CN106658526B - 一种超密集小蜂窝网络中基于模拟退火算法频谱分配方法 - Google Patents
一种超密集小蜂窝网络中基于模拟退火算法频谱分配方法 Download PDFInfo
- Publication number
- CN106658526B CN106658526B CN201610969529.3A CN201610969529A CN106658526B CN 106658526 B CN106658526 B CN 106658526B CN 201610969529 A CN201610969529 A CN 201610969529A CN 106658526 B CN106658526 B CN 106658526B
- Authority
- CN
- China
- Prior art keywords
- sigma
- users
- interference
- calculating
- cellular network
- 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.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/14—Spectrum sharing arrangements between different networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种超密集小蜂窝网络中基于模拟退火算法频谱分配方法,利用小蜂窝用户之间的干扰关系创建干扰矩阵,再根据干扰矩阵创建干扰关系无向图,并根据模拟退火算法求解干扰图中最大团,去掉已经构成团的点,再次寻找最大团,直到无团就停止算法。将频谱按照团的数量和非团用户数量之和分割成子带,最后对用户进行频谱分配,本方法能显著降低频谱分割,增加频谱利用率,提升整个网络的吞吐量。
Description
技术领域
本发明涉及异构网络中干扰缓和技术,尤其涉及一种超密集小蜂窝网络中基于模拟退火算法的频谱分配方法。
背景技术
移动互联网的爆发式增长将导致在未来十年移动数据通信被预测需要提高1000倍以上。
随着数据通信的增长,它也被预期这近50亿的设备将在2020年进行连接。考虑到空中接口频谱效率(SE)几近其物理极限和新谱获取变得越来越困难,进一步要求长期演进系统(LTE)提升1000倍的容量是一个非常具有挑战性的任务。
为了应对这一挑战,在宏蜂窝覆盖范围内部署超密集小蜂窝来补充现有的移动通信基础设施提供了一个有前途的方法,以进一步增加频谱效率,使得基站与用户之间距离更近从而消耗更低。资源管理一直是热点话题在无线网络中由于无线资源的有限性。
此外,研究已经证明在频谱分配在OFDMA-网络中是一个NP-hard问题。这就意味着网络中任何一个因素改变都会影响资源分配策略,尤其是在超密集小蜂窝中的部署。在已有的传统频谱分配技术中,利用正交频分多址技术,有效的缓和干扰,但是造成了频谱的巨大浪费,在频谱资源几近匮乏的时代,显然这种技术不足以满足人们的需要。
在超密集小蜂窝在时间和地理位置的剧烈的流量波动起伏,传统方式使得在网路流量需求低的地区频谱有效性差,需求高地区拥堵,图论作为频谱分配的有效方式被提出。运用图论中涂色问题对超密集蜂窝网络进行资源分配,有效的提升了系统性能和网络整体吞吐量。然而,他们都是以蜂窝为分配单元进行资源分配,大大降低了频谱利用率。
目前提出了以蜂窝用户之间干扰关系为基础建立干扰图,应用图论中涂色理论并加以改进来分配资源,然而它并没有考虑用户流量特性,这会使得频谱分配不恰当而造成频谱过剩或不足的情况。以上分析可知,已有的频谱分配技术的缺点:1.在传统蜂窝网络中使用传统分配技术,尚可对频谱进行有效分配,然而随着信息时代的突飞猛进,人们对容量的要求成千倍提升,超密集小蜂窝网络的诞生,对频谱进行分配问题有着更高的要求,传统方式不能满足。2.在超密集小蜂窝网络中,动态变化的流量特性,要求网络结构随之变化,图色算法虽然可以在超密集小蜂窝网络中应用,但是无法根据流量特性对频谱进行合适的分配。
发明内容
本发明目的在于提供一种频谱效率高、可动态更新干扰矩阵的超密集小蜂窝网络中基于模拟退火算法频谱分配方法。
为实现上述目的,本发明所述方法步骤如下:
步骤1,在超密集小蜂窝网络中相互覆盖的蜂窝里的用户中,用户计算信噪比与信噪比阈值之间的大小关系,确定出干扰用户,构建干扰矩阵;
步骤2,根据干扰矩阵,构建用户之间干扰关系图G(V,E),每个顶点代表一个用户,无干扰的用户之间连线,构建无向图;其中,V代表图中顶点集合,E代表连接点的边集合;
步骤3,设置初始值——设置最低温度T0,最高温度Ts,下降参数α,输入当前超密集小蜂窝网络中用户的干扰关系矩阵AG(ak,l),计算目标函数F(G,σ),初始化排列σ(i)=i,i=1,2...,n;
其中,σ代表循环下降参数;ak,l为矩阵中第k行第l列元素;
步骤4,将顶点按维度(与该顶点表示用户连接的用户数量)从低到高重新排列,按此排列使得寻找最大团更为快捷,即d(σ1)<d(σ2)<...<d(σn-1);d(σi)代表排在第i位的顶点的维度;
步骤5,选择两个不同的顶点(蜂窝)vu和vw,u=1,2,...m,w=m+1,m+2,...n,使得分别计算F'(G,vu)和F'(G,vw),若F'(G,vu)≤F'(G,vw),接受这两个顶点,执行下一步;
若F'(G,vu)>F'(G,vw),重新选择顶点;
其中,F和F'代表目标函数;vu和vw代表不同的顶点,其中u=1,2,...m,w=m+1,m+2,...n;
步骤6,交换选择的两个顶点的下标,形成新的状态σ',并计算F(G,σ'),若F(G,σ')=0,找到此时最大团,此时,将这些点去除,重新寻找最大团,直到找不到团停止算法;计算团的数量与非团点的数量之和,否则执行下一步;
步骤7,计算目标函数ΔF=F(G,σ')-F(G,σ),若ΔF≤0,σ=σ';否则根据公式计算P,并随机产生β,β∈[0,1],若P>β,σ=σ',否则拒绝σ';其中,ΔF代表函数值只差;P代表概率;
步骤8,计算当前温度,t=αt;若t<T0,终止;否则返回步骤3。
进一步的,步骤5中,若F'(G,vu)>F'(G,vw)出现8n次,则接受这两个顶点,执行下一步。由此我们可以将干扰关系无向图中的点分为两部分,一部分为最大团中的点,另一部分为非团中的点。我们将同一团中用户标注相同编号,不同团用户标号不同,剩余非团用户标号均不同且与团中用户标号不同。
与现有技术相比,本发明方法具有如下优点:
1、在用户组成的团中,考虑基站流量特性,选择流量相近的基站所含用户组成的团,进一步提升频谱效率。
2、在构建的干扰关系图中,每一个顶点代表一个用户而不是基站,用户与用户之间的关系代替基站与基站之间的关系,使得频谱分配效率提升。
3、提供的模拟退火算法相比较N.Metropolis模拟退火算法,可以动态更新干扰矩阵,求解图中所有存在的最大团,有效提升了算法的实际操作意义,使得模拟退火算法具有更高的实际研究价值。
附图说明
图1为本发明的干扰关系无向图。
图2为本发明的程序流程图。
图3为本发明提供的模拟退火算法的结果图。
具体实施方式
下面结合附图对本发明做进一步说明:
如图1所示,在超密集小蜂窝网络中用原点代表相互覆盖的蜂窝网络中的用户,每个用户计算信噪比与信噪比阈值之间的大小关系,确定出干扰用户,构建干扰矩阵;根据干扰矩阵,将无干扰的用户之间连线,构建用户之间干扰关系图G(V,E)。
如图2所示,本发明所属策略包括以下步骤:
{初始化温度,最低温度T0,最高温度Ts
输入蜂窝用户干扰矩阵AG(ak,l),
计算目标函数F(G,σ)
将顶点按维度(与该顶点表示蜂窝连接的边数量)从低到高排列,
主循环:
WHILE t>T0 DO
FOR u=1 to m-1
FOR v=1 to n
分别计算F'(G,vu)和F'(G,vw)
IF F'(G,vu)≤F'(G,vw),接受u,v。
IFF'(G,vu)>F'(G,vw),选择新的u,v。
IF ELSE F'(G,vu)>F'(G,vw)出现8n次,则接受u,v THEN
形成新的状态σ',并计算F(G,σ'),若F(G,σ')=0。END
ELSE计算目标函数ΔF=F(G,σ')-F(G,σ)。
IF ΔF≤0,σ=σ'。
ELSE IFβ,β∈[0,1]P>β,σ=σ'
t=αTs
END IF
END FOR}
其中,F(G,σ')为最大团,aσ(k)σ(l)为矩阵中第k行第l列元素。
在无向干扰图G=(V,E),对任意两个顶点u,v∈U有(u,v)∈E,则称U是G的完全子图。G的完全子图U是G的团当且仅当U不包含在G的更大的完全子图中。G的最大团是指G中所含顶点数最多的团,团中任意两点相互连接。
在本发明中,频谱被分为多个子边带,但是子边带的数目和子边带的尺寸是根据用户之间干扰以及获得吞吐量动态改变的。将频谱复用最大化的问题转化为用模拟退火算法寻找最大团问题,也就是寻找最大互不干扰的蜂窝数量,如果存在最大团,则
应用本发明中改进的模拟退火算法得到一个蜂窝数目最大的团,若得到尺寸相同的团,选择流量相同的或相近的用户团,避免由于流量差对团中用户分配频谱,之后将已分配频谱的用户节点从图中去除,得到新的干扰图,再次执行模拟退火算法,得到新的最大团进行频谱分配,直到所有的用户分配完毕算法停止。
若有新用户到达或退出,动态改变干扰关系图,利用本发明改进的模拟退火适时调整进行相应的频谱分配。使频谱分利用率以及网络吞吐量大大提升。
如图3所示,每个顶点都有对应的数字标号,在本发明中是1,2,3…7,标号相同的点代表分配相同的频谱,不同的标号代表分配的频谱不同。最大标号数字代表将总频谱分配的总个数,不同数字标号仅代表分配不同的频谱,不涉及大小。
以上所述的实施例仅仅是对本发明的优选实施方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案做出的各种变形和改进,均应落入本发明权利要求书确定的保护范围内。
Claims (2)
1.一种超密集小蜂窝网络中基于模拟退火算法频谱分配方法,主要包括超密集小蜂窝网络、用户,其特征在于,所述方法步骤如下:
步骤1,在超密集小蜂窝网络中相互覆盖的蜂窝里的用户中,用户计算信噪比与信噪比阈值之间的大小关系,确定出干扰用户,构建干扰矩阵;
步骤2,根据干扰矩阵,构建用户之间干扰关系图G(V,E),每个顶点代表一个用户,无干扰的用户之间连线,构建无向图;其中,V代表图中顶点的集合,E代表连接点的边集合;
步骤3,设置初始值——设置最低温度T0,最高温度Ts,下降参数α,输入当前超密集小蜂窝网络中用户的干扰关系矩阵AG(ak,1),计算目标函数F(G,σ),初始化排列σ(i)=i,i=1,2,...,n;
其中,σ代表循环下降参数;ak,1为矩阵中第k行第1列元素;
步骤4,将顶点按维度从低到高重新排列,按此排列使得寻找最大团更为快捷,即d(σ1)<d(σ2)<...<d(σn-1);d(σi)代表排在第i位的顶点的维度;
步骤5,选择两个不同的顶点vu和vw,u=1,2,...,m,w=m+1,m+2,...,n,使得分别计算F'(G,vu)和F'(G,vw),若F'(G,vu)≤F'(G,vw),接受这两个顶点,执行下一步;
若F'(G,vu)>F'(G,vw),重新选择顶点;
其中,F和F'代表目标函数;vu和vw代表不同的顶点,其中u=1,2,...,m,w=m+1,m+2,...,n;
步骤6,交换选择的两个顶点的下标,形成新的状态σ',并计算F(G,σ'),若F(G,σ')=0,找到此时最大团,此时,将这些点去除,重新寻找最大团,直到找不到团停止算法;计算团的数量与非团点的数量之和,否则执行下一步;
步骤7,计算目标函数ΔF=F(G,σ’)-F(G,σ),若ΔF≤0,σ=σ';否则根据公式计算P,并随机产生β,β∈[0,1],若P>β,σ=σ',否则拒绝σ';其中,ΔF代表函数值之差;P代表概率;
步骤8,计算当前温度,t=αt;若t<T0,终止;否则返回步骤3。
2.根据权利要求1所述的一种超密集小蜂窝网络中基于模拟退火算法频谱分配方法,其特征在于:步骤5中,若F'(G,vu)>F'(G,vw)出现8n次,则接受这两个顶点,执行下一步。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610969529.3A CN106658526B (zh) | 2016-10-28 | 2016-10-28 | 一种超密集小蜂窝网络中基于模拟退火算法频谱分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610969529.3A CN106658526B (zh) | 2016-10-28 | 2016-10-28 | 一种超密集小蜂窝网络中基于模拟退火算法频谱分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106658526A CN106658526A (zh) | 2017-05-10 |
CN106658526B true CN106658526B (zh) | 2020-05-29 |
Family
ID=58821846
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610969529.3A Active CN106658526B (zh) | 2016-10-28 | 2016-10-28 | 一种超密集小蜂窝网络中基于模拟退火算法频谱分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106658526B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107071784B (zh) * | 2017-05-22 | 2020-08-21 | 西安邮电大学 | 一种超密集组网的频谱资源分配方法 |
CN108366426B (zh) * | 2018-02-07 | 2022-04-08 | 南京邮电大学 | 一种超密集环境下基于模拟退火算法的虚拟映射方法 |
CN110418347A (zh) | 2018-04-27 | 2019-11-05 | 索尼公司 | 用于无线通信的电子设备和方法、计算机可读存储介质 |
CN110972309B (zh) * | 2019-11-08 | 2022-07-19 | 厦门大学 | 联合图信号与强化学习的超密集无线网络功率分配方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7586890B2 (en) * | 2005-05-19 | 2009-09-08 | Intel Corporation | Airlink allocation in a wireless network |
CN102857932A (zh) * | 2012-05-23 | 2013-01-02 | 浙江省通信产业服务有限公司 | 基于模拟退火算法的无线通信频率规划方法 |
CN103116706A (zh) * | 2013-02-25 | 2013-05-22 | 西北工业大学 | 基于气动非线性与耦合的高速飞行器随控优化方法 |
CN105956937A (zh) * | 2016-05-09 | 2016-09-21 | 天津大学 | 电力系统小干扰稳定分析的数据中心求解方法 |
-
2016
- 2016-10-28 CN CN201610969529.3A patent/CN106658526B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7586890B2 (en) * | 2005-05-19 | 2009-09-08 | Intel Corporation | Airlink allocation in a wireless network |
CN102857932A (zh) * | 2012-05-23 | 2013-01-02 | 浙江省通信产业服务有限公司 | 基于模拟退火算法的无线通信频率规划方法 |
CN103116706A (zh) * | 2013-02-25 | 2013-05-22 | 西北工业大学 | 基于气动非线性与耦合的高速飞行器随控优化方法 |
CN105956937A (zh) * | 2016-05-09 | 2016-09-21 | 天津大学 | 电力系统小干扰稳定分析的数据中心求解方法 |
Non-Patent Citations (1)
Title |
---|
A New Deterministic Annealing Algorithm for Maximum Clique;Arun Jagota等;《Proceedings of the IEEE-INNS-ENNS International Joint Conference on Neural Networks. IJCNN 2000. Neural Computing: New Challenges and Perspectives for the New Millennium》;20000727;第505-508页 * |
Also Published As
Publication number | Publication date |
---|---|
CN106658526A (zh) | 2017-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107333267B (zh) | 一种用于5g超密集组网场景的边缘计算方法 | |
CN106658526B (zh) | 一种超密集小蜂窝网络中基于模拟退火算法频谱分配方法 | |
CN107750056B (zh) | 超密集网络中的干扰消减方法 | |
CN104378772A (zh) | 一种蜂窝网络中面向小区无定形覆盖的小基站部署方法 | |
Chia et al. | Adaptive hybrid channel assignment in wireless mobile network via genetic algorithm | |
CN106658524B (zh) | 一种认知异构网络中基于量子花授粉搜索机制的多目标频谱分配方法 | |
CN108848482B (zh) | 基于mMTC分层接入框架的资源分配方法 | |
CN105554771B (zh) | 基于密集分布的毫微微用户资源分配方法 | |
Lin et al. | Data-driven joint resource allocation in large-scale heterogeneous wireless networks | |
CN107333301B (zh) | 多属异构网络中的一种基于认知的联合资源再分配方法 | |
CN109600756B (zh) | 一种基于最大度优先染色算法的物理小区识别分配方法 | |
CN112954806B (zh) | 异构网络中基于弦图着色的联合干扰对齐与资源分配方法 | |
CN108260193B (zh) | 一种异构网络中基于信道聚合的联合资源分配方法及装置 | |
CN103546895A (zh) | 认知无线电网络中基于移动性预测的信道分配方法 | |
CN106209336A (zh) | 一种软件定义移动网络中的资源分配方法 | |
CN110167045B (zh) | 一种异构网络能效优化方法 | |
Marappan et al. | Solving channel allocation problem using new genetic algorithm with clique partitioning method | |
CN110380808B (zh) | 以用户设备为中心的微小区半分簇干扰协调方法 | |
CN103957530A (zh) | 基于图的超启发式的蜂窝网络频谱分配方法 | |
Jiang et al. | Maximal independent set based channel allocation algorithm in cognitive radios | |
CN109831794B (zh) | 一种超密集网络中基于密度与最小距离的基站分簇方法 | |
CN102547725A (zh) | 基于认知无线电的网络侧终端概率接入控制方法 | |
Chan et al. | Absolute and asymptotic bounds for online frequency allocation in cellular networks | |
CN105072578A (zh) | 一种抗导频污染的超密集组网中的导频分配方法 | |
Xiao et al. | Minimum Separation Clustering Algorithm with High Separation Degree in Ultra-Dense Network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |