CN103916223A - 一种基于遗传算法的d2d协作重传方法 - Google Patents

Abstract

本发明提供一种基于遗传算法的D2D协作重传方法，针对MBMS场景的特点对传统的实现算法进行了改进，提出了基于遗传算法的D2D协作重传机制，该方法的大体过程是首先给问题的解编码，然后根据优化的目标函数来得到适应度函数，算法的具体流程主要分为随机生成初始种群，然后通过选择、交叉、变异等遗传算子使初始种群不断进化，在到达预先设定的进化代数后，最终找到最优染色体，即问题的最优解，通过对传统方法的改进，本发明将生物学上的遗传现象应用于MBMS场景中，从而在不增加算法复杂度的前提下，显著的提升了系统的频谱效率，实现了资源的合理利用。

Description

一种基于遗传算法的D2D协作重传方法

技术领域

本发明涉及无线通信领域，适用于下一代无线蜂窝通信系统中的多媒体广播多播业务(MBMS,Multimedia Broadcast Multicast Service)，具体涉及借助点到点通信技术(D2D Communication,Device-to-Device Communication)为多媒体广播多播业务场景提供的基于遗传算法(GA,Genetic Algorithm）的协作重传方案。

背景技术

随着智能终端的快速普及和网络应用的迅猛发展，用户对于无线接入网（RAN,random access network）的需求不断增长，其主要体现在系统的用户容量（system capacity）和业务的服务感受（QoE,quality of experience）。值得一提的是，随着大规模视频网站的风靡，多媒体流逐渐成为因特网中的主流业务，这对通信的传输能力和性能提出了巨大的考验。在一些特定的多媒体业务应用场景，例如某个范围区间内的用户都想在网络侧下载某个文件或者请求某个电视节目，这时如果通过网络侧的单播来给这些用户逐一传输，可能效率不高而且造成资源的浪费；但是如果通过网络侧的多媒体广播或者多播技术来传输，链路资源的利用效率就能得到明显的提升，同时网络侧的通信压力也将大幅度减小。正因为上述应用需求，多媒体广播多播技术应运而生，在该技术下，基站可以向具有相同内容请求的用户广播或者多播服务信息，而无需与每个用户都建立通信链路，另外，由于使用广播信道，基站到用户的链路之间不存在同频干扰，大大节省了信令和能耗开销，提高了频谱资源利用率（spectralefficiency）；但是，由于用户到基站之间信道的差异性，导致他们在接收广播信息时的QoE大相径庭，甚至会出现无法准确接收的情况，此时，基站需要与无法准确接收业务内容的用户建立单播链路重传服务信息，从而使MBMS的优势大打折扣。除此之外，即使基站能够与无法接收到服务信息的用户重新建立链路，但这样的方式同样存在一定的挑战，一方面，对于没有准确接收到服务信息的用户，其与基站之间的链路质量较差，基站需要付出较大的发射功率才能保证链路能成功建立，当系统处于高负荷条件下，这会产生较大的小区间干扰，影响整个系统的性能；另一方面，随着用户生活模式的改变，基于近距离通信的业务日渐普及，比如文献1（K.Doppler et al.,“Device-to-Device Communicationas an Underlay to LTE-Advanced Networks,”IEEE Commun.Mag.,vol.7,no.12,2009,pp.42–49）中提到的社交网络和朋友间近距离的数据共享；文献2（Lei Lei,ZhangduiZhong,Chuang Lin,Sherman Shen,Operator Controlled Device-to-DeviceCommunications in LTE-Advanced Networks,IEEE Wireless Communications,19(3):96-104,June2012）中提到的多用户联机游戏、局部多播服务、M2M技术等都是一些近距离通信的应用；更重要的是近距离通信能够很好的弥补传统蜂窝网络的通信能力，提升其整体性能；如果接收到业务内容的用户可以代替基站的作用，向处在邻近位置、但未成功接收到业务内容的用户进行重传，那么传输的性能必将得到改善，系统的无线资源利用率也能得到提高。正因为上述特点和优势，D2D通信受到了越来越多的关注和研究。它是一种新的通信模式（communication paradigm），在其模式下邻近的用户终端（UE,user equipment）之间可以直接通信而无需通过基站（BS,base station）进行中转。D2D通信给传统通信带来了更多的自由度，能够充分的利用邻近通信对之间良好的信道条件，改善用户的服务感受，提高频带利用率，降低终端发射功率，在一定程度上解决无线通信系统频谱资源匮乏的问题。除此之外，D2D通信还能够缩短传输时延，降低基站负荷，拓展小区覆盖范围。通过上面的分析可以看出，MBMS技术在提升系统性能上具有巨大的潜力，但其并不能保证用户的服务质量和性能，无法避免出现传输失败的情况，如果此时借助D2D通信的特点设计相应的重传机制，则可以有效的提升用户的服务质量，充分发挥MBMS技术的优势。以上提到的重传机制就是目前需要解决的问题。

考虑单小区中的MBMS应用场景，小区中的用户形成了不同的簇，每个簇中的所有成员向网络侧请求相同的业务内容。当簇内成员向基站请求特定业务内容之后，基站会以固定的速率向簇中所有成员多播上述内容，多播过程中各条链路使用相同的逻辑信道，为了保证传输的质量，该速率受限于多播过程中链路质量最差的物理信道。由于簇内各个成员与基站之间物理信道的链路状态存在差异性，因此，与基站之间物理信道质量好的成员能够准确的接收到业务内容（称为ACK用户），而物理信道质量差的成员无法成功接受到上述业务内容（称为NACK用户）。为了让所有的用户都成功接收到业务内容，保证他们具有相同的服务感受，需要给“NACK用户”在“ACK用户”集合中选择重传者为其重发业务内容，即借助D2D通信来完成对“NACK用户”请求内容的重传。假设簇中有N个用户，用集合U来表示其所构成的用户集合，这里U={1,2，...,N}，其中每个符号都是用户的特定标识。在某次传输之后，根据传输的成功与否，上述集合U可分为两个子集合U_ACK和U_NACK，分别表示“ACK用户”和“NACK用户”，且满足U_ACK∪U_NACK=U，此外，用N_ACK和N_NACK分别表示相应集合中元素的数目，因此N_ACK+N_NACK=N。所有“ACK用户”到“NACK用户”之间的物理信道质量可以通过一个频谱效率矩阵来表示，矩阵中的任意一个元素e_mn=R_mn/BW_mn就是重传者到重传对象之间传输的频谱效率，其中，R_mn是第m个用户到第n个用户建立的通信链路的传输速率，而BW_mn是链路带宽，因此，e_mn表示单位频带上的比特率，单位是bps/Hz。如果需要重传的信息比特数目为1，则从第m个用户到第n个用户链路所消耗的频带资源为

随着用户终端的普及和智能化，无线通信的负荷急剧上升，但是，在2007年的世界无线通信大会上，只有不到600MHz的频带资源分配给移动通信系统；然而，据估计（文献3：刘波.遗传算法及其在通信中的应用），到2020年频带资源的需求量将达到1280MHz到1720MHz。在短期内无法获得更多频带资源的情况下，最有效的方法就是充分的利用已有的频带资源，因此，优化模型的优化准则是最小化在簇内多播重传过程中频带资源的消耗，实现提高MBMS业务资源利用率的目标。当簇内的重传者有L个时（L≥1），最小的资源消耗cost_L可以表示为：

${\cos t}_L=\underset{\underset{\underset{U_{n_1}\∪...\∪U_{n_L}=U_{\mathrm{NACK}}}{n_1\≠n_2\≠...\≠n_L}}{n_k\∈U_{\mathrm{ACK}},k=1,...,L}}{\min }\left\{\underset{k=1}{\overset{L}{\mathrm{\Σ}}}\frac{1}{\underset{m\∈U_{n_k}}{\min }\left(e_{{\mathrm{mn}}_k}\right)}\right\}---\left(1\right)$

其中，n_k表示第k（1≤k≤L）个重传者，表示n_k的重传对象集合。

优化模型的本质是一种组合优化问题。在组合优化问题的求解中，目标是在可行解集中找出最优解，通常可描述为：Q={s₁,s₂,...,s_n}为所有状态构成的解空间，C(s_i)为状态S_i对应的目标函数值，要求寻找最优解s*，使得对于所有的状态s_i有典型的组合优化问题如旅行商问题、背包问题、图着色问题等，这些问题和本发明要解决的问题类似，虽然描述简单，但是求解很困难，其主要原因是求解这些问题的传统算法需要极长的运行时间与极大的存储空间。

目前，优化上述问题的方案主要包括两类：固定链路配对和动态链路配对。

这两种方案的特点如下：

（1）固定链路配对

顾名思义，固定链路配对就是基站多播业务内容之前预先确定簇内哪些用户将会参与重传。例如，在U_ACK中的用户中预先设定单个重传者A用户，即A用户需要与U_NACK中的所有用户建立物理链路并通过多播方式进行重传；再如，如果预先设定的重传者为用户A、B、C、D甚至更多的U_ACK中的用户，这些重传者将会分别建立与各自重传对象之间的多播链路，共同完成MBMS中的重传任务。

通过上述两个固定链路配对方案的实例可以看出，实例一中把重传的任务都分配给了一个特定的重传者A，形成单个发送者的多播链路，这样虽然使得优化模型（式（1））中的求和项目减少，但是中很可能会出现比较小的值，从而使整个目标值较大；此外，当U_NACK中用户数目较多时，这样的配置会给重传者A造成很大的通信压力，在用户终端发射功率有限的情况下，这会大大的降低单个用户的工作寿命（lifetime）；实例二通过把重传任务分配给多个用户，形成多个固定的多播链路，这样做一方面在U_NACK中用户数量较多的情况下降低了像实例一中单个多播链路给重传者造成的通信压力，另一方面，降低了中出现较小的可能性，但是这样会使得D2D多播链路的数量增多，即增加了优化模型中的求和项数目，同样可能会使目标值较大，而且在U_NACK中用户数量不多的情况下会出现多个重传者对U_NACK中一个用户重传，这样明显是不必要的。

由上述对实例的分析可以得出，固定链路配对方案实现的复杂度不高，但在预先设定重传者这一点上没有考虑U_ACK中用户和U_NACK中用户两部分用户之间信道条件的差异性，因而，该方法很难保证能够求得优化模型（式（1））中的最优解。

（2）动态链路配对

动态链路配对就是根据重传链路的信道条件动态的选择U_ACK中用户到U_NACK中用户的链路配对关系，最大化资源的利用效率。具体来说，该方案的具体实现如下：1）对于U_ACK中任意L个重传者（L的取值从1到N_ACK），可以得到从N_ACK个用户中选取L个作为重传用户的所有可能方案；2）通过基于消耗最小频带资源准则的迭代子簇划分算法得到1）中所有可能方案的L个重传者的重传对象集合和对应重传消耗的频带资源；3）根据重传选择策略，即遍历2）中所有可能方案对应的重传消耗的频带资源，选择耗费最小的作为优化问题的最优解。

由上述对两种传统方案的分析可以看出，核心算法是迭代子簇划分算法，它直接决定了最终的优化性能，因此，迭代子簇划分算法在以上两种方案中起到了至关重要的作用。下面简要描述该算法的实现细节：

基于消耗最小频带资源的准则，迭代子簇划分算法的主要思路是首先设定重传者的初始资源耗费量，再通过迭代的增加重传者消耗的频带资源更新重传对象集合（资源消耗如何影响重传对象集合的更新在步骤一中有描述），实现子簇的划分直到U_NACK中所有用户都拥有自己的重传者。算法步骤主要包括：

步骤一：初始化；

1）由于已将重传的业务内容的比特数归一化，即C=1，可以构建一个资源耗费的矩阵Cnorm，它的元素是频谱效率矩阵元素的倒数；

$C_{\mathrm{norm}}\stackrel{\mathrm{\Δ}}{=}\left[{e_{\mathrm{mn}}}^{-1}\right],m\∈U_{\mathrm{NACK}},n\∈U_{\mathrm{ACK}}---\left(2\right)$

2）接着对Cnorm的每一列按升序进行排序可以得到一个进行了资源耗费排序的矩阵R，它的列向量是某一个重传者给U_NACK中所有用户重传业务内容的排序好了的资源耗费量；例如第i列和第j列（也就是第i和第j个重传者）：

$R^i=(r_{1,i},r_{2,i},...,r_{N_{\mathrm{NACK}},i}),r_{1,i}\≤r_{2,i}\≤...r_{N_{\mathrm{NACK}},i},i\∈U_{\mathrm{ACK}}---\left(3\right)$

$R^j=(r_{1,j},r_{2,j},...,r_{N_{\mathrm{NACK}},j}),r_{1,j}\≤r_{2,j}\≤...r_{N_{\mathrm{NACK}},j},i\∈U_{\mathrm{ACK}}---\left(4\right)$

3）预先定义好U_ACK中用户i和用户j的最小时频资源消耗量（这里假设只有两个重传者分别为用户i和用户j，其他重传者的算法实现过程类似）r_i=r_1,i和r_j=r_1,j，从而初始的资源消耗为cost^(i,j)=r_i+r_j，由重传者的资源耗费量可以得到用户i和用户j重传对象的集合，这里设为U_i和U_j，U_i和U_j定义如下：

$U_i=\left\{m\right|\frac{1}{e_{\mathrm{mi}}}\≤r_{1,i},m\∈U_{\mathrm{NACK}}\}---\left(5\right)$

$U_j=\left\{m\right|\frac{1}{e_{\mathrm{mj}}}\≤r_{1,j},m\∈U_{\mathrm{NACK}}\}---\left(6\right)$

步骤二：终端条件评估；如果U_i∪U_j≠U_NACK，表明U_NACK中用户中仍然存在未能成功收到业务内容的用户，继续以下的步骤，否则算法结束；

步骤三：增加资源消耗步长；即逐步增加r_i和r_j的值，根据式（5）、（6）更新U_i和U_j；

步骤四：重新计算总的资源消耗cost^(i,j)=r_i+r_j，转至步骤二。

以上就是迭代子簇划分算法的实现步骤，现在，对给定的L个重传者，重传消耗的最小频带资源和各重传者的重传对象集合可以由上面的迭代子簇划分算法计算得到，因此原来的优化问题（式（1）描述的）可被简化为下式所描述的重传选择策略：

$(n_{1,\mathrm{opt}},...,n_{L,\mathrm{opt}},U_{n_{1,\mathrm{opt}}},...,U_{n_{L,\mathrm{opt}}})=\underset{\underset{n_1\≠n_2\≠...\≠n_L}{n_k\∈U_{\mathrm{ACK}}}}{\arg \min \cos t^{(n_1,...,n_L)}}---\left(7\right)$

其中，n_1,opt,...,n_L,opt是U_ACK中被选为重传者的用户的标号，是对应重传用户的重传对象集合，是L个重传者参与重传时最小的资源消耗量。式（7）描述的重传选择策略具体来说就是得到最优U_ACK中被选为重传者的用户n_k和对应重传对象集合即遍历所有链路配对方案可行解的资源耗费，把频带资源消耗最小的链路配对方案作为最优解。

以上就是动态链路配对方案的实现过程，它通过迭代子簇划分算法得到所有可行解，在遍历可行解之后根据重传选择策略找到最优解。这类方案有效的克服了固定链路配对方案的不足，充分的利用了用户之间信道条件的差异特性，大幅提高了资源的利用效率。但是，由于该方案实质上属于一种类似遍历所有可行解的算法，算法复杂度较高。

针对MBMS的场景特点，固定链路配对方案无法满足系统和用户的需求，而动态链路配对方案虽然能达到比固定链路配对方案更优的性能，但又存在算法复杂度高的不足。

发明内容

本发明的目的在于提供一种基于遗传算法的D2D协作重传方法，本发明在频谱利用率最优准则下，解决了在近距离用户群组内重传者的选择问题，显著提高了系统的无线资源利用率，改善了用户的服务感受。

为达到上述目的，本发明采用了以下技术方案。

一种基于遗传算法的D2D协作重传方法，包括以下步骤：

1）小区中请求同一业务内容、相对位置较近，即具备D2D通信能力的用户属于同一个簇，簇内所有用户请求业务内容后，基站向簇内所有用户以多播的方式发送请求的业务内容；簇内所有用户解码基站发送的业务内容，能正确解码的用户被划分到U_ACK集合，不能正确解码的用户被划分到U_NACK集合；

2）以优化重传所消耗频带资源为目标，基于遗传算法得到U_ACK集合中用户到U_NACK集合中用户的链路配对（即为每一个NACK用户在ACK用户集合中选择一个重传者），通过配对用户之间的重传使U_NACK集合中的用户收到业务内容。

所述遗传算法根据优化的目标确定适应度函数，遗传算法的具体流程包括：

1）设定进化代数、种群大小、个体长度、交叉概率以及变异概率，其中个体长度是U_NACK集合中用户的个数，个体上的基因表示U_NACK集合中用户所分配重传者的用户标识；

2）经过步骤1）后，随机生成初始种群（即给NACK用户在ACK用户中选择重传者的初始阶段是随机分配的，但要保证每个NACK用户都有重传者），然后通过选择算子、交叉算子以及变异算子使初始种群不断进化，在达到预先设定的进化代数后找到最优个体。

所述遗传算法的适应度函数为：

$F\left(x\right)=f\left(x\right)={\cos t}_L=\underset{\underset{\underset{U_{n_1}\∪...\∪U_{n_L}=U_{\mathrm{NACK}}}{n_1\≠n_2\≠...\≠n_L}}{n_k\∈U_{\mathrm{ACK}},k=1,...,L}}{\min }\left\{\underset{k=1}{\overset{L}{\mathrm{\Σ}}}\frac{1}{\underset{m\∈U_{n_k}}{\min }\left(e_{{\mathrm{mn}}_k}\right)}\right\}$

其中，n_k表示第k个重传者，1≤L≤N_ACK，N_ACK表示U_ACK集合中的用户个数，表示n_k的重传对象集合，表示n_k到m的频谱效率。

所述遗传算法的进化代数为20到50，种群大小为20到30，交叉概率为0.75到0.95，变异概率为0到0.05。

所述遗传算法的选择算子采用轮盘赌算法结合最优保存策略，此选择算子首先是一种基于适应度的选择策略，包括以下步骤：

第一步，计算每个个体的适应度，并记录适应度最大的个体X1；

第二步，计算每个个体的选择概率，选择概率等于每个个体的适应度与种群所有个体的适应度之和的比值，这个选择概率取决于种群中个体的适应度及其分布，选择概率越大，在轮盘上占据区域越大；

第三步，根据第二步得到的选择概率对应到轮盘的占据区域，逐次转动轮盘得到选择的个体，直至选择的个体数量达到种群大小，将第一步中记录的适应度最大的个体X1与经过交叉、变异后的种群中适应度最大的个体X2进行比较，若X1的适应度大于X2，则用X1替换X2，此时的种群才是下一代种群，若X1的适应度小于等于X2，则仍以所述经过交叉、变异后的种群为下一代种群。

所述遗传算法的交叉算子采用两点交叉，即个体之间的交叉是交换两个基因位置点间的所有基因，此基因位置点是随机生成的，由于本发明中涉及到的个体长度比较短，因而，通过两点交叉的方式能产生较多样化的种群。

本发明的有益效果体现在：

本发明吸收了动态链路配对方案充分考虑U_ACK中用户和U_NACK中用户之间信道条件的差异性的思想，将生物学上的遗传现象应用于MBMS场景中，通过遗传算法来实现D2D协作重传机制，不仅解决了MBMS场景存在的部分用户无法成功收到业务内容的问题，同时在不增加算法复杂度的前提下，提高了频带资源利用率，提升了系统的频谱效率，改善了用户的体验，实现了资源的合理利用。

附图说明

图1为传统无线蜂窝网络中的MBMS应用场景示意图；

图2为遗传算法整体流程图；

图3为遗传算法与其它方案在单次实现中的性能对比；

图4为遗传算法的收敛性展示；

图5为遗传算法与其它方案在拓扑平均意义下的性能对比。

具体实施方式

下面结合附图和实施例对本发明进行详细的说明。

动态链路配对方案能显著提高MBMS场景无线频带资源的利用率，但是传统重传算法存在诸多不足，所以本发明所要解决的技术问题在于提供一种适用于MBMS场景的基于遗传算法的D2D协作重传方法。

本发明考虑单小区中的MBMS应用场景，所有用户终端（UE,user equipment）之间具有点到点通信能力。根据各自的业务需求以及彼此的位置关系，小区中的用户形成了不同的簇（如图1中的簇A、B、C所示），但是簇的形成过程并不属于本发明的范畴。

每个簇中的所有成员向网络侧请求相同的业务内容。当簇成员向基站请求特定业务内容之后，基站会以固定的速率向簇中所有成员多播上述内容，多播过程中各条链路使用相同的逻辑信道，为了保证传输的质量，该速率受限于多播过程中链路质量最差的物理信道。由于簇内各个成员与基站之间物理信道的链路状态存在差异性，因此，与基站之间物理信道质量好的成员能够准确的接收到业务内容（称为ACK用户），而物理信道质量差的成员无法成功接受到上述业务内容（称为NACK用户）。为了让所有的用户都成功接收到业务内容，保证他们具有相同的服务感受，需要给“NACK用户”在“ACK用户”集合中选择重传者为其重发业务内容，即借助D2D通信来完成对“NACK用户”请求内容的重传。接下来，针对场景中任意一个簇（比如簇A）来建立优化模型，其它簇的分析过程与之相同，不再赘述。假设该簇A中有N个用户，用集合U来表示其所构成的用户集合，这里U={1,2，...,N}，其中每个符号都是用户的特定标识。在某次传输之后，根据传输的成功与否，上述集合U可分为两个子集合U_ACK和U_NACK，分别表示“ACK用户”和“NACK用户”，且满足U_ACK∪U_NACK=U，此外，用N_ACK和N_NACK分别表示相应集合中元素的数目，因此N_ACK+N_NACK=N。如表1所示，所有“ACK用户”到“NACK用户”之间的物理信道质量可以通过一个频谱效率矩阵来表示，矩阵中的任意一个元素e_mn=R_mn/BW_mn就是重传者到重传对象之间传输的频谱效率，假设它在整个重传业务内容期间保持不变，其中，R_mn是第m个用户到第n个用户建立的通信链路的传输速率，而BW_mn是链路带宽，因此，e_mn表示单位频带上的比特率，单位是bps/Hz。如果需要重传的信息比特数目为1，则从第m个用户到第n个用户链路所消耗的频带资源为本发明关注的是U_ACK中用户到U_NACK中用户之间D2D重传链路选择问题，即重传者和重传对象之间的配对问题，需要强调的是，各个重传者与其重传对象之间建立的是D2D多播链路，而且不同重传者之间使用正交的频带资源，所以彼此不会互相产生同频干扰。

表1频谱效率矩阵

本发明的优化准则是最小化在簇内多播重传过程中频带资源的消耗，实现提高MBMS业务资源利用率的目标。当簇内的重传者有L个时（L≥1），最小的资源消耗cost_L可以表示为：

${\cos t}_L=\underset{\underset{\underset{U_{n_1}\∪...\∪U_{n_L}=U_{\mathrm{NACK}}}{n_1\≠n_2\≠...\≠n_L}}{n_k\∈U_{\mathrm{ACK}},k=1,...,L}}{\min }\left\{\underset{k=1}{\overset{L}{\mathrm{\Σ}}}\frac{1}{\underset{m\∈U_{n_k}}{\min }\left(e_{{\mathrm{mn}}_k}\right)}\right\}---\left(1\right)$

其中，n_k表示第k（1≤k≤L）个重传者，表示n_k的重传对象集合。

为了实现D2D协作重传，有D2D单播和D2D多播两种不同的重传方式可供采用。

（1）D2D单播：在这种重传方式下，U_ACK中一个用户一次最多只能给U_NACK中一个用户重传数据，U_NACK中一个用户一次最多只能有一个重传者。但是如果簇内有很多NACK用户，则会需要数量很多的独立的D2D单播链路来实现重传，从而也需要消耗很多的正交频带资源。显然，在MBMS场景中，这一重传方式并不高效。

（2）D2D多播：在这种重传方式下，U_ACK中一个用户一次允许向U_NACK中多个用户以多播的方式重传数据，同时U_NACK中一个用户也可以被U_ACK中多个用户重传。这种重传方式在需要比较少的D2D重传链路数量的条件下相对高效的实现了簇内NACK用户的所有重传任务。

由于本发明的目标是最大化频带资源的利用率，优化的目标是以消耗尽可能少的频带资源高效的完成对U_NACK中所有用户重传业务内容的任务，因而本发明采用的是D2D多播的重传方式。需要指出的是，D2D多播的重传方式并不需要U_NACK中一个用户有U_ACK中多个用户对它进行重传，因为这样不但没必要，反而会造成资源的浪费，所以只要有U_ACK中一个用户对它重传即可，当然该U_ACK中用户还能向U_NACK中其他用户进行重传。

本发明是通过优化U_ACK中用户到U_NACK中用户的链路配对关系来最小化整个重传过程中所需的频带资源，其中表示当重传用户n_k给中用户多播传输过程中（传输单位比特数据）所消耗的频带资源。为了保证多播传输的服务质量，重传过程中的固定传输速率需要根据物理信道最差的链路来进行设定。根据优化模型（式（1）），需要在U_ACK中选择后续作为重传者的用户，除此之外，还需要为这些重传者在U_NACK中选择合适的重传对象，从而最大程度的利用D2D通信的优势并在重传过程中实现最小化频带资源开销的目的，但是本发明所构建的模型并不是凸优化问题，不能通过经典的凸优化算法来求解，优化过程具有一定的复杂性。从上述对优化模型的分析可以看出，由于要实现两个用户集合的组合来达到最终的优化目标，因此上述模型的本质是一种组合优化问题。

基于遗传算法可以克服动态链路配对传统实现方案的不足，充分发挥近距离通信的优势。一方面，遗传算法效法于自然选择的生物进化，是一种模拟生物进化过程的随机方法。它实质上是一种繁衍、监测和评价的迭代算法，但又不同于传统的迭代算法，最核心的思想是适者生存，在适者生存的规则下，种群进化到搜索空间越来越好的区域，这样一代一代的不断繁衍进化，最后收敛到一群最适应环境的个体，求得问题的最优解。目前遗传算法的应用领域主要包括函数优化，如对于一些非线性、多模型、多目标的函数优化问题，用其他优化方法较难求解，而遗传算法却可以方便地得到较好的结果；遗传算法已经在求解旅行商问题、背包问题、装箱问题、布局优化、图形划分问题等各种具有非确定性多项式（NP,Non-Deterministic Polynomia）难度的问题中得到成功的应用。从上面的遗传算法的应用可以看出遗传算法作为一种典型的智能优化算法，提供了一种求解复杂系统优化问题的通用框架，它不依赖于问题的具体领域，对问题的种类有很强的鲁棒性。另一方面，遗传算法本质上是一种高效、并行、全局搜索的智能优化方法，它能在搜索过程中自动获取和积累有关搜索空间的知识，并动态的控制搜索过程以求得最优解。文献3中提到把遗传算法应用到信道盲均衡技术，利用遗传算法的并行随机搜索性能对信道的冲击响应得到了比较好的盲均衡性能。文献4（Maolin Tang,Shenchen Pan,A Hybrid GeneticAlgorithm for the Minimum Interconnection Cut Problem）提出了一种基于遗传算法解决最小互连网络的划分问题的机制，由于该问题实质上是一种多目标、多限制条件的组合优化问题，基于遗传算法的机制最终得到的性能都优于一些传统的算法且具备有效性和高效性。

所以通过遗传算法来实现“ACK用户”和“NACK用户”的组合优化是可行的，一种链路配对的可行解就是遗传算法解种群中的一个个体，随着遗传算法种群解的不断进化，最终会收敛到最优的个体，即最优的链路配对关系。借助遗传算法实现D2D协作重传机制的步骤如下：

【301】簇成员请求业务内容后，基站向簇内所有成员以一固定速率多播同一业务内容；簇成员解码基站发送的业务内容，能正确解码的用户被划分到U_ACK集合，反之，被划分到U_NACK集合；

【302】为了让U_NACK集合中的用户都成功收到业务内容，本发明借助D2D通信，即通过用户之间的重传，而不是通过基站再次多播的方式；

【303】基于遗传算法实现U_ACK中用户到U_NACK中用户的D2D协作重传来完成所有重传的任务；

【304】得到最优的链路配对方案和对应的频带资源消耗，即确定U_ACK集合中参与重传的重传者，并找到这些重传者在U_NACK集合中对应的重传对象集合，实现优化重传消耗频带资源的目标；

其中，步骤【301】为场景形成过程的假设，步骤【302】至步骤【304】为通过遗传算法实现D2D协作重传过程。

下面具体介绍如何通过遗传算法来实现D2D协作重传，详细的实现步骤如图2所示。

基于遗传算法的D2D协作重传机制主要包括以下过程：

（1）定义参数，包括进化代数（iteration）、种群大小（popsize）、个体长度（chromlength）、交叉概率（pc）以及变异概率（pm）。其中popsize是种群（population）中个体的数量，chromlength是每个个体上基因（chromosome）的数目（在本发明中就是U_NACK中用户的个数），本发明采用的是符号编码，个体上的基因表示U_NACK中用户所分配重传者的用户标识。

（2）初始化种群，即随机生成一个popsize行chromlength列的矩阵作为初始种群，即第一代种群。

（3）编码后就需要根据适应度函数求出种群中每一个个体的适应度值，适应度函数是种群中个体是否适应环境的测度。如何确定遗传算法里的适应度函数F(x)是解决问题的首要关键之处，本发明根据场景的特点和优化目标采用的是把原问题的目标函数f(x)=cost_L转变成适应度函数。针对MBMS场景的特点，最小化资源消耗是其目标，所以这里的适应度函数F(x)=f(x)。

（4）选择（selection）。遗传算法里的选择操作是选择适应度值较高，即频带资源耗费较小的一些个体进入下一代种群，本发明使用的算法是轮盘赌算法结合最优保存策略来进行选择复制。对于轮盘算法的主要思想可以想象一个转动的轮盘，注意这里轮盘最多只转一圈。每次转轮盘前，把色子随机放到轮盘外缘的某处，即色子不随轮盘转动，以一个随机数代表它所处的位置。轮盘转动后，色子所指示的轮盘扇区号不断变化，轮盘停止时色子所指示的轮盘上扇区号，即为本次轮盘赌所选中的个体号。在本发明中把每个个体的适应度与种群中所有个体的适应度之和的比值作为该个体被选中的概率，然后基于上面轮盘赌算法的思想得到进入下一代种群的个体。最优保存策略的目的是保留种群中最优的个体不参与交叉、变异操作。保留的最优个体（适应度最大）会和经过遗传算子交叉、变异后的种群中最优个体有一个比较机制，适应度值更大的个体才会成为真正的下一代种群中的个体，针对MBMS场景的特点，优先选择进入下一代种群中的个体是消耗资源较小的个体。

（5）交叉(crossover)。遗传算法里的交叉操作是将种群内个体随机搭配成对，对每一对个体以某一概率pc交换它们之间的部分染色体（部分基因），它是产生新个体的主要方法，决定了遗传算法的全局搜索能力。针对MBMS场景的特点，交叉的部分染色体指的是交换U_NACK中某些用户的重传者以期产生消耗更小资源的个体进入下一代种群。由于本发明中涉及到的个体长度比较短，因而，通过两点交叉的方式能产生较多样化的种群。

（6）变异（mutation）。遗传算法里的变异操作对群体中个体，以某一概率pm改变某一个或某些基因座上的基因值，它是产生新个体的辅助方法，决定了遗传算法的局部搜索能力。针对MBMS场景的特点，改变某一个或者某些基因座上的基因值指的是，改变U_NACK中某一个用户或者U_NACK中某些用户的重传者，目的和交叉操作相同。

（7）经过以上的遗传操作后若没有到达（1）设定的进化代数（iteration）则转到过程（3），否则算法结束；

从以上过程可以看出，遗传算法保证了U_NACK中所有用户都会有自己的唯一重传者，并且随着种群经过选择、交叉、变异操作，不断进化，最终会得到最优的个体，即产生一个最优的链路配对方案。

值得一提的是，遗传算法的性能并不总是能达到最优，初始种群时定义的参数、适应度函数及之后的遗传算子的设计等都会影响其性能。所以为了使得遗传算法能达到最优或者次优的性能，本发明在设计算法时一方面对一些基本的参数如种群代数、交叉和变异概率等设定了适合MBMS场景特性的值，并不是随机设定；另一方面本发明重点关注了选择算子和交叉算子的设计，因为它们关系到遗传算法的收敛问题。在本发明中，我们把选择算子设计为轮盘算法结合最优保存的策略，保证了下一代种群至少能保留有和上一代种群最优解相同的个体，即保证了种群始终在朝着最优解的方向进化；同时把交叉算子设计为两点交叉，保证了交叉后能产生尽可能多样化的种群，这样能加快算法的收敛速度。

至此，本发明提出的基于遗传算法的D2D协作重传机制的全部过程就已完成，接下来将从实际的仿真结果来对比基于遗传算法方案（本发明）、动态链路配对传统实现方案和固定链路配对方案之间的性能。

假设固定链路配对方案预先设定的重传者是随机的，三种方案重传的业务内容量都归一化为1bit，信道条件通过频谱效率矩阵E来表示，矩阵的元素是从{1,2...,8}中随机选取，频谱效率的单位为bit/s/Hz，消耗的频带资源的单位为s.Hz。假定簇的大小是拥有10个用户的簇，U_ACK中用户和U_NACK中用户不同数量比例的情况都进行了仿真。遗传算法设置的基本仿真参数如表2所示。

表2为遗传算法的基本仿真参数表

参数	设定值
		进化代数（iteration）	50
种群大小（popsize）	20
		个体长度（chromlength）	UNACK中用户数量
交叉概率（pc）	0.8
		变异概率（pm）	0.05

图3描述了不同方案在不同用户数量比例情况下的归一化资源消耗量（s.Hz）。以下是对图3第二种用户比例，即U_ACK中用户数量为3个、U_NACK中用户数量为7个时的实验的仿真结果分析（其他用户数量比例的分析类似）：

在本次实验中，生成的随机分布的频谱效率矩阵E和由E得到的C_norm如下：

$E\stackrel{\mathrm{\Δ}}{=}\left[\begin{array}{ccc}8& 2& 6\\ 7& 1& 1\\ 6& 4& 4\\ 1& 4& 7\\ 4& 5& 4\\ 6& 8& 7\\ 6& 8& 3\end{array}\right]---\left(8\right)$

$C_{\mathrm{norm}}\stackrel{\mathrm{\Δ}}{=}\left[\begin{array}{ccc}0.1250& 0.5000& 0.1667\\ 0.1429& 1.0000& 1.0000\\ 0.1667& 0.2500& 0.2500\\ 1.0000& 0.2500& 0.1429\\ 0.2500& 0.2000& 0.2500\\ 0.1667& 0.1250& 0.1429\\ 0.1667& 0.1250& 0.3333\end{array}\right]---\left(9\right)$

经过遗传算法得到的最优个体为{1,1,2,2,2,2,2}，即重传用户1的重传对象集合为{4,5}、重传用户2的重传对象集合为{6,7,8,9,10}，再由C_norm矩阵可以得出重传用户1和重传用户2重传所耗费的资源分别为0.1429、0.25，所以总耗费的频带资源为0.3929；固定链路配对方案在本次实验中预先固定U_ACK中所有用户均参与重传，由迭代子簇划分算法求得耗费资源最小的重传用户分配方案为：重传用户1的重传对象集合为{5,6}，重传用户2的重传对象集合为{8,9,10}，重传用户3的重传对象集合为{4,7}，最后重传所耗费的总资源为0.5333；动态链路配对传统实现方案求得的最优解为：重传用户1的重传对象集合为{4,5,6}，重传用户2的重传对象集合为{7,8,9,10}，最终重传所耗费的总资源为0.3929。

从图3可以看出基于遗传算法的方案在N_NACK=8、N_ACK=2时性能方面相比固定链路配对方案提高了50.08%，和动态链路配对传统实现方案几乎相同；在N_NACK=7、N_ACK=3时性能方面相比固定链路配对方案提高了60.36%，稍逊于动态链路配对传统实现方案；在N_NACK=6、N_ACK=4时性能方面相比固定链路配对方案提高了大于48.5%。由以上分析可知，遗传算法搜索到的是全局的最优解或者次优解，而固定链路配对方案未充分考虑场景的特性和信道条件的差异性得到最优解的可能性不大，动态链路配对传统实现方案虽然能得到最优解，但是算法复杂度比较高，因而，基于遗传算法的方案从综合性能来说更优。而从图4又可以看出遗传算法进化了比较少的代数就能收敛，收敛速度较快。由上分析可以得出基于遗传算法的方案可以搜索到全局最优或者次优解。

为了更好的对比算法的性能，本发明同时采用了多次实验比较平均性能的方法。图5是200次实验得到的算法平均性能对比图。从图上可以明显看出，基于遗传算法的方案平均性能和动态链路配对传统实现方案相近，但远远优于固定链路配对方案（提高了大于75%）。虽然基于遗传算法的方案在平均性能上不如动态链路配对传统实现方案，但其复杂度却较低、实现较简单、适应性较强，也能得到一个全局的最优或次优解。因而，此类智能优化算法在解决组合问题上有相比于传统算法较大的优势。

以上实际的仿真结果更加表明遗传算法在解决组合优化问题上有明显的优势，很适用于MBMS的业务场景。本发明针对MBMS业务可能带来的某些用户无法成功收到业务内容的情况，提出借助近距离通信的优势，由用户代替基站更加高效的完成重传任务，即把D2D协作重传的机制应用到MBMS场景中；鉴于频带资源紧缺的现状，所以本发明把优化准则定为消耗资源最小；由于传统的重传实现方案存在或多或少的问题，而且重传的问题本身属于组合优化的问题，所以本发明通过用于组合优化比较多的智能优化算法里的遗传算法实现了重传，并且达到了优于传统算法的性能。

以上就是本发明提出的“基于遗传算法的D2D协作重传”机制的完整实现步骤，本发明针对MBMS场景可能带来的问题，提出了D2D协作重传的解决机制来提高系统无线资源的利用率，带来了如下效益：

（1）实现了基站减负（offload）。当簇内成员数目很多且分布于小区边缘时，可能会出现众多用户不能正确解码数据的情况。如果重发的任务都由基站来承担，一方面，这样会造成基站的负载过大，降低了其运行效率；另一方面，如果基站使用单播重传，在高负荷会造成频带紧缺，而如果使用多播重传，又会造成不必要的传输，降低多播速率；此外，由于基站侧与这些用户物理信道质量较差，无论选择何种物理传输方式，链路的传输性能都会受到一定的影响。相反，如果重传的任务被分配到用户簇内部，基站的压力会得到缓解。

（2）用户体验更好。如果通过近距离的D2D通信来实现重传，由于邻近用户之间一般具有良好的信道环境，这大大降低了重传过程中的能耗和时延开销，此外用户的体验也会得到改善。而为了实现D2D协作重传这一机制，固定链路配对方案和动态链路配对传统实现方案存在或多或少的不足之处，而通过遗传算法较优的全局搜索能力使得可以在MBMS场景中找到一个最优或者次优的链路配对方案来实现无线资源利用率提高的目标。

鉴于上述本发明带来的高效益，所以本发明试图通过遗传算法来实现D2D协作重传机制是可行的，不仅解决了原来MBMS场景存在的部分用户无法成功收到业务内容的问题，同时提高了频带资源利用率、改善了用户的体验。

本发明适用于下一代蜂窝通信中的MBMS业务场景，旨在利用遗传算法实现D2D协作重传机制，达到了提高频带资源利用率和改善用户服务感受的目标。本发明首先借助近距离通信的优势，借助U_ACK中用户和U_NACK中用户间的D2D通信来完成协作重传的任务，这种协作重传的机制高效的完成了对U_NACK中用户的重传任务，同时实现了对有限频率资源的合理利用。其次，通过遗传算法来实现D2D协作重传机制具有极强的适应性和较已有算法具有明显的优势，很好的补充了MBMS在实际应用中的不足，很好的实现了其预期的功能，大体过程是首先给问题的解编码，然后根据优化的目标函数来得到适应度函数，算法的具体流程主要分为随机生成初始种群，然后通过选择、交叉、变异等遗传算子使初始种群不断进化，在到达预先设定的进化代数后，最终找到最优染色体（最优个体），即问题的最优解。

Claims (6)

1.一种基于遗传算法的D2D协作重传方法，其特征在于：包括以下步骤：

1）小区中请求同一业务内容并且具备D2D通信能力的用户属于同一个簇，簇内所有用户请求业务内容后，基站向簇内所有用户以多播的方式发送请求的业务内容；簇内所有用户解码基站发送的业务内容，能正确解码的用户被划分到U_ACK集合，不能正确解码的用户被划分到U_NACK集合；

2）以优化重传所消耗频带资源为目标，基于遗传算法得到U_ACK集合中用户到U_NACK集合中用户的链路配对，通过配对用户之间的重传使U_NACK集合中的用户收到业务内容。

2.根据权利要求1所述一种基于遗传算法的D2D协作重传方法，其特征在于：所述遗传算法根据优化的目标确定适应度函数，遗传算法的具体流程包括：

1）设定进化代数、种群大小、个体长度、交叉概率以及变异概率，其中个体长度是U_NACK集合中用户的个数，个体上的基因表示U_NACK集合中用户所分配重传者的用户标识；

2）经过步骤1）后，随机生成初始种群，然后通过选择算子、交叉算子以及变异算子使初始种群不断进化，在达到预先设定的进化代数后找到最优个体。

3.根据权利要求1或2所述一种基于遗传算法的D2D协作重传方法，其特征在于：所述遗传算法的适应度函数为：

$F\left(x\right)=f\left(x\right)={\cos t}_L=\underset{\underset{\underset{U_{n_1}\∪...\∪U_{n_L}=U_{\mathrm{NACK}}}{n_1\≠n_2\≠...\≠n_L}}{n_k\∈U_{\mathrm{ACK}},k=1,...,L}}{\min }\left\{\underset{k=1}{\overset{L}{\mathrm{\Σ}}}\frac{1}{\underset{m\∈U_{n_k}}{\min }\left(e_{{\mathrm{mn}}_k}\right)}\right\}$

其中，n_k表示第k个重传者，1≤L≤N_ACK，N_ACK表示U_ACK集合中的用户个数，表示n_k的重传对象集合，表示n_k到m的频谱效率。

4.根据权利要求1或2所述一种基于遗传算法的D2D协作重传方法，其特征在于：所述遗传算法的进化代数为20到50，种群大小为20到30，交叉概率为0.75到0.95，变异概率为0到0.05。

5.根据权利要求1或2所述一种基于遗传算法的D2D协作重传方法，其特征在于：所述遗传算法的选择算子采用轮盘赌算法结合最优保存策略，包括以下步骤：

第一步，计算每个个体的适应度，并记录适应度最大的个体X1；

第二步，计算每个个体的选择概率，选择概率等于每个个体的适应度与种群所有个体的适应度之和的比值；

第三步，根据第二步得到的选择概率对应到轮盘的占据区域，逐次转动轮盘得到选择的个体，直至选择的个体数量达到种群大小，将第一步中记录的适应度最大的个体X1与经过交叉、变异后的种群中适应度最大的个体X2进行比较，若X1的适应度大于X2，则用X1替换X2。

6.根据权利要求1或2所述一种基于遗传算法的D2D协作重传方法，其特征在于：所述遗传算法的交叉算子采用两点交叉。