CN112202538A - 一种保障公平度阈值的人工蜂群ofdma资源分配方法 - Google Patents

一种保障公平度阈值的人工蜂群ofdma资源分配方法 Download PDF

Info

Publication number
CN112202538A
CN112202538A CN202010995868.5A CN202010995868A CN112202538A CN 112202538 A CN112202538 A CN 112202538A CN 202010995868 A CN202010995868 A CN 202010995868A CN 112202538 A CN112202538 A CN 112202538A
Authority
CN
China
Prior art keywords
honey source
individual
honey
individuals
group
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
Application number
CN202010995868.5A
Other languages
English (en)
Other versions
CN112202538B (zh
Inventor
孙明
王淑梅
徐耀群
黄钰景
翟康乐
张妨
曹伟
张辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qiqihar University
Original Assignee
Qiqihar University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Qiqihar University filed Critical Qiqihar University
Priority to CN202010995868.5A priority Critical patent/CN112202538B/zh
Publication of CN112202538A publication Critical patent/CN112202538A/zh
Application granted granted Critical
Publication of CN112202538B publication Critical patent/CN112202538B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L5/00—Arrangements affording multiple use of the transmission path
    • H04L5/003—Arrangements for allocating sub-channels of the transmission path
    • H04L5/0058—Allocation criteria
    • H04L5/0071—Allocation based on fairness other than the proportional kind
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/04—Wireless resource allocation
    • H04W72/044—Wireless resource allocation based on the type of the allocated resource
    • H04W72/0453—Resources in frequency domain, e.g. a carrier in FDMA
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本专利提出了一种保障公平度阈值的人工蜂群OFDMA资源分配方法，属移动通信技术领域。本专利首先通过对蜜源个体进行分组并为不同的蜜源分组设置不同的蜜源更新度，有效地将基于速率比例公平的贪婪算法嵌入到人工蜂群算法中，然后根据蜜源更新度对蜜源个体的相应维度进行标记，并在标记的维度上进行蜜源个体的邻域搜索和更新计算，最后通过蜜源个体适应度的引导，既可以较小的蜜源更新度达到较高的公平度阈值，又可以较大的蜜源更新度达到较低的公平度阈值，因而能够根据子载波分配实现所要求的公平度阈值并最大化OFDMA系统的和速率。

Description

一种保障公平度阈值的人工蜂群OFDMA资源分配方法
技术领域：
本专利设计一种保障公平度阈值的人工蜂群OFDMA资源分配方法，该方法能够通过人工蜂群算法对子载波分配保障灵活的公平度阈值要求并最大化OFDMA系统的和速率，属移动通信技术领域。
背景技术：
随着科技的进步和用户手持终端的快速发展，用户对数据速率和服务质量提出了越来越高的要求，加速了无线移动通信网络由4G到5G的过渡。正交频分多址接入(Orthogonal frequency division multiple access,OFDMA)技术能够将频谱资源划分成若干个相互正交的信道，具有抗多径衰落、抗干扰和频谱资源利用率高等优点，已被广泛地应用于4G蜂窝网络的移动通信。考虑到OFDMA与现有的4G蜂窝网络移动通信技术具有较好的兼容性，因此如何进一步提升OFDMA系统的数据速率和服务质量以满足5G蜂窝网络移动通信的要求是一个值得深入研究的问题。
在OFDMA速率自适应准则的资源分配问题中，系统速率与用户公平两者之间一直存在着此消彼长的矛盾关系。为此，业内已经提出了基于贪婪算法、遗传算法、人工蜂群算法、人工鱼群算法、免疫算法、人工神经网络以及它们相混合的OFDMA资源分配方法，这些方法根据处理系统速率与用户公平的特点可以分为四类：第一类方法只侧重于最大化系统和速率，例如最大化系统和速率的贪婪算法，该类方法的缺点是无法保障用户公平；第二类方法只侧重于最大化用户的公平性要求，例如最大最小方法，该类方法不能有效地提高系统和速率；第三类方法引入了用户速率比例约束并通过最大化最小用户速率比的方法进行子载波资源分配，例如基于用户速率比例公平的贪婪算法，该类方法由于在用户速率比例的意义上保障了用户公平受到了业内的广泛重视，然而，该类方法仍需要在系统和速率方面进一步提升才能满足用户对高速率的需求；第四类方法将用户速率比例约束进行了某种灵活处理，在为用户保障一定程度公平的基础上最大化系统的和速率，例如将用户速率比例约束松弛为子载波数量约束以及为用户速率比例约束设定公平度阈值。
为用户速率比例约束设定公平度阈值的方法，意图是通过灵活地设定公平度阈值，在保障用户速率比例公平达到规定的公平度门限的同时最大化系统的和速率，既对用户的公平性等服务质量指标进行最低程度的保障，又可提高系统容量、满足用户对高数据速率的需求，因而具有较好的发展潜力，可考虑用于5G蜂窝网络移动通信中。然而，现有的OFDMA资源分配方法在实现所要求的公平度阈值并同时最大化系统的和速率上均存在不足，无法通过子载波分配来实现所要求的公平度阈值，从而不得不借助功率的优化分配来保障公平度阈值，导致极易降低系统的和速率。
发明内容：
本专利的目的在于：提供一种保障公平度阈值的人工蜂群OFDMA资源分配方法，该方法能够通过子载波分配保障灵活的公平度阈值要求并最大化OFDMA系统的和速率。
本专利是通过如下的技术方案来实现上述目的的：一种保障公平度阈值的人工蜂群OFDMA资源分配方法，其特征在于，它包括以下步骤：
(1)构建OFDMA资源分配的系统模型：
Figure BDA0002692498970000021
约束条件为：(C1)
Figure BDA0002692498970000022
(C2)
Figure BDA0002692498970000023
(C3)g(c)＝F-ε≥0
在式(1)中，K、N分别为OFDMA系统的用户数和子载波数，B为系统信道的总带宽，PT为系统总发射功率，N0为噪声功率谱密度，|hk,n|2和pk,n分别为用户k在子载波n上传输时的信道增益和分配的发射功率，c为子载波分配矩阵，ck,n为c的第k行、第n列元素，Rk为用户k的速率，单位为bit/s/Hz，表示为：
Figure BDA0002692498970000024
F和ε分别为用户速率比例公平度和公平度阈值，F表示为：
Figure BDA0002692498970000025
λk为设定的用户速率比例常数，满足R1/λ1＝R2/λ2＝...＝Rk/λk＝...＝RK/λK；
(2)将每个子载波分配的发射功率初始化为PT/N，即令pk,n＝PT/N；将OFDMA资源分配的系统模型式(1)转化为：
Figure BDA0002692498970000026
约束条件为：(C1)
Figure BDA0002692498970000027
(C2)g(c)＝F-ε≥0
(3)将蜜源个体定义为维度等于N的向量，用Xi表示第i个蜜源个体，用Xi,n表示第i个蜜源个体在维度n上的元素，Xi,n∈[1,K]；初始化蜜源个体总数S、正常数f0、蜜源修改率δ∈[0,1]、侦察蜂转化周期ρ、蜜源的开采次数限定值Limit、第i个蜜源个体被连续开采而没有改善的次数Basi、最大进化代数Maxcycle、当前的进化代数Cycle、公平度阈值ε∈(0,1)；
(4)将S个蜜源个体等分成S′∈{2,3,...,S}个分组，并为不同的蜜源分组s∈{1,2,...,S′}设定不同的蜜源更新度Ns∈{1,2,...,N-1}，使得同一分组的蜜源个体有相同的蜜源更新度，而不同分组的蜜源个体有不同的蜜源更新度；
(5)根据每一分组的蜜源更新度对该分组的每一蜜源个体进行初始化，其中对第s个分组中每一蜜源个体进行初始化的步骤如下：
(5.1)对第s个分组中每一蜜源个体的N-Ns个维度进行初始化：首先，利用基于速率比例公平的贪婪算法产生包含N-Ns个子载波、用户二元分配对的集合Φ；然后，对于集合Φ中的每一子载波、用户二元分配对<n,k>，n∈{1,2,...,N}，k∈{1,2,...,K}，令第s个分组中每一蜜源个体n维上的元素等于k，其中n为子载波编号，k为用户编号；
(5.2)根据蜜源更新度Ns，将第s个分组中蜜源个体尚未初始化的Ns个维度进行标记，并将标记的维度放入集合Ωs中；
(5.3)对第s个分组中每一蜜源个体上所标记的Ns个维度上的元素，用[1,K]范围内的Ns个均匀分布随机数进行初始化；
(6)构建蜜源个体的适应度函数：
Figure BDA0002692498970000031
其中，Fit(Xi)是蜜源个体Xi的适应度；
Figure BDA0002692498970000032
是对蜜源个体Xi的元素进行四舍五入得到的向量；
Figure BDA0002692498970000033
表示为：
Figure BDA0002692498970000034
其中，f0为一正常数；
Figure BDA0002692498970000035
表示由向量
Figure BDA0002692498970000036
转换的K行N列的子载波分配矩阵，令
Figure BDA0002692498970000037
为子载波分配矩阵
Figure BDA0002692498970000038
的第k行、第n列的元素，
Figure BDA0002692498970000039
为向量
Figure BDA00026924989700000310
在维度n上的元素，
Figure BDA00026924989700000311
与
Figure BDA00026924989700000312
的关系表示为：
Figure BDA00026924989700000313
Figure BDA00026924989700000314
表示为：
Figure BDA00026924989700000315
(7)建立对蜜源个体进行邻域搜索和更新的计算方法：在所有标记的维度上进行邻域搜索，且只更新标记维度上的元素，而不在无标记的维度上进行邻域搜索，且无标记维度上的元素保持不变；对蜜源个体进行的邻域搜索和更新可表示为：
Figure BDA0002692498970000041
并对新产生的Vi,n进行如下计算：
Vi,n＝max(min(Vi,n,K),1) (10)
其中，set(i)∈{1,2,...,S′}为第i个蜜源个体所属的蜜源分组；Ωset(i)为第set(i)个蜜源分组所标记的维度集合；Xm,n为第m个蜜源个体在维度n上的元素，m随机产生，m∈{1,2,...,S}且m≠i；
Figure BDA0002692498970000043
为[-1,1]的随机数；rn为[0,1]的随机数；Vi,n为新产生的第i个蜜源个体在维度n上的元素；当在所有标记维度上所产生的rn均大于等于蜜源修改率δ时，则从维度集合Ωset(i)中随机选择一个维度n′∈Ωset(i)，计算：
Figure BDA0002692498970000044
并对新产生的Vi,n′进行如下计算：
Vi,n′＝max(min(Vi,n′,K),1) (12)
其中，
Figure BDA0002692498970000045
为[-1,1]的随机数；Xi,n′为第i个蜜源个体在维度n′上的元素；Xm,n′为第m个蜜源个体在维度n′上的元素；Vi,n′为新产生的第i个蜜源个体在维度n′上的元素；
(8)雇佣蜂优化阶段：雇佣蜂根据步骤(7)对每一蜜源个体Xi进行邻域搜索和更新，产生新的蜜源个体Vi，并根据步骤(6)计算出蜜源个体Xi的适应度Fit(Xi)、蜜源个体Vi的适应度Fit(Vi)；若Fit(Vi)＞Fit(Xi)，则令Xi＝Vi，Basi＝0；否则，Xi保持不变，Basi＝Basi+1；
(9)跟随蜂优化阶段：
(9.1)为每一蜜源个体产生被选择的概率，表示为：
Figure BDA0002692498970000042
其中prob(Xi)为蜜源个体Xi被跟随蜂选择的概率；
(9.2)根据被选择的概率，跟随蜂以轮盘赌的方式选择S个蜜源个体，并对选择的每一蜜源个体进行邻域搜索和更新：对选择的蜜源个体Xi，根据步骤(7)对蜜源个体Xi进行邻域搜索和更新，产生新的蜜源个体Vi，并根据步骤(6)计算出蜜源个体Xi的适应度Fit(Xi)、蜜源个体Vi的适应度Fit(Vi)；若Fit(Vi)＞Fit(Xi)，则令Xi＝Vi，Basi＝0；否则，Xi保持不变，Basi＝Basi+1；
(10)从所有蜜源个体中找出适应度最大的蜜源个体，并将该蜜源个体保存为当前的最优解；
(11)侦察蜂优化阶段：若Cycle对ρ取模运算的结果等于零，则对于i∈{1,2,...,S}检查Basi的最大值是否大于Limit，若第i个蜜源个体的Basi最大且大于Limit，则产生一个新的蜜源个体，使该新蜜源个体与原第i个蜜源个体属于同一个蜜源分组，并用新产生的蜜源个体替换原第i个蜜源个体，同时令Basi＝0；若新产生的蜜源个体的适应度大于最优解的适应度，则将新产生的蜜源个体保存为当前的最优解；
(12)判断当前进化代数Cycle是否等于最大进化代数Maxcycle，若等于则停止计算并输出最优解及其对应的公平度与系统和速率；否则令Cycle＝Cycle+1，并转入步骤(8)。
其中，步骤(5.1)所述的利用基于速率比例公平的贪婪算法产生包含N-Ns个子载波、用户二元分配对的集合Φ，其特征在于：它包括以下步骤：
(5.1.1)将子载波、用户二元分配对集合Φ初始化为空集
Figure BDA0002692498970000051
即集合Φ中元素的个数|Φ|＝0，对于k∈{1,2,...,K}、n∈{1,2,...,N}，初始化Rk＝0、Ω＝{1,2,...,N}；
(5.1.2)令k＝1，当k≤K且集合Φ中元素的个数|Φ|＜N-Ns时，依次计算n＝argmaxn∈Ω(|hk,n|2)、Φ＝Φ+{<n,k>}、Rk＝Rk+log2(1+PT|hk,n|2/(N0B))/N、Ω＝Ω-{n}，k＝k+1；若集合Φ中元素的个数|Φ|＝N-Ns则停止计算并输出子载波、用户二元分配对集合Φ；
(5.1.3)当集合Φ中元素的个数|Φ|＜N-Ns时，依次计算k＝argmink∈{1,2,...,K}Rk/λk、n＝argmaxn∈Ω(|hk,n|2)、Φ＝Φ+{<n,k〉}、Rk＝Rk+log2(1+PT|hk,n|2/(N0B))/N、Ω＝Ω-{n}；若集合Φ中元素的个数|Φ|＝N-Ns则停止计算并输出子载波、用户二元分配对集合Φ。
本专利的优点在于：
首先，本专利通过对蜜源个体进行分组并为不同的蜜源分组设置不同的蜜源更新度，并将基于速率比例公平的贪婪算法有效地嵌入到人工蜂群算法中，这使得人工蜂群算法既能有力地保障蜜源个体的多样性，又能拥有与贪婪算法相似的局部优化能力；
其次，本专利根据蜜源更新度对蜜源个体的相应维度进行标记，并在标记的维度上进行蜜源个体的邻域搜索和更新计算，这使得人工蜂群算法能够有效地将优化搜索能力集中于有限的标记维度上，避免由于在较多的维度上进行搜索而降低人工蜂群的搜索性能，因而能有效地发挥人工蜂群算法的优化机制并提高人工蜂群算法的优化能力；
最后，通过所建立的蜜源个体适应度函数的有效引导，本专利既可以较小的蜜源更新度达到较高的公平度阈值，又可以较大的蜜源更新度达到较低的公平度阈值，从而能够仅利用子载波分配即可保障灵活的公平度阈值要求并最大化OFDMA系统的和速率。
附图说明：
图1是根据蜜源更新度对蜜源个体进行初始化的流程图；
图2是基于速率比例公平的贪婪算法产生包含N-Ns个子载波、用户二元分配对的集合Φ的流程图；
图3是本专利实施例中每一蜜源分组经过基于速率比例公平的贪婪算法后所产生的所有蜜源个体的示意图；
图4是本专利实施例中每一蜜源分组经过初始化步骤后所产生的所有蜜源个体的示意图；
图5是本专利方法与其他算法的平均公平度对比图；
图6是本专利方法与其他算法的平均系统和速率对比图；
图7是本专利方法所要求的公平度阈值与最优值蜜源更新度的对应关系图。
具体实施方式：
本专利提供了以下实施例：假设某OFDMA系统的用户数K＝7，子载波数N＝16，噪声功率谱密度N0＝-80dB·W/Hz，信道带宽B＝106Hz，系统总发射功率PT＝1W，实时信道增益信息|hk,n|2(k∈{1,2,...,7}，n∈{1,2,...,16})能够通过信道估计获得，获得的实时信道增益信息|hk,n|2列于表1中，用户速率比例设定为λ1:λ2:...:λ7＝1:1:...:1，要求公平度阈值ε达到0.99。
表1实时信道增益信息|hk,n|2
Figure BDA0002692498970000061
Figure BDA0002692498970000071
根据提供的实施例，该基于人工蜂群算法保障公平度阈值的OFDMA资源分配方法，实施步骤如下：
步骤(1)、构建OFDMA资源分配的系统模型：
Figure BDA0002692498970000072
约束条件为：(C1)
Figure BDA0002692498970000073
(C2)
Figure BDA0002692498970000074
(C3)g(c)＝F-ε≥0
pk,n分别为用户k在子载波n上传输时分配的发射功率；c为子载波分配矩阵，ck,n为c的第k行、第n列元素，若子载波n分配给用户k则ck,n＝1，否则ck,n＝0；Rk为用户k的速率，单位为bit/s/Hz，表示为：
Figure BDA0002692498970000081
F和ε分别为用户速率比例公平度和公平度阈值，F表示为：
Figure BDA0002692498970000082
λk为设定的用户速率比例常数，满足R1/λ1＝R2/λ2＝...＝Rk/λk＝...＝RK/λK。
步骤(2)、将每个子载波分配的发射功率初始化为PT/N，即令pk,n＝PT/N；将OFDMA资源分配的系统模型式(1)转化为：
Figure BDA0002692498970000083
约束条件为：(C1)
Figure BDA0002692498970000084
(C2)g(c)＝F-ε≥0
步骤(3)、将蜜源个体定义为维度等于N的向量，用Xi表示第i个蜜源个体，用Xi,n表示第i个蜜源个体在维度n上的元素，Xi,n∈[1,K]；初始化蜜源个体总数S、正常数f0、蜜源修改率δ∈[0,1]、侦察蜂转化周期ρ、蜜源的开采次数限定值Limit、第i个蜜源个体被连续开采而没有改善的次数Basi、最大进化代数Maxcycle、当前的进化代数Cycle、公平度阈值ε∈(0,1)。
步骤(4)、将S个蜜源个体等分成S′∈{2,3,...,S}个分组，并为不同的蜜源分组s∈{1,2,...,S′}设定不同的蜜源更新度Ns∈{1,2,...,N-1}，使得同一分组的蜜源个体有相同的蜜源更新度，而不同分组的蜜源个体有不同的蜜源更新度。
步骤(5)、根据每一分组的蜜源更新度对该分组的每一蜜源个体进行初始化，其中对第s个分组中每一蜜源个体进行初始化的步骤如下：
步骤(5.1)、对第s个分组中每一蜜源个体的N-Ns个维度进行初始化：首先，利用基于速率比例公平的贪婪算法产生包含N-Ns个子载波、用户二元分配对的集合Φ；然后，对于集合Φ中的每一子载波、用户二元分配对<n,k>，n∈{1,2,...,N}，k∈{1,2,...,K}，令第s个分组中每一蜜源个体n维上的元素等于k，其中n为子载波编号，k为用户编号；所述的利用基于速率比例公平的贪婪算法产生包含N-Ns个子载波、用户二元分配对的集合Φ，包括如下步骤：
步骤(5.1.1)、将子载波、用户二元分配对集合Φ初始化为空集
Figure BDA0002692498970000085
即集合Φ中元素的个数|Φ|＝0，对于k∈{1,2,...,K}、n∈{1,2,...,N}，初始化Rk＝0、Ω＝{1,2,...,N}；
步骤(5.1.2)、令k＝1，当k≤K且集合Φ中元素的个数|Φ|＜N-Ns时，依次计算n＝argmaxn∈Ω(|hk,n|2)、Φ＝Φ+{<n,k〉}、Rk＝Rk+log2(1+PT|hk,n|2/(N0B))/N、Ω＝Ω-{n}，k＝k+1；若集合Φ中元素的个数|Φ|＝N-Ns则停止计算并输出子载波、用户二元分配对集合Φ；
步骤(5.1.3)、当集合Φ中元素的个数|Φ|＜N-Ns时，依次计算k＝argmink∈{1,2,...,K}Rk/λk、n＝argmaxn∈Ω(|hk,n|2)、Φ＝Φ+{<n,k>}、Rk＝Rk+log2(1+PT|hk,n|2/(N0B))/N、Ω＝Ω-{n}；若集合Φ中元素的个数|Φ|＝N-Ns则停止计算并输出子载波、用户二元分配对集合Φ；
步骤(5.2)、根据蜜源更新度Ns，将第s个分组中蜜源个体尚未初始化的Ns个维度进行标记，并将标记的维度放入集合Ωs中；
步骤(5.3)、对第s个分组中每一蜜源个体上所标记的Ns个维度上的元素，用[1,K]范围内的Ns个均匀分布随机数进行初始化。
步骤(6)、构建蜜源个体的适应度函数：
Figure BDA0002692498970000091
其中，Fit(Xi)是蜜源个体Xi的适应度；
Figure BDA0002692498970000092
是对蜜源个体Xi的元素进行四舍五入得到的向量；
Figure BDA0002692498970000093
表示为：
Figure BDA0002692498970000094
其中，f0为一正常数；
Figure BDA0002692498970000095
表示由向量
Figure BDA0002692498970000096
转换的K行N列的子载波分配矩阵，令
Figure BDA0002692498970000097
为子载波分配矩阵
Figure BDA0002692498970000098
的第k行、第n列的元素，
Figure BDA0002692498970000099
为向量
Figure BDA00026924989700000910
在维度n上的元素，
Figure BDA00026924989700000911
与
Figure BDA00026924989700000912
的关系表示为：
Figure BDA00026924989700000913
Figure BDA00026924989700000914
表示为：
Figure BDA00026924989700000915
步骤(7)、建立对蜜源个体进行邻域搜索和更新的计算方法：在所有标记的维度上进行邻域搜索，且只更新标记维度上的元素，而不在无标记的维度上进行邻域搜索，且无标记维度上的元素保持不变；对蜜源个体进行的邻域搜索和更新可表示为：
Figure BDA00026924989700000916
并对新产生的Vi,n进行如下计算：
Vi,n＝max(min(Vi,n,K),1) (10)
其中，set(i)∈{1,2,...,S′}为第i个蜜源个体所属的蜜源分组；Ωset(i)为第set(i)个蜜源分组所标记的维度集合；Xm,n为第m个蜜源个体在维度n上的元素，m随机产生，m∈{1,2,...,S}且m≠i；
Figure BDA0002692498970000101
为[-1,1]的随机数；rn为[0,1]的随机数；Vi,n为新产生的第i个蜜源个体在维度n上的元素；当在所有标记维度上所产生的rn均大于等于蜜源修改率δ时，则从维度集合Ωset(i)中随机选择一个维度n′∈Ωset(i)，计算：
Figure BDA0002692498970000102
并对新产生的Vi,n′进行如下计算：
Vi,n′＝max(min(Vi,n′,K),1) (12)
其中，
Figure BDA0002692498970000103
为[-1,1]的随机数；Xi,n′为第i个蜜源个体在维度n′上的元素；Xm,n′为第m个蜜源个体在维度n′上的元素；Vi,n′为新产生的第i个蜜源个体在维度n′上的元素。
步骤(8)、雇佣蜂优化阶段：雇佣蜂根据步骤(7)对每一蜜源个体Xi进行邻域搜索和更新，产生新的蜜源个体Vi，并根据步骤(6)计算出蜜源个体Xi的适应度Fit(Xi)、蜜源个体Vi的适应度Fit(Vi)；若Fit(Vi)＞Fit(Xi)，则令Xi＝Vi，Basi＝0；否则，Xi保持不变，Basi＝Basi+1。
步骤(9)、跟随蜂优化阶段：
步骤(9.1)、为每一蜜源个体产生被选择的概率，表示为：
Figure BDA0002692498970000104
其中prob(Xi)为蜜源个体Xi被跟随蜂选择的概率；
步骤(9.2)、根据被选择的概率，跟随蜂以轮盘赌的方式选择S个蜜源个体，并对选择的每一蜜源个体进行邻域搜索和更新：对选择的蜜源个体Xi，根据步骤(7)对蜜源个体Xi进行邻域搜索和更新，产生新的蜜源个体Vi，并根据步骤(6)计算出蜜源个体Xi的适应度Fit(Xi)、蜜源个体Vi的适应度Fit(Vi)；若Fit(Vi)＞Fit(Xi)，则令Xi＝Vi，Basi＝0；否则，Xi保持不变，Basi＝Basi+1。
步骤(10)、从所有蜜源个体中找出适应度最大的蜜源个体，并将该蜜源个体保存为当前的最优解。
步骤(11)、侦察蜂优化阶段：若Cycle对ρ取模运算的结果等于零，则对于i∈{1,2,...,S}检查Basi的最大值是否大于Limit，若第i个蜜源个体的Basi最大且大于Limit，则产生一个新的蜜源个体，使该新蜜源个体与原第i个蜜源个体属于同一个蜜源分组，并用新产生的蜜源个体替换原第i个蜜源个体，同时令Basi＝0；若新产生的蜜源个体的适应度大于最优解的适应度，则将新产生的蜜源个体保存为当前的最优解。
步骤(12)、判断当前进化代数Cycle是否等于最大进化代数Maxcycle，若等于则停止计算并输出最优解及其对应的公平度与系统和速率；否则令Cycle＝Cycle+1，并转入步骤(8)。
现结合提供的实施例，对上述实施步骤作如下说明：
在步骤(1)和步骤(2)中，针对实施例，初始化K＝7、N＝16、PT＝1、ε＝0.99、λ1:λ2:...:λ7＝1:1:...:1。
在步骤(3)中，针对实施例，另设置S＝12、f0＝1000、δ＝0.6、ρ＝12、Limit＝10、Basi＝0、Maxcycle＝1000、Cycle＝0。
在步骤(4)中，针对实施例，另设置S′＝6，即将12个蜜源个体等分成6个蜜源分组、每个蜜源分组包含2个蜜源个体，并另设置蜜源更新度分别为N1＝1、N2＝2、N3＝4、N4＝6、N5＝7、N6＝8。
步骤(5)所述的根据每一分组的蜜源更新度对该分组每一蜜源个体进行初始化的流程图如图1所示；步骤(5.1)所述的利用基于速率比例公平的贪婪算法产生包含N-Ns个子载波、用户二元分配对的集合Φ，其流程图如图2所示。在步骤(5)中，针对实施例的前述设置，每一蜜源分组经过基于速率比例公平的贪婪算法即步骤(5.1)后所产生的所有蜜源个体的示意图如图3所示；每一蜜源分组经过初始化即步骤(5)后所产生的所有蜜源个体的示意图如图4所示；在图3与图4中，灰度区域为标记的维度：例如，由第1分组蜜源更新度N1＝1所标记的维度集合为Ω1＝{12}，由第2分组蜜源更新度N2＝2所标记的维度集合为Ω2＝{5,12}，由第3分组蜜源更新度N3＝4所标记的维度集合为Ω3＝{2,5,11,12}，由第4分组蜜源更新度N4＝6所标记的维度集合为Ω4＝{2,5,6,10,11,12}，由第5分组蜜源更新度N5＝7所标记的维度集合为Ω5＝{2,5,6,10,11,12,15}，由第6分组蜜源更新度N6＝8所标记的维度集合为Ω6＝{2,3,5,6,10,11,12,15}。
在步骤(6)中，针对实施例的前述设置，以图4中蜜源个体X5为例，X5的各维度元素分别为4、3.92、2、5、5.08、6、7、1、2、3、1.73、7、5、6、1、3，则
Figure BDA0002692498970000111
的各维度元素分别为4、4、2、5、5、6、7、1、2、3、2、7、5、6、1、3。
Figure BDA0002692498970000112
可由式(7)转换得到7行16列的子载波分配矩阵
Figure BDA0002692498970000113
由
Figure BDA0002692498970000114
的各维度元素可依次确定
Figure BDA0002692498970000115
Figure BDA0002692498970000116
Figure BDA0002692498970000117
Figure BDA0002692498970000118
Figure BDA0002692498970000119
的其余元素为0；由
Figure BDA00026924989700001110
转换的7行16列的子载波分配矩阵
Figure BDA00026924989700001111
表示如下：
Figure BDA0002692498970000121
在步骤(7)中，针对实施例的前述设置，由set(i)为第i个蜜源个体所属的蜜源分组并结合图4可知set(5)＝3；X5对应的蜜源更新度为Nset(5)＝N3＝4、对应的标记维度集合为Ωset(5)＝Ω3＝{2,5,11,12}，由此可知：对蜜源个体X5，需要在所有标记的维度即2、5、11、12上进行邻域搜索和更新，而不在无标记的维度即1、3、4、6、7、8、9、10、13、14、15、16上进行邻域搜索和更新，且无标记维度即1、3、4、6、7、8、9、10、13、14、15、16上的元素保持不变。对蜜源个体X5进行邻域搜索和更新的计算方法是：将在X5所有标记的维度即2、5、11、12上产生[0,1]的随机数r2、r5、r11、r12，若r2＜δ、r5＜δ、r11＞δ、r12＞δ，则根据式(9)计算
Figure BDA0002692498970000122
根据式(10)计算V5,2＝max(min(V5,2,7),1)、V5,5＝max(min(V5,5,7),1)，其中
Figure BDA0002692498970000123
为[-1,1]的随机数；若r2、r5、r11、r12均大于δ，则从集合Ωset(5)即Ω3中随机选择一个维度，假设选择的维度为11，则根据式(11)计算
Figure BDA0002692498970000124
根据式(12)计算V5,11＝max(min(V5,11,7),1)，其中
Figure BDA0002692498970000125
为[-1,1]的随机数。
在步骤(8)和步骤(9)中，针对实施例的前述设置，所涉及到的对蜜源个体进行邻域搜索和更新的方法同步骤(7)，所涉及到的计算蜜源个体适应度的方法同步骤(6)。
在步骤(11)中，针对实施例的前述设置，ρ＝12、Limit＝10。在步骤(12)中，针对实施例的前述设置，Maxcycle＝1000。
根据实施步骤，以下通过与Shen算法、PSO/EQ算法、OSA算法进行仿真对比来说明本专利方法的有效性。Shen算法参见文献“ShenZK,AndrewsJG,EvansBL.Adaptiveresourceallocation in multiuser OFDM systems withproportional rate constraints[J].IEEE Transactions on WirelessCommunications,2005,4(6):2726-2737”，该文献通过仿真验证了Shen算法可以达到接近于1的公平度，因而可以用来比较验证本专利所能达到的公平度程度。PSO/EQ算法参见文献“张春发,赵晓晖.基于公平度门限的多用户OFDM系统自适应资源分配算法[J].通信学报,2011,32(12):65-71”，该文献通过仿真验证了PSO/EQ算法能够通过粒子群算法的功率分配满足灵活的公平度阈值要求。OSA算法参见文献“SharmaN,AnpalaganA.Beecolony optimization aided adaptive resource allocationin OFDMA systems with proportional rate constraints[J].WirelessNetworks,2014,20(7):1699-1713”，该文献通过仿真验证了OSA算法能够通过人工蜂群算法实现灵活的公平度阈值要求。
利用本专利方法、Shen算法、PSO/EQ算法、OSA算法对提供的实施例进行了仿真，当要求的公平度阈值为0.995、0.99、0.97、0.95时，仿真结果如表2所示。
表2各种算法在实施例上的仿真结果
Figure BDA0002692498970000131
由表2可知，对于所提供的实施例，本专利方法、PSO/EQ算法以及OSA算法均能达到所要求的公平度阈值，甚至达到高于Shen算法的公平度阈值；但是，与PSO/EQ算法和OSA算法相比，本专利方法在达到所要求公平度阈值的同时均能获得更大的系统和速率，例如：在公平度阈值ε＝0.995时，本专利方法获得的系统和速率高出PSO/EQ算法1.3067bit/s/Hz、高出OSA算法0.2175bit/s/Hz；在公平度阈值ε＝0.99时，本专利方法获得的系统和速率高出PSO/EQ算法0.6702bit/s/Hz、高出OSA算法0.4387bit/s/Hz；在公平度阈值ε＝0.97时，本专利方法获得的系统和速率高出PSO/EQ算法0.1196bit/s/Hz、高出OSA算法0.3641bit/s/Hz；在公平度阈值ε＝0.95时，本专利方法获得的系统和速率高出PSO/EQ算法0.1706bit/s/Hz、高出OSA算法0.2029bit/s/Hz。
为了进一步对本专利方法、PSO/EQ算法以及OSA算法进行比较以说明本专利的优越性，以下将子载波数增加到64个、将用户数由5递增到16，对不同的用户数均进行200次蒙特卡洛仿真，从平均公平度和平均系统和速率两个方面对本专利方法与PSO/EQ算法、OSA算法进行比较。本专利方法的参数设置为：S＝60、f0＝1000、δ＝0.6、ρ＝12、Limit＝10、Basi＝0、Maxcycle＝1000、Cycle＝0，S′＝6，设置的蜜源更新度分别为N1＝1、N2＝4、N3＝6、N4＝8、N5＝10、N6＝12。OFDMA系统仿真参数设置见表3。
表3 OFDMA系统仿真参数设置表
参数(单位) 数值
子载波数N(个) 64
用户数K(个) 5～16
无线信道时延多径数(路) 6
信道功率时延e指数衰减参数(dB) [0,-8.69,-17.37,-26.06,-34.74,-43.43]
噪声功率谱密度(dB·W/Hz) -80
信道带宽B(Hz) 10<sup>6</sup>
总发送功率P<sub>T</sub>(W) 1
最大时延扩展(μs) 10
公平度阈值ε 0.96
用户速率比例λ<sub>1</sub>:λ<sub>2</sub>:…:λ<sub>K</sub> 8:1:…:1
蒙特卡洛仿真次数(次) 200
子载波数为64、用户数由5递增到16时，本专利方法与PSO/EQ算法、OSA算法的平均公平度对比图如图5所示。由图5可发现，本专利方法与PSO/EQ算法均能保证获得的用户公平度超过要求的公平度阈值0.96；而OSA算法随着用户数的增加，不仅无法达到所要求的公平度阈值0.96，而且所获得的用户公平度还越来越低。子载波数为64、用户数由5递增到16时，本专利方法与PSO/EQ算法、OSA算法的平均系统和速率对比图如图6所示。由图6可发现，本专利方法所获得的平均系统和速率明显高于PSO/EQ算法与OSA算法：本专利方法相比于PSO/EQ算法的平均系统和速率，最大高出1.3572bit/s/Hz、最小高出0.6364bit/s/Hz、平均高出1.0878bit/s/Hz；本专利方法相比于OSA算法的平均系统和速率，最大高出1.1278bit/s/Hz、最小高出为0.4266bit/s/Hz、平均高出0.9069bit/s/Hz。由图5和图6的比较分析说明，本专利方法能够在保障公平度阈值的同时最大化OFDMA系统的和速率。
本专利方法优于PSO/EQ算法、OSA算法的主要原因是，本专利方法具有以下优点：通过对蜜源个体进行分组并为不同的蜜源分组设置不同的蜜源更新度，并将基于速率比例公平的贪婪算法有效地嵌入到人工蜂群算法中，使得人工蜂群算法既能有力地保障蜜源个体的多样性，又能拥有与贪婪算法相似的局部优化能力；根据蜜源更新度对蜜源个体的相应维度进行标记，并在标记的维度上进行蜜源个体的邻域搜索和更新计算，使得人工蜂群算法能够有效地将优化搜索能力集中于有限的标记维度上，避免由于在较多的维度上进行搜索而降低人工蜂群的搜索性能，因而能有效地发挥人工蜂群算法的优化机制并提高人工蜂群算法的优化能力。
当用户数K＝16、子载波数N＝64、用户速率比例λ1:λ2:…:λ16＝1:1:…:1、S＝60、S′＝20、蜜源更新度设置为N1＝1、N2＝2、N3＝3、…、N20＝20时，本专利方法所要求的公平度阈值与最优值蜜源更新度的对应关系仿真结果如图7所示。图7说明，随着所要求的公平度阈值的增加，本专利方法获得的最优值的蜜源更新度逐渐降低。由此说明，在蜜源个体适应度函数的引导下，本专利方法能够以较小的蜜源更新度达到较高的公平度阈值，也能够以较大的蜜源更新度达到较低的公平度阈值。
本专利方法在保障公平度阈值并最大化OFDMA系统和速率的过程中，只将功率在子载波间进行了简单的平均分配。因此，综合以上所有的比较和分析，本专利方法能够通过子载波分配保障灵活的公平度阈值要求并最大化OFDMA系统的和速率。
最后说明的是，本专利中涉及到的实施例只用以说明本专利的技术方案，而不构成对本专利的任何限制。

Claims (2)

1.一种保障公平度阈值的人工蜂群OFDMA资源分配方法，其特征在于，它包括以下步骤：
(1)构建OFDMA资源分配的系统模型：
Figure FDA0002692498960000011
约束条件为：(C1)
Figure FDA0002692498960000012
(C2)
Figure FDA0002692498960000013
(C3) g(c)＝F-ε≥0
在式(1)中，K、N分别为OFDMA系统的用户数和子载波数，B为系统信道的总带宽，PT为系统总发射功率，N0为噪声功率谱密度，|hk,n|2和pk,n分别为用户k在子载波n上传输时的信道增益和分配的发射功率，c为子载波分配矩阵，ck,n为c的第k行、第n列元素，Rk为用户k的速率，单位为bit/s/Hz，表示为：
Figure FDA0002692498960000014
F和ε分别为用户速率比例公平度和公平度阈值，F表示为：
Figure FDA0002692498960000015
λk为设定的用户速率比例常数，满足R1/λ1＝R2/λ2＝...＝Rk/λk＝...＝RK/λK；
(2)将每个子载波分配的发射功率初始化为PT/N，即令pk,n＝PT/N；将OFDMA资源分配的系统模型式(1)转化为：
Figure FDA0002692498960000016
约束条件为：(C1)
Figure FDA0002692498960000017
(C2) g(c)＝F-ε≥0
(3)将蜜源个体定义为维度等于N的向量，用Xi表示第i个蜜源个体，用Xi,n表示第i个蜜源个体在维度n上的元素，Xi,n∈[1,K]；初始化蜜源个体总数S、正常数f0、蜜源修改率δ∈[0,1]、侦察蜂转化周期ρ、蜜源的开采次数限定值Limit、第i个蜜源个体被连续开采而没有改善的次数Basi、最大进化代数Maxcycle、当前的进化代数Cycle、公平度阈值ε∈(0,1)；
(4)将S个蜜源个体等分成S′∈{2,3,...,S}个分组，并为不同的蜜源分组s∈{1,2,...,S′}设定不同的蜜源更新度Ns∈{1,2,...,N-1}，使得同一分组的蜜源个体有相同的蜜源更新度，而不同分组的蜜源个体有不同的蜜源更新度；
(5)根据每一分组的蜜源更新度对该分组的每一蜜源个体进行初始化，其中对第s个分组中每一蜜源个体进行初始化的步骤如下：
(5.1)对第s个分组中每一蜜源个体的N-Ns个维度进行初始化：首先，利用基于速率比例公平的贪婪算法产生包含N-Ns个子载波、用户二元分配对的集合Φ；然后，对于集合Φ中的每一子载波、用户二元分配对<n,k>，n∈{1,2,...,N}，k∈{1,2,...,K}，令第s个分组中每一蜜源个体n维上的元素等于k，其中n为子载波编号，k为用户编号；
(5.2)根据蜜源更新度Ns，将第s个分组中蜜源个体尚未初始化的Ns个维度进行标记，并将标记的维度放入集合Ωs中；
(5.3)对第s个分组中每一蜜源个体上所标记的Ns个维度上的元素，用[1,K]范围内的Ns个均匀分布随机数进行初始化；
(6)构建蜜源个体的适应度函数：
Figure FDA0002692498960000021
其中，Fit(Xi)是蜜源个体Xi的适应度；
Figure FDA0002692498960000022
是对蜜源个体Xi的元素进行四舍五入得到的向量；
Figure FDA0002692498960000023
表示为：
Figure FDA0002692498960000024
其中，f0为一正常数；
Figure FDA0002692498960000025
表示由向量
Figure FDA0002692498960000026
转换的K行N列的子载波分配矩阵，令
Figure FDA0002692498960000027
为子载波分配矩阵
Figure FDA0002692498960000028
的第k行、第n列的元素，
Figure FDA0002692498960000029
为向量
Figure FDA00026924989600000210
在维度n上的元素，
Figure FDA00026924989600000211
与
Figure FDA00026924989600000212
的关系表示为：
Figure FDA00026924989600000213
Figure FDA00026924989600000214
表示为：
Figure FDA00026924989600000215
(7)建立对蜜源个体进行邻域搜索和更新的计算方法：在所有标记的维度上进行邻域搜索，且只更新标记维度上的元素，而不在无标记的维度上进行邻域搜索，且无标记维度上的元素保持不变；对蜜源个体进行的邻域搜索和更新可表示为：
Figure FDA0002692498960000031
并对新产生的Vi,n进行如下计算：
Vi,n＝max(min(Vi,n,K),1) (10)
其中，set(i)∈{1,2,...,S′}为第i个蜜源个体所属的蜜源分组；Ωset(i)为第set(i)个蜜源分组所标记的维度集合；Xm,n为第m个蜜源个体在维度n上的元素，m随机产生，m∈{1,2,...,S}且m≠i；
Figure FDA0002692498960000032
为[-1,1]的随机数；rn为[0,1]的随机数；Vi,n为新产生的第i个蜜源个体在维度n上的元素；当在所有标记维度上所产生的rn均大于等于蜜源修改率δ时，则从维度集合Ωset(i)中随机选择一个维度n′∈Ωset(i)，计算：
Figure FDA0002692498960000033
并对新产生的Vi,n′进行如下计算：
Vi,n′＝max(min(Vi,n′,K),1) (12)
其中，
Figure FDA0002692498960000034
为[-1,1]的随机数；Xi,n′为第i个蜜源个体在维度n′上的元素；Xm,n′为第m个蜜源个体在维度n′上的元素；Vi,n′为新产生的第i个蜜源个体在维度n′上的元素；
(8)雇佣蜂优化阶段：雇佣蜂根据步骤(7)对每一蜜源个体Xi进行邻域搜索和更新，产生新的蜜源个体Vi，并根据步骤(6)计算出蜜源个体Xi的适应度Fit(Xi)、蜜源个体Vi的适应度Fit(Vi)；若Fit(Vi)＞Fit(Xi)，则令Xi＝Vi，Basi＝0；否则，Xi保持不变，Basi＝Basi+1；
(9)跟随蜂优化阶段：
(9.1)为每一蜜源个体产生被选择的概率，表示为：
Figure FDA0002692498960000035
其中prob(Xi)为蜜源个体Xi被跟随蜂选择的概率；
(9.2)根据被选择的概率，跟随蜂以轮盘赌的方式选择S个蜜源个体，并对选择的每一蜜源个体进行邻域搜索和更新：对选择的蜜源个体Xi，根据步骤(7)对蜜源个体Xi进行邻域搜索和更新，产生新的蜜源个体Vi，并根据步骤(6)计算出蜜源个体Xi的适应度Fit(Xi)、蜜源个体Vi的适应度Fit(Vi)；若Fit(Vi)＞Fit(Xi)，则令Xi＝Vi，Basi＝0；否则，Xi保持不变，Basi＝Basi+1；
(10)从所有蜜源个体中找出适应度最大的蜜源个体，并将该蜜源个体保存为当前的最优解；
(11)侦察蜂优化阶段：若Cycle对ρ取模运算的结果等于零，则对于i∈{1,2,...,S}检查Basi的最大值是否大于Limit，若第i个蜜源个体的Basi最大且大于Limit，则产生一个新的蜜源个体，使该新蜜源个体与原第i个蜜源个体属于同一个蜜源分组，并用新产生的蜜源个体替换原第i个蜜源个体，同时令Basi＝0；若新产生的蜜源个体的适应度大于最优解的适应度，则将新产生的蜜源个体保存为当前的最优解；
(12)判断当前进化代数Cycle是否等于最大进化代数Maxcycle，若等于则停止计算并输出最优解及其对应的公平度与系统和速率；否则令Cycle＝Cycle+1，并转入步骤(8)。
2.根据权利要求1所述的方法，其中步骤(5.1)所述的利用基于速率比例公平的贪婪算法产生包含N-Ns个子载波、用户二元分配对的集合Φ，其特征在于：它包括以下步骤：
(5.1.1)将子载波、用户二元分配对集合Φ初始化为空集
Figure FDA0002692498960000041
即集合Φ中元素的个数|Φ|＝0，对于k∈{1,2,...,K}、n∈{1,2,...,N}，初始化Rk＝0、Ω＝{1,2,...,N}；
(5.1.2)令k＝1，当k≤K且集合Φ中元素的个数|Φ|＜N-Ns时，依次计算n＝argmaxn∈Ω(|hk,n|2)、Φ＝Φ+{<n,k>}、Rk＝Rk+log2(1+PT|hk,n|2/(N0B))/N、Ω＝Ω-{n}，k＝k+1；若集合Φ中元素的个数|Φ|＝N-Ns则停止计算并输出子载波、用户二元分配对集合Φ；
(5.1.3)当集合Φ中元素的个数|Φ|＜N-Ns时，依次计算k＝argmink∈{1,2,...,K}Rk/λk、n＝argmaxn∈Ω(|hk,n|2)、Φ＝Φ+{<n,k>}、Rk＝Rk+log2(1+PT|hk,n|2/(N0B))/N、Ω＝Ω-{n}；若集合Φ中元素的个数|Φ|＝N-Ns则停止计算并输出子载波、用户二元分配对集合Φ。
CN202010995868.5A 2020-09-21 2020-09-21 一种保障公平度阈值的人工蜂群ofdma资源分配方法 Active CN112202538B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010995868.5A CN112202538B (zh) 2020-09-21 2020-09-21 一种保障公平度阈值的人工蜂群ofdma资源分配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010995868.5A CN112202538B (zh) 2020-09-21 2020-09-21 一种保障公平度阈值的人工蜂群ofdma资源分配方法

Publications (2)

Publication Number Publication Date
CN112202538A true CN112202538A (zh) 2021-01-08
CN112202538B CN112202538B (zh) 2023-08-22

Family

ID=74015801

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010995868.5A Active CN112202538B (zh) 2020-09-21 2020-09-21 一种保障公平度阈值的人工蜂群ofdma资源分配方法

Country Status (1)

Country Link
CN (1) CN112202538B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114675955A (zh) * 2022-04-01 2022-06-28 南京审计大学 一种边缘计算环境下多个移动审计设备协同处理计算任务的方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106788939A (zh) * 2017-01-03 2017-05-31 重庆邮电大学 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
CN107045717A (zh) * 2017-03-21 2017-08-15 南京邮电大学 基于人工蜂群算法的白细胞的检测方法
CN109272137A (zh) * 2018-07-13 2019-01-25 兰州交通大学 一种基于交叉全局人工蜂群算法的资源调度优化方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106788939A (zh) * 2017-01-03 2017-05-31 重庆邮电大学 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
CN107045717A (zh) * 2017-03-21 2017-08-15 南京邮电大学 基于人工蜂群算法的白细胞的检测方法
CN109272137A (zh) * 2018-07-13 2019-01-25 兰州交通大学 一种基于交叉全局人工蜂群算法的资源调度优化方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
DERVIS KARABOGA: "A modified Artificial Bee Colony (ABC) algorithm for constrained optimization problems", APPLIED SOFT COMPUTING *
孙明等: "保证公平的最大化OFDMA系统容量策略", 《控制与决策》 *
袁建国;南蜀崇;袁梦;范福卓;刘家齐;辛雪琪;: "多用户OFDM系统中一种新颖的自适应功率分配方案", 半导体光电 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114675955A (zh) * 2022-04-01 2022-06-28 南京审计大学 一种边缘计算环境下多个移动审计设备协同处理计算任务的方法

Also Published As

Publication number Publication date
CN112202538B (zh) 2023-08-22

Similar Documents

Publication Publication Date Title
Pham et al. Whale optimization algorithm with applications to resource allocation in wireless networks
Nduwayezu et al. Online computation offloading in NOMA-based multi-access edge computing: A deep reinforcement learning approach
Lee et al. Deep power control: Transmit power control scheme based on convolutional neural network
Ko et al. Joint client selection and bandwidth allocation algorithm for federated learning
CN106788939B (zh) 一种联合子载波和人工蜂群算法的ofdma自适应资源分配方法
CN101980470A (zh) 一种基于混沌粒子群优化的ofdm系统资源分配算法
CN110233755B (zh) 一种物联网中雾计算的计算资源和频谱资源分配方法
Liu et al. Dynamic power allocation for downlink multi-carrier NOMA systems
CN107949061A (zh) 基于非正交多址系统的多用户分组方法
Al-Imari et al. Low complexity subcarrier and power allocation algorithm for uplink OFDMA systems
Le et al. Enhanced resource allocation in D2D communications with NOMA and unlicensed spectrum
Zhang et al. Deep learning based user association in heterogeneous wireless networks
CN112566261A (zh) 一种基于深度强化学习的上行noma资源分配方法
Al-Obiedollah et al. Downlink multi-carrier NOMA with opportunistic bandwidth allocations
CN104796991B (zh) 基于势博弈的ofdma系统的资源分配方法
Sharma et al. On the use of NSGA-II for multi-objective resource allocation in MIMO-OFDMA systems
CN111372312A (zh) 时频空资源分配方法、计算机装置及计算机可读存储介质
Abd-Elnaby et al. Efficient user pairing algorithm for enhancement of spectral efficiency and interference cancelation in downlink NOMA system
Saraiva et al. Deep reinforcement learning for QoS-constrained resource allocation in multiservice networks
CN112202538A (zh) 一种保障公平度阈值的人工蜂群ofdma资源分配方法
CN113382414B (zh) 基于网络切片的非正交多址接入系统资源分配方法及装置
CN112469113B (zh) 一种多载波noma系统的资源分配方法及装置
CN107682934A (zh) Ofdm多用户系统中一种自适应资源改进分配方案
CN104581958A (zh) 基于速率自适应准则的资源分配方法及装置
Liu et al. Adaptive resource allocation in multiuser OFDM system based on genetic algorithm

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
CB03 Change of inventor or designer information

Inventor after: Zhang Hui

Inventor after: Sun Ming

Inventor after: Wang Shumei

Inventor after: Xu Yaoqun

Inventor after: Huang Yujing

Inventor after: Zhai Kangle

Inventor after: Zhang Fang

Inventor after: Cao Wei

Inventor before: Sun Ming

Inventor before: Wang Shumei

Inventor before: Xu Yaoqun

Inventor before: Huang Yujing

Inventor before: Zhai Kangle

Inventor before: Zhang Fang

Inventor before: Cao Wei

Inventor before: Zhang Hui

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant