CN105611635A - 一种异构无线网络协作通信中的多目标网络功率分配方法 - Google Patents

一种异构无线网络协作通信中的多目标网络功率分配方法 Download PDF

Info

Publication number
CN105611635A
CN105611635A CN201510968272.5A CN201510968272A CN105611635A CN 105611635 A CN105611635 A CN 105611635A CN 201510968272 A CN201510968272 A CN 201510968272A CN 105611635 A CN105611635 A CN 105611635A
Authority
CN
China
Prior art keywords
individuality
population
individual
new
simulated annealing
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
Application number
CN201510968272.5A
Other languages
English (en)
Other versions
CN105611635B (zh
Inventor
冯义志
杨亮
张军
宁更新
傅娟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN201510968272.5A priority Critical patent/CN105611635B/zh
Publication of CN105611635A publication Critical patent/CN105611635A/zh
Application granted granted Critical
Publication of CN105611635B publication Critical patent/CN105611635B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W72/00Local resource management
    • H04W72/04Wireless resource allocation
    • H04W72/044Wireless resource allocation based on the type of the allocated resource
    • H04W72/0473Wireless resource allocation based on the type of the allocated resource the resource being transmission power
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/12Computing arrangements based on biological models using genetic models
    • G06N3/126Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02DCLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00Reducing energy consumption in communication networks
    • Y02D30/70Reducing energy consumption in communication networks in wireless communication networks
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02EREDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70Smart grids as climate change mitigation technology in the energy generation sector
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04SSYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Genetics & Genomics (AREA)
  • Signal Processing (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Physiology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种异构无线网络协作通信中的多目标网络功率分配方法,该方法采用双亲代四路并行运算的设计结构,旨在为异构无线网络协作通信中协同工作的网络提供简单、高效、科学合理的多目标功率分配方案,以最大化智能移动终端的传输速率和最小化其功率消耗作为功率分配方案的优化目标,同时优化智能移动终端的传输速率和功率消耗两方面的性能,并提高功率分配过程的效率。

Description

一种异构无线网络协作通信中的多目标网络功率分配方法
技术领域
本发明涉及无线通信技术领域,特别涉及异构无线网络协作通信中一种异构无线网络协作通信中的多目标网络功率分配方法。
背景技术
目前各种异构无线通信网络广泛共存,但各种网络独立运行,使得不同网络间的无缝互联及网络资源的充分利用十分困难。作为解决该问题的方案,异构无线网络协作通信技术得到了国内外高度重视。异构无线网络协作通信技术可以实现异构无线网络之间的融合接入、协同工作与网络间的无缝互联,使得终端可以同时利用多个不同类型无线网络进行数据传输,从而显著提高网络资源利用率和系统通信能力。
在异构无线网络协作通信系统中,智能移动终端同时利用多个不同类型网络传输数据,虽然获得了更高的总体传输速率,但也显著增加了功耗,如何使终端在获取尽可能高的传输速率的同时消耗尽可能低的功率是一个关键问题。为了优化终端的总传输速率和总功耗,终端需要对各参与协同通信的网络的功率高效合理地分配。
在无线通信中,目前已经有大量的研究提出了各种关于功率分配的方法,但现有的功率分配方法主要针对单一制式网络和单种类型业务,仅以单个性能指标为优化目标,并且计算复杂、效率较低。针对异构无线网络协作通信的功率分配研究还比较少,且有待改进。例如经典的注水法以最大化信道容量为优化目标,但计算复杂,且无法优化功耗。公开号为CN101364823A,公开日为2009年2月11日的发明专利“协作通信中基于MCPA门限的功率分配方法”,采用了一种以源节点的平均信道功率衰减(MCPA)作为门限值来选取协作节点并给选取的协作节点平均分配功率的方案,但该发明针对单种制式的同构网络,仅以系统中断概率性能为优化目标,并且功率在选取的协作节点上平均分配的方法使得功率的利用率不高、没有考虑对功耗性能的优化。公开号为CN102752840A,公开日为2012年10月24日的发明专利“一种广播信道发送功率分配方法”,提供了一种根据每个信道的增益信噪比和每个接收端的权值为各接收端分配发射功率的方法,虽然因为无需求解注水功率水平和迭代计算过程而降低了算法复杂度,但是该发明针对单种制式的同构网络,并且仅以最大化系统吞吐量为优化目标,没有考虑对功耗的优化。公开号为CN103561457A,公开日为2014年2月5日的发明专利“一种异构无线网络协作通信中的多目标网络功率分配方法”使用遗传算法进行功率分配,该发明虽然联合优化了功率和信道容量,但是遗传算本身早期容易“早熟”和后期进化缓慢的缺陷并未避免,所采用的自适应突变方式抑制了种群中个体的多样性,且适应度函数不能平衡协调功率与信道容量的量级,导致权重的选取十分困难。公开号为CN103781166A,公开日为2014年5月7日的发明专利“异构无线网络协作通信系统中的移动终端功率分配方法”采用粒子群算法分配功率,并联合优化功耗和信道容量,但算法同样有“早熟”的问题。
发明内容
本发明的目的在于克服现有技术的缺点与不足,提供一种异构无线网络协作通信中的多目标网络功率分配方法。
本发明的目的通过如下技术方案实现:一种异构无线网络协作通信中的多目标网络功率分配方法,具体包括以下步骤:
S1、采用随机策略产生代表功率分配方案的初代种群集种群 的规模均为M,各种群的每个个体代表一种功率分配方案,其中种群 P i 0 ( i = 1 , 2 , 3 , 4 ) 的第j个个体定义为 power i , j 0 ( i = 1 , ... , 4 ; j = 1 , ... , M ) ; 是含有N个元素的一维实数数组,中的第n个元素的值为该方案分配给第n个网络(信道)的功率值,这样每个数组等价于一个个体,数组的一个元素等价于个体的一个基因;
S2、定义功率分配方案的适应度函数:以移动终端的信道容量总和与总功耗作为优化目标,对第l(0≤l≤L,L为最大迭代数或最大遗传代数)代种群集种群的第j个个体的适应度函数定义为 f ( power i , j l ) = C i , j l C a v e r a g e ( i , j ) l - P i , j l P max , 其中分别是所代表的功率分配方案下移动终端所获得的信道容量总和与所消耗的功率总和,Pmax是移动终端的额定功率,是不作优化、功率在N个网络上平均分配的条件下,移动终端所获得的总信道容量;
S3、基于模拟退火控制的轮盘赌策略产生新一代种群集,根据步骤S2所述的适应度函数计算种群集中每个个体的适应度值,然后根据适应度值,采用基于模拟退火算法控制的轮盘赌策略,产生新一代种群集;
S4、各种群个体自身基因重组与基于模拟退火控制的个体更替,每个个体通过随机打乱自身基因顺序的方法实现基因重组从而生成新个体;判断所生成的新个体是否合法,非法的新个体直接抛弃,合法的新个体根据模拟退火控制策略确定是否取代原个体;
S5、个体间的基因重组与基于模拟退火控制的个体更替,种群间按自适应策略互换部分个体后,各种群内部的个体两两随机配对并互换部分基因生成一对新个体,并根据模拟退火控制策略确定是否取代原配对个体;
S6、基于模拟退火控制策略的个体基因自适应突变与个体更替,各种群先用其它种群的最高适应度值个体替换自身的最低适应度值个体,然后采用模拟退火控制策略进行个体基因自适应突变生成新个体,新个体根据模拟退火控制策略确定是否取代原个体;
S7、迭代次数增加1(l=l+1)并更新实时温度T,重复步骤3至6,直至种群集中所有个体的最高适应度值的增长率连续K次小于给定的阈值η或者迭代次数达到最大值L(l=L),则认为最优功率分配方案已出现,此时输出种群集中适应度值最高的个体作为最终功率分配方案,功率分配算法结束。
优选的,所述步骤S1中,待分配功率的N个网络均只提供一对业务信道,包括前向业务信道与反向业务信道,供智能移动终端传输数据,所述的信道n也代表着网络n。
优选的,步骤S1中,所述数组的生成办法为:数组的N个元素用0~Pmax范围内的随机实数来填充;一旦数组的N个元素满足或这N个元素中存在一个元素(pb[n]代表第n个网络的接入功率门限),则舍去该数组,重新生成数组,最终生成的初始种群为 P i 0 = [ power i , 1 0 , power i , 2 0 , ... , power i , M 0 ] , 代表种群的第j个个体;种群规模M的值由算法的复杂度与性能综合衡量后确定,M越大,算法的精度越高,但复杂度也越高;M越小,算法的精度越低,但复杂度也越低,种群规模的经验取值为20到100之间最佳。
优选的,步骤S2中,分别由 C i , j l = Σ n = 1 N 0.5 w n log 2 ( 1 + power i , j l [ n ] w n σ n 2 ) , C a v e r a g e ( i , j ) l = Σ n = 1 N 0.5 w n log 2 ( 1 + R i , j l Nw n σ n 2 ) P i , j l = Σ n = 1 N power i , j l [ n ] , 确定,其中wn是网络n的信道带宽,是网络n的信道噪声功率谱密度;
步骤S3中,第l(1≤l≤L)代种群集的产生主要有以下步骤:
步骤S31,根据步骤2所述的适应度函数计算第l-1代种群集Φl-1中的每个个体的适应度值 F i , j l - 1 = f ( power i , j l - 1 ) ( i = 1 , ... , 4 ; j = 1 , ... , M ; 1 ≤ l ≤ L ) ;
步骤S32,Φl-1中的种群分别合并构成规模为2M的种群
步骤S33,采用基于模拟退火算法控制的轮盘赌策略,由产生种群产生种群组成新一代种群集 Φ l = { P 1 l , P 2 l , P 3 l , P 4 l } ;
步骤S33中,基于模拟退火算法控制的轮盘赌策略具体如下:中的个体在基于模拟退火控制的轮盘赌中被选概率为 p r 14 i , j l - 1 = e F i , j l - 1 T / ( Σ j = 1 M e F 1 , j l - 1 T + Σ j = 1 M e F 4 , j l - 1 T ) , 进行M次轮盘赌选出M个体构成新种群再次进行M次轮盘赌选出M个体构成新种群同理由产生其中中的个体 power i , j l - 1 ( i = 2 , 3 ; j = 1 , ... , M ; 1 ≤ l ≤ L ) 的被选概率为 p r 23 i , j l - 1 = e F i , j l - 1 T / ( Σ j = 1 M e F 2 , j l - 1 T + Σ j = 1 M e F 3 , j l - 1 T ) . 其中,T是模拟退火算法的实时温度,T=T0bl-1,T0是初始温度,b是一个(0,1)内的常数,T0和b由系统设定,不同的应用场景和约束条件下T0和b的经验取值不同;T0和b越大,T越高,低适应度值个体取代高适应度值个体的概率越大,即搜索结果跳出局部最优值的概率越大、优化性能越好;但T0和b越大,温度T下降越缓慢,收敛速度越慢。
一般而言,初始温度T0和b应足够大以确保足够的搜索运算量。
步骤S4中,所述的非法个体是指具有以下任一特征的个体:小于第n个网络正常通信时所要求的接入功率门限值pb[n];
步骤S4中,所述的模拟退火控制的个体更替是指新个体以概率 pr l i , j = 1 F i , j l ≤ F i , j l ′ e ( F i , j l ′ - F i , j l ) / T F i , j l > F i , j l ′ , i = 1 , ... , 4 ; j = 1 , ... , M 取代原个体,其中,分别代表原个体和新个体的适应度值,T是模拟退火算法的实时温度,由步骤S3所述方法确定。
步骤S5中,个体间的基因重组与基于模拟退火控制的个体更替主要有以下步骤:
步骤S51,基于自适应策略的种群间的部分个体互换,先按自适应策略分别实现种群的部分个体互换,再按自适应策略分别交换种群的部分个体;
步骤S52,各种群内部个体之间的基因重组:将种群所有个体随机两两配对,每一对个体相互交换部分基因生成一对新个体;
步骤S53,基于模拟退火控制的个体替换:判断步骤S52所产生的新个体是否非法,若非法,则抛弃;若合法,则采用步骤S4所述的模拟退火控制策略,实现新个体对原个体的替换。
步骤S51中,所述的自适应策略具体方法如下:对于种群个体互换,每一代种群间每次互换个体的数量为的取整,互换个体的起始位置随机产生,从种群起始位置向头部开始取,不足数量的部分从种群的尾部取,种群间对应位置互换个体;对于种群个体互换,每一代种群间每次互换个体的数量为的取整,互换个体的起始位置随机产生,从起始位置向种群头部开始取,不足数量的部分从种群的尾部取,种群间对应位置互换个体。
步骤S52中,所述的配对个体互换部分基因的具体方法如下:对每一对个体,生成两个1到N之间的随机整数n1和n2,交换每对个体位置n1和n2之间的基因生成一对新的个体。
步骤S6中,基于模拟退火控制策略的个体基因自适应突变与个体更替主要有以下步骤:
步骤S61,各种群最高适应度值个体分别替换其他种群最低适应度值个体,具体方法如下:的最高适应度值个体替换的最低适应度值个体、最高适应度值个体替换最低适应度值个体、的最高适应度值个体替换的最低适应度值个体、最高适应度值个体替换最低适应度值个体;
步骤S62,基于模拟退火控制的个体基因自适应突变:每个种群的每个个体随机选择几个基因以自适应策略调整基因值,生成新个体,被选中的个体基因的自适应调整方法具体如下:生成区间(0,1)内的随机数c,以0.5的概率增加以0.5的概率减少若个体有多个基因需要要突变,则每个基因突变后要更新后再进行下一个基因的突变;
步骤S64,基于模拟退火控制的新旧个体更替:根据步骤S4所述方法,判断步骤S62所产生的新个体是否非法,若非法,则抛弃;若合法,则采用步骤S4所述的模拟退火控制策略,实现新个体对原个体的替换;
步骤S7中,所述的阈值η、最大迭代次数L、以及K的值由系统设定,η越小、L与K的值越大,功率分配算法的精度性能越好,但算法的复杂度也越高,实时温度T的更新公式为T=T0·bl-1
本发明与现有技术相比,具有如下优点和有益效果:
1、本发明针对异构无线网络协作通信系统中智能移动终端同时通过不同类型网络收发数据的场景,将遗传-模拟退火算法运用到异构无线网络功率分配中,有效改善功耗和传输速率两方面性能,提高功率分配过程的效率。
2、本发明设计了一个全新的双亲代四路并行结构:种群集先进行基于模拟退火控制的轮盘赌选出新种群,然后检查并判断是否所有种群都收敛,收敛则输出结果,不收敛则依次进行基于模拟退火控制策略的个体自身的基因重组,种群间个体自适应互换,基于模拟退火控制策略的个体之间基因重组,种群间个体替换,基于模拟退火控制策略的个体基因自适应突变,再回到最前面的轮盘赌选择,不断循环直至所有种群都收敛。首先,本并行结构中轮盘赌之后两组种群分别来自不同亲代,组内两个种群来自同一亲代。同一亲代选出的种群具有更大的相似性,彼此交流信息将会加速收敛,有利于局部搜索加快收敛,而不同亲代的种群之间差异较大,彼此间交流信息有利于为种群带来广泛的新基因,增加个体多样性,有利于广度搜索,防止早熟。其次,互换个体数量随着模拟退火的实时温度的降低而逐渐减少。这样在搜索的早期为种群不断引入多样性,有效提升算法在解空间中的搜索广度,避免经典遗传算法容易“早熟”的劣势;由于在搜索的后期各种群都趋于收敛且相似度极高,便失去了互换个体必要,这样做有助于种群的收敛和减少时间复杂度。最后,各个操作的顺序做了特别安排:先进行个体自身的基因重组,再进行个体之间的基因重组,最后进行基因突变。基因重组相对基因突变而言对种群的改变大得多,相当于一种比较粗糙的广度搜索,而基因突变相当于一种局部搜索,搜索范围小但是精度更高,因此就搜索的广度而言,个体自身的基因重组大>个体之间的基因重组>基因突变。由于在算法运行中新个体如果适应度值更高会被确定保留,所以先进行广度搜索,在全局范围内找到较高适应度个体,然后进行局部搜索,在各个较高适应度值个体的附近精细查找更高适应度值个体,这样便可更快速找到全局范围内的最优解。
3、本发明设计了一个优良的适应度函数:使用平均分配功率下的信道容量来归一化总信道容量,并使用移动终端的额定功率归一化总功耗。这样能更好地协调信道容量总和与总功耗的关系,使得两者归一化之后在量纲和量级尽量统一,并体现提升信道容量和控制功耗的需求。
4、本发明设计了一个个体基因自适应突变的方案,将元素值的突变幅度与模拟退火算法的温度关联,突变幅度随温度降低而降低。在算法运行的早期突变幅度较大,导致较大的搜索跨度和广度,在较大范围内搜索最优解,为种群带来多样性;在算法运行的后期突变幅度较小,缩小了搜索范围,提高了局部搜索的精度,有利于局部搜索最优解。这样的设计可有效改善遗传算法后期进化迟缓的劣势。
附图说明
图1为异构无线网络协作通信中的多目标网络功率分配方法流程图。
图2为异构无线网络协作通信功率分配及工作原理示意图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
本发明假定已经选定了4个网络进行功率分配,功率分配流程图见图1,待分配功率的网络协作通信场景见图2。
参数设置如下:
种群规模M=20,待分配功率网络数量N=4,各网络带宽[w1,w2,w3,w4]=[22*1000,5*1000,1.6*1000,10*1000],单位(Hz),网络信道噪声功率谱密度[σ1234]=[(10^-17.6)/1000,(10^-17.6)/1000,(10^-17.6)/1000,(10^-17.6)/1000],单位(W/Hz),迭代次数上限L=100,各网络最低接入功率门限pb=[1.20.722.7],单位(mW),初始温度T0=1000℃,温度系数b=0.95,判决条件系数K=100,移动终端最大发射功率Pmax=2,单位(W)。
功率分配过程如下:
步骤1,采用随机策略产生代表功率分配方案的初代种群集种群的规模均为M(M=20),各种群的每个个体代表一种功率分配方案,其中种群的第j个个体定义为 power i , j 0 ( i = 1 , ... , 4 ; j = 1 , ... , 20 ) . 是含有N个元素的一维实数数组,此处N=4,中的第n个元素的值为该方案分配给第n个网络(信道)的功率值。数组的生成办法为:数组的4个元素用0~Pmax范围内的随机实数来填充;一旦满足或存在一个元素则舍去该数组,重新生成数组。最终生成的初始种群为 P i 0 = [ power i , 1 0 , power i , 2 0 , ... , power i , 20 0 ] , 代表种群的第j个个体。
步骤2,定义功率分配方案的适应度函数。对于第l(0≤l≤L,L=100)代种群集种群的第j个个体的适应度函数定义为 f ( power i , j l ) = C i , j l C a v e r a g e ( i , j ) l - P i , j l P max , 其中 C i , j l = Σ n = 1 4 0.5 w n log 2 ( 1 + power i , j l [ n ] w n σ n 2 ) , C a v e r a g e ( i , j ) l = Σ n = 1 4 0.5 w n log 2 ( 1 + P i , j l 4 w n σ n 2 ) , P i , j l = Σ n = 1 4 power i , j l [ n ] .
步骤3,采用基于模拟退火控制的轮盘赌策略产生新一代种群集Φl。第l(1≤l≤100)代种群集的产生主要有以下步骤:
步骤3.1,根据步骤2所述的适应度函数计算第l-1代种群集Φl-1中的每个个体的适应度值 F i , j l - 1 = f ( power i , j l - 1 ) ( i = 1 , ... , 4 ; j = 1 , ... , 20 ; 1 ≤ l ≤ 100 ) ;
步骤3.2,Φl-1中的种群分别合并构成规模为40的种群
步骤3.3,采用基于模拟退火算法控制的轮盘赌策略,由产生种群产生种群组成新一代种群集 Φ l = { P 1 l , P 2 l , P 3 l , P 4 l } . 中的个体在基于模拟退火控制的轮盘赌中被选概率为 p r 14 i , j l - 1 = e F i , j l - 1 T / ( Σ j = 1 20 e F 1 , j l - 1 T + Σ j = 1 20 e F 4 , j l - 1 T ) , 进行20次轮盘赌选出20个体构成新种群再次进行20次轮盘赌选出20个体构成新种群同理由产生其中中的个体 power i , j l - 1 ( i = 2 , 3 ; j = 1 , ... , 20 ; 1 ≤ l ≤ 100 ) 的被选概率为 p r 23 i , j l - 1 = e F i , j l - 1 T / ( Σ j = 1 20 e F 2 , j l - 1 T + Σ j = 1 20 e F 3 , j l - 1 T ) .
步骤4,各种群个体自身基因重组与基于模拟退火控制的个体更替。每个个体通过随机打乱自身基因顺序的方法实现基因重组从而生成新个体,新个体如果合法,则以概率 pr i , j l = 1 F i , j l ≤ F i , j l ′ e ( F i , j l ′ - F i , j l ) / T F i , j l > F i , j l ′ , i = 1 , ... , 4 ; j = 1 , ... , 20 取代原个体。T=500×0.95l-1。个体合法是指个体满足以下条件:(1)对任意n, power i , j l [ n ] ≥ p b [ n ] ; ( 2 ) Σ n = 1 4 power i , j l [ n ] ≤ P m a x .
步骤5,种群间个体互换与个体之间的基因重组步骤如下:
步骤5.1,计算种群的个体互换,的个体互换的数量为的取整,生成一个区间[1,20]的随机整数x1,对种群从x1处开始向头部开始取num1个个体,不足数量的部分从种群的尾部取,然后对应位置互换,同理。计算种群的个体互换,的个体互换数量的取整,生成一个区间[1,20]的随机整数x2,对种群从x2处开始向头部开始取num2个个体,不足数量的部分从种群的尾部取,然后对应位置互换,同理。
步骤5.2,对种群集中的每一个种群进行个体之间的基因重组:将种群所有个体随机两两配对,对于每一对个体产生两个区间[1,4]内的随机整数n1和n2,交换位置n1和n2之间的基因,生成新个体如果不合法,则抛弃,否则对进行同步骤4一样的模拟退火控制。同理。
步骤6,种群间个体替换和个体基因重组步骤如下:
步骤6.1,的最高适应度值个体替换的最低适应度值个体、最高适应度值个体替换最低适应度值个体、的最高适应度值个体替换的最低适应度值个体、最高适应度值个体替换最低适应度值个体。
步骤6.2,对所有个体进行基因突变:为个体生成一个随机整数yi,j和一个区间(0,1)内的实数c,在中随机选出yi,j个基因以自适应策略调整其对应的元素值,对于进行突变的基因以0.5的概率增加以0.5的概率减少生成的新个体不合法,则丢弃,直接进入下一步骤;如果合法,则以概率取代原个体
步骤7,迭代次数增加1(l=l+1)并更新实时温度T,重复步骤3至6,直至种群集中所有个体的最高适应度值的增长率连续K(K=5)次小于给定的阈值η(η取3%)或者迭代次数达到最大值L(l=100),则认为最优功率分配方案已出现,此时输出种群集中适应度值最高的个体作为最终功率分配方案,功率分配算法结束。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。

Claims (10)

1.一种异构无线网络协作通信中的多目标网络功率分配方法,其特征在于具体包括以下步骤:
S1、采用随机策略产生代表功率分配方案的初代种群集种群 的规模均为M,各种群的每个个体代表一种功率分配方案,其中种群的第j个个体定义为 是含有N个元素的一维实数数组,中的第n个元素的值为该方案分配给第n个网络(信道)的功率值,这样每个数组等价于一个个体,数组的一个元素等价于个体的一个基因;
S2、定义功率分配方案的适应度函数:以移动终端的信道容量总和与总功耗作为优化目标,对第l(0≤l≤L,L为最大迭代数或最大遗传代数)代种群集种群的第j个个体的适应度函数定义为其中分别是所代表的功率分配方案下移动终端所获得的信道容量总和与所消耗的功率总和,Pmax是移动终端的额定功率,是不作优化、功率在N个网络上平均分配的条件下,移动终端所获得的总信道容量;
S3、基于模拟退火控制的轮盘赌策略产生新一代种群集,根据步骤S2所述的适应度函数计算种群集中每个个体的适应度值,然后根据适应度值,采用基于模拟退火算法控制的轮盘赌策略,产生新一代种群集;
S4、各种群个体自身基因重组与基于模拟退火控制的个体更替,每个个体通过随机打乱自身基因顺序的方法实现基因重组从而生成新个体;判断所生成的新个体是否合法,非法的新个体直接抛弃,合法的新个体根据模拟退火控制策略确定是否取代原个体;
S5、个体间的基因重组与基于模拟退火控制的个体更替,种群间按自适应策略互换部分个体后,各种群内部的个体两两随机配对并互换部分基因生成一对新个体,并根据模拟退火控制策略确定是否取代原配对个体;
S6、基于模拟退火控制策略的个体基因自适应突变与个体更替,各种群先用其它种群的最高适应度值个体替换自身的最低适应度值个体,然后采用模拟退火控制策略进行个体基因自适应突变生成新个体,新个体根据模拟退火控制策略确定是否取代原个体;
S7、迭代次数增加1(l=l+1)并更新实时温度T,重复步骤S3至S6,直至种群集中所有个体的最高适应度值的增长率连续K次小于给定的阈值η或者迭代次数达到最大值L(l=L),则认为最优功率分配方案已出现,此时输出种群集中适应度值最高的个体作为最终功率分配方案,功率分配算法结束。
2.根据权利要求1所述的异构无线网络协作通信中的多目标网络功率分配方法,其特征在于:所述步骤S1中,待分配功率的N个网络均只提供一对业务信道,包括前向业务信道与反向业务信道,供智能移动终端传输数据,所述的信道n也代表着网络n。
3.根据权利要求1异构无线网络协作通信中的多目标网络功率分配方法,其特征在于:所述步骤S1中,所述数组的生成办法为:数组的N个元素用0~Pmax范围内的随机实数来填充;一旦数组的N个元素满足或这N个元素中存在一个元素(pb[n]代表第n个网络的接入功率门限),则舍去该数组,重新生成数组,最终生成的初始种群为 代表种群Pi 0的第j个个体;种群规模M的值由算法的复杂度与性能综合衡量后确定,M越大,算法的精度越高,但复杂度也越高;M越小,算法的精度越低,但复杂度也越低,种群规模的经验取值为20到100之间最佳。
4.根据权利要求1异构无线网络协作通信中的多目标网络功率分配方法,其特征在于:所述步骤S2中,分别由 确定,其中wn是网络n的信道带宽,是网络n的信道噪声功率谱密度。
5.根据权利要求1异构无线网络协作通信中的多目标网络功率分配方法,其特征在于:第l(1≤l≤L)代种群集的产生主要有以下步骤:
步骤S31,根据步骤S2所述的适应度函数计算第l-1代种群集Φl-1中的每个个体的适应度值
步骤S32,Φl-1中的种群分别合并构成规模为2M的种群
步骤S33,采用基于模拟退火算法控制的轮盘赌策略,由产生种群产生种群 组成新一代种群集
步骤S33中,基于模拟退火算法控制的轮盘赌策略具体如下:中的个体在基于模拟退火控制的轮盘赌中被选概率为进行M次轮盘赌选出M个体构成新种群再次进行M次轮盘赌选出M个体构成新种群同理由产生其中中的个体的被选概率为其中,T是模拟退火算法的实时温度,T=T0bl-1,T0是初始温度,b是一个(0,1)内的常数,T0和b由系统设定,不同的应用场景和约束条件下T0和b的经验取值不同;T0和b越大,T越高,低适应度值个体取代高适应度值个体的概率越大,即搜索结果跳出局部最优值的概率越大、优化性能越好;但T0和b越大,温度T下降越缓慢,收敛速度越慢。
6.根据权利要求1异构无线网络协作通信中的多目标网络功率分配方法,其特征在于:所述步骤S4中,所述的非法个体是指具有以下任一特征的个体:(1)小于第n个网络正常通信时所要求的接入功率门限值pb[n];(2)
步骤S4中,所述的模拟退火控制的个体更替是指新个体以概率i=1,…,4;j=1,…,M取代原个体,其中,分别代表原个体和新个体的适应度值,T是模拟退火算法的实时温度,由步骤S3所述方法确定。
7.根据权利要求1异构无线网络协作通信中的多目标网络功率分配方法,其特征在于:所述步骤S5中,个体间的基因重组与基于模拟退火控制的个体更替主要有以下步骤:
步骤S51,基于自适应策略的种群间的部分个体互换,先按自适应策略分别实现种群的部分个体互换,再按自适应策略分别交换种群的部分个体;
步骤S52,各种群内部个体之间的基因重组:将种群所有个体随机两两配对,每一对个体相互交换部分基因生成一对新个体;
步骤S53,基于模拟退火控制的个体替换:判断步骤S52所产生的新个体是否非法,若非法,则抛弃;若合法,则采用步骤S4所述的模拟退火控制策略,实现新个体对原个体的替换。
8.根据权利要求1异构无线网络协作通信中的多目标网络功率分配方法,其特征在于:所述步骤S51中,所述的自适应策略具体方法如下:对于种群个体互换,每一代种群间每次互换个体的数量为的取整,互换个体的起始位置随机产生,从种群起始位置向头部开始取,不足数量的部分从种群的尾部取,种群间对应位置互换个体;对于种群个体互换,每一代种群间每次互换个体的数量为的取整,互换个体的起始位置随机产生,从起始位置向种群头部开始取,不足数量的部分从种群的尾部取,种群间对应位置互换个体;
所述步骤S52中,所述的配对个体互换部分基因的具体方法如下:对每一对个体,生成两个1到N之间的随机整数n1和n2,交换每对个体位置n1和n2之间的基因生成一对新的个体。
9.根据权利要求1异构无线网络协作通信中的多目标网络功率分配方法,其特征在于:所述步骤S6中,基于模拟退火控制策略的个体基因自适应突变与个体更替主要有以下步骤:
步骤S61,各种群最高适应度值个体分别替换其他种群最低适应度值个体,具体方法如下:的最高适应度值个体替换的最低适应度值个体、最高适应度值个体替换最低适应度值个体、的最高适应度值个体替换的最低适应度值个体、最高适应度值个体替换最低适应度值个体;
步骤S62,基于模拟退火控制的个体基因自适应突变:每个种群的每个个体随机选择几个基因以自适应策略调整基因值,生成新个体,被选中的个体基因的自适应调整方法具体如下:生成区间(0,1)内的随机数c,以0.5的概率增加以0.5的概率减少若个体有多个基因需要要突变,则每个基因突变后要更新后再进行下一个基因的突变;
步骤S64,基于模拟退火控制的新旧个体更替:根据步骤S4所述方法,判断步骤S62所产生的新个体是否非法,若非法,则抛弃;若合法,则采用步骤S4所述的模拟退火控制策略,实现新个体对原个体的替换。
10.根据权利要求1异构无线网络协作通信中的多目标网络功率分配方法,其特征在于:所述步骤S7中,所述的阈值η、最大迭代次数L、以及K的值由系统设定,η越小、L与K的值越大,功率分配算法的精度性能越好,但算法的复杂度也越高,实时温度T的更新公式为T=T0·bl-1
CN201510968272.5A 2015-12-18 2015-12-18 一种异构无线网络协作通信中的多目标网络功率分配方法 Expired - Fee Related CN105611635B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510968272.5A CN105611635B (zh) 2015-12-18 2015-12-18 一种异构无线网络协作通信中的多目标网络功率分配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510968272.5A CN105611635B (zh) 2015-12-18 2015-12-18 一种异构无线网络协作通信中的多目标网络功率分配方法

Publications (2)

Publication Number Publication Date
CN105611635A true CN105611635A (zh) 2016-05-25
CN105611635B CN105611635B (zh) 2019-01-18

Family

ID=55991094

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510968272.5A Expired - Fee Related CN105611635B (zh) 2015-12-18 2015-12-18 一种异构无线网络协作通信中的多目标网络功率分配方法

Country Status (1)

Country Link
CN (1) CN105611635B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106534063A (zh) * 2016-09-27 2017-03-22 上海红阵信息科技有限公司 一种封装异构功能等价体的装置、方法及设备
CN109495921A (zh) * 2017-09-10 2019-03-19 慧与发展有限责任合伙企业 网络稳定性状态
CN108494447B (zh) * 2018-02-01 2020-09-22 华南理工大学 一种物理层安全通信中的资源分配方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130308570A1 (en) * 2012-05-17 2013-11-21 Beijing University Of Posts And Telecommunications Method for joint optimization of schedule and resource allocation based on the genetic algorithm
CN103561457A (zh) * 2013-10-25 2014-02-05 华南理工大学 一种异构无线网络协作通信中的多目标网络功率分配方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130308570A1 (en) * 2012-05-17 2013-11-21 Beijing University Of Posts And Telecommunications Method for joint optimization of schedule and resource allocation based on the genetic algorithm
CN103561457A (zh) * 2013-10-25 2014-02-05 华南理工大学 一种异构无线网络协作通信中的多目标网络功率分配方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
KUN TIAN等: "A Multi-objective Power Allocation Scheme for Heterogeneous Wireless Networks Cooperative Communication System", 《7TH INTERNATIONAL CONFERENCE ON ADVANCED COMPUTATIONAL INTELLIGENCE》 *
YAN LIN等: "Energy Efficient Power Allocation Scheme in Heterogeneous Cellular Networks", 《2015 INTERNATIONAL CONFERENCE ON WIRELESS COMMUNICATIONS & SIGNAL PROCESSING (WCSP)》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106534063A (zh) * 2016-09-27 2017-03-22 上海红阵信息科技有限公司 一种封装异构功能等价体的装置、方法及设备
CN106534063B (zh) * 2016-09-27 2019-11-12 上海红阵信息科技有限公司 一种封装异构功能等价体的装置、方法及设备
US11159571B2 (en) 2016-09-27 2021-10-26 Shanghai Hongzhen Information Science & Technology Co. Ltd. Apparatus, method and device for encapsulating heterogeneous functional equivalents
CN109495921A (zh) * 2017-09-10 2019-03-19 慧与发展有限责任合伙企业 网络稳定性状态
CN108494447B (zh) * 2018-02-01 2020-09-22 华南理工大学 一种物理层安全通信中的资源分配方法

Also Published As

Publication number Publication date
CN105611635B (zh) 2019-01-18

Similar Documents

Publication Publication Date Title
CN102892188B (zh) 通信网络中基于遗传算法的上行功率控制方法及装置
CN109302250B (zh) 能量传输全双工中继进行中继选择与发送功率分配方法
CN111447631A (zh) 基于非正交多址技术的星地联合波束形成和功率分配方法
CN105873214B (zh) 一种基于遗传算法的d2d通信系统的资源分配方法
CN104853399B (zh) 基于改进的遗传‑粒子群混合算法的协作中继选择方法
CN105792218A (zh) 具有射频能量收集能力的认知无线电网络的优化方法
CN103561457B (zh) 一种异构无线网络协作通信中的多目标网络功率分配方法
CN105611635A (zh) 一种异构无线网络协作通信中的多目标网络功率分配方法
CN102647728B (zh) 一种下行链路波束成形的方法、发射端及多小区协作系统
CN101677286A (zh) 承载网络优化方法
CN102523585A (zh) 基于改进遗传算法的认知无线电方法
CN106792451A (zh) 一种基于多种群遗传算法的d2d通信资源优化方法
CN112637907B (zh) 毫米波网络中用户多关联和下行功率分配的联合优化方法
CN101651982B (zh) 一种基于New-Memetic算法的波束成型方法
CN103781166B (zh) 异构无线网络协作通信系统中的移动终端功率分配方法
CN107454604A (zh) 认知中继网络的量子化学反应优化多中继选择方法
CN101562882B (zh) 一种功率分配的方法及装置
CN106231665A (zh) 数能一体化网络中基于rrh动态模式切换的资源分配方法
CN103347299B (zh) 一种基于遗传算法的集中式资源管理方法
CN115866787A (zh) 融合终端直传通信和多接入边缘计算的网络资源分配方法
Gupta et al. Multi-uav deployment for noma-enabled wireless networks based on imogwo algorithm
CN117336818A (zh) 基于蝗虫优化fcm的wsn分簇路由算法
Nguyen et al. Utility optimization for blockchain empowered edge computing with deep reinforcement learning
Ibraheem et al. A multi QoS genetic-based adaptive routing in wireless mesh networks with Pareto solutions
CN106793111A (zh) 基于动态多小区用户配对联合虚拟mimo资源分配方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20190118

Termination date: 20211218