基于能效优化的异构网络资源分配算法设计*

钱　进，王　孝，郭士增

(1.海军驻航天三院军事代表室,北京 100074；2.哈尔滨工业大学 通信技术研究所,黑龙江 哈尔滨 150080)



基于能效优化的异构网络资源分配算法设计*

钱进1，王孝2，郭士增2

(1.海军驻航天三院军事代表室,北京 100074；2.哈尔滨工业大学 通信技术研究所,黑龙江 哈尔滨 150080)

摘要：Macro/Femtocell作为新一代的异构网络，在用于增加网络覆盖量和提高吞吐量以及保证用户服务需求上有很大的优势，然而大规模的部署Femtocell会导致功率消耗显著增加，同时网络的能量效率也会明显下降。除此之外，为了提高频谱利用率，Macro/Femtocell之间通常采用共享频谱方案，这会导致Macro基站和Femtocell用户之间的跨层干扰，从而明显地降低异构网络的性能。针对上述问题，通过对多目标遗传算法的研究，提出基于能效优化的异构网络资源分配算法。该算法以能量效率为优化目标，在跨层干扰和功率限制等限制条件下，进行子载波信道和功率的联合资源分配。其中，采用多目标遗传算法中的非支配排序遗传算法(Non-dominated Sorting Genetic Algorithm,NSGA-II)进行优化的子载波分配和功率分配方案的求解。仿真结果表明，本文提出的算法在节约能耗方面相比于不考虑干扰限制的算法有很大提升。

关键词：能量效率；NSGA-II；异构网络；资源分配

0引言

随着无线通信技术的飞速发展，新一代无线设备在传输方面的需求成几何级数增长，人们为此已经在传输容量和传输速率方面做出了大量的研究。随着用户对更高的吞吐量和更大的峰值流量的需求的增长，能量的负担也日益加重，而且由于用户对传输速度的要求也越来越严苛，这更导致越来越巨大的能量被消耗在无线网络中。能量消耗问题也提醒研究者和运营商，大规模地部署传统的Macro基站不仅不是一种经济实惠更不是一种可持续发展的绿色的满足快速增长的用户需求的方式。因此，一种区别于传统同构网络模型的新型网络结构——异构网络技术应运而生。异构网络由传统Macro基站和不同类型的低功率基站共同构成，常见的低功率基站包括Micro基站，Pico基站、Femtocell基站、Relay基站和射频节点等[1]。然而，在异构网络中，跨层干扰和同层干扰会给异构网络的基站部署带来巨大的挑战，并且会降低异构网络的性能。比如，在网络中如果没有适当的干扰管理，必然会有一部分功率的浪费，从而导致网络的能量效率可能比没有采用低功率基站的网络能量效率更低，这就失去了利用低功率基站构成异构网络的意义[2-3]。因此，在干扰功率受限的策略中，引入低功率基站所引起的干扰必须控制在可接受的范围内。采用合理的资源分配方案不仅可以避免资源的浪费，更能够降低甚至基本消除同层或者跨层干扰。因此，资源分配在干扰管理和提高能量效率中扮演了重要角色。

现阶段针对异构网络能量效率的资源分配算法的研究中，一般都只是通过减小基站的发射功率来提高能量效率，但这并不符合实际的功率模型。现有的对能量效率的算法研究中很少同时考虑同层干扰和跨层干扰，但实际上跨层干扰和同层干扰会减小异构网络的容量，并对能量效率有很大的影响。除此之外，现有的资源分配算法很少同时进行联合的子载波和功率的联合分配。因此，本课题在Macro/Femtocell的两层异构网络的下行链路中，综合考虑实际的功率模型和跨层干扰和同层干扰的限制，充分考虑网络的整体性能，提出一种联合考虑实际的功率模型、干扰限制条件且以整个异构网络的能量效率为优化目标的子信道和功率的联合资源分配算法。

由于综合考虑了多个参数，本课题利用多目标遗传算法进行子信道和功率联合分配的优化值的求解。该算法不仅目标移植性强，而且复杂度较低，可以有效地进行资源分配问题的优化。

1系统模型

本文考虑Macro/Femtocell的两层异构网络环境，如图1所示，本文的仿真场景设置为包含三个Macro小区的多小区的网络结构，其中在每个Macro小区内包含1个Macro基站和6个Femtocell簇，每个Femtocell簇包含3个Femtocell。本文设定Macro基站和Femtocell采用共频谱方案，并采用全频率复用方式，并且设定在同一个簇内的Femtocell之间没有干扰。在网络中的每个Femtocell都有12个用户，每个Macro基站都有36个用户，Femtocell为开放式接入方式，Macro基站和Femtocell的用户既可以接入Macro基站和Femtocell基站。

图1　异构网络拓扑结构

本文的总体思路是，在Macro/Femtocell两层异构网络的下行链路中，针对全网的能量效率，综合考虑实际的功率模型和干扰限制等条件，对子信道和功率进行联合式的资源分配，并利用非支配排序遗传算法(Non-dominated Sorting Genetic Algorithm II,NSGA-II)进行优化的资源分配方案的求解。算法的整体流程图如图2所示。

图2　联合式资源分配算法流程

在理论分析的基础上，本文首先根据Macro/Femtocell的两层异构网络系统模型和对下行干扰的仿真分析，给出具体的系统参数以及具体的限制条件；其次，在该系统模型的基础上，通过仿真分析确定遗传算法的合理的种群规模和迭代次数以便与在较低的复杂度的条件下获得较好的收敛值，并通过算法的对比验证算法的性能；最后根据遗传算法具体的参数设定，根据通过设置不同的参数对算法的整体性能进行仿真分析[4-5]。

2资源分配方案设计

遗传算法是美国的J.Holland教授在60年代末提出的，通过模拟达尔文自然进化选择的过程，对一个解值空间进行操作并搜索，使群体经过优胜劣汰在解值空间找到最优解[6]。1967年，Rosenberg首次将遗传算法在多目标优化问题中的应用，这一研究开创了遗传算法解决多目标优化问题之一领域，使多目标遗传算法成为了研究热点。多目标遗传算法有很多种，其中，NSGA由Srinivas和Deb在1994提出。NSGA相比于简单遗传算法优化了所选择的算子，但是由于这种算法具有计算复杂度高、需要制定共享半径及容易丢失进化中的最优解的缺点，Deb在2000年对NSGA进行了改进，得到NSGA-II算法[7]。NSGA-II算法提出了新的基于分级的快速非胜出排序算法，将复杂度大大降低，提出了拥挤距离的概念，同时引入保护优秀个体的策略，扩大了样本空间，并将经过种群选择和复制得到的个体可以和产生其的父代进行比较，有利于保持优秀的个体，更快速地得到优化问题的解。因此，本文利用NSGA-II遗传算法来求解子信道和功率联合式资源分配的最优化方案。

本文设计的基因包括子信道分配和功率分配两部分，每一部分都是包含N个元素的序列，分别表示子信道占用情况和功率分配情况，并将每个用户的功率分配及信道占用的结果作为每个基因个体中的基因特质，即对应用户的功率分配和子信道占用结果作为同一时间下的一套完整的资源分配方案。因此，本文设计的遗传算法的整体流程图如图3所示。

图3　遗传算法流程

2.1种群初始化

种群的初始化就是根据要优化的具体问题设置符合其仿真场景的一定规模的种群个体。染色体的设计决定了种群初始化的优劣，本文的染色体设计方案如图4所示，本文的染色体一共包含两部分，第一部分表示子信道分配方案，第二部分表示用户的功率分配方案。在染色体中的前N个基因位表示网络中的Macro基站和Femtocell的所有用户的子信道分配情况，并且利用每一个基因位置表示一个基站内的所有用户的子信道分配情况；染色体中的后N个基因位表示网络中所有用户的功率分配方案，但是每个基因位置表示的含义与前N位不同，每个基因位置对应任意一个基站的所有的用户的功率分配方案。

图4　本文染色体设计方案

2.2适应度函数

利用遗传算法求解最优解问题时，最重要的指标就是适应度函数。在本文中，研究的子信道和功率联合式资源分配优化问题是为了在满足约束条件下得到最大的能量效率。由于本文的约束条件较多，所以本文设计将约束条件数学建模为另一个目标函数。本文分别得到能量效率和约束条件这两个目标函数，分别如式(1)和式(2)所示：

(1)

(2)

2.3种群选择和复制

选择与复制就是比较符合课题设定的适应度函数的大小，将符合课题需求的染色体选择进入下一代的过程。种群选择的作用就是筛选个体，通过对种群的个体进行选择，可以有效地保留资源池中待优化问题的必要的相关遗传信息，进而使得整个种群通过选择淘汰，可以向最优的染色体种群进行演变，即算法逐渐收敛可以获得所求问题的最优解。

具体的等级划分的方法如下：

(1)如果有两个样本X1、X2出现公式(4-7)的情况，说明样本X1在两个适应度值上都优于样本X2，也就是说样本X1的等级高于样本X2。因此，选择样本X1进入下一环节。

(3)

(2)如果这两个样本出现(4-8)的情况，说明样本X2在两个适应度值上都优于样本X1，也就是说明样本X2的等级高于样本X1。因此，选择样本X2进入遗传算法的下一环节。

(4)

(3)如果样本X1、X2出现公式(4-9)或者公式(4-10)的情况，那么说明这两个样本只在某一个适应度函数值上优于对方，二者属于同等级。

(5)

(6)

当样本处于同一等级时，需要通过样本周围的拥挤程度内部排序：

I(i)distance=

(7)

2.4种群交叉

为了确保遗传算法更有效地得到收敛值，本文也设定交叉发生在基因序列上。即本文的交叉发生在父代的前N段染色体的某个基因位上或是染色体后N段的某个基因位置上，染色体的前N段和后N段分别表示基站的所有用户的子信道分配方案和功率分配方案，针对于某个基站来说，其子信道分配方案和功率分配方案是一一对应的。本文设定交叉是否发生取决于按照伯努利分布的数列βa,a=1,2,…,N的取值，交叉的表达式如式(8)：

(8)

其中，offspring_SCa和offspring_PAa代表后代的子信道分配方案和功率分配方案；Parent(ω)_SCa、Parent(ω)_PAa、Parent(v)_SCa和Parent(v)分别代表两个父代的子信道和功率分配方案。

2.4种群变异

借助于自然进化论思想的遗传算法，自然也将种群变异作为了算法的一个步骤。遗传算法中的种群变异有基本变异、高斯近似变异以及均匀和非均匀变异等方式，不同的研究者也会根据具体的系统模型和课题需要来设计具体的变异方式。本文的变异方式选取最基本的变异方式，并且变异是发生在染色体的基因序列上的。作为染色体上的代表子信道的分配方案的和代表功率分配方案的基因位，二者具有相同的变异概率，如果发生变异，那么将对发生变异的重新进行编码也就是重新进行初始化。变异可以促进种群的多样性，但是如果变异概率过大，种群可能会无法收敛，即优化问题无法达到最优近似解；反之，如果变异概率过小，种群又有可能陷入局部最优解导致无法获得最优秀的种群个体，即无法获得最优的分配结果。因此，本文选取了合适的变异概率Pm=0.01。

从种群初始化到种群的变异是遗传算法的一次运算过程，对于由Np个个体组成的种群来说，通过t次迭代才能获得最终的优化结果，其中种群规模Np和迭代次数t的选取对遗传算法的性能和复杂度有很大的影响，需要对二者进行动态合理选择。

3仿真与分析

图5是遗传算法中的种群规模的选取和总的EE的关系的仿真图。其中，纵坐标为异构网络的整个网络的EE，单位为Mbps/W，横坐标为种群的规模，且种群规模的取值从100增加至300。从图5中可知，无论种群的规模的取值为多大，随着训练次数的增加，总的EE的曲线的趋势都是先快速增加然后缓慢增加至一个平稳的常数，当总的EE增加到常数后，EE的值就不再随着训练次数的增加而改变。因此从图5中可以得出两点结论：首先，不管种群的规模为多大，随着训练次数的增加作为目标函数的能量效率都可以得到平稳的收敛值，这证明了本文提出的资源分配算法的收敛性；其次，随着种群规模的扩大，总的EE会收敛到一个最优值。

图5　种群选取与能量效率关系

图6为本文提出的联合式的子信道分配和功率分配的资源分配算法与不考虑干扰限制的基于遗传算法的资源分配算法的EE对比曲线图。本文的总的EE先随着训练次数的增加而增加，当增加到EE的收敛值时，总的EE就不再随着训练次数的增加而改变，总的EE是一个常数，而对比算法的EE随着训练次数的增加基本没有改变，一直是一个常数，这主要是由于该算法将基站的发射功率都分配给用户，导致网络中的总的能耗十分大，所以导致能效较低。通过总的EE的对比图可以看出，本文的算法性能相比于对比算法更能保证能效。

图6　能量效率对比

图7为本文算法与对比算法的吞吐量的对比图，纵坐标为总的吞吐量，单位为Mbps，横坐标为训练次数。两种算法的吞吐量都随着训练次数的增加先增加再平稳，这是因为两种算法都是以能量效率为优化目标，当能量效率达到优化值时，能量效率是一个常数，因此吞吐量也是一个常数。而且，通过曲线对比可知，本文提出的算法的吞吐量也要优于对比算法。这是由于本文对跨层干扰进行限制，可以在一定程度上保障MUE和FUE的性能，从而使异构网络的性能得到保证，而对比算法由于不对跨层干扰进行限制，通过第三章对下行干扰的仿真分析可知在基站发射功率较大时MUE和FUE受到的跨层干扰都较大，会影响异构网络的性能。

图7　吞吐量对比

4结语

本文首先提出基于能效优化的异构网络的子信道和功率的联合式资源分配算法，并对用于求解优化资源分配方案的NSGA-II算法的各个步骤进行了具体阐述和分析；其次对于搭建的Macro/Femtocell两层异构网络系统模型设置了具体的仿真参数，并通过相应的仿真设置了合理的遗传算法的仿真参数；最后通过设置不同参数，对提出的算法进行了仿真分析。从仿真结果上看，本文提出的算法保证用户性能和减少能量消耗上有一定优势。

参考文献：

[1]Damnjanovic A,Montojo J,WEI Yong-bin,et al.A Survey on 3GPP Heterogeneous Networks[J].IEEE Wireless Communications,2011,18(3): 10-21.

[2]Soh Yong Sheng,Quek T Q S,Kountouris M,Hyundong Shin.Energy Efficient Heterogeneous Cellular Networks[J].IEEE Selected Areas in Communications,2013,31(5): 840-850.

[3]HU R Q,QIAN Y.An Energy Efficient and Spectrum Efficient Wireless Heterogeneous Network Framework for 5G Systems[J].IEEE Communications Letters,2014,52(5):94-101.

[4]TAN Cheng,JI Qing-bing.A Game Model based on Energy-Efficiency in Cooperative Communication Networks[J].Communications Technology,2015,48(1):51-55.

[5]GE Xiao-hu,HAN Tao,ZHANG Yan,et al.Spectrum and Energy-Efficiency Evaluation of Two-Tier Femtocell Networks with Partially Open Channels[J].IEEE Transactions on Vehicular Technology,2014,63(3):1306-1319.

[6]Holland J.Genetic Algorithms and Simulated Annealing: A Marriage Proposal[C] // IEEE International Conference on Neural Networks.San Francisco CA: Institute of Electrical and Electronics Engineers Inc,1993:1104-1109.

[7]Deb K,Aarawal S,Pratap A,et al.A Fast Elitist Non-Dominated Sorting Genetic Algorithm for Multi-Objective Optimization: NSGA-II [C] // 6th International Conference on Parallel Problem Solving from Nature.Paris France:Springer Verlag,2000:849-858.

An Energy-Efficient Resource Allocation Algorithm in Heterogeneous Network

QIAN Jin1，WANG Xiao2，GUO Shi-zeng2

(1.Navy Military Representative Office in CASIC,Beijing 100074,China;2.Communication Research Center,Harbin Institute of Technology,Harbin Heilongjiang 150080,China)

Abstract：Macro/Femtocell network,as a new generation of heterogeneous network,enjoys great superiority in raising network coverage and capacity and ensuring the user′s service needs,and however,large-scale deployment of Femtocells would considerably increase power consumption and decrease energy efficiency of the networks.In addition,Macro/Femtocell network usually adopts spectrum-sharing strategy,thus to improve spectral efficiency,and this would lead to cross-layer interference of between Macro and Femtocell users,and clearly decrease the performance of heterogeneous network.Aiming at the above problems and based on the research of multiple objective genetic algorithms,a new energy-efficient resource allocation algorithm in heterogeneous network is proposed.This algorithm,with energy efficiency as the optimization target,achieves joint resource allocation of subcarrier channel and power under the restricted condition of cross-layer interference and power limitation,of which,NSGA-II (Non-dominated Sorting Genetic Algorithm) algorithm is adopted to seek the optimized solution of the joint allocation problem of subcarrier and power.Simulation result shows that the proposed algorithm could achieves a better improvement in terms of energy savings compared to the algorithm that considers no interference limitation.

Key words：energy efficiency;NSGA-II;heterogeneous network;resource allocation

doi:10.3969/j.issn.1002-0802.2016.02.015

* 收稿日期：2015-09-08；修回日期：2015-12-28Received date:2015-09-08；Revised date：2015-12-28

基金项目：国家科技重大专项基金资助项目(No.2014ZX03004003)

Foundation Item:Special Funds of National Major Science and Technology Project(No.2014ZX03004003)

中图分类号：TN913.21

文献标志码：A

文章编号：1002-0802(2016)02-0199-06

作者简介：

钱进(1977—)，男，硕士，工程师，主要研究方向为宽带移动通信；

王孝(1966—)，男，硕士，副教授，主要研究方向为集群通信系统、宽带多媒体移动通信系统、无线网络及数字传输技术；

郭士增(1965—)，男，硕士，副教授，主要研究方向为交换技术、集群通信、无线网络及数据链地面测试技术。