CN111787543B - 一种基于改进灰狼优化算法的5g通信系统资源分配方法 - Google Patents

Abstract

本发明涉及一种基于改进灰狼优化算法的5G通信系统的资源分配方法。本发明首先初始化系统基本参数并根据佳点集原理初始化标识资源分配方案的灰狼种群，以系统总干扰最低为目标函数，计算灰狼种群的适度值并排序。其次根据排序结果，选择适度值前三的狼，并根据计算其它狼相对于适度值前三的狼的位置；然后更新其它狼的位置，更新所有狼的位置并计算每头狼的适应度值。最后判断迭代次数是否达到设定的最大迭代数量，若迭代完成，得到最优的资源分配策略。本发明通过佳点集原理增加解空间、改进算法非线性收敛因子计算方式和结合适应度值改进个体位置更新方程有效降低系统总干扰，继而增加小区的D2D用户接入数量，提高系统吞吐量，且易于实现。

Description

一种基于改进灰狼优化算法的5G通信系统资源分配方法

技术领域

本发明涉及5G通信领域，具体涉及一种基于改进灰狼优化算法的5G通信系统的资源分配方法。

背景技术

无线通信技术发展迅猛，目前已经进入了一个万物智能互联的通信时代。随着业务类型和需求的不断增加，当前网络频谱资源匮乏问题亟待解决。传统的蜂窝网络系统已经满足不了海量的用户需求，“以基站为中心”的无线网络架构要求基站参与每个通信链路，导致基站负载压力过大、频谱资源利用率不高，诸如大规模MIMO、5G通信等技术应运而生。D2D(端到端)通信作为5G通信一项重要的关键技术，允许短距离设备间的直接通信，时延较低，用户体验更顺畅，更为重要的是，D2D通信使用的是授权频段的频谱资源，并可以复用蜂窝用户的信道资源，有效提高频谱资源利用率。D2D通信可以结合模式选择、功率控制、干扰管理机制合理地进行系统频谱资源的分配，以进一步提高系统吞吐量。

然而，D2D用户复用蜂窝用户的信道资源会产生一定的干扰，具体来说包括蜂窝用户终端(CUE)与D2D用户终端(DUE)、DUE与DUE、DUE与基站之间的相互干扰。因此，需要一种基于改进灰狼优化算法的资源分配方法来降低系统间的相互干扰，从而增加系统终端接入数量，提高系统整体性能。

发明内容

本发明的目的是针对5G通信系统的资源分配，提供一种基于改进灰狼优化算法的5G通信系统的资源分配方法，以有效降低通信系统的总干扰，实现系统资源的合理复用，提高系统吞吐量。

本发明采用的技术方案是：

一种基于改进灰狼优化算法的5G通信系统资源分配方法，系统中的终端包括D2D用户终端(DUE)和蜂窝用户终端(CUE)，其中一对DUE包括D2D发射用户终端(DTUE)和D2D接收用户终端(DRUE)，其中有M对DUE和N个CUE共用上行链路资源，M和N均为大于0的整数，所述方法包括以下步骤：

步骤1.初始化系统基本参数并根据佳点集原理初始化标识资源分配方案的灰狼种群；所述基本参数包括小区半径、信干噪比门限、CUE用户数量、噪声功率以及迭代次数等；每个灰狼个体包括M个元素，每个元素代表一个DUE所复用的CUE的信道资源。

步骤2.以系统总干扰最低为目标函数，计算灰狼种群的适度值并排序；

步骤3.根据排序结果，选择适度值最高的灰狼个体为α狼、适度值次高的为β狼、适度值第三高的为δ狼，其他灰狼为ω狼；

步骤4.根据非线性收敛公式计算本次迭代中的a值，并根据a值计算ω狼相对于α,β,δ狼的位置；

步骤5.采用基于MINKOWSKI平均公式、平衡因子的位置更新方程，更新ω狼的位置。

步骤6.更新所有狼的位置并计算每头狼的适应度值。

步骤7.判断迭代次数是否达到设定的最大迭代数量t_m，若否，返回步骤2；若迭代完成，结束算法，得到最优的资源分配策略。

步骤1中佳点集原理选取的方案为：

r_k＝e^k,1≤k≤D (1)

其中，D表示有D维欧式分布空间的单位立方体，r_k为佳点。

步骤2中以最小化系统总干扰为目标，计算每个灰狼个体的适度值，其目标函数计算公式为：

T_min＝min{CUE_gr+DUE_gr} (2)

其中，CUE_gr、DUE_gr分别表示小区中蜂窝用户受到的总干扰和小区中D2D用户受到的总干扰：

其中，P_DT为DTUE的发射功率，P_m为第m个CUE的发射功率，R_i为第i个子信道的终端集合，R_m为第m个子信道的终端集合，

表示第k个DTUE到基站的信道衰落，/>

表示第m个CUE到基站的信道衰落，/>

表示第k个DTUE到第j个DRUE的信道衰落，/>

为路径损耗因子。

所述步骤4中非线性收敛公式为：

X_i(t+1)＝X_p(t)-A·|C·X_p(t)-X_i(t)| (9)

其中：k为调整系数，J_avg为平均适应度值，w_i为权重值(i＝1,2,3)，t为当前迭代次数，X_P(t)为猎物位置，X(t)表示当前灰狼位置，A与C为调节系数，定义为：

A＝2a·r₁-a (10)

C＝2·r₂ (11)

其中，r₁和r₂为[0,1]之间的随机数，a称为收敛因子，即距离控制参数

所述步骤5中灰狼个体位置更新方程为：

其中：

为MINKOWSKI平均公式的变体公式，p为一个数字，X_i表示第i只灰狼；b₁∈[0,1]表示个体记忆系数，b₂∈[0,1]表示协商系数，r₃、r₄为[0,1]之间的随机数，/>

表示i狼个体进化史中的最优位置，X_j表示随机选择的个体并且j≠i，通过调节p、b₁和b₂的值，可以平衡灰狼优化算法的探索和开采能力。

本发明的有益效果：本发明基于改进灰狼优化算法的5G通信系统资源分配方法，通过佳点集原理增加解空间、改进算法非线性收敛因子计算方式和结合适应度值改进个体位置更新方程有效降低系统总干扰，继而增加小区的D2D用户接入数量，提高系统吞吐量，且易于实现。

附图说明

图1是基于改进灰狼优化算法的5G通信系统资源分配方法实现的具体流程图；

图2是单小区系统通信模型图；

图3是基于改进灰狼优化算法的信道分配图；

图4是系统总干扰与迭代次数的关系图；

图5是信道容量与信干噪比门限值的关系图；

图6是系统终端数量的累计分布曲线变化趋势图。

具体实施方式

下面结合具体实施例来对本发明进行进一步说明，但并不将本发明局限于这些具体实施方式。本领域技术人员应该认识到，本发明涵盖了权利要求书范围内所可能包括的所有备选方案、改进方案和等效方案。

场景的选择直接影响了资源分配方法的性能，下面对场景设定和参数选择进行详细分析。

1移动终端的分类与数量

D2D通信系统中，终端包括传统蜂窝网络移动终端CUE和D2D移动终端DUE两大类。其中，DUE成对出现，一对DUE包括D2D发射终端DTUE和D2D移动接收终端DRUE。在FDD-LTE网络中，一个子信道CH分配一个CUE，多个DUE对可以复用CUE所占用的信道资源。设定CUE和DUE的数量分别为N个和M对。

2系统模型的建立

1.本发明中，单小区通信模型图如图2所示，该网络由单个基站BS、N个CUE和M对DUE构成，小区半径为R，小区内N个CUE和M对DUE共享上行链路信道资源。假设发射终端和接收终端之间的信道衰落模型为自由空间衰落模型。用C_i，i∈{1,2,3…N}表示第i个蜂窝用户，用D_j＝{DTUE_j，DRUE_j}，j∈{1,2,3…M}表示第j个D2D用户对。

3资源分配方法

图3是基于改进灰狼优化算法的通信资源的分配图，假设多对D2D用户复用第i个CUE占用的信道资源CH_i，则可以将复用统一信道CH的D2D用户划分为一组，如图3所示，CUE₁占用的信道CH₁被DUE₂复用，CUE₂占用的信道CH₂被DUE₁、DUE₇复用，CUE₃占用的信道CH₃被DUE₃、DUE₅复用，CUE₄占用的信道CH₄被DUE₆、DUE₈复用。所以图2所对应的终端用户组合序列可表示为：{1，1，2，2}。

4系统总干扰定义

系统终端受到的总干扰包括CUE端的干扰和DUE端的干扰。

GR＝CUE_gr+DUE_gr

小区中蜂窝用户受到的总干扰可以表示为：

小区中D2D用户受到的总干扰可以表示为：

为了满足用户通信服务质量，通信用户的SINR必须大于门限值SINR_th。

蜂窝用户终端CUE_i接收到的信号干扰噪声比SINR可以表示为：

D2D用户接收终端DRUE_j接收到的信号干扰噪声比SINR可以表示为：

基于上述理论基础，对本发明的基于改进灰狼优化算法的5G通信系统资源分配方法进行设计。

首先对本发明使用的符号和参数说明如下：

CUE：蜂窝用户终端；

DUE：D2D用户终端；

DTUE：D2D用户对中的发射终端；

DRUE：D2D用户对中的接收终端；

N：小区内CUE个数；

M：小区内D2D终端对数；

R：小区半径；

BS：基站；

N₀：噪声功率；

P_DT：D2D发射终端DTUE发射功率；

B：子信道带宽；

GWO：灰狼优化算法；

如图1所示，本发明提供的一种改进灰狼优化算法的5G通信系统资源分配方法，包括以下步骤：

(1)初始化。初始化系统基本参数，包括R,N₀等；

(2)采用更广义的MINKOWSKI平均数来替代基本GWO中普通的数学平均数，并辅以记忆个体最优机制来调节灰狼位置更新方程。出于对GWO性能影响的兴趣，研究了MINKOWSKI平均数在GWO中的效果。广义的MINKOWSKI平均数公式如下：

式中：Y表示MINKOKWSKI平均数，n表示问题维度，p为一个数字，Y₁,Y₂,Y₃分别对应GWO算法中的α,β,δ狼。则GWO中位置更新方程可更新为：

如果p＝1，上式为算术平均数，经过实验论证，p＝-4

传统GWO算法采用随机初始化的方式来初始化种群位置，这种方式有可能造成种群多样性不足，易陷入局部最优。为使初始种群个体位置尽量分布均匀，更好的利用解空间信息，本发明引入数论中的佳点集原理，针对GWO算法设计一个新的种群初始化方法。佳点集原理如下：设有D维欧式空间中的单位立方体G_t,且r∈G_t,

若其偏差满足

则称该集合为佳点集，其中r为佳点，C(r,ε)为常数，取佳点的方案选取r_k＝e^k,1≤k≤D。

(3)以系统总干扰最低为目标函数，计算灰狼种群的适度值并排序，其中系统总干扰求解过程如下：

T_min＝min{CUE_gr+CUE_gr}

为了满足用户通信服务质量，通信用户的SINR必须大于门限值SINR_th。

蜂窝用户终端CUE_i接收到的信号干扰噪声比SINR可以表示为：

D2D用户接收终端DRUE_j接收到的信号干扰噪声比SINR可以表示为：

根据目标函数计算狼群个体的适应度值，并排序；将适应度值最高的三头狼定义为α,β,δ狼，其他的为ω狼。

(4)根据非线性收敛公式计算本次迭代中的a值：

群体智能优化算法存在着探索和开采能力的平衡，前者代表全局搜索能力，后者代表局部开采能力。GWO算法中的收敛因子a是从2线性递减到0的，然而算法在实际的搜索过程中很复杂并不是线性的，所以原GWO定义的线性递减收敛因子a并不能很好地体现算法的实际搜索优化过程。研究表明，在算法迭代开始阶段，需要减缓a的减小速度，提高算法探索能力；而在迭代末尾阶段，由于易陷入局部最优，需要减缓a减小的过程，以适度增加跳出局部最优后的开采能力，而现有技术改进策略是继续加快a的减小速度。因此，本发明提出了一种基于平均适应度值的非线性收敛因子：

式中：t表示当前迭代次数，t_m表示最大迭代次数。

当平均适应度值变化率大时，算法处于探索阶段；当平均适应度值变化率小时处于开采阶段。

(5)采用基于MINKOWSKI平均公式、平衡因子的位置更新方程，更新ω狼的位置。

本发明采用更广义的MINKOWSKI平均数来替代基本GWO中普通的数学平均数，并辅以记忆个体最优机制来调节灰狼位置更新方程。出于对GWO性能影响的兴趣，研究了MINKOWSKI平均数在GWO中的效果。广义的MINKOWSKI平均数公式如下：

式中：Y表示MINKOKWSKI平均数，n表示问题维度，p为一个数字，Y₁,Y₂,Y₃分别对应GWO算法中的α,β,δ狼。则GWO中位置更新方程可更新为：

如果p＝1，上式为算术平均数，经过实验论证，p＝-4时对于GWO性能优化效果较好。

除此之外，采用随机选取种群个体与当前个体进行差分搜索策略以进一步提高探索能力，同时受PSO算法中记忆保存粒子自身进化历史最优解思想的启发，对GWO算法中当前个体的记忆功能加以改进以提高收敛速度。结合上述MINKOWSKI平均数，本发明提出了一种新的位置更新方程：

式中：b₁∈[0,1]表示个体记忆系数，b₂∈[0,1]表示协商系数，r₃、r₄为[0,1]之间的随机数，

表示i狼个体进化史中的最优位置，X_j表示随机选择的个体并且j≠i，通过调节p、b₁和b₂的值，可以平衡GWO算法的探索和开采能力。

(6)更新所有狼的位置并计算每头狼的适应度值。

(7)判断迭代次数是否达到设定的最大迭代数量t_m，若否，返回步骤2；若迭代完成，结束算法，得到最优的资源分配策略。

图4是系统总干扰与迭代次数的关系图，图5是系统终端数量的累计分布曲线变化趋势图，其分别分析了改进灰狼优化算法、基本灰狼优化算法和随机算法的系统干扰和系统平均终端数量情况。从图中可以看出，当算法迭代次数和信噪比门限值不同时，改进灰狼优化算法性能最优，高于基本灰狼优化算法，随机算法性能最差，验证了改进灰狼优化算法可以有效应用于D2D资源分配领域。

图6是系统终端数量的累计分布曲线变化趋势图，从图中曲线分布可知，当取同一CDF值时，因为改进灰狼优化算法的寻找最优资源分配方案的快速有效性，从而使得系统接入的终端数量值优于随机算法和基本灰狼优化算法。

如上所述，本发明的基于改进灰狼优化算法的5G通信系统资源分配方法，能快速合理有效的进行频谱资源的分配，降低系统的总干扰，提高系统吞吐量，其性能优越且易于实现。

Claims (3)

1.一种基于改进灰狼优化算法的5G通信系统的资源分配方法，系统中的终端包括D2D用户终端DUE和蜂窝用户终端CUE，其中一对DUE包括D2D发射用户终端DTUE和D2D接收用户终端DRUE，设有M对DUE和N个CUE共用上行链路资源，M和N均为大于0的整数，所述方法包括以下步骤：

步骤1.初始化系统基本参数并根据佳点集原理初始化标识资源分配方案的灰狼种群；

步骤2.以系统总干扰最低为目标函数，计算灰狼种群的适度值并排序；

步骤3.根据排序结果，选择适度值最高的灰狼个体为α狼、适度值次高的为β狼、适度值第三高的为d狼，其他灰狼为ω狼；

步骤4.根据非线性收敛公式计算本次迭代中的a值，并根据a值计算ω狼相对于α,β,d狼的位置；

步骤5.采用基于MINKOWSKI平均公式、平衡因子的位置更新方程，更新ω狼的位置；

步骤6.更新所有狼的位置并计算每头狼的适应度值；

步骤7.判断迭代次数是否达到设定的最大迭代数量，若否，返回步骤2；若迭代完成，则结束得到最优的资源分配策略；

其中步骤4中非线性收敛公式为：

X_i(t+1)＝X_p(t)-A×|C×X_p(t)-X_i(t)|

其中：k为调整系数，J_avg为平均适应度值，w_i为权重值，t为当前迭代次数，X_P(t)为猎物位置，X(t)表示当前灰狼位置，A与C为调节系数；

其中步骤5中灰狼个体位置更新方程为：

其中：

为MINKOWSKI平均公式的变体公式，p为一个数字，X_i表示第i只灰狼；b₁∈[0,1]表示个体记忆系数，b₂∈[0,1]表示协商系数，r₃、r₄为[0,1]之间的随机数，/>

表示i狼个体进化史中的最优位置，X_j表示随机选择的个体并且j≠i。

2.根据权利要求1所述的一种基于改进灰狼优化算法的5G通信系统的资源分配方法，其特征在于：

步骤1中的系统基本参数包括小区半径、信干噪比门限、CUE用户数量、噪声功率以及迭代次数；灰狼种群中每个灰狼个体包括M个元素，每个元素代表一个DUE所复用的CUE的信道资源。

3.根据权利要求1所述的一种基于改进灰狼优化算法的5G通信系统的资源分配方法，其特征在于：

步骤2中目标函数计算为：

T_min＝min{CUE_gr+DUE_gr}

其中，CUE_gr、DUE_gr分别表示小区中蜂窝用户受到的总干扰和小区中D2D用户受到的总干扰。

Images