CN112996079B - 基于自适应遗传算法的下行noma用户动态分簇方法 - Google Patents

Abstract

本发明公开了一种基于自适应遗传算法的下行NOMA用户动态分簇方法，包括如下步骤：S1、利用次优配合启发式方法生成初始种群，初始化算法终止条件；S2、计算适应度值，即系统总吞吐量的值；S3、选择操作；S4、交叉操作；S5、变异操作；S6、计算新的适应度值，即系统总吞吐量的值；S7、判断是否达到终止条件：当达到最大迭代次数n或迭代出的系统最大吞吐量变化值小于给定的精度

时，算法终止；若未达到，则重复步骤S3‑S5；S8、输出最优用户分簇结果以及最优系统吞吐量。本发明相比于经典穷举算法有效降低系统的计算复杂度；相较于固定簇分簇算法能够进一步提升系统吞吐量，得到接近穷举算法迭代出的最优吞吐量分簇结果。

Description

基于自适应遗传算法的下行NOMA用户动态分簇方法

技术领域

本发明属于移动通信领域，具体涉及一种基于自适应遗传算法的下行NOMA用户动态分簇方法。

背景技术

随着人们对无线业务需求的急剧增长，正交多址接入(Orthogonal MultipleAccess,OMA)已经渐渐不能满足用户的需求。具有更高频谱利用率，低传输延时而且能够进行大规模连接的非正交多址接入(Non-orthogonal Multiple Access，NOMA)被认为是下一代移动通信系统中的关键技术。基于NOMA的系统将用户分为多个簇集，簇间资源正交，避免簇间干扰，簇内用户共享同一个频带，并在接收机采用串行干扰消除技术，以便为不同的用户分离信号。可以有效的解决大规模用户接入时产生的阻塞问题，能够显著的提高系统吞吐量和频带利用率。相比于OFDMA，NOMA技术在提升小区平均用户吞吐量和边缘用户吞吐量上具有明显的优势。

NOMA可以很好地与多项关键技术相结合，NOMA满足5G技术不仅可以兼容OMA技术，也可以高容量及海量连接的需求，还能提高频谱效率以及拥有较低的传输延时和花费较低的信令成本。

近年来对NOMA的研究主要包括，NOMA系统下的性能分析、公平性分析、能量效率和用户配对等。其中，NOMA系统中的用户聚类问题引起了研究人员的广泛兴趣，合适的用户分簇以及用户的功率分配能够在一定程度上改善系统性能。但现有研究大多是关于用户的两两配对方案。而本发明则是研究一种用户的动态分簇方案，即每个簇集中的用户数没有限制，每个簇可以包含一个或多个用户，并且不同集群中的用户数量不需要相同。由于传统穷举算法的计算复杂度会随着用户数目的增多成几何倍数的增长，为改善该问题，本发明将机器学习中的经典自适应遗传算法应用于用户的动态分簇问题的求解。

发明内容

本发明针对现有技术中的不足，考虑一个下行NOMA系统，提供一种基于自适应遗传算法的下行NOMA用户动态分簇方法。在一个半径为R的区域D中随机分布着M个用户，基站BS处在区域D的圆心位置。假设基站和用户都是单天线。M个用户被划分为K个簇，不同簇内的用户数不一定相等。簇内用户可以共享相同的资源，簇间的资源相互正交，即假设簇间不存在干扰。

为实现上述目的，本发明采用以下技术方案：

基于自适应遗传算法的下行NOMA用户动态分簇方法，包括如下步骤：

S1、利用次优配合启发式方法生成初始种群，约束条件包括：簇内用户的上限数，如果簇中用户数过多势必会影响系统总吞吐量；簇内用户的信道增益差，确保串行干扰消除技术SIC的顺利进行；初始化算法最大迭代次数n以及系统吞吐量的精度ε；

S2、计算适应度值，即系统总吞吐量的值；

S3、选择操作：应用轮盘赌选择方式，以系统吞吐量为选择标准，这样产生系统吞吐量越大的序列就有更大的概率被选出放到新的群体中，以继续进行交叉和变异操作；

S4、交叉操作：将一个簇当作一个基因，在选择操作后生成的新群体中，随机挑选两个父类，在第一个父类中随机选择一定数量的簇插入到第二个父类的任意位置，然后在第二个父类中删除与插入的簇中有重复的用户所在的簇，形成新的第二个父类；将删除簇中的剩余没有重复的用户利用次优配合启发式方法重新插入到新的第二个父类中，生成第一个子类；重复同样的交叉操作应用于第一个父类，生成第二个子类；

S5、变异操作：将步骤S4生成的两个子类作为父类分别进行变异操作：随机删除一个簇，将这个删除的簇内的用户利用次优配合启发式方法插入回父类序列中；或者在父类序列中随机增加一个可行簇，将父类序列中与插入的用户重复的用户所在簇删除，并将删除簇中没有重复的用户重新添加到变换后的序列中；

S6、计算新的适应度值，即系统总吞吐量的值；

S7、判断是否达到终止条件：当达到最大迭代次数n或迭代出的系统最大吞吐量变化值小于给定的精度ε时，算法终止；若未达到，则重复步骤S3-S5；

S8、输出最优用户分簇结果以及最优系统吞吐量。

为优化上述技术方案，采取的具体措施还包括：

进一步地，步骤S6中，具体的迭代次数随系统中用户数的变化而变化，用户数越多，迭代次数设定的就越大；反之越小。

进一步地，系统中，M个用户被划分为K个簇，不同簇内的用户数不一定相等。

进一步地，第k个簇中的第m个用户接收信号被表示为：

式中，|C_k|表示第k个簇中的用户总数，|C₁|+|C₂|+…+|C_K|＝M；

表示基站BS到第k个簇中第m个用户的信道增益；

指系统分配给第k个簇中第i个用户的功率，i＝1，...，|C_k|；

脂第k个簇中第i个用户的传输信号；n_m表示高斯白噪声，

进一步地，第k个簇中的第m个用户的吞吐量被表示为：

式中，

表示基站BS到第k个簇中第s个用户的信道增益，B为系统总带宽，

指系统分配给第k个簇中第m个用户的功率，

指系统分配给k个簇中第s个用户的功率，n₀为噪声功率谱密度。

进一步地，系统总吞吐量被表示为：

进一步地，该下行NOMA系统中用户分簇的优化问题表示为：

式中的Inter表示m用户所在簇的其他高信道增益用户在m处产生的干扰，x_m，k为表示m用户跟第k个簇从属关系的二进制变量，同一个用户最多只能被分配到一个簇中，即：

式中，C₁确保用户被分配到的功率不会小于0；C₂确保所有用户分配到的总功率等于系统总功率；C₃表示信道增益差的用户可以分配到比信道增益好的用户更大的功率；C₄确保同一个簇中用户间存在一定的信道增益差；C₅表示一个用户最多只能从属于一个簇。

本发明的有益效果是：本发明主要涉及NOMA下行链路的用户动态分簇问题，目标是最大化NOMA下行链路的系统总吞吐量，本发明将机器学习中的经典自适应遗传算法配合次优配合启发式方法对NOMA下行链路用户进行分簇，相比于经典穷举算法能够有效降低系统的计算复杂度；相较于固定簇分簇算法能够进一步提升系统吞吐量，得到一个接近穷举算法迭代出的最优吞吐量分簇结果。

附图说明

图1为本发明NOMA下行链路通信系统模型示意图。

图2为本发明自适应遗传算法的用户分簇具体流程图。

图3为本发明实施例中交叉操作过程示意图。

图4为本发明实施例中变异操作过程示意图。

具体实施方式

现在结合附图对本发明作进一步详细的说明。

需要注意的是，发明中所引用的如“上”、“下”、“左”、“右”、“前”、“后”等的用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。

本发明公开了一种基于自适应遗传算法的下行NOMA用户动态分簇方法。在本发明的实施例中涉及一个下行NOMA系统，附图1为NOMA下行链路通信系统系统模型。在一个半径为R的区域D中随机分布着M个用户，基站BS处在区域D的圆心位置。假设基站和用户都是单天线。M个用户被划分为K个簇，不同簇内的用户数不一定相等。簇内用户可以共享相同的资源，簇间的资源相互正交，即假设簇间不存在干扰。

其中，第k个簇中的第m个用户接收信号被表示为：

式中|C_k|表示第k个簇中的用户总数(|C₁|+|C₂|+…+|C_K|＝M)；

表示基站BS到第k个簇中第m个用户的信道增益；

指系统分配给第k个簇中第i个用户的功率；

指第k个簇中第i个用户的传输信号；n_m表示高斯白噪声，

此外，假设BS的总发射功率为P_t，且每个簇分配到的功率资源相等，因此有：

在不失一般性的情况下，假设

在同一簇中，信道状况较好的用户将始终比信道状况较差的用户分配到更少的功率，以保证高信道增益用户在解码自己的信号之前，顺利解码出低信道增益用户的信号，并应用SIC消除这些干扰信号。第k个簇中的第m个用户的吞吐量被表示为：

式中s∈C_k且

表示基站BS到第k个簇中第s个用户的信道增益，B为系统总带宽，

指系统分配给第k个簇中第m个用户的功率，

指系统分配给k个簇中第s个用户的功率，n₀为噪声功率谱密度。系统总吞吐量被表示为：

本发明以系统总吞吐量为评判标准，对NOMA下行链路的用户分簇问题进行优化。不同分簇结果产生的系统吞吐量有很大的差异，众多结果中生成系统吞吐量最大的簇集即为最终选定的最优分簇结果。则该下行混合NOMA系统中用户分簇的优化问题可被表示为：

由于簇间资源正交，其他簇的用户对m用户不造成干扰。式中的Inter表示m用户所在簇的其他高信道增益用户在m处产生的干扰。x_m，k为表示m用户跟第k个簇从属关系的二进制变量，且同一个用户最多只能被分配到一个簇中，即：

式中C₁确保用户被分配到的功率不会小于0；C₂确保所有用户分配到的总功率等于系统总功率；C₃表示信道增益差的用户可以分配到比信道增益好的用户更大的功率；C₄确保同一个簇中用户间存在一定的信道增益差，这样有利于进行串行干扰消除技术(Successive Interference Cancellation，SIC)；C₅表示一个用户最多只能从属于一个簇。

问题(5)是一个混合整数非线性规划问题，直接求解的复杂度太高，因此，本发明应用自适应调节参数的改进遗传算法来降低计算复杂度。

具体的分簇算法包括如下步骤：

S1、利用次优配合启发式方法生成初始种群，约束条件包括：簇内用户的上限数，如果簇中用户数过多势必会影响系统总吞吐量；簇内用户的信道增益差，确保SIC的顺利进行；初始化算法最大迭代次数n以及系统吞吐量的精度ε；

次优配合启发式方法简称NF算法，它的思想是先开辟一个簇，将第1个用户放入第1个簇，然后根据下标上升的顺序依次放入第2，..n个用户。如果满足组成簇的约束条件，则该用户放入当前簇，否则放入下一个簇中。如果所有簇都不满足，则开辟一个新簇将该用户放入其中。直到所有用户都放入完毕。

S2、计算适应度值，即系统总吞吐量的值；

S3、选择操作：应用轮盘赌选择方式，以系统吞吐量为选择标准，这样产生系统吞吐量越大的序列就有更大的概率被选出放到新的群体中，以继续进行交叉和变异操作；

S4、交叉操作：将一个簇当作一个基因，在选择操作后生成的新群体中，随机挑选两个父类，在第一个父类中随机选择一定数量的簇插入到第二个父类的任意位置，然后在第二个父类中删除与插入的簇中有重复的用户所在的簇，形成新的第二个父类；将删除簇中的剩余没有重复的用户利用次优配合启发式方法重新插入到新的第二个父类中，生成第一个子类；重复同样的交叉操作应用于第一个父类，生成第二个子类；

S5、变异操作：将步骤S4生成的两个子类作为父类分别进行变异操作：随机删除一个簇，将这个删除的簇内的用户利用次优配合启发式方法插入回父类序列中；或者在父类序列中随机增加一个可行簇，将父类序列中与插入的用户重复的用户所在簇删除，并将删除簇中没有重复的用户重新添加到变换后的序列中；

S6、计算新的适应度值，即系统总吞吐量的值；具体的迭代次数随系统中用户数的变化而变化，用户数越多，迭代次数设定的就越大；反之越小。

S7、判断是否达到终止条件。将步骤S6计算出的新的适应度值与步骤S2计算的适应度值作比较，得出系统最大吞吐量变化值；判断当达到最大迭代次数n或迭代出的系统最大吞吐量变化值小于给定的精度ε时，算法终止；若未达到，则重复步骤S3-S5；

S8、输出最优用户分簇结果以及最优系统吞吐量。

本发明主要涉及NOMA下行链路的用户动态分簇问题，目标是最大化NOMA下行链路的系统总吞吐量。本发明将机器学习中的经典自适应遗传算法配合次优配合启发式方法对NOMA下行链路用户进行分簇。

本发明相比于经典穷举算法能够有效降低系统的计算复杂度；相较于固定簇分簇算法能够进一步提升系统吞吐量，得到一个接近穷举算法迭代出的最优吞吐量分簇结果。

以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (6)

1.基于自适应遗传算法的下行NOMA用户动态分簇方法，其特征在于，包括如下步骤：

S1、利用次优配合启发式方法生成初始种群，约束条件包括：簇内用户的上限数、簇内用户的信道增益差、初始化算法最大迭代次数n以及系统吞吐量的精度ε；

S2、计算系统总吞吐量的值；

S3、选择操作：应用轮盘赌选择方式，以系统吞吐量为选择标准，这样产生系统吞吐量越大的序列就有更大的概率被选出放到新的群体中，以继续进行交叉和变异操作；

S4、交叉操作：将一个簇当作一个基因，在选择操作后生成的新群体中，随机挑选两个父类，在第一个父类中随机选择一定数量的簇插入到第二个父类的任意位置，然后在第二个父类中删除与插入的簇中有重复的用户所在的簇，形成新的第二个父类；将删除簇中的剩余没有重复的用户利用次优配合启发式方法重新插入到新的第二个父类中，生成第一个子类；重复同样的交叉操作应用于第一个父类，生成第二个子类；

S5、变异操作：将步骤S4生成的两个子类作为父类分别进行变异操作：随机删除一个簇，将这个删除的簇内的用户利用次优配合启发式方法插入回父类序列中；或者在父类序列中随机增加一个可行簇，将父类序列中与插入的用户重复的用户所在簇删除，并将删除簇中没有重复的用户重新添加到变换后的序列中；

S6、计算新系统总吞吐量的值；该下行NOMA系统中用户分簇的优化问题表示为：

式中的Inter表示m用户所在簇的其他高信道增益用户在m处产生的干扰，M为在一个半径为R的区域D中随机分布的用户数，K为将M个用户被划分的簇数，B为系统总带宽，n₀为噪声功率谱密度，P_t为BS的总发射功率，a为第a个用户，x_a,k为表示a用户跟第k个簇从属关系的二进制变量，x_m,k表示m用户跟第k个簇从属关系的二进制变量，同一个用户最多只能被分配到一个簇中，即：

式中，C₁确保用户被分配到的功率不会小于0；C₂确保所有用户分配到的总功率等于系统总功率；C₃表示信道增益差的用户可以分配到比信道增益好的用户更大的功率；C₄确保同一个簇中用户间存在一定的信道增益差；C₅表示一个用户最多只能从属于一个簇；

S7、判断是否达到终止条件：当达到最大迭代次数n或迭代出的系统最大吞吐量变化值小于给定的精度ε时，算法终止；若未达到，则重复步骤S3-S5；

S8、输出最优用户分簇结果以及最优系统吞吐量。

2.根据权利要求1所述的基于自适应遗传算法的下行NOMA用户动态分簇方法，其特征在于，步骤S7中，具体的迭代次数随系统中用户数的变化而变化，用户数越多，迭代次数设定的就越大；反之越小。

3.根据权利要求1所述的基于自适应遗传算法的下行NOMA用户动态分簇方法，其特征在于，系统中，M个用户被划分为K个簇，不同簇内的用户数不一定相等。

4.根据权利要求3所述的基于自适应遗传算法的下行NOMA用户动态分簇方法，其特征在于，第k个簇中的第m个用户接收信号被表示为：

式中，|C_k|表示第k个簇中的用户总数，|C₁|+|C₂|+…+|C_K|＝M；

表示基站BS到第k个簇中第m个用户的信道增益；

指系统分配给第k个簇中第i个用户的功率，i＝1,...,|C_k|；

指第k个簇中第i个用户的传输信号；n_m表示高斯白噪声，

即n_m服从正态分布，均值为0，方差为

5.根据权利要求4所述的基于自适应遗传算法的下行NOMA用户动态分簇方法，其特征在于，第k个簇中的第m个用户的吞吐量被表示为：

式中，s∈C_k且

表示基站BS到第k个簇中第s个用户的信道增益，B为系统总带宽，

指系统分配给第k个簇中第m个用户的功率，

指系统分配给k个簇中第s个用户的功率，n₀为噪声功率谱密度。

6.根据权利要求5所述的基于自适应遗传算法的下行NOMA用户动态分簇方法，其特征在于，系统总吞吐量被表示为：

Images