摘要：針對非正交多址接入(NOMA)技術(shù)的兩層異構(gòu)網(wǎng)絡(luò)(HetNets)的資源配置，因用戶、基站和子信道三維匹配屬于NP難題，多分解為二維匹配求解，為此提出一種改進的遺傳算法(GA)求解用戶的多維匹配。為滿足系統(tǒng)總?cè)萘孔畲蟛⒔档蜁r間復(fù)雜度，將遺傳算法的編碼方式設(shè)計為一種多維映射過程;為防止陷入局部最優(yōu)并提高全局搜索能力，對選擇算子進行確定性和隨機性的結(jié)合。實驗結(jié)果表明，該算法相對于貪婪算法和雙邊匹配算法，具有收斂速度快和全局性更好等優(yōu)點。

　　關(guān)鍵詞：異構(gòu)網(wǎng)絡(luò);非正交多址接入;資源分配;用戶關(guān)聯(lián);子信道分配;遺傳算法

　　0引言

　　為了提高系統(tǒng)頻譜利用效率并增加用戶接入量，非正交多址技術(shù)被納入討論[1];同時，為了提供更高的吞吐量和頻譜效率，HUDN引起了廣泛的研究興趣[2]。針對超密集異構(gòu)網(wǎng)絡(luò)和NOMA的研究主要集中在以下幾個方面：用戶關(guān)聯(lián)、子信道分配、功率分配、用戶功率分配等等。關(guān)于用戶關(guān)聯(lián)和子信道分配，現(xiàn)有研究都是基于匹配理論、博弈論、匈牙利算法、凸優(yōu)化無限逼近[3]等進行分步求解。

　　計算機網(wǎng)絡(luò)評職知識：計算機網(wǎng)絡(luò)基礎(chǔ)論文好發(fā)表嗎

　　此外，將用戶與基站的關(guān)聯(lián)轉(zhuǎn)化為二部圖形式，使用匈牙利算法求得最優(yōu)解[4]，或者在匹配理論的基礎(chǔ)上修改二部圖的雙邊匹配權(quán)重，求得次優(yōu)解[5]，然而該情況并沒有考慮同一子信道中傳輸用戶的干擾，并且雙邊匹配權(quán)重并不能使得系統(tǒng)函數(shù)達到最優(yōu)。針對復(fù)雜的關(guān)聯(lián)情況，常采用融合算法進行求解[6-8]，常見的基于分布式算法和遺傳算法的基礎(chǔ)上提出兩種算法的混合迭代算法，基于蟻群的遺傳算法和量子遺傳算法等。

　　算法、基于蟻群的遺傳算法、量子遺傳算法進行比較分析[10]，但是此算法僅考慮了用戶與基站匹配，并且可能因為種群多樣性減少陷入局部最優(yōu)。眾所周知，用戶、基站和子信道的三維匹配問題屬于NP-hard問題，人們處理多維匹配問題，都是通過將多維匹配分解為二維的匹配[11，12]，但是這種分解方法是通過降低系統(tǒng)的準確度為代價。針對以上情況，本文提出一種智能遺傳算法求解三維用戶匹配問題，通過設(shè)計一種多維染色體映射關(guān)系，將用戶與基站和子信道的關(guān)聯(lián)問題轉(zhuǎn)化為染色體進行遺傳變異，從而得出最佳匹配。

　　1網(wǎng)絡(luò)模型與問題描述

　　1.1網(wǎng)絡(luò)模型

　　兩層的超密集異構(gòu)網(wǎng)絡(luò)(HetNet)模型。A區(qū)域為宏基站(MBS)的有效覆蓋范圍，MBS內(nèi)均勻分布著若干微基站(SCBSs)。設(shè)基站表示為k，k∈{1，2，…K｝，當(dāng)k=1時表示為宏基站;在A區(qū)域內(nèi)隨機分布的若干用戶表示為u，u∈{1，2，…U｝;用戶與基站之間傳輸信息所使用的子載波表示為n，n∈{1，2，…N｝。

　　設(shè)定MBS分配給微基站k的功率表示為Ptk，微基站k通過子信道n分配給用戶u的功率表示為Pk，n，u。因為頻譜資源的有限性，現(xiàn)有的基站共享公用已有的頻譜資源，假設(shè)已知完美的信道狀態(tài)信息，采用非正交多址接入技術(shù)，在同一時刻，每個用戶只能接入一個基站和一個子信道，而同一個基站可以同時發(fā)送多個用戶的信息，同一個子載波也可以同時傳輸多個用戶，并且子載波之間是相互正交，使得不同子載波上傳輸?shù)挠脩艋ゲ桓蓴_。

　　1.2問題描述

　　用戶關(guān)聯(lián)問題可以建模為一個三維一對一匹配問題，即用戶、基站和子信道如何分配。眾所周知，三維匹配屬于NP-hard問題。針對用戶關(guān)聯(lián)從而使得整體系統(tǒng)最優(yōu)，可以等價為用戶如何關(guān)聯(lián)求取系統(tǒng)總?cè)萘孔畲蟆?/p>

　　2問題求解

　　2.1基礎(chǔ)知識

　　遺傳算法就是仿照自然界生物進化的機制，通過染色體不斷地遺傳和變異，使用“適者生存”不斷淘汰劣勢群體，從而使得種群不斷進化，達到全局最優(yōu)的一種智能算法。由于遺傳算法的本質(zhì)就是通過并行處理染色體，不斷地遺傳變異，屬于一種高效快速的全局搜索算法，所以相比較于其它算法，遺傳算法不用考慮其內(nèi)部協(xié)同關(guān)系，僅依靠一個統(tǒng)一的評價標準(即適應(yīng)度函數(shù))就可以否定劣勢群體，具有很強的靈活性和搜索速度，快速趨于穩(wěn)定狀態(tài)。

　　2.2算法設(shè)計

　　2.2.1初始化參數(shù)

　　(1)初始化基礎(chǔ)參數(shù)給定各項參數(shù)，用戶u的個數(shù)、子信道n的個數(shù)、基站k的個數(shù)、用戶的信道增益矩陣g、基站功率Ptk等參數(shù)。定義矩陣A為用戶i在基站k和子信道n的有效覆蓋范圍，矩陣A中的元素aij，若aij=1表示用戶i在基站k或者子信道n的有效覆蓋范圍，否則用戶i不在有效覆蓋范圍內(nèi)。令矩陣A=[A1︙A2]，其中矩陣A1為用戶i與基站k的映射情況，矩陣A2為用戶i與子信道n的映射情況。

　　3仿真分析

　　本文研究場景是在超密集異構(gòu)網(wǎng)絡(luò)下，一個宏基站的有效覆蓋區(qū)域A內(nèi)均勻分布k-1個微基站和隨機分布若干個用戶。在子信道的數(shù)目為10，基站的數(shù)目為6，用戶數(shù)為30的條件下，迭代次數(shù)對系統(tǒng)容量的變化。采用改進的遺傳算法求解用戶與基站和子信道關(guān)聯(lián)的迭代過程。隨著迭代次數(shù)的不斷增加，系統(tǒng)總?cè)萘坎粩嘣黾樱窃诘欢ù螖?shù)的時候，出現(xiàn)了由于種群多樣性減少而陷入局部最優(yōu)解，此時利用算法的隨機性和確定性精英個體的選擇機制，可以跳出局部最優(yōu)，從而達到全局最優(yōu)解的收斂情況。

　　4結(jié)束語

　　在超密集異構(gòu)網(wǎng)絡(luò)模型中，由于引入了NOMA技術(shù)，使得小區(qū)間和小區(qū)內(nèi)的用戶干擾減少，那么用戶在基站的有效覆蓋范圍內(nèi)，如何選擇基站，以及用戶選擇在哪個頻帶中傳輸成為至關(guān)重要的問題之一。在此背景下，目前現(xiàn)有文獻針對用戶關(guān)聯(lián)的三維匹配都是分解為二維匹配進行求解，本文通過使用一種改進遺傳算法求解用戶與基站和子信道的三維匹配問題，為了減少系統(tǒng)復(fù)雜度，設(shè)計一種多維映射過程，防止算法陷入局部最優(yōu)，在種群多樣性設(shè)計方面增加了隨機性和確定性染色體的精英選擇機制，從而求得全局最優(yōu)。針對資源分配問題，用戶與基站和子信道的關(guān)聯(lián)影響著系統(tǒng)分配資源，但是在用戶匹配之后，基站如何給覆蓋范圍內(nèi)的用戶分配合適的功率也影響著系統(tǒng)資源，所以針對用戶功率分配問題將作為下一步的工作方向。

　　參考文獻：

　　[1]LiuF，MarinaP.Dynamicpowerallocationfordownlinkmulti-carrierNOMAsystems[J].IEEECommunicationsLet-ters，2018，22(9)：1930-1933.

　　[2]ZhangH，WangB，JiangC，etal.EnergyefficientdynamicresourceoptimizationinNOMAsystem[J].IEEETransac-tionsonWirelessCommunications，2018，17(9)：5671-5683.

　　[3]JiangL，SongR.Alow-complexityresourceallocationschemeforOFDMAmulticastsystemswithproportionalfairness[J].ChinaCommunications，2018，15(1)：1-11.

　　作者：龍懇，魯江麗+，李偉，蔣明均

闁顣介幐鍥ь嚤

闁顣介弫鐗堝祦鎼存挾绨块柅澶夌瑢娴滃搫浼愰崠褰掑帳閿涳拷
韫囶偊鈧喐瀣侀崚鎷岊啈閺傦拷 閽佹ぞ缍旂€涳附婀抽幋鎰亯

閹甸箖鈧顣� 韫囶偊鈧喎褰� 閸欘垱澹傞惍浣告尒鐠囷拷

鐎涳附婀崇挧鍕灐閸忓秷鍨傞崠锟�

閺堢喎鍨旂拋鐑樻瀮

鐠佺儤鏋冨Ο鈩冩緲鐠佺儤鏋冮弽鐓庣础閹舵洜枪妞よ崵鐓�鐠佺儤鏋冪憰浣圭湴

閺堢喎鍨旈惄顔肩秿

閸栨鐗抽惄顔肩秿閸楁鐗抽惄顔肩秿CSCD閻╊喖缍�濮濓附鐗抽惄顔肩秿SCI閻╊喖缍�SSCI閻╊喖缍�EI閻╊喖缍�妫板嫯顒熼張鐔峰灁閸氬秴宕�

閹垛偓瀹秆冨挤閸忔湹绮�

娑擃叀瀚抽弬鍥︽叏閺€瑙勫Η瀹革拷娑擃叀瀚抽弬鍥ㄥ缁嬫寧瀵氶崡锟�閸ュ€熷殰閻掑墎鏁电拠锟�

缁斿宓嗛崗宥堝瀭閼惧嘲褰�