CN105208603A - 一种lte网络多目标负载均衡方法 - Google Patents

Abstract

本发明公开了一种LTE网络多目标负载均衡方法，采用基于经济博弈论的多目标负载均衡模型，将LTE网络中的满意用户数和平均网络负载增量作为该博弈模型的策略空间，寻求最优的转移用户，并利用蚁群优化算法的鲁棒性和优良的分布计算机制，找到最佳的相邻小区，完善负载均衡过程。

Description

一种LTE网络多目标负载均衡方法

技术领域

本发明属于移动通信系统的网络优化技术领域，具体是一种LTE自优化网络中的多目标负载均衡算法。

背景技术

目前普遍应用的LTE负载均衡算法是单目标负载均衡算法。例如移动性负载均衡(MLB)技术，它主要是根据网络的负载状况来自动优化小区的移动性参数，实现用户的自动转移，以达到均衡网络负载的目的。还有一些以均衡网络负载为目标的优化方法，使得目标函数最大化从而解决负载均衡问题。以上这些优化算法，都有一个共同的缺点，就是所有的算法过程都是从服务小区的角度来看，其最终目标都是热点小区完成卸载即可。它并没有考虑到用户转移后的服务质量，在负载均衡结束判决时对目标小区是否还能容纳更多的负载也没有进行考虑，所以没有实现真正意义上的多小区负载均衡，系统的资源利用率并没有很大的提升。

发明内容

本发明的目的在于提供一种LTE网络负载均衡方法，使得考虑整个网络的负载均衡状况，尽可能最大化均衡网络负载的同时有效利用系统资源，降低呼叫阻塞率。

实现本发明目的的技术方案为：一种LTE网络多目标负载均衡方法，包括以下步骤：

步骤1：建立LTE网络下行链路的仿真平台；

步骤2：计算LTE网络中的所有用户在其服务小区的信噪比和负载值，在其相邻小区的预测信噪比和预测负载值，并计算每个小区的虚拟负载值；

步骤3：负载均衡时刻开始时，判断小区虚拟负载值是否大于1，如果存在虚拟负载值大于1的小区，则触发负载均衡过程，继续以下步骤，否则等待下一个负载均衡时刻到来；

步骤4：分别建立轻载小区和热点小区的负载均衡博弈模型，找到热点小区的最佳转移用户，并生成最佳转移用户列表{u₁,u₂,...,u_n}；

步骤5：建立蚁群算法在LTE负载均衡中的距离矩阵、启发因子矩阵和信息素矩阵，同时计算概率原则根据轮盘赌选择算法找到步骤3中最佳转移用户相匹配的最佳目标小区，并生成和最佳转移用户列表相对应的最佳目标小区列表

步骤6：根据转移用户和目标小区配对列表，将每个转移用户转移到相匹配的目标小区，同时更新转移用户的服务小区和负载值；

步骤7：负载均衡时刻+1，重复步骤2～7；同时每隔10s更新用户。

本发明通过建立多目标负载均衡博弈模型寻求热点小区中最佳的转移用户，并利用蚁群算法特性建立相应概率原则寻求转移用户的最佳匹配目标小区，完成LTE网络的负载均衡过程。本发明与单目标LTE负载均衡方法相比，优点体现在：(1)不是仅仅考虑热点小区负载情况，而是综合考虑全网的负载情况；(2)尽可能最大化均衡网络负载的同时有效利用网络资源；(3)呼叫阻塞率降低；(4)易于实现。

附图说明

图1是负载均衡过程流程图。

图2是网络呼叫阻塞率。

图3是网络负载公平性指数。

图4是网络吞吐量。

具体实施方式

本发明采用基于经济博弈论的多目标负载均衡模型，将LTE网络中的满意用户数和平均网络负载增量作为该博弈模型的策略空间，寻求最优的转移用户，并利用蚁群优化算法的鲁棒性和优良的分布计算机制，找到最佳的相邻小区，完善负载均衡过程。

考虑蜂窝网络中的用户均为固定请求速率用户，计算用户u在当前热点小区中的接收信干噪比，根据接收信干噪比计算用户u在热点小区中所占物理资源块的比率，并预测出该用户转移后在目标小区中所占物理资源块的比率。同时计算每个小区的虚拟负载，根据小区的虚拟负载大小来划分热点小区和轻载小区，当虚拟负载值大于1时，判定该小区为热点小区。

在负载均衡选择最佳转移用户过程中，如果效用函数只由满意用户数来衡量，为了最大化效用函数，就可能会产生一些特定的在目标区域信道条件很差的转移用户，当它们从热点小区转移到目标小区后，为了满足它们所需的数据速率，会导致在目标小区占据大量的资源。为了避免这种情况，将平均负载增量作为该负载均衡博弈模型另一个目标函数，且其值越小越好。这样能够在保证最大化均衡LTE网络负载的同时，使网络平均负载维持一个良好水平，降低网络呼叫阻塞率，提高系统资源利用率。

考虑到一个LTE网络中存在热点小区和轻载小区，负载均衡的目的是将热点小区中满足转移条件的用户转移到相邻满足接收负载条件的轻载小区中，所以负载均衡博弈模型分为热点小区和轻载小区两部分。可以将此热点小区和轻载小区的博弈模型建立为如下的优化模型：

maxutility_i＝α(U_i'/U_i)+(1-α)(-Δφ),i∈轻载小区

maxutility_o＝α(U_o'/U_o)+(1-α)(-Δφ),o∈热点小区

$s.t.\left\{\begin{array}{c}\mathrm{\&alpha;}\&Element;\&lsqb;0,1\&rsqb;\\ \begin{array}{cc}0\&le;\underset{j=1}{\overset{x_i}{\&Sigma;}}{{\mathrm{\&omega;}}^{\&prime;}}_j\&le;\frac{U_i+1}{U_i}-{\mathrm{\&phi;}}_i,& {\mathrm{\&phi;}}_i\&GreaterEqual;{\mathrm{\&phi;}}_t\end{array}\\ \begin{array}{cc}0\&le;\underset{j=1}{\overset{x_i}{\&Sigma;}}{{\mathrm{\&omega;}}^{\&prime;}}_j\&le;1-{\mathrm{\&phi;}}_i,& {\mathrm{\&phi;}}_i<{\mathrm{\&phi;}}_t\end{array}\end{array}\right.$

其中，utility_i和utility_o分别为轻载小区和热点小区的效用函数，由满意用户数U_i'/U_i，U_o'/U_o和网络平均负载增量Δφ确定。φ_i是小区i的负载值，φ_t是特定负载阈值。表示x_i个用户转移到轻载小区i后的负载总量。为了使两个目标的值可以同等进行比较，将满意用户数目标函数进行了归一化处理，并利用线性加权和法构造单一效用函数。α是加权系数，α的不同取值会导致不同的效用函数值。同时该博弈模型需要满足一定的负载转移条件。通过该多目标负载均衡博弈模型可以找出最佳的转移用户，和使用A3事件判定的不同在于，可以辨别用户所处小区的方向及其邻区的负载状况。

其次，利用蚁群算法鲁棒性和优良的分布计算机制可以找出最佳转移用户所匹配的最优目标小区。将用户看作是蚂蚁，利用基于负载均衡原理设定的“信息素”，建立待选小区的概率原则，并应用轮盘赌选择算法寻求匹配小区。

通过以上建模，当网络监测到热点小区时，LTE负载均衡过程开始。仿真场景选择有多个热点小区相毗邻的网络，对所有小区均计算其效用函数，通过最大化网络满意用户数和最小化网络平均负载增量，该效用函数可以将热点小区所需转移的用户明确表示，即间接表明用户所处小区的大致方位。

下面结合附图对本发明作进一步详细描述。

本发明一种多目标LTE网络负载均衡方法，通过建立热点小区、轻载小区的负载均衡博弈模型，以满意用户数和平均负载增量作为博弈模型的目标优化变量，同时与蚁群算法相结合完成负载均衡过程。

以3GPPLTE下行链路多小区网络负载均衡为例，考虑蜂窝网络系统，每个小区由位于其中心的一个演进型基站eNB控制，小区内不再分扇区。那么每一个用户的信噪比为

${\mathrm{\&gamma;}}_{u,c}=\frac{P_{tx,c}{L}_{X\left(u\right)}\left({\stackrel{\&RightArrow;}{q}}_u\right)}{{\mathrm{\&sigma;}}^2+\underset{c\&NotEqual;X\left(u\right)}{\&Sigma;}{P}_{tx,c}{L}_{X\left(u\right)}\left({\stackrel{\&RightArrow;}{q}}_u\right)}---\left(1\right)$

其中X(u)＝c表示用户u与小区c建立连接；是用户u到小区c的平均信道增益，表示用户u所分布的位置；P_tx,c是小区c的发射功率；组合项可以理解为所有传输中在预期时间和频率(物理资源块)上产生的预期干扰，即网络中其他小区对该用户产生的干扰；σ²表示加性高斯白噪声。

用吞吐量R_u＝R(γ_u,c)表示每一个物理资源块根据所给的γ_u,c产生的数据速率，利用香农定理可以描述为

R(γ_u,c)＝BW·log₂(1+γ_u,c)(2)

其中BW是一个物理资源块(PRB)的传输带宽(在LTE系统中一个PRB的带宽是180kHz)。那么，小区c的虚拟负载为

${\widehat{\mathrm{\&rho;}}}_c=\frac{\underset{u|X\left(u\right)=c}{\&Sigma;}\frac{D_u}{R\left({\mathrm{\&gamma;}}_{u,c}\right)}}{N_{tot}}---\left(3\right)$

其中D_u是用户u所需的数据速率，是用户u携带的负载；N_tot为网络的总资源块数。的物理意义是：分布在小区c中所有用户所占资源块总数和网络中总资源块总数的比值。当时，c小区为热点小区。当热点小区中的用户转移到相邻小区时，其所携带的负载是变化的，通过上述公式可知用户负载与其信干噪比相关。所以当用户转移后用户在目标小区的信噪比可以预测为

${\mathrm{\&gamma;}}_{u,TeNB}=\frac{S_2}{\frac{S_1}{{\mathrm{\&gamma;}}_{u,c}}+S_1-S_2}---\left(4\right)$

其中S₁和S₂分别是用户所在热点小区和目标小区的信号强度电平(RSRP)，γ_u,c是用户在热点小区的信噪比值。

一个携带负载值φ_i和用户数U_i≥0的轻载小区i接收x_i个转移用户后，其满意用户数U_i'可以表示为

其中表示x_i个用户转移到轻载小区i后的负载总量。当φ'_i＜1时，满意用户数是随着转移到小区i的用户线性递增的；当φ'_i＞1时，小区i中部分用户不能被满足，该小区的容量受限。此时满意用户数用一个floor取整操作来表示。假设小区i的可容纳负载为y_i，该博弈模型的一个原则就是热点小区要转移到轻载小区i的用户总负载必须满足

对于热点小区，分布的用户U_o＞0和初始负载值φ_o＞1时，它的满意用户数可以表示为

其中表示x_o个用户从热点小区转移前的负载总量。将热点小区满意用户数U_o'和轻载小区满意用户数U_i'作为该负载均衡博弈模型目标函数之一，且其值越大越好。

根据用户在热点小区所携带的负载容量和转移到相邻轻载小区后所携带的负载容量，网络中的平均负载增量定义为

$\mathrm{\&Delta;}\mathrm{\&phi;}=\frac{\frac{1}{N}(\underset{i\&Element;N}{\&Sigma;}{\mathrm{\&phi;}}_i-\underset{i\&Element;N}{\&Sigma;}{{\mathrm{\&phi;}}^{\&prime;}}_i)}{\frac{1}{N}\underset{i\&Element;N}{\&Sigma;}{\mathrm{\&phi;}}_i}=\frac{\underset{i=1}{\overset{n_u}{\&Sigma;}}\underset{j=1}{\overset{x_i}{\&Sigma;}}{{\mathrm{\&omega;}}^{\&prime;}}_j-\underset{i=1}{\overset{n_o}{\&Sigma;}}\underset{j=1}{\overset{x_0}{\&Sigma;}}{\mathrm{\&omega;}}_j}{N\&CenterDot;\stackrel{\&OverBar;}{\mathrm{\&phi;}}}---\left(7\right)$

其中是所有轻载小区全部接收的负载容量总和，n_u是轻载小区数；是所有热点小区转移用户的负载容量总和，n_o是热点小区数；N是全网络总小区数。平均负载增量的物理意义在于用户转移后，目标轻载小区为其所分配的资源和原有在热点小区得到的负载资源相比，不会有太大范围的抖动。将平均负载增量作为该负载均衡博弈模型另一个目标函数，且其值越小越好。

考虑约束条件和轻载小区i接收负载的最坏情况，即只接收一个转移用户负载值就大于1。设最坏情况下轻载小区i的接受负载为y^*，那么y^*的上界可以表示为

$y^{*}\&le;\frac{U_i+1}{U_i}-{\mathrm{\&phi;}}_i=y_{max}---\left(9\right)$

只有当轻载小区i的负载超过特定的阈值φ_t时才能达到y_max。如果轻载小区被高度占用，很有可能没有用户转移到该小区即剩余负载y_i＝1-φ_i可能和用户不匹配。因此，轻载小区i的剩余负载可以表示为

$y_i=\left\{\begin{array}{cc}1-{\mathrm{\&phi;}}_i& {\mathrm{\&phi;}}_i<{\mathrm{\&phi;}}_i\\ \frac{U_i+1}{U_i}-{\mathrm{\&phi;}}_i& {\mathrm{\&phi;}}_i\&GreaterEqual;{\mathrm{\&phi;}}_i\end{array}\right.---\left(10\right)$

因此，该负载均衡博弈模型建立如下：

i∈轻载小区

$s.t.\left\{\begin{array}{c}\mathrm{\&alpha;}\&Element;\&lsqb;0,1\&rsqb;\\ \begin{array}{cc}0\&le;\underset{j=1}{\overset{x_i}{\&Sigma;}}{{\mathrm{\&omega;}}^{\&prime;}}_j\&le;\frac{U_i+1}{U_i}-{\mathrm{\&phi;}}_i,& {\mathrm{\&phi;}}_i\&GreaterEqual;{\mathrm{\&phi;}}_t\end{array}\\ \begin{array}{cc}0\&le;\underset{j=1}{\overset{x_i}{\&Sigma;}}{{\mathrm{\&omega;}}^{\&prime;}}_j\&le;1-{\mathrm{\&phi;}}_i,& {\mathrm{\&phi;}}_i<{\mathrm{\&phi;}}_t\end{array}\end{array}\right.---\left(11\right)$

o∈热点小区

$s.t.\left\{\begin{array}{c}\mathrm{\&alpha;}\&Element;\&lsqb;0,1\&rsqb;\\ \begin{array}{cc}0\&le;\underset{j=1}{\overset{x_i}{\&Sigma;}}{{\mathrm{\&omega;}}^{\&prime;}}_j\&le;\frac{U_i+1}{U_i}-{\mathrm{\&phi;}}_i,& {\mathrm{\&phi;}}_i\&GreaterEqual;{\mathrm{\&phi;}}_t\end{array}\\ \begin{array}{cc}0\&le;\underset{j=1}{\overset{x_i}{\&Sigma;}}{{\mathrm{\&omega;}}^{\&prime;}}_j\&le;1-{\mathrm{\&phi;}}_i,& {\mathrm{\&phi;}}_i<{\mathrm{\&phi;}}_t\end{array}\end{array}\right.---\left(12\right)$

其次，利用蚁群算法鲁棒性和优良的分布计算机制可以找出最佳转移用户所匹配的最优目标小区，即可以将用户看作蚂蚁，基于信息素自动地进行相应目标小区的匹配。蚁群算法在LTE负载均衡中的相关定义如下

(1)蚂蚁：LTE网络中的用户，由M≡{u₁,u₂,...,u_m}表示，M是网络中总用户数。

(2)TSP城市：LTE网络中的小区，由N≡{c₁,c₂,...,c_n}表示，N是网络中小区总数。

(3)距离矩阵D：各小区中心点之间的距离，是一个N×N矩阵。

(4)启发因子E：本文中将启发因子定义为距离矩阵中各元素值的倒数，同是一个N×N矩阵。

(5)信息素T矩阵：由基站间信号强度电平差值组成，用户u_i的信息素矩阵表示为

(6)概率原则P。用户u_i将根据其自身的待选小区c_j的概率原则P_ij选择目标小区完成负载转移。用户u_i在待选小区c_j的概率可以表示为

$P_{u_i,c_j}={T_{c_j,c}}^{\mathrm{\&alpha;}}\&CenterDot;{E_{c_j,c}}^{\mathrm{\&beta;}}\&CenterDot;{{\mathrm{\&Delta;\&rho;}}_{c_j}}^{\mathrm{\&gamma;}}---\left(14\right)$

其中是当前用户u_i所在热点小区c和待选小区c_j之间的信息素值，是当前用户u_i所在热点小区c和待选小区c_j之间的启发因子值，是待选小区c_j可容纳的负载值；α，β和γ分别是表征信息素、启发因子和负载量的重要程度参数。

通过以上建模，当网络监测到热点小区时，启动LTE负载均衡算法，本发明的负载均衡处理流程如图1所示。该过程可以描述如下：

(1)根据上述建立的负载均衡博弈模型找出热点小区中最佳转移用户，并建立相应的转移用户列表{u₁,u₂,...,u_n}。

(2)确定蚁群优化算法概率原则。当待选小区c_j对用户u_i的刺激程度最大时，即综合考虑了RSRP、用户和待选小区的距离和待选小区的可利用资源后，获得用户u_i最优目标小区并进行转移。概率原则选择过程根据轮盘赌选择法进行选择，使得适应度越大的待选小区被选中的概率越大。假设所确定的转移用户u_i的待选小区概率原则由组成，其中k表示共有k个待选小区，那么中的每一个值就是个体c_j被选中的适应度，则待选小区c_j被选中遗传到下一代的概率表示为

${P^{\&prime;}}_{u_i,c_j}=\frac{P_{u_i,c_j}}{\underset{n=1}{\overset{k}{\&Sigma;}}{P}_{u_i,c_n}}---\left(15\right)$

(3)经过蚁群算法的计算过程后，建立了转移用户最适宜转移的目标邻区列表即可以根据转移用户和目标小区配对进行用户转移，直到热点小区完成卸载，结束负载均衡过程。

仿真场景共有19个小区，小区编号从中心开始顺时针环绕。设置初始状态为基站1、2、11是热点小区，且分别均匀分布30个用户，其余小区分别均匀分布10个用户。用户到达小区的过程服从泊松分布，仿真时间设为1000s，博弈模型中加权系数α取0.5，信息素因子、启发因子和负载量因子分别取1,2和3。

图2是呼叫阻塞率的实时监测，仿真时长为1000s，每隔10s进行一次网络负载均衡过程。从图2中可以看出，在三种方法中，呼叫阻塞率都是随着仿真时长的增加而增加的，这是因为随着仿真时间的增加，小区中到达的用户数也在不断增加，小区固定资源使用受到的限制也增加了。与无负载均衡方法、MLB负载均衡方法相比较，本发明方法在很大程度上降低了呼叫阻塞率，网络中的用户基本都能被满足服务，大大提高了网络性能。

图3是网络负载公平性指数的实时监测。可以从图中看出，本发明方法和MLB负载均衡方法的公平性指数和无负载均衡时相比都有很大程度的提高，而本发明方法比MLB负载均衡方法提高的程度较低，是因为这和加权系数α的取值有关。α值越大，效用函数中网络平均负载增量目标影响越小，提升幅度就越小。在仿真时间为大约250s时，本发明算法的公平性指数出现了短暂性的减小，这是由于系统还没有完全进入稳定状态，在260s之后逐渐开始趋于稳定。公平性指数越大表示该网络负载越均衡，可见本发明方法网络负载最均衡。

图4是网络吞吐量的实时监测。可以从图中看出，三种方法的吞吐量都是随着仿真时长的增加而增加的，这是因为越来越多的用户连接到了小区并被小区服务。此外，在相同仿真时长下，MLB负载均衡方法和无负载均衡方法的吞吐量相差不大，但是本发明方法的网络吞吐量始终高于现有方法。

Claims (6)

1.一种LTE网络多目标负载均衡方法，其特征在于包括以下步骤：

步骤1：建立LTE网络下行链路的仿真平台；

步骤2：计算LTE网络中的所有用户在其服务小区的信噪比和负载值，在其相邻小区的预测信噪比和预测负载值，并计算每个小区的虚拟负载值；

步骤3：负载均衡时刻开始时，判断小区虚拟负载值是否大于1，如果存在虚拟负载值大于1的小区，则触发负载均衡过程，继续以下步骤，否则等待下一个负载均衡时刻到来；

步骤4：分别建立轻载小区和热点小区的负载均衡博弈模型，找到热点小区的最佳转移用户，并生成最佳转移用户列表{u₁,u₂,...,u_n}；

步骤5：建立蚁群算法在LTE负载均衡中的距离矩阵、启发因子矩阵和信息素矩阵，同时计算概率原则根据轮盘赌选择算法找到步骤3中最佳转移用户相匹配的最佳目标小区，并生成和最佳转移用户列表相对应的最佳目标小区列表

步骤6：根据转移用户和目标小区配对列表，将每个转移用户转移到相匹配的目标小区，同时更新转移用户的服务小区和负载值；

步骤7：负载均衡时刻+1，重复步骤2～7；同时每隔10s更新用户。

2.根据权利要求1所述的LTE网络多目标负载均衡方法，其特征在于：所述步骤1中，仿真场景共有19个小区，小区编号从中心开始顺时针环绕，设置初始状态为基站1、2、11是热点小区，且分别均匀分布30个用户，其余小区分别均匀分布10个用户，用户到达小区的过程服从泊松分布，仿真时间设为1000s。

3.根据权利要求1所述的LTE网络多目标负载均衡方法，其特征在于：所述步骤2中，用户u的信噪比为

${\mathrm{\&gamma;}}_{u,c}=\frac{P_{tx,c}{L}_{X\left(u\right)}\left({\stackrel{\&RightArrow;}{q}}_u\right)}{{\mathrm{\&sigma;}}^2+\underset{c\&NotEqual;X\left(u\right)}{\&Sigma;}{P}_{tx,c}{L}_{X\left(u\right)}\left({\stackrel{\&RightArrow;}{q}}_u\right)}---\left(1\right)$

其中，X(u)＝c表示用户u与小区c建立连接，是用户u到小区c的平均信道增益，表示用户u所分布的位置，P_tx,c是小区c的发射功率，组合项表示网络中其他小区对该用户产生的干扰，σ²表示加性高斯白噪声；

每一个物理资源块根据所给的γ_u,c产生的数据速率表示为

R(γ_u,c)＝BW·log₂(1+γ_u,c)(2)

其中，BW是一个物理资源块(PRB)的传输带宽，在LTE系统中一个PRB的带宽是180kHz；

小区c的虚拟负载为

${\widehat{\mathrm{\&rho;}}}_c=\frac{\underset{u|X\left(u\right)=c}{\&Sigma;}\frac{D_u}{R\left({\mathrm{\&gamma;}}_{u,c}\right)}}{N_{tot}}---\left(3\right)$

其中，D_u是用户u所需的数据速率，N_tot为网络的总资源块数，是用户u携带的负载；

当用户转移后用户在目标小区的信噪比预测为

${\mathrm{\&gamma;}}_{u,TeNB}=\frac{S_2}{\frac{S_1}{{\mathrm{\&gamma;}}_{u,c}}+S_1-S_2}---\left(4\right)$

其中，S₁和S₂分别是用户所在热点小区和目标小区的信号强度电平RSRP，γ_u,c是用户在热点小区的信噪比。

4.根据权利要求1所述的LTE网络多目标负载均衡方法，其特征在于：所述步骤4中的轻载小区和热点小区的负载均衡博弈模型建立如下

i∈轻载小区 $s.t.\left\{\begin{array}{cc}\mathrm{\&alpha;}\&Element;\&lsqb;0,1\&rsqb;& \\ 0\&le;\underset{j=1}{\overset{x_i}{\&Sigma;}}{{\mathrm{\&omega;}}^{\&prime;}}_j\&le;\frac{U_i+1}{U_i}-{\mathrm{\&phi;}}_i,& {\mathrm{\&phi;}}_i\&GreaterEqual;{\mathrm{\&phi;}}_t\\ 0\&le;\underset{j=1}{\overset{x_i}{\&Sigma;}}{{\mathrm{\&omega;}}^{\&prime;}}_j\&le;1-{\mathrm{\&phi;}}_i,& {\mathrm{\&phi;}}_i<{\mathrm{\&phi;}}_t\end{array}\right.$

(5)

o∈热点小区 $s.t.\left\{\begin{array}{cc}\mathrm{\&alpha;}\&Element;\&lsqb;0,1\&rsqb;& \\ 0\&le;\underset{j=1}{\overset{x_i}{\&Sigma;}}{{\mathrm{\&omega;}}^{\&prime;}}_j\&le;\frac{U_i+1}{U_i}-{\mathrm{\&phi;}}_i,& {\mathrm{\&phi;}}_i\&GreaterEqual;{\mathrm{\&phi;}}_t\\ 0\&le;\underset{j=1}{\overset{x_i}{\&Sigma;}}{{\mathrm{\&omega;}}^{\&prime;}}_j\&le;1-{\mathrm{\&phi;}}_i,& {\mathrm{\&phi;}}_i<{\mathrm{\&phi;}}_t\end{array}\right.---\left(6\right)$

其中，对于轻载小区，U_i是轻载小区i原有的用户数，x_i是转移到轻载小区i的用户数，φ_i是轻载小区i接受转移用户前负载，φ_t是负载阈值，设为0.8； 表示x_i个用户转移到轻载小区i后的负载总量；当φ'_i＜1时，满意用户数由(U_i+x_i)/U_i决定，当φ'_i＞1时，满意用户数用一个floor取整操作来表示；表示网络的平均负载增量，是所有轻载小区全部接收的负载容量总和，n_u是轻载小区数，是所有热点小区转移用户的负载容量总和，n_o是热点小区数，N是全网络总小区数，是全网初始平均负载；α是加权系数，设为0.5；对于热点小区，U_o是热点小区o原有的用户数，x_o是热点小区o转移走的用户数，φ_o是热点载小区o转移用户前负载； 表示x_o个用户从热点小区转移前的负载总量；当φ'_o＜1时，满意用户数由(U_o-x_o)/U_o决定，当φ'_o＞1时，满意用户数用一个floor取整操作来表示，该负载均衡博弈模型的效用函数满足最大化LTE网络中满意用户数同时最小化网络平均负载增量。

5.根据权利要求1所述的LTE网络多目标负载均衡方法，其特征在于：所述步骤5中蚁群算法在LTE负载均衡中的相关定义如下，其中将用户看作是算法中的“蚂蚁”，小区看作是“城市”；

(1)距离矩阵D：各小区中心点之间的距离，是一个N×N矩阵，N是网络中小区总数；

(2)启发因子E：将启发因子定义为距离矩阵中各元素值的倒数，同是一个N×N矩阵；

(3)信息素T矩阵：由基站间信号强度电平差值组成，用户u_i的信息素矩阵表示为

(4)概率原则用户u_i将根据其自身的待选小区c_j的概率原则P_ij选择目标小区完成负载转移，用户u_i在待选小区c_j的概率表示为

$P_{u_i,c_j}={T_{c_j,c}}^{\mathrm{\&alpha;}}\&CenterDot;{E_{c_j,c}}^{\mathrm{\&beta;}}\&CenterDot;{{\mathrm{\&Delta;\&rho;}}_{c_j}}^{\mathrm{\&gamma;}}---\left(2\right)$

其中，是当前用户u_i所在热点小区c和待选小区c_j之间的信息素值，是当前用户u_i所在热点小区c和待选小区c_j之间的启发因子值，是待选小区c_j可容纳的负载值；α，β和γ分别是表征信息素、启发因子和负载量的重要程度参数，分别取值1,2和3。

6.根据权利要5所述的LTE网络多目标负载均衡方法，其特征在于：所述步骤5中的概率原则选择过程根据轮盘赌选择法进行选择，使得适应度越大的待选小区被选中的概率越大；假设所确定的转移用户u_i的待选小区概率原则由组成，其中k表示共有k个待选小区，那么中的每一个值就是个体c_j被选中的适应度，则待选小区c_j被选中遗传到下一代的概率表示为

${P^{\&prime;}}_{u_i,c_j}=\frac{P_{u_i,c_j}}{\underset{n=1}{\overset{k}{\&Sigma;}}{P}_{u_i,c_n}}---\left(3\right).$