CN111182511A - 一种mMTC场景中基于AGA的NOMA资源分配方法 - Google Patents

Abstract

本发明涉及无线通信技术领域，特别涉及一种mMTC场景中基于AGA的NOMA资源分配方法，包括建立在上行NOMA系统中mMTC设备总功率优化模型；根据实数型的功率变量和离散整数型的子载波分配标识变量进行基于实值编码的染色体编码；根据优化模型中的目标函数和约束条件建立自适应惩罚函数，并根据惩罚函数设计适应度函数；根据适应度函数计算个体适应度，并将当前个体进行选择复制、交叉、变异操作；对得到的下一代种群继续计算个体适应度以及通过选择复制、交叉、变异操作得到下一代种群，直至最大种群代数，该代种群中个体适应度最大的即为最优的染色体；本发明能够有效降低mMTC设备的传输功率，且易于实现。

Description

一种mMTC场景中基于AGA的NOMA资源分配方法

技术领域

本发明涉及无线通信技术领域，具体涉及一种大规模机器类通信(massiveMachine Type of Communication，mMTC)场景中基于自适应遗传算法(Adaptive GeneticAlgorithm，AGA)的NOMA资源分配方法。

背景技术

大规模机器类通信(mMTC)是物联网(IoT)发展的重要推动者，该场景设备具有连接密度高、低成本、低功耗、上行传输为主等特点。由于mMTC被标准化以支持海量机器类通信设备的接入，而传统的正交多址接入(OMA)中单个子载波只能由一个设备使用，无法满足海量设备接入网络的需求，因此引入了非正交多址接入(NOMA)技术。功率域NOMA允许不同的用户叠加在同一子载波，通过不同的功率进行区分，发送端实施简单，接收端采用干扰消除技术。虽然接收机复杂度的增加限制了NOMA在下行场景的发展，但是基站端强大的处理能力使NOMA在上行场景有良好的发展前景。

目前，NOMA技术在mMTC场景中的资源分配研究多以最大化吞吐量、最大化传输能效等为目标建立系统模型。有学者以最大化吞吐量为目标，提出了一种基于遗传算法(GA)的资源分配方案，该方案有效提高了系统的频谱利用率及吞吐量，但该研究使用固定的交叉概率和变异概率，算法收敛速度较慢；有学者以系统能效作为优化目标，利用AGA对功率进行优化，并对AGA的交叉概率和变异概率进行改进，避免较优解丢失，但该研究直接以目标函数作为适应度函数，搜索能力较差，容易陷入局部最优解中；有学者设计一种基于自适应惩罚函数的AGA，但只考虑种群可行解的比例，忽略个体满足约束条件数对算法收敛速度的影响，导致算法收敛速度较慢。

发明内容

针对上述问题，本发明提供一种mMTC场景中基于AGA的NOMA资源分配方法，所述mMTC场景每个小区包含单个基站以及多个mMTC设备，其中，所有的mMTC设备可以表示为集合M＝{m₁,m₂,…,m_M}，系统总带宽为B，子载波可以表示为集合N＝{n₁,n₂,…,n_N}，每个子载波的带宽为B_n，进行资源分配包括以下步骤：

建立在上行NOMA系统中mMTC设备总功率优化模型；

根据实数型的功率变量和离散整数型的子载波分配标识变量进行基于实值编码的染色体编码；

根据优化模型中的目标函数和约束条件建立自适应惩罚函数，并根据惩罚函数设计适应度函数；

根据适应度函数计算个体适应度，并将当前个体进行选择复制、交叉、变异操作；

对通过选择复制、交叉、变异操作得到的下一代种群继续计算个体适应度以及通过选择复制、交叉、变异操作得到下一代种群，直到达到最大种群代数，该代种群中个体适应度最大的即为最优的染色体。

进一步的，mMTC设备总功率优化模型表示为：

约束条件包括：

其中，P为M×N维的矩阵，矩阵元素p_k,n为设备m_k在对应子载波n上取值连续的功率变量；X为M×N维的0-1矩阵，矩阵元素x_k,n为设备m_k在对应子载波n上是否分配的标识变量，1表示分配，0表示未分配；K_n表示子载波n上的设备总数；z为子载波n上的噪声；h_k,n为设备m_k在子载波n上的信道增益；R_k,min为设备m_k的最低传输速率；P_k,max为m_k的最大发送功率；K_n为子载波n上的所有设备集合；L_u为单个子载波内叠加设备数的上限；P_tol为SIC接收机区分待解调信号和未解调信号所需的最小功率差。

进一步的，根据长度为M×N的实数型的功率变量和长度为M×N的离散整数型的子载波分配标识变量进行染色体编码，将得到的染色体分为两个基因片段，即将mMTC设备的发送功率矩阵P分为一个基因片段、将mMTC设备的子载波分配标识矩阵X分为一个基因片段，以发送功率矩阵P的基因片段长度为MN，该片段中每个基因取值为(0，P_max]的连续值；以子载波分配标识矩阵X的基因片段长度为M，该片段中每个基因取值为[0，N]的离散整数值，即本发明的编码方式得到的染色体长度为MN+M。

进一步的，根据优化模型计算个体适应度包括：

根据优化模型的约束条件得到违反程度变量；

根据违反程度变量得到惩罚函数的罚项，根据罚项以及优化模型构建惩罚函数；

根据惩罚函数建立适应度函数并计算当前种群每个个体的适应度。进一步的，惩罚函数的罚项表示为：

其中，

为惩罚函数的罚项；

为约束条件

的违反程度变量；

为约束条件

的违反程度变量；CV₆ ^k,n为约束条件

的违反程度变量。

进一步的，各个违反程度变量表示为：

进一步的，惩罚函数表示为：

其中，α表示当前个体不满足约束条件的个数；ρ为当前种群可行解的比例。

进一步的，个体适应度表示为：

Fitness＝G_max(P,X)-G(P,X)；

其中，Fitness为当前个体适应度；G_max(P,X)为当代种群中所有个体惩罚函数的最大值；G(P,X)为当前个体惩罚函数的值。

本发明利用改进后的AGA求得mMTC总功率优化模型的解，能够有效降低mMTC设备的传输功率，且易于实现。

附图说明

图1为本发明mMTC场景中上行NOMA系统模型图；

图2为本发明基于改进AGA的NOMA资源分配方法流程图；

图3为本发明改进AGA的染色体结构示意图。

具体实施方式

为使本发明的目的、技术方法和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。以下实施例用于说明本发明，但并不用来限制本发明的范围。

本发明提出一种mMTC场景中基于AGA的NOMA资源分配方法，所述mMTC场景每个小区包含单个基站以及多个mMTC设备，其中，所有的mMTC设备可以表示为集合M＝{m₁,m₂,…,m_M}，即设备的总数量为M，系统总带宽为B，子载波可以表示为集合N＝{n₁,n₂,…,n_N}，即子载波的个数为N，每个子载波的带宽为B_n，进行资源分配包括以下步骤：

建立在上行NOMA系统中mMTC设备总功率优化模型；

根据实数型的功率变量和离散整数型的子载波分配标识变量进行基于实值编码的染色体编码；

根据优化模型中的目标函数和约束条件建立自适应惩罚函数，并根据惩罚函数设计适应度函数；

根据适应度函数计算个体适应度，并将当前个体进行选择复制、交叉、变异操作；

对通过选择复制、交叉、变异操作得到的下一代种群继续计算个体适应度以及通过选择复制、交叉、变异操作得到下一代种群，直到达到最大种群代数，该代种群中个体适应度最大的即为最优的染色体。

在本发明中，基于上行NOMA的mMTC场景每个小区包含单个基站，多个mMTC设备，如图1所示。其中，设备可以表示为集合M＝{m₁,m₂,…,m_M}，系统总带宽为B，子载波可以表示为集合N＝{n₁,n₂,…,n_N}，每个子载波的带宽为B_n。

mMTC设备在上行NOMA系统通信时，具有较大信道增益的设备以较大功率进行发送，接收端根据接收功率由大到小依次对相应设备进行解调。将同一子载波内的设备以信道增益降序排序，设备m_k在子载波n内受到的干扰I_k,n可以表示为：

其中，

表示子载波n上的所有mMTC设备集合，K_n表示子载波n上的设备总数。由于已经对同一子载波内信道增益降序排序，因此将

视为干扰。根据香农公式将m_k在子载波n上的吞吐量R_k,n表示为：

其中，p_k,n为设备m_k的发送功率，h_k,n为设备m_k在子载波n上的信道增益，z为子载波n上的噪声。

假设P为M×N的矩阵，矩阵内元素p_k,n为连续的功率变量；X为M×N的0-1矩阵，矩阵元素x_k,n为设备是否分配在对应子载波的标识变量，1为分配，0为未分配。假设每个设备最多可以在一个传输时间间隔(TTI)中分配一个物理资源块(PRB)，则吞吐量R_k,n可以重写为：

为了SIC接收机正确接收，结合子载波分配标识x_k,n，可将该条件表示为：

其中，P_tol为区分待解调信号和其余未解调信号所需的最小功率差。

综上，以X、P作为优化变量，建立的基于NOMA的上行mMTC设备功率优化模型表示为：

约束条件包括：

其中，P为M×N维的矩阵，矩阵元素p_k,n为设备m_k在对应子载波n上取值连续的功率变量；X为M×N维的0-1矩阵，矩阵元素x_k,n为设备m_k在对应子载波n上是否分配的标识变量，1表示分配，0表示未分配；h_k,n为设备m_k在子载波n上的信道增益；R_k,min为设备m_k的最低传输速率；P_k,max为设备m_k的最大发送功率；K_n为子载波n上的所有设备集合；L_u为单个子载波内叠加设备数的上限；P_tol为SIC接收机区分待解调信号和未解调信号所需的最小功率差。约束条件1表示设备m_k的传输速率需大于等于R_k,min；约束条件2表示设备m_k的最大传输功率限制为P_k,max；约束条件3表示设备所对应的子载波的标识变量取值为离散值0或1；约束条件4表示单个子载波内叠加设备数的上限为L_u；约束条件5表示一个设备最多使用一个子载波；约束条件6表示SIC接收机正确接收的基本要求。

针对上述模型的NP难解性，本发明设计一种基于实值编码的染色体编码方式，并改进了传统AGA的惩罚函数，构建了惩罚系数自适应的适应度函数，算法执行流程如图2所示。具体地，基于改进AGA的资源分配算法流程如下：

(1)染色体编码：本发明采取实值编码方式。具体地，染色体由模型中决策变量是M×N维的设备发送功率矩阵P和M×N维的设备子载波分配标识矩阵X两部分组成。如图3所示，功率矩阵P以实值编码的方式形成长度为M×N的染色体片段，该片段中每个基因取值为(0，P_max]的连续值，子载波分配标识矩阵X编码成长度为M的染色体片段，该片段中每个基因取值为[0，N]的离散整数值。相比传统实值编码方式，本算法的编码方式使得染色体长度由2MN减少至MN+M，同时使每个个体均满足了本模型中约束条件2、约束条件3以及约束条件5。

(2)适应度计算：本发明的优化模型借助约束违反程度矩阵CV和惩罚函数G(P,X)重新建立适应度函数。

具体地，首先根据约束条件1、约束条件4以及约束条件6设计约束违反程度矩阵CV，该矩阵维度为Nind×C_num。其中，Nind表示种群中的个体数，C_num表示约束条件个数。各约束违反程度变量可以表示为：

将上述违反程度变量表示为约束违反程度矩阵CV的形式：

CV＝{CV₁,CV₄,CV₆}；

其中，CV₁,CV₄,CV₆均包含多个对应的约束条件，即

为了提高AGA的搜索能力，本发明对传统惩罚函数做了改进。在优化过程早期，种群中没有或只有少量可行解，此时惩罚系数应较高，以引导搜索方向指向可行解区域。随着优化过程的进行，种群中产生的可行解增多，惩罚系数应减小，使得搜索策略的重心从搜索可行解转移到搜索更优的目标解。当种群中全部是可行解时，惩罚系数应减小到0。同时，在同一种群不同个体之间，满足约束条件较多的个体，对应的惩罚系数应较小，能够有机会保留到下一代中继续参与进化。因此，本发明将惩罚函数表示为

其中，

为目标函数，[10^α(1-ρ)-1]为惩罚系数。具体地，α为当前个体不满足约束条件的个数，取值为[0,C_num]之间的整数；ρ为当代种群可行解的比例，取值为[0,1]之间的实数。

为当前个体的惩罚项，具体表示为：

综上，个体的适应度函数Fitness表示为：

Fitness＝G_max(P,X)-G(P,X)；

其中，G_max(P,X)为当代种群中所有个体惩罚函数的最大值，并将Fitness记为f。

(3)种群选择：使用轮盘赌选择方式，选择概率为：

其中，∑f为当代种群所有个体的适应度之和。

(4)交叉重组：本发明的染色体是由功率矩阵P和子载波分配标识矩阵X两部分经编码组成，针对取值为实数的功率变量采取中间重组算法，而针对取值为离散整数的子载波分配标识变量采取离散重组算法。

(5)染色体变异：针对取值为实数的功率变量采取高斯变异算法，而针对取值为离散整数的标识变量采取整数值突变算法。当种群内每个个体适应度趋于一致或趋于局部最优时，交叉概率P_c与变异概率P_m均增大；而当种群适应度较为分散时，P_c和P_m均减小。同时对于适应度高于种群平均适应度的个体，对应较低的P_c和P_m，使得该个体以较大概率被保留进入下一代；而低于种群平均适应度的个体，对应较高的P_c和P_m，使其产生变异被尽快淘汰掉。

本发明以mMTC设备的总功率为目标建立优化模型，并使用改进后的AGA获取模型的解。具体地，改进染色体编码方式，减少了变量个数与约束矩阵维度，并改进适应度函数中的惩罚系数，加快算法收敛速度，提升算法搜索能力，保留种群次优个体以避免较优解丢失，最终得到优化模型的解，有效地降低了mMTC设备总功率。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (8)

1.一种mMTC场景中基于AGA的NOMA资源分配方法，所述mMTC场景每个小区包含单个基站以及多个mMTC设备，其中，所有的mMTC设备可以表示为集合M＝{m₁,m₂,…,m_M}，系统总带宽为B，子载波可以表示为集合N＝{n₁,n₂,…,n_N}，每个子载波的带宽为B_n，其特征在于，进行资源分配包括以下步骤：

建立在上行NOMA系统中mMTC设备总功率优化模型；

根据实数型的功率变量和离散整数型的子载波分配标识变量进行基于实值编码的染色体编码；

根据优化模型中的目标函数和约束条件建立自适应惩罚函数，并根据惩罚函数设计适应度函数；

根据适应度函数计算个体适应度，并将当前个体进行选择复制、交叉、变异操作；

对通过选择复制、交叉、变异操作得到的下一代种群继续计算个体适应度以及通过选择复制、交叉、变异操作得到下一代种群，直到达到最大种群代数，该代种群中个体适应度最大的即为最优的染色体。

2.根据权利要求1所述一种mMTC场景中基于AGA的NOMA资源分配方法，其特征在于，mMTC设备总功率优化模型表示为：

约束条件包括：

其中，P为M×N维的矩阵，矩阵元素p_k,n为设备m_k在对应子载波n上取值连续的功率变量；X为M×N维的0-1矩阵，矩阵元素x_k,n为设备m_k在对应子载波n上是否分配的标识变量，1表示分配，0表示未分配；K_n表示子载波n上的设备总数；z为子载波n上的噪声；h_k,n为设备m_k在子载波n上的信道增益；R_k,min为设备m_k的最低传输速率；P_k,max为m_k的最大发送功率；K_n为子载波n上的所有设备集合；L_u为单个子载波内叠加设备数的上限；P_tol为SIC接收机区分待解调信号和未解调信号所需的最小功率差。

3.根据权利要求1所述一种mMTC场景中基于AGA的NOMA资源分配方法，其特征在于，根据长度为M×N的实数型的功率变量和长度为M×N的离散整数型的子载波分配标识变量进行染色体编码，将得到的染色体分为两个基因片段，即将mMTC设备的发送功率矩阵P分为一个基因片段、将mMTC设备的子载波分配标识矩阵X分为一个基因片段，以发送功率矩阵P的基因片段长度为MN，该片段中每个基因取值为(0，P_max]的连续值；以子载波分配标识矩阵X的基因片段长度为M，该片段中每个基因取值为[0，N]的离散整数值。

4.根据权利要求1所述一种mMTC场景中基于AGA的NOMA资源分配方法，其特征在于，根据优化模型计算个体适应度包括：

根据优化模型的约束条件得到违反程度变量；

根据违反程度变量得到惩罚函数的罚项，根据罚项以及优化模型构建惩罚函数；

根据惩罚函数建立适应度函数并计算当前种群每个个体的适应度。

5.根据权利要求4所述一种mMTC场景中基于AGA的NOMA资源分配方法，其特征在于，惩罚函数的罚项表示为：

其中，

为惩罚函数的罚项；CV₁ ^k为约束条件

的违反程度变量；

为约束条件

的违反程度变量；CV₆ ^k,n为约束条件

的违反程度变量。

6.根据权利要求5所述一种mMTC场景中基于AGA的NOMA资源分配方法，其特征在于，各个违反程度变量表示为：

7.根据权利要求4所述一种mMTC场景中基于AGA的NOMA资源分配方法，其特征在于，惩罚函数表示为：

其中，α表示当前个体不满足约束条件的个数；ρ为当前种群可行解的比例。

8.根据权利要求4所述一种mMTC场景中基于AGA的NOMA资源分配方法，其特征在于，个体适应度表示为：

Fitness＝G_max(P,X)-G(P,X)；

其中，Fitness为当前个体适应度；G_max(P,X)为当代种群中所有个体惩罚函数的最大值；G(P,X)为当前个体惩罚函数的值。

Images