CN107171712A - 大规模多输入多输出系统中发射端发射天线的选择方法 - Google Patents
大规模多输入多输出系统中发射端发射天线的选择方法 Download PDFInfo
- Publication number
- CN107171712A CN107171712A CN201710556193.2A CN201710556193A CN107171712A CN 107171712 A CN107171712 A CN 107171712A CN 201710556193 A CN201710556193 A CN 201710556193A CN 107171712 A CN107171712 A CN 107171712A
- Authority
- CN
- China
- Prior art keywords
- mrow
- selecting
- rank
- chromosome
- optimization model
- 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
Links
- 239000011159 matrix material Substances 0.000 claims abstract description 70
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 38
- 230000002068 genetic effect Effects 0.000 claims abstract description 30
- 238000009826 distribution Methods 0.000 claims abstract description 11
- 230000005540 biological transmission Effects 0.000 claims abstract description 10
- 210000000349 chromosome Anatomy 0.000 claims description 82
- 238000005457 optimization Methods 0.000 claims description 64
- 108090000623 proteins and genes Proteins 0.000 claims description 44
- 230000008774 maternal effect Effects 0.000 claims description 13
- 230000035772 mutation Effects 0.000 claims description 13
- VYZAMTAEIAYCRO-UHFFFAOYSA-N Chromium Chemical compound [Cr] VYZAMTAEIAYCRO-UHFFFAOYSA-N 0.000 claims description 12
- 230000002950 deficient Effects 0.000 claims description 11
- 238000009395 breeding Methods 0.000 claims description 10
- 230000001488 breeding effect Effects 0.000 claims description 10
- 210000004027 cell Anatomy 0.000 claims description 10
- 230000007812 deficiency Effects 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000001902 propagating effect Effects 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000004891 communication Methods 0.000 abstract description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 10
- 238000005562 fading Methods 0.000 description 4
- 238000010187 selection method Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002759 chromosomal effect Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000011541 reaction mixture Substances 0.000 description 1
- 230000002040 relaxant effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013215 result calculation Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/06—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station
- H04B7/0602—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using antenna switching
- H04B7/0608—Antenna selection according to transmission parameters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/0413—MIMO systems
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供一种大规模多输入多输出系统中发射端发射天线的选择方法，能够有效降低大规模MIMO系统中发射天线选择的复杂度，且具有较小的性能损失。所述方法包括：在满足各发射天线发射功率均等分配的前提下，以最大化系统容量为目标，确定单小区多用户条件下最大化系统容量的优化模型，其中，所述系统为大规模MIMO系统；利用秩缺选择矩阵表示发射天线选择结果，根据所述秩缺选择矩阵对确定的优化模型进行更新，得到新的优化模型；根据得到的新的优化模型，利用遗传算法选择最优的发射天线集合。本发明涉及无线通信技术领域。
Description
技术领域
本发明涉及无线通信技术领域，特别是指一种大规模多输入多输出系统中发射端发射天线的选择方法。
背景技术
近年来，大规模多输入多输出(Massive MIMO,Massive multiple-inputmultiple-output)技术，因其在同一时频资源下，通过在基站端配置大量(十到百)天线来服务多个用户，能极大地提高系统的频谱效率和能量效率而引起广泛关注。然而，随着天线数的不断增加，成本和能量损耗是影响其实用化最主要障碍。另外，在理论的独立同分布瑞利衰落条件下，研究假定各天线对整个系统性能贡献一致。但是，在真实传播环境中，大规模衰落和信道模式使得各天线对整个系统性能贡献不一致。Massive MIMO系统的成本，信号处理复杂性及各天线对系统性能贡献不一致，使得在全部的天线阵列中进行天线选择具有重要意义。
穷尽搜索能够获得最优的天线集合，但是，随着天线数的不断增加，其计算复杂性也不断增加，即当天线数为Nt，选择天线数为Lt，共有种天线组合，最优天线选择策略需要在种可能中穷尽搜索，这在大规模天线阵列中并不可行。为解决这一问题，目前已提出各种优化方法，其中有人提出一种在Massive MIMO系统中用凸优化进行天线选择的近优算法。同时，在真实传播环境中，通过限制性凸松弛也能给出发射链路子集，但其结果计算是一个非确定性多项式难题(NP-Hard)问题，所以可通过放松限制条件，将问题转化为可解凸优化问题，将优化目标转化成凸优化可解是解决这一问题的关键，计算复杂性大。此外，在MIMO系统中，有人提出用注水算法进行天线选择，这是一种近优解决方法，当天线数为Nt，其计算复杂性主要来自Nt次求解信道矩阵的协方差矩阵(HHH)，这比凸优化的计算复杂性低，但其系统性能较差。可见，在实际Massive MIMO系统中凸优化算法依然复杂，注水算法性能较差，因此有必要设计一种具有更低复杂度更好性能的天线选择方法。
在Massive MIMO系统中，传统的穷尽搜索能得到最优天线集合，但天线选择的复杂度随着天线数指数增加，以致在实际中难以实现；基于注水算法的天线选择方法作为一种有效的次优选择方法，计算复杂度降低，但性能略差。
发明内容
本发明要解决的技术问题是提供一种大规模多输入多输出系统中发射端发射天线的选择方法，以解决现有技术所存在的计算复杂度高、性能差的问题。
为解决上述技术问题，本发明实施例提供一种大规模多输入多输出系统中发射端发射天线的选择方法，包括：
在满足各发射天线发射功率均等分配的前提下，以最大化系统容量为目标，确定单小区多用户条件下最大化系统容量的优化模型，其中，所述系统为大规模MIMO系统；
利用秩缺选择矩阵表示发射天线选择结果，根据所述秩缺选择矩阵对确定的优化模型进行更新，得到新的优化模型；
根据得到的新的优化模型，利用遗传算法选择最优的发射天线集合。
进一步地，所述以最大化系统容量为目标，确定单小区多用户条件下最大化系统容量的优化模型包括：
设大规模MIMO系统的基站配有Nt根发射天线用于服务Nr个单天线用户，每个单天线用户的信噪比为σ，信道矩阵为H；
在满足各发射天线发射功率均等分配的前提下，以最大化系统容量为目标，确定单小区多用户条件下最大化系统容量的优化模型为：
其中，max表示最大化，C表示系统容量，det(·)表示求行列式，表示Nr×Nr的单位矩阵，(·)H表示共轭转置。
进一步地，所述利用秩缺选择矩阵表示发射天线选择结果，根据所述秩缺选择矩阵对确定的优化模型进行更新，得到新的优化模型包括：
从大规模MIMO系统的基站选出Lt根发射天线，其中，Lt<Nt；
引入大小为Nt×Nt的秩缺选择矩阵表示发射天线选择结果，其中，所述秩缺选择矩阵为对角方阵，主对角线的元素用于表示发射天线是否被选择；
根据所述秩缺选择矩阵对确定的优化模型进行更新，得到新的优化模型。
进一步地，所述秩缺选择矩阵表示为：
s.t tr(A)＝rank(A)＝Lt
其中，A表示秩缺选择矩阵，Aii表示秩缺选择矩阵第i行第i列的元素，tr(·)表示矩阵的迹，rank(·)表示矩阵的秩。
进一步地，所述新的优化模型表示为：
s.t Nr≤tr(A)＝rank(A)＝Lt<Nt。
进一步地，所述根据得到的新的优化模型，利用遗传算法选择最优的发射天线集合包括：
S1、确定遗传算法的参数，其中，所述遗传算法的参数包括：每代染色体数NIND、最大代数MAXGEN、代沟GGAP，其中，GGAP<1；
S2、生成NIND×Nt的二进制矩阵Chrom作为发射天线选择的备选池，Chrom中的每一行为一个母代染色体，每一个母代染色体包含Nt个基因，基因值用于表示发射天线是否被选择；
S3、针对整个备选池，依次选出Chrom中的每一行分别对角化为A并带入所述新的优化模型计算目标值，根据计算得到的目标值，利用预先确定的适应度公式计算适用度值；根据计算得到的适用度值选择用于繁殖下一代的母代染色体；
S4、根据选择的用于繁殖下一代的母代染色体，在母代进行基因交换；
S5、根据基因交换结果，选取染色体中的基因位进行变异，产生新的子代，并计算子代的适应度值；
S6、依次将母代适应度值小的染色体用生成的适应度值大的子代代替，直至备选池染色体数达到NIND，形成新的备选池；
S7、重复步骤S3-S6，直到当前迭代次数达到最大代数MAXGEN，从当前的备选池中获取适应度值最大的染色体，并将该染色体对角化为A，即得到相应的发射天线的选择方案。
进一步地，所述根据计算得到的目标值，利用预先确定的适应度公式计算适用度值包括：
对计算得到的同一代中的目标值进行排序；
根据排序结果，利用预先确定的适应度公式计算适用度值；其中，
所述预先确定的适应度公式表示为：
其中，sp表示排序方式，Pos表示同一代中目标值排序索引。
进一步地，所述根据选择的用于繁殖下一代的母代染色体，在母代进行基因交换包括：
交叉算子以交叉概率Pc，在选中的用于繁殖下一代的母代染色体中选取母代染色体，选取的母代染色体在指定的位置进行基因交叉。
进一步地，所述根据基因交换结果，选取染色体中的基因位进行变异，产生新的子代包括：
根据基因交换结果，变异算子以变异概率Pm选取染色体中的基因位进行变异，产生新的子代。
本发明的上述技术方案的有益效果如下：
上述方案中，在满足各发射天线发射功率均等分配的前提下，以最大化系统容量为目标，确定单小区多用户条件下最大化系统容量的优化模型，其中，所述系统为大规模MIMO系统；利用秩缺选择矩阵表示发射天线选择结果，根据所述秩缺选择矩阵对确定的优化模型进行更新，得到新的优化模型；根据得到的新的优化模型，利用遗传算法选择最优的发射天线集合。这样，针对大规模MIMO系统，在满足各发射天线功率均等条件下，以最大化系统容量为目标，并利用遗传算法选择最优的发射天线集合，由于在使用遗传算法时，初始种群的生成无需进行编解码，从而能够有效降低大规模MIMO系统中发射天线选择的复杂度，且和注水算法相比，利用遗传算法选择最优的发射天线集合具有较小的性能损失，更有利于在实际系统中被应用。
附图说明
图1为本发明实施例提供的大规模多输入多输出系统中发射端发射天线的选择方法的流程示意图；
图2为本发明实施例提供的利用遗传算法选择最优的发射天线集合的流程示意图；
图3为本发明实施例提供的利用遗传算法最大化系统容量的性能仿真示意图；
图4为本发明实施例提供的利用遗传算法、全搜索算法和注水算法下进行发射天线选择的性能对比示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
本发明针对现有的计算复杂度高、性能差的问题，提供一种大规模多输入多输出系统中发射端发射天线的选择方法。
如图1所示，本发明实施例提供的大规模多输入多输出系统中发射端发射天线的选择方法，包括：
步骤101，在满足各发射天线发射功率均等分配的前提下，以最大化系统容量为目标，确定单小区多用户条件下最大化系统容量的优化模型，其中，所述系统为大规模MIMO系统；
步骤102，利用秩缺选择矩阵表示发射天线选择结果，根据所述秩缺选择矩阵对确定的优化模型进行更新，得到新的优化模型；
步骤103，根据得到的新的优化模型，利用遗传算法选择最优的发射天线集合。
本发明实施例所述的大规模多输入多输出系统中发射端发射天线的选择方法，在满足各发射天线发射功率均等分配的前提下，以最大化系统容量为目标，确定单小区多用户条件下最大化系统容量的优化模型，其中，所述系统为大规模MIMO系统；利用秩缺选择矩阵表示发射天线选择结果，根据所述秩缺选择矩阵对确定的优化模型进行更新，得到新的优化模型；根据得到的新的优化模型，利用遗传算法选择最优的发射天线集合。这样，针对大规模MIMO系统，在满足各发射天线功率均等条件下，以最大化系统容量为目标，并利用遗传算法选择最优的发射天线集合，由于在使用遗传算法时，初始种群的生成无需进行编解码，从而能够有效降低大规模MIMO系统中发射天线选择的复杂度，且和注水算法相比，利用遗传算法选择最优的发射天线集合具有较小的性能损失，更有利于在实际系统中被应用。
在前述大规模多输入多输出系统中发射端发射天线的选择方法的具体实施方式中，进一步地，所述以最大化系统容量为目标，确定单小区多用户条件下最大化系统容量的优化模型包括：
设大规模MIMO系统的基站配有Nt根发射天线用于服务Nr个单天线用户，每个单天线用户的信噪比为σ，信道矩阵为H；
在满足各发射天线发射功率均等分配的前提下，以最大化系统容量为目标，确定单小区多用户条件下最大化系统容量的优化模型为：
其中，max表示最大化，C表示系统容量，det(·)表示求行列式，表示Nr×Nr的单位矩阵，(·)H表示共轭转置。
本实施例中，设大规模MIMO系统中的单小区下行链路，基站配有Nt根发射天线用于服务Nr个单天线用户，基站能获得他所有用户的信道状态信息，每个单天线用户信噪比SNR为σ。在独立同分布的瑞利衰落条件下，信道矩阵(表示复数域)。在各发射天线发射功率均等分配的条件下，以最大化系统容量为目标，确定单小区多用户条件下最大化系统容量的优化模型为：
式(1)中，max表示最大化，C表示系统容量，det(·)表示求行列式，表示Nr×Nr的单位矩阵，(·)H表示共轭转置。
在前述大规模多输入多输出系统中发射端发射天线的选择方法的具体实施方式中，进一步地，所述利用秩缺选择矩阵表示发射天线选择结果，根据所述秩缺选择矩阵对确定的优化模型进行更新，得到新的优化模型包括：
从大规模MIMO系统的基站选出Lt根发射天线，其中，Lt<Nt；
引入大小为Nt×Nt的秩缺选择矩阵表示发射天线选择结果，其中，所述秩缺选择矩阵为对角方阵，主对角线的元素用于表示发射天线是否被选择；
根据所述秩缺选择矩阵对确定的优化模型进行更新，得到新的优化模型。
本实施例中，设从大规模MIMO系统的基站选出Lt(Lt<Nt)根发射天线，引入一个大小为Nt×Nt秩缺选择矩阵A，该秩缺选择矩阵A可以是二进制对角方阵，且主对角线元素为1或0，分别表示发射天线被选择或不被选择，其他元素均为0；其中，所述秩缺选择矩阵A表示为：
s.t tr(A)＝rank(A)＝Lt (2)
式(2)中，因为A为秩缺选择矩阵，tr(·)表示矩阵的迹，rank(·)表示矩阵的秩。
根据所述秩缺选择矩阵A对确定的优化模型进行更新，将优化问题转化为：
s.t tr(A)＝rank(A)＝Lt
对于Nt阶二进制的秩缺选择矩阵A，经验证得HA(HA)H＝HAHH，所以更新得到的新的优化模型为：
s.t Nr≤tr(A)＝rank(A)＝Lt<Nt (3)
在前述大规模多输入多输出系统中发射端发射天线的选择方法的具体实施方式中，进一步地，所述根据得到的新的优化模型，利用遗传算法选择最优的发射天线集合包括：
S1、确定遗传算法的参数，其中，所述遗传算法的参数包括：每代染色体数NIND、最大代数MAXGEN、代沟GGAP，其中，GGAP<1；
S2、生成NIND×Nt的二进制矩阵Chrom作为发射天线选择的备选池，Chrom中的每一行为一个母代染色体，每一个母代染色体包含Nt个基因，基因值用于表示发射天线是否被选择；
S3、针对整个备选池，依次选出Chrom中的每一行分别对角化为A并带入所述新的优化模型计算目标值，根据计算得到的目标值，利用预先确定的适应度公式计算适用度值；根据计算得到的适用度值选择用于繁殖下一代的母代染色体；
S4、根据选择的用于繁殖下一代的母代染色体，在母代进行基因交换；
S5、根据基因交换结果，选取染色体中的基因位进行变异，产生新的子代，并计算子代的适应度值；
S6、依次将母代适应度值小的染色体用生成的适应度值大的子代代替，直至备选池染色体数达到NIND，形成新的备选池；
S7、重复步骤S3-S6，直到当前迭代次数达到最大代数MAXGEN，从当前的备选池中获取适应度值最大的染色体，并将该染色体对角化为A，即得到相应的发射天线的选择方案。
本实施例中，如图2所示，所述根据得到的新的优化模型，利用遗传算法选择最优的发射天线集合的具体步骤可以包括：
A11，确定大规模MIMO系统及遗传算法的参数，其中，所述大规模MIMO系统的参数包括：基站配置Nt根发射天线用于服务Nr个单天线用户；所述遗传算法的参数包括：每代染色体数为NIND，最大代数为MAXGEN，代沟为GGAP，其中，GGAP<1。
A12，遗传算法初始化：生成NIND×Nt的二进制矩阵Chrom作为发射天线选择的备选池，Chrom中的每一行为一个母代染色体，每一个母代染色体包含Nt个基因，其基因值可以为1或0，分别表示发射天线是否被选择；还可以选出Chrom中第一行对角化为A并代入式(3)计算目标值，将该值作为初始的最优值。
A13，选择：针对整个备选池，以适应度值大小为依据，可以选出适应度值高的染色体作为繁殖下一代的母代染色体；具体的：针对整个备选池，依次选出Chrom中的每一行分别对角化为A并带入式(3)计算目标值，根据计算得到的目标值，利用预先确定的适应度公式计算适用度值，根据计算得到的适用度值选择用于繁殖下一代的母代染色体，例如：可以选出适应度值高的染色体作为繁殖下一代的母代染色体。
本实施例中，作为一可选实施例，所述根据计算得到的目标值，利用预先确定的适应度公式计算适用度值包括：
对计算得到的同一代中的目标值进行排序；
根据排序结果，利用预先确定的适应度公式计算适用度值；其中，
所述预先确定的适应度公式表示为：
其中，sp表示排序方式，排序方式可以为线性排序也可以是其他排序方式，Pos表示同一代中目标值排序索引。
A14，交叉：根据选择的用于繁殖下一代的母代染色体，在母代进行基因交换。
本实施例中，作为一可选实施例，所述根据选择的用于繁殖下一代的母代染色体，在母代进行基因交换包括：
交叉算子以交叉概率Pc，在选中的用于繁殖下一代的母代染色体中选取母代染色体，选取的母代染色体在指定的位置进行基因交叉。
A15，变异：根据基因交换结果，选取染色体中的基因位进行变异，产生新的子代，并计算子代的适应度值。
本实施例中，作为一可选实施例，所述根据基因交换结果，选取染色体中的基因位进行变异，产生新的子代包括：
根据基因交换结果，变异算子以变异概率Pm选取染色体中的基因位进行变异，产生新的子代。
A16，重填：由于代沟GGAP<1，经过以上步骤后，备选池中染色体数将会小于NIND，所以，必须将子代重填到当前种群中。本实施例中，基于适应度值的重填，依次将母代适应度值小的染色体用生成的适应度值大的子代代替，直至备选池染色体数达到NIND，从而形成新的备选池。
A17，重复步骤A13-A16，直到当前迭代次数达到最大代数MAXGEN，结果收敛，从当前的备选池中获取适应度值最大的染色体，并将该染色体对角化为A，即得到相应的发射天线的选择方案。
本实施例中，为了更好地确定本实施例所述的大规模多输入多输出系统中发射端发射天线的选择方法的性能，使用Matlab仿真平台，对本实施例所述的大规模多输入多输出系统中发射端发射天线的选择方法的性能进行仿真分析，大规模MIMO系统的基站配有100根发射天线，共服务4个单天线用户，基站中每个单天线用户的信噪比为20dB。为了进行性能比较，还仿真了全搜索方法(full search AS)和注水算法，其中，全搜索方法即为假设所有发射天线均对系统性能有贡献，秩缺选择矩阵Α为满秩矩阵，注水算法即为假设选择出发射功率较大的天线集合。本实施例所述的大规模多输入多输出系统中发射端发射天线的选择方法的具体步骤可以包括：
步骤1，在满足各发射天线发射功率均等分配的前提下，以最大化系统容量为目标，确定单小区多用户条件下最大化系统容量的优化模型；具体的：
考虑Massive MIMO系统中的单小区下行链路，基站配有Nt＝100根发射天线，用于服务Nr＝4个单天线用户。假设基站可获得他所有用户的信道状态信息，每个单天线用户信噪比SNR为σ。在独立同分布的瑞利衰落条件下，信道矩阵为(表示复数域)，在各发射天线发射功率均等分配条件下，例如，基站各发射天线发射功率均为1/Nt时，最大化系统容量优化模型为：
其中，max表示最大化，C表示系统容量，det(·)表示求行列式，表示Nr×Nr的单位矩阵，(·)H表示共轭转置。
步骤2，利用秩缺选择矩阵表示发射天线选择结果，根据所述秩缺选择矩阵对确定的优化模型进行更新，得到新的优化模型；具体的：
设从Massive MIMO系统的基站选出Lt＝80根天线，引入一个Nt×Nt(即100×100)秩缺选择矩阵A，该矩阵是二进制对角方阵，且主对角线元素为1或0，分别表示发射天线被选择或不被选择，其他元素均为0；其中，所述秩缺选择矩阵A表示为：
s.t tr(A)＝rank(A)＝Lt
其中，tr(·)表示矩阵的迹，rank(·)表示矩阵的秩。
综上优化问题转化为：
s.t tr(A)＝rank(A)＝Lt
对于二进制的秩缺选择矩阵A，经验证得HA(HA)H＝HAHH，所以更新得到的新的优化模型为：
s.t Nr≤tr(A)＝rank(A)＝Lt<Nt
步骤3：在新的优化模型下，利用遗传算法选择最优的发射天线集合；具体的：
首先，设在遗传算法过程中每代染色体数NIND＝50,最大代数MAXGEN＝150,代沟GGAP＝0.9，选择发射天线数Lt＝rank(A)＝80；接着，在各发送天线发射功率均为1/rank(A)条件下，用遗传算法选择最优的发射天线集合，具体过程如下：
B11，遗传算法初始化：生成NIND×Nt(即50×100)的二进制矩阵Chrom作为发射天线选择的备选池；Chrom中的每一行为一个母代染色体，每一个母代染色体包含Nt(100)个基因，其基因值为1或0，分别表示发射天线是否被选择；还可以选出Chrom中第一行对角化为A并代入式(3)计算目标值，将该值作为初始的最优值。
B12，选择：选择目的就是选出性能优良的基因体，遗传给下一代。针对整个备选池，以适应度值大小为依据，可以选出适应度值高的染色体作为繁殖下一代的母代染色体；具体的：依次选出Chrom中的每一行分别对角化为A并带入式(3)计算目标值，然后代入式(4)中计算适用度值，根据计算得到的适用度值选择用于繁殖下一代的母代染色体，例如：可以选出适应度值高的染色体作为繁殖下一代的母代染色体；其中，式(4)为：
式(4)中，Pos为同一代中目标值排序索引，sp表示排序方式本实施例中，若sp＝0表示采用线性排序，若sp＝2表示采用选择性压差排序。
B13，交叉：根据选择的用于繁殖下一代的母代染色体，在母代进行基因交换。具体的：交叉算子以交叉概率Pc＝0.7选取用于繁殖下一代的母代染色体在指定的位置进行基因交叉。
假设本实施例中采用的是单点交叉，交叉过程如下：母代染色体基因其中染色体长度为L，单点交叉要在[1,L-1]中随机选择一个整数位i，然后交换染色体的第i+1到L位基因信息。如随机选择整数位i＝5，则母代基因信息交叉后生成子代为
B14，变异：根据基因交换结果，选取染色体中的基因位进行变异，产生新的子代，并计算子代的适应度值；具体的：本实施例中，变异算子以变异概率Pm＝0.09选取染色体中的基因位进行变异，产生新的子代。
B15，重填：由于代沟GGAP＝0.9，经过以上步骤后，备选池中染色体数个数为45，将会小于NIND，所以，必须将子代重填到当前种群中。本实施例是基于适应度值的重填，依次用适应度值大的子代代替适应度小的母代，保证新备选池Chrom中染色体数为NIND。
B16，重复步骤B12-B15，直到当前迭代次数达到最大代数，结果收敛，从当前的备选池中获取适应度值最大的染色体，并将该染色体对角化为A，即得到相应的发射天线的选择方案。
如图3所示，图3为基站的发射天线数为100，共服务4个单天线用户的系统容量收敛图，图3中横坐标是迭代次数，纵坐标是目标函数，即系统容量。从图3中可看出，目标函数在约100次迭代后达到收敛，取得系统容量的最大值，这说明本实施例提出的选择方法是有效可行的。
如图4所示，图4为基站的发射天线数为100，共服务4个单天线用户，分别采用遗传算法(The proposed)、全搜索算法(full search AS)和注水算法(Water filling AS)下进行天线选择的仿真曲线图，图4中横坐标为信噪比(SNR)，纵坐标为系统容量C,，其中，选择的发射天线数Lt为80。从图4可以看出，本实施例在选择的发射天线数为80，即rank(A)＝80的秩缺条件下，其性能接近全搜索，而在同一条件下的注水算法性能只能达到全搜索性能的50％左右。所以，本实施例提出的遗传算法和传统的注水算法相比，本实施例提出的遗传算法的性能损失较小，计算复杂度也有效降低。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (9)
1.一种大规模多输入多输出系统中发射端发射天线的选择方法，其特征在于，包括：
在满足各发射天线发射功率均等分配的前提下，以最大化系统容量为目标，确定单小区多用户条件下最大化系统容量的优化模型，其中，所述系统为大规模MIMO系统；
利用秩缺选择矩阵表示发射天线选择结果，根据所述秩缺选择矩阵对确定的优化模型进行更新，得到新的优化模型；
根据得到的新的优化模型，利用遗传算法选择最优的发射天线集合。
2.根据权利要求1所述的大规模多输入多输出系统中发射端发射天线的选择方法，其特征在于，所述以最大化系统容量为目标，确定单小区多用户条件下最大化系统容量的优化模型包括：
设大规模MIMO系统的基站配有Nt根发射天线用于服务Nr个单天线用户，每个单天线用户的信噪比为σ，信道矩阵为H；
在满足各发射天线发射功率均等分配的前提下，以最大化系统容量为目标，确定单小区多用户条件下最大化系统容量的优化模型为：
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mi>max</mi>
</mtd>
<mtd>
<mrow>
<mi>C</mi>
<mo>=</mo>
<msub>
<mi>Log</mi>
<mn>2</mn>
</msub>
<mi>det</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>I</mi>
<msub>
<mi>N</mi>
<mi>r</mi>
</msub>
</msub>
<mo>+</mo>
<mfrac>
<mi>&sigma;</mi>
<msub>
<mi>N</mi>
<mi>t</mi>
</msub>
</mfrac>
<msup>
<mi>HH</mi>
<mi>H</mi>
</msup>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
其中，max表示最大化，C表示系统容量，det(·)表示求行列式，表示Nr×Nr的单位矩阵，(·)H表示共轭转置。
3.根据权利要求2所述的大规模多输入多输出系统中发射端发射天线的选择方法，其特征在于，所述利用秩缺选择矩阵表示发射天线选择结果，根据所述秩缺选择矩阵对确定的优化模型进行更新，得到新的优化模型包括：
从大规模MIMO系统的基站选出Lt根发射天线，其中，Lt<Nt；
引入大小为Nt×Nt的秩缺选择矩阵表示发射天线选择结果，其中，所述秩缺选择矩阵为对角方阵，主对角线的元素用于表示发射天线是否被选择；
根据所述秩缺选择矩阵对确定的优化模型进行更新，得到新的优化模型。
4.根据权利要求3所述的大规模多输入多输出系统中发射端发射天线的选择方法，其特征在于，所述秩缺选择矩阵表示为：
s.t tr(A)＝rank(A)＝Lt
其中，A表示秩缺选择矩阵，Aii表示秩缺选择矩阵第i行第i列的元素，tr(·)表示矩阵的迹，rank(·)表示矩阵的秩。
5.根据权利要求4所述的大规模多输入多输出系统中发射端发射天线的选择方法，其特征在于，所述新的优化模型表示为：
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mi>max</mi>
</mtd>
<mtd>
<mrow>
<mi>C</mi>
<mo>=</mo>
<msub>
<mi>Log</mi>
<mn>2</mn>
</msub>
<mi>det</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>I</mi>
<msub>
<mi>N</mi>
<mi>r</mi>
</msub>
</msub>
<mo>+</mo>
<mfrac>
<mi>&sigma;</mi>
<mrow>
<mi>r</mi>
<mi>a</mi>
<mi>n</mi>
<mi>k</mi>
<mrow>
<mo>(</mo>
<mi>A</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<msup>
<mi>HAH</mi>
<mi>H</mi>
</msup>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
s.t Nr≤tr(A)＝rank(A)＝Lt<Nt。
6.根据权利要求5所述的大规模多输入多输出系统中发射端发射天线的选择方法，其特征在于，所述根据得到的新的优化模型，利用遗传算法选择最优的发射天线集合包括：
S1、确定遗传算法的参数，其中，所述遗传算法的参数包括：每代染色体数NIND、最大代数MAXGEN、代沟GGAP，其中，GGAP<1；
S2、生成NIND×Nt的二进制矩阵Chrom作为发射天线选择的备选池，Chrom中的每一行为一个母代染色体，每一个母代染色体包含Nt个基因，基因值用于表示发射天线是否被选择；
S3、针对整个备选池，依次选出Chrom中的每一行分别对角化为A并带入所述新的优化模型计算目标值，根据计算得到的目标值，利用预先确定的适应度公式计算适用度值；根据计算得到的适用度值选择用于繁殖下一代的母代染色体；
S4、根据选择的用于繁殖下一代的母代染色体，在母代进行基因交换；
S5、根据基因交换结果，选取染色体中的基因位进行变异，产生新的子代，并计算子代的适应度值；
S6、依次将母代适应度值小的染色体用生成的适应度值大的子代代替，直至备选池染色体数达到NIND，形成新的备选池；
S7、重复步骤S3-S6，直到当前迭代次数达到最大代数MAXGEN，从当前的备选池中获取适应度值最大的染色体，并将该染色体对角化为A，即得到相应的发射天线的选择方案。
7.根据权利要求6所述的大规模多输入多输出系统中发射端发射天线的选择方法，其特征在于，所述根据计算得到的目标值，利用预先确定的适应度公式计算适用度值包括：
对计算得到的同一代中的目标值进行排序；
根据排序结果，利用预先确定的适应度公式计算适用度值；其中，
所述预先确定的适应度公式表示为：
<mrow>
<mi>F</mi>
<mi>i</mi>
<mi>t</mi>
<mrow>
<mo>(</mo>
<mi>P</mi>
<mi>o</mi>
<mi>s</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mn>2</mn>
<mo>-</mo>
<mi>s</mi>
<mi>p</mi>
<mo>+</mo>
<mn>2</mn>
<mo>&times;</mo>
<mrow>
<mo>(</mo>
<mi>s</mi>
<mi>p</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<mfrac>
<mrow>
<mi>P</mi>
<mi>o</mi>
<mi>s</mi>
</mrow>
<mrow>
<mi>N</mi>
<mi>I</mi>
<mi>N</mi>
<mi>D</mi>
</mrow>
</mfrac>
</mrow>
其中，sp表示排序方式，Pos表示同一代中目标值排序索引。
8.根据权利要求6所述的大规模多输入多输出系统中发射端发射天线的选择方法，其特征在于，所述根据选择的用于繁殖下一代的母代染色体，在母代进行基因交换包括：
交叉算子以交叉概率Pc，在选中的用于繁殖下一代的母代染色体中选取母代染色体，选取的母代染色体在指定的位置进行基因交叉。
9.根据权利要求6所述的大规模多输入多输出系统中发射端发射天线的选择方法，其特征在于，所述根据基因交换结果，选取染色体中的基因位进行变异，产生新的子代包括：
根据基因交换结果，变异算子以变异概率Pm选取染色体中的基因位进行变异，产生新的子代。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710556193.2A CN107171712B (zh) | 2017-07-10 | 2017-07-10 | 大规模多输入多输出系统中发射端发射天线的选择方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710556193.2A CN107171712B (zh) | 2017-07-10 | 2017-07-10 | 大规模多输入多输出系统中发射端发射天线的选择方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107171712A true CN107171712A (zh) | 2017-09-15 |
| CN107171712B CN107171712B (zh) | 2020-01-14 |
Family
ID=59823584
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710556193.2A Expired - Fee Related CN107171712B (zh) | 2017-07-10 | 2017-07-10 | 大规模多输入多输出系统中发射端发射天线的选择方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107171712B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110912585A (zh) * | 2019-12-05 | 2020-03-24 | 电子科技大学 | 一种基于信道因子的天线选择方法 |
| CN112152681A (zh) * | 2019-06-27 | 2020-12-29 | 华为技术有限公司 | 一种预编码方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050088343A1 (en) * | 2003-10-22 | 2005-04-28 | Ji-Hoon Bae | Method for designing multiband antenna using genetic algorithm device linked to full electromagnetic wave analyzing device |
| CN102208934A (zh) * | 2011-06-24 | 2011-10-05 | 北京理工大学 | 一种基于全交叉权重遗传算法的天线选择方法 |
| CN103490804A (zh) * | 2013-09-12 | 2014-01-01 | 江苏科技大学 | 基于优先度遗传模拟退火的多用户mimo系统天线选择方法 |
| CN104702323A (zh) * | 2015-02-25 | 2015-06-10 | 广西师范大学 | 基于遗传算法的天线选择方法 |
| CN106341169A (zh) * | 2016-10-25 | 2017-01-18 | 重庆大学 | 一种多用户大规模mimo系统上行链路的天线选择方法 |
-
2017
- 2017-07-10 CN CN201710556193.2A patent/CN107171712B/zh not_active Expired - Fee Related
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050088343A1 (en) * | 2003-10-22 | 2005-04-28 | Ji-Hoon Bae | Method for designing multiband antenna using genetic algorithm device linked to full electromagnetic wave analyzing device |
| CN102208934A (zh) * | 2011-06-24 | 2011-10-05 | 北京理工大学 | 一种基于全交叉权重遗传算法的天线选择方法 |
| CN103490804A (zh) * | 2013-09-12 | 2014-01-01 | 江苏科技大学 | 基于优先度遗传模拟退火的多用户mimo系统天线选择方法 |
| CN104702323A (zh) * | 2015-02-25 | 2015-06-10 | 广西师范大学 | 基于遗传算法的天线选择方法 |
| CN106341169A (zh) * | 2016-10-25 | 2017-01-18 | 重庆大学 | 一种多用户大规模mimo系统上行链路的天线选择方法 |
Non-Patent Citations (1)
| Title |
|---|
| 刘淑娟: "基于容量性能的MIMO天线选择技术研究", 《江苏科技大学硕士学位论文》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112152681A (zh) * | 2019-06-27 | 2020-12-29 | 华为技术有限公司 | 一种预编码方法及装置 |
| CN112152681B (zh) * | 2019-06-27 | 2022-02-15 | 华为技术有限公司 | 一种预编码方法及装置 |
| US11881916B2 (en) | 2019-06-27 | 2024-01-23 | Huawei Technologies Co., Ltd. | Precoding method and apparatus |
| CN110912585A (zh) * | 2019-12-05 | 2020-03-24 | 电子科技大学 | 一种基于信道因子的天线选择方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107171712B (zh) | 2020-01-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111181619B (zh) | 基于深度强化学习的毫米波混合波束成形设计方法 | |
| CN103763782B (zh) | 一种mu‑mimo下行链路基于加权用户相关的公平调度方法 | |
| CN111119282A (zh) | 一种针对供水管网的压力监测点优化布置方法 | |
| Ding et al. | Outage probability analysis and resolution profile design for massive MIMO uplink with mixed-ADC | |
| CN103490804A (zh) | 基于优先度遗传模拟退火的多用户mimo系统天线选择方法 | |
| Dai et al. | Energy‐efficient resource allocation for device‐to‐device communication with WPT | |
| CN107171712B (zh) | 大规模多输入多输出系统中发射端发射天线的选择方法 | |
| CN113193893B (zh) | 毫米波大规模mimo智能混合波束成形设计方法 | |
| CN107909152A (zh) | 一种交叉概率因子可变的差分进化算法 | |
| CN111526555B (zh) | 基于遗传算法的多跳路由路径选择方法 | |
| CN108053032A (zh) | 一种基于遗传算法的数据模型训练样本的选取方法 | |
| 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 | |
| Wang et al. | System capacity analysis and antenna placement optimization for downlink transmission in distributed antenna systems | |
| CN101431358B (zh) | 基于m-精英进化算法的垂直分层空时信号检测方法 | |
| Zhang et al. | Genetic algorithm based pilot allocation scheme for massive MIMO system | |
| CN103347299A (zh) | 一种基于遗传算法的集中式资源管理方法 | |
| CN105740952A (zh) | 社区网络检测的多目标快速遗传方法 | |
| CN105376185B (zh) | 一种通信系统中基于dna蛙跳方法优化的常模盲均衡处理方法 | |
| CN102799940A (zh) | 基于遗传算法和先验知识的网络社区划分方法 | |
| Kim et al. | Learning-Based Adaptive User Selection in Millimeter Wave Hybrid Beamforming Systems | |
| CN108173580B (zh) | 一种基于量子社会情感优化的Massive MIMO上行系统功率分配方法 | |
| Qin et al. | Boosting the cellular network coverage optimization in accordance with the metric structure of antenna variables | |
| CN110086591A (zh) | 一种大规模天线系统中的导频污染抑制方法 | |
| CN115499053A (zh) | 大规模mimo低轨卫星通信系统遗传用户调度方法 | |
| CN106788645A (zh) | 一种多用户mimo分布式基站系统中能量效率最优化方法 |
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 | ||
| 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: 20200114 |