CN106788939A - 一种联合子载波和人工蜂群算法的ofdma自适应资源分配方案 - Google Patents

Abstract

本发明涉及一种联合子载波和人工蜂群算法的OFDMA自适应资源分配方案，即：自适应子载波－人工蜂群资源分配(Adaptive Subcarrier‑Artificial Bee Colony Resource Allocation,AS‑ABCRA)方案。该方案主要通过子载波分配和基于人工蜂群算法的功率分配两步来实现。为了最大化系统容量，在子载波分配中通过松弛用户间的速率比例约束条件将所有子载波分配给每个用户。由于仅进行子载波分配并不能同时兼顾用户的公平性和系统容量，更不能充分利用多用户的分集增益。所以，在功率分配中采用一种基于人工蜂群(Artificial Bee Colony,ABC)算法的功率分配算法对各个用户进行功率分配，并利用等功率的分配方式对每个用户所分配得到的子载波进行子载波间的功率分配。最终，在兼顾用户公平性的同时，也使OFDMA系统的容量达到最大化。

Description

一种联合子载波和人工蜂群算法的OFDMA自适应资源分配 方案

技术领域

本发明属于无线通信中的资源分配领域，涉及一种联合子载波和人工蜂群算法的OFDMA自适应资源分配方案，该方案由子载波分配与基于人工蜂群算法的功率分配实现。

背景技术

目前，随着无线通信技术的不断发展，人们对于数据传输和多媒体业务的服务质量要求也越来越高，但在如今有限的频带资源面前，人们日益增长的服务质量需求就与目前无线资源的有限性产生了很大的矛盾。为了解决这个矛盾，在无线传输中必须采用频谱利用率高、抗频率选择衰落能力强的技术，而OFDM技术独特的子载波并行调制方式为我们研究高质量、高速率的无线传输服务提供了便利的途径。相对于传统静态的资源分配技术，如：正交的时分多址技术(OFDM-TDMA)、正交的频分多址技术(OFDM-FDMA)以及正交的交织频分多址技术(OFDM-Interleaved-FDMA)，OFDM系统中的自适应资源分配技术，特别是OFDMA系统中的自适应资源分配技术不仅可以有效地提高无线通信系统的传输速率，并且可以自适应地根据OFDM子信道的实时信道状况对资源进行合理的分配。

OFDMA自适应资源分配主要是基于速率自适应(Rate Adaptive,RA)准则和边缘自适应(Margin Adaptive,MA)准则进行的。迄今为止，对基于RA准则的OFDMA自适应资源分配问题的研究主要是侧重于提高系统容量，但是在一味的提升系统容量的同时，用户之间的公平性就被忽视了。也有很多算法考虑到了用户的公平性，但是算法在提升系统容量方面的能力较为薄弱。本发明也是针对于目前基于RA准则下OFDMA自适应资源分配中用户的公平性和系统容量之间的问题，提出了一种联合子载波和人工蜂群算法的OFDMA自适应资源分配方案。

发明内容

有鉴于此，本发明的目的在于提供一种解决基于RA准则的OFDMA自适应资源分配中用户的公平性和系统容量之间问题的方案，该方案主要通过子载波分配和基于人工蜂群算法的功率分配两步来实现。

为达到上述目的，本发明提供如下技术方案：

1.在RA准则下，构建带有速率比例公平限制的系统优化模型：

(1.1)假设OFDMA系统中有K个用户，N个子载波，加性高斯白噪声(Additive GaussWhite Noise,AGWN)功率谱密度为N₀，衰落信道的带宽为B，总发射功率为P_total，第k个用户在其第n个子载波上的信道增益和分配功率分别为和p_k,n，子载波分配矩阵元素为c_k,n。根据RA准则，最大化OFDMA系统容量的优化模型可以表示为

约束条件为：(a)c_k,n∈{0,1}

(b)p_k,n≥0

(e)R₁:R₂:…:R_K＝λ₁:λ₂:…:λ_K

(1.2)在(1)式的约束(e)中，每个用户的速率R_k可以表示为：

其中，N_k表示为第k个用户需要的子载波数量。

2.子载波分配：

(2.1)松弛(1)式中(e)式所表示的用户之间的速率比例约束R₁:R₂:…:R_K＝λ₁:λ₂:…:λ_K为N₁:N₂:…:N_K≈λ₁:λ₂:…:λ_K，然后根据(4)式和(5)式确定每个用户需要的子载波个数N_k和剩余子载波个数N_rest，其中表示对X向下取整；

(2.2)初始化子载波分配矩阵c_k,n＝0、每个用户的初始速率值R_k＝0、子载波集合Φ＝{1,2,…,N}，并计算分配给每个子载波的平均功率p＝P_total/N；

(2.3)依次为每个用户k{k＝1,2,…,K}分配一个信道增益最大的子载波n，并更新N_k＝N_k-1、c_k,n＝1、R_k＝R_k+b_k,n和Φ＝Φ-{n}；

(2.4)当||Φ||＞N_rest时，继续分配子载波。分配方法为：找到用户速率比例R_k/λ_k最小的用户k，如果用户k需要的子载波个数N_k＞0，那么就在Φ中为用户k分配一个信道增益最大的子载波，并更新N_k＝N_k-1、c_k,n＝1、R_k＝R_k+b_k,n和Φ＝Φ-{n}；否则，剔除用户k后继续寻找值最小的另一个用户k*，继续对用户k*执行上述操作；

(2.5)当||Φ||＝N_rest时，分配剩余的N_rest个子载波。分配方法为：对于每个剩余的子载波，在所有用户下找到一个信道增益最大的用户，并将该剩余子载波分配给该用户后不再为该用户分配子载波，并更新c_k,n＝1、R_k和R_k＝R_k+b_k,n。

3功率分配中适应度函数的设置：

(3.1)子载波分配完成后，带有速率比例公平限制的系统优化模型变为：

约束条件为：(a)p_k,n≥0

(c)R₁:R₂:…:R_K＝λ₁:λ₂:…:λ_K

(3.2)设置公平度函数：

(3.3)设置适应度函数：

本发明利用人工蜂群算法在K个用户之间进行功率寻优，最终得到最优的K个功率值{P_k,total,k＝1,…,K}，分别代表分配给每个用户的功率值。然后，利用每个用户的功率值P_k,total分别对每个用户进行单用户的功率分配。而在单用户功率分配当中，本发明利用等功率的分配方式在每个用户下进行单用户的功率分配。所以，每个用户的子载波间的功率分配可以表示为：

p_k,n＝P_k,total/N_k (8)

其中，p_k,n表示第k个用户在其第n个子载波上分配的功率值；N_k为分配给第k个用户的子载波数。

经过以上的分析可知，在对每个用户所分配得到的子载波进行等功率分配后，带有速率比例公平限制的系统优化模型变为了：

约束条件为：(a)p_k,n≥0

(c)R₁:R₂:…:R_K＝λ₁:λ₂:…:λ_K

其中，Ω_k表示分配给第k个用户的子载波集合

所以，经过以上的推导，设置人工蜂群算法功率分配的适应度函数为：

4.使用人工蜂群算法进行功率分配：

(4.1)初始化参数设置：蜜源个数SN，每个蜜源的最大开采次数Limit，每个蜜源的当前开采次数Bas，最大进化代数Maxcycle，当前进化代数cycle；

(4.2)侦查蜂生成初始蜜源：首先，侦查蜂在可行域中搜索生成2SN个K维度的蜜源(即：每个蜜源都由K个功率值组成，并且K个功率值的和等于总功率的大小)，搜索方式为随机搜索；其次，计算这2SN个蜜源的花蜜量(即：适应度值Fitness)，并且选择花蜜量较多的SN个蜜源作为初始标记蜜源；然后，找出这SN个花蜜量当中的最大值，并找出花蜜量最大值相对应的蜜源；最后，将花蜜量的最大值作为初始最大花蜜量(即：最优适应度)，将花蜜量最大值对应的蜜源作为初始最优蜜源(即：最优解)；

(4.3)引领蜂搜索更优蜜源：为了寻找到更好的蜜源，引领蜂利用(11)式在采蜜过程中对SN个初始标记蜜源的邻域利进行局部搜索。当引领蜂搜索完毕后，便对新蜜源的花蜜量和原蜜源的花蜜量进行比较并选出花蜜量较多的SN个蜜源，然后将这SN个蜜源作为标记蜜源，最后更新SN个标记蜜源的Bas的值和花蜜量值；

V_ij＝x_ij+R(x_ij-x_kj) (11)

上式中，j表示维数且j∈{1,2,…,D}(D为搜索空间的维度)；R∈(-1,1)，决定扰动幅度；x_ij表示蜜源i在第j维的原位置；V_ij表示蜜源i在第j维上的新位置；k∈{1，2，…，SN}且k≠i，用来提供搜索方向。

(4.4)跟随蜂搜索蜜源：首先，跟随蜂利用引领蜂传递的SN个标记蜜源和这SN个标记蜜源对应的花蜜量以及Bas值并使用(12)式，以轮盘赌的方式选取合适的标记蜜源；其次，跟随蜂利用(11)式在这些标记蜜源的邻域搜索新的蜜源；然后，比较新蜜源的花蜜量和标记蜜源的花蜜量；最后，选择花蜜量较多的SN个蜜源作为本次采蜜过程的标记蜜源，并更新每个标记蜜源的Bas值；

上式中，fit_i是第i个蜜源的花蜜量，表示所有蜜源花蜜量的和，P_i表示第i个蜜源被选中的概率。

(4.5)判断是否出现侦察蜂：根据每个蜜源最大开采次数Limit和当前开采次数Bas判断是否将引领蜂转变为侦查蜂。对某个蜜源，若Bas＞Limit，表示这个蜜源在Limit次开采后没有改进，则原来的这个蜜源被放弃，同时相应的引领蜂转变为侦查蜂，并且这个侦查蜂会随机的搜索一个新的蜜源代替被放弃的蜜源；

(4.6)对最优解进行更新：首先，更新本次采蜜过程的SN个标记蜜源的花蜜量；然后，找出这SN个花蜜量的最大值；最后，判断是否更新最优蜜源和最大花蜜量；

(4.7)判断当前进化代数cycle是否满足终止条件Maxcycle：若cycle＝Maxcycle，则输出最大花蜜量(即最优适应度)，否则转到步骤(4.3)。

本发明的有益效果在于：

从理论和计算机仿真中可以得出，本发明方案可以实现在兼顾用户公平性的同时，提高OFDMA系统的吞吐量，进而说明本发明方案是在最大化系统容量和用户公平性之间的折中，同时本发明方案也为后续对OFDMA自适应资源分配的研究提供了一条有效的途径。

附图说明

为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：

图1为本发明AS-ABCRA方案的实现流程图；

图2为应用本发明AS-ABCRA方案的OFDMA自适应系统示意图；

图3为本发明AS-ABCRA方案中的子载波分配流程图；

图4为本发明AS-ABCRA方案中基于蜂群算法的功率分配流程图；

图5为本发明AS-ABCRA方案与其他算法的系统容量对比图；

图6为本发明AS-ABCRA方案与其他算法的用户公平性对比图；

图7为本发明AS-ABCRA方案在K＝8时与其他算法的各用户容量比较图。

具体实施方式

下面将结合附图，对本发明的优选实施例进行详细的描述：

本发明是一种联合子载波和人工蜂群算法的OFDMA自适应资源分配方案，其实现流程如图1所示，具体实施方式包括：

1.在RA准则下，构建带有速率比例公平限制的系统优化模型：

(1)应用本发明AS-ABCRA方案的OFDMA自适应系统示意图如图2所示。在OFDMA系统中，发送端通过信道估计获得实时信道状态信息(Channel State Information,CSI)后，自适应资源分配部分根据实时CSI和其内置的自适应资源分配算法对每个用户的各个子载波设置相应的调制参数，各子载波进行相应的自适应的调制，并经过快速傅立叶反变换(Inverse Fast Fourier Transform,IFFT)、并串变换、加循环前缀(Cyclic Prefix,CP)后通过衰落信道发送到接收端；接收端经过去CP、串并变换、快速傅立叶变换(Fast FourierTransformation,FFT)后，根据自适应资源分配部分对各个子载波设置的调制参数对每个用户的数据进行解调，最后得到每个用户的数据。本发明作为自适应资源分配部分内置的自适应资源分配方案，可以实现对系统资源的合理利用，并提升整个系统的性能。

假设OFDMA系统中有K个用户，N个子载波，加性高斯白噪声(Additive GaussWhite Noise,AGWN)功率谱密度为N₀，衰落信道的带宽为B，总发射功率为P_total，第k个用户在其第n个子载波上的信道增益和分配功率分别为和p_k,n，子载波分配矩阵元素为c_k,n。根据RA准则，最大化OFDMA系统容量的优化模型可以表示为：

约束条件为：(a)c_k,n∈{0,1}

(b)p_k,n≥0

(e)R₁:R₂:…:R_K＝λ₁:λ₂:…:λ_K

上式的约束条件中，(a)式的c_k,n的值只取0或1，表示子载波n是否会被分配给用户k，若是，则为1；否则为0。(b)式和(d)式表示每个子载波上分配的功率值必须大于等于0，并且所有子载波上分配的总发射功率不得大于限定的总发射功率P_total。(c)式表示一个子载波只能分配给一个用户使用。(e)式的λ₁:λ₂:…:λ_K是预先设置的一组用户速率比例约束值，用来保证用户之间的公平性。

(2)在(1)式的约束(e)中，每个用户的速率R_k可以表示为：

其中，N_k表示为第k个用户需要的子载波数量。

2.子载波分配：

(1)松弛(1)式中(e)式所表示的用户之间的速率比例约束R₁:R₂:…:R_K＝λ₁:λ₂:…:λ_K为N₁:N₂:…:N_K≈λ₁:λ₂:…:λ_K.，然后根据(4)式和(5)式确定每个用户需要的子载波个数N_k和剩余子载波个数N_rest，其中表示对X向下取整；

(2)初始化子载波的分配矩阵每个用户的初始速率值子载波的集合Φ＝{1,2,…,N}，并计算分配给每个子载波的平均功率p＝P_total/N；

(3)依次在每个用户k(k＝1,…,K)下寻找使(3)式值最大的子载波n，即在每个用户k下寻找最大信道增益值所对应的子载波n，并将子载波n分配给第k个用户，同时更新N_k＝N_k-1、c_k,n＝1、R_k＝R_k+b_k,n，并将子载波n从Φ中剔除：Φ＝Φ-{n}；

(4)当||Φ||＞N_rest时，继续分配子载波。分配方法为：用户集合设为Λ＝{1，2，…,K}，在Λ中寻找R_k/λ_k值最小的用户k，并判断用户k的N_k值是否大于0，若N_k＞0，则在用户k下寻找子载波并将子载波n分配给用户k，同时更新N_k＝N_k-1、c_k,n＝1、R_k＝R_k+b_k，n、Φ＝Φ-{n}；否则将该用户k剔除Λ＝Λ-{k}，并在更新后的Λ中寻找值最小的另一用户k^*，继续对用户k^*进行上述操作；

(5)当||Φ||＝N_rest时，分配剩余的N_rest个子载波。分配方法为：用户集合设为Ω＝{1,2,…,K}，在每个子载波n(n＝1,…,N)下寻找使(3)式b_k,n值最大的用户k，即并将子载波n分配给用户k，同时更新c_k,n＝1、R_k＝R_k+b_k,n，并将用户k从Ω中剔除Ω＝Ω-{k}。

本发明的子载波分配只是粗略的实现了用户之间的容量分配，用兼顾户速率比例公平的同时最大化系统容量还需要通过基于人工蜂群算法的功率分配来实现。上述子载波分配的流程图如图3所示。

3.功率分配中适应度函数的设置：

(1)子载波分配完成后，带有速率比例公平限制的系统优化模型变为：

约束条件为：(a)p_k,n≥0

(c)R₁:R₂:…:R_K＝λ₁:λ₂:…:λ_K

(2)设置公平度函数：由(1)式中的约束条件(e)可知，当时，可以实现用户之间的最大公平。那么，通过对(e)式进行变形可以得到一个用于描述用户公平性的函数Fairness，如(7)式所示。通过Fairness函数的值大小，可以得出本发明方案所实现的用户公平性的程度。由(7)式可知，Fairness∈(0,1]。当用户间的公平性越好时，(7)式的值就越接近1。特别的，当时，Fairness取最大值1，用户之间实现绝对公平。

(3)设置适应度函数：

由于实际的无线通信系统中，子载波数N远远大于用户数K，为了降低人工蜂群算法在N个子载波上进行功率寻优的复杂度，选择利用人工蜂群算法在K个用户之间进行功率寻优，最终得到最优的K个功率值{P_k,total,k＝1,…,K}，分别代表分配给每个用户的功率值。然后，利用每个用户的功率值P_k,total分别对每个用户进行单用户的功率分配，最终在兼顾用户公平性的同时，得到整个OFDMA系统的最大容量。而在单用户功率分配当中，利用注水算法可以实现最优的功率分配。但是，注水分配算法需要借助数学搜索的方式进行水位的计算，并且水位还会随时间进行周期性的更新，这无疑增加了系统的复杂度和系统负担。为了进一步降低本发明方案的复杂度，本发明利用等功率的分配方式在每个用户下进行单用户的功率分配。所以，每个用户的子载波间的功率分配可以表示为：

p_k,n＝P_k,total/N_k (8)

其中，p_k,n表示第k个用户在其第n个子载波上分配的功率值；N_k为分配给第k个用户的子载波数。

经过以上的分析可知，在对每个用户所分配得到的子载波进行等功率分配后，带有速率比例公平限制的系统优化模型变为了：

约束条件为：(a)p_k,n≥0

(c)R₁:R₂:…:R_K＝λ₁:λ₂:…:λ_K

其中，Ω_k表示分配给第k个用户的子载波集合

所以，经过以上的推导，设置人工蜂群算法功率分配的适应度函数为：

4.使用人工蜂群算法进行功率分配：

(1)初始化参数设置：蜜源个数SN＝100，蜜源最大开采次数Limit＝30，蜜源当前开采次数Bas＝0，最大进化代数Maxcycle＝100，当前进化代数cycle＝0；

(2)侦查蜂生成初始蜜源：首先，侦查蜂在可行域中搜索生成2SN个K维度的蜜源(即：每个蜜源都由K个功率值组成，并且K个功率值的和等于1W)，搜索方式为随机搜索；其次，通过(10)式计算这2SN个蜜源的花蜜量(即：适应度值Fitness)，并且选择花蜜量较多的SN个蜜源作为初始标记蜜源；然后，找出这SN个花蜜量当中的最大值，并找出花蜜量最大值相对应的蜜源；最后，将花蜜量的最大值作为初始最大花蜜量(即：最优适应度)，将花蜜量最大值对应的蜜源作为初始最优蜜源(即：最优解)；

(3)引领蜂搜索更优蜜源：为了寻找到更好的蜜源，引领蜂利用(11)式在采蜜过程中对SN个初始标记蜜源的邻域利进行局部搜索。当引领蜂搜索完毕后，便对新蜜源的花蜜量和原蜜源的花蜜量进行比较并选出花蜜量较多的SN个蜜源，然后将这SN个蜜源作为标记蜜源，最后更新SN个标记蜜源的Bas的值和花蜜量值；

V_ij＝x_ij+R(x_ij-x_kj) (11)

上式中，j表示维数且j∈{1,2,…,D}(D为搜索空间的维度)；R∈(-1,1)，决定扰动幅度；x_ij表示蜜源i在第j维的原位置；V_ij表示蜜源i在第j维上的新位置；k∈{1，2，…，SN}且k≠i，用来提供搜索方向。

(4)跟随蜂搜索蜜源：首先，跟随蜂利用引领蜂传递的SN个标记蜜源和这SN个标记蜜源对应的花蜜量以及Bas值并使用(12)式，以轮盘赌的方式选取合适的标记蜜源；其次，跟随蜂利用(11)式在这些标记蜜源的邻域搜索新的蜜源；然后，比较新蜜源的花蜜量和标记蜜源的花蜜量；最后，选择花蜜量较多的SN个蜜源作为本次采蜜过程的标记蜜源，并更新每个标记蜜源的Bas值；

上式中，fit_i是第i个蜜源的花蜜量，表示所有蜜源花蜜量的和，P_i表示第i个蜜源被选中的概率。

(5)判断是否出现侦察蜂：根据每个蜜源最大开采次数Limit和当前开采次数Bas判断是否将引领蜂转变为侦查蜂。对某个蜜源，若Bas＞Limit，表示这个蜜源在Limit次开采后没有改进，则原来的这个蜜源被放弃，同时相应的引领蜂转变为侦查蜂，并且这个侦查蜂会随机的搜索一个新的蜜源代替被放弃的蜜源；

(6)对最优解进行更新：首先，更新本次采蜜过程的SN个标记蜜源的花蜜量；然后，找出这SN个花蜜量的最大值；最后，判断是否更新最优蜜源和最大花蜜量；

(7)判断当前进化代数cycle是否满足终止条件Maxcycle：若cycle＝Maxcycle，则输出最大花蜜量(即最优适应度)，否则转到步骤(3)。

图4给出了本发明方案中基于蜂群算法的功率分配流程图：

以下从系统容量和用户的公平性出发，来进一步说明本发明的优点：

1.系统容量对比分析

表1系统容量和用户的公平性对比时所使用的参数设置

参数	数值大小
		子载波数N	64个
无线信道时延多径数	6路
		信道功率时延	e指数衰减
AGWN功率谱密度	-80dB·W/Hz
		信道带宽B	1Mhz
总发送功率Ptotal	1W
		最大时延扩展	5μs

在本发明的计算机仿真模拟中，所使用的参数设置如表1所示。为了更好的进行性能对比，在仿真模拟中假设OFDMA系统中所有用户的速率相同，即R₁:R₂:…:R_K＝1:1:…:1。同时，申请人同时仿真模拟了Shen算法(参见文献“Shen Z,Andrews J G,Evans BL.Adaptive resource allocation in multiuser OFDM systems with proportionalrate constraints[J].IEEE Transactions on Wireless Communications,2005,4(6):2726-2737.”)，AFSA算法(参见文献“汪照,李有明,陈斌,等.基于鱼群算法的OFDMA自适应资源分配[J].物理学报,2013,62(12):509－515.”)以及传统的静态OFDM-TDMA算法。仿真模拟结果如图5所示，该仿真模拟是经过500次蒙特卡罗仿真模拟取平均的结果。

通过对图5的仔细分析可以得到，当OFDMA系统的用户数目K逐渐增加时，本发明方案AS-ABCRA可以得到比AFSA算法和传统的静态OFDM-TDMA算法更高的系统容量。这是因为，本发明方案AS-ABCRA除了充分利用多用户的分集增益外，在功率寻优中本发明方案中的侦查蜂通过替换经过Limit次开采未变好的蜜源，使本发明方案具有跳出局部极值而进行全局搜索的能力，所以本发明方案AS-ABCRA具有更好的全局寻优能力，进而可以实现较高的系统容量。并且，由于传统的静态OFDM-TDMA算法不能够使用多用户的分集增益，所以图5中只有传统的静态OFDM-TDMA算法的系统容量没有随着用户数目的增多而变大。从图5中还可以看出，当用户数目为12时，本发明方案AS-ABCRA比AFSA算法和Shen算法在系统容量上提升约0.13bit/s·Hz^-1和0.24bit/s·Hz^-1，比传统的静态OFDM-TDMA算法的系统容量提升约0.85bit/s·Hz^-1，进而说明本发明方案AS-ABCRA可以实现较高的系统容量。

2.用户的公平性对比分析

图6是本发明方案AS-ABCRA与Shen算法、AFSA算法以及本发明中的单独子载波分配(Subcarrier Allocation,SA)利用(7)式进行的公平性比较。图6也是经过500次蒙特卡罗仿真模拟取平均的结果，所用参数如表1所示。

由于文献“Shen Z,Andrews J G,Evans B L.Adaptive resource allocation inmultiuser OFDM systems with proportional rate constraints[J].IEEETransactions on Wireless Communications,2005,4(6):2726-2737”已经通过仿真验证了Shen算法几乎可以严格的实现(1)式中的用户速率比例约束(e)，那么任何一种方案通过与Shen算法进行比较就可以评价该方案的公平程度。从图6中可以看出，Shen算法的公平程度无限接近于1，虽然本发明方案AS-ABCRA所实现的用户公平性不能无限的接近1，但本发明方案AS-ABCRA所实现的用户公平性要好于AFSA算法所实现的用户公平性，这是因为人工蜂群算法具有优异的算法结构，具有更好的全局寻优性能。从图6中还可以看出，本发明方案AS-ABCRA和本发明方案AS-ABCRA中的单独子载波分配所实现的用户公平性随着用户数目的增加而降低了，但本发明方案AS-ABCRA所实现的用户公平性要好于单独子载波分配所实现的用户公平性。这是由于在本发明的子载波分配中，为了最大化OFDMA系统的系统容量而松弛了(1)式的用户速率比例约束条件(e)。同时，子载波分配中剩余的N_rest个子载波也增加了子载波分配的自由度，进而使得本发明方案AS-ABCRA的用户公平性有所降低。虽然在本发明方案AS-ABCRA中的单独子载波分配部分中，用户之间的公平性有所降低，但是经过本发明方案AS-ABCRA中基于人工蜂群算法的功率分配后，用户之间的公平性又被提升了，进而说明本发明可以有效的兼顾用户的公平性。

为了不失一般性，图7中给出了用户数K＝8，平均子信道信噪比为20dB，并且用户间的速率比例约束为R₁:R₂:…:R₈＝6:4:2:1:1:1:1:1时，每个用户的容量分配情况。同样，图7也是经过500次计算机仿真取平均的结果，所用参数如表1所示。从图7中可以看出，本发明方案AS-ABCRA虽然未达到和Shen算法一样的公平。但是，本发明方案AS-ABCRA在每个用户上分配的容量都要比AFSA算法和传统的静态OFDM-TDMA算法更接近于Shen算法，从而说明本发明方案AS-ABCRA比AFSA算法和传统的静态OFDM-TDMA算法更加公平，进而说明了本发明方案AS-ABCRA保证了OFDMA系统中各个用户的高容量的同时，也保证了用户容量之间的公平。

结合图5、图6和图7可以看出本发明方案AS-ABCRA虽然在子载波分配中各用户的公平性有所降低，但通过基于人工蜂群算法的功率分配，在提高了OFDMA系统吞吐量的同时，各个用户之间的公平性也获得了保障。

综上所述，本发明方案AS-ABCRA很好地解决了在RA准则下的OFDMA自适应资源分配中用户的公平性和系统容量之间的问题，并且从计算机的仿真模拟效果图中可以看出，本发明方案AS-ABCRA是在最大化系统容量和用户公平性之间的折中，同时本发明方案AS-ABCRA也为后续对OFDMA自适应资源分配的研究提供了一条有效的途径。

最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。

Claims (5)

1.一种联合子载波和人工蜂群算法的OFDMA自适应资源分配方案，其特征在于，包括：

本发明针对正交频分多址(Orthogonal Frequency Division Multiple Access,OFDMA)自适应资源分配中用户的公平性和系统容量之间的问题，提出了一种联合子载波和人工蜂群算法的自适应分配方案，即：自适应子载波－人工蜂群资源分配(AdaptiveSubcarrier-Artificial Bee Colony Resource Allocation,AS-ABCRA)方案。在进行功率分配前，必须完成用户间的子载波分配。而在子载波分配中，首先通过松弛用户的速率比例约束来确定每个用户应该被分配的子载波数量，然后在所有子载波之间平均分配总功率的前提下，按照最小比例速率用户优先选择子载波的方式实现子载波的分配。由于仅进行子载波分配并不能同时兼顾用户的公平性和系统容量，更不能充分利用多用户的分集增益。所以在子载波分配完成后，还需要在功率分配中利用子载波分配后的结果进行功率寻优。本发明提出了一种新的AS-ABCRA方案，并且通过AS-ABCRA的全局搜索实现在所有用户之间的功率寻优，同时利用等功率的分配方式在每个用户所得到的子载波间进行子载波间的功率分配，最终在兼顾用户公平性的同时，OFDMA系统的容量达到最大化。从理论和仿真结果中可以得出，本发明提出的方案不仅保证了所有用户的公平性，同时也有效地提高了OFDMA系统的吞吐量，说明了本发明方案是在用户的公平性和系统容量之间的折中，进而证明了本发明方案AS-ABCRA的有效性。

2.根据权利要求1所述方案，其特征在于，本发明方案包括以下步骤：

(1)在RA准则下，构建带有速率比例公平限制的系统优化模型：

(1.1)假设OFDMA系统中有K个用户，N个子载波，加性高斯白噪声(Additive GaussWhite Noise,AGWN)功率谱密度为N₀，衰落信道的带宽为B，总发射功率为P_total，第k个用户在其第n个子载波上的信道增益和分配功率分别为和p_k,n，子载波分配矩阵元素为c_k,n。根据RA准则，最大化OFDMA系统容量的优化模型可以表示为

$max\underset{k=1}{\overset{K}{\mathrm{\Σ}}}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}\frac{c_{k,n}B}{N}{\log }_2(1+\frac{p_{k,n}{h}_{k,n}^2}{N_{0}B/N})---\left(1\right)$

约束条件为：

(1.2)在(1)式的约束(e)中，每个用户的速率R_k可以表示为：

$R_k=\underset{n=1}{\overset{N_k}{\mathrm{\Σ}}}{b}_{k,n}---\left(2\right)$

$b_{k,n}=\frac{c_{k,n}}{N}{\log }_2(1+\frac{p_{k,n}{h}_{k,n}^2}{N_{0}B/N})---\left(3\right)$

其中，N_k表示为第k个用户需要的子载波数量。

(2)子载波分配：

(2.1)松弛(1)式中(e)式所表示的用户之间的速率比例约束R₁:R₂:…:R_K＝λ₁:λ₂:…:λ_K为N₁:N₂:…:N_K≈λ₁:λ₂:…:λ_K，然后根据(4)式和(5)式确定每个用户需要的子载波个数N_k和剩余子载波个数N_rest，其中表示对X向下取整；

$N_{rest}=N-{\mathrm{\Σ}}_{k=1}^K{N}_k---\left(5\right)$

(2.2)初始化子载波分配矩阵c_k,n＝0、每个用户的初始速率值R_k＝0、子载波集合Φ＝{1,2,…,N}，并计算分配给每个子载波的平均功率p＝P_to_tal/N；

(2.3)依次为每个用户k{k＝1,2,…,K}分配一个信道增益最大的子载波n，并更新N_k＝N_k-1、c_k,n＝1、R_k＝R_k+b_k,n和Φ＝Φ-{n}；

(2.4)当||Φ||＞N_rest时，继续分配子载波。分配方法为：找到用户速率比例R_k/λ_k最小的用户k，如果用户k需要的子载波个数N_k＞0，那么就在Φ中为用户k分配一个信道增益最大的子载波，并更新N_k＝N_k-1、c_k,n＝1、R_k＝R_k+b_k,n和Φ＝Φ-{n}；否则，剔除用户k后继续寻找值最小的另一个用户k*，继续对用户k*执行上述操作；

(2.5)当||Φ||＝N_rest时，分配剩余的N_rest个子载波。分配方法为：对于每个剩余的子载波，在所有用户下找到一个信道增益最大的用户，并将该剩余子载波分配给该用户后不再为该用户分配子载波，并更新c_k,n＝1、R_k和R_k＝R_k+b_k,n。

(3)功率分配中适应度函数的设置：

(3.1)子载波分配完成后，带有速率比例公平限制的系统优化模型变为：

$max\underset{k=1}{\overset{K}{\mathrm{\Σ}}}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}\frac{B}{N}{\log }_2(1+\frac{p_{k,n}{h}_{k,n}^2}{N_{0}B/N})---\left(6\right)$

约束条件为：

$\begin{array}{cc}\left(b\right)& {\mathrm{\Σ}}_{k=1}^K{\mathrm{\Σ}}_{n=1}^N{c}_{k,n}{p}_{k,n}\≤P_{total}\\ \left(c\right)& R_1:R_2:...:R_K={\mathrm{\λ}}_1:{\mathrm{\λ}}_2:...:{\mathrm{\λ}}_K\end{array}$

(3.2)设置公平度函数：

$Fairness={\left(\underset{k=1}{\overset{K}{\mathrm{\Σ}}}\frac{R_k}{{\mathrm{\λ}}_k}\right)}^2/\left(K\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{\left(\frac{R_k}{{\mathrm{\λ}}_k}\right)}^2\right)---\left(7\right)$

(3.3)设置适应度函数：

本发明利用人工蜂群算法在K个用户之间进行功率寻优，最终得到最优的K个功率值{P_k,to_tal,k＝1,…,K}，分别代表分配给每个用户的功率值。然后，利用每个用户的功率值P_k,to_tal分别对每个用户进行单用户的功率分配。而在单用户功率分配当中，本发明利用等功率的分配方式在每个用户下进行单用户的功率分配。所以，每个用户的子载波间的功率分配可以表示为：

p_k,n＝P_k,to_tal/N_k (8)

其中，p_k,n表示第k个用户在其第n个子载波上分配的功率值；N_k为分配给第k个用户的子载波数。

经过以上的分析可知，在对每个用户所分配得到的子载波进行等功率分配后，带有速率比例公平限制的系统优化模型变为了：

$max\underset{k=1}{\overset{K}{\mathrm{\Σ}}}\underset{n\∈{\mathrm{\Ω}}_k}{\mathrm{\Σ}}\frac{B}{N}{\log }_2(1+\frac{P_{k,total}{h}_{k,n}^2}{N_k(N_{0}B/N)})---\left(9\right)$

约束条件为：

其中，Ω_k表示分配给第k个用户的子载波集合

所以，经过以上的推导，设置人工蜂群算法功率分配的适应度函数为：

$Fitness=\[\underset{k=1}{\overset{K}{\mathrm{\Σ}}}\underset{n\∈{\mathrm{\Ω}}_k}{\mathrm{\Σ}}\frac{B}{N}{\log }_2(1+\frac{P_{k,total}{h}_{k,n}^2}{N_k(N_{0}B/N)})\]\×Fairness---\left(10\right)$

(4)使用人工蜂群算法进行功率分配：

(4.1)初始化参数设置：蜜源个数SN，每个蜜源的最大开采次数Limit，每个蜜源的当前开采次数Bas，最大进化代数Maxcycle，当前进化代数cycle；

(4.2)侦查蜂生成初始蜜源：首先，侦查蜂在可行域中搜索生成2SN个K维度的蜜源(即：每个蜜源都由K个功率值组成，并且K个功率值的和等于总功率的大小)，搜索方式为随机搜索；其次，计算这2SN个蜜源的花蜜量(即：适应度值Fitness)，并且选择花蜜量较多的SN个蜜源作为初始标记蜜源；然后，找出这SN个花蜜量当中的最大值，并找出花蜜量最大值相对应的蜜源；最后，将花蜜量的最大值作为初始最大花蜜量(即：最优适应度)，将花蜜量最大值对应的蜜源作为初始最优蜜源(即：最优解)；

(4.3)引领蜂搜索更优蜜源：为了寻找到更好的蜜源，引领蜂利用(11)式在采蜜过程中对SN个初始标记蜜源的邻域利进行局部搜索。当引领蜂搜索完毕后，便对新蜜源的花蜜量和原蜜源的花蜜量进行比较并选出花蜜量较多的SN个蜜源，然后将这SN个蜜源作为标记蜜源，最后更新SN个标记蜜源的Bas的值和花蜜量值；

V_ij＝x_ij+R(x_ij-x_kj) (11)

上式中，j表示维数且j∈{1,2,…,D}(D为搜索空间的维度)；R∈(-1,1)，决定扰动幅度；x_ij表示蜜源i在第j维的原位置；V_ij表示蜜源i在第j维上的新位置；k∈{1，2，…，SN}且k≠i，用来提供搜索方向。

(4.4)跟随蜂搜索蜜源：首先，跟随蜂利用引领蜂传递的SN个标记蜜源和这SN个标记蜜源对应的花蜜量以及Bas值并使用(12)式，以轮盘赌的方式选取合适的标记蜜源；其次，跟随蜂利用(11)式在这些标记蜜源的邻域搜索新的蜜源；然后，比较新蜜源的花蜜量和标记蜜源的花蜜量；最后，选择花蜜量较多的SN个蜜源作为本次采蜜过程的标记蜜源，并更新每个标记蜜源的Bas值；

$P_i={\mathrm{fit}}_i/{\mathrm{\Σ}}_j^{SN}{\mathrm{fit}}_j---\left(12\right)$

上式中，fit_i是第i个蜜源的花蜜量，表示所有蜜源花蜜量的和，P_i表示第i个蜜源被选中的概率。

(4.5)判断是否出现侦察蜂：根据每个蜜源最大开采次数Limit和当前开采次数Bas判断是否将引领蜂转变为侦查蜂。对某个蜜源，若Bas＞Limit，表示这个蜜源在Limit次开采后没有改进，则原来的这个蜜源被放弃，同时相应的引领蜂转变为侦查蜂，并且这个侦查蜂会随机的搜索一个新的蜜源代替被放弃的蜜源；

(4.6)对最优解进行更新：首先，更新本次采蜜过程的SN个标记蜜源的花蜜量；然后，找出这SN个花蜜量的最大值；最后，判断是否更新最优蜜源和最大花蜜量；

(4.7)判断当前进化代数cycle是否满足终止条件Maxcycle：若cycle＝Maxcycle，则输出最大花蜜量(即最优适应度)，否则转到步骤(4.3)。

3.根据权利要求2所述方法，其特征在于，所述步骤(4.1)蜜源个数SN＝100，蜜源最大开采次数Limit＝30，蜜源当前开采次数Bas＝0，最大进化代数Maxcycle＝100，当前进化代数cycle＝0。

4.根据权利要求2所述方法，其特征在于，所述步骤(4.2)每个蜜源中的K个功率值的和为1W，即总功率大小为1W。

5.根据权利要求2所述方法，其特征在于，所述步骤(4.3)搜索空间的维度D＝K。