CN103916355A - 一种认知ofdm网络中子载波的分配方法 - Google Patents

Abstract

本发明公开了一种认知OFDM网络中子载波的分配方法，属于认知无线电资源管理技术领域，所述方法包括1）确定编码方式、2）种群初始化、3）种群交叉、4）种群变异、5）种群的适应度评价、6）种群更新、7）迭代终止条件判断。本发明采用遗传算法的基本框架，针对认知OFDM网络中子载波分配的特点重新设计了编码方式、变异操作及种群更新操作，克服了现有技术认知无线网络的资源分配问题的缺陷，提高了处理认知OFDM网络资源分配时的有效性，为提高频谱利用率提供了一种新方法。

Description

一种认知OFDM网络中子载波的分配方法

技术领域

本发明属于认知无线电资源管理技术领域，涉及一种认知OFDM网络中子载波的分配方法，具体涉及一种基于遗传算法的认知OFDM网络中子载波的优化分配方法。

背景技术

现有的频谱管理制度采用固定的频谱授权机制，即频谱由特定的频谱管理机构进行管理，该机构在较长的时限内将特定频谱的使用权授权给特定的用户（授权用户）使用。在授权期间，无论该频谱是否被授权用户使用，未得到授权的用户都不能使用该频谱。在这种频谱管理机制下，当授权用户未使用授权频谱时，该频谱段将无法被有效利用，使得频谱的利用率受到极大的限制，有研究指出，根据时间和地域的不同，不同频谱段的利用率变化较大，一般在15%～85%之间。特别是无线通信技术的高速发展使得无线频谱资源变得越来越稀缺，因此，如何有效的提高频谱资源的利用率成为当前亟待解决的重要课题，认知无线电技术便是为了解决无线频谱利用率过低的现实而提出的，其目的是在现有频谱管理体制下，在不影响授权用户对授权频谱使用的条件下，提高已授权频谱的利用率，并最终实现对等认知无线电，消除授权用户的概念，改变现有的频谱管理体制。

在现代无线网络中，OFDM技术是传输层的主要实现技术之一。OFDM的英文全称为OrthogonalFrequencyDivisionMultiplexing，中文含义为正交频分复用，是一种无线环境下的高速传输技术。OFDM主要是在频域内将所给信道分成许多正交子信道，在每个子信道上使用一个子载波进行调制，且各个子载波并行传输。OFDM特别适合于存在多径传播和多普勒频移的无线移动信道中传输高速数据。认知OFDM即实现基于OFDM调制技术的认知无线网络子载波和功率等网络资源的分配技术。在认知OFDM中，对于不同的用户，各个子信道往往具有不同的传输特征，因此认知OFDM技术能够更加合理的利用信道资源，获得更高的频谱利用率。自认知无线电技术被提出以来，认知OFDM网络资源分配技术就受到了研究者的广泛关注，人们在这一方面的研究也取得了很大的进展。

通常情况下，认知无线网络采用OFDM调制技术时网络中的子载波和功率的分配问题含有多个约束条件。一般情况下，子载波分配时需要满足次用户在各个子载波上分配的功率相等的假设，并且满足次用户发射总功率小于网络设备能够提供的最大功率，另外，考虑到次用户发射功率对主用户的影响，子载波分配算法应满足如下原则：（1）次用户在每个信道上发射的功率所产生的对主用户的干扰应小于主用户所能容忍的最大干扰，称为干扰温度限制；（2）次用户的实际发射功率应小于系统所能提供的最大功率，称为功率限制；（3）每个子载波只能被一个次用户占用，以防止次用户之间抢占子载波从而产生相互的干扰，每个次用户可以占用多个子载波。

在大多数情况下，认知无线网络的资源分配问题是一个非线性的优化问题，属于非确定性多项式（Non-deterministicPolynomial）困难问题（即NP-hard问题），采用传统的方法求解这类问题非常困难。如数学规划方法，由于认知OFDM网络资源优化模型中目标函数和约束函数可能是非线性的、不可微或不连续的，极大地增加了问题的计算复杂度，使得传统数学方法求解较为困难。然而，基于人工智能算法的提出为这类问题的解决提供了新的思路，如进化算法、粒子群算法、模拟退火算法等。进化算法从一组随机生成的种群出发，通过对种群进行交叉、变异、选择等操作，通过多代进化，种群个体的适应度不断提高从而逐步逼近问题的最优解。粒子群算法是基于对鸟群捕食行为仿生而开发的一种群智能搜索算法，通过追随当前搜索到的最优值来寻找全局最优，算法收敛较快。模拟退火算法是源于对热力学中退火过程的模拟，在某一给定初温下，通过缓慢下降温度参数，使算法能够在多项式时间内给出一个近似最优解。由于人工智能算法高效的搜索能力，对搜索空间没有限制，在解决非线性优化问题上具有独特的优势，近年来，有许多研究者已将智能算法应用于求解认知无线网络资源分配问题。

发明内容

本发明针对上述现有方法解决认知无线网络的资源分配问题的缺陷，提出了一种认知OFDM网络中子载波的分配方法，以达到提高频谱利用率的目的。

为实现上述目的，本发明采用的技术方案是：

一种认知OFDM网络中子载波的分配方法，包括如下步骤：

1.1）确定编码方式

对认知OFDM网络中的所有子载波进行编码，编码的前提条件是设定每个子载波同时只能被一个次用户使用；

编码后的所有子载波的分配方案形成一个种群，其中的每个子载波的分配方案为所述种群的一个个体；种群中每个个体的取值区间为[1m]，并且只能取整数值，其中m表示次用户数；

种群中每个个体的分配方案为x=(x₁,x₂,…,x_k,…x_n)；其中，n表示子载波个数，x表示种群中每个个体的分配方案，x_k表示种群中第k个子载波的分配方案；

1.2）种群初始化

在步骤1.1）所述的种群中每个个体的取值区间內，按照设定概率随机生成种群中每个个体的取值，且随机生成的每个个体的取值均为整数值，每个个体取得的整数值对应于该个体染色体的每一个基因位；

所述设定概率为所有次用户在种群中每个个体上的等效噪声，随机选择一个次用户并分配相应的个体给该次用户；

所述等效噪声的计算方法为：

$c_i=\frac{g_{\mathrm{ik}}^2}{{\mathrm{\δN}}_0{W}_c}$

其中，c_i表示等效噪声，g_ik表示次用户i在子载波k上的信道增益，N₀是子载波和次用户所受噪声的频谱密度，W_c是子载波的信道带宽，δ表示信道误码率函数；

1.3）种群交叉

在经步骤1.2）初始化后的种群中，随机选取两个个体需要进行交叉操作的个体；在两个个体的染色体中随机选取一个基因位，并将两个个体的染色体在该基因位后的部分做交换，从而形成两个新的染色体，将两个新的染色体代替经步骤1.2）初始化后的种群中被选中进行交叉的两条旧染色体，即完成了交叉操作；

1.4）种群变异

在步骤1.3）交叉操作后的种群中，按照预先设定的变异概率随机选取个体进行变异操作：

a）对于选中的个体，根据其对应的次用户的传输速率与预先设定的理想比例值之间的比值，选取比值最大的次用户；

b）在步骤a）选取的次用户占用的子载波中，随机选取一个子载波，然后计算所有次用户在该子载波上的等效噪声c_i值，并将占用该子载波的次用户对应的等效噪声c_i值置零；

c）将步骤1.3）交叉操作后的种群中的所有次用户的等效噪声c_i值进行归一化处理，并以归一化处理获得的值作为概率值随机选取一个次用户，以该次用户的次用户数作为相应个体基因位变异后的值；

1.5）种群的适应度评价

采用数据传输速率函数作为种群中每个个体的适应度向量，将种群中每个个体的传输速率函数的值，作为相应个体的适应度值；

所述数据传输速率函数f₁(R)为：

$f_1\left(R\right)=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{R}_i=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\ω}}_{\mathrm{ik}}{r}_{\mathrm{ik}}$

其中，f₁(R)是数据传输速率函数，R_i表示次用户i的总数据传输速率，m表示次用户数，n表示子载波数目，ω_ik∈{0,1}表示次用户i使用子载波k的情况，ω_ik=1表示次用户i正在使用子载波k，ω_ik=0表示次用户i没有使用子载波k，r_ik表示次用户i使用子载波k的数据传输速率；

1.6）种群更新

将种群中所有个体按照步骤1.5）获得的适应度值从大到小进行排列，选取适应度值最高的前P_size个个体，并用这些个体替换原来的种群中的个体，从而组成新的种群；

所述P_size是预先设定的种群规模；

1.7）迭代终止条件判断

所述步骤1.3）至步骤1.6）是迭代过程；

给定最大进化代数g_max，若当前进化代数g等于给定的最大进化代数g_max，则迭代终止；若当前进化代数g小于给定的最大进化代数g_max，则令g=g+1，转到步骤1.3）继续执行，直至当前进化代数g等于给定的最大进化代数g_max，迭代终止；

迭代终止后，选出适应度值最大的个体，即子载波最优分配方案。

本发明的技术方案进一步包括：

经步骤1.2）初始化后的种群为初始父代种群，经步骤1.3）和步骤1.4）操作后的种群为初始父代种群的子代种群；

针对初始父代种群进行步骤1.3）和步骤1.4）操作生成初始父代种群的子代种群，初始父代种群与该子代种群合并，进行步骤1.5）和步骤1.6）的操作，生成新的种群的过程为第一次迭代过程；

以第一次迭代过程生成的新种群作为父代种群，进行步骤1.3）和步骤1.4）操作生成父代种群的子代种群，该父代种群与其子代种群合并，进行步骤1.5）和步骤1.6）的操作，生成新的种群的过程为第二次迭代过程；

后续迭代过程与此类似。

本发明相对于现有技术具有的优点是：

1)采用对子载波编码的方式，从而有效的减少编码的长度，从而缩减搜索空间，并满足子载波分配约束条件，从而不必在后续操作中显式地处理约束。

2)种群初始化和变异操作采用启发式的方法，用等效噪声来指导个体的生成，从而使优秀的个体更容易出现，提高了算法的搜索效率。

3)通过将比例公平性约束转化为比例公平函数，从而使本发明算法可以采用多目标优化的方法解决单目标的多约束优化问题，并有效的处理了约束条件。

以下将结合附图和实施例对本发明的技术方案进行详细说明。

附图说明

图1认知OFDM网络中子载波的分配方法整体实现流程示意图。

图2本发明与现有方法关于次用户数与系统总吞吐量关系的结果对比图。

图3（3a）本发明和现有算法在次用户数为4时获得的比例公平性函数的统计图。

图3（3b）本发明和现有算法在次用户数为12时获得的比例公平性函数的统计图。

图4本发明与现有方法关于系统受到的平均信噪比与系统总吞吐量关系的结果对比图。

图5（5a）本发明与现有方法在比例公平为α₁:α₂:α₃:α₄=1:1:1:1时关于用户吞吐量分布公平性关系结果对比图。

图5（5b）本发明与现有方法在比例公平为α₁:α₂:α₃:α₄=2:1:1:1时关于用户吞吐量分布公平性关系结果对比图。

图5（5c）本发明与现有方法在比例公平为α₁:α₂:α₃:α₄=2:2:1:1时关于用户吞吐量分布公平性关系结果对比图。

图5（5d）本发明与现有方法在比例公平为α₁:α₂:α₃:α₄=3:2:1:1时关于用户吞吐量分布公平性关系结果对比图。

具体实施方式

实施例1：

为提高频谱利用率的目的，解决现有方法解决认知无线网络的资源分配问题的缺陷，本实施例提出了一种认知OFDM网络中子载波的分配方法。

本实施例以现有遗传算法的流程为基本框架，针对认知OFDM网络中子载波分配的特点重新设计了编码方法、变异操作以及种群更新操作。基本流程包括：设定初始值、种群编码、种群初始化、种群交叉、种群变异、种群适应度评价及种群更新，其中种群交叉、种群变异、种群适应度评价和种群更新操作交替迭代进行，直至能够获得最优解或者迭代超过特定的最大次数。本实施所述的认知OFDM网络中子载波的分配方法的具体步骤包括：

（1）确定编码方式

在本实施例中，每个子载波同时只能被一个次用户使用，对认知OFDM网络中的所有子载波进行编码。编码的长度为子载波的个数n，次用户数为m，因此每个子载波的取值为1到m之间的整数值，该整数值表示次用户的编号。用x表示一个可能的子载波的分配方案，即种群中的一个个体，用x_k表示个体x中第k个子载波的分配结果，即将第k个子载波被分配给第x_k个次用户，则子载波的分配方案x可表示为：x=(x₁,x₂,…,x_k,…x_n)。相较于其他的编码方式，这种编码方式所需的变量个数最少，有利于减少决策空间的维数，使算法较快收敛。

（2）种群初始化

种群初始化是指随机产生一个种群，其中种群是由若干个个体组成，每个个体表示一个经过编码的可行解。在初始化操作中，个体采用随机生成的方式，即对于个体染色体的每一个基因位，将[1m]区间按照特定概率随机生成的一个整数作为该基因位的值。在不考虑功率变化和次用户比例公平性约束的影响下，等效噪声越高，对应的信道的数据传输速率越高。然而当考虑到上述约束时，情况将变得复杂，因此，采用所有次用户在每个子载波上的等效噪声为概率，随机选择一个次用户并分配相应的子载波给该次用户。

所述等效噪声的计算方法为：

$c_i=\frac{g_{\mathrm{ik}}^2}{{\mathrm{\δN}}_0{W}_c}$

其中，c_i表示等效噪声，g_ik表示次用户i在子载波k上的信道增益，N₀是子载波和次用户所受噪声的频谱密度，W_c是子载波的信道带宽，δ表示信道误码率函数。

信道误码率函数δ和比特误码率P_e的关系为：δ＝(0.2/P_e-1)/1.5，如果不考虑信道误码率的影响，则可令δ取值为1。

（3）种群交叉

本步骤采用常规的染色体交叉操作方法，即对需要进行交叉操作的个体，随机选取另一个个体，将两个个体的染色体中随机选取一个基因位，并将两个染色体在该基因位后的部分做交换，从而形成两个新的染色体。

（4）种群变异

所谓种群变异操作，即随机修改种群中抗体基因位的值，从而实现种群的局部搜索。在分配子载波时，将各个子载波分配给等效噪声c_i值较大的次用户时，能够实现较大的系统吞吐量。基于以上结论，在进行变异操作时，采用了基于启发式的方法，用等效噪声c_i的值的大小来指导变异过程，使具有较大的等效噪声c_i值的用户更容易分配到子载波，从而加快最优解出现的概率，使算法能够更快地收敛。同时，为了保证系统资源在次用户之间的比例公平性，即满足比例公平性约束，本实施例将每个次用户的数据传输速率作为先验信息指导变异过程。

在步骤（3）交叉操作后的种群中，按照预先设定的变异概率随机选取个体进行变异操作：

a）对于选中的个体，根据其对应的次用户的传输速率与预先设定的理想比例值之间的比值，选取比值最大的次用户；

b）在步骤a）选取的次用户占用的子载波中，随机选取一个子载波，然后计算所有次用户在该子载波上的等效噪声c_i值，并将占用该子载波的次用户对应的等效噪声c_i值置零；

c）将步骤（3）交叉操作后的种群中的所有次用户的等效噪声c_i值进行归一化处理，并以归一化处理获得的值作为概率值随机选取一个次用户，以该次用户的次用户数作为相应个体基因位变异后的值。

（5）种群适应度评价

将目标函数作为种群中每个抗体的适应度向量，即数据传输速率函数，本算法需要找到最优子载波和功率分配方案来最大化传输速率函数。种群适应度评价的具体方法为：

采用数据传输速率函数作为种群中每个个体的适应度向量，将种群中每个个体的传输速率函数的值，作为相应个体的适应度值；

所述数据传输速率函数f₁(R)为：

$f_1\left(R\right)=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{R}_i=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\ω}}_{\mathrm{ik}}{r}_{\mathrm{ik}}$

其中，f₁(R)是数据传输速率函数，R_i表示次用户i的总数据传输速率，m表示次用户数，n表示子载波数目，ω_ik∈{0,1}表示次用户i使用子载波k的情况，ω_ik=1表示次用户i正在使用子载波k，ω_ik=0表示次用户i没有使用子载波k，r_ik表示次用户i使用子载波k的数据传输速率。

（6）种群更新

在本实施例中，由于目标函数（数据传输速率函数）的个数只有一个，因此为了降低算法的时间消耗，采用如下方法来选取下一代种群：首先合并子代种群和父代种群，并将种群中所有个体按照适应度值从大到小排列；然后选取最大的前P_size个个体，P_size表示种群规模，并用这些个体替换原来的父代种群中的个体，从而组成新的父代种群。

所述P_size是预先设定的种群规模。

（7）迭代终止条件判断

所述步骤（3）至步骤（6）是迭代过程。

给定最大进化代数g_max，若当前进化代数g等于给定的最大进化代数g_max，则迭代终止；若当前进化代数g小于给定的最大进化代数g_max，则令g=g+1，转到步骤1.3）继续执行，直至当前进化代数g等于给定的最大进化代数g_max，迭代终止。

迭代终止后，选出适应度值最大的个体，即确定了子载波最优分配方案。

需要说明的是，经步骤1.2）初始化后的种群为初始父代种群，经步骤1.3）和步骤1.4）操作后的种群为初始父代种群的子代种群。

针对初始父代种群进行步骤1.3）和步骤1.4）操作生成初始父代种群的子代种群，初始父代种群与该子代种群合并，进行步骤1.5）和步骤1.6）的操作，生成新的种群的过程为第一次迭代过程。

以第一次迭代过程生成的新种群作为父代种群，进行步骤1.3）和步骤1.4）操作生成父代种群的子代种群，该父代种群与其子代种群合并，进行步骤1.5）和步骤1.6）的操作，生成新的种群的过程为第二次迭代过程。

后续迭代过程与此类似。

实施例2：

为更进一步地说明本发明，本实施例在实施例1的基础上对本发明做详细阐述。

步骤1：构造优化问题模型

通常情况下，认知无线网络采用OFDM调制技术时网络中的子载波和功率的分配问题可以建模为含有一个目标函数和多个约束的优化问题。考虑到一般情况下，子载波分配时需要满足次用户在各个子载波上分配的功率相等的假设，并且满足次用户发射总功率小于网络设备能够提供的最大功率，另外，考虑到次用户发射功率对主用户的影响，子载波分配算法应满足如下原则：(1)次用户在每个信道上发射的功率所产生的对主用户的干扰应小于主用户所能容忍的最大干扰，称为干扰温度限制；(2)次用户的实际发射功率应小于系统所能提供的最大功率，称为功率限制；(3)每个子载波只能被一个次用户占用，以防止次用户之间抢占子载波从而产生相互的干扰，每个次用户可以占用多个子载波。

假设一个基站拥有m个次用户和n个子载波，并且次用户和主用户使用相邻的频段，次用户采用OFDM调制技术，本发明考虑如何给次用户分配已探测到的空闲频谱，从而使次用户之间按照特定的比例分配这些频谱资源。

考虑含有m个次用户和n个子载波的单基站认知OFDM网络，并假设网络的参数已经通过频谱的感知和分析获得，串行数据将被编码为OFDM符号并按照本发明求得的子载波和功率分配结果发送出去。假设每个子载波只被一个用户占用，因此，次用户在发送数据是不会产生相互干扰，这时，在不考虑其它基站发送信号的影响下，每个子信道的噪声只包含环境中的噪声，该噪声多为高斯白噪声。

认知OFDM网络子载波和功率分配模型（公式一）可以表示如下：

$\max f_1\left(R\right)=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\ω}}_{\mathrm{ik}}{r}_{\mathrm{ik}}$

$s.t.\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\ω}}_{\mathrm{ik}}=1,{\mathrm{\ω}}_{\mathrm{ik}}\∈\left\{\mathrm{0,1}\right\},k=1...n$

$\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\ω}}_{\mathrm{ik}}*p_{\mathrm{ik}}\≤P_{\mathrm{total}}$

R₁∶R₂∶…R₁∶…R_m＝α₁∶α₂∶…α_i∶…α_m

$\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{p}_{\mathrm{ik}}{I}_{\mathrm{ik}}<Q_k,k=1...n$

$\underset{k=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_{\mathrm{ik}}\&GreaterEqual;1,k=1...n$

其中，f₁(R)是数据传输函数，表示系统总吞吐量，ω_ik表示次用户i使用子载波k的情况，r_ik表示次用户i使用子载波k的数据传输速率。在约束条件中，公式一表示每个子载波同一时刻只能被一个次用户占用，本发明称之为子载波分配约束；第二个约束条件表示分配的功率之和不能超过基站提供的功率，本发明中称之为功率约束，pik表示次用户i在子载波k上的发送功率；第三个公式表示各个次用户的数据传输速率应该成比例分配，本发明称之为比例公平约束，R_i表示次用户i获得的总吞吐量，α₁:α₂:…:α_i:…:α_m表示预先设定的用户吞吐量分配比例；第四个公式表示每个子载波上分配的功率不应超过主用户所允许的最大值，本发明称之为干扰温度约束，I_ik表示次用户i在子载波k上的干扰，Q_k表示子载波k上的干扰上限；第五个约束条件表示每个次用户至少分配一个子载波，本发明称之为次用户分配约束。

通过公式一可以看出，本发明需要寻找满足目标函数f₁(R)最大化的子载波和功率分配方案，最优子载波分配方案Ω^*和最优功率分配方案P^*应满足公式二：

(Ω^*,P^*)=max f₁for all(Ω,P)

其中，Ω={ω_ik|ω_ik∈{0,1}，1≤i≤m，1≤k≤n}表示一种可能的子载波分配方案，P={p_ik|1≤i≤m，1≤k≤n}表示一种可能的功率分配方案。

在公式一中，目标函数f₁(R)表示网络总的数据传输速率，该值越高表示所有次用户总的数据传输速率越高，本发明称之为传输速率函数。其中r_ik按照下式计算：

$r_{\mathrm{ik}}=\frac{1}{n}{\log }_2(1+\frac{p_{\mathrm{ik}}{g_{\mathrm{ik}}}^2}{{\mathrm{\&delta;N}}_0{W}_c/n})$

在r_ik的计算公式中，N₀表示信道的噪声功率谱密度，Wx表示信道的信道带宽，p_ik表示次用户i在第k个子信道上施加的功率，g_ik表示次用户i使用第k个子信道时该信道的信道增益，δ表示信道误码率函数，在瑞利信道中，δ和比特误码率P_e的关系为：δ＝(0.2/P_e-1)/1.5，如果不考虑信道误码率的影响，则可令δ取值为1。

实际上，该模型是一个多约束的优化问题，并且求解该模型全局最优解需要较高的复杂度，因此可将该问题分解为两个子问题，即将子载波和功率的优化分别考虑。第一阶段假设功率平均分配，计算子载波的最优分配方案；第二阶段根据第一阶段计算的子载波分配结果，重新计算功率的最优分配方案。这种通过两个阶段分别计算子载波和功率的分配方案的方法就是著名的两阶段法。

这里给出在功率平均分配的假设下子载波分配问题的模型如下：

$\max f\left(R\right)=\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}\underset{k=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_{\mathrm{ik}}{r}_{\mathrm{ik}}$

$s.t.\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_{\mathrm{ik}}=1,{\mathrm{\&omega;}}_{\mathrm{ik}}\&Element;\left\{\mathrm{0,1}\right\},k=1...n$

$p_{\mathrm{ik}}=\frac{P_{\mathrm{total}}}{\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}\underset{k=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_{\mathrm{ik}}}$

R₁∶R₂∶…R₁∶…R_m＝α₁∶α₂∶…α_i∶…α_m

$\underset{k=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_{\mathrm{ik}}\&GreaterEqual;1,k=1...n$

本发明主要解决认知OFDM网络中功率平均分配的假设下子载波的优化分配的问题，即计算上述模型的全局最优解。为了比较不同算法是否满足比例公平约束。本发明定义了如下目标函数用于衡量不同算法对比例公平约束的满足情况：

f₂是比例公平目标函数，当目标函数f₂的值越小，则越能够满足比例公平约束，当目标函数f₂的取值为零时，则表示获得的结果完全满足比例公平约束，即次用户之间的网络传输速率能够按照比例约束分配。因此，所有问题的算法获得的结果都应实现目标函数f₂最小化。最优子载波分配方案Ω^*和最优功率分配方案P^*应满足如下表达式：

(Ω^*,P^*)=argmin f₂for all(Ω,P)

因此，认知OFDM的子载波和功率分配问题，即是寻找最优子载波分配方案Ω^*和最优功率分配方案P^*来满足最大化数据传输速率函数f₁(R)和最小化比例公平函数f₂(R)。

步骤2：确定编码方式

在本发明中，每个子载波同时只能被一个次用户使用，因此我们对所有的子载波进行编码，编码的长度为子载波的个数n，每个子载波的取值为[1m]，并且只能取整数值，该值表示次用户的编号。我们用x表示一个可能的子载波的分配方案，即种群中的一个个体，用x_k表示个体x中第k个子载波的分配结果，即将第k个子载波被分配给第x_k个次用户，则子载波的分配方案x可表示为：x=(x₁,x₂,…,x_k,…x_n)。相较于其他的编码方式，这种编码方式所需的变量个数最少，有利于减少决策空间的维数，使算法较快收敛。

步骤3：种群初始化

本发明的初始化操作中，个体采用随机生成的方式，即对于个体染色体的每一个基因位，将[1m]区间按照特定概率随机生成的一个整数作为该基因位的值。为了将传输速率函数统一为香农公式的形式，定义等效噪声c_i按照下式计算：

$c_i=\frac{g_{\mathrm{ik}}^2}{{\mathrm{\&delta;N}}_0{W}_c}$

则在不考虑功率变化和次用户比例公平性约束的影响下，等效噪声c_i的取值越大，对应的信道的数据传输速率越高。然而当考虑到上述约束时，情况将变得复杂，因此，本发明采用所有次用户在每个子载波上的等效噪声为概率，随机选择一个次用户并分配相应的子载波给该次用户。

种群的初始化可以用如下公式表示：

A(1)=(A₁(1),A₂(1),…,A_n(1))

其中，A(1)表示初始父代种群，A_i(1)表示第i个抗体，其获得具体方式如下：

A_i(1)=int(rand(1,m))

经过初始化操作，可以获得初始父代种群。

步骤4：种群交叉操作

本发明采用常规的染色体交叉操作，即对需要进行交叉操作的个体，随机选取另一个个体，将两个个体的染色体中随机选取一个基因位，并将两个染色体在该基因位后的部分做交换，从而形成两个新的染色体。

步骤5：种群变异操作

所谓种群变异操作，即随机修改种群中抗体基因位的值，从而实现种群的局部搜索。在分配子载波时，将各个子载波分配给等效噪声c_i值较大的次用户时，能够实现较大的系统吞吐量。基于以上结论，本发明算法在进行变异操作时，采用了基于启发式的方法，用等效噪声c_i的值的大小来指导变异过程，使具有较大的等效噪声c_i值的用户更容易分配到子载波，从而加快最优解出现的概率，使算法能够更快地收敛。同时，为了保证系统资源在次用户之间的比例公平性，即满足比例公平性约束，本发明将每个次用户的数据传输速率作为先验信息指导变异过程。

步骤6：种群适应度评价

将交叉操作和变异操作后的子代种群与上一次迭代过程中生成的父代种群合并，对合并后的种群中的个体进行适应度评价。

将目标函数作为种群中每个抗体的适应度向量，即数据传输速率函数：

$f_1\left(R\right)=\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{R}_i=\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}\underset{k=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_{\mathrm{ik}}{r}_{\mathrm{ik}}$

当目标函数f₁的值越大，认知网络的网络吞吐量则越大。因此，本发明中，我们将种群中每个个体的传输速率函数f₁的值，作为相应个体的适应度值。

步骤7：种群更新操作

进化算法中，当目标函数的个数超过一个时，常采用Pareto支配策略来选择优势个体。但是在本发明中，由于目标函数的个数只有一个，因此为了降低算法的时间消耗，采用如下方法来选取下一代种群：首先将种群中所有个体按照适应度值从大到小排列；选取最大的前P_size个个体，并用这些个体替换原来的父代种群中的个体，从而组成新的父代种群。

步骤8：迭代终止条件判断

根据给定最大进化代数判断是否满足迭代结束条件，如果是则选出适应度最高的抗体作为功率分配方案，否则，令g=g+1，转到步骤4继续执行程序。

步骤9：找出子载波最优分配方案

迭代结束，选出适应度值最大的个体，即子载波最优分配方案。

实施例3：

下面结合仿真实验对本发明的效果作进一步说明。

1、实验所用对比算法：

对比算法1应用惩罚函数法将有约束问题转化为无约束的问题，并使用免疫克隆选择算法进行子载波和功率分配。

对比算法2在系统总带宽及总功率限制下，提出一种使用最少子载波的有效的、灵活的频谱共享控制算法，然后使用传统注水法对功率进行分配。

对比算法3提出一种次优的，但有效的方案设计，在用户总功率和比例公平约束下最大限度的提高了用户总的数据传输速率，并且实现数据传输速率在离散用户之间自适应灵活分布。

2、仿真实验环境与参数设置

在本发明中，假设实验所采用的认知OFDM网络是一个单基站的网络，该网络拥有m个次用户，网络中将所有的频谱划分为n个子载波，并且该网络不受其他基站的影响。由于多径效应的影响，所有次用户在各子载波上的信道增益和干扰温度指数将呈现为瑞利随机分布，因此，在本实验中，采用均值为1的瑞利分布的随机数来模拟信道增益gik和干扰温度指数I_ik。另外，实验中将网络的信道总带宽设置为Wc=1MHz，δ的值设置为1，即不考虑误码率影响。所有子信道的高斯白噪声的功率谱密度被设为10～7W/Hz。基站的总功率限制设置为Ptotal=1W。

3、仿真实验内容

仿真实验1，用本发明方法和现有算法（即所述对比算法）分别对子载波进行分配，比较系统总吞吐量与次用户数目的关系，取α₁=α₂…=α_m=1，同时取子载波数量为82个，将次用户数量从2个增加到16个，每次增加2个次用户数量，分别统计本发明算法和对比算法的运行结果，仿真结果见图(2)。

仿真实验2，本发明和现有算法在次用户数不同时获得的比例公平性函数的统计情况，用本发明方法和现有算法分别对子载波和功率进行分配，比较系统总吞吐量与次用户数目的关系，取α₁=α₂…=α_m=1，同时取子载波数量为82个，将次用户数量从2个增加到16个，每次增加2个次用户数量，用户数为4时仿真结果见图3(3a)，用户数为12时仿真结果如图3(3b)。

仿真实验3，用本发明方法和现有算法分别对子载波和功率进行分配，比较系统总吞吐量与系统的平均信噪比的关系，取α₁=α₂…=α_m=1，同时取子载波数量为82个，保持次用户数量为6个，功率大小从1.2逐渐变化到2.6，仿真结果见图(4)。

仿真实验4，用本发明方法和现有算法分别对子载波进行分配，比较用户吞吐量分配的公平性，设置次用户数4个，子载波数量为82个，用户吞吐量分配比例分别为比例公平约束分别为α₁:α₂:α₃:α₄=1:1:1:1、α₁:α₂:α₃:α₄=2:1:1:1、α₁:α₂:α₃:α₄=2:2:1:1、α₁:α₂:α₃:α₄=3:2:1:1，仿真结果分别见图5(5a)、图5(5b)、图5(5c)和图5(5d)。

4、仿真实验结果分析：

图2显示了次用户数量从2个增加到16个的过程中仿真网络的总的数据传输速率的变化情况。由于次用户增加时会产生用户分集效应，从而使网络传输速率增加。因此，总的网络传输速率会随着次用户的数量的增加而增加，这种情况在不考虑次用户的比例公平约束时效果更加明显。然而，当考虑比例公平约束时，即限制次用户对子载波的选择，使获得的分配结果满足比例公平条件时，用户分集效应产生的效果往往就会有所下降。这主要是因为部分子载波的选择受到限制，无法被最适合该子载波的次用户占用，这种情况下，网络总的数据传输速率会因此下降。在本实验的网络模型中，由于对所有次用户数据传输速率的比例公平性限制。导致次用户对子载波的选取受到限制，从而使得次用户数量较少时，次用户的增加会使网络传输速率增加，而当次用户数量较多时，次用户的增加所产生的效果几乎可以忽略。从图2中可以发现，本发明算法可以获得更高的数据传输速率。说明了本发明算法在处理认知OFDM网络资源分配时的有效性。

图3(3a)和图3(3b)显示了不同次用户数量时由本发明算法和对比算法获得的比例公平性函数的统计情况，其中，比例公平性函数的值越低，算法的效果越好。本发明算法和对比算法分配资源的公平性不会随着次用户数量的增加而变差。在图3(3a)和图3(3b)中，观察本发明算法和对比算法可以发现，与对比算法1和对比算法2的算法相比，本发明算法和对比算法3可以获得更加稳定的分配结果。这主要表现在对比算法1和对比算法2中的算法在20次运行中获得的结果的分布范围更加广泛，同时本发明算法和对比算法3在这20次运行中获得的结果分布范围非常小，说明本发明算法和对比算法3每次运行获得的结果非常接近。与此同时，本发明算法和对比算法3获得的比例公平函数的值比对比算法1和对比算法2低，说明本发明算法和对比算法3算法的效果更好。

图4显示了本章算法和对比算法在不同功率限制下的运行结果。从图4中可以看出，当功率从1.2增加到2.6的过程中，无论是本章的算法还是对比算法，获得的网络传输速率均有较大的增加，然而比较本章算法与对比算法，本发明获得的网络传输速率要高于对比算法，说明与对比算法相比，本发明运行的效果更好。

从图5(5a)、图5(5b)、图5(5c)和图5(5d)中可以看出，本章算法和对比算法3能够获得更加好的结果，并且这两种算法计算的次用户之间的传输速率比例非常接近理想的比例。对比算法1由于采用罚函数的方法处理比例公平约束和其它约束条件，约束过多时效率相对降低，因此算法效果相对较差。比较结果可以发现，相对于对比算法，本发明算法能够在次用户传输速率按比例分配方面获得更好的结果。

上面结合附图对本发明的实施方式作了说明，但本发明并不限于上述实施方式，在本领域的普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化，均应仍归属于本发明的涵盖范围之内。

Claims (2)

1.一种认知OFDM网络中子载波的分配方法，其特征在于包括如下步骤：

1.1）确定编码方式

对认知OFDM网络中的所有子载波进行编码，编码的前提条件是设定每个子载波同时只能被一个次用户使用；

编码后的所有子载波的分配方案形成一个种群，其中的每个子载波的分配方案为所述种群的一个个体；种群中每个个体的取值区间为[1m]，并且只能取整数值，其中m表示次用户数；

种群中每个个体的分配方案为x=(x₁,x₂,…,x_k,…x_n)；其中，n表示子载波个数，x表示种群中每个个体的分配方案，x_k表示种群中第k个子载波的分配方案；

1.2）种群初始化

在步骤1.1）所述的种群中每个个体的取值区间內，按照设定概率随机生成种群中每个个体的取值，且随机生成的每个个体的取值均为整数值，每个个体取得的整数值对应于该个体染色体的每一个基因位；

所述设定概率为所有次用户在种群中每个个体上的等效噪声，随机选择一个次用户并分配相应的个体给该次用户；

所述等效噪声的计算方法为：

$c_i=\frac{g_{\mathrm{ik}}^2}{{\mathrm{\&delta;N}}_0{W}_c}$

其中，c_i表示等效噪声，g_ik表示次用户i在子载波k上的信道增益，N₀是子载波和次用户所受噪声的频谱密度，W_c是子载波的信道带宽，δ是信道误码率，单位是dB；

1.3）种群交叉

在经步骤1.2）初始化后的种群中，随机选取两个个体需要进行交叉操作的个体；在两个个体的染色体中随机选取一个基因位，并将两个个体的染色体在该基因位后的部分做交换，从而形成两个新的染色体，将两个新的染色体代替经步骤1.2）初始化后的种群中被选中进行交叉的两条旧染色体，即完成了交叉操作；

1.4）种群变异

在步骤1.3）交叉操作后的种群中，按照预先设定的变异概率随机选取个体进行变异操作：

a）对于选中的个体，根据其对应的次用户的传输速率与预先设定的理想比例值之间的比值，选取比值最大的次用户；

b）在步骤a）选取的次用户占用的子载波中，随机选取一个子载波，然后计算所有次用户在该子载波上的等效噪声c_i值，并将占用该子载波的次用户对应的等效噪声c_i值置零；

c）将步骤1.3）交叉操作后的种群中的所有次用户的等效噪声c_i值进行归一化处理，并以归一化处理获得的值作为概率值随机选取一个次用户，以该次用户的次用户数作为相应个体基因位变异后的值；

1.5）种群的适应度评价

采用数据传输速率函数作为种群中每个个体的适应度向量，将种群中每个个体的传输速率函数的值，作为相应个体的适应度值；

所述数据传输速率函数f₁(R)为：

$f_1\left(R\right)=\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{R}_i=\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}\underset{k=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_{\mathrm{ik}}{r}_{\mathrm{ik}}$

其中，f₁(R)是数据传输速率函数，R_i表示次用户i的总数据传输速率，m表示次用户数，n表示子载波数目，ω_ik∈{0,1}表示次用户i使用子载波k的情况，ω_ik=1表示次用户i正在使用子载波k，ω_ik=0表示次用户i没有使用子载波k，r_ik表示次用户i使用子载波k的数据传输速率；

1.6）种群更新

将种群中所有个体按照步骤1.5）获得的适应度值从大到小进行排列，选取适应度值最高的前P_size个个体，并用这些个体替换原来的种群中的个体，从而组成新的种群；

所述P_size是预先设定的种群规模；

1.7）迭代终止条件判断

所述步骤1.3）至步骤1.6）是迭代过程；

给定最大进化代数g_max，若当前进化代数g等于给定的最大进化代数g_max，则迭代终止；若当前进化代数g小于给定的最大进化代数g_max，则令g=g+1，转到步骤1.3）继续执行，直至当前进化代数g等于给定的最大进化代数g_max，迭代终止；

迭代终止后，选出适应度值最大的个体，即子载波最优分配方案。

2.根据权利要求1所述的认知OFDM网络中子载波的分配方法，其特征在于：经步骤1.2）初始化后的种群为初始父代种群，经步骤1.3）和步骤1.4）操作后的种群为初始父代种群的子代种群；

针对初始父代种群进行步骤1.3）和步骤1.4）操作生成初始父代种群的子代种群，初始父代种群与该子代种群合并，进行步骤1.5）和步骤1.6）的操作，生成新的种群的过程为第一次迭代过程；

以第一次迭代过程生成的新种群作为父代种群，进行步骤1.3）和步骤1.4）操作生成父代种群的子代种群，该父代种群与其子代种群合并，进行步骤1.5）和步骤1.6）的操作，生成新的种群的过程为第二次迭代过程；

后续迭代过程与此类似。