CN104066096A - 一种基于改进粒子群的超密集异构网络最优功率协调方法 - Google Patents

Abstract

本发明提供了一种基于改进粒子群的超密集异构网络最优功率协调方法。该方法联合调整微微站的发送功率，避免密集部署的微微站以最大功率发送对宏站、邻居微微站构成的严重干扰，最大化系统吞吐量。方法考虑用户服务小区在功率调整过程中的变化，并通过邻域局部搜索和多次初始化过程改进粒子群，加快收敛速度，提高功率解的质量。提出的改进通过邻域局部搜索过程保证功率解的局部最优性，并通过多次初始化过程进一步保证得到的功率解的全局最优性，能够以更少的迭代次数获得更高的系统吞吐量，在不影响子载波分配自由度、不损失资源利用率的基础上协调同层和跨层干扰，从功率调整的角度最大程度地提升系统频谱效率和总体吞吐量。

Description

一种基于改进粒子群的超密集异构网络最优功率协调方法

技术领域

本发明属于移动通信中的无线资源管理技术领域，具体涉及无线通信系统中一种考虑用户服务小区随功率改变的基于改进粒子群的超密集异构网络下行链路功率协调方法。

背景技术

为满足爆炸式增长的无线数据业务需求，3GPP LTE-A(Long TermEvolution-Advanced)提出在宏站覆盖范围内同频密集部署微微站、毫微微站、中继等低功率小站的超密集异构网络以最大化频谱利用率，提升系统吞吐量。然而密集部署的小站导致干扰场景的复杂化和干扰强度的增加，从而使网络性能的提升受到限制。功率协调是一种有效的干扰协调技术，通过调整小站的发送功率控制小区间干扰进而提高系统的吞吐量。现有的功率协调方案均考虑用户服务小区不变的场景，然而实际上，根据常用的服务小区选择准则——最大接收功率准则，每个用户总是选择接收信号功率最强的小区作为服务小区，也就是说，随着小区发送功率的改变，用户的服务小区也会做出相应改变。

考虑到用户服务小区随功率变化，基于功率协调的干扰协调问题成为一个非确定性多项式困难(NP-hard)问题。粒子群优化能够用来解该问题，但其不能保证结果的最优性甚至局部最优性。为了得到最优功率解，需要对粒子群优化进行改进。因此本发明考虑在用户服务小区变化的情况下提出一种基于改进粒子群的超密集异构网络功率协调方法，该方法联合调整微微站的发送功率，在功率调整过程中考虑用户的服务小区变化，通过将邻域局部搜索过程引入粒子群优化保证搜索的局部最优性，并进一步通过引入多次初始化过程保证粒子群优化得到的功率解的全局最优性，最大化系统吞吐量。

发明内容

本发明的目的是在用户服务小区随着小区发送功率变化的情况下提出一种基于改进粒子群的超密集异构网络下行链路功率协调方法，通过联合调整所有微微站的发送功率解决超密集异构网中的干扰协调问题，通过引入邻域局部搜索和多次初始化过程改进粒子群，保证以更少的迭代次数获得更高的系统吞吐量，保证功率解的局部和全局最优性，最大化系统总体吞吐量。

本发明提出的基于改进粒子群的超密集异构网络最优功率协调方法，包括如下步骤：

第一步，采集网络构成信息，初始化改进粒子群的参数。采集网络中的宏站个数M、微微站个数I及用户个数U。将站点集合记为C＝{C_m,C_p}，其中宏站集合C_m＝{m₁,m₂,...,m_M}，微微站集合C_p＝{p₁,p₂,...,p_I}。初始化改进粒子群的参数：迭代次数记为t，重新初始化次数记为s，初始化最大迭代次数和最大重新初始化次数分别为t_iter、t_res，局部搜索半径调整因子ξ>1，当前迭代次数t＝0，当前重新初始化次数s＝0，当前局部搜索半径r_Q(t)＝1，搜索成功次数N_s(t)＝1，搜索失败次数N_f(t)＝1，成功失败比值门限η_th＞1。

第二步：设置N种微微站候选发送功率集合及功率调整尺度集合每个候选发送功率集合和功率调整尺度集合包含I个微微站的候选发送功率和功率调整尺度，即 微微站的候选发送功率和功率调整尺度需满足其中为微微站能容忍的最大发送功率。

第三步：计算各候选功率集合对应的用户可达速率及系统吞吐量Tⁿ(t)。针对当前每个候选功率集合根据公式(1)为用户u(u∈U)计算其接收到的来自各个站点的参考信号接收功率RSRP_u,c(u∈U,c∈C)，

RSRP_u,c＝P_cG_u,c (1)

其中G_u,c为用户u与站点c间的信道增益。将RSRP最大的小区作为用户u的服务小区，记为C_u，并根据公式(2)、(3)计算各候选功率集合下各用户的可达速率及系统吞吐量

$r_u^n\left(t\right)=W_u^n{\log }_2(1+\frac{P_{C_u}^n\left(t\right)G_{u,C_u}}{{\mathrm{\Σ}}_{C_I\∈C,C_I\≠C_u}{P}_{C_I}^n\left(t\right)G_{u,C_I}+N_0})---\left(2\right)$

其中为用户u在功率集合下在其服务小区分得的带宽，N0为噪声功率。

第四步：采集当前自身最优发送功率集合和全局最优发送功率集合

根据公式(4)选择各候选发送功率集合n目前为止的自身最优功率集合，

并根据公式(5)选择目前为止所有候选功率集合经历的全局最优发送功率集合。

第五步：采集当前全局最优功率集合在N个候选功率集合中对应的标号g(t)。

$g\left(t\right)=\underset{n}{\arg \max }{T}_s^n\left(t\right)---\left(6\right)$

第六步：更新除全局最优集合外，其他候选发送功率的调整尺度和功率集合根据公式(7)、(8)更新非当前全局最优候选发送功率集合和功率调整尺度集合

其中r₁ ⁿ(t)、为[0,1]区间内的随机数，为保证寻优过程的收敛性，限制惯性权重ω及加速系数c₁、c₂的取值范围：

$\left\{\begin{array}{c}0\&le;\mathrm{\&omega;}<1\\ 0\&le;c_1{r}_1+c_2{r}_2<4\\ \mathrm{\&omega;}\&GreaterEqual;(c_1{r}_1+c_2{r}_2)/2-1\end{array}\right.---\left(9\right)$

第七步：根据局部随机搜索项，更新当前全局最优功率集合的功率调整尺度和发送功率集合

其中为邻域局部随机搜索项，

第八步：用户根据更新的功率集合重新选择服务小区，计算各候选集合获得的吞吐量。用户根据更新了的功率集合及公式(1)重新选择服务小区，并根据公式(2)、(3)计算各候选功率集合对应的系统吞吐量。

第九步：更新自身最优发送功率集合全局最优发送功率集合和全局最优功率集合标号g(t+1)。根据公式(4)、(5)、(6)更新当前各候选功率集合的自身最优发送功率、全局最优发送功率及全局最优功率集合标号。

第十步：更新搜索到更优值的成功次数N_s和失败次数N_f。方法为：判断全局最优功率集合的标号是否发生改变，若g(t+1)＝g(t)且T^g(t+1)(t+1)＞T^g(t)(t)，即全局最优标号不变且搜索到更优值，则N_s＝N_s+1；若g(t+1)＝g(t)且T^g(t+1)(t+1)≤T^g(t)(t)，即全局最优标号不变且未搜索到更优值，则N_f＝N_f+1；若g(t+1)≠g(t)，即全局最优标号发生改变，则重置成功和失败次数，N_s＝N_f＝1。

第十一步：更新局部搜索半径r_Q(t+1)。根据(12)式更新局部搜索半径，

$r_Q(t+1)=\left\{\begin{array}{cc}\mathrm{\&delta;}{r}_Q\left(t\right)& \mathrm{if}{N}_s/N_f>{\mathrm{\&eta;}}_{\mathrm{th}}\\ r_Q\left(t\right)/\mathrm{\&delta;}& \mathrm{if}{N}_s/N_f<1/{\mathrm{\&eta;}}_{\mathrm{th}}\\ r_Q\left(t\right)& \mathrm{otherwise}\end{array}\right.---\left(12\right)$

也就是说，如果成功与失败比值超过一定门限，则增大在全局最优粒子附近搜索的搜索半径以尝试搜索更多可行功率集合；若果比值低于门限，说明在当前搜索半径内搜索到更优解的几率小，应减小全局最优粒子附近搜索的搜索半径以在收敛的小范围内详尽搜索更优功率集合；若成功失败比值等于门限，说明可以在当前搜索半径下继续搜索。

第十二步：判断是否结束本次初始化的迭代。若t+1＜t_iter，且所有候选功率集合与全局最优功率集合间的距离之和大于门限值ε，则更新迭代次数，即t＝t+1，并回到第六步，计算各更新的候选功率集合对应的系统吞吐量并更新自身及全局最优发送功率集合；否则，进行第十三步。

第十三步：判断重新初始化结束条件。若s＜t_res，设置重新初始化次数s＝s+1，t＝0，重新初始化N-1种候选发送功率集合，与当前全局最优功率集合一起作为新的N种候选发送功率集合，并重新初始化N种功率调整尺度，回到第二步，计算各新的候选集合对应的系统吞吐量并更新自身及全局最优发送功率集合；否则，进行第十四步。

第十四步：停止，按照得到的全局最优发送功率集合设置各微微站的发送功率。

本发明与现有技术相比，具有以下优点：

考虑用户服务小区在功率调整过程中的变化，通过联合协调微微站的发送功率避免小区间干扰，最大化系统吞吐量。通过限制惯性权重ω、加速系数c₁、c₂的范围，保证功率解更新过程的收敛性。通过在每次迭代得到的全局最优功率的更新中增加局部随机搜索过程改进粒子群，提出的改进能以更少的迭代次数获得更高的系统吞吐量，避免优化过程的过早收敛，保证结果的局部最优性。通过在优化过程中引入多次初始化过程改进粒子群，进一步保证结果的全局最优性，保证获得的微微站发送功率解的可靠性。提出的改进能够在不影响子载波分配自由度、不损失资源利用率的基础上同时处理网络中的同层干扰和跨层干扰，获得在功率调整层面上频谱效率和系统吞吐量的最大提升。

附图说明

图1为本发明的基于粒子群优化的异构网络干扰协调方法完整流程。

具体实施方式

本发明的基于载波聚合的异构网络干扰协调方法。

以LTE-A系统为例来给出一种实施例：

包括如下步骤：

第一步，采集网络构成信息，初始化改进粒子群的参数。采集网络中的宏站个数M、微微站个数I及用户个数U。将站点集合记为C＝{C_m,C_p}，其中宏站集合C_m＝{m₁,m₂,...,m_M}，微微站集合C_p＝{p₁,p₂,...,p_I}。初始化改进粒子群的参数：迭代次数记为t，重新初始化次数记为s，初始化最大迭代次数和最大重新初始化次数分别为t_iter、t_res，局部搜索半径调整因子ξ>1，当前迭代次数t＝0，当前重新初始化次数s＝0，当前局部搜索半径r_Q(t)＝1，搜索成功次数N_s(t)＝1，搜索失败次数N_f(t)＝1，成功失败比值门限η_th＞1。

第二步：设置N种微微站候选发送功率集合及功率调整尺度集合每个候选发送功率集合和功率调整尺度集合包含I个微微站的候选发送功率和功率调整尺度，即 微微站的候选发送功率和功率调整尺度需满足其中为微微站能容忍的最大发送功率。

第三步：计算各候选功率集合对应的用户可达速率及系统吞吐量Tⁿ(t)。针对当前每个候选功率集合根据公式(1)为用户u(u∈U)计算其接收到的来自各个站点的参考信号接收功率RSRP_u,c(u∈U,c∈C)，

RSRP_u,c＝P_cG_u,c (1)

其中G_u,c为用户u与站点c间的信道增益。将RSRP最大的小区作为用户u的服务小区，记为C_u，并根据公式(2)、(3)计算各候选功率集合下各用户的可达速率及系统吞吐量

$r_u^n\left(t\right)=W_u^n{\log }_2(1+\frac{P_{C_u}^n\left(t\right)G_{u,C_u}}{{\mathrm{\&Sigma;}}_{C_I\&Element;C,C_I\&NotEqual;C_u}{P}_{C_I}^n\left(t\right)G_{u,C_I}+N_0})---\left(2\right)$

其中为用户u在功率集合下在其服务小区分得的带宽，N₀为噪声功率。

第四步：采集当前自身最优发送功率集合和全局最优发送功率集合

根据公式(4)选择各候选发送功率集合n目前为止的自身最优功率集合，

并根据公式(5)选择目前为止所有候选功率集合经历的全局最优发送功率集合。

第五步：采集当前全局最优功率集合在N个候选功率集合中对应的标号g(t)。

$g\left(t\right)=\underset{n}{\arg \max }{T}_s^n\left(t\right)---\left(6\right)$

第六步：更新除全局最优集合外，其他候选发送功率的调整尺度和功率集合根据公式(7)、(8)更新非当前全局最优候选发送功率集合和功率调整尺度集合

其中r₁ ⁿ(t)、为[0,1]区间内的随机数，为保证寻优过程的收敛性，限制惯性权重ω及加速系数c₁、c₂的取值范围：

$\left\{\begin{array}{c}0\&le;\mathrm{\&omega;}<1\\ 0\&le;c_1{r}_1+c_2{r}_2<4\\ \mathrm{\&omega;}\&GreaterEqual;(c_1{r}_1+c_2{r}_2)/2-1\end{array}\right.---\left(9\right)$

第七步：更新当前全局最优集合的功率调整尺度和发送功率集合

其中为邻域随机搜索项，

第八步：用户根据更新的功率集合重新选择服务小区，计算各候选集合获得的吞吐量。用户根据更新了的功率集合及公式(1)重新选择服务小区，并根据公式(2)、(3)计算各候选功率集合对应的系统吞吐量。

第九步：更新自身最优发送功率集合全局最优发送功率集合和全局最优功率集合标号g(t+1)。根据公式(4)、(5)、(6)更新当前各候选功率集合的自身最优发送功率、全局最优发送功率及全局最优功率集合标号。

第十步：更新搜索到更优值的成功次数N_s和失败次数N_f。方法为：判断全局最优功率集合的标号是否发生改变，若g(t+1)＝g(t)且T^g(t+1)(t+1)＞T^g(t)(t)，即全局最优标号不变且搜索到更优值，则N_s＝N_s+1；若g(t+1)＝g(t)且T^g(t+1)(t+1)≤T^g(t)(t)，即全局最优标号不变且未搜索到更优值，则N_f＝N_f+1；若g(t+1)≠g(t)，即全局最优标号发生改变，则重置成功和失败次数，N_s＝N_f＝1。

第十一步：更新局部搜索半径r_Q(t+1)。根据(12)式更新局部搜索半径，

$r_Q(t+1)=\left\{\begin{array}{cc}\mathrm{\&delta;}{r}_Q\left(t\right)& \mathrm{if}{N}_s/N_f>{\mathrm{\&eta;}}_{\mathrm{th}}\\ r_Q\left(t\right)/\mathrm{\&delta;}& \mathrm{if}{N}_s/N_f<1/{\mathrm{\&eta;}}_{\mathrm{th}}\\ r_Q\left(t\right)& \mathrm{otherwise}\end{array}\right.---\left(12\right)$

也就是说，如果成功与失败比值超过一定门限，则增大在全局最优粒子附近搜索的搜索半径以尝试搜索更多可行功率集合；若果比值低于门限，说明在当前搜索半径内搜索到更优解的几率小，应减小全局最优粒子附近搜索的搜索半径以在收敛的小范围内详尽搜索更优功率集合；若成功失败比值等于门限，说明可以在当前搜索半径下继续搜索。

第十二步：判断是否结束本次初始化的迭代。若t+1＜t_iter，且所有候选功率集合与全局最优功率集合间的距离之和大于门限值ε，则更新迭代次数，即t＝t+1，并回到第六步，计算各更新的候选功率集合对应的系统吞吐量并更新自身及全局最优发送功率集合；否则，进行第十三步。

第十三步：判断重新初始化结束条件。若s＜t_res，设置重新初始化次数s＝s+1，t＝0，重新初始化N-1种候选发送功率集合，与当前全局最优功率集合一起作为新的N种候选发送功率集合，并重新初始化N种功率调整尺度，回到第二步，计算各新的候选集合对应的系统吞吐量并更新自身及全局最优发送功率集合；否则，进行第十四步。

第十四步：停止，按照得到的全局最优发送功率集合设置各微微站的发送功率。

Claims (1)

1.一种基于改进粒子群的超密集异构网络最优功率协调方法，包括如下步骤：

第一步，采集网络构成信息，初始化改进粒子群的参数。采集网络中的宏站个数M、微微站个数I及用户个数U。将站点集合记为C＝{C_m,C_p}，其中宏站集合C_m＝{m₁,m₂,...,m_M}，微微站集合C_p＝{p₁,p₂,...,p_I}。初始化改进粒子群的参数：迭代次数记为t，重新初始化次数记为s，初始化最大迭代次数和最大重新初始化次数分别为t_iter、t_res，局部搜索半径调整因子ξ>1，当前迭代次数t＝0，当前重新初始化次数s＝0，当前局部搜索半径r_Q(t)＝1，搜索成功次数N_s(t)＝1，搜索失败次数N_f(t)＝1，成功失败比值门限η_th＞1。

第二步：设置N种微微站候选发送功率集合及功率调整尺度集合每个候选发送功率集合和功率调整尺度集合包含I个微微站的候选发送功率和功率调整尺度，即 微微站的候选发送功率和功率调整尺度需满足其中为微微站能容忍的最大发送功率。

第三步：计算各候选功率集合对应的用户可达速率及系统吞吐量Tⁿ(t)。针对当前每个候选功率集合根据公式(1)为用户u(u∈U)计算其接收到的来自各个站点的参考信号接收功率RSRP_u,c(u∈U,c∈C)，

RSRP_u,c＝P_cG_u,c (1)

其中G_u,c为用户u与站点c间的信道增益。将RSRP最大的小区作为用户u的服务小区，记为C_u，并根据公式(2)、(3)计算各候选功率集合下各用户的可达速率及系统吞吐量

$r_u^n\left(t\right)=W_u^n{\log }_2(1+\frac{P_{C_u}^n\left(t\right)G_{u,C_u}}{{\mathrm{\&Sigma;}}_{C_I\&Element;C,C_I\&NotEqual;C_u}{P}_{C_I}^n\left(t\right)G_{u,C_I}+N_0})---\left(2\right)$

其中为用户u在功率集合下在其服务小区分得的带宽，N₀为噪声功率。

第四步：采集当前自身最优发送功率集合和全局最优发送功率集合

根据公式(4)选择各候选发送功率集合n目前为止的自身最优功率集合，

并根据公式(5)选择目前为止所有候选功率集合经历的全局最优发送功率集合。

第五步：采集当前全局最优功率集合在N个候选功率集合中对应的标号g(t)。

$g\left(t\right)=\underset{n}{\arg \max }{T}_s^n\left(t\right)---\left(6\right)$

第六步：更新除全局最优集合外，其他候选发送功率的调整尺度和功率集合根据公式(7)、(8)更新非当前全局最优候选发送功率集合和功率调整尺度集合

其中r₁ ⁿ(t)、为[0,1]区间内的随机数，为保证寻优过程的收敛性，限制惯性权重ω及加速系数c₁、c₂的取值范围：

第七步：根据局部随机搜索项，更新当前全局最优功率集合的功率调整尺度和发送功率集合

其中为邻域局部随机搜索项，

第八步：用户根据更新的功率集合重新选择服务小区，计算各候选集合获得的吞吐量。用户根据更新了的功率集合及公式(1)重新选择服务小区，并根据公式(2)、(3)计算各候选功率集合对应的系统吞吐量。

第九步：更新自身最优发送功率集合全局最优发送功率集合和全局最优功率集合标号g(t+1)。根据公式(4)、(5)、(6)更新当前各候选功率集合的自身最优发送功率、全局最优发送功率及全局最优功率集合标号。

第十步：更新搜索到更优值的成功次数N_s和失败次数N_f。方法为：判断全局最优功率集合的标号是否发生改变，若g(t+1)＝g(t)且T^g(t+1)(t+1)＞T^g(t)(t)，即全局最优标号不变且搜索到更优值，则N_s＝N_s+1；若g(t+1)＝g(t)且T^g(^t+1)(t+1)≤T^g(t)(t)，即全局最优标号不变且未搜索到更优值，则N_f＝N_f+1；若g(t+1)≠g(t)，即全局最优标号发生改变，则重置成功和失败次数，N_s＝N_f＝1。

第十一步：更新局部搜索半径r_Q(t+1)。根据(12)式更新局部搜索半径，

$r_Q(t+1)=\left\{\begin{array}{cc}\mathrm{\&delta;}{r}_Q\left(t\right)& \mathrm{if}{N}_s/N_f>{\mathrm{\&eta;}}_{\mathrm{th}}\\ r_Q\left(t\right)/\mathrm{\&delta;}& \mathrm{if}{N}_s/N_f<1/{\mathrm{\&eta;}}_{\mathrm{th}}\\ r_Q\left(t\right)& \mathrm{otherwise}\end{array}\right.---\left(12\right)$

也就是说，如果成功与失败比值超过一定门限，则增大在全局最优粒子附近搜索的搜索半径以尝试搜索更多可行功率集合；若果比值低于门限，说明在当前搜索半径内搜索到更优解的几率小，应减小全局最优粒子附近搜索的搜索半径以在收敛的小范围内详尽搜索更优功率集合；若成功失败比值等于门限，说明可以在当前搜索半径下继续搜索。

第十二步：判断是否结束本次初始化的迭代。若t+1＜t_iter，且所有候选功率集合与全局最优功率集合间的距离之和大于门限值ε，则更新迭代次数，即t＝t+1，并回到第六步，计算各更新的候选功率集合对应的系统吞吐量并更新自身及全局最优发送功率集合；否则，进行第十三步。

第十三步：判断重新初始化结束条件。若s＜t_res，设置重新初始化次数s＝s+1，t＝0，重新初始化N-1种候选发送功率集合，与当前全局最优功率集合一起作为新的N种候选发送功率集合，并重新初始化N种功率调整尺度，回到第二步，计算各新的候选集合对应的系统吞吐量并更新自身及全局最优发送功率集合；否则，进行第十四步。

第十四步：停止，按照得到的全局最优发送功率集合设置各微微站的发送功率。