CN105262575A - 在LTE-Advanced中基于载波聚合的资源分配方法及系统 - Google Patents

Abstract

本发明提供了一种在LTE-Advanced中基于载波聚合的资源分配方法及系统，该资源分配方法包括载波分配步骤，在载波分配步骤中包括：移动散列分配步骤、容量估计步骤、目标值提高步骤。本发明的有益效果是：本发明在载波分配的结果和能量估计的前提下，本发明进行了资源块分配和资源块交换算法，最后进行了能量分配，使得整体系统的性能得到了很好的提升。

Description

在LTE-Advanced中基于载波聚合的资源分配方法及系统

技术领域

本发明涉及通信技术领域，尤其涉及在LTE-Advanced中基于载波聚合的资源分配方法及系统。

背景技术

移动互联网已经改变了我们的生活。大量的移动设备用来上网、和朋友分享新闻、玩在线游戏或者在路上听最新的音乐，为了满足人们在这些方面的大量的需求，在LTE-A中提出了载波聚合(CA)技术，CA也是3GPPLTER10中重要的内容之一[1][2]。在CA中，一个用户(UE)可以被分配多个独立的无线频谱链(RFCs)，并且同时在多个载波(CCs)上进行传输。

尽管如此，CA技术的应用带来了新的问题，尤其是在LTE-A系统中的无线资源管理(RRM)方面。首先要考虑的就是资源配置计算的复杂度问题。不考虑在LTE-A中的资源块(RB)配置和能量分配，先将CC资源分配给不同的用户，就已经给RRM带来了很大的问题。假设一个一般的LTE-A系统只有M个CCs和K个UEs，且每个UE需要S个RFCs，因此最多有 ${\Π}_{k=1}^K\left(\begin{array}{c}S\\ M\end{array}\right)$ 种可能的CC分配方案。以一个小规模系统为例，如果有5个CCs，10个UEs，每个UE有两个RFCs，可能的方案数高达10¹⁰。因此，如果缺少一个有效的分配方案，计算消耗和配置延迟会给enhancedNodeB(eNB)增加过多的负担，反而会导致系统能力的下降。其次，CC配置不同于传统的资源配置，CC分配通常在RB配置和能量分配之前，使得评价CC配置的解决方案有着很大的困难。最后，连续空闲频谱资源的有限性使得不连续的CA结构对于无线通信更具有实际意义。但是不连续的CCs分配也会在资源配置方面带来新的约束条件。不同于每个UE可以在整个频带传输数据的LTE系统，在多个CCs上同时传输限制容量的UE的数据就很值得研究。

发明内容

为了解决现有技术中的问题，本发明提供了一种在LTE-Advanced中基于载波聚合的资源分配方法。

本发明提供了一种在LTE-Advanced中基于载波聚合的资源分配方法，包括载波分配步骤，在载波分配步骤中包括：

移动散列分配步骤，在最初进行载波分配时，UEs按照等概率的方式选择CCs；

容量估计步骤，根据式估计所有UEs的容量

目标值提高步骤，寻找最小容量的UE，记为k_min，如果找到第m^*个CC，使得UEk_min的容量最小。

本发明的有益效果是：本发明在载波分配的结果和能量估计的前提下，本发明进行了资源块分配和资源块交换算法，最后进行了能量分配，使得整体系统的性能得到了很好的提升。

附图说明

图1是特定的粒子结构图；图2是本发明的仿真模拟图；图3是实际的分配结果和估计的RB分配结果图；图4是本发明的CEGA-CCA在最小UE容量，用户公平性和和容量方面的对比图；图5是本发明的RE-RBA的仿真结果图；图6是PSO-PA算法的能量图；图7是所有的载波上能量上限得到满足的图；图8是最终资源分配的结果图；图9是变量K来衡量所提出的算法复杂度的图。

具体实施方式

如图1所示，本发明公开了一种

1.现如今已经有少量关于CA技术的资源分配的学术论文，比如[3][4][5]。这些研究都有将一个复杂分配问题分解成几个子问题的相似结构，随后一步一步解决这些子问题。尽管与联合分配相比，将问题分解的结构可能得不到最优的解，但是它明显地降低了系统的计算复杂程度，这对一个实时的系统具有十分重要的意义。根据这些，如图[1]所示，本文应用分解的结构将资源配置问题分成三步：CC配置、RB配置和能量分配。

CC配置的目标是将即将到达的UE分配到确定的CCs中去。在[3]和[4]中，作者讨论了两个信道无意识算法，循环算法(RR)和移动散列算法(MH)。RR算法的基本思想就是将最新到达的UE分配给拥有最少UE的CC；MH算法也被称为随机载波分配，将每一个最新到达的UE以等概率的条件分配给各个CC。尽管在长期来看，这两种算法UE之间的公平性可以得到保证，但是由于不同带宽CC之间的无关性和不同UEs之间的信道衰落，基于这两种算法的系统的吞吐量就会较低。此外，对于评估CC分配的结果，RB分配和能量分配是必不可少的，因此对多个用户的CC分配是不平凡的，而且避免了这些已完成的工作。本发明提出了一个RB分配的评价方法，辅助CC分配，并且在每个RB上平均分配能量。根据这些大约估计，本发明设计了一种基于贪婪算法的交叉熵的新颖的CC分配方法(CEGA-CCA)。

在CC分配的解决方案前提下，RB分配会进一步被分为两类：在每个CC上独立安排(IC)或交叉安排(AC)。IC的结构是在每个CC上分配RB是不考虑其他的CC，其优点是在已存在的LTE系统中是可兼容的，但是IC结构又明显是一个次优的解。另一方面，AC结构在RB分配时将所有的CC考虑在内，并且在这种方式下可以得到一个比IC结构完全优的解。AC结构最主要的缺点就是较高的复杂度。在[3]中，作者提出了一种类似AC结构的算法，该算法是将IC结构中聚合在所有CCs上的UEs的吞吐量考虑在内进行优化的。在参考文献[4]中，作者通过介绍两个公平权重影响因素，提出了一种广义的AC方案，并且证明了该方案可以比IC提供更高的利用率。在参考文献[6]中，通过最优化每个窄带UE的最佳CC分配方案，直到总利用率不再继续增长，得到最大系统利用率(MSU)的算法。但是，由于这些方案都是根据贪婪算法为每个分配来最优化利用函数的，因此前面提到的算法都是次优解，并且给达到更好的资源分配留有很大的空间。为了有效的解决RB分配，本发明研究了在给定CC分配的情况下，通过构建一个完备的双边函数和定义合适的权重矢量，将RB分配问题转化为双边的凹的匹配问题。在这个转化的基础之上，提出了一个基于RB分配算法的AC。最后，本文用常规拉格朗日乘子的方法对能量进行分配，从而尽可能完成整个工作。

在我们看来，对含有CA技术的LTE-A系统来说，仍然缺少一个包括CC分配、RB分配和能量分配的完整的资源分配的解决方案。本发明给三个分配阶段提出三种算法。所提出的算法都权衡了多项式时间算法的复杂度和UEs的数目之间的关系。

后文是按照以下内容进行安排的。首先，讨论含有CA的LTE-A系统中资源分配的目标和限制条件，并且在第二章中将其抽象表示为带有限制条件的优化问题。在第三部分中，将优化问题分解为三个简化的子问题。随后将三个子问题的解决方案联合起来，在第五部分中分析算法的计算复杂度，在第六部分中证明提出算法的效率和有效性，最后进行简要的总结。

2.系统模型：

A.问题建模：考虑一个由M个CCs和K个UE组成的LTE-A系统，第m个CC由N_m个RBs组成，并且每个UE分配S个RFCs。如图一所示，根据分解后的结构，将整个资源分配过程分成三步：CC分配、RB分配和能量分配。将得到的优化解表示成和p^m,n，其中代表第k个UE上的第s个RFC是否在第m个CC上传输，表示在第m个CC上的第n个RB是否分配给第k个UE，p^m,n是第m个CC上的第n个RB的能量值。根据这些，在第m个CC上的第k个UE的第s个RFC上的信道容量可以表示为：

$R_{k,s}^m={\mathrm{\ψ}}_{k,s}^m\left(\underset{n=1}{\overset{N_m}{\Σ}}{\mathrm{\ρ}}_k^{m,n}{\mathrm{Wlog}}_2\right(1+\frac{p^{m,n}{\left(h_{k,s}^{m,n}\right)}^2}{{\mathrm{\Γ}}_k{N}_{0}W}\left)\right)---\left(1\right)$

此处N₀双边带加性高斯白噪声(AWGN)的谱密度，W表示每个RB的带宽，是根据调制方式而来的信噪比(SNR)[7]，并且SER_k是是第k个UE在使用M-QAM调制时的误符号率(SER)，是第k个UE的第s个RFC在第m个CC的第n个RB上的信道增益，该信道增益与路径损耗、阴影和衰落有关。为了简化问题，假设RFCs对于同一个UE来说是独立同分布的，因此因此，第k个UE的和容量可以表示为：

$R_k=\underset{m=1}{\overset{M}{\Σ}}{R}_k^m=\underset{m=1}{\overset{M}{\Σ}}\underset{s=1}{\overset{S}{\Σ}}{R}_{k,s}^m---\left(2\right)$

公平性在多用户的无线通信系统中是十分重要的衡量标准[8][9]。通过保证用户之间的公平性，可以控制UEs之间的容量比，确保每个用户，尤其是边缘用户，达到期望的数据传输率。本文利用Jain平滑指数来评价用户之间的公平性：

$\mathrm{\Φ}:=\frac{{\left({\mathrm{\Σ}}_{k=1}^K{R}_k\right)}^2}{{\mathrm{K\Σ}}_{k=1}^K{R}_k^2}---\left(3\right)$

当R₁＝R_k，时将会达到最大值Φ＝1。为了确保在每次分配中每个UE都会被安排，如果使得R_k＝0，就可以定义不连续的点Φ＝0。

本发明的目的在保证UEs之间的公平性的前提下，找到使得系统和容量最大的资源分配方案。在数学上该问题可以量化成一个带有约束条件的优化问题，如下所示：

$(\mathrm{\ψ},\mathrm{\ρ},p)\∈\mathrm{argmax}\underset{k=1}{\overset{K}{\Σ}}{R}_k---\left(4\right)$

满足条件：

C1： $\underset{m=1}{\overset{M}{\Σ}}{\mathrm{\ψ}}_k^m\≤S,{\mathrm{\ψ}}_k^m\∈\{0,1\},\∀k;$

C2： $\underset{k=1}{\overset{K}{\Σ}}\underset{n=1}{\overset{N_m}{\Σ}}{\mathrm{\ρ}}_k^{m,n},{\mathrm{\ρ}}_k^{m,n}\∈\{0,1\},\∀m;$

C3： $\underset{n=1}{\overset{N_m}{\Σ}}{p}^{m,n}\≤P_{total}^m,p^{m,n}\∈\[0,P_{otai}^m\],\∀m,n;$

C4：Φ＝1。

此处 $\mathrm{\ψ}:={\[{\mathrm{\ψ}}_k^m\]}_{K\×M},\mathrm{\ρ}:={\[{\mathrm{\ρ}}_k^{m,n}\]}_{K\×M\×{\mathrm{maxN}}_m}$ 和 $p:={\[p_k^m\]}_{M\×{\mathrm{maxN}}_m}$ 表示CC，RB和能量的分配结果。限制条件C1表示一个UE最多在S个CCs上传输；C2表示在同一时间内，每个RB只会分配个一个UE；C3意味着所有RBs的总能量是非负的，但是不多于第m个CC的能量限制C4则是公平性的限制条件。

B.代替目标函数：

在(4)式中所表示的最初的问题，是一个典型的混合整体非线性规划问题，在多项式时间上很难求解，因此，本文目的在于提出有效的次优化算法，使得该资源分配问题得到一个计算复杂度较小的非劣解。最后。本文第一次解决有类似于非线性限制条件C4这样的棘手问题。在此，将利用转换目标函数的方法，将C4组合到原始的目标函数里。下面是证明该命题的合理性：

命题1：

在限制条件Φ＝1下，如果那么

(ψ,ρ,p)∈argmaxminR_k。

证明：

假设则minR'_k＞minR_k。根据在公式(3)中的定义和限制条件Φ＝1，则有 ${\Σ}_{k=1}^K{R^{\′}}_k={{\mathrm{KminR}}^{\′}}_k>{\Σ}_{k=1}^K{R}_k={\mathrm{KminR}}_k,$ 与相矛盾，因此(ψ',ρ',p')不存在。▎

根据命题1，最初的问题被转换成：

(P)(ψ,ρ,p)∈argmaxminR_k(5)

使得

C1： $\underset{m=1}{\overset{M}{\Σ}}{\mathrm{\ψ}}_k^m\≤S,{\mathrm{\ψ}}_k^m\∈\{0,1\},\∀k;$

C2： $\underset{k=1}{\overset{K}{\Σ}}\underset{n=1}{\overset{N_m}{\Σ}}{\mathrm{\ρ}}_k^{m,n},{\mathrm{\ρ}}_k^{m,n}\∈\{0,1\},\∀m;$

C3： $\underset{n=1}{\overset{N}{\Σ}}{p}^{m,n}\≤P_{tatal}^m,p^{m,n}\∈\[0_t,P_{otal}^m\],\∀m,n.$

综上，我们应用了一个可分解的结构将可分解的问题P分解为三个子问题，CC分配、RB分配和能量分配。特别地，本发明现提出了一个有效的方法估计RB分配和能量分配，并且在这些估计下解决CC分配的问题。同样地，在CC分配的结果和能量分配的估计下来解决RB分配。在CC分配和RB分配完成之后，能量分配问题也就可以进行解决了。分解后的子问题如下所示：

(P1)ψ∈argmaxminR_k(ρ,p)(6)；

使得C1： $\underset{m=1}{\overset{M}{\Σ}}{\mathrm{\ψ}}_k^m\≤S,{\mathrm{\ψ}}_k^m\∈\{0,1\},\∀k$ 成立；

(P2)ρ∈argmaxminR_k(ψ,p)(7)；

使得C2： $\underset{k=1}{\overset{K}{\Σ}}\underset{n=1}{\overset{N_m}{\Σ}}{\mathrm{\ρ}}_k^{m,n},{\mathrm{\ρ}}_k^{m,n}\∈\{0,1\},\∀m$ 成立；

(P3)p∈argmaxminR_k(ψ,ρ)(8)；

使得C3： $\underset{n=1}{\overset{N_m}{\Σ}}{p}^{m,n}\≤P_{total}^m{p}^{m,n}\∈\[0,P_{total}^m\],\∀m,n$ 成立；

在下文中，会针对P1，P2和P3提出合理的解决方案。

3.复合载波分配：

在这部分中，文章先给出ρ和p的合理的估计量。在这些估计量的前提下，为解决CC分配问题提出基于贪婪算法的交叉熵算法(CEGA-CCA)。

A.RB分配和能量分醒的估计：

对于能量估计p，假设同一个CC上的RB是平均等量分配能量的。定义实际能量因此可以得到：

$P^{m,n}=p^{m,-}=\frac{P_{total}^m}{N_m}=\frac{P_{total}^m{N}_1}{P_{total}^1{N}_m}P,\∀m,n---\left(9\right)$

定义

$H_k^{m,n}=\frac{|h_k^{m,n}{|}^2{p}^{m,-}}{{\mathrm{\ΓN}}_{0}WP}---\left(10\right)$

作为第k个UE在第m个CC上的第n个RB上的信道衰落。

根据信道衰落理论，大尺度衰落的主要影响因子为因此，对于相同的UE，在同样的程度上波动。由于 $ln(1+x)-ln(1+x^{\&prime;})\&ap;(x^{\&prime;}-x)\frac{1}{1+x^{\&prime;}},|x-x^{\&prime;}|<\mathrm{\&epsiv;},$ 如图1所示，可以估计第k个UE在第m个CC上的和容量，如式(11)所示：

$\begin{array}{c}{R}_k^m=\underset{n=1}{\overset{N_m}{\&Sigma;}}{\mathrm{\&rho;}}_k^{m,n}{\mathrm{Wlog}}_2(1+{\mathrm{PH}}_k^{m,n})=\underset{n=1}{\overset{N_m}{\&Sigma;}}\frac{{\mathrm{\&rho;}}_k^{m,n}W}{\ln 2}\ln (1+{\mathrm{PH}}_k^{m,n})\&ap;\frac{1}{\ln 2}\underset{n=1}{\overset{N_m}{\&Sigma;}}{\mathrm{\&rho;}}_k^{m,n}W\\ \left(\right({\mathrm{PH}}_k^{m,n}-P\stackrel{\&OverBar;}{H_k^{m,n}})\tan \mathrm{\&theta;}+\ln (1+P\stackrel{\&OverBar;}{H_k^m}\left)\right)\\ =\frac{W}{\ln 2}(0+|{\mathrm{\&Phi;}}_k^m\left|\ln \right(1+P\stackrel{\&OverBar;}{H_k^m})=\left|{\mathrm{\&Phi;}}_k^m\right|{\mathrm{Wlog}}_2(1+P\stackrel{\&OverBar;}{H_k^k})\end{array}---\left(11\right)$

这里的表示第k个UE在第m个CC上的被分配的一组RBs，算子|·|是这组RB的基数，满足：

$\left|{\mathrm{\&Omega;}}_k^m\right|={\mathrm{\&Sigma;}}_{n=1}^{N_m}{\mathrm{\&rho;}}_k^{m,n}---\left(12\right)$

$\stackrel{\&OverBar;}{H_k^m}={\mathrm{\&Sigma;}}_n{\mathrm{\&rho;}}_k^{m,n}{H}_k^{m,n}/\left|{\mathrm{\&Omega;}}_k^m\right|---\left(13\right)$

并且有：

$tan\mathrm{\&theta;}=\frac{d\ln (1+P\stackrel{\&OverBar;}{H_k^m})}{d(1+P\stackrel{\&OverBar;}{H_k^m})}=\frac{1}{(1+P\stackrel{\&OverBar;}{H_k^m})}---\left(14\right)$

根据公平性的限制条件可以得到：

$\underset{m=1}{\overset{M}{\&Sigma;}}{\mathrm{\&psi;}}_k^m\left|{\mathrm{\&Omega;}}_k^m\right|{\log }_2(1+P\stackrel{\&OverBar;}{H_k^m})=\underset{m=1}{\overset{M}{\&Sigma;}}{\mathrm{\&psi;}}_{k^{\&prime;}}^m\left|{\mathrm{\&Omega;}}_{k^{\&prime;}}^m\right|{\log }_2(1+P\stackrel{\&OverBar;}{H_{k^{\&prime;}}^m})---\left(15\right)$

但是还是很难得到结果ψ，因为在RB分配时无法事先得到精确的值。因此，用假设公平性在每个CC上得到满足的大约方法，例如：

$\left|{\mathrm{\&Omega;}}_k^m\right|{\log }_2(1+P\stackrel{\&OverBar;}{H_k^m})=\left|{\mathrm{\&Omega;}}_{k^{\&prime;}}^m\right|{\log }_2(1+P\stackrel{\&OverBar;}{H_{k^{\&prime;}}^m}),\&ForAll;m---\left(16\right)$

$\underset{k=1}{\overset{K}{\&Sigma;}}\left|{\mathrm{\&Omega;}}_k^m\right|=N_m,\&ForAll;m---\left(17\right)$

通过联合解决(16)和(17)，并且平均能量分配的假设，第k个UE的RBs大约数量为：

$\left|{\mathrm{\&Omega;}}_k^m\right|\&ap;\&lsqb;\frac{{\mathrm{\&psi;}}_k^m{N}_m}{{\log }_2(1+P\stackrel{\&OverBar;}{H_k^m})\left({\&Sigma;}_{k^{\&prime;}=1}^K\frac{{\mathrm{\&psi;}}_{k^{\&prime;}}^m}{{\log }_2(1+P\stackrel{\&OverBar;}{H_{k^{\&prime;}}^m})}\right)}\&rsqb;,\&ForAll;m,k---\left(18\right)$

并且在第m个CC上的第k个UE的和容量大约为：

$R_m^k=\frac{{\mathrm{\&psi;}}_k^m{\mathrm{WN}}_m}{{\&Sigma;}_{k^{\&prime;}=1}^K\frac{{\mathrm{\&psi;}}_{k^{\&prime;}}^m}{{\log }_2(1+P\stackrel{\&OverBar;}{H_{k^{\&prime;}}^m})}},\&ForAll;m,k---\left(19\right)$

因此， $R_k={\mathrm{\&Sigma;}}_{m=1}^M{R}_m^k.$

B.GA-CCA：复合载波分配的贪婪算法：

在这一节中，首先针对CC分配提出一个贪婪算法(GA-CCA)。在每一步骤中，GA-CCA旨在提高最小容量UE的容量。所提出的GA-CCA的细节如下所示：

STEP1(移动散列分配)：在最初进行CC分配时，UEs按照等概率的方式选择CCs；

STEP2(容量估计)：根据式(19)估计所有UEs的容量

STEP3(目标值提高)：寻找最小容量的UE，记为k_min，

$k_{\min }\&Element;\arg \underset{1\&le;k\&le;K}{\min }{R}_k---\left(20\right)$

如果找到第m^*个CC，使得UEk_min的容量最小：

$m^{*}\&Element;\arg \underset{1\&le;m\&le;M}{\min }\left\{R_{k_{\min }}^m\right\},\&ForAll;m,{\mathrm{\&psi;}}_{k_{\min }}^{m^{*}}\&NotEqual;0---\left(21\right);$

如果CCm^*满足式(21)，那么可能不会符合UEk_min，所使用的算法尝试去排除这种分配干扰。因此找到可能存在的CCμ：

$\mathrm{\&mu;}\&Element;\arg \underset{1\&le;m\&le;M,\mathrm{\&mu;}\&NotEqual;m^{*}}{\min }{\&Sigma;}_m{R}_{k_{\min }}^m---\left(22\right);$

并且设置和

重复这个过程知道找不到满足式(22)的μ为止，算法的详细流程如下：

C.CEGA-CCA：基于GA-CCA的交叉熵算法：

尽管GA-CCA的计算复杂度很低，但是得出结果的准确度很大程度上取决于随机分配，并且容易被极端值影响。在本节提出一个迭代算法进一步的提高CC分配的质量。

交叉熵(CE)是一种新型的迭代算法[10]，提出该算法初始时是为了仿真小概率事件，并且用作解决优化问题[11]。CE分为基本的四步：(1)建立解空间，将原始的问题整合到CE中去；(2)根据概率分布在解空间中产生随机的样本；(3)根据目标函数和限制条件估计每一个产生的样本，并且排除一些较差的样本；(4)更新概率分布函数的参量，以便在下一次迭代中得到更好的结果。在参考文献[10]中有关于CE具体的理解和讲述。关于所提出的基于GA-CCA的CE算法(CEGA-CCA)寻找到优化的ψ，解决P1问题：

STEP1：(策略空间的表示)

设置迭代参量t:＝1。由于第k个UE被分配了M个CCs和S个RFCs作为候选，因此可以得到列举得到的结果，得到策略空间：

${\mathrm{\&Theta;}}_k=\&lsqb;{\mathrm{\&theta;}}_k^1,{\mathrm{\&theta;}}_k^2,\mathrm{...},{\mathrm{\&theta;}}_k^{\mathrm{\&Lambda;}}\&rsqb;---\left(23\right)$

其中

$\begin{array}{c}{\mathrm{\&theta;}}_k^1=\{{\mathrm{\&psi;}}_k^1=1,\mathrm{...},{\mathrm{\&psi;}}_k^S=1,{\mathrm{\&psi;}}_k^{S+1}=0,\mathrm{...},{\mathrm{\&psi;}}_k^M=0\},\\ {\mathrm{\&theta;}}_k^2=\{{\mathrm{\&psi;}}_k^1=1,\mathrm{...},{\mathrm{\&psi;}}_k^S=0,{\mathrm{\&psi;}}_k^{S+1}=1,{\mathrm{\&psi;}}_k^{S+2}=0,\mathrm{...},{\mathrm{\&psi;}}_k^M=0\},\\ \mathrm{...}\\ {\mathrm{\&theta;}}_k^{\mathrm{\&Lambda;}}=\{{\mathrm{\&psi;}}_k^1=0,\mathrm{...},{\mathrm{\&psi;}}_k^{M-S+1}=1,\mathrm{...},{\mathrm{\&psi;}}_k^M=1\}\end{array}$

$\mathrm{\&Lambda;}=\left(\begin{array}{c}M\\ S\end{array}\right)$ 是Θ_k的大小。由此可构建一个Λ维空间的概率矢量P_k：

$P_{k,t}=\&lsqb;P_{k,t}^1,P_{k,t}^2,\mathrm{...},P_{k,t}^{\mathrm{\&Lambda;}}\&rsqb;,{\mathrm{\&Sigma;}}_{i=1}^{\mathrm{\&Lambda;}}{P}_{k,t}^i=1---\left(24\right)$

其中代表第k的UE的选择策略的概率。对于移动散列分配， $P_{k,t}^i=1/\mathrm{\&Lambda;},\&ForAll;k,i.$

STEP2：(产生样本)

用概率矢量P_k,t来产生随机的样本：

$X_k\left(z\right)=\&lsqb;X_k^1\left(z\right),X_k^2\left(z\right),\mathrm{...},X_k^{\mathrm{\&Lambda;}}\left(z\right)\&rsqb;,1\&le;z\&le;Z---\left(23\right)$

这里的Z是样本的数量，X_k(z)是一个Λ维的向量，并且只有元素“1”和(Λ-1)个元素“0”，的概率为

STEP3：(表现估计)

将根据产生的样本X_k(n)，然后用GA-CCA算法替代以便于计算目标函数的值，记作V_z。按照降序重新排列V_z,得到V₁≥...≥V_z。然后，令是σ-分位数的表示，其中σ表示协同分位数，表示上限算子。

STEP4：(概率更新)

为所有的1≤k≤K和1≤i≤Λ更新概率

$P_{k,t}^i=\frac{{\mathrm{\&Sigma;}}_{z=1}^Z{I}_{\{V_z\&GreaterEqual;\mathrm{\&lambda;}\}}{X}_k^i\left(z\right)}{{\mathrm{\&Sigma;}}_{z=1}^Z{I}_{\{V_z\&GreaterEqual;\mathrm{\&lambda;}\}}}---\left(26\right)$

其中是一个表示变量，其定义为：

$I_{\{V_z\&GreaterEqual;\mathrm{\&lambda;}\}}=\left\{\begin{array}{cc}1& \begin{array}{cc}if& V_z\&GreaterEqual;\mathrm{\&lambda;}\end{array}\\ 0& otherwise\end{array}\right.---\left(27\right)$

STEP5：如果满足收敛条件，即达到最大的迭代次数或者则停止迭代；否则令t:＝t+1，并且跳转到STEP2中。

CEGA-CCA的过程总结在算法2中：

4.资源块分配：

在这一节中，在给定的CC分配和上文估计的能量分配的前提下，研究RB的分配问题。首先，在参考文献[8]和[10]中，用贪婪算法来解决RB分配问题。随后，本发明提出一个RB交换策略，其中应用了同一个CC上的两个UE之间的信道衰落率。这个算法可以使得之前的工作[13]，在OFDMA系统中子载波的分配问题的到解决。

A.贪婪资源块分配算法

在参考文献[8]和[12]中，第一次讨论了RB分配的问题。该算法的目的在于通过，的利用多用户的多样性，使得总的和容量最大，同时保证一定的公平性。以贪婪算法为基础，设计一个经过改进的贪婪算法(MG-RBA)来解决RB分配的问题。除此之外，还要用到在前文得到的分配结果来提高UEs之间的公平性。

提出的MG-RBA分为两个步骤：首先，每个UE按顺序在被分配到的CC上选择一个RB。随后，拥有最小和容量的UE具有优先权选择剩下的RBs中最好的，直到剩下的RBs都被分配给相应的UEs为止。所提出的RB分配算法的细节详见算法3.为了表示清楚，将被分配给第m个CC的UEs记为K_m，将剩余的RBs记为A_m。

B.基于RB分配的RB换算法

在上文提出的MG-RBA算法基础上，本发明又提出了RB交换算法来进一步均衡和容量和公平性之间的关系。特别地，对于MG-RBA给出的分配方案ρ，在假设能量等量分配的前提下，得到和容量此外，算法找到了和容量最小的UEk_min和最大和容量的CCm_max。然后利用保守的策略将在第m个CC中的UEk_min中的RB交换给其他的UE。根据参考文献[13]，候选的RBn^*交换给最小容量的k_min，需要满足的条件，此时k'(k'≠k_min1)是RBn^*在CCm_max现任的拥有者。如果这样的RB存在，令 ${\mathrm{\&rho;}}_{k_{\min }}^{m_{\max },n^{*}}=1,{\mathrm{\&rho;}}_{k^{\text{'}}}^{m_{\max },n^{*}}=0,$ 并且重新计算容量 $R_{k_{\min }}=R_{k_{\min }}+W{\log }_2(1+{\mathrm{PH}}_{k_{\min }}^{m_{\max },n^{*}})$ 和重复整个过程直到找不到能够提高的RB为止。RE-RBA的过程细节如算法4所示：

5.能量分配

在CC分配和RB分配之后，本发明进一步提高在每一个RB上的能量分配。将上文中得到的结果ψ和ρ应用到P3中，将能量分配看成一个带有限制条件的连续优化问题。但是由于缺少对ψ和ρ的清楚地表示，就很难证明P3问题是凸的。在这一部分在，本发明提出了一种基于粒子群算法(PSO)的迭代算法。通过与其他迭代算法进行比较，例如遗传算法(GA)、克隆优化(ACO)，PSO由于粒子之间的连接，在算法开始时具有更好的全局搜索能力和在算法结束前有更好的局部搜索能力[14]。标准的PSO算法包括以下步骤：(1)建立粒子描绘问题的解，(2)建立粒子的拓扑结构(粒子的位置)，(3)计算每个粒子合适的值和找出最佳粒子，(4)更新粒子的位置，(5)重复步骤(3)-(4)知道满足终止条件。根据标准的PSO算法，提出的粒子群能量分配算法(PSO-PA)步骤如下：

STEP1：(构建粒子)

假设共有Z^PSO个粒子，表示向量：

${\mathrm{particles}}_z=\left\{{\mathrm{particles}}_z^m\right\},m=\{1,\mathrm{...},M\}---\left(28\right);$

作为第z个粒子，其中有是一个N_m维向量表示在第m个CC上的能量分配，在向量中的每个元素表示一个能量值。特定的粒子结构如图1所示。因此可以将具有相同速率的粒子表示成velocity_z。

STEP2：(创建拓扑结构)

创建拓扑结构的目的在于初始化粒子的位置(每个particles_z的值)和它们的速率。用下列的表示方法将所有的粒子能量分配：

${\mathrm{particles}}_z^m\left(n\right)=p^{m,-}+p^{m,-}(\mathrm{\&omega;}-0.5),\&ForAll;m,n,z---\left(29\right)$

${\mathrm{velocity}}_z^m\left(n\right)=p^{m,-}(\mathrm{\&omega;}-0.5),\&ForAll;m,n,z---\left(30\right)$

此时，ω遵循[0,1]之间的标准均匀分布。

STEP3：(粒子更新)

更新粒子的过程是为了估计现有的粒子的位置，并将最好的粒子挑选出来进行更新，得到最后的结果。基于目标函数和限制条件合适的能量值，每个粒子都是可比较的。对于问题P3，用处罚函数的方式定义每个粒子的适应函数[15]：

$F_z=\underset{k}{\min }{R}_k(\mathrm{\&psi;},\mathrm{\&rho;},{\mathrm{particles}}_z)\&times;{\mathrm{\&lambda;}}_z---\left(31\right)$

适应函数由两部分组成，表述根据ψ，ρ和现在的粒子位置z计算的所有UEs中最小的容量。λ是确保限制条件C3的处罚因子。λ的表达式如下：

${\mathrm{\&lambda;}}_z=1-\sqrt{\underset{m=1}{\overset{M}{\&Sigma;}}{\left(\underset{n=1}{\overset{N_m}{\&Sigma;}}{\mathrm{particles}}_z^m\right(n)-P_{total}^m)}^2}---\left(32\right)$

另外，定义F^best和Gparticle^best作为最高适应度的值和相关位置，相对应地，和作为粒子z的最高适应度的值和相关位置。

STEP4：(粒子更新)

对粒子进行适应改编后，需要更新粒子的位置和它们的速率来达到预期的优化解。根据参考文献[16]中的假设，根据以下的公式对粒子进行操：

${\mathrm{velocity}}_z^m=\mathrm{\&chi;}\left(\begin{array}{c}{\mathrm{velocity}}_z^m+c_1{\mathrm{\&omega;}}_1({\mathrm{Pparticle}}_z^{best}-{\mathrm{particle}}_z^m)\\ +c_2{\mathrm{\&omega;}}_2({\mathrm{Gparticle}}^{best}-{\mathrm{particle}}_z^m)\end{array}\right)---\left(33\right)$

${\mathrm{particle}}_z^m={\mathrm{particle}}_z^m+{\mathrm{velocity}}_z^m---\left(34\right)$

这里，χ是PSO的惯性系数，变量ω₁和ω₂是在区间[0,1]中均匀分布的随机变量，c₁和c₂为：

$\mathrm{\&chi;}=\frac{2}{|2-(c_1+c_2)-\sqrt{{(c_1+c_2)}^2-4(c_1+c_2)}|}---\left(35\right)$

其中，c₁＝c₂＝2.05和χ≈0.729。算法重复步骤(3)和(4)直达满足停止条件。在本文中，用最大的迭代次数T_PSO来作为终止条件。能量分配的步骤细节如算法5所示：

6.数值讨论和分析：

A.参量设置

为了估计提出算法的优劣，需要进行大量的仿真模拟。仿真的布局如图2所示。

本发明选用COST-231Hata模型作为大尺度衰落模型[17]。

PL_db＝(44.9-6.55log(h_BS))log(d/1000)+46.3+

(35.46-1.1h_MS)log(F_m)-13.82log(h_BS)+0.7h_MS+C

其中h_BS＝32m和h_MS＝1.5m是eNB和UE的高度。eNB的覆盖半径为1000m。

在LTE-A系统中有4个CCs，中心频率F_m为700MHz，1900MHz，2300MHz，和3400MHZ，分别有20MHz，10MHz，10MHz和20MHz的带宽；阴影有6dB。对于小尺度衰落，应用有6个独立的瑞利多径的Clarke平稳衰落模型，和参考文献[8]中相同。能量延迟集合参量为e^-2l，其中l为多径指数。因此，6个多径的相关能量为[0，-0.869，-17.37，-26.06，-34.74，-43.43]。其他相关仿真参量如下表所示：

TABLEI

SIMULATIONPARAMETERSETTING

A.RB分配的估计

为了证明提出的RB分配方法的效率，本发明利用部分3-A中提出的方法对比实际分配结果和估计分配结果。如图3所示，可以看出在实际的分配结果和估计的RB分配结果之间存在差值，表明提出的RB估计算法足够进行CC分配。另外，RB估计的方法也使得UEs之间的公平性得到了保证。

CC分配

如图4所示，本发明提出的CEGA-CCA在最小UE容量，用户公平性和和容量方面的对比。可以看出GA-CCA算法可以得到相对公平的解，即Φ＞0.95。随着迭代次数的增加，CC分配的最小UE的和容量(P1的优化目标)提高了大约7.6％(从33.77Mbps到36.51Mbps)。另外，也可以观察出UE的和容量和用户公平性指数之间的折中，即其中一个的增长导致另外一个的下降。这个结论在其他的资源分配工作中同样适用。

为了进一步阐述CEGA-CCA算法的有效性和效率，将提出的GA-CCA算法和CEGA-CCA算法与传统的MH算法和RR算法进行比较，如表2所示：

TABLEII

PERFORMANCECOMPARISONSOFDIFFERENTCCALLOCATIONALGORITHMS

由于在部分3-A中提出RB分配的估计和能量分配的估计，可以看出GA-CCA和CEA-CCA在所有的方面都有很好的效果。特别地，对比移动散列结构，提出的CEGA-CCA算法在最小UE容量，公平性和和容量方面有40.4％，5.4％和9.4％的提高。

RB分配：

给出CC分配后，RE-RBA的仿真结果如图5所示，其中起点为MG-RBA的结果。可以看出，RE-RBA在很少的迭代次数后就可以趋向于得到一个稳定的解。更重要的是，可以观察到所有性能度量都随着迭代次数的增加而提高，表明提出算法的容量已经达到了极限。

除此之外，还将估计的RBA，GA-RBA，和RE-RBA的分配结果进行了对比，如表3所示。

TABLEIII

UTILITYFUNCTIONWITHOPTIMALCHANNELALLOCATION

对比RBA后发现，提出的GA-RBA算法在最小UE容量和和容量中有更好的表现，但是在公平性方面稍显不足。这是因为GA-RBA算法更好的利用了多用户的多样性。作为一种改进的算法，GA-RBA在所有方面都要优于RBA和GA-RBA算法。通过对比可得，GA-RBA能够在最小UE容量，公平性和和容量方面分别获得1.7％，0.01％和2.2％的提高。

能量分配：

通过所给的CC分配和RB分配的结果，可以利用所提出的PSO-PA算法进一步对P3问题进行优化。PSO-PA算法的能量如图6和表3所示。

随着迭代次数的增加，在最UE容量和公平性方面有微量的提高，但是在和容量方面则有下降。这表明了能量分配在资源分配过程中起到了一个细微调整的作用。本发明也将在所有的RB上的能量分配的情况进行了展示。如图7所示，可以看到在所有的CC上能量上限都得到了满足，证明了适应函数(31)的有效性。

最后在图8中可以看出，最终资源分配的结果。可以观察到所有的用户都有很高的传输容量(每个用户约40Mbps)和相对公平的分配，即使它们分布在一个2000*2000的区域中。

复杂度：

如图9所示，本发明提出了一个变量K来衡量所提出的算法的复杂度。可以看出，三个阶段时间消耗的随着用户数量的增加线性增长，表明提出的算法根据K是在时间多项式下可行的。

结论：

载波聚合技术在下一代无线通信系统中能够支持高速率的传输。本发明通过资源块分配的估计方法和两个替代的目标函数，MPF和MMU，研究了成分载波分配的问题，很大程度上简化了CC分配的问题。随后，本发明提出了GA-CCA算法，该算法具有计算复杂度低的特点，虽然得到的优化结果是次优解，但是仍能很好的满足CC分配的要求。为了进一步的优化CC分配的结果，提出了CEGA-CCA算法。该算法可以使得CC分配在最小UE容量和公平性方面得到进一步的优化，并且保证计算复杂度的前提。

在CC分配的结果和能量估计的前提下，本发明进行了RB分配和RB交换算法。最后进行了能量分配，使得整体系统的性能得到了很好的提升。

3GPP中的载波聚合(CA)技术，在LTE-Advanced中能够支撑高达100Mhz频带宽度的高速率传输，但是CA的使用在无线资源分配方面也带来了许多新的挑战。本发明研究了在LTE-A中的资源配置问题，以便从CA技术中获得最大的增益。首先，在多个实际约束条件下，将资源配置问题表示成优化问题。然后将被表示出的问题分成载波(CC)配置、资源块配置和能量分配三个阶段来进行，以便减少计算复杂度。特别地，针对CC分配，本文在大约估计了RB的配置和平均分配能量的前提下，提出了一种基于贪婪算法的交叉熵(CE)算法。随后，通过CC配置的结果，本文为了进一步提高总容量，而设计了一种RB交换的分配算法。最后，提出了基于能量配置(PA)的粒子群优化(PSO)结构，并进行了大量的数值仿真来验证所提出的算法的有效性。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (10)

1.一种在LTE-Advanced中基于载波聚合的资源分配方法，其特征在于，包括载波分配步骤，在载波分配步骤中包括：

移动散列分配步骤，在最初进行载波分配时，UEs按照等概率的方式选择CCs；

容量估计步骤，根据式估计所有UEs的容量

目标值提高步骤，寻找最小容量的UE，记为k_min，如果找到第m^*个CC，使得UEk_min的容量最小：

$m^{*}\&Element;\arg \underset{1\&le;m\&le;M}{min}\left\{R_{k_{\min }}^m\right\},\&ForAll;m,{\mathrm{\&psi;}}_{k_{\min }}^{m^{*}}\&NotEqual;0---\left(21\right),$

如果CCm^*满足式(21)，那么CCμ：

$\mathrm{\&mu;}\&Element;\arg \underset{1\&le;m\&le;M,\mathrm{\&mu;}\&NotEqual;m^{*}}{min}{\mathrm{\&Sigma;}}_m{R}_{k_{\min }}^m---\left(22\right),$

并且设置 ${\mathrm{\&psi;}}_{k_{\min }}^{m^{*}}=0$ 和 ${\mathrm{\&psi;}}_{k_{\min }}^{\mathrm{\&mu;}}=1,$

重复这个过程直到找不到满足式(22)的μ为止。

2.根据权利要求1所述的资源分配方法，其特征在于，在所述载波分配步骤中还包括：

策略空间的表示步骤，构建一个Λ维空间的概率矢量P_k： $P_{k,t}=\&lsqb;P_{k,t}^1,P_{k,t}^2,...,P_{k,t}^{\mathrm{\&Lambda;}}\&rsqb;,{\mathrm{\&Sigma;}}_{i=1}^{\mathrm{\&Lambda;}}{P}_{k,t}^i=1---\left(24\right),$ 其中代表第k的UE的选择策略的概率，对于移动散列分配，

产生样本步骤，用概率矢量P_k,t来产生随机的样本： $X_k\left(z\right)=\&lsqb;X_k^1\left(z\right),X_k^2\left(z\right),...,X_k^{\mathrm{\&Lambda;}}\left(z\right)\&rsqb;,1\&le;z\&le;Z---\left(23\right),$ 这里的Z是样本的数量，X_k(z)是一个Λ维的向量，并且只有元素“1”和(Λ-1)个元素“0”，的概率为

表现估计步骤，将根据产生的样本X_k(n)，然后用GA-CCA算法替代记作V_z，令是σ-分位数的表示，其中σ表示协同分位数，表示上限算子；

概率更新步骤，为所有的1≤k≤K和1≤i≤Λ更新概率(26)，其中是一个表示变量，其定义为： $I_{\{V_z\&GreaterEqual;\mathrm{\&lambda;}\}}=\left\{\begin{array}{cc}1& if{V}_z\&GreaterEqual;\mathrm{\&lambda;}\\ 0& otherwise\end{array}\right.---\left(27\right);$

判断步骤，如果满足收敛条件，即达到最大的迭代次数或者则停止迭代，否则令t:＝t+1，并且跳转到产生样本步骤中。

3.根据权利要求2所述的资源分配方法，其特征在于，该资源分配方法包括资源块分配步骤，在所述资源块分配步骤中包括：首先，每个UE按顺序在被分配到的CC上选择一个RB，随后，拥有最小和容量的UE具有优先权选择剩下的RBs中最好的，直到剩下的RBs都被分配给相应的UEs为止。

4.根据权利要求1所述的资源分配方法，其特征在于，该资源分配方法还包括能量分配步骤，在能量分配步骤中包括如下步骤：

构建粒子步骤，假设共有Z^PSO个粒子，表示向量：

${\mathrm{particles}}_z=\left\{{\mathrm{particles}}_z^m\right\},m=\{1,...,M\}---\left(28\right);$

创建拓扑结构步骤，初始化粒子的位置和它们的速率；

粒子更新步骤，估计现有的粒子的位置，并将最好的粒子挑选出来进行更新，得到最后的结果；

处理步骤，对粒子进行适应改编后，需要更新粒子的位置和它们的速率来达到预期的优化解。

5.根据权利要求4所述的资源分配方法，其特征在于，在所述创建拓扑结构步骤中，用下列的表示方法将所有的粒子能量分配：

${\mathrm{particles}}_z^m\left(n\right)=p^{m,-}+p^{m,-}(\mathrm{\&omega;}-0.5),\&ForAll;m,n,z---\left(29\right);$

${\mathrm{velocity}}_z^m\left(n\right)=p^{m,-}(\mathrm{\&omega;}-0.5),\&ForAll;m,n,z---\left(30\right);$

此时，ω遵循[0,1]之间的标准均匀分布。

6.一种在LTE-Advanced中基于载波聚合的资源分配系统，其特征在于，包括载波分配模块，在载波分配模块中包括：

移动散列分配模块，在最初进行载波分配时，UEs按照等概率的方式选择CCs；

容量估计模块，根据式估计所有UEs的容量

目标值提高模块，寻找最小容量的UE，记为k_min，如果找到第m^*个CC，使得UEk_min的容量最小：

$m^{*}\&Element;\arg \underset{1\&le;m\&le;M}{min}\left\{R_{k_{\min }}^m\right\},\&ForAll;m,{\mathrm{\&psi;}}_{k_{\min }}^{m^{*}}\&NotEqual;0---\left(21\right),$

如果CCm^*满足式(21)，那么CCμ：

$\mathrm{\&mu;}\&Element;\arg \underset{1\&le;m\&le;M,\mathrm{\&mu;}\&NotEqual;m^{*}}{min}{\mathrm{\&Sigma;}}_m{R}_{k_{\min }}^m---\left(22\right),$

并且设置 ${\mathrm{\&psi;}}_{k_{\min }}^{m^{*}}=0$ 和 ${\mathrm{\&psi;}}_{k_{\min }}^{\mathrm{\&mu;}}=1,$

重复这个过程直到找不到满足式(22)的μ为止。

7.根据权利要求6所述的资源分配系统，其特征在于，在所述载波分配模块中还包括：

策略空间的表示模块，构建一个Λ维空间的概率矢量P_k： $P_{k,t}=\&lsqb;P_{k,t}^1,P_{k,t}^2,...,P_{k,t}^{\mathrm{\&Lambda;}}\&rsqb;,{\mathrm{\&Sigma;}}_{i=1}^{\mathrm{\&Lambda;}}{P}_{k,t}^i=1---\left(24\right),$ 其中代表第k的UE的选择策略的概率，对于移动散列分配，

产生样本模块，用概率矢量P_k,t来产生随机的样本： $X_k\left(z\right)=\&lsqb;X_k^1\left(z\right),X_k^2\left(z\right),...,X_k^{\mathrm{\&Lambda;}}\left(z\right)\&rsqb;,1\&le;z\&le;Z---\left(23\right),$ 这里的Z是样本的数量，X_k(z)是一个Λ维的向量，并且只有元素“1”和(Λ-1)个元素“0”，的概率为

表现估计模块，将根据产生的样本X_k(n)，然后用GA-CCA算法替代记作V_z，令是σ-分位数的表示，其中σ表示协同分位数，表示上限算子；

概率更新模块，为所有的1≤k≤K和1≤i≤Λ更新概率 其中是一个表示变量，其定义为： $I_{\{V_z\&GreaterEqual;\mathrm{\&lambda;}\}}=\left\{\begin{array}{cc}1& if{V}_z\&GreaterEqual;\mathrm{\&lambda;}\\ 0& otherwise\end{array}\right.---\left(27\right);$

判断模块，如果满足收敛条件，即达到最大的迭代次数或者则停止迭代，否则令t:＝t+1，并且跳转到产生样本模块中。

8.根据权利要求7所述的资源分配系统，其特征在于，该资源分配系统包括资源块分配模块，在所述资源块分配模块中包括：首先，每个UE按顺序在被分配到的CC上选择一个RB，随后，拥有最小和容量的UE具有优先权选择剩下的RBs中最好的，直到剩下的RBs都被分配给相应的UEs为止。

9.根据权利要求6所述的资源分配系统，其特征在于，该资源分配系统还包括能量分配模块，在能量分配模块中包括如下：

构建粒子模块，假设共有Z^PSO个粒子，表示向量：

${\mathrm{particles}}_z=\left\{{\mathrm{particles}}_z^m\right\},m=\{1,...,M\}---\left(28\right);$

创建拓扑结构模块，初始化粒子的位置和它们的速率；

粒子更新模块，估计现有的粒子的位置，并将最好的粒子挑选出来进行更新，得到最后的结果；

处理模块，对粒子进行适应改编后，需要更新粒子的位置和它们的速率来达到预期的优化解。

10.根据权利要求9所述的资源分配系统，其特征在于，在所述创建拓扑结构模块中，用下列的表示方法将所有的粒子能量分配：

${\mathrm{particles}}_z^m\left(n\right)=p^{m,-}+p^{m,-}(\mathrm{\&omega;}-0.5),\&ForAll;m,n,z---\left(29\right);$

${\mathrm{velocity}}_z^m\left(n\right)=p^{m,-}(\mathrm{\&omega;}-0.5),\&ForAll;m,n,z---\left(30\right);$

此时，ω遵循[0,1]之间的标准均匀分布。