CN104868985A - 基于比例公平的认知ofdm网络中的资源分配方法 - Google Patents
基于比例公平的认知ofdm网络中的资源分配方法 Download PDFInfo
- Publication number
- CN104868985A CN104868985A CN201510112766.3A CN201510112766A CN104868985A CN 104868985 A CN104868985 A CN 104868985A CN 201510112766 A CN201510112766 A CN 201510112766A CN 104868985 A CN104868985 A CN 104868985A
- Authority
- CN
- China
- Prior art keywords
- cognitive
- antibody
- sub
- orthogonal frequency
- network system
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于比例公平的认知OFDM网络中的资源分配方法,主要解决了现有技术在认知正交频分复用OFDM网络中不能兼顾最大化认知正交频分复用OFDM网络系统总吞吐量和次用户吞吐量分配的比例公平性的问题。其方法步骤是:求次用户需要的子载波数、子载波分配抗体编码、获得子载波分配最优抗体、分配子载波、功率分配抗体编码、获得功率分配最优抗体、分配功率。本发明方法以免疫克隆算法为整体框架,将子载波和功率分配分两步进行,在最大化认知正交频分复用OFDM网络系统总吞吐量的同时,较好的实现了资源分配的比例公平性。
Description
技术领域
本发明属于通信技术领域,更进一步涉及认知无线网络技术领域中的一种基于比例公平的认知正交频分复用(Orthogonal frequency-division multiplexing,OFDM)网络中的资源分配方法。本发明可以根据次用户的预设吞吐量比例、系统子载波数和系统总发射功率,结合免疫克隆方法,对认知OFDM网络中子载波和功率进行优化分配。
背景技术
认知无线网络是将认知技术引入无线电网络中,是一个智能的无线通信系统,它能感知外界环境,并使用人工智能技术从环境中学习,通过实时改变某些参数,如传输功率、载波频率、调制技术等,使其内部参数适应接收到的无线信号的统计性变化,以达到对频谱资源的有效利用和高可靠性通信。OFDM技术是多载波调制技术的一种,是从频域角度出发,通过关闭相应频带的子载波来避免对主用户的干扰,有利于实现非连续频谱的有效利用,非常适合认知无线网络中的资源传输。认知OFDM网络是将认知技术与OFDM技术结合应用于无线电网络,极大地提高了频谱利用率、信道容量及信号传输质量。认知OFDM网络中的资源主要包括子载波和功率等,这些资源的有效分配成为提高网络系统性能的关键技术。
西安电子科技大学提出的专利申请“一种认知OFDM网络中的子载波的分配方法”(申请号201410123924.0申请公布号CN 1013916355A)公开了一种认知OFDM网络中的子载波分配方法。该方法以遗传算法为基本框架,通过确定编码方式、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等步骤进行子载波的分配。该专利申请存在的不足是:首先,虽然该方法将比例公平约束转化为比例公平函数进行约束优化,但是在种群初始化初期没有充分考虑各次用户吞吐量分配的比例公平性,从而造成其方法的复杂性,很难实现吞吐量分配的比例公平;其次,遗传算法在优化过程中存在退化和早熟现象,不能很好地 实现资源分配最优。
Chai等人在其发表的论文“On the use of immune clonal optimization for joint subcarrier and power allocation in OFDMA with proportional fairness rate”(International Journal of Communication Systems,2012,DOI:10.1002/dac.1395)中提出了一种基于免疫克隆优化的子载波和功率分配方法。该方法以免疫克隆算法框架,通过抗体群初始化、抗体群变异、克隆选择等操作进行子载波和功率分配,但是该方法仍然存在的不足之处是:在子载波编码策略上,该方法使用二维矩阵进行编码,增加了算法复杂度,降低了优化速度;在抗体群初始化过程中,采用随机初始化的策略,降低了算法整体优化性能,由此导致该方法只能粗略的实现次用户吞吐量分配的比例公平。
发明内容
本发明针对上述现有技术的不足,提出了一种基于比例公平的认知OFDM网络中的资源分配方法,以免疫克隆算法为整体框架,将子载波和功率分配分两步进行,在最大化认知OFDM网络系统总吞吐量的同时,较好的实现了用户吞吐量分配的比例公平性,得到较好的分配效果。
为了实现上述目的,本发明的具体步骤包括如下:
(1)求次用户需要的子载波数:
(1a)将认知正交频分复用OFDM网络系统中功率平均分配给认知正交频分复用OFDM网络系统的每个子载波,根据次用户吞吐量、子载波功率和子载波数目之间的关系,获得与次用户预设吞吐量比例相同的次用户需要的子载波数目比例;
(1b)按照下式,根据次用户需要的子载波数目比例,计算每个次用户需要的子载波数:
其中,Tm表示第m个次用户需要的子载波数,m表示[1,M]之间认知正交频分复用OFDM网络系统中的次用户数,M表示认知正交频分复用OFDM网络系统中的次用户总数,N表示认知正交频分复用OFDM网络系统中的子载波总数, αm表示第m个次用户需要的子载波数目比例,∑表示求和操作;
(2)子载波分配抗体编码:
(2a)将子载波分配抗体总数设置为30,初始子载波分配抗体个数设置为0;
(2b)采用香农公式,计算每个次用户在不同子载波上的吞吐量;
(2c)采用两步式子载波分配算法,给每个次用户分配子载波,得到一个二维子载波分配矩阵;
(2d)按照下列步骤,将得到的二维子载波分配矩阵,映射为一个子载波分配行向量:
第一步:将二维子载波分配矩阵中第i行第j列元素的值赋给λi,j,若λi,j=1,表示认知正交频分复用OFDM网络系统中第j个子载波分配给认知正交频分复用OFDM网络系统中第i个次用户,i表示[1,M]之间认知正交频分复用OFDM网络系统中次用户数,M表示认知正交频分复用OFDM网络系统中次用户总数,j表示[1,N]之间认知正交频分复用OFDM网络系统中子载波数,N表示认知正交频分复用OFDM网络系统中子载波总数,令b(j)=i,表示认知正交频分复用OFDM网络系统中第j个子载波分配给认知正交频分复用OFDM网络系统中第i个次用户,b表示子载波分配行向量;若λi,j=0,表示认知正交频分复用OFDM网络系统中第j个子载波没有分配给认知正交频分复用OFDM网络系统中第i个次用户,不对b(j)作任何操作,完成二维子载波分配矩阵中一个元素到子载波分配行向量中一个元素的映射;
第二步:判断是否完成二维子载波分配矩阵中所有元素到子载波分配行向量的映射,若是,得到子载波分配行向量,否则,执行第一步;
(2e)将子载波分配行向量作为一个子载波分配抗体,子载波分配抗体个数加1;
(2f)判断子载波分配抗体个数是否小于设置的子载波分配抗体总数,若是,执行步骤(2c),否则,执行步骤(3);
(3)获得子载波分配最优抗体:
(3a)将所有子载波分配抗体作为初始抗体群;
(3b)采用免疫克隆算法,获得最优抗体;
(3c)将最优抗体作为子载波分配的最优抗体;
(4)分配子载波:
将子载波分配最优抗体中第h个元素的值赋给s,其中,h表示[1,N]之间认知正交频分复用OFDM网络系统中的子载波数,N表示认知正交频分复用OFDM网络系统中子载波总数,s表示[1,M]之间认知正交频分复用OFDM网络系统中的次用户数,M表示认知正交频分复用OFDM网络系统中的次用户总数,将认知正交频分复用OFDM网络系统中的第h个子载波分配给认知正交频分复用OFDM网络系统中的第s个次用户;
(5)功率分配抗体编码:
(5a)将功率分配抗体总数设置为30,初始功率分配抗体个数设置为0;
(5b)采用随机生成法,得到一个行向量,将该行向量作为一个功率分配抗体;
(5c)将功率分配抗体的个数加1;
(5d)判断功率分配抗体个数是否小于所设置的功率分配抗体总个数,若是,则执行步骤(5b),否则,执行步骤(6);
(6)获得功率分配最优抗体:
(6a)将得到的所有功率分配抗体作为初始抗体群;
(6b)采用免疫克隆算法,获得最优抗体;
(6c)将最优抗体作为功率分配最优抗体;
(7)分配功率:
将功率分配最优抗体中第e个元素的值赋给u,其中,e表示[1,N]之间认知正交频分复用OFDM网络系统中的子载波数,N表示认知正交频分复用OFDM网络系统中子载波总数,u表示功率的值,将大小为u的功率分配给正交频分复用OFDM网络系统中的第e个子载波数。
附图说明
图1是本发明的流程图;
图2是本发明与现有技术的免疫寻优方法、粒子群寻优方法,关于认知OFDM网络系统总吞吐量与次用户数关系的结果对比图;
图3是本发明与现有技术的免疫寻优方法关于次用户吞吐量分布公平性关系结果对比图;
具体实施方式
下面结合附图对本发明做进一步描述。
参照附图1,对本发明的具体步骤描述如下。
步骤1,求次用户需要的子载波数。
将认知正交频分复用OFDM网络系统中功率平均分配给认知正交频分复用OFDM网络系统的每个子载波,根据次用户吞吐量、子载波功率和子载波数目之间的关系,获得与次用户预设吞吐量比例相同的次用户需要的子载波数目比例。
按照下式,根据次用户需要的子载波数目比例,计算每个次用户需要的子载波数:
其中,Tm表示第m个次用户需要的子载波数,m表示[1,M]之间认知正交频分复用OFDM网络系统中的次用户数,M表示认知正交频分复用OFDM网络系统中的次用户总数,N表示认知正交频分复用OFDM网络系统中的子载波总数,αm表示第m个次用户需要的子载波数目比例,∑表示求和操作。
步骤2,子载波分配抗体编码。
(2a)将子载波分配抗体总数设置为30,初始子载波分配抗体个数设置为0。
(2b)采用香农公式,计算每个次用户在不同子载波上的吞吐量。
(2c)采用两步式子载波分配算法,给每个次用户分配子载波,得到一个二维子载波分配矩阵,两步式子载波分配算法具体步骤如下:
第一步:将初始二维子载波分配矩阵中的所有元素置0,每个用户分得的子载波数目置0,子载波集合E={1,2,...,N},其中,N表示认知正交频分复用OFDM网络系统中子载波总数,次用户集合S={1,2,...,M},其中M表示认知正交频分复用OFDM网络系统中的次用户总数,完成参数的初始化。
第二步:将子载波集合中的第t个子载波分配给次用户集合中在该子载波上取得最大吞吐量的第y个次用户,其中,t表示[1,N]之间认知正交频分复用OFDM网络系统中的子载波数,N表示认知正交频分复用OFDM网络系统中子载波总 数,y表示[1,M]之间认知正交频分复用OFDM网络系统中的次用户数,M表示认知正交频分复用OFDM网络系统中的次用户总数,令λy,t=1,λy,t表示初始二维子载波矩阵中的第y行第t列元素,在子载波集合中去掉第t个子载波,第y个次用户分得的子载波数增加1,若第y个次用户所分得的子载波数达到该次用户需要的子载波数,则在次用户集合S中删除该次用户。
第三步:判断子载波集合是否为空,若是,则子载波分配结束,得到一个二维子载波分配矩阵,否则,继续执行第二步。
(2d)按照下列步骤,将得到的二维子载波分配矩阵,映射为一个子载波分配行向量:
第一步:将二维子载波分配矩阵中第i行第j列元素的值赋给λi,j,若λi,j=1,表示认知正交频分复用OFDM网络系统中第j个子载波分配给认知正交频分复用OFDM网络系统中第i个次用户,i表示[1,M]之间认知正交频分复用OFDM网络系统中次用户数,M表示认知正交频分复用OFDM网络系统中次用户总数,j表示[1,N]之间认知正交频分复用OFDM网络系统中子载波数,N表示认知正交频分复用OFDM网络系统中子载波总数,令b(j)=i,表示认知正交频分复用OFDM网络系统中第j个子载波分配给认知正交频分复用OFDM网络系统中第i个次用户,b表示子载波分配行向量;若λi,j=0,表示认知正交频分复用OFDM网络系统中第j个子载波没有分配给认知正交频分复用OFDM网络系统中第i个次用户,不对b(j)作任何操作,完成二维子载波分配矩阵中一个元素到子载波分配行向量中一个元素的映射。
第二步:判断是否完成二维子载波分配矩阵中所有元素到子载波分配行向量的映射,若是,得到子载波分配行向量,否则,执行第一步。
(2e)将子载波分配行向量作为一个子载波分配抗体,子载波分配抗体个数加1。
(2f)判断子载波分配抗体个数是否小于设置的子载波分配抗体总个数,若是,执行步骤(2c),否则,执行步骤3。
步骤3,获得子载波分配最优抗体。
将所有子载波分配抗体作为初始抗体群。
采用免疫克隆算法,获得最优抗体,免疫克隆算法具体步骤如下:
第一步:分别将当前进化代数、最大进化代数、抗体群规模、克隆比例、初始变异概率,认知正交频分复用OFDM网络系统中功率分配约束的加权系数、认知正交频分复用OFDM网络系统中次用户吞吐量分配比例公平约束的加权系数设置为0,100,30,4,0.3,2,2。
第二步:按照下式,计算初始抗体群中各抗体的抗原-抗体亲和度:
fj=R-w×|min(0,H-P)|-v×|max(0,1-B(j))|
其中,fj表示初始抗体群中第j个抗体的抗原-抗体亲和度,j表示[1,K]之间的初始抗体群中的抗体数,K表示设置的抗体群规模,R表示所有次用户的吞吐量,w表示认知正交频分复用OFDM网络系统中功率分配约束的加权系数,|·|表示求绝对值符号,min(·)表示求最小值操作,H表示认知正交频分复用OFDM网络系统的总功率,P表示所有次用户的总功率,v表示认知正交频分复用OFDM网络系统中资源分配比例公平约束的加权系数,max(·)表示求最大值操作,B(j)表示抗体群中第j个抗体所对应的吞吐量分配方式的公平比例。
公平比例按下式计算:
其中,B(j)表示抗体群中第j个抗体所对应的吞吐量分配方式的公平比例,j表示[1,K]之间的初始抗体群中的抗体数,K表示设置的抗体群规模,m表示[1,M]之间认知正交频分复用OFDM网络系统中的次用户数,M表示认知正交频分复用OFDM网络系统中的次用户总数,∑表示求和操作,Rm表示第m个次用户的总吞吐量,αm表示第m个次用户需要的子载波数目比例。
第三步:将初始抗体群按克隆比例进行等比例克隆增殖,获得增殖后的抗体群。
第四步:将增殖后的抗体群中的每个抗体进行克隆变异,获得变异后的抗体群。
克隆变异选择自适应变异,变异概率如下:
其中,Q表示当前代变异概率,q表示初始变异概率,g为当前进化代数,G为最大进化代数。
第五步:采用第二步中抗原-抗体亲和度公式,计算变异后的抗体群中各抗体的抗原-抗体亲和度。
第六步:将初始抗体群与变异后的抗体群组成待选择的抗体群,将待选择的抗体群中的抗体按其抗原-抗体亲和度大小从大到小排序,从中选出前F个抗体组成新抗体群,将该新抗体群作为下一代进化的初始抗体群,其中,F表示设置的抗体群规模。
第七步:判断当前进化代数是否小于设置的最大进化代数,若是,当前进化代数加1,执行第二步,否则,将初始抗体群中抗原-抗体亲和度最大的抗体作为最优抗体,获得最优抗体。
将最优抗体作为子载波分配的最优抗体。
步骤4,分配子载波。
将子载波分配最优抗体中第h个元素的值赋给s,其中,h表示[1,N]之间认知正交频分复用OFDM网络系统中的子载波数,N表示认知正交频分复用OFDM网络系统中子载波总数,s表示[1,M]之间认知正交频分复用OFDM网络系统中的次用户数,M表示认知正交频分复用OFDM网络系统中的次用户总数,将认知正交频分复用OFDM网络系统中的第h个子载波分配给认知正交频分复用OFDM网络系统中的第s个次用户。
步骤5,功率分配抗体编码。
(5a)将功率分配抗体总数设置为30,初始功率分配抗体个数设置为0。
(5b)采用随机生成法,得到一个N维行向量,其中,N表示认知正交频分复用OFDM网络系统中子载波总数,随机生成法具体步骤如下:
第一步:在区间,随机产生N个的随机数,其中,N表示认知正交频分复用OFDM网络系统中子载波总数,H表示认知正交频分复用OFDM网络系统的总功率。
第二步:将生成的所有的随机数组成一个行向量。
(5c)将行向量作为一个功率分配抗体,功率分配抗体个数加1。
(5d)判断功率分配抗体个数是否小于设置的功率分配抗体总个数,若是, 执行步骤(5b),否则,执行步骤6。
步骤6,获得功率分配最优抗体。
将得到的所有功率分配抗体作为初始抗体群。
采用免疫克隆算法,获得最优抗体,免疫克隆算法的具体步骤同步骤3中的免疫克隆算法的具体步骤。
将最优抗体作为功率分配最优抗体。
步骤7,分配功率。
将功率分配最优抗体中第e个元素的值赋给u,其中,e表示[1,N]之间认知正交频分复用OFDM网络系统中的子载波数,N表示认知正交频分复用OFDM网络系统中子载波总数,u表示功率的值,将大小为u的功率分配给正交频分复用OFDM网络系统中的第e个子载波数。
本发明的效果可通过以下仿真实验进一步说明。
1、仿真条件:
本发明的仿真实验中,各种子载波和功率分配算法都是使用Matlab编程语言实现。假设认知OFDM网络系统为多径频率选择性衰落信道,各子载波的信道增益服从平均信道增益为1的瑞利衰落,一个基站服务1个主用户和M个次用户,共有N=64个子载波。误码率为Pe=10-3,在物理层采用MQAM调制时,传输数据的误码率δ=-ln(5Pe)/1.5,δ的单位是dB。假设认知OFDM网络系统只受到来自环境的加性高斯白噪声干扰,噪声功率谱密度为N0=10-8W/Hz,子载波总带宽为B=1MHz,认知OFDM网络系统总功率H=1W,信道增益矩阵g采用瑞利分布生成。
设置仿真实验参数,在用免疫克隆算法求最优抗体过程中,设置最大进化代数为100,抗体群规模为30,克隆比例为4,初始变异概率为0.3,惩罚函数中两个参数都为2。
仿真实验所用对比方法,对比方法1选用二维矩阵编码子载波抗体,随机初始化子载波抗体群,用免疫克隆算法进行子载波和功率分配,这里称为免疫寻优方法。对比方法2通过粒子群优化算法进行子载波和功率分配,这里称为粒子群寻优方法。
2、仿真内容:
仿真实验1,用本发明和免疫寻优方法、粒子群寻优方法分别对子载波和功 率进行分配,比较认知OFDM网络系统总吞吐量与次用户数目的关系,设置认知OFDM网络系统的平均信噪比为SNR=10,次用户数目从2以步长2逐渐增大到16,次用户吞吐量比例α1:α2:…:αM=1:1:…:1,仿真结果如图2。
仿真实验2,用本发明和免疫寻优方法分别对子载波和功率进行分配,比较认知OFDM网络系统中次用户吞吐量分配的公平性,设置次用户数为4,系统的平均信噪比为SNR=10,次用户吞吐量分配比例为α1:α2:…:αM=1:1:…:1,仿真结果如图3。其中对比方法通过粒子群优化算法进行子载波和功率分配。
3、仿真结果分析:
图2是本发明与现有技术的免疫寻优方法、粒子群寻优方法,关于认知OFDM网络系统总吞吐量与次用户数关系的结果对比图。图2中水平方向的坐标轴表示认知OFDM网络系统中次用户数;竖直方向的坐标轴表示认知OFDM网络系统的总吞吐量。图2中以三角形标示的折线,表示采用现有技术的粒子群寻优方法进行资源分配时,认知OFDM网络系统的总吞吐量随次用户数目的变化趋势。图2中以正方形标示的折线,表示采用现有技术的免疫寻优方法进行资源分配时,认知OFDM网络系统总吞吐量随次用户数目的变化趋势;图2中不加任何标示的折线,表示采用本发明进行资源分配时,认知OFDM网络系统的总吞吐量随次用户数目的变化趋势。
从图2可以看出,认知OFDM网络系统中次用户数目确定时,本发明得到的认知OFDM网络系统的总吞吐量总是高于其他对比方法,能够取得较好的分配效果。随着次用户数不断增加,认知OFDM网络系统的总吞吐量不断增大,这是因为次用户数目增多使得认知OFDM网络系统分集增益提高,从而数据传输速率增大。随着次用户数目的增加,本发明得到的系统总吞吐量比对比方法得到的系统总吞吐量高的优势更明显,从而说明本发明在次用户数目较大时,资源分配效果更好,能够获得较大的系统总吞吐量。
图3是本发明与现有技术的免疫寻优方法关于次用户吞吐量分布公平性关系结果对比图,图3中水平方向的坐标轴表示认知OFDM网络系统中的次用户;竖直方向的坐标轴表示各次用户吞吐量分配比例的值。图3中以竖直条纹填充的柱状图,表示各次用户吞吐量分配比例的理想值;图3中空白柱状图,表示采用本发明进行资源分配时,各次用户吞吐量分配比例的值;图3中以横向条纹填充的柱状图,表示采用现有技术的免疫寻优方法进行资源分配时,各次用户吞吐量 分配比例的值。
从图3可以看出,本发明得到的次用户吞吐量比例较现有技术的免疫寻优方法更接近理想值,且吞吐量在各次用户之间分配较公平,较好的实现了次用户吞吐量分配的比例公平性。
Claims (4)
1.一种基于比例公平的认知OFDM网络中的资源分配方法,包括如下步骤:
(1)求次用户需要的子载波数:
(1a)将认知正交频分复用OFDM网络系统中功率平均分配给认知正交频分复用OFDM网络系统的每个子载波,根据次用户吞吐量、子载波功率和子载波数目之间的关系,获得与次用户预设吞吐量比例相同的次用户需要的子载波数目比例;
(1b)按照下式,根据次用户需要的子载波数目比例,计算每个次用户需要的子载波数:
其中,Tm表示第m个次用户需要的子载波数,m表示[1,M]之间认知正交频分复用OFDM网络系统中的次用户数,M表示认知正交频分复用OFDM网络系统中的次用户总数,N表示认知正交频分复用OFDM网络系统中的子载波总数,αm表示第m个次用户需要的子载波数目比例,∑表示求和操作;
(2)子载波分配抗体编码:
(2a)将子载波分配抗体总数设置为30,初始子载波分配抗体个数设置为0;
(2b)采用香农公式,计算每个次用户在不同子载波上的吞吐量;
(2c)采用两步式子载波分配算法,给每个次用户分配子载波,得到一个二维子载波分配矩阵;
(2d)按照下列步骤,将得到的二维子载波分配矩阵,映射为一个子载波分配行向量:
第一步:将二维子载波分配矩阵中第i行第j列元素的值赋给λi,j,若λi,j=1,表示认知正交频分复用OFDM网络系统中第j个子载波分配给认知正交频分复用OFDM网络系统中第i个次用户,i表示[1,M]之间认知正交频分复用OFDM网络系统中次用户数,M表示认知正交频分复用OFDM网络系统中次用户总数,j表示[1,N]之间认知正交频分复用OFDM网络系统中子载波数,N表示认知正交频分复用OFDM网络系统中子载波总数,令b(j)=i,表示认知正交频分复用OFDM网络系统中第j个子载波分配给认知正交频分复用OFDM网络系统中第i个次用户,b表示子载波分配行向量;若λi,j=0,表示认知正交频分复用OFDM网络系统中第j个子载波没有分配给认知正交频分复用OFDM网络系统中第i个次用户,不对b(j)作任何操作,完成二维子载波分配矩阵中一个元素到子载波分配行向量中一个元素的映射;
第二步:判断是否完成二维子载波分配矩阵中所有元素到子载波分配行向量的映射,若是,得到子载波分配行向量,否则,执行第一步;
(2e)将子载波分配行向量作为一个子载波分配抗体,子载波分配抗体个数加1;
(2f)判断子载波分配抗体个数是否小于设置的子载波分配抗体总数,若是,执行步骤(2c),否则,执行步骤(3);
(3)获得子载波分配最优抗体:
(3a)将所有子载波分配抗体作为初始抗体群;
(3b)采用免疫克隆算法,获得最优抗体;
(3c)将最优抗体作为子载波分配的最优抗体;
(4)分配子载波:
将子载波分配最优抗体中第h个元素的值赋给s,其中,h表示[1,N]之间认知正交频分复用OFDM网络系统中的子载波数,N表示认知正交频分复用OFDM网络系统中子载波总数,s表示[1,M]之间认知正交频分复用OFDM网络系统中的次用户数,M表示认知正交频分复用OFDM网络系统中的次用户总数,将认知正交频分复用OFDM网络系统中的第h个子载波分配给认知正交频分复用OFDM网络系统中的第s个次用户;
(5)功率分配抗体编码:
(5a)将功率分配抗体总数设置为30,初始功率分配抗体个数设置为0;
(5b)采用随机生成法,得到一个行向量,将该行向量作为一个功率分配抗体;
(5c)将功率分配抗体的个数加1;
(5d)判断功率分配抗体个数是否小于所设置的功率分配抗体总个数,若是,则执行步骤(5b),否则,执行步骤(6);
(6)获得功率分配最优抗体:
(6a)将得到的所有功率分配抗体作为初始抗体群;
(6b)采用免疫克隆算法,获得最优抗体;
(6c)将最优抗体作为功率分配最优抗体;
(7)分配功率:
将功率分配最优抗体中第e个元素的值赋给u,其中,e表示[1,N]之间认知正交频分复用OFDM网络系统中的子载波数,N表示认知正交频分复用OFDM网络系统中子载波总数,u表示功率的值,将大小为u的功率分配给正交频分复用OFDM网络系统中的第e个子载波数。
2.根据权利要求1所述的基于比例公平的认知OFDM网络中的资源分配方法,其特征在于,步骤(2c)中所述两步式子载波分配算法的具体步骤如下:
第一步:将初始二维子载波分配矩阵中的所有元素设置为0,每个用户分得的子载波数目设置为0,子载波集合设置为E={1,2,...,N},其中,N表示认知正交频分复用OFDM网络系统中子载波总数,次用户集合设置为S={1,2,...,M},其中M表示认知正交频分复用OFDM网络系统中的次用户总数,完成参数的初始化;
第二步:将子载波集合中的第t个子载波分配给次用户集合中在该子载波上取得最大吞吐量的第y个次用户,其中,t表示[1,N]之间认知正交频分复用OFDM网络系统中的子载波数,N表示认知正交频分复用OFDM网络系统中子载波总数,y表示[1,M]之间认知正交频分复用OFDM网络系统中的次用户数,M表示认知正交频分复用OFDM网络系统中的次用户总数,令λy,t=1,λy,t表示初始二维子载波矩阵中的第y行第t列元素,在子载波集合中去掉第t个子载波,第y个次用户分得的子载波数增加1,若第y个次用户所分得的子载波数达到该次用户需要的子载波数,则在次用户集合S中删除该次用户;
第三步:判断子载波集合是否为空,若是,则子载波分配结束,得到一个二维子载波分配矩阵,否则,执行第二步。
3.根据权利要求1所述的基于比例公平的认知OFDM网络中的资源分配方法,其特征在于,步骤(3b)、步骤(6b)中所述免疫克隆算法的具体步骤如下:
第一步:分别将当前进化代数、最大进化代数、抗体群规模、克隆比例、初始变异概率,认知正交频分复用OFDM网络系统中功率分配约束的加权系数、认知正交频分复用OFDM网络系统中次用户吞吐量分配比例公平约束的加权系数设置为0,100,30,4,0.3,2,2;
第二步:按照下式,计算初始抗体群中各抗体的抗原-抗体亲和度:
fj=R-w×|min(0,H-P)|-v×|max(0,1-B(j))|
其中,fj表示初始抗体群中第j个抗体的抗原-抗体亲和度,j表示[1,K]之间的初始抗体群中的抗体数,K表示设置的抗体群规模,R表示所有次用户的吞吐量,w表示认知正交频分复用OFDM网络系统中功率分配约束的加权系数,|·|表示求绝对值符号,min(·)表示求最小值操作,H表示认知正交频分复用OFDM网络系统的总功率,P表示所有次用户的总功率,v表示认知正交频分复用OFDM网络系统中次用户吞吐量分配比例公平约束的加权系数,max(·)表示求最大值操作,B(j)表示抗体群中第j个抗体所对应的吞吐量分配方式的公平比例;
第三步:将初始抗体群按克隆比例进行克隆增殖,获得增殖后的抗体群;
第四步:将增殖后的抗体群中的每个抗体进行克隆变异,获得变异后的抗体群;
第五步:采用第二步中抗原-抗体亲和度公式,计算变异后的抗体群中各抗体的抗原-抗体亲和度;
第六步:将初始抗体群与变异后的抗体群组成待选择的抗体群,将待选择的抗体群中的抗体按其抗原-抗体亲和度大小从大到小排序,从中选出前F个抗体组成新抗体群,将该新抗体群作为下一代进化的初始抗体群,其中,F表示设置的抗体群规模;
第七步:判断当前进化代数是否小于设置的最大进化代数,若是,当前进化代数加1,执行第二步,否则,将初始抗体群中抗原-抗体亲和度最大的抗体作为最优抗体,获得最优抗体。
4.根据权利要求1所述的基于比例公平的认知OFDM网络中的资源分配方法,其特征在于,步骤(5b)中所述随机生成法的具体步骤如下:
第一步:在区间,随机产生N个的随机数,其中,N表示认知正交频分复用OFDM网络系统中子载波总数,H表示认知正交频分复用OFDM网络系统的总功率;
第二步:将生成的所有的随机数组成一个行向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510112766.3A CN104868985B (zh) | 2015-03-15 | 2015-03-15 | 基于比例公平的认知ofdm网络中的资源分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510112766.3A CN104868985B (zh) | 2015-03-15 | 2015-03-15 | 基于比例公平的认知ofdm网络中的资源分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104868985A true CN104868985A (zh) | 2015-08-26 |
CN104868985B CN104868985B (zh) | 2018-03-13 |
Family
ID=53914532
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510112766.3A Active CN104868985B (zh) | 2015-03-15 | 2015-03-15 | 基于比例公平的认知ofdm网络中的资源分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104868985B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106160991A (zh) * | 2016-06-15 | 2016-11-23 | 南京航空航天大学 | 一种用于认知无线电ofdm系统的分布式动态资源分配方法 |
CN109788568A (zh) * | 2019-03-05 | 2019-05-21 | 深圳大学 | 基于启发式算法的可变帧长度的感知网络资源优化方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090296574A1 (en) * | 2006-04-18 | 2009-12-03 | Jingyi Liao | Traffic load dependent power allocation in multi user wireless communication network with proportional fair scheduling in time and frequency domain |
CN103916355A (zh) * | 2014-03-28 | 2014-07-09 | 西安电子科技大学 | 一种认知ofdm网络中子载波的分配方法 |
-
2015
- 2015-03-15 CN CN201510112766.3A patent/CN104868985B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090296574A1 (en) * | 2006-04-18 | 2009-12-03 | Jingyi Liao | Traffic load dependent power allocation in multi user wireless communication network with proportional fair scheduling in time and frequency domain |
CN103916355A (zh) * | 2014-03-28 | 2014-07-09 | 西安电子科技大学 | 一种认知ofdm网络中子载波的分配方法 |
Non-Patent Citations (2)
Title |
---|
ZHENGYI CHAI1 ET AL: ""Resource Allocation with Proportional Rate In Cognitive Wireless Network: An Immune Clonal Optimization Scheme"", 《KSII TRANSACTIONS ON INTERNET AND INFORMATION SYSTEMS》 * |
柴争义 等: ""认知无线网络中基于免疫优化的比例公平资源分配"", 《北京理工大学学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106160991A (zh) * | 2016-06-15 | 2016-11-23 | 南京航空航天大学 | 一种用于认知无线电ofdm系统的分布式动态资源分配方法 |
CN106160991B (zh) * | 2016-06-15 | 2019-04-19 | 南京航空航天大学 | 一种用于认知无线电ofdm系统的分布式动态资源分配方法 |
CN109788568A (zh) * | 2019-03-05 | 2019-05-21 | 深圳大学 | 基于启发式算法的可变帧长度的感知网络资源优化方法 |
CN109788568B (zh) * | 2019-03-05 | 2020-03-03 | 深圳大学 | 基于启发式算法的可变帧长度的感知网络资源优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104868985B (zh) | 2018-03-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102113395B (zh) | 基站的联合资源分配和成簇方法 | |
CN101980470B (zh) | 一种基于混沌粒子群优化的ofdm系统资源分配方法 | |
CN105307216A (zh) | 一种基于lte车联网的无线资源分配方法 | |
CN103281770B (zh) | 一种实现协作式多点传输调度与功率分配的方法 | |
CN104393972A (zh) | 一种基于用户位置信息的大规模mimo系统导频分配方法 | |
CN105722206A (zh) | 多用户ofdm中继系统能量效率优化算法 | |
CN112583453A (zh) | 多波束leo卫星通信系统下行noma功率分配方法 | |
CN112217678B (zh) | 基于量子帝王蝶优化机制的双层异构网络频谱分配方法 | |
CN106792451A (zh) | 一种基于多种群遗传算法的d2d通信资源优化方法 | |
CN101557643B (zh) | 一种无线电资源分配方法与系统 | |
CN106027214B (zh) | 一种多小区大规模mimo系统导频分配方法 | |
CN112153744B (zh) | 一种icv网络中物理层安全资源分配方法 | |
CN103731843A (zh) | 一种适用于地面数字电视单频网的组网方法 | |
CN105721127A (zh) | 基于用户最小速率需求的电力线信道通信资源分配方法 | |
CN101998612B (zh) | 两跳多中继的正交频分复用系统中的资源分配方法和装置 | |
CN115134779A (zh) | 一种基于信息年龄感知的车联网资源分配方法 | |
CN104486641A (zh) | 基于叠加编码的多业务广播单频网优化方法 | |
CN102891822B (zh) | 一种多用户ofdm系统资源分配方法 | |
CN117412391A (zh) | 一种基于增强型双深度q网络的车联网无线资源分配方法 | |
CN104868985A (zh) | 基于比例公平的认知ofdm网络中的资源分配方法 | |
CN101511125A (zh) | 适用于分布式天线系统的离散速率跨层功率分配方法 | |
Hong et al. | Reinforcement learning approach for SF allocation in LoRa network | |
CN102984717B (zh) | 系统容量的估算方法及系统 | |
CN103002583B (zh) | 无线通信设备和无线通信系统 | |
Han et al. | A flexible resource scheduling scheme for an adaptive SCMA system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |