CN114158123A - 一种智能反射面Massive MIMO系统资源分配方法 - Google Patents

Abstract

本发明提供一种智能反射面Massive MIMO系统资源分配方法，包括：建立一个基于智能反射面的Massive MIMO系统模型；初始化量子蝴蝶群；根据全局搜索或局部搜索规则更新量子蝴蝶群的量子位置；计算适应度，根据选择机制确定量子位置，更新感官模态和幂指数；判断迭代是否终止，输出最优分配方案，若迭代次数已经达到设定的最大迭代次数，即t＝T，则终止迭代，将量子蝴蝶群的全局最优量子位置输出；否则令t＝t+1，返回继续执行步骤三；根据量子位置与位置之间的映射规则得到全局最优位置，进而得到基于智能反射面的Massive MIMO系统资源分配方法。本发明实现最优反射系数充分发挥智能反射面的性能极限来实现Massive MIMO通信系统各种资源的最优分配，从而提高系统的资源利用率及系统的容量。

Description

一种智能反射面Massive MIMO系统资源分配方法

技术领域

本发明涉及的是一种量子蝴蝶优化机制的智能反射面Massive MIMO系统资源分配方法，属于Massive MIMO通信技术领域。

背景技术

随着5G通信的不断推广，为了实现更高的信息传输速率和更可靠的数据传输，6G通信已经处于研究状态。Massive MIMO技术和智能反射面作为6G通信的潜在技术，尽管Massive MIMO技术具有高复用增益和分集增益、高空间分辨率等优点，然而Massive MIMO技术的应用仍存在一些问题，例如接收端用户数量的增加不仅使得网络很难覆盖到全体用户，而且会使整个系统的能量损耗较大。智能反射面是一种由大量低成本的被动无源反射元件所组成的平面，并且每一个元件都可以改变入射信号的相位来使用户更好地接收基站发送的信号。智能反射面的应用不仅能够解决Massive MIMO系统能量损耗过大、网络覆盖不均等问题，而且能够提高Massive MIMO系统的容量和信息传输效率，进一步提升MassiveMIMO系统的整体性能。

由于智能反射面成本低且能量损耗小，因此如何将智能反射面应用在不同的无线通信系统以解决实际的通信工程问题成为了一个热点。针对应用智能反射面的无线通信场景，Tao Zhou等在《2020IEEE 6th International Conference on Computer andCommunication》上发表的“Achievable Rate Maximization for Aerial IntelligentReflecting Surface-aided Cell-free Massive MIMO System”提出一种迭代优化策略设计各个接入点的功率分配、空中智能反射面的相移矩阵、各个接入点的波束成形向量来使用户的传输速率最大，但并未分析系统存在多个用户时的情况。李苗钰等在《西北工业大学学报》(2021,vol.39,no.2,pp.454-461)上发表的“一种面向物联网的智能反射面通信系统优化方法”提出了一种新的优化算法，将深度学习技术与智能反射面相结合，通过训练神经网络建立信道状态信息与智能反射面的最优反射系数矩阵之间的映射关系，实现智能反射面的实时重配置进而提升接收端的用户通信速率。但这种优化算法是建立在发射机与接收机均为单根天线的条件下，对于Massive MIMO系统并不适用。

通过查阅资料发现基于智能反射面Massive MIMO通信系统的相关文献比较少，基于智能反射面的Massive MIMO系统的研究仍有很大的空间。通过与现有的相关文献对比，尚未发现与本发明相同的智能反射面Massive MIMO系统资源分配方法，更未发现基于量子蝴蝶优化机制的智能反射面Massive MIMO系统资源分配方法。

发明内容

为了解决目前的基于智能反射面的Massive MIMO通信系统存在的问题，提出了一种系统资源分配方法，通过将蝴蝶算法量子化所得的量子蝴蝶优化(Quantum ButterflyOptimization Algorithm,QBOA)机制，实现最优反射系数充分发挥智能反射面的性能极限来实现Massive MIMO通信系统各种资源的最优分配，从而提高系统的资源利用率及系统的容量。

本发明的目的是这样实现的：步骤如下：

步骤一：建立一个基于智能反射面的Massive MIMO系统模型；

步骤二：初始化量子蝴蝶群；

步骤三：根据全局搜索或局部搜索规则更新量子蝴蝶群的量子位置；

步骤四：计算适应度，根据选择机制确定量子位置，更新感官模态和幂指数；

步骤五：判断迭代是否终止，输出最优分配方案，若迭代次数已经达到设定的最大迭代次数，即t＝T，则终止迭代，将量子蝴蝶群的全局最优量子位置输出；否则令t＝t+1，返回继续执行步骤三；根据量子位置与位置之间的映射规则得到全局最优位置，进而得到基于智能反射面的Massive MIMO系统资源分配方法。

进一步地，步骤一具体包括：基于智能反射面的Massive MIMO系统应该基站、中心控制器、智能反射面、用户接收端；基站的天线数目为J根，智能反射面的反射元个数为L，用户接收端的天线数目为K根；设基站传输功率的矩阵为

p_x(x＝1,2,...,J)表示基站第x根天线的传输功率，diag{.}表示对角矩阵；基站发送信号后，通过中心控制器调整智能反射面中反射元的相移，使得接收端处的信息传输速率达到最大；设智能反射面的相移矩阵为

具体表示为

γ为反射系数，θ_i(i＝1,2,...,L)表示第i个反射元的相移控制角；令θ＝[θ₁,θ₂,...,θ_L]，即为智能反射面中各个反射元的相移控制角所组成的矩阵；将基站到接收端的信道状态信息用

表示，基站到智能反射面的信道状态信息用

表示，智能反射面到接收端的信道状态信息用

表示；

将基站发送的单位能量信号表示为

设最终接收端接受到的信号为

将智能反射面处的复高斯白噪声用

表示，接收端处的复高斯白噪声用

表示，则可以得到

进一步得到经过智能反射面的协作后，接收端的信息传输速率：

其中，Ι_K为K×K维单位矩阵，(.)^H表示矩阵的共轭转置，det(.)表示求矩阵行列式的值，

e₁表示智能反射面处的噪声功率，e₂表示接收端处的噪声功率；Massive MIMO系统的容量表示为Z(P,θ)＝R。

进一步地，步骤二具体包括：量子蝴蝶群的群体规模为N，且每只量子蝴蝶的搜索空间维数为D(D＝J+L),J表示基站天线数，L表示智能反射面的反射元个数；量子蝴蝶群进化到第t代时，第n只量子蝴蝶的量子位置为

其中

d＝1,2,...,D，初代所有量子蝴蝶的量子位置在量子区间随机产生；第n只量子蝴蝶的第d维量子位置与位置之间的映射规则为

则第t代第n只量子蝴蝶的位置为

和

为量子蝴蝶群在第d维搜索区间所能取到的最小值和最大值；基于智能反射面的Massive MIMO系统资源分配方法对应于每一代量子蝴蝶群中的每一只量子蝴蝶的位置，量子蝴蝶位置的优化过程即为Massive MIMO系统资源分配方法优化的过程；令第t代第n只量子蝴蝶的适应度函数为

则可以计算出第t代第n只量子蝴蝶的位置的适应度，也就是量子位置的适应度；将量子蝴蝶群迭代到第t代时为止适应度最大的量子蝴蝶的量子位置记作全局最优量子位置

量子蝴蝶群迭代到第t代时，第n只量子蝴蝶的刺激强度记为

其中k为一常数，其香味浓度的大小记为

c^t为量子蝴蝶群进化到第t代时的感官模态，α^t为量子蝴蝶群进化到第t代时的幂指数。

进一步地，步骤三具体包括：对于第n只量子蝴蝶产生一个均匀分布随机数r_n∈[0,1]，与开关概率V相比较，n＝1,2,...,N；若r_n≤V则第n只量子蝴蝶执行全局搜索，否则执行局部搜索；当使用全局搜索机制时第n只量子蝴蝶第d维量子旋转角更新公式为

其中s₁代表均值为1方差为1服从正态分布的随机变量，

G₁是常数权重；全局搜索阶段第n只量子蝴蝶第d维量子位置更新公式为

abs(.)表示取绝对值；当使用局部搜索机制时第n只量子蝴蝶第d维量子旋转角和量子位置的更新公式为：

和

其中s₂代表均值为1且方差为1服从正态分布的随机变量，

和

分别表示量子蝴蝶群迭代到第t代时，量子蝴蝶群体中随机选择的任意两只标号分别为a和

的量子蝴蝶的第d维量子位置。

进一步地，步骤四具体包括：更新量子位置后，重新计算每一只量子蝴蝶的位置的适应度；将搜索阶段完成后的量子蝴蝶的量子位置

的适应度与更新前的量子位置

的适应度进行比较，若

的适应度大于

的适应度，则

保持不变，否则

n＝1,2,...,N；将更新后适应度最大的量子位置记为直到第t+1代的全局最优量子位置

量子蝴蝶群中所有量子蝴蝶根据选择机制确定量子位置后，更新c^t与α^t值，c^t+1＝c^t-(G₂/(c^t·t))，α^t+1＝α_start+(α_end-α_start)·t/T，T为最大迭代次数，α_start和α_end分别表示初始时和达到最大迭代次数后幂指数α^t的取值，G₂是常数权重；将更新后的c^t+1值与α^t+1值带入计算量子蝴蝶刺激强度和香味浓度的公式，计算出量子蝴蝶群更新后每一只量子蝴蝶的香味浓度。

与现有技术相比，本发明的有益效果是：(1)本发明提出的系统资源分配方法能够使Massive MIMO通信系统的各种资源实现最优化分配，有效地改善了基于智能反射面的Massive MIMO通信系统存在的问题，充分地发挥智能反射面的作用，提高接收端的信息传输速率。(2)本发明设计的解决连续优化问题的量子蝴蝶优化机制将原始的蝴蝶算法进行量子化处理，通过在迭代过程中改变蝴蝶算法中一些固定参数的取值等方法，使得量子蝴蝶算法的收敛性能相较于蝴蝶算法有了明显的提升，同时提升了全局搜索能力，解决了原始的蝴蝶算法容易陷入局部收敛的问题，为解决其他工程问题提供了一种新思路，推广性良好。(3)针对基于智能反射面的Massive MIMO系统基站天线的传输功率分配和智能反射面反射元的相移控制等难题，本发明通过量子蝴蝶优化机制有效地解决了这些问题，能够自适应地实现Massive MIMO系统资源的最优联合分配，节省系统的硬件资源，在解决问题的同时提高系统的资源利用率。

接下来通过仿真实验进一步说明本发明的有益效果：

针对基于智能反射面的Massive MIMO通信系统，设基站坐标位于(0,0)m，基站天线数J＝30，每根基站天线所允许发射的最大功率p_max＝20dBm，智能反射面的坐标为(110,100)m，智能反射面反射元数L＝40，反射系数γ＝1，接收端坐标位于(250,0)m，接收端天线数K＝10。噪声功率谱密度为-150dBm/Hz，系统带宽为10MHz，设智能反射面处与接收端处噪声功率相等。智能反射面与基站和接收端之间的信息传输均为视距传输，莱斯因子K_D为1，信道衰落系数为2.2，基站与接收端之间的信息传输为非视距传输，信道衰落系数为3.5。量子蝴蝶优化机制的智能反射面Massive MIMO系统资源分配方法的参数设置如下：量子蝴蝶种群规模N＝50，开关概率V＝0.8，α_start＝0.3，α_end＝0.1，G₁＝20，G₂＝0.025，感官模态初始值c¹＝1.25，k＝1，在量子蝴蝶的量子位置的定义域内随机产生初始量子位置。将蝴蝶算法应用到求解Massive MIMO系统资源分配问题上，通过比较体现出量子蝴蝶优化机制的性能。将两者的种群规模设为相同值N＝50，最大迭代次数均为500次，所有结果均为150次仿真实验的均值。蝴蝶算法的其他参数设置参考S.Arora and S.Singh在《Soft Computing》(2019,vol.23,pp.715-734)上发表的“Butterfly optimization algorithm:a novelapproach for global optimization”。在下列仿真图中，“QBOA”表示基于量子蝴蝶优化机制的智能反射面Massive MIMO系统资源分配方法，“BOA”表示基于蝴蝶算法的智能反射面Massive MIMO系统资源分配方法。

图2为应用量子蝴蝶优化机制与蝴蝶算法(Butterfly Optimization Algorithm,BOA)得到的智能反射面Massive MIMO系统资源分配方法的系统容量随迭代次数变化的曲线。由仿真结果可知，对于全局寻优能力来说，量子蝴蝶优化机制明显优于蝴蝶算法。量子蝴蝶优化机制的收敛精度比蝴蝶算法的收敛精度高。蝴蝶算法在迭代初期陷入了局部收敛，量子蝴蝶优化机制避免了陷入局部收敛，且收敛速度快。

图3为应用量子蝴蝶优化机制与蝴蝶算法得到的智能反射面Massive MIMO系统资源分配方法的系统容量随智能反射面中反射元个数变化的曲线，智能反射面中反射元个数由10增加到50。通过仿真结果可以看出，在其他条件保持不变的前提下，增加智能反射面中反射元个数有利于提高基于智能反射面的Massive MIMO系统的容量，应用量子蝴蝶优化机制所得到的系统资源分配方法的系统容量优于应用蝴蝶算法所得到的系统资源配置方法的系统容量。

图4为应用量子蝴蝶优化机制与蝴蝶算法得到的智能反射面Massive MIMO系统资源分配方法的系统容量随每根基站天线所允许的最大发射功率变化的曲线，每根基站天线所允许的最大发射功率从15dBm增加到45dBm。通过仿真结果可以看出，增大每根基站天线所允许的最大发射功率有助于提高基于智能反射面的Massive MIMO系统的容量，应用量子蝴蝶优化机制所得到的系统资源分配方法的系统容量优于应用蝴蝶算法所得到的系统资源配置方法的系统容量。

附图说明

图1为应用量子蝴蝶优化机制来得到智能反射面Massive MIMO系统资源分配方法的示意图。

图2为应用量子蝴蝶优化机制与蝴蝶算法得到的智能反射面Massive MIMO系统资源分配方法的系统容量随迭代次数变化的曲线。

图3为应用量子蝴蝶优化机制与蝴蝶算法得到的智能反射面Massive MIMO系统资源分配方法的系统容量随智能反射面中反射元个数变化的曲线。

图4为应用量子蝴蝶优化机制与蝴蝶算法得到的智能反射面Massive MIMO系统资源分配方法的系统容量随每根基站天线所允许的最大发射功率变化的曲线。

具体实施方式

下面结合附图与具体实施方式对本发明作进一步详细描述。

下面结合附图对本发明做进一步描述，如图1所示，本发明设计的基于量子蝴蝶优化机制的智能反射面Massive MIMO系统资源分配方法包括以下步骤：

步骤一，建立一个基于智能反射面的Massive MIMO系统模型；

一个基于智能反射面的Massive MIMO系统应该包括基站、中心控制器、智能反射面、用户接收端。不妨设基站的天线数目为J根，智能反射面的反射元个数为L，用户接收端的天线数目为K根。设基站传输功率的矩阵为

p_x(x＝1,2,...,J)表示基站第x根天线的传输功率，diag{.}表示对角矩阵。基站发送信号后，通过中心控制器调整智能反射面中反射元的相移，使得接收端处的信息传输速率达到最大。设智能反射面的相移矩阵为

具体表示为

γ为反射系数，θ_i(i＝1,2,...,L)表示第i个反射元的相移控制角。令θ＝[θ₁,θ₂,...,θ_L]，即为智能反射面中各个反射元的相移控制角所组成的矩阵。将基站到接收端的信道状态信息用

表示，基站到智能反射面的信道状态信息用

表示，智能反射面到接收端的信道状态信息用

表示。

将基站发送的单位能量信号表示为

设最终接收端接受到的信号为

将智能反射面处的复高斯白噪声用

表示，接收端处的复高斯白噪声用

表示，则可以得到

进一步得到经过智能反射面的协作后，接收端的信息传输速率：

其中，Ι_K为K×K维单位矩阵，(.)^H表示矩阵的共轭转置，det(.)表示求矩阵行列式的值，

e₁表示智能反射面处的噪声功率，e₂表示接收端处的噪声功率。Massive MIMO系统的容量表示为Z(P,θ)＝R。

通过上述分析，对于包含智能反射面的Massive MIMO通信系统，将优化目标设置为使系统容量最大化，具体表示为maxZ(P,θ)＝maxR，将每根基站天线所允许发射的最大功率表示为p_max，则约束条件为：0≤p_x≤p_max(x＝1,2,...,J)，0≤θ_i＜2π(i＝1,2,...,L)。

步骤二，初始化量子蝴蝶群；

设量子蝴蝶群的群体规模为N，且每只量子蝴蝶的搜索空间维数为D(D＝J+L),J表示基站天线数，L表示智能反射面的反射元个数。设量子蝴蝶群进化到第t代时，第n只量子蝴蝶的量子位置为

其中

初代所有量子蝴蝶的量子位置在量子区间随机产生。第n只量子蝴蝶的第d维量子位置与位置之间的映射规则为

则第t代第n只量子蝴蝶的位置为

和

为量子蝴蝶群在第d维搜索区间所能取到的最小值和最大值。基于智能反射面的Massive MIMO系统资源分配方法对应于每一代量子蝴蝶群中的每一只量子蝴蝶的位置，量子蝴蝶位置的优化过程即为Massive MIMO系统资源分配方法优化的过程。令第t代第n只量子蝴蝶的适应度函数为

则可以计算出第t代第n只量子蝴蝶的位置的适应度，也就是量子位置的适应度。将量子蝴蝶群迭代到第t代时为止适应度最大的量子蝴蝶的量子位置记作全局最优量子位置

量子蝴蝶群迭代到第t代时，第n只量子蝴蝶的刺激强度记为

其中k为一常数，其香味浓度的大小记为

c^t为量子蝴蝶群进化到第t代时的感官模态，α^t为量子蝴蝶群进化到第t代时的幂指数。

步骤三，根据全局搜索或局部搜索规则更新量子蝴蝶群的量子位置；

对于第n只量子蝴蝶产生一个均匀分布随机数r_n∈[0,1]，与开关概率V相比较，n＝1,2,...,N。若r_n≤V则第n只量子蝴蝶执行全局搜索，否则执行局部搜索。当使用全局搜索机制时第n只量子蝴蝶第d维量子旋转角更新公式为

其中s₁代表均值为1方差为1服从正态分布的随机变量，

G₁是常数权重。全局搜索阶段第n只量子蝴蝶第d维量子位置更新公式为

abs(.)表示取绝对值。当使用局部搜索机制时第n只量子蝴蝶第d维量子旋转角和量子位置的更新公式为：

和

其中s₂代表均值为1且方差为1服从正态分布的随机变量，

和

分别表示量子蝴蝶群迭代到第t代时，量子蝴蝶群体中随机选择的任意两只标号分别为a和

的量子蝴蝶的第d维量子位置。

步骤四，计算适应度，根据选择机制确定量子位置，更新感官模态和幂指数；

更新量子位置后，重新计算每一只量子蝴蝶的位置的适应度。将搜索阶段完成后的量子蝴蝶的量子位置

的适应度与更新前的量子位置

的适应度进行比较，若

的适应度大于

的适应度，则

保持不变，否则

将更新后适应度最大的量子位置记为直到第t+1代的全局最优量子位置

量子蝴蝶群中所有量子蝴蝶根据选择机制确定量子位置后，更新c^t与α^t值，c^t+1＝c^t-(G₂/(c^t·t))，α^t+1＝α_start+(α_end-α_start)·t/T，T为最大迭代次数，α_start和α_end分别表示初始时和达到最大迭代次数后幂指数α^t的取值，G₂是常数权重。将更新后的c^t+1值与α^t+1值带入计算量子蝴蝶刺激强度和香味浓度的公式，计算出量子蝴蝶群更新后每一只量子蝴蝶的香味浓度。

步骤五，判断迭代是否终止，输出最优分配方案；

若迭代次数已经达到设定的最大迭代次数，即t＝T，则终止迭代，将量子蝴蝶群的全局最优量子位置输出；否则令t＝t+1，返回继续执行步骤三。根据量子位置与位置之间的映射规则得到全局最优位置，进而得到基于智能反射面的Massive MIMO系统资源分配方法。

Claims (5)

1.一种智能反射面Massive MIMO系统资源分配方法，其特征在于，步骤如下：

步骤一：建立一个基于智能反射面的Massive MIMO系统模型；

步骤二：初始化量子蝴蝶群；

步骤三：根据全局搜索或局部搜索规则更新量子蝴蝶群的量子位置；

步骤四：计算适应度，根据选择机制确定量子位置，更新感官模态和幂指数；

步骤五：判断迭代是否终止，输出最优分配方案，若迭代次数已经达到设定的最大迭代次数，即t＝T，则终止迭代，将量子蝴蝶群的全局最优量子位置输出；否则令t＝t+1，返回继续执行步骤三；根据量子位置与位置之间的映射规则得到全局最优位置，进而得到基于智能反射面的Massive MIMO系统资源分配方法。

2.根据权利要求1所述的一种智能反射面Massive MIMO系统资源分配方法，其特征在于，步骤一具体包括：基于智能反射面的Massive MIMO系统应该基站、中心控制器、智能反射面、用户接收端；基站的天线数目为J根，智能反射面的反射元个数为L，用户接收端的天线数目为K根；设基站传输功率的矩阵为

p_x(x＝1,2,...,J)表示基站第x根天线的传输功率，diag{.}表示对角矩阵；基站发送信号后，通过中心控制器调整智能反射面中反射元的相移，使得接收端处的信息传输速率达到最大；设智能反射面的相移矩阵为

具体表示为

γ为反射系数，θ_i(i＝1,2,...,L)表示第i个反射元的相移控制角；令θ＝[θ₁,θ₂,...,θ_L]，即为智能反射面中各个反射元的相移控制角所组成的矩阵；将基站到接收端的信道状态信息用

表示，基站到智能反射面的信道状态信息用

表示，智能反射面到接收端的信道状态信息用

表示；

将基站发送的单位能量信号表示为

设最终接收端接受到的信号为

将智能反射面处的复高斯白噪声用

表示，接收端处的复高斯白噪声用

表示，则可以得到

进一步得到经过智能反射面的协作后，接收端的信息传输速率：

其中，Ι_K为K×K维单位矩阵，(.)^H表示矩阵的共轭转置，det(.)表示求矩阵行列式的值，

e₁表示智能反射面处的噪声功率，e₂表示接收端处的噪声功率；Massive MIMO系统的容量表示为Z(P,θ)＝R。

3.根据权利要求1所述的一种智能反射面Massive MIMO系统资源分配方法，其特征在于，步骤二具体包括：量子蝴蝶群的群体规模为N，且每只量子蝴蝶的搜索空间维数为D(D＝J+L),J表示基站天线数，L表示智能反射面的反射元个数；量子蝴蝶群进化到第t代时，第n只量子蝴蝶的量子位置为

其中

d＝1,2,...,D，初代所有量子蝴蝶的量子位置在量子区间随机产生；第n只量子蝴蝶的第d维量子位置与位置之间的映射规则为

则第t代第n只量子蝴蝶的位置为

和

为量子蝴蝶群在第d维搜索区间所能取到的最小值和最大值；基于智能反射面的Massive MIMO系统资源分配方法对应于每一代量子蝴蝶群中的每一只量子蝴蝶的位置，量子蝴蝶位置的优化过程即为Massive MIMO系统资源分配方法优化的过程；令第t代第n只量子蝴蝶的适应度函数为

则可以计算出第t代第n只量子蝴蝶的位置的适应度，也就是量子位置的适应度；将量子蝴蝶群迭代到第t代时为止适应度最大的量子蝴蝶的量子位置记作全局最优量子位置

量子蝴蝶群迭代到第t代时，第n只量子蝴蝶的刺激强度记为

其中k为一常数，其香味浓度的大小记为

c^t为量子蝴蝶群进化到第t代时的感官模态，α^t为量子蝴蝶群进化到第t代时的幂指数。

4.根据权利要求1所述的一种智能反射面Massive MIMO系统资源分配方法，其特征在于，步骤三具体包括：对于第n只量子蝴蝶产生一个均匀分布随机数r_n∈[0,1]，与开关概率V相比较，n＝1,2,...,N；若r_n≤V则第n只量子蝴蝶执行全局搜索，否则执行局部搜索；当使用全局搜索机制时第n只量子蝴蝶第d维量子旋转角更新公式为

其中s₁代表均值为1方差为1服从正态分布的随机变量，

G₁是常数权重；全局搜索阶段第n只量子蝴蝶第d维量子位置更新公式为

abs(.)表示取绝对值；当使用局部搜索机制时第n只量子蝴蝶第d维量子旋转角和量子位置的更新公式为：

和

其中s₂代表均值为1且方差为1服从正态分布的随机变量，

和

分别表示量子蝴蝶群迭代到第t代时，量子蝴蝶群体中随机选择的任意两只标号分别为a和

的量子蝴蝶的第d维量子位置。

5.根据权利要求1所述的一种智能反射面Massive MIMO系统资源分配方法，其特征在于，步骤四具体包括：更新量子位置后，重新计算每一只量子蝴蝶的位置的适应度；将搜索阶段完成后的量子蝴蝶的量子位置

的适应度与更新前的量子位置

的适应度进行比较，若

的适应度大于

的适应度，则

保持不变，否则

n＝1,2,...,N；将更新后适应度最大的量子位置记为直到第t+1代的全局最优量子位置

量子蝴蝶群中所有量子蝴蝶根据选择机制确定量子位置后，更新c^t与α^t值，

T为最大迭代次数，α_start和α_end分别表示初始时和达到最大迭代次数后幂指数α^t的取值，G₂是常数权重；将更新后的c^t+1值与α^t+1值带入计算量子蝴蝶刺激强度和香味浓度的公式，计算出量子蝴蝶群更新后每一只量子蝴蝶的香味浓度。

Images