CN105554780A - 毫米波下Massive MIMO多小区协作波束分配方法 - Google Patents

Abstract

毫米波下Massive？MIMO多小区协作波束分配方法，属于通信领域。为了解决目前在天线波束成形和波束选择时多小区协作时存在小区稠化和小区间干扰的问题。方法包括：步骤一、以单小区复用为基础，考虑小区内部、相邻小区之间波束的干扰关系，建立小区内移动用户的波束干扰模型；步骤二：根据建立的小区内移动用户的波束干扰模型，计算各小区增广总速率，根据各小区增广总速率，获得增广目标函数；步骤三：采用改进的混沌搜索算法对获得的增广目标函数0-1整数优化问题求解，获得最优解和建立的模型中各小区中最优的波束分配结果。本发明能够实现在毫米波Massive？MIMO场景下，结合多基站协作进行波束选择，达到最优性能和大大降低了运算复杂度。

Description

毫米波下Massive MIMO多小区协作波束分配方法

技术领域

本发明涉及毫米波波段的使用MassiveMIMO的多小区协作进行波束选择与分配的策略，属于通信领域。

背景技术

MassiveMIMO、毫米波和波束成形技术是5G的关键技术。MassiveMIMO场景下，基站配置大规模的天线阵列，各终端配置有限数目的天线。由于毫米波波段的电磁波损耗远远大于目前蜂窝网常用的2GHz附近频段，因此需要基站采用MassiveMIMO技术来产生高增益的波束，以弥补毫米波波段较大的通信链路损耗。另外，为了进一步提高全网聚合吞吐量，5G系统中的小区基站的布局会更加稠密。综上所述，MassiveMIMO，毫米波，波束成型，小区稠化构成了未来5G蜂窝系统的典型应用场景。在这个场景中，基站和移动用户之间多为视距通信，或者只经过一次反射的非视距通信。因此，相邻小区之间的干扰问题更加严重，尤其是处于小区边缘的用户。在波束成形技术中，广泛使用的模拟波束成形技术是指在RF频段通过移相器产生高增益的窄波束，然后通过波束选择策略将波束分配给用户来得到最大的小区容量。目前在天线波束成形和波束选择方面的研究成果中，采用的信道模型是非毫米波波段的信道模型或是改进的非毫米波波段的信道模型，没有考虑毫米波波段的信道环境和小区稠化的特点。在2015年最新的有关波束选择策略的文献《BeamAllocationandPerformanceEvaluationinSwitchedBeam-basedMassiveMIMOSystems》中，只考虑MassiveMIMO波束成形时小区内部各波束之间的干扰，忽视了小区稠化和小区间干扰问题。考虑到上述5G毫米波场景下蜂窝网络的特点，在使用MassiveMIMO时，需要结合多小区协作技术和模拟波束成形技术对波束选择策略进行优化。

发明内容

本发明的目的是为了解决目前在天线波束成形和波束选择时多小区协作时存在小区稠化和小区间干扰的问题，本发明提供一种毫米波下MassiveMIMO多小区协作波束分配方法。

本发明的毫米波下MassiveMIMO多小区协作波束分配方法，所述方法包括如下步骤：

步骤一、以单小区复用为基础，考虑小区内部、相邻小区之间波束的干扰关系，建立小区内移动用户的波束干扰模型；

步骤二：根据建立的小区内移动用户的波束干扰模型，计算各小区增广总速率，根据各小区增广总速率，获得增广目标函数；

步骤三：对获得的增广目标函数0-1整数优化问题求解，获得最优解和建立的模型中各小区最优的波束分配结果。

所述步骤二中，小区i增广总速率为：

式中，

w_i,s为加权值，由不同小区所要求的基本数据速率决定；

I_i,s表示小区i对邻近小区s内的所有K个用户的总的干扰，k＝{1,2,...,K}；

为惩罚项，表示小区i对所有相邻小区的干扰；

表示小区i的所有K个用户的总速率；

M为建立的小区内移动用户的波束干扰模型中小区的总数，i＝{1,2,...,M}。

所述步骤二中，增广目标函数为：

约束条件：

式中，为小区i的基站产生的波束n与与小区i内用户k之间的波束分配因子。

当建立的小区内移动用户的波束干扰模型中小区基站数量小于10、每个基站产生指向不同方向的波束的数量小于10时，所述步骤三为采用穷举算法对获得的增广目标函数0-1整数优化问题求解，获得最优解和建立的模型中各小区中最优的波束分配结果的具体过程为：

将小区内移动用户的波束干扰模型中M个小区基站产生的的M·N条指向不同方向的波束以不同的方式分配给小区内的用户，将不同的分配方式进行枚举并比较总的数据速率，获得最优解和建立的模型中各小区中最优的波束分配结果,建立的小区内移动用户的波束干扰模型中小区基站产生的波束数目为N个。

所述步骤三为采用改进的混沌搜索算法对获得的增广目标函数0-1整数优化问题求解，获得最优解和建立的模型中各小区中最优的波束分配结果的具体过程为：

内层循环：生成[0,1]区间内的混沌变量初始值，混沌变量z_i,k,s经过幂函数变换后得到分布更加均匀的混沌变量z′_i,k,s；

将[0,1]区间等分为N个子区间，根据混沌变量z′_i,k,s在子区间的分布情况对波束分配因子进行赋值，通过公式z_i,k,s+1＝μz′_i,k,s(1-z′_i,k,s)进行多次迭代，其中，μ＝4，s为当前迭代次数，经过L次迭代后，得到小区i的最优增广总速率和与之对应的波束分配结果；

外层循环：对M个小区进行内层循环，根据增广目标函数，经过U次迭代，得到增广目标函数的最优解和相应的波束分配因子波束分配因子即为模型中各小区最优的波束分配结果。

所述内层循环中，混沌变量z_i,k,s经过幂函数变换后得到分布均匀的混沌变量z′_i,k,s为：

其中，a、b均为常数，且满足0<a<b<1。

本发明的有益效果在于，本发明能够实现在毫米波MassiveMIMO场景下，结合多基站协作进行波束选择，并通过改进的混沌搜索算法达到最优的系统性能，大大降低了运算的复杂度。由于考虑小区稠化场景下多小区的波束选择问题，小区间干扰项的引入使0-1整数优化问题更加复杂。0-1整数规划问题的解集为离散值，只能采用离散区域的求解算法或一些特殊算法。混沌搜索算法是解决整数优化问题的启发类算法之一。本发明采用改进的混沌搜索算法，改善了混沌搜索变量分布不均匀的现象，缩短了平均搜索时间。

附图说明

图1为本发明的流程示意图。

图2为具体实施方式中所述采用改进的混沌搜索算法对获得的增广目标函数0-1整数优化问题求解，获得最优解和建立的模型中各小区中最优的波束分配结果的流程示意图。

具体实施方式

结合图1说明本实施方式，本实施方式所述的毫米波下MassiveMIMO多小区协作波束分配方法，

步骤一、以单小区复用为基础，考虑小区内部、相邻小区之间波束的干扰关系，建立小区内移动用户的波束干扰模型；

在毫米波波段，建模过程中要综合考虑路径损耗、角度扩展、波束成形技术等问题。基站采用Butler矩阵的方法产生固定的波束直接指向相应的用户。使用MassiveMIMO技术，基站天线产生成百上千根波束，与小区内用户建立通信链路。设定基站天线的一条波束只能分配给一个用户，同时某一个用户有且仅有一条波束与之对应。

在毫米波波段，小区更加稠化，在某个基站与小区内用户进行通信的过程中，会受到同小区干扰和临近小区基站产生的小区间干扰，以及加性高斯白噪声的影响。同理，本小区在与其覆盖范围内的移动用户进行通信过程中，也会对同一小区和相邻小区的其他移动用户产生干扰。

在小区内移动用户的波束干扰模型中，加入小区间干扰项，同时添加惩罚项，表示对其他小区的干扰。

建立蜂窝网下行链路中小区内移动用户的波束干扰模型，通过多小区的协作将小区间的干扰降至最低，从而使整个系统的总数据速率达到最大。

小区内移动用户的波束干扰模型：假设系统中共有M个小区，i＝{1,2,...,M}，每个小区中心设有一个基站，每个基站配置N根天线，n＝{1,2,...,N}，排布方式为均匀线性阵列，相邻天线之间的间隔为基站天线使用Butler矩阵的方法产生固定波束。在每个小区内部，K个移动用户均匀分布在小区的各个区域，k＝{1,2,...,K}，每个移动用户配置一根天线。模型只考虑下行链路情况，基站只与本小区内的移动用户建立通信链路。假定各基站之间可通过CoMP的方式协作进行波束选择，不考虑完成这种合作所需要的基站间协作开销。定义小区中针对移动用户k的波束分配因子为： $C_{i_k,i_n}=\{\begin{array}{c}1\\ 0\end{array},$ 其中“1”表示小区i的基站将第n个波束分配给移动用户k，“0”表示不分配。限定基站天线的一个波束只能分配给一个用户，同时某一个用户有且仅有一个波束与之对应。得到约束条件：小区i的基站的N根天线产生的波束数目为N个。

第i个小区的用户i接收到的有用信号功率表示为：

式中，P表示小区基站分配给第n个波束的功率，基站分配给各个波束的功率都为P，D表示第i个小区的基站与移动用户k之间的天线方向性增益，h表示第i个小区的基站与移动用户k之间的信道系数。

第i个小区内用户k的数据速率表示为

式中，P_k,i表示第i个小区的移动用户k接收到的有用信号功率，I_k,i表示同一个小区内部指向其他移动用户的波束对用户k产生的干扰，表示除去小区i的其他小区的波束对第i个小区的移动用户k造成的干扰总和，σ_k表示移动用户k的射频前端引入的加性高斯白噪声。

步骤二：根据建立的小区内移动用户的波束干扰模型，计算各小区增广总速率，根据各小区增广总速率，获得增广目标函数；

在毫米波波段，小区更加稠化，在某个基站与小区内用户进行通信的过程中，会受到同小区干扰和临近小区基站产生的小区间干扰，以及加性高斯白噪声的影响。在小区内移动用户的波束干扰模型中，加入小区间干扰项，同时添加惩罚项，表示对其他小区的干扰。得到各小区的增广总速率后，所有小区的增广总速率求和得到系统的增广目标函数。

考虑小区i的所有用户的总速率为小区i对邻近M-1个小区内的所有用户的总干扰为其中w_i,s为加权值，由不同小区所要求的基本数据速率决定，如果临近小区为热点，要求速率高，则相应的w_i,s值变大。在考虑将本小区总速率最大化的同时，对其他小区的干扰降至最低，因此将作为惩罚项添加到函数中，得出经过改进的小区i的增广数据速率为

综上，整个系统的增广目标函数为

约束条件：

式中，为小区i的基站产生的波束n与与小区i内用户k之间的波束分配因子。

步骤三：对获得的增广目标函数0-1整数优化问题求解，获得最优解和建立的模型中各小区最优的波束分配结果。

分别使用穷举算法和改进的混沌搜索算法对获得的增广目标函数0-1整数优化问题求解。

由于穷举法的运算量很大，所以只在M和N较小时适用。当建立的小区内移动用户的波束干扰模型中小区基站数量小于10、每个基站产生指向不同方向的波束的数量小于10时，所述步骤三为采用穷举算法对获得的增广目标函数0-1整数优化问题求解，获得最优解和建立的模型中各小区中最优的波束分配结果的具体过程为：

将小区内移动用户的波束干扰模型中M个小区基站产生的的M·N条指向不同方向的波束以不同的方式分配给小区内的用户，将不同的分配方式进行枚举并比较总的数据速率，获得最优解和建立的模型中各小区中最优的波束分配结果,建立的小区内移动用户的波束干扰模型中小区基站产生的波束数目为N个。

改进的混沌搜索算法：对于混沌搜索算法，首先将采用Logistic混沌映射z_i,k,s+1＝μz′_i,k,s(1-z′_i,k,s)，其中z_i,k,s∈[0,1]，μ＝4来保证该问题处于完全混沌状态。使用这种映射方式，混沌变量经过多次迭代过程将分布在区间的各个位置，具有遍历性。但混沌变量在空间中出现的位置具有不均匀性，在区间两端出现的概率更高，在区间内部出现的概率低，导致区间两端比区间中间混沌变量点分布更加密集。如果最优解所在的位置属于混沌变量点分布较稀疏的位置，则寻找最优解要耗费大量时间。

为使混沌变量的点在区间中的分布更加均匀，在(0，a]区间用幂函数z^u(0＜u＜1)对混沌变量进行扩大，使其位置向中间靠拢；同理，在(b，1]用幂函数z^v(v＞1)对混沌变量进行压缩，同样使其位置向中间靠拢。经过处理的混沌变量在迭代寻找最优解时平均耗时更少。

结合图2说明，采用改进的混沌搜索算法对获得的增广目标函数0-1整数优化问题求解，获得最优解和建立的模型中各小区中最优的波束分配结果的具体过程为：

内层循环：

(1)初始化混沌变量z_i,k,s，k＝{1,2,...,K}，K个初始值随机分布在[0,1]区间内；

(2)用幂函数对生成的混沌变量初始值z_i,k,s进行修正，公式如下：

(3)将[0,1]区间分为N段，分别为判断修正后的变量落在第几个子区间。通过下式，

设置波束分配因子的值。

(4)将代入到小区i的增广数据速率中，

(5)更新小区i的最优解与波束分配因子初始值 $C_{i_k,i_n}^{*}=C_{i_k,i_n}\left(0\right),k=\{1,2,\mathrm{...},K\},n=\{1,2,\mathrm{...},N\}.$ 若 $F_i\left(C_{i_k,i_n}\right(s\left)\right)>F_i^{*},$ 令 $F_i^{*}=F_i\left(C_{i_k,i_n}\right(s\left)\right),$ $C_{i_k,i_n}^{*}{C}_{i_k,i_n}\left(s\right),$ 否则不变。

(6)判断迭代次数。若s＜L，L为设置的最大迭代次数，则采用Logistic混沌映射z_i,k,s+1＝μz′_i,k,s(1-z′_i,k,s)生成新的混沌变量，返回(2)。s＝L时，保存迭代过程结束。

外层循环：

(1)小区数目为M，初始化小区序号i＝1。

(2)调用内层循环得到

(3)计算系统的增广目标函数

(4)更新系统的最优解与波束分配因子。初始值 $i=\{1,2,\mathrm{...},M\},k=\{1,2,\mathrm{...},K\},n=\{1,2,\mathrm{...},N\}.$ 若Y(u)＞Y^*，令Y^*＝Y(u)， $C_{i_k,i_n}^{*}=C_{i_k,i_n}\left(u\right),$ $i=\{1,2,\mathrm{...},M\},k=\{1,2,\mathrm{...},K\},n=\{1,2,\mathrm{...},N\}.$ 否则保持不变。

(5)判断迭代次数u与设置值U的大小关系。若u<U,返回(1)。当u＝U时，停止搜索，得到最优解Y^*和最优波束分配因子 $i=\{1,2,\mathrm{...},M\},k=\{1,2,\mathrm{...},K\},n=\{1,2,\mathrm{...},N\}.$

所述Y^*为最优解，为模型中各小区最优的波束分配结果。

Claims (6)

1.一种毫米波下MassiveMIMO多小区协作波束分配方法，其特征在于，所述方法包括如下步骤：

步骤一、以单小区复用为基础，考虑小区内部、相邻小区之间波束的干扰关系，建立小区内移动用户的波束干扰模型；

步骤二：根据建立的小区内移动用户的波束干扰模型，计算各小区增广总速率，根据各小区增广总速率，获得增广目标函数；

步骤三：对获得的增广目标函数0-1整数优化问题求解，获得最优解和建立的模型中各小区最优的波束分配结果。

2.根据权利要求1所述的毫米波下MassiveMIMO多小区协作波束分配方法，其特征在于，所述步骤二中，小区i增广总速率为：

$F_i=\underset{k=1}{\overset{K}{\&Sigma;}}{R}_{k,i}-\underset{s=1,s\&NotEqual;i}{\overset{M}{\&Sigma;}}{w}_{i,s}\&CenterDot;I_{i,s};$

式中，

w_i,s为加权值，由不同小区所要求的基本数据速率决定；

I_i,s表示小区i对邻近小区s内的所有K个用户的总的干扰，k＝{1,2,...,K}；

为惩罚项，表示小区i对所有相邻小区的干扰；

表示小区i的所有K个用户的总速率；

M为建立的小区内移动用户的波束干扰模型中小区的总数，i＝{1,2,...,M}。

3.根据权利要求2所述的毫米波下MassiveMIMO多小区协作波束分配方法，其特征在于，所述步骤二中，增广目标函数为：

$\underset{C_{i_k,i_n}}{max}\underset{i=1}{\overset{M}{\&Sigma;}}{F}_i$

约束条件： $\underset{n=1}{\overset{N}{\&Sigma;}}{C}_{i_k,i_n}\&le;1,k=\{1,2,...,K\},i=\{1,2,...,M\};$

$\underset{k=1}{\overset{K}{\&Sigma;}}{C}_{i_k,i_n}\&le;1,n=\{1,2,...,N\},i=\{1,2,...,M\};$

式中，为小区i的基站产生的波束n与与小区i内用户k之间的波束分配因子。

4.根据权利要求3所述的毫米波下MassiveMIMO多小区协作波束分配方法，其特征在于，当建立的小区内移动用户的波束干扰模型中小区基站数量小于10、每个基站产生指向不同方向的波束的数量小于10时，所述步骤三为采用穷举算法对获得的增广目标函数0-1整数优化问题求解，获得最优解和建立的模型中各小区中最优的波束分配结果的具体过程为：

将小区内移动用户的波束干扰模型中M个小区基站产生的的M·N条指向不同方向的波束以不同的方式分配给小区内的用户，将不同的分配方式进行枚举并比较总的数据速率，获得最优解和建立的模型中各小区中最优的波束分配结果,建立的小区内移动用户的波束干扰模型中小区基站产生的波束数目为N个。

5.根据权利要求3所述的毫米波下MassiveMIMO多小区协作波束分配方法，其特征在于，所述步骤三为采用改进的混沌搜索算法对获得的增广目标函数0-1整数优化问题求解，获得最优解和建立的模型中各小区中最优的波束分配结果的具体过程为：

内层循环：生成[0,1]区间内的混沌变量初始值，混沌变量z_i,k,s经过幂函数变换后得到分布更加均匀的混沌变量z′_i,k,s；

将[0,1]区间等分为N个子区间，根据混沌变量z′_i,k,s在子区间的分布情况对波束分配因子进行赋值，通过公式z_i,k,s+1＝μz′_i,k,s(1-z′_i,k,s)进行多次迭代，其中，μ＝4，s为当前迭代次数，经过L次迭代后，得到小区i的最优增广总速率和与之对应的波束分配结果；

外层循环：对M个小区进行内层循环，根据增广目标函数，经过U次迭代，得到增广目标函数的最优解和相应的波束分配因子波束分配因子即为模型中各小区最优的波束分配结果。

6.根据权利要求5所述的毫米波下MassiveMIMO多小区协作波束分配方法，其特征在于，所述内层循环中，混沌变量z_i,k,s经过幂函数变换后得到分布均匀的混沌变量z′_i,k,s为：

$z_{i,k,s}^{\&prime;}=\left\{\begin{array}{c}{\left(z_{i,k,s}\right)}^u(0<u<1),\&lsqb;0,a\&rsqb;\\ z_{i,k,s},\&lsqb;a,b\&rsqb;\\ {\left(z_{i,k,s}\right)}^v(v>1),\&lsqb;b,1\&rsqb;\end{array}\right.;$

其中，a、b均为常数，且满足0<a<b<1。