WO2013170611A1 - 基于遗传算法的调度与资源分配联合优化方法 - Google Patents

基于遗传算法的调度与资源分配联合优化方法 Download PDF

Info

Publication number
WO2013170611A1
WO2013170611A1 PCT/CN2012/087619 CN2012087619W WO2013170611A1 WO 2013170611 A1 WO2013170611 A1 WO 2013170611A1 CN 2012087619 W CN2012087619 W CN 2012087619W WO 2013170611 A1 WO2013170611 A1 WO 2013170611A1
Authority
WO
WIPO (PCT)
Prior art keywords
scheduling
elite
population
resource allocation
chromosome
Prior art date
Application number
PCT/CN2012/087619
Other languages
English (en)
French (fr)
Inventor
许晓东
陶小峰
王达
崔琪楣
张平
陈鑫
吴德壮
Original Assignee
北京邮电大学
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 北京邮电大学 filed Critical 北京邮电大学
Publication of WO2013170611A1 publication Critical patent/WO2013170611A1/zh

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/022—Site diversity; Macro-diversity
    • H04B7/024—Co-operative use of antennas of several sites, e.g. in co-ordinated multipoint or co-operative multiple-input multiple-output [MIMO] systems
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/04—Wireless resource allocation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04J—MULTIPLEX COMMUNICATION
    • H04J11/00—Orthogonal multiplex systems, e.g. using WALSH codes
    • H04J11/0023—Interference mitigation or co-ordination
    • H04J11/005—Interference mitigation or co-ordination of intercell interference
    • H04J11/0053—Interference mitigation or co-ordination of intercell interference using co-ordinated multipoint transmission/reception
    • 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

Definitions

  • the invention relates to a wireless communication
  • OFI3MA Orthogonal Frequency Division Multiplexing Access
  • CoMP Coordinatd Multi-Point Transmission/Reception
  • the core idea of cooperative multi-point transmission communication technology is to expand the traditional cellular network into a multi-cell MIMO (Multiple Input Multiple Output) system, that is, multiple cooperative base stations simultaneously use the same radio resources to provide collaborative users. service.
  • MIMO Multiple Input Multiple Output
  • signals from neighboring cells will be served as ancillary transmission signals for edge users rather than as a primary source of interference signals.
  • D. Choi et al. proposed a scheduling and resource sharing scheme for multi-carrier coordinated multi-point transmission systems (D. Choi, D. Lee, J. Lee, Resource allocation: for CoMP with multiuser MIMO-OFDMAJEEE Trans, on Vehicular Technology, vol. 60, pp. 4626-4632, Nov. 2011).
  • the existing scheme adopts three kinds of adjustments supported by the LTE system. The method, and considers the impact of frequency-selective channels, which means that the scheme can be directly used in next-generation OFDM-based communication systems.
  • the existing scheme decomposes the joint optimization problem into two independent steps, that is, first determines the scheduling scheme, and then performs bit and power allocation on this basis. Moreover, a greedy algorithm based allocation method is adopted, and under the condition that the power constraints of each base station are satisfied, one bit is allocated each time, and it is allocated to the user with the least additional transmit power required for transmitting one bit more and its corresponding sub-s Carrier. Since the existing scheme separates the scheduling and resource allocation, and the greedy algorithm can only select the current best result, which makes the existing scheme unable to take into account the application of the global secondary algorithm, the overall scheduling and resource allocation performance of the system will inevitably result. Certain influence.
  • the present invention provides a joint optimization method for scheduling and resource allocation based on genetic algorithm in order to solve the problem that the scheduling and resource allocation schemes in the prior art are large in scale and strict in constraints and cannot be considered as a whole. .
  • the present invention specifically uses the following schemes:
  • the present invention provides a joint optimization method for scheduling and resource allocation based on a genetic algorithm, which is applied to a communication system using a multi-point cooperative transmission technology, the method comprising the steps of: S1, performing chromosome coding design on a potential solution of the problem ;
  • step S4 determining whether the optimal solution in the current population is superior to the elite, if yes, performing step S5 after performing the elite update; otherwise, directly jumping to step S5;
  • step S5 determining whether a predetermined generation of the population has been generated, if not, performing step S6; otherwise, directly skipping step S8;
  • step S3 Determine whether a predetermined sub-chromosomal individual has been generated, and if yes, jump to step S3 to recalculate; otherwise, return to step S6 to continue breeding;
  • step S1 two-dimensional binary coding is performed on the individual chromosomes.
  • step Si if the base station bandwidth in the system is evenly divided into M ⁇ D 3 ⁇ 4 ⁇ 4, each chromosome individual is composed of M gene vectors, and the binary bits of each gene vector are divided into a user scheduling strategy and a bit allocation situation. section.
  • the initial set control parameters include population size, genetic algebra and mutation probability.
  • step S3 adopts a fitness function based on a penalty function.
  • the fitness function is: Step S3:
  • R(G) is the optimization target value corresponding to chromosome G
  • ⁇ ⁇ is the penalty factor reflecting the magnitude of the penalty strength
  • p e nalty(n, G) is the penalty for the power constraint condition of base station n not satisfied, The negative difference between the maximum transmit power and the actual transmit power of the base station n
  • N is the system H.
  • the function of the optimized target value is ma
  • ⁇ the number of subcarriers whose base station bandwidth is evenly divided in the system
  • b m k 1 k bit rate on subcarrier m, and using three modulation modes supported by LTE : QPSK, I 6QAM, 32QAIV1, b [n , k t ⁇ 0,2,4,6 ⁇
  • s m is the set of scheduled users on subcarrier m, and the number of elements in the set is less than or equal to N
  • w k For the weight of user k, the weight is proportional to the user's minimum rate requirement.
  • step S6 the breeding process includes selection, crossover, mutation and adjustment.
  • the selection of the parent is performed by using a betting round selection algorithm.
  • intersection portion is performed by means of a uniform hook.
  • the invention provides a joint optimization method for scheduling and resource allocation based on genetic algorithm, which can Under the conditions of scheduling constraints and power constraints, scheduling and resource allocation are jointly performed, and system performance is reliably and efficiently optimized with low computational complexity.
  • the present invention adopts a combination of scheduling and resource allocation, which does not cause performance loss due to the separation of the two; in addition, the present invention also avoids the drawbacks of adopting the greedy algorithm in the prior art, and can be closer to exhaustive search.
  • Optimal solution the genetic algorithm used in the present invention has a computational complexity far below that of exhaustive search, so that a balance can be achieved between performance and throughput; finally, because the genetic algorithm has high robustness, it is very suitable Obtaining applications in practical systems has a good application prospect.
  • FIG. 1 is a schematic flow chart of a joint optimization method for scheduling and resource allocation based on a genetic algorithm according to an embodiment of the present invention
  • FIG. 2 is a schematic diagram of two typical gene vectors in a preferred embodiment of the present invention.
  • Figure 3 is an example of a uniform crossover in a preferred embodiment of the present invention.
  • FIG. 4 is an exemplary flow chart of a breeding process in a preferred embodiment of the present invention.
  • Figure 5 is a diagram showing the structure of a population including elites in a preferred embodiment of the present invention.
  • FIG. 6 is a schematic diagram of an application scenario in an embodiment of the present invention.
  • Figure ⁇ is a comparison of the total rate after the implementation of the solution and the comparative embodiment of the present invention in one embodiment of the present invention
  • step S4 determining whether the optimal solution in the current population is superior to the elite, if yes, performing step S5 after performing the elite update; otherwise, directly jumping to step S5;
  • step S5 determining whether the N g generation has been generated, if not, performing step S6; otherwise, directly jumping to step S8;
  • step S7 determining whether N p sub-individuals have been generated, and if so, jumping to step S3 to recalculate; otherwise, transferring back to step S6 to continue breeding;
  • the wireless communication system includes N cooperative base stations and K cooperative users, and the base station and the mobile terminal are respectively equipped with one transmission and one reception single antenna; the base station has the same maximum transmission power P max and bandwidth, and The bandwidth is evenly divided into M subcarriers; the user's data and channel state information can be quickly and reliably exchanged between the base stations through the core and the backhaul network; using linear precoding, the cooperative system can implement up to any subcarrier.
  • N users getting services at the same time.
  • the system adopts three debugging modes: QPSK, 16QAM, and 64QAM, and the transmission bits e ⁇ 0, 2, 4, 6 ⁇ of each user on each carrier.
  • the solution of the present invention requires encoding a chromosome individual to represent a potential solution to the problem before processing the problem.
  • a two-dimensional binary coding scheme is proposed here, in which the binary representation indicates that each bit takes only two values of ' ⁇ or '0', and the two-dimensional representation indicates that the chromosome contains multiple rows and columns of codewords.
  • the gene vector ⁇ [51 represents a user scheduling and bit allocation strategy on one subcarrier, and the ⁇ gene vectors constitute a complete chromosome 0 ⁇ 5 ., . ⁇ ] ⁇ .
  • each gene vector includes K+N.
  • Part 1 consists of binary bits, which correspond to the scheduling of K users on the subcarrier.
  • each of the Ts represents a scheduled user
  • '0' represents a non-scheduled user. It should be noted that since there are at most ⁇ users on each subcarrier that can be scheduled, the algebraic sum of all bits in Part 1
  • Part2 (ie the number of T) must be less than or equal to N.
  • Part2 consists of N.log, QI bits, which in turn gives the bit rate of each scheduled user in Part 1, where "tog 2 Q-i is the number of binary bits required to represent the four possible bit rates;
  • the first bit rate in Part 2 corresponds to the scheduled user indicated by the first T in Part 1, the second bit rate in Part 2 and the scheduled user represented by the second T in Parti. Correspondence, and so on.
  • Figure 2 shows two typical gene vector diagrams. 2(a) H good users 2, 6, and 8 are scheduled, and respectively correspond to bit rates of codes 11, 11, and 10; respectively, the correspondence between bit rate and binary coding is shown in the table! . Therefore, the transmission bits of users 2, 6, and 8 are 6, 2, and 4, respectively, and the modulation modes are 64QAM, QPSK, and 16QAM. Table 1 The binary coding corresponding to the transmission bits in Figure 2(a).
  • Figure 2(b) shows that users 1, 5 are scheduled, and the corresponding transmission bits are 2 and 4, respectively.
  • the last two bits of the gene vector can be ignored and are not randomly generated at the initial stage of the algorithm.
  • An initial population comprising N p chromosome individuals; As the group continues to evolve, the number of individuals in the population remains the same.
  • step S3 the fitness value of each chromosome in the new population is calculated according to the fitness function: wherein the fitness function is used to measure the quality of the solution corresponding to the chromosome, and the most basic idea of the function is that the optimization target value corresponding to the chromosome The larger, the stronger the fitness.
  • the present invention further proposes a fitness function based on a penalty function, that is, an individual who violates the constraint condition (ie, an infeasible solution) by adding a penalty term to the fitness value thereof. It is punished to reduce the fitness value of the individual.
  • the preferred fitness function expression in the present invention is as follows:
  • R(G) is the optimization target value corresponding to the chromosome G, ⁇ .
  • the factor of ⁇ reflects the magnitude of the penalty.
  • peiialty (ii, G) is the penalty for the power constraint of the base station ri is not satisfied, defined as the negative of the maximum transmit power and actual transmit power of the base station 11 In this way, a certain number of non-feasible solutions can be maintained in the population, which will increase the diversity of individuals in the population and allow the genetic algorithm to search both the feasible and non-feasible domains, allowing the algorithm to find more quickly. The optimal solution to the problem.
  • Step S6 involves the breeding process of the population:
  • the sub-individuals produced in this step will make the genes of the feasible and infeasible chromosomes pass through the breeding process into the next generation population.
  • the breeding process consists of four parts: selection, crossover, variation, and adjustment.
  • the selected chromosomes are not removed from the population, so the same chromosome may be selected more than twice.
  • each point is used as a potential intersection point, and a 0-1 mask matrix that is as large as the chromosome is randomly generated.
  • the fragment in the mask indicates which parent entity provides the variable value to the child.
  • Figure 3 shows an example of uniform crossing, where the number of system base stations is 3, the number of users is 8, and the number of subcarriers is 4: For sub-individual 1, ⁇ indicates that the parent individual 1 provides the gene value, '0, indicating the parent individual 2 Provide gene values; for sub-individual 2, the rules are just the opposite.
  • the generated sub-individuals are likely to no longer satisfy the scheduling constraints, resulting in more than one user being scheduled on some subcarriers. Therefore, it is necessary to The individual does not satisfy the scheduling constraint and performs correction processing.
  • the correction process first check whether the algebra of the Part 1 part of each gene vector exceeds N, and if so, randomly select the position of T, and set it to '0% until the constraint is satisfied; in addition, there may be In the case where the number of T in Part 1 is '0, then one bit is randomly set to '0'.
  • the classical genetic algorithm is modified in the present invention. Specifically, a super individual is added to each group and named as elite, as the N p +1 member in the population, and a new population structure is designed, as shown in Figure 5, among which the best individual in the current population. The best feasible solution for newly generated individuals.
  • the elite does not participate in the breeding process, and the update rules are as follows: a. If the best individual in the current population is superior to the elite, replace the elite with the best individual in the current population; b. Otherwise, the elite remains unchanged (retained ).
  • Embodiment 1 Considering the downlink coordinated multi-point transmission system, the scenario of Embodiment 1 is as shown in FIG. 6.
  • N - 3 neighboring base stations simultaneously provide services for edge users randomly distributed in the shadow area; all cells have a radius of 500 m, and each base station Have the same maximum transmit power limit;
  • M 4 subcarriers and is multiplexed between the base stations with a multiplexing factor of 1; the channel between the base station and the user considers large-scale fading, shadow fading, and Rayleigh fading;
  • Figure 7 shows a comparison of the total rate after the implementation of the scheme of the present invention and the comparison scheme, wherein the comparison scheme 1 and the comparison scheme 2 are from the aforementioned references of IX C Boi et al., and both will be scheduled and resourced.
  • the allocation is separated and a bit power allocation algorithm based on the greedy algorithm is used.
  • the comparison scheme 1 adopts a sub-optimal scheduling method based on the total transmission bits
  • the other comparison scheme adopts a random scheduling method and an exhaustive search method; the number of users is K - 10.
  • the number of users is K - 10.
  • the method of the present invention can obtain results close to exhaustive search, and is far superior to other comparison schemes; the performance of the random scheme is the worst; the second is the comparison scheme i; 2 times in the proposed program ⁇ ! Because its scheduling and resource allocation methods are suboptimal solutions, and the separation of the two further reduces performance.
  • the total rate of the method, the exhaustive search and the comparison scheme 1 of the present invention increases as the number of users increases, indicating that the three schemes can make better use of multi-user grading.
  • the performance gap between the solution of the present invention and the exhaustive search increases as the number of users increases. This is because as the search space increases, the solution of the present invention saves more computational complexity than exhaustive search, but it requires At the expense of a certain performance.
  • the total bit rate of the comparison scheme 2 and the random scheme is almost constant, because both are strategies using random user scheduling, and multi-user diversity cannot be utilized.
  • This example 2 considers the downlink cooperative multi-point transmission system, and the system model setting and parameters are the same as those in the first embodiment.
  • different objective functions and corresponding fitness functions can be set to achieve different optimization goals.
  • Proportional equity is a well-known criterion for balancing throughput and user equity.
  • scheduling and resource allocation methods can maximize the following objective functions:
  • the invention provides a joint optimization method for scheduling and resource allocation based on genetic algorithm, which can jointly perform scheduling and resource allocation under the condition of satisfying scheduling constraints and power constraints, with lower Computational complexity to optimize system performance reliably and efficiently.
  • the present invention devises a two-dimensional binary chromosomal coding scheme for indicating possible solutions of scheduling strategies and bit allocation methods on each subcarrier; Constraint, a fitness function based on penalty function is proposed to measure the quality of chromosomes; after four steps of selection, crossover, mutation, and adjustment
  • the genes of chromosomes with higher fitness values are continuously inherited to the offspring, achieving the goal of continuously approximating the near-optimal solution; in addition, in order to ensure the convergence of the algorithm, the present invention adds elite individuals to the population. And further improve the population structure of traditional genetic algorithms, and propose a new population structure.
  • the invention uses the combination of scheduling and resource allocation, and does not cause performance loss due to the separation of the two; in addition, the invention also avoids the defect of adopting the greedy 10 ⁇ algorithm in the prior art, and can be closer to exhaustive search.

Landscapes

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

Abstract

本发明涉及无线通信技术领域，提供了一种基于遗传算法的调度与资源分配联合优化方法，应用于使用多点协作传输技术的通信系统中。该方法包括步驟：S1，染色体编码；S2，初始化设置；S3，计算适应度值；S4，判断最优解是否优于精英，若是进行精英更新执行S5；否则跳到S5；S5，判断是否已产生预定代种群，若否执行S6；否則跳到S8；S6，参加繁殖过程产生两个子染色体个体；S7，判断是否已产生预定个子染色体个体，若是跳到S3重新计算；否则转S6继续繁殖；S8，依据精英对应的解进行调度和资源分配。本发明的方法可在满足调度限制及功率限制条件下，联合地进行调度和资源分配，以较低的计算复杂度可靠高效地优化系统性能。

Description

技术领域
本发明涉及无线通
Figure imgf000003_0001
资源分配联合优化方法， 背景技术
近年来， 随着移动通信技术的发展， 移动通信系统对无线通信业务的 支持能力有了明显的提高。 然而， 用户对高速率、 高质量的多媒体业务也 有了更高的需求。 因此， 在下一代移动通信技术的研究中， 对频谱效率、 传输速率， 系统吞吐量和小区边缘性能等方面也提出了更高的要求。 作为 下一 无线通信系统的关键技术之一， OFI3MA ( Orthogonal Frequency Division Multiplexing Access, 正交频分多址） 虽然可以有效降低小区内干 扰， 却无法摆脱小区间千扰的影响， 从而造成系统性能得下降。 特别是对 于信噪比较低的边缘用户 , 可能由于千扰过.大无法准确译码而导致吞吐量 大 大减 小 „ 协作 多 点 传 输 （ CoMP ， Coordinated Multi-Point Transmission/Reception )技术因其能有效改善小区边缘用户性能， 降低甚至 消除小区间干扰， 在近年来引起了业界的广泛关注和研究， 并成为 3GPPL.TE- Advanced标准化的一项重要研究项目。
协作多点传输通信技术的核心思想是将传统的蜂窝网络扩展成为一个 多小区的多输入多输出（ MIMO , Multiple Input Multiple Output )系统， 即多 个协作基站同时使用相同无线资源的为协作用户提供服务。 这样， 来自相 邻小区的信号将被作为辅助传输信号为边缘用户提供服务， 而不是作为千 扰信号的主要来源。 然而， 随着协作多点通信这一新技术的引入， 却为用 户的调度及无线资源的分配带来了更大的挑战。 这是由于在多个协作小区 间进行调度和资源分配， 意味着原本已经非常复杂的问题规模的进一步扩 大， 以及问题约束条件的增多和更加严苛。
目前， 针对协作多点通信系统的调度和资源分配问题， 已有大量工 作。 比如 D.Choi 等人提出了针对多载波协作多点传输系统的调度和资源分 酉己方案 ( D.Choi,D.Lee,J.Lee,Resource allocation ： for CoMP with multiuser MIMO-OFDMAJEEE Trans, on Vehicular Technology , vol.60,pp.4626-4632,Nov.2011 )。 现有方案中采用了 LTE 系统支持的 3 种调 制方式， 并考虑了频率选择性信道的影响， 这意味着方案可以直接用于下 一代基于 OFDM 的通信系统中。 但是， 为了降低复杂度， 现有方案将联合 优化问题分解为独立的两步， 即首先确定调度方案， 然后在此基硇上进行 比特和功率分配。 并且， 采用了一种基于贪婪算法分配方式， 在满足各基 站功率约束的条件下， 每次分配一个比特， 将其分配给多传输一个比特所 需的额外发射功率最少的用户及其对应的子载波。 由于现有方案将调度和 资源分配的分开， 且贪婪算法仅能选择当前最好结果， 这使得现有方案不 能顾全全局的次犹算法的应用， 对系统整体的调度与资源分配性能必然会造 成一定的影响。
(一）要解决的技术问题
针对现有技术的缺点， 本发明为了解决现有技术中调度和资源分配方 案因规模大， 约束条件严苛而无法顾全全局的问题， 提供了一种基于遗传 算法的调度与资源分配联合优化方法。 为解决上述技术问题， 本发明具体釆用如下方案进 _行：
首先， 本发明提供一种基于遗传算法的调度与资源分配联合优化方 法， 应用于使用多点协作传输技术的通信系统中， 所述方法包括步驟： S1 , 对问题的潜在解进行染色体的编码设计；
52 , 进行初始化设置， 设置初始种群、 精英及遗传算法的控制参数；
53 , 计算新种群中包括精英在内的各染色体的适应度值；
S4， 判断当前种群中的最优解是否优于精英， 若是， 則进行精英的更 新后执行步骤 S5 ； 否則， 直接跳转到步骤 S5 ；
S5 , 判断是否已产生预定代种群， 若否， 执行步骤 S6 ； 否则， 直接跳 转步骤 S8 ；
56, 种群参加繁殖过程， 产生两个子染色体个体；
57 , 判断是否已产生预定个子染色体个体， 若是， 跳转到步骤 S3 重新 计算； 否则， 转回步骤 S6 继续繁殖；
S8 , 依据精英对应的解进行协作多点传输系统中的用户调度和资源分 配。
优选地， 步骤 S1 中， 对染色体个体进行二维二进制编码 优选地， 步骤 Si 中， 若系统中基站带宽被均匀划分为 M ·丁 ¾¾ 则每个染色体个体由 M 个基因向量组成， 每个基因向量的二值比特划分为 用户调度策略和比特分配情况两部分。
优选地， 步骤 S2 中， 初始化设置的控制参数包括种群大小、 遗传代数 和突变概率。
优选地 步骤 S3 采用基于罚函数的适应度函数 度值 优选地 步骤 S3 所述适应度函数为：
R(G) Ά -
Figure imgf000005_0001
其中， R(G) 为染色体 G对应的优化目标值； λ θ 为体现惩罚力度大小 的罚因子； penalty(n，G) 为基站 n 的功率约束条件不满足时带来的惩罚， 定 义为基站 n 最大发射功率与实际发射功率的负差值； N 为系统士 H 优选地， 所述优化目标值的函数为 ma 二
Figure imgf000005_0002
賺 β = Σ Σ ' ," 其中， Μ 为系统中基站带宽被均匀划分的子载波个数； bm,k 1 k在子载波 m 上的比特速率， 且在使用 LTE 支持的三种调制方式： QPSK、 I 6QAM、 32QAIV1 时， b[n,k t {0,2,4,6} ； sm 为子载波 m 上被调度用户的 集合， 且集合中元素个数小于等于 N ； wk为用户 k 的权值，权值与用户的 最低速率要求成比例。
犹选地， 步骤 S6 中， 繁殖过程包括选择、 交叉、 变异和调整 4 个部 分。
优选地， 所述选择部分中， 采用赌轮选择算法进行父母的选择。
优选地， 所述交叉部分中， 采用均勾交叉的方式进行。
(三）有益效果
本发明提出了一种基于遗传算法的调度与资源分配联合优化方法， 可 在满足调度限制及功率限制条件下， 联合地进行调度和资源分配， 以较低 的计算复杂度可靠高效地优化系统性能。 具体地， 本发明采用的是调度和 资源分配联合犹化， 不会由于二者分离而产生性能损失； 另外， 本发明也 回避了现有技术中采用贪婪算法的缺陷， 能更加逼近穷尽搜索的最优解； 本发明中采用的遗传算法有着远远低于穷尽搜索的计算复杂度， 因此可以 在性能和吞吐量之间达到平衡； 最后， 由于遗传算法有着较高的鲁棒性， 非常适合在实际系统中取得应用， 有较好的应用前景。 附图说明
附图用来提供对本发明的进一步理解， 并且构成说明书的一部分, 与 本发明的实施例共同用于解释本发明， 并不构成对本发明的限制。
图 1 为本发明的实施例中基于遗传算法的调度与资源分配联合优化方 法的流程示意图；
图 2 为本发明的犹选实施例中两种典型的基因向量示意图；
图 3 为本发明的犹选实施例中一种均匀交叉的实例；
图 4 为本发明的犹选实施例中繁殖过程的示例性流程图；
图 5 为本发明的犹选实施例中包括精英的种群结构图；
图 6 为本发明的一个实施例中的应用场景示意图；
图 Ί 为本发明的一个实施例中本发明方案与对比方案实施后的总速率 对比图；
图 8 为本发明的一个实施例中不同方案在不同用户数及 SNR=20dB 时 的总速率对比图。 具体实施方式
下面将结合本发明实施例中的附图， 对本发明实施例中的技术方案进 行清楚、 完整地描述， 显然， 所描述的实施例是本发明的一部分实施例， 而不是全部的实施例。 基于本发明中的实施例， 本领域普通技术人员在没 有做出创造性劳动的前提下所获得的所有其他实施例， 都属于本发明保护 的范围。
本发明为了解决现有技术中调度和资源分配方案难以兼顾全局的问 题， 提出了一种基于遗传算法的调度与资源分配联合犹化方法， 该方法主 要应用于使用多点协作传输技术的通信系统中。 如图 1 的流程图所示， 本 发明中的方法的基本过程为：
51 , 对问题的潜在解进行染色体的编码设计；
52 , 进行初始化设置， 设置初始种群、 精英及遗传算法的控制参数， 包括种群大小 Np、 代数 Ng、 突变概率 ^„等；
S3， 计算新种群中包括精英在内的各染色体的适应度值；
S4， 判断当前种群中的最优解是否优于精英， 若是， 则进行精英的更 新后执行步骤 S5 ； 否则， 直接跳转到步骤 S5 ；
S5 , 判断是否已产生 Ng代种群， 若否， 执行步骤 S6 ； 否则， 直接跳 转步骤 S8 ；
S6， 种群参加繁殖过程， 产生两个子个体； 其中繁殖过程包括四步： 选择、 交叉、 突变和修正；
S7, 判断是否已产生 Np 个子个体， 若是， 跳转到步骤 S3 重新计算； 否则， 转回步驟 S6 继续繁殖；
S8， 依据精英对应的解进行协作多点传输系统中的用户调度和资源分 配。
下面对本发明的方案做进一步的说明。 在本发明的方案中， 首先假设 无线通信系统包含 N 个协作基站和 K个协作用户， 基站和移动终端分别配 备一个发送和一个接收单天线； 基站拥有相同的最大发射功率 Pmax 和带 宽， 且该带宽被均匀划分为 M 个子载波； 用户的数据和信道状态信息可以 通过核心和回传网络快速可靠的在各基站之间交互； 采用线性预编码， 协 作系统可以实现在任意子载波上最多可以有 N 个用户同时得到服务。 此 夕卜， 假设系统采用三种调试方式： QPSK、 16QAM和 64QAM, 則各载波上 各用户的传输比特 e {0,2,4,6}。
步骤 SI 和 S2 中涉及编码设计和初始化：
本发明的方案在对问题进行处理之前， 需要对染色体个体进行编码来 表示问题的潜在可能解。 这里提出一种二维二进制编码的方案， 其中二进 制表示每个比特取值仅为 ' Γ或' 0'两种值，二维表示染色体含有多行和多列码 字。更进一步地，基因向量§[51表示为一个子载波上的用户调度与比特分配策 略， Μ 个基因向量组成一个完整的染色体 0^^5.,.^]τ。 其中， 每个基因 向量包括 K+N .「k>g2Q"个二值比特（bit， 即二进制位） ， 其中 Q表示传输比 特的可能值的个数， 这里 Q=4„ 基因向量进一步划分为两部分， 分别对应用 户调度策略 (下称 Part 1 )和比特分配情况（下称 Part 2 ) 。
Part 1 由 个二值比特组成， 分别对应 K 个用户在该子载波的调度情 况， 其中每一位的 T代表调度用户， '0'代表非调度用户。 需要注意的是， 由于每个子载波上最多有 Ν 个用户可被调度， Part 1 中所有比特的代数和
(即 T的个数） 必须小于或者等于 N。 Part2 由 N . log,Q I比特构成， 其顺次 给出了 Part 1 中每一调度用户的比特速率， 其中「tog2Q— i为表示四种可能的 比特速率所需的二值比特数目； 具体而言， 就是 Part 2 中的第一个比特速 率与 Part 1 中的第一个 T表示的调度用户对应， Part 2 中的第二个比特速 率与 Parti 中的第二个 T表示的调度用户对应， 如此类推。
举例来说， 假设系统包括 3 个协作基站， 8 个协作用户， 即 N == 3 , - 8, 图 2 给出了两种典型的基因向量示意图。 其中， 图 2(a) H良用户 2、 6、 8被调度， 且分别对应编码为 11、 01、 10 的比特速率; 此时比特速 率与二值编码的对应情况见表！。 故用户 2、 6、 8 的传输比特分别为 6、 2、 4, 调制方式分别为 64QAM、 QPSK, 16QAM。
Figure imgf000008_0002
表 1 图 2(a) 中传输比特对应的二值编码。
图 2(b)表示用户 1、 5 被调度， 对应的传输比特分别为 2 和 4, 分别采. 用 QPSK 和 16QAM 的调制方式， 此基因向量的最后两比特可以忽略不 在算法初始阶段， 随机生成包含 Np个染色体个体的初始种群；
Figure imgf000008_0001
群的不断进化， 种群中的个体数目保持不变。
步骤 S3 中根据适应度函数计算新种群中各染色体的适应度值： 其中， 适应度函数用来衡量染色体对应的解的好坏情况， 该函数最基 本的思想是， 染色体所对应的优化目标值越大， 适应度越强。 然而在本发 明要面对的问题中， 由于基站各功率约束条件的影响， 不是所有的染色体 都是问题的可行解。 为了处理功率约束条件， 本发明中进一步提出了一种 基于罚函数的适应度函数， 即对任意违反约束条件的个体（即不可行解） ， 通过在其适应度值上添加一个惩罚项的方式加以惩罚， 从而使该个体的适 应度值降低。 本发明中优选的适应度函数的表达式如下：
、 I R( ? G) G― -为.…可行 '一解 . '
I R(G) 4- , - 2 penal( (n,G} G为：不可行解 式（i )中， R(G) 为染色体 G 对应的优化目标值， λ。为罚函 (罚 ， 该^因子体现了惩罚力度的大小。 peiialty(ii,G) 为基站 ri 的功 率约束条件不满足时带来的惩罚， 定义为基站 11 最大发射功率与实际发射 功率的负差值。 这样， 可以在群体中保持一定数量的非可行解， 这将增大 种群中个体的多样性， 并让遗传算法可以同时在可行域和非可行域进行检 索， 使算法更快速地找到问题的最优解。
步骤 S6 涉及.种群的繁殖过程：
该步骤中产生的子个体将使可行与不可行的染色体的基因都将通过该 繁殖过程进 _入到下一代种群中。 具体地， 繁殖过程共包括 4 个部分， 分别 为： 选择、 交叉、 变异和调整。
i、
( oulette wheel selection
Figure imgf000009_0001
更大可能性被选为父母，
为父母的概率为:
Figure imgf000009_0002
需要注意的是， 选择出的染色体并不从种群中移出， 因此， 同一染色 体可能被选择两次以上。
2、 交叉
在本发明中优选采用均勾交叉的方式， 相比单点交叉和多点交叉， 均 匀交叉更加广义。 均勾交叉时将每个点都作为潜在的交叉点， 随机地产生 与染色体等大的 0-1 掩码矩阵， 掩码中的片段表明哪个父个体向子个体提 供变量值。 图 3 给出了一种均匀交叉的实例， 其中系统基站数为 3 , 用户数 为 8， 子载波数为 4 ： 对于子个体 1， ΊΛ表示父个体 1 提供基因值， '0，表示 父个体 2 提供基因值； 对于子个体 2, 规则恰好相反。
Figure imgf000009_0003
一个随机数 r e [0,1] , 若 r < pm,则将该位变为 ' i- *'; 否则，该位' *'不变。 具体而言， 就是把（'0'或 ' Γ )变成另一个数（T或' 0' ) ； 否则， 该位不变。
4、 修正
实行均匀交叉和变异后， 生成的子个体很有可能不再满足调度约束条 件， 造成存在一些子载波上多于 Ν 个用户被调度。 因此， 需要对交叉后的 不满足调度约束条件个体进行修正处理。 修正过程中首先检查子各基因向 量的 Part 1 部分的各位代数和是否超过 N， 如果是， 則随机选择值为 T的 位置， 并置为 '0% 直至满足约束条件为止； 此外， 也可能存在 Part 1 中 T 的个数为 '0，的情况， 于是随机将一个比特置为 '0，。
上述繁殖过程的示例性流程图见图 4。 由于两个父个体只能产生两个子 个体， 因此为了产生下一代种群， 繁殖过程需要一直重复直至生成 NP 个子 个体。
最后， 为了满足遗传算法的收敛条件， 本发明中将经典的遗传算法进 行修改。 具体地， 在每个群体中加入一个超级个体并命名为精英， 作为种 群中的第 Np+1 个成员， 设计一种新的种群结构， 如图 5 所示， 其中当前种 群中最好个体为新生成个体中的最好可行解。 本发明中， 精英不参加繁殖 过程， 其更新规则如下： a、 若当前种群中的最好个体优于精英， 则用当前 种群中的最好个体替换精英； b、 否则， 精英保持不变（保留） 。
需要注意的是， 达到最犹解的所需遗传代数并不知道， 因此， 实际中 常常将最大代数预先固定， 设为 Ng。 当算法结束时， 协作多点通信系统的 调度和比特分配策略将依据当前精英所对应的解。
下面通过几个具体的实施例和附图， 对本发明的技术方案做进一步的 详细描述。
实施例 1
考虑下行协作多点传输系统， 实施例 1 的场景如图 6 所示， N - 3 个相邻基站同时为随机分布于阴影区域的边缘用户提供服务； 所有小区的 半径均为 500m , 且各基站具有相同的最大发射功率限; 假设系统共有 M = 4 个子载波， 且以复用系数 1 在各基站间复用； 基站与用户间的信道考虑 大尺度衰落、 阴影衰落和瑞利衰落； 对于遗传算法， 种群中包含 Np = 50 个 个体， 共进行 Ng - 100 代搜索， 且突变概率为 pm = 0。05。
考虑优化目标 R为系统总传输比特最大：
觸 X ( 3 ) 其中， bm,k代表用户 k 在子载波 m 上的比特速率， 且 ra,k 6 {0,2,4,6} ； sm 为子载波 m上被调度用户的集合，且集合中元素个数小于等 于 N„
图 7 给出了本发明方案与对比方案实施后的总速率对比图， 其中对比 方案 1 和对比方案 2 来自前述 IXCboi等人的参考文献， 且均将调度与资源 分配分开， 并采用基于贪婪算法的比特功率分配算法。 其中， 对比方案 1 采用一种基于总传输比特的次优调度方法， 另外的对比方案則采用随机调 度方法和穷尽搜索方法； 用户数 K - 10。 由图 7 可以看出， 在系统吞吐 量方面， 本发明的方法可以获得接近穷尽搜索的结果， 并且远远优于其他 的对比方案； 随机方案的性能最差； 其次是对比方案 i ； 对比方案 2 次于 所提方案^！由于其调度和资源分配方法均为次优解， 且二者的分开进一步降 低了性能。
图 8 给出了不同方案在不同用户数及 SNR=20dB 时的总速率对比， 以 更好验证方案的多用户分集性能。 由图 8 可见， 本发明的方法、 穷尽搜索 及对比方案 1 的总速率随着用户的增多而增大， 说明这三种方案可以较好 利用多用户分级。 此外， 本发明方案与穷尽搜索的性能差距随着用户数增 多而增大， 这是由于随着搜索空间的增大， 本发明方案相比穷尽搜索节约 了更多的计算复杂度， 但是却要以牺牲一定的性能为代价。 然而， 对比方 案 2 和随机方案的总比特速率几乎是不变的， 因为二者都是采用随机用户 调度的策略， 不能 ^艮好利用多用户分集。
实施例 2
本实例 2 考虑下行协作多点传输系统， 系统模型设置及参数同实施例 1。 要兼顾系统总速率和用户的公平性， 可以设置不同的目标函数和与之对 应的适应度函数， 达到不同的优化目标。 比例公平是平衡吞吐量和用户公 平性的著名准则。 要兼顾边缘用户的公平性， 调度和资源分配方式可以最大 化下面的目标函数：
！丽 R = J ^¾(∑¾* ( 4 ) 式（4 ) 中， 与 sm 同实施例 1。
另一种情况是， 系统中的不同用户由于业务种类的不同， 具有不同的 最低速率需求。 为了保证具有不同速率要求的用户的公平性， 定义优化目标 函数：
M
賺 X Ί ( 5 ) 其中， Wk为用户 k 的权值， 权值与用户的最低速率要求成比例； bm,k与 sni同实施例 1。
本发明提出了一种基于遗传算法的调度与资源分配联合优化方法， 可在 满足调度限制及功率限制条件下， 联合地进行调度和资源分配， 以较低的 计算复杂度可靠高效地优化系统性能 具体地， 本发明设计了一种二维二 值的染色体编码方式， 用以表示各子载波上调度策略和比特分配方法的可 能解； 为了处理各基站的功率约束条件， 提出了一种基于罚函数的适应度 函数， 用于衡量染色体的质量； 经过选择、 交叉、 突变、 调整四个步骤的
5 繁殖过程， 具有较高适应度值的染色体的基因不断遗传给子代， 达到不断 逼近问题近^最优解的目的； 另外， 为了保证算法的收敛性， 本发明在种 群中添加了精英个体， 并进一步对传统遗传算法的种群结构加以改进， 提 出了一种新的种群结构。 本发明釆用的是调度和资源分配联合犹化， 不会 由于二者分离而产生性能损失； 另外， 本发明也回避了现有技术中采用贪 10 婪算法的缺陷， 能更加逼近穷尽搜索的最优解； 本发明中采用的遗传算法 有着远远低于穷尽搜索的计算复杂度， 因此可以在性能和吞吐量之间达到 平衡； 最后， 由于遗传算法有着较高的鲁棒性， 非常适合在实际系统中取得 应用， 有较好的应用前景。 i s 领域的普 技术 员，' 在不脱离 ^发明的精神和范 的情况；， 以做 出各种变化和变型， 因此所有等同的技术方案也属于本发明的范畴， 本发明 的实际保护范围应由权利要求限定。

Claims

权利要求书
1. 一种基于遗传算法的调度与资源分配联合优化方法， 应用于使用多 点协作传输技术的通信系统中； 其特征在于， 所述方法包括步骤：
Si , 对问题的潜在解进行染色体的编码设计；
S2 , 进行初始化设置， 设置初始种群、 精英及遗传算法的控制参数；
53 , 计算新种群中包括精英在内的各染色体的适应度值；
54 , 判断当前种群中的最优解是否优于精英， 若是， 則进行精英的更 新后执行步骤 S5 ； 否则， 直接跳转到步骤 S5 ；
55 , 判断是否已产生预定代种群， 若否， 执行步骤 S6 ； 否则， 直接跳 转步骤 S8 ；
56, 种群参加繁殖过程， 产生两个子染色体个体；
57 , 判断是否已产生预定个子染色体个体， 若是， 跳转到步骤 S3 重新 计算； 否则， 转回步骤 S6 继续繁殖；
58 , 依据精英对应的解进行协作多点传输系统中的用户调度和资源分 配。
2, 根据权利要求 1 所述的方法， 其特征在于， 步骤 S 1 中， 对染色体 个体进行二维二进制编码。
3. 根椐权利要求 2 所述的方法， 其特征在于， 步骤 S 1 中， 若系统中 基站带宽被均匀划分为 M 个子载波， 則每个染色体个体由 M 个基因向量 组成， 每个基因向量的二值比特划分为用户调度策略和比特分配情况两部 分。
4, 根据权利要求 1 所述的方法， 其特征在于， 步骤 S2 中， 初始化设 置的控制参数包括种群大小， 遗传代数和突变概率。
5. 根椐权利要求 1 所述的方法， 其特征在于， 步骤 S3 中， 采用基于 罚函数的适应度函数进行所述适应度 _值的计算。
6, 根据权利要求 5 所述的方法， 其特征在于， 步骤 S3 中， 所述适应度 函数为： m(G) G为可讓
G为不可行解
Figure imgf000014_0001
其中， R(G) 为染色体 G对应的优化目标值； λ。为体现惩罚力度大小 的罚因子； penalty(n,G) 为基站 η 的功率约束条件不满足时带来的惩罚， 定 站 η 最大发射功率与实际发射功率的负差值； Ν 为系统中协作基站
7, 根据权利要求 6 所述的方法: 征在于， 所述优化目标值的函数
驅
Figure imgf000014_0002
m-l 或
M
謹 RH d
其中， M 为系统中基站带宽被均匀划分的子载波个数； bm,k代表用户 k 在子载波 m 上的比特速率， 且在使用 LTE 支持的三种调制方式: QPSK 16QAM、 32QAM 时， bm,k t {0,2,4,6} ； 8 为子载波 m 上被调度 用户的集合， 且集合中元素个数小于等于 N ； wt 为用户 k 的权值， 权值 与用户的最低速率要求成比例。
8. 根据权利要求 1 所述的方法， 其特征在于， 步骤 S6 中， 繁殖过程包 括选择、 交叉、 变异和调整 4 个部分。
9. 根据权利要求 8 所述的方法， 其特征在于， 所述选择部分中， 采用 赌轮选择算法进行父母的选择。
10. 根据权利要求 8 所述的方法， 其特征在于， 所述交叉部分中， 采用 均勾交叉的方式进行。
PCT/CN2012/087619 2012-05-17 2012-12-27 基于遗传算法的调度与资源分配联合优化方法 WO2013170611A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201210155124.8 2012-05-17
CN201210155124.8A CN102711266B (zh) 2012-05-17 2012-05-17 基于遗传算法的调度与资源分配联合优化方法

Publications (1)

Publication Number Publication Date
WO2013170611A1 true WO2013170611A1 (zh) 2013-11-21

Family

ID=46903771

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2012/087619 WO2013170611A1 (zh) 2012-05-17 2012-12-27 基于遗传算法的调度与资源分配联合优化方法

Country Status (3)

Country Link
US (1) US9287939B2 (zh)
CN (1) CN102711266B (zh)
WO (1) WO2013170611A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105072685A (zh) * 2015-07-13 2015-11-18 南京理工大学 基于合作的异构无线网络分散资源分配方法
TWI732350B (zh) * 2019-11-20 2021-07-01 國立清華大學 基於基因演算法的資源分配方法及資料控制中心

Families Citing this family (69)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102711266B (zh) * 2012-05-17 2014-08-13 北京邮电大学 基于遗传算法的调度与资源分配联合优化方法
CN102892188B (zh) 2012-10-09 2016-07-06 中兴通讯股份有限公司 通信网络中基于遗传算法的上行功率控制方法及装置
CN103036665B (zh) * 2012-12-20 2016-06-29 广东工业大学 正交频分复用系统的动态资源分配方法
CN103143298A (zh) * 2013-03-27 2013-06-12 桂林电子科技大学 基于遗传算法优化的人造金刚石液压机调功控制方法
CN103347299B (zh) * 2013-06-07 2016-04-13 北京邮电大学 一种基于遗传算法的集中式资源管理方法
CN103490804A (zh) * 2013-09-12 2014-01-01 江苏科技大学 基于优先度遗传模拟退火的多用户mimo系统天线选择方法
CN103916223A (zh) * 2014-03-24 2014-07-09 西安交通大学 一种基于遗传算法的d2d协作重传方法
CN104347955B (zh) * 2014-09-30 2017-04-26 北京邮电大学 一种有源天线垂直小区分裂的天线方向图优化方法
US20160180270A1 (en) * 2014-12-18 2016-06-23 Gufei Sun Optimization of project resource management with multi-resource types and cost structures
CN104684095B (zh) * 2015-03-10 2018-10-02 东南大学 一种异构网络融合场景中基于遗传运算的资源分配方法
US10542961B2 (en) 2015-06-15 2020-01-28 The Research Foundation For The State University Of New York System and method for infrasonic cardiac monitoring
CN105611635B (zh) * 2015-12-18 2019-01-18 华南理工大学 一种异构无线网络协作通信中的多目标网络功率分配方法
CN106295806A (zh) * 2016-07-29 2017-01-04 浪潮(北京)电子信息产业有限公司 确定规定时间内访问存储服务器的存储容量的方法及装置
CN106411469B (zh) * 2016-09-29 2020-08-07 合肥工业大学 基于多基站异构网络中可伸缩视频的多播资源分配及传输方法
CN107167768B (zh) * 2017-05-31 2023-04-21 华南理工大学 一种基于遗传算法高精度可见光定位方法及其定位系统
CN107748916B (zh) * 2017-10-31 2020-12-29 青岛理工大学 面向结构优化的遗传演化拓扑优化的改进方法
CN108491968A (zh) * 2018-03-17 2018-09-04 北京工业大学 基于农产品质量安全应急资源调度模型计算方法
CN109214110B (zh) * 2018-09-27 2022-12-27 中国水利水电科学研究院 一种长距离提水工程优化调度方法
CN109343966B (zh) * 2018-11-01 2023-04-07 西北工业大学 一种无人节点的集群组织方法及装置
CN109800071A (zh) * 2019-01-03 2019-05-24 华南理工大学 一种基于改进遗传算法的云计算任务调度方法
CN109861866A (zh) * 2019-02-22 2019-06-07 华南理工大学 携能多载波noma系统中基于发射功率最小化的资源分配方法
CN110490446A (zh) * 2019-08-13 2019-11-22 河南科技大学 一种基于改进遗传算法的模块化工艺重组方法
CN110533332B (zh) * 2019-09-02 2023-05-02 海南电网有限责任公司 一种基于多初始点罚函数的计算资源分配方法及服务器
CN110851247B (zh) * 2019-10-12 2023-07-25 华东师范大学 一种带约束云工作流的成本优化调度方法
CN110719641B (zh) * 2019-10-15 2022-08-26 南京邮电大学 边缘计算中用户卸载与资源分配联合优化方法
CN112990515A (zh) * 2019-12-02 2021-06-18 中船重工信息科技有限公司 一种基于启发式优化算法的车间资源调度方法
CN110990460A (zh) * 2019-12-04 2020-04-10 河海大学常州校区 一种动态服务资源的数据挖掘方法
CN111324422B (zh) * 2020-02-24 2024-04-16 武汉轻工大学 多目标虚拟机部署方法、装置、设备及存储介质
CN111445111B (zh) * 2020-03-09 2022-10-04 国网江苏省电力有限公司南京供电分公司 一种基于边缘协同的电力物联网任务分配方法
CN111328146B (zh) * 2020-03-10 2022-04-05 西安电子科技大学 一种基于遗传算法优化传输速率权重的业务调度方法
CN111507863A (zh) * 2020-04-20 2020-08-07 国网江苏省电力有限公司徐州供电分公司 一种基于遗传算法的交叉供电大容量动态电压恢复系统容量设计方法
CN111726854B (zh) * 2020-04-24 2023-04-07 浙江工业大学 一种降低物联网计算卸载能耗的方法
CN111625438B (zh) * 2020-06-01 2023-03-24 上海海事大学 基于量子遗传算法的复杂系统可靠性评估方法
CN111737120B (zh) * 2020-06-15 2022-09-23 河南工业大学 一种软件缺陷修复方法及装置
CN111860984B (zh) * 2020-07-06 2022-03-11 燕山大学 一种基于改进遗传算法的多异构无人机任务分配方法
CN112016979B (zh) * 2020-09-08 2023-07-18 平安科技（深圳）有限公司 用户分群方法、装置、设备和计算机可读存储介质
CN112039580B (zh) * 2020-09-17 2021-05-07 中国人民解放军32039部队 一种多波束通信卫星的下行波束资源分配方法及装置
CN112272381B (zh) * 2020-10-22 2022-08-30 大连大学 一种卫星网络任务部署方法和系统
CN112584386A (zh) * 2020-11-17 2021-03-30 国网安徽省电力有限公司信息通信分公司 5g c-ran资源预测和分配方法及系统
EP4009564B1 (en) 2020-12-03 2023-12-06 Hon Lin Technology Co., Ltd. Method for allocating wireless resources based on sensitivity to inter-cell interference and apparatus thereof
CN112580865A (zh) * 2020-12-15 2021-03-30 北京工商大学 一种基于混合遗传算法的外卖配送路径的优化方法
CN112713903B (zh) * 2020-12-23 2024-07-26 中国地质大学（武汉） Scl译码器下的基于普遍偏序和遗传算法的极化码构造方法
CN112804758B (zh) * 2020-12-30 2022-09-06 深圳清华大学研究院 多跳网络通信资源分配方法及装置
CN113159369B (zh) * 2021-01-21 2023-06-23 安徽农业大学 一种基于优化遗传算法的多林区调度航线规划方法
CN112836949A (zh) * 2021-01-26 2021-05-25 西安理工大学 一种基于狮群算法的水库群双目标优化调度方法
CN112990716B (zh) * 2021-03-22 2024-02-09 杭州电子科技大学 一种双资源约束柔性车间调度和布局集成优化方法及系统
CN112907150B (zh) * 2021-04-07 2023-03-24 江苏西格数据科技有限公司 一种基于遗传算法的生产排程方法
CN113163004B (zh) * 2021-04-09 2023-01-24 北京易华录信息技术股份有限公司 一种工业互联网边缘任务卸载决策方法、装置及存储介质
CN113139680B (zh) * 2021-04-09 2023-11-21 中国科学院计算技术研究所 一种异构物联网中设备协作优化方法及系统
TWI799835B (zh) * 2021-04-16 2023-04-21 兆豐國際商業銀行股份有限公司 為商家指派服務銀行分行的電子裝置和方法
CN113255106A (zh) * 2021-04-27 2021-08-13 杭州电子科技大学 一种片上电源配电网络的联合仿真优化方法
CN113285832B (zh) * 2021-05-24 2022-11-01 国网河南省电力公司信息通信公司 基于nsga-ii的电力多模态网络资源优化分配方法
CN113301576B (zh) * 2021-05-26 2023-03-21 南京邮电大学 一种基于改进遗传算法的蜂窝网络资源分配方法
CN113592393A (zh) * 2021-07-21 2021-11-02 上海发网供应链管理有限公司 一种基于遗传算法的快速分拣线初始上架算法
CN113705861A (zh) * 2021-08-06 2021-11-26 龙滩水电开发有限公司龙滩水力发电厂 基于遗传算法的电力市场环境下水电站运行优化方法
CN113779885B (zh) * 2021-09-16 2024-04-30 南京航空航天大学 一种基于遗传算法的容差优化方法
CN114186749B (zh) * 2021-12-16 2022-06-28 暨南大学 基于强化学习及遗传算法的柔性车间调度方法及模型
CN114489156B (zh) * 2022-01-25 2024-05-07 南京晨光集团有限责任公司 一种基于三轴转台的高精度控制策略
CN114745693B (zh) * 2022-03-03 2024-04-26 武汉大学 基于pso-ga混合算法的uav辅助车联网资源分配方法
CN114553283B (zh) * 2022-03-07 2024-09-03 中国科学院上海微系统与信息技术研究所 一种基于多圈uca的涡旋电磁波发散角度调节方法
CN114745310B (zh) * 2022-03-31 2024-01-12 工银科技有限公司 基于遗传算法的流量阈值的确定方法及装置
JP7449975B2 (ja) * 2022-05-11 2024-03-14 アスクル株式会社 情報処理装置、情報処理方法、プログラム
CN115115340B (zh) * 2022-06-30 2023-11-24 广州高新工程顾问有限公司 一种工程项目智慧化数字监理多目标协同控制方法
CN115314180B (zh) * 2022-10-10 2023-01-20 广东电网有限责任公司江门供电局 一种基于载波聚合的电力线通信方法、系统、设备和介质
CN115545539A (zh) * 2022-10-27 2022-12-30 西安电子科技大学广州研究院 基于惩罚因子和启发式搜索的警务人员智能调度方法
CN116663936B (zh) * 2023-07-24 2024-01-09 长江三峡集团实业发展(北京)有限公司 一种电气综合能源系统扩容规划方法、装置、设备及介质
CN117560329A (zh) * 2023-09-27 2024-02-13 南通先进通信技术研究院有限公司 一种物联网数据资源自适应分配方法及系统
CN117290077B (zh) * 2023-11-24 2024-02-23 深圳市飞梵实业有限公司 基于遗传算法的医疗平台云计算任务调度方法和系统
CN118171896A (zh) * 2024-05-14 2024-06-11 上海惠生海洋工程有限公司 系泊试验的设备调试调度优化方法、装置、及计算机设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101146079A (zh) * 2007-10-18 2008-03-19 上海交通大学 基于遗传算法的正交频分复用系统子载波分配方法
CN101262701A (zh) * 2008-04-22 2008-09-10 华东师范大学 一种基于遗传算法的动态信道分配方法
CN101902747A (zh) * 2010-07-12 2010-12-01 西安电子科技大学 基于模糊逻辑遗传算法的频谱分配方法
CN102244840A (zh) * 2011-06-17 2011-11-16 中南大学 一种认知无线Mesh网络中的组播路由及频谱分配方法
CN102711266A (zh) * 2012-05-17 2012-10-03 北京邮电大学 基于遗传算法的调度与资源分配联合优化方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2000036523A1 (en) * 1998-12-15 2000-06-22 Jing Xiao Method for solving partial constraint satisfaction problems for sequencing tasks
US7434216B1 (en) * 2002-11-25 2008-10-07 Hewlett-Packard Development Company, L.P. Update package generator that employs genetic evolution to determine bank order
CN1968489B (zh) * 2006-06-23 2011-09-14 华为技术有限公司 一种资源分配的方法及系统
US20080154809A1 (en) * 2006-10-20 2008-06-26 Genalytics, Inc. Use and construction of categorical interactions using a rule gene in a predictive model
GB2458077A (en) * 2006-12-22 2009-09-09 Singapore Tech Dynamics Pte Method and apparatus for automatic configuration of meta-heuristic algorithms in a problem solving environment
US20080253383A1 (en) * 2007-04-13 2008-10-16 Microsoft Corporation Communicating using the port-preserving nature of symmetric network address translators
US8774136B2 (en) * 2009-01-19 2014-07-08 Telefonaktiebolaget L M Ericsson (Publ) Methods and arrangements for feeding back channel state information
US8938247B2 (en) * 2009-04-23 2015-01-20 Qualcomm Incorporated Sounding reference signal for coordinated multi-point operation
US8250007B2 (en) * 2009-10-07 2012-08-21 King Fahd University Of Petroleum & Minerals Method of generating precedence-preserving crossover and mutation operations in genetic algorithms
US8499001B1 (en) * 2009-11-25 2013-07-30 Quest Software, Inc. Systems and methods for index selection in collections of data

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101146079A (zh) * 2007-10-18 2008-03-19 上海交通大学 基于遗传算法的正交频分复用系统子载波分配方法
CN101262701A (zh) * 2008-04-22 2008-09-10 华东师范大学 一种基于遗传算法的动态信道分配方法
CN101902747A (zh) * 2010-07-12 2010-12-01 西安电子科技大学 基于模糊逻辑遗传算法的频谱分配方法
CN102244840A (zh) * 2011-06-17 2011-11-16 中南大学 一种认知无线Mesh网络中的组播路由及频谱分配方法
CN102711266A (zh) * 2012-05-17 2012-10-03 北京邮电大学 基于遗传算法的调度与资源分配联合优化方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105072685A (zh) * 2015-07-13 2015-11-18 南京理工大学 基于合作的异构无线网络分散资源分配方法
CN105072685B (zh) * 2015-07-13 2019-04-16 南京理工大学 基于合作的异构无线网络分散资源分配方法
TWI732350B (zh) * 2019-11-20 2021-07-01 國立清華大學 基於基因演算法的資源分配方法及資料控制中心

Also Published As

Publication number Publication date
US9287939B2 (en) 2016-03-15
US20130308570A1 (en) 2013-11-21
CN102711266B (zh) 2014-08-13
CN102711266A (zh) 2012-10-03

Similar Documents

Publication Publication Date Title
WO2013170611A1 (zh) 基于遗传算法的调度与资源分配联合优化方法
Hieu et al. Optimal power allocation for rate splitting communications with deep reinforcement learning
JP2010045783A (ja) マルチセル協調送信方法
Wang et al. Coordinated multi-cell transmission for distributed antenna systems with partial CSIT
TW200841627A (en) Method and apparatus to support SDMA transmission in a OFDMA based network
CN106658733B (zh) 多用户MIMO-OFDM中基于用户公平性和QoS的吞吐量优化方法
CN103999513A (zh) 用于mu-mimo的上行链路功率控制
Kaliszan et al. Multigroup multicast with application-layer coding: Beamforming for maximum weighted sum rate
CN104320814B (zh) 多点协作传输CoMP分簇方法及小区间资源调度方法
CN101702700A (zh) 基于对偶性的mimo-ofdm多用户系统功率最小化分配方法
Guo et al. QoS-aware user grouping strategy for downlink multi-cell NOMA systems
JP2010246114A (ja) マルチセル協調伝送方法
CN102545992A (zh) Df中继系统的最优中继选择和功率分配方法
Jang et al. Resource allocation and power control in cooperative small cell networks with backhaul constraint
CN114423028B (zh) 基于多智能体深度强化学习的CoMP-NOMA协作成簇与功率分配方法
Zhai et al. A Q-learning-based resource allocation for downlink non-orthogonal multiple access systems considering QoS
CN106209188B (zh) 大规模mimo系统中基于部分导频交替复用的导频污染减轻方法
WO2011150764A1 (zh) 信号传输方法、装置和基站
CN103281702B (zh) 一种基于多小区动态成簇的协作通信方法
WO2013189194A1 (zh) 信道信息反馈方法和用户设备
WO2011137677A1 (zh) 用于多输入多输出系统的数据传输方法和装置
CN103024821B (zh) 一种多用户协作多点传输的方法和装置
CN102196369B (zh) 多天线系统中用户选择与分组方法和通信设备
CN116801367A (zh) 一种交叉链路干扰抑制方法、网络节点及存储介质
CN104969484A (zh) 确定移动设备的集群集

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 12876907

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 12876907

Country of ref document: EP

Kind code of ref document: A1