CN110798851B - 无线异构网络的能量效率和负载均衡的联合优化方法 - Google Patents

Abstract

本发明无线异构网络基于QoS的能量效率和负载均衡的联合优化方法，首先，在由宏基站和微基站组成无线异构网络中，用户在能接收到导频信号的基站中随机地选择一个作为服务基站，采用OFDMA方式将子载波随机地分配给一个或者多个用户进行建模分析，构建在频谱带宽和发射功率受限的约束条件下能量效率和负载均衡的双目标函数；然后，提出基于K‑means聚类和扇形窗的多目标粒子群算法，在提高能量效率的同时，也保证了整个无线通信网络的负载相对均衡。本发明复杂度低且容易实现，可有效地解决无线异构网络下基于QoS的能量效率和负载均衡的联合优化问题，确保了整个通信网络在负载相对均衡的情况下，能量效率也不断提升。

Description

无线异构网络的能量效率和负载均衡的联合优化方法

技术领域

本发明属于无线通信网络仿真领域，涉及无线通信网络中能量效率和负载均衡联合优化，具体为无线异构网络的能量效率和负载均衡的联合优化方法。

背景技术

近年来随着移动数据量呈爆炸式的增长，由现有的宏基站和不同制造商生产、运行在不同的协议上的计算机、网络设备、微基站Small Cell等，并支持不同的功能或应用的无线异构网络(Heterogeneous Network)正在受到业内的普遍关注。由于无线异构网络可以根据用户的特点(例如车载用户)、业务特点(例如实时性要求高)和网络自身的特点，来为用户选择合适的网络拓扑，以便提供更好的QoS(Quality of Service)服务，将成为下一代移动通信(5G)的发展方向。

相比较宏蜂窝网中使用的宏基站，微基站Small Cell工作在授权的、非授权的频谱，可以覆盖从10米到数100米的范围，是低功率的无线接入节点。由于微基站Small Cell的成本较低，且便于部署，所以微基站Small Cell是一种可行的且经济高效的方案，用于替代宏蜂窝网络部署在缺乏网络设备的远郊区域。同样的，可以部署在室内、室外开放或者封闭的环境，如商业广场、火车站、写字楼、地铁站等人口密集的热点区域，也包括普通用户住宅和公司企业环境中，改善区域覆盖，增加容量，从宏基站中分流网络业务。因此，作为无线异构网络的重要组成部分的微基站，是下一代室内、热点场所等移动通信数据分流的重要方式，不仅能够提高无线频谱资源的利用率，同时也是管理LTE-A(Long Term Evolution-Advanced)频谱的有效办法。

全球气候变暖、环境污染已经成为制约我国社会经济可持续发展的主要障碍，节能减排、保护生态环境已经势在必行。通信行业作为工业基础产业，虽然不是污染排放的主要部门，但是每年的用电量大，能量消耗亦不容小觑。随着“绿色通信”理念的提出，在无线通信网络中，仅仅通过增大发射功率来提高数据速率的方式变得越来越不可取，降低焦耳每比特、提高无线通信网络中的能量效率才变得有意义，也非常必要。负载均衡，即平衡网络的负载，是建立在现有网络结构之上，将任务分摊到多个网络设备或者操作单元上进行处理，从而共同完成工作任务。这种方法廉价高效，能够实现扩展网络设备或操作单元的带宽、增加吞吐量、加强网络数据处理能力、提高网络的灵活性和可用性的目的，避免部分网络因业务“繁忙”导致通信堵塞，部分网络却异常“清闲”，造成资源浪费。

想要对无线异构网络进行优化，仅仅优化其中某一项性能还不够，或者将多目标转化成单一目标进行迭代寻优，但转换过程必然损失一些目标的性能，有时候需要对多个目标都进行联合优化才能获得满意的效果。现有优化算法中，粒子群优化算法能够较好地解决多目标优化问题。粒子群算法是由J.Kennedy和R.C.Eberhart等开发的一种新的进化算法(Evolutionary Algorithm-EA)，从随机解出发，通过追随当前搜索到的最优值来寻找全局最优，并通过适应度来评价解的品质，不断迭代直至寻找到最优解。这种算法是一种并行算法，以其实现容易、精度高、收敛快等优点引起了学术界的重视，并且在解决实际问题中展示了其优越性。目前，基于种群的、可同时搜索到多个Pareto前端点的MOEA(Multi-objective evolutionary algorithm，多目标进化算法)已经得到广大学者的认可，因此将具备上述特点的粒子群算法用于解决多目标优化问题变得很有意义。

发明内容

针对现有技术中存在的问题，本发明提供一种在无线异构网络中基于QoS的能量效率和负载均衡的联合优化方法，解决在无线异构网络中，传统做法仅仅针对能量效率或者负载均衡单一目标进行寻找最优解，而由此带来无线通信中单一性能指标较好，而其它性能指标较差的问题。

本发明是通过以下技术方案来实现：

无线异构网络基于QoS的能量效率和负载均衡的联合优化方法，包括以下步骤：

步骤1，根据无线异构网络场景模型，构建的能量效率和负载均衡双优化目标函数，以及模型中包含所有用户-基站连接关系的用户-基站连接关系；

步骤2，从用户-基站连接关系数组中选择一种用户-基站连接关系，采取随机的方式初始化粒子的位置和速率，初始化粒子的位置包括初始化粒子的频谱资源分配数组和发射功率数组，并计算无线异构网络中基站的能量效率和负载均衡度；依照此法初始化所有粒子的位置和速率，以及计算无线异构网络中基站的能量效率和负载均衡度；

步骤3，用基于K-means聚类和扇形窗的自适应多目标粒子群优化算法，选取全局引导者gbest粒子和个体引导者pbest粒子；根据全局引导者gbest粒子，计算无线异构网络中基站的能量效率和负载均衡度，保存至外部储备集；根据粒子群位置和速率公式更新所有粒子的位置和速率，并对超出决策空间的粒子进行变异或扰动；

步骤4，针对选择的用户-基站连接关系，判断步骤3中的粒子群优化算法中是否达到最大迭代次数；若未达到，转入步骤3；若达到最大迭代次数，则结束，得到选择的用户-基站连接关系网络最优的能量效率和负载均衡度；

步骤5，判断用户-基站连接关系数组中是否所有的用户-基站连接关系经由步骤2-4遍历；若没有，重复步骤2-4；若所有用户-基站连接关系均遍历，则结束；

步骤6，采用遍历的方式，在所有的用户-基站连接关系中搜索双目标函数的最优值，其中，能量效率和负载均衡度最优的用户-基站连接关系X为最优用户-基站连接关系X^*，此时的频谱资源分配数组W、发射功率数组P分别最优的频谱资源分配数组W^*和发射功率数组P^*；完成无线异构网络基于QoS的能量效率和负载均衡的联合优化。

优选的，所述移动通信网络场景模型具体包括：

用于场景中全部区域的信号覆盖和为无微基站small cell信号辐射区域的用户提供数据流量服务的宏基站MacroBS；

用于热点区域数据分流的微基站small cell；

用于连接宏基站或者微基站，每个用户只能被一个基站只能被一个宏基站或者微基站服务。

优选的，所述能量效率和负载均衡度双目标函数如下：

r^s,u≥r_min；s∈S＝{1,2,...S}；u∈U＝{1,2,3,...U} (2-7)

r^M,u≥r_min；u∈U＝{1,2,3,...U} (2-8)

其中，式(2-1)和(2-2)为优化目标函数能量效率和负载均衡度；

式(2-3)至(2-10)为约束条件，其分别为：

式(2-3)和(2-4)为微基站、宏基站的功率约束，每个基站的发射功率不能超过微基站、宏基站的最大值

式(2-5)和(2-6)为微基站、宏基站的频谱资源约束，每个基站的频谱带宽不能超过系统总带宽W；

式(2-7)和(2-8)为最低速率限制，为保证QoS，用户的数据速率不能小于最低速率r_min；

式(2-9)表示每个用户只能被一个宏基站或者微基站服务；

式(2-10)表示系统中所有的用户都能够获得服务；

X为用户-基站连接关系数组，W是频谱资源分配数组，P是发射功率数组，且P＝WP；B₀为子载波带宽，S为基站数，U为用户个数，K为子载波个数，W为系统总带宽，且B₀，K和W有如下关系B₀K＝W；

用户-基站连接关系数组X_c＝{x_ij|x_ij＝(0,1)},i＝1,2,...,S；j＝1,2,...,U；c＝1,2,...,C，C＝C₁C₂...C_U表示用户-基站连接关系总数，C_j表示第j个用户所在位置被多少个基站信号覆盖，j＝1,2,...,U；x_ij＝1表示基站i与用户j有数据通信，否则无数据通信。

优选的，步骤3中，通过基于K-means聚类和扇形窗的自适应多目标粒子群优化算法选取全局引导者gbest粒子和个体引导者pbest粒子，具体包括：

步骤3.1.1，以能量效率和负载均衡度2个目标函数值分别为目标空间中目标点的横坐标和纵坐标，找出左上角A点、右下角B点和直线AB的中点C，以及理想点O；

步骤3.1.2，通过K-means聚类算法将所有目标点分成K类，K类的质心点分别为A点、B点和AB直线上(K-2)个等分点；

步骤3.1.3，每一类保留设定比例的离理想点O近的目标点，并将该类中离质心点最近的目标点对应的粒子作为该类所有目标点对应粒子的个体引导者pbest；

步骤3.1.4，以中点C到理想点O的距离为半径作扇形窗，并在扇形窗中随机地选择一个目标点，将该目标点对应的粒子作为这一代粒子的全局引导者gbest；

步骤3.1.5，将步骤3.1.4中选择的目标点值，以及全局引导者gbest粒子保存至外部储备集，目标点值包括能量效率的负值和负载均衡度值。

优选的，所述的粒子群优化算法，通过如下公式(1-1)和(1-2)更新粒子的速度v和位置x：

v(t+1)＝αv(t)+β₁r₁(gbest(t)-x(t))+β₂r₂(pbest(t)-x(t))； (1-1)

x(t+1)＝x(t)+v(t+1)； (1-2)

其中，gbest(t)为全局引导者，pbest(t)为个体引导者，α为惯性权重，β₁和β₂为学习因子或称加速系数，r₁和r₂为服从均匀分布U(0,1)的随机数。

优选的，步骤2中，初始化粒子的位置和速率时；

对于任意用户-基站连接关系X(X＝X_c)，采取随机的方式初始化粒子的位置和速率，其中，一个粒子的位置包含所有基站的频谱资源分配数组和发射功率数组；即t＝0时，对于粒子l(l＝1,2,...L)的频谱资源分配数组

且x_ij＝1；由于粒子群算法适合对连续变量寻找最优值，因此对频谱资源分配数组

进行松弛，可在0到1之间连续取值，最后进行判断；若0≤w_ijk＜0.5，则w_ijk＝0；若0.5≤w_ijk≤1，则w_ijk＝1；

发射功率数组

且x_ij＝1；其中，S为基站数，U为用户个数，K为子载波个数。

优选的，步骤4，若达到最大迭代次数，则结束，保存该用户-基站连接关系X(X＝X_c)下能量效率和负载均衡度的最优值，以及此时的频谱资源分配数组W和发射功率数组P。

与现有技术相比，本发明具有以下有益的技术效果：

本发明提出一种基于K-means聚类和扇形窗的自适应多目标粒子群优化方法AKCSmopso，对能量效率和负载均衡进行联合优化。首先，在由宏基站和微基站组成无线异构网络中，用户在能接收到导频信号的基站中随机地选择一个作为服务基站，采用OFDMA方式将子载波随机地分配给一个或者多个用户进行建模分析，构建在频谱带宽和发射功率受限的约束条件下能量效率和负载均衡的双目标函数；然后，提出基于K-means聚类和扇形窗的多目标粒子群算法，在提高能量效率的同时，也保证了整个无线通信网络的负载相对均衡。本发明算法复杂度低且容易实现，可有效地解决无线异构网络下基于QoS的能量效率和负载均衡的联合优化问题，确保了整个通信网络在负载相对均衡的情况下，能量效率也不断提升。

进一步的，在宏基站和微基站构成的无线异构网络物理场景中，采用OFDMA方式，子载波随机分配给一个或者多个用户，利用功率控制，尽管个别用户的干扰增大，但整个网络的综合性能(能量效率和负载均衡)得到较大提升。

附图说明

图1为本发明实例中所述的无线异构网络示意图。

图2为本发明实例中所述的联合优化方法的流程示意图。

图3为本发明实例中所述的AKCSmopso方法中gbest选取示意图。

图4为本发明实例中所述的仿真结果效果图。

具体实施方式

下面结合具体的实施例对本发明做进一步的详细说明，所述是对本发明的解释而不是限定。

本发明是一种基于K-means聚类和扇形窗的自适应多目标粒子群优化算法，可对能量效率和负载均衡进行联合优化。首先，在由宏基站和微基站组成无线异构网络中，用户在能接收到导频信号的基站中随机地选择一个作为服务基站，采用OFDMA方式将子载波随机地分配给一个或者多个用户进行建模分析，构建在频谱带宽和发射功率受限的约束条件下能量效率和负载均衡的双目标函数；然后，提出基于K-means聚类和扇形窗的多目标粒子群优化算法，在提高能量效率的同时，也保证了整个移动通信网络的负载相对均衡。本发明算法复杂度低且容易实现，可有效地解决无线异构网络下基于QoS的能量效率和负载均衡的联合优化问题。

本发明基于多目标粒子群优化算法的能量效率和负载均衡联合优化方法，包括以下步骤：步骤1，根据无线异构网络场景模型和选择的用户-基站连接关系，构建的能量效率和负载均衡双目标函数；步骤2，初始化粒子的位置和速率，即初始化基站的频谱资源分配数组和发射功率数组；计算无线异构网络(所有宏基站和微基站)的能量效率和负载均衡度；步骤3，用AKCSmopso方法(基于K-means聚类和扇形窗的自适应多目标粒子群优化算法)选取全局引导者gbest和个体引导者pbest，根据粒子群算法的位置和速率公式更新所有粒子的位置和速率，并依据决策空间对超出决策空间(优化变量的边界值)的粒子进行变异或扰动；步骤4，判断是否达到最大迭代次数；步骤5，判断是否遍历所有的用户-基站连接关系。

其中，所述无线异构网络场景模型具体包括：宏基站，用于场景内所有区域的信号覆盖和为无微基站small cell信号辐射区域的用户提供数据流量服务；微基站small cell用于热点区域的数据分流；用户(移动设备终端)，可以连接宏基站或者微基站small cell，且只能被一个基站服务。

所述能量效率和负载均衡度双目标函数具体包括：优化变量用户-基站连接关系数组，用户只能连接到一个基站，基站可以为一个或者多个用户(移动设备终端)提供数据服务；优化变量频谱资源分配数组，采用OFDMA方式，子载波随机地分配给一个或多个用户；优化变量发射功率数组，每个子载波上的发射功率不同，子载波上的发射功率之和不能超过基站最大发射功率；优化目标函数之一能量效率，为数据速率与功率消耗的比值；化目标函数之二负载均衡，为网络中所有基站数据速率的标准差，用于评价各基站的“繁忙”程度。

所述基于K-means聚类和扇形窗的自适应多目标粒子群优化算法具体包括：步骤2.1.1，以能量效率和负载均衡度2个目标函数值分别为目标空间中目标点的横、纵坐标，找出左上角A点、右下角B点和直线AB的中点C，以及理想点O；步骤2.1.2，通过K-means聚类算法将所有目标点分成K类，K类的质心点分别为A点、B点和AB直线上(K-2)个等分点；步骤2.1.3，每一类保留一定比例(如10％)理想点O更近的目标点，并将该类中“离质心点最近”的目标点对应的粒子作为该类所有目标点对应粒子的个体引导者pbest；步骤2.1.4，以中点C到理想点O的距离为半径作扇形窗，并在扇形窗中随机地选择一个目标点，将该目标点对应的粒子作为这一代粒子的全局引导者gbest；步骤2.1.5，将步骤2.1.4中选择的目标点值(能量效率的负值和负载均衡度值)，以及全局引导者gbest粒子保存(更新)至外部储备集。

AKCSmopso方法是一种基于K-means聚类算法和扇形窗的自适应多目标粒子群优化算法，能够简单、快速地将gbest(全局引导者)从目标空间中选取出来，算法复杂度低且容易实现。

粒子群优化算法，作为一种并行的群体智能算法，具有概念简明、实现容易、收敛快等优点。粒子群优化算法，通过如下公式(1-1)和(1-2)更新粒子的速度v和位置x：

v(t+1)＝αv(t)+β₁r₁(gbest(t)-x(t))+β₂r₂(pbest(t)-x(t))； (1-1)

x(t+1)＝x(t)+v(t+1)； (1-2)

其中，gbest(t)为全局引导者，pbest(t)为个体引导者。α为惯性权重，β₁和β₂为学习因子或称加速系数，r₁和r₂为服从均匀分布U(0,1)的随机数。

如图1所示，该模型由宏基站和多个微基站small cell组成的无线异构网络，用户(无线设备终端)随机地选择一个可用服务基站(能接收到基站信号)。采用OFDMA方式，将子载波随机分配给一个或者多个用户。宏基站既能为普通用户提供满足QoS的服务，又充当中心节点，收集和管理移动无线异构网络中各分节点(微基站small cell)的用户-基站连接关系、频谱资源和发射功率等实时状态信息。

优化目标能量效率和负载均衡度如下所示：

r^s,u≥r_min；s∈S＝{1,2,...S}；u∈U＝{1,2,3,...U} (2-7)

r^M,u≥r_min；u∈U＝{1,2,3,...U} (2-8)

其中，(2-3)至(2-10)为约束条件，其分别为：式(2-3)和(2-4)为微基站、宏基站的功率约束，每个基站的发射功率不能超过微基站、宏基站的最大值

式(2-5)和(2-6)为微基站、宏基站的频谱资源约束，每个基站的频谱带宽不能超过系统总带宽W；式(2-7)和(2-8)为最低速率限制，为保证QoS，用户的数据速率不能小于最低速率r_min；式(2-9)表示每个用户(移动设备终端)只能被一个基站(宏基站或者微基站)服务；式(2-10)表示系统中所有的用户都能够获得服务。其中，X(X＝X_c)为用户-基站连接关系数组，W是频谱资源分配数组，P是发射功率数组，且P＝WP；w为子载波带宽，S为基站数，U为用户个数，K为子载波个数，且w，K和W有如下关系wK＝W。用户-基站连接关系数组X_c＝{x_ij|x_ij＝(0,1)},i＝1,2,...,S；j＝1,2,...,U；c＝1,2,...,C。C＝C₁C₂...C_U表示用户-基站连接关系总数，C_j表示第j个用户所在位置被多少个基站信号覆盖，j＝1,2,...,U；x_ij＝1表示基站i与用户j有数据通信，否则无数据通信。采用遍历的方式，在所有的用户-基站连接关系中搜索双目标函数的最优值，能量效率和负载均衡度最优的用户-基站连接关系X(X＝X_c)为最优用户-基站连接关系X^*，此时的频谱资源分配数组W、发射功率数组P分别最优的频谱资源分配数组W^*和发射功率数组P^*。

具体的，本发明所述的方法，如图2所示，包括如下步骤。

步骤1，初始化粒子的位置和速度；

1.1，初始化粒子群优化算法常量：α为惯性权重，采用线性递减法α＝α_max-(α_max-α_min)t/T_max更新取值，最大值α_max＝0.99，最小值α_min＝0.09，t为迭代次数，最大迭代数T_max取值15次；β₁和β₂学习因子取值均为1.5，r₁和r₂由计算机随机生成；粒子数L＝100。

1.2，初始化系统其他常量：宏基站最大发射功率为46dBm，微基站最大发射功率为30dBm；系统带宽为18MHz，子载波个数K为100，即子载波带宽为180kHz；r_min取值为10bps。系统只考虑大尺度衰落，因此，宏基站信道模型为h(dB)＝128.1+37.6log(d)(d为用户到基站的距离，单位为km)；微基站信道模型为h(dB)＝140.7+36.7log(d)(d为用户到基站的距离，单位为km)；功率损耗模型为p＝p₀+p_tr，p₀为电路基本损耗，p_tr为发射功率。

1.3，初始化优化变量，对于任意用户-基站连接关系X(X＝X_c)，如图2所示，采取随机的方式初始化粒子的位置(包含所有基站的频谱资源分配数组和发射功率数组)和速率，即初始化所有基站的频谱资源分配数组和发射功率数组。即t＝0时，对于粒子l(l＝1,2,...L)的频谱资源分配数组

且x_ij＝1；由于粒子群算法适合对连续变量寻找最优值，因此对频谱资源分配数组

进行松弛，可在0到1之间连续取值，最后进行判断；若0≤w_ijk＜0.5，则w_ijk＝0；若0.5≤w_ijk≤1，则w_ijk＝1；发射功率数组

且x_ij＝1；其中，S为基站数，U为用户个数，K为子载波个数。(粒子群算法中，粒子通常为行向量，因此在实际仿真时，将

和

转换成一个1行2*K*U列的行向量。)

步骤2，计算初始化粒子的适应度值，即能量效率(负值)和负载均衡度。依据X(X＝X_c)、

和式(2-1)、(2-2)计算粒子l的能量效率

(负值，由于是搜寻最小值)和负载均衡度

对应目标空间中一个目标点

同理，依据步骤1和2，即步骤1中的1.1和1.2不变，初始化所有粒子的位置(包含所有基站的频谱资源分配数组和发射功率数组)和速率，并求得粒子在目标空间对应的目标点，得到所有粒子的目标点坐标向量(-EE_t＝0，LB_t＝0)。同时，按照上述判断方法，对所有粒子的频谱资源分配数组W_t＝0进行0-1判断，并计算出能量效率(负值)和负载均衡度的真实值

采取随机的方式初始化粒子的位置和速率时，在行链路中粒子的位置对应无线异构网络中基站的载波频率和发射功率，即初始化粒子的载波频率和发射功率。

步骤3，选择初始化粒子即t＝0时的全局引导者gbest(t＝0)和个体引导者pbest(t＝0)。

3.1，通过AKCSmopso方法在目标空间中找到全局引导者gbest(t＝0)和个体引导者pbest(t＝0)。如图3所示，AKCSmopso方法具体如下：

3.1.1，在目标空间的所有目标点(-EE_t＝0，LB_t＝0)中，以-EE_t＝0的最小值和LB_t＝0的最大值为左上角A点的横坐标和纵坐标、以-EE_t＝0的最大值和LB_t＝0的最小值为右下角B点的横坐标和纵坐标，并得到直线AB的中点C；理想点O的横坐标和纵坐标分别为-EE_t＝0的最小值和LB_t＝0的最小值；

3.1.2，通过K-means聚类算法将目标点(-EE_t＝0，LB_t＝0)分成K(本发明K＝3)类，K类的质心点分别为A点、B点和AB直线上(K-2)个等分点(本发明的质心点分别为A点、B点和C点)；

3.1.3，每一类保留一定比例(本发明为10％)“离理想点O”距离更近的目标点集，并将每一类中离质心点最近的目标点所对应的粒子作为该类中所有目标点对应的粒子的个体引导者pbest(t＝0)；

3.1.4，以中点C到理想点O的距离为半径作扇形窗，在扇形窗中随机地选择一个目标点，将该目标点对应的粒子作为下一代(t+1)粒子的全局引导者作为gbest(t＝0)；

步骤4，更新t+1代粒子的速率和位置，并计算适应度值

4.1，根据粒子群位置和速率公式更新粒子的位置和速率，并依据决策空间(决策变量的边界值)对粒子进行变异或扰动。如图2所示，根据PSO公式(1-1)、(1-2)和全局引导者gbest(t)、个体引导者pbest(t)更新粒子l在t+1时的速率v(t+1)和位置x(t+1)，并依据决策空间(决策变量的边界值)对粒子进行变异或扰动，得到

4.2，计算t+1代粒子的适应度值，即能量效率(负值)和负载均衡度的值。依据X(X＝X_c)、

和式(2-1)、(2-2)计算粒子l的能量效率(负值)和负载均衡度，对应目标空间中一个目标点

同理，依据步骤4.1和2.2，可以更新所有粒子的频谱资源分配数组和发射功率数组，并求得其在目标空间对应的目标点坐标向量，得到(-EE_t+1，LB_t+1)。同时，按照上述判断方法，对频谱资源分配数组W_t+1进行0-1判断，并计算出能量效率(负值)和负载均衡的真实值

步骤5，按照上述步骤3所述方法，选择t+1代粒子的全局引导者gbest(t+1)和个体引导者pbest(t+1)，并同适应度值(含真实值)保存至外部储备集；

通过AKCSmopso方法在目标空间所有目标点集(-EE_t+1，LB_t+1)中找到全局引导者gbest(t+1)和个体引导者pbest(t+1)，AKCSmopso方法具体步骤同上。并将全局引导者gbest(t+1)，以及其对应的能量效率(负值)

负载均衡度

真实值

保存至外部储备集。

步骤6，判断t是否达到最大迭代次数T_max。若未达到，转入步骤4-5；若达到最大迭代次数，则结束，保存该用户-基站连接关系X(X＝X_c)下的能量效率(负值)和负载均衡度

以及全局引导者gbest(t)(t＝1,2,...,T_max)对应的频谱资源分配数组

和发射功率数组

步骤7，判断用户-基站连接关系是否遍历完整。若没有，重复步骤1-6，优选的为步骤1.3-6，即步骤1中的1.1和1.2不变；若所有用户-基站连接关系均遍历，则结束。

最后，步骤8，依据能量效率(负值)和负载均衡度的最小值，找出最佳的用户-基站连接关系X^*，及其最优解W^*和P^*。方法是：在所有的能量效率(负值)和负载均衡度

中，找出能量效率(负值)和负载均衡度的最小值作为该无线异构网络目标函数的最优值，对应的用户-基站连接关系X(X＝X_c)、频谱资源分配数组

发射功率数组

为问题的最优解X^*、W^*、P^*。

如图4所示，通过对比仿真可知，系统的能量效率(负值)、负载均衡度和其真实值均呈下降趋势，最后收敛，说明整个网络系统的能量效率在不断增长，网络负载越来越均衡，并稳定到一个较优的状态，进一步说明提出的AKCSmopso方法在能量效率和负载均衡的联合优化上效果明显。

Claims (4)

1.无线异构网络的能量效率和负载均衡的联合优化方法，其特征在于，包括以下步骤：

步骤1，根据无线异构网络场景模型和选择的用户-基站连接关系，构建能量效率和负载均衡双优化目标函数，所述模型中包含所有用户-基站连接关系的用户-基站连接关系数组；

步骤2，从用户-基站连接关系数组中选择一种用户-基站连接关系，采取随机的方式初始化粒子的位置和速率，初始化粒子的位置包括初始化粒子的频谱资源分配数组和发射功率数组，并计算无线异构网络中基站的能量效率和负载均衡度；依照此法初始化所有粒子的位置和速率，以及计算无线异构网络中基站的能量效率和负载均衡度；

步骤3，用基于K-means聚类和扇形窗的自适应多目标粒子群优化算法，选取全局引导者gbest粒子和个体引导者pbest粒子；根据全局引导者gbest粒子，计算无线异构网络中基站的能量效率和负载均衡度，保存至外部储备集；根据粒子群位置和速率公式更新所有粒子的位置和速率，并对超出决策空间的粒子进行变异或扰动；

步骤4，针对选择的用户-基站连接关系，判断步骤3中的粒子群优化算法中是否达到最大迭代次数；若未达到，转入步骤3；若达到最大迭代次数，则结束，得到选择的用户-基站连接关系网络最优的能量效率和负载均衡度；

步骤5，判断用户-基站连接关系数组中是否所有的用户-基站连接关系经由步骤2-4遍历；若没有，重复步骤2-4；若所有用户-基站连接关系均遍历，则结束；

步骤6，采用遍历的方式，在所有的用户-基站连接关系中搜索双优化目标函数的最优值，其中，能量效率和负载均衡度最优的用户-基站连接关系X为最优用户-基站连接关系X^*，此时的频谱资源分配数组W、发射功率数组P分别最优的频谱资源分配数组W^*和发射功率数组P^*；完成无线异构网络基于QoS的能量效率和负载均衡的联合优化；

所述能量效率和负载均衡度的双优化目标函数如下：

r^s,u≥r_min；s∈S＝{1,2,...S}；u∈U＝{1,2,3,...U} (2-7)

r^M,u≥r_min；u∈U＝{1,2,3,...U} (2-8)

其中，式(2-1)和(2-2)为优化目标函数能量效率和负载均衡度；

式(2-3)至(2-10)为约束条件，其分别为：

式(2-3)和(2-4)为微基站、宏基站的功率约束，每个基站的发射功率不能超过微基站、宏基站的最大值

式(2-5)和(2-6)为微基站、宏基站的频谱资源约束，每个基站的频谱带宽不能超过系统总带宽W；

式(2-7)和(2-8)为最低速率限制，为保证QoS，用户的数据速率不能小于最低速率r_min；

式(2-9)表示每个用户只能被一个宏基站或者微基站服务；

式(2-10)表示系统中所有的用户都能够获得服务；

X为用户-基站连接关系数组，W是频谱资源分配数组，P是发射功率数组，且P＝WP；B₀为子载波带宽，S为基站数，U为用户个数，K为子载波个数，W为系统总带宽，且B₀，K和W有如下关系B₀K＝W；

用户-基站连接关系数组X_c＝{x_ij|x_ij＝(0,1)},i＝1,2,...,S；j＝1,2,...,U；c＝1,2,...,C，C＝C₁C₂...C_U表示用户-基站连接关系总数，C_j表示第j个用户所在位置被多少个基站信号覆盖，j＝1,2,...,U；x_ij＝1表示基站i与用户j有数据通信，否则无数据通信；

步骤2中，初始化粒子的位置和速率时；

对于任意用户-基站连接关系X(X＝X_c)，采取随机的方式初始化粒子的位置和速率，其中，一个粒子的位置包含所有基站的频谱资源分配数组和发射功率数组；即t＝0时，对于粒子l(l＝1,2,...L)的频谱资源分配数组

且x_ij＝1；由于粒子群算法适合对连续变量寻找最优值，因此对频谱资源分配数组

进行松弛，可在0到1之间连续取值，最后进行判断；若0≤w_ijk＜0.5，则w_ijk＝0；若0.5≤w_ijk≤1，则w_ijk＝1；

发射功率数组

且x_ij＝1；其中，S为基站数，U为用户个数，K为子载波个数；

步骤3中，通过基于K-means聚类和扇形窗的自适应多目标粒子群优化算法选取全局引导者gbest粒子和个体引导者pbest粒子，具体包括：

步骤3.1.1，以能量效率和负载均衡度2个目标函数值分别为目标空间中目标点的横坐标和纵坐标，找出左上角A点、右下角B点和直线AB的中点C，以及理想点O；

步骤3.1.2，通过K-means聚类算法将所有目标点分成K类，K类的质心点分别为A点、B点和AB直线上(K-2)个等分点；

步骤3.1.3，每一类保留设定比例的离理想点O近的目标点，并将该类中离质心点最近的目标点对应的粒子作为该类所有目标点对应粒子的个体引导者pbest；

步骤3.1.4，以中点C到理想点O的距离为半径作扇形窗，并在扇形窗中随机地选择一个目标点，将该目标点对应的粒子作为这一代粒子的全局引导者gbest；

步骤3.1.5，将步骤3.1.4中选择的目标点值，以及全局引导者gbest粒子保存至外部储备集，目标点值包括能量效率的负值和负载均衡度值。

2.根据权利要求1所述的无线异构网络的能量效率和负载均衡的联合优化方法，其特征在于，所述无线异构网络场景模型具体包括：

用于场景中全部区域的信号覆盖和为无微基站small cell信号辐射区域的用户提供数据流量服务的宏基站MacroBS；

用于热点区域数据分流的微基站small cell；

用于连接宏基站或者微基站，每个用户只能被一个基站只能被一个宏基站或者微基站服务。

3.根据权利要求1所述的无线异构网络的能量效率和负载均衡的联合优化方法，其特征在于，所述的粒子群优化算法，通过如下公式(1-1)和(1-2)更新粒子的速度v和位置x：

v(t+1)＝αv(t)+β₁r₁(gbest(t)-x(t))+β₂r₂(pbest(t)-x(t))； (1-1)

x(t+1)＝x(t)+v(t+1)； (1-2)

其中，gbest(t)为全局引导者，pbest(t)为个体引导者，α为惯性权重，β₁和β₂为学习因子或称加速系数，r₁和r₂为服从均匀分布U(0,1)的随机数。

4.根据权利要求1所述的无线异构网络的能量效率和负载均衡的联合优化方法，其特征在于，步骤4，若达到最大迭代次数，则结束，保存该用户-基站连接关系X(X＝X_c)下能量效率和负载均衡度的最优值，以及此时的频谱资源分配数组W和发射功率数组P。

Images