基于MIMO层映射的网格PSO优化算法

倪 磊，刘志亮

(1.西南交通大学希望学院 轨道交通学院， 成都 610000；

基于MIMO层映射的网格PSO优化算法

倪 磊1，刘志亮2

(1.西南交通大学希望学院 轨道交通学院， 成都 610000；

2.电子科技大学 机械电子工程学院， 成都 611731)

针对MIMO系统中的层映射过程存在用户吞吐量高的问题，提出一种基于层映射的网格粒子群算法。该算法将基带信号处理过程中调制后的码字进行层映射，引入加权因子对映射码字进行加权处理，通过粒子群收敛特性使码字根据载波数量不同而选择调度到最优网格层上，以此提高多个码字之间的复用能力。仿真结果表明：在用户复用的寻优精度和收敛性方面，该算法优于传统的遗传算法和比例公平算法，可降低系统的用户吞吐量。

网格粒子群算法；层映射；码字；收敛性

LTE-A(LTE-Advanced)是LTE的演进版本，3GPP提出了使用载波聚合CA(carrier aggregation)技术来满足未来几年内无线通信市场的更高需求和更多应用，同时还保持对LTE较好的后向兼容性[1]。在以往有关单载波MIMO的研究文献中，聚合的分量载波属于不同频带，而不同分量的载波其衰减特性是不同的，如路径损耗和多普勒频移。在MIMO系统中，遗传算法[2]的应用未考虑载波的覆盖范围，因而不能提高用户信道容量；而在载波聚合下比例公平算法[3]的应用中未考虑发送端和接收端精确的信道信息。因此，本文提出一种基于网格分层粒子群在层映射过程中的优化算法,在下行物理信道基带信号处理中，将调制后的码字按一定规则重新排列，通过引入加权因子对用户码字进行加权处理，通过粒子群收敛特性使码字根据子载波数量不同而选择调度到最优子载波，可提升多个用户之间的复用能力。相比其他算法，仿真结果表明：本文提出的算法在多用户的层映射过程中收敛速度和寻优精度方面都有显著提升，可降低系统的用户吞吐量。

1 系统数学模型

1.1MIMO系统采用网格分层粒子群模型

网格分层法[4](gridding partition)是一种确定性全局优化方法，可以很好地对可行域进行划分。MIMO系统采用的网格分层的粒子群优化算法(GPPSO)数学模型是指在发送端eNodeB到接收端UE之间的空间区域内，将数据流的解空间划分为不同的格点，每一个格点代表一种状态，将不同状态之间的格点连接起来，以此求出约束函数与目标函数的值。根据所求连续域优化问题的性质估计出所求变量的取值范围xi∈[xil,xiu], (i=1,2,3,…,n)。将连续域的变量xi进行划分，先选取m个初始解，其m个取值构成了该分量相应子区间的候选组，即hi=xiu-xil/m-1。这里将解的n个分量看成n个顶点，在第i个顶点到第i+1个顶点之间有ki条连线，代表第i个分量的取值在ki个不同的信道之内，并记其中第j条信道连线在t时刻的信息量为τij(t)。第i个分量的m个取值构成了该分量相对应信道之间的候选组。码字所经过的信道路径代表1个解，则n条路径表示它的n个分量[5]。

图1 码字分配过程

粒子群从第i个变量xi向第i+1个变量xi+1状态转移的概率可按式(1)计算[6]：

(1)

式中τij为第i个节点的第j级的吸引度，其更新方程为

(2)

某粒子选中第j级的i个节点的随机搜索策略为：

xij=xil+hi×(j-1+γi)

(3)

粒子i从初始节点xil出发依次选择下一节点，选择完第n个顶点xiu，再从初始点环游的终点进行选择，这样每个粒子完成一次环游，更新各个节点的吸引度τij，然后在每个分量的各个节点中选择τij最大的那个节点，以这个节点为中心构造新的搜索区域，并将新的区域进行新的分层，重复搜索直到满足停止条件[5-6]。为了使解的分布具有多样性，在各个分量选取N个值后，对其实行空间解搜索策略，将所得到的值作为新一代的相应分量。

1.2码字重排策略[7]

在信道数据流求解过程中，采用如下的重排策略得出粒子(码字)k在分层区域内i的位置向量。

(4)

(5)

(6)

(7)

2 算法寻优实现步骤

2.1 算法收敛性实现步骤

计算f(X0,Y0)以确定初始期望值阵；

While(not termination condition)

{for(k=1;k<=m;h++)

{将m个粒子随机放置于初始区域上}

for(index=0;index

for (h=1;h<=n;h++)

{if(ηij≥0)

保留该区域当前己搜索到的目标函数最大值向量}

else

按公式的原则作区域内搜索；

}

保留当前最好解xmax及最优值fmax；

}

C=C+1;

}

输出结果；

}

2.2 码字重排实现步骤

步骤2 将各变量进行m-1等分，完成m-1级决策层的分割。

步骤4 如果hmax>hc，hmax=max(h1,h2,…,hn)，则跳转到步骤2；若满足循环终止条件，结束重排策略，找到最优值。

3 仿真结果分析

仿真时选择如下参数，给出粒子群算法寻优的经验值参数，如表1所示。

表1 仿真参数

参数说明：惯性权重、学习因子、扰动因子根据PSO算法经验得出[6]。

图2是粒子数为30时的收敛情况。通过Matlab仿真分析发现，随着迭代次数的增加，最终收敛情况见图2(c)(d)，网格优化算法的稳定性较高且能很快达到收敛。因此，网格粒子群算法的寻优精度和稳定性方面均得到有效提高。在不需要增加基站密度和带宽的条件下，假设粒子数比用户数多，因为有信道损失，发射端的用户码字通过粒子群替代，接收端根据粒子群的迭代提取最优数据。图3的仿真结果显示了粒子群的收敛轨迹，通过码字重排策略可以提高eNodeB中OFDM码字数据流到UE之间的收敛速度。在某个线性组合点，粒子将数据重新放置在其个体最优与全局最优之间的具有更好解的区域。仿真结果表明：采用该算法在0.024 s时已经完成区域码流的收敛，说明网络优化PSO算法中码流数目越多，所需时间越少。

图2 不同迭代次数的解分布及解收敛情况

图3 网格分层粒子群的收敛轨迹

在仿真过程中，系统吞吐量也是需要考虑的性能参数。在用户数增多的情况下，平均吞吐量增大，用户信道质量变差的可能性增加。图4的仿真结果显示：相比遗传算法和比例公平算法，网格分层粒子群算法可能给信道环境差的用户分配更多无线资源块，从而导致发射端系统吞吐量的降低。编码后的数据流按照网格分层粒子群算法重新排列，平均用户吞吐量都有所下降，因此在MIMO系统中的层映射过程能解决用户吞吐量高的问题。

图4 不同算法的系统吞吐量比较

4 结束语

本文提出一种网格分层粒子群在MIMO层映射的算法。仿真实验结果表明：该算法在层映射过程中的收敛速度和寻优性方面，相比遗传算法和比例公平算法，其对码流寻优性有显著提升效果，算法收敛时间有所降低，降低了发射端系统的吞吐量。

[1] 朱媛，桂云松，王正斌.LTE-A系统下行MIMO检测算法改进研究[J].南京邮电大学学报(自然科学版)，2015,35(3):76-78.

[2] 李国庆，尹洪胜.采用遗传算法的网络优化技术[J].华侨大学学报(自然科学版)，2015,36(6):663-666.

[3] 魏玉杰.LTE-A系统载波聚合下基于用户分组的比例公平调度算法研究[J].重庆邮电大学学报(自然科学版)，2013,25(3):310-314.

[4] 尹云回，祝鹏，杨宇博.流线扩散有限元方法在分层网格上的收敛性分析[J].计算数学,2015,37(1):83-91.

[5] 段海滨，王道波，于秀芬.一种求解连续空间优化问题的改进粒子群算法[J].系统仿真学报，2007，19(5)：974-977.

[6] 罗志平，周新志，王标.改进粒子群优化(MPSO)算法在动态配水中的应用[J].中国农村水利水电，2007(6)：24-27.

[7] 朱庆保.粒子群优化算法的收敛性分析[J].控制与决策，2006,21(7)：81-86.

[8] 顾军华，谭庆，李娜娜，等.一种新的求解TSP问题智能粒子群优化算法[J].计算机工程与应用，2007，43(25)：69-70.

(责任编辑杨黎丽)

GriddingPartitionPSOAlgorithmResearchonMIMOMaps-Modulated

NI Lei1, LIU Zhiliang2

(1.School of Rail Transportation, Southwest Jiaotong University Hope College, Chengdu 610000，China；2.School of Mechatronics Engineering, University of Electronic Science and Technology, Chengdu 611731, China)

This paper proposed a gridding partition PSO algorithm based on MIMO maps-modulated to solve the higher user throughput in the layer mapping of MIMO systems under carrier aggregation. This algorithm utilized the code words to maps-modulated in the downlink baseband signal processing, and weighting factor is introduced to the code words, it is resulted that the user can be chose in optimal carrier through PSO Convergence trajectory. In terms of optimization and convergence of user reuse, simulation results demonstrated that the PSO algorithm is superior to the traditional genetic algorithm and proportional fairness algorithm, and it can reduce the throughput of the transmitter system.

GPPSO; maps-modulated ; code words；convergence

2017-08-09

四川省教育厅2017年科研自然科学基金资助项目(17ZB0266)

倪磊(1984—)，男，宁夏银川人，硕士，讲师，主要从事模式识别与智能系统方面的研究， E-mail:272389759@qq.com；刘志亮(1984—)，男，山东莒县人，博士，副教授，主要从事模式识别与智能系统方面研究。

倪磊，刘志亮.基于MIMO层映射的网格PSO优化算法[J].重庆理工大学学报(自然科学)，2017(11):161-165.

formatNI Lei, LIU Zhiliang.Gridding Partition PSO Algorithm Research on MIMO Maps-Modulated[J].Journal of Chongqing University of Technology(Natural Science)，2017(11):161-165.

10.3969/j.issn.1674-8425(z).2017.11.024

TN914

A

1674-8425(2017)11-0161-05