度函数eval(U_k)：

$\mathrm{eval}\left(U_k\right)=\mathrm{\&mu;}\left(t\right),k=\mathrm{1,2,3}......$ ；

2）计算群体的适应度总和：

$F=\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}\mathrm{eval}\left(U_k\right)$ ；

3）计算对应每个染色体U_k的选择概率Y_k：

$Y_k=\frac{\mathrm{eval}\left(U_k\right)}{F}$ ；

4）计算每个染色体U_k的累计概率Q_k：

$Q_k=\underset{j=1}{\overset{k}{\mathrm{\&Sigma;}}}{Y}_j,k=\mathrm{1,2,3}.....,K;$

5）选择新种群的一个染色体。

26.如权利要求25所述的通信网络中基于遗传算法的上行功率控制装置，其特征在于，所述步骤F5包括：

51）轮盘转动K次，每次转动生成一个[0，1]间的随机数r，记作r大小为1×K向量；

52）利用随机数向量的每一个元素进行一次筛选得到当前随机数对应的满足条件的一个新种群，如果当前随机数r_i≤Q₁，则直接选择染色体U₁这个种群作为该随机数选取的最优解；如果不满足r_i≤Q₁，则比较满足Q_k≤r_i≤Q_k+1，则选取第k个初始种群，依次遍历随机数矩阵r的每一个元素，递推直至将随机数全部比较完，选中的初始种群概率出现最多的第k组，也就是最后当前t时刻的最佳发射功率；

53）如果选中的新种群U_k不唯一，则再结合选择概率对当前多组U_k进行比较，将选择概率最小的U_k作为本次最优种群的输出。

Images