一種異構(gòu)無線網(wǎng)絡(luò)均衡負載的方法
【專利摘要】本發(fā)明提供一種異構(gòu)無線網(wǎng)絡(luò)均衡負載的方法，包括：1)產(chǎn)生種群，所述種群包含多名個體，每名個體用于指示無線網(wǎng)絡(luò)范圍內(nèi)的各個用戶是否接入小區(qū)；2)對所述種群執(zhí)行遺傳算法以產(chǎn)生滿足種群適應(yīng)度要求的種群。所述方法還包括：對所述種群執(zhí)行退火算法以產(chǎn)生滿足退火適應(yīng)度要求的種群。本發(fā)明的方法通過增加“劣質(zhì)”種群個體的選擇概率，降低了選擇局部最優(yōu)解的概率，并且在一定程度上降低了算法復(fù)雜度。
【專利說明】
-種異構(gòu)無線網(wǎng)絡(luò)均衡負載的方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明設(shè)及無線通信，尤其設(shè)及異構(gòu)無線網(wǎng)絡(luò)的通信。
【背景技術(shù)】
[0002] 隨著智能終端的全面普及，W及移動互聯(lián)網(wǎng)的快速發(fā)展，無線通信中數(shù)據(jù)業(yè)務(wù)占 的比重越來越來。面對巨大的數(shù)據(jù)業(yè)務(wù)流量需求，移動運營商正在為增長的數(shù)據(jù)流量發(fā)愁， 運營商分析分流移動數(shù)據(jù)可W極大地提高無線頻譜資源利用率。3G/4G標準協(xié)議中已經(jīng)支 持低功率小基站，作為宏基站的補充部署低功率節(jié)點可W成倍地提高區(qū)域單位面積的可用 頻譜資源，進而提高業(yè)務(wù)吞吐量。低功率小基站產(chǎn)品形態(tài)比較靈活，包括家庭基站 巧6加〇。611，2巧0111\〇、室外？山〇。611(2^胖，室外補盲、吸熱）、室內(nèi)？1(3〇。611(2^25111胖，企業(yè) 級室內(nèi)覆蓋）、中繼站(Relay)W及Microcell(2x抓，室外補盲）。低功率小基站具有低成本， 具有靈活、快速部署的優(yōu)點，可W解決熱點吸收、盲點、弱覆蓋場景的網(wǎng)絡(luò)覆蓋問題，實現(xiàn)網(wǎng) 絡(luò)無縫覆蓋。在傳統(tǒng)的塔式宏基站覆蓋范圍下，局部熱點或覆蓋盲區(qū)部署低功率小基站的 多層異構(gòu)無線網(wǎng)絡(luò)可W使運營商W較低的成本成倍地提高區(qū)域頻譜資源，滿足區(qū)域流量需 求，W下將運種多層異構(gòu)無線網(wǎng)絡(luò)簡稱為異構(gòu)無線網(wǎng)絡(luò)。在宏基站中部署低功率小基站的 異構(gòu)無線網(wǎng)絡(luò)中，面臨著很多技術(shù)挑戰(zhàn)。
[0003] 異構(gòu)無線網(wǎng)絡(luò)面臨的挑戰(zhàn)之一就是異構(gòu)網(wǎng)絡(luò)中的負載不均衡問題。在移動通信系 統(tǒng)中用戶動態(tài)地移動，因此在宏基站和小基站重疊覆蓋的異構(gòu)網(wǎng)絡(luò)中，宏基站和低功率小 基站中接入服務(wù)用戶數(shù)動態(tài)變化，極易產(chǎn)生不同類型小區(qū)之間負載高低不均的情況。并且， 隨著移動通信網(wǎng)絡(luò)中視頻等數(shù)據(jù)業(yè)務(wù)量的增大，W及低功率小基站的大量部署，異構(gòu)節(jié)點 間負載不均現(xiàn)象將更加明顯。運是由于為了滿足高流量、海量業(yè)務(wù)連接的移動應(yīng)用需求，需 要密集部署低功率結(jié)點，為了滿足熱點、盲點區(qū)域的無線網(wǎng)絡(luò)數(shù)據(jù)流量需求，需要實現(xiàn)無線 通信網(wǎng)絡(luò)的全網(wǎng)無縫覆蓋。因此，在小區(qū)密集部署的異構(gòu)無線網(wǎng)絡(luò)中，宏和低功率節(jié)點發(fā)送 功率差異巨大。傳統(tǒng)的宏基站發(fā)射功率范圍一般是5W~40W(約37化m~46化m)，而低功率節(jié) 點發(fā)射功率范圍為100111胖~2胖(約20化111~33化111)，發(fā)射功率差距達2.5~400倍。在宏基站和 低功率小基站發(fā)送功率的之間巨大差異，加劇了無線通信網(wǎng)絡(luò)中小區(qū)之間負載不均衡的現(xiàn) 象。
[0004] 傳統(tǒng)的無線網(wǎng)絡(luò)中用戶會選擇信號強度最大的小區(qū)接入，而在宏基站和低功率基 站重疊覆蓋的雙層異構(gòu)網(wǎng)絡(luò)中，由于宏基站和低功率小基站發(fā)送功率差異巨大，按照運種 用戶服務(wù)小區(qū)選擇機制，會有大量用戶接入宏基站，導(dǎo)致出現(xiàn)嚴重的小區(qū)間負載不均。在運 種重疊覆蓋異構(gòu)網(wǎng)絡(luò)中為了讓更多用戶選擇接入低功率小基站，LTE 3GPP協(xié)議中引入了小 區(qū)范圍擴張的概念，為低功率小基站增加一個正的小區(qū)偏移值，低功率小基站中用戶選擇 參考信號接收功率加小區(qū)偏移值最大的基站接入，從而實現(xiàn)低功率小區(qū)分流宏基站用戶的 目的。運種增加小區(qū)偏移的機制只需核屯、網(wǎng)絡(luò)向基站配置一個小區(qū)偏移值就可W實現(xiàn)基站 中邊緣用戶的小區(qū)間切換，降低了用戶切換的信令載荷成本，W及用戶接入選擇的復(fù)雜性。 [000引然而，在3GPP協(xié)議中并未給出如何動態(tài)設(shè)置低功率小基站的小區(qū)偏移值。此外，在 某些特定情況下，可能出現(xiàn)部署低功率小基站的局部熱點區(qū)域用戶過載的情況，運時就不 應(yīng)當采取宏基站向低功率小基站增加小區(qū)偏移吸引用戶接入的措施，而是需要將一部分低 功率小基站熱點區(qū)域邊緣用戶接入宏基站W(wǎng)避免熱點區(qū)域局部擁塞。其次，在宏基站之間 W及低功率小基站之間也會出現(xiàn)負載高低不同的情況，通過動態(tài)負載均衡可W避免一定區(qū) 域內(nèi)部分小區(qū)局部擁塞，提高頻譜資源利用率。
[0006] 現(xiàn)有異構(gòu)無線網(wǎng)絡(luò)負載均衡的專利從多個方面提出網(wǎng)絡(luò)負載均衡的解決方法。
[0007] CN201110093655.4公開了一種基于終端制式差異的異構(gòu)網(wǎng)絡(luò)負載均衡方法。其基 于進化博弈論給出一種兼顧終端差異性的異構(gòu)網(wǎng)絡(luò)負載調(diào)節(jié)方法。通過運用進化博弈論的 思想，動態(tài)的調(diào)整用戶的小區(qū)選擇策略，W獲得改善的用戶效用。然而，運種基于終端制式 差異的異構(gòu)網(wǎng)絡(luò)負載分配方法所強調(diào)的考慮終端差異性是指，考慮終端支持的異構(gòu)網(wǎng)絡(luò)接 入能力W及多制式的異構(gòu)網(wǎng)絡(luò)負載狀態(tài)確定用戶的接入網(wǎng)絡(luò)。因此，其只適用于多制式異 構(gòu)網(wǎng)絡(luò)。運是因為在重疊覆蓋異構(gòu)網(wǎng)絡(luò)中，由于負載需要將用戶從信號強度最大的網(wǎng)絡(luò)接 入另外一個網(wǎng)絡(luò)中會受到同制式的原接入網(wǎng)絡(luò)強烈的信號干擾，也就是說運種方法應(yīng)用到 同制式的多小區(qū)間網(wǎng)絡(luò)負載均衡中，不但不能提升系統(tǒng)性能，甚至?xí)夯到y(tǒng)性能。
[000引 CN201210131498.6公開了一種用于異構(gòu)無線網(wǎng)絡(luò)中負載均衡的用戶接入方法，結(jié) 合用戶對網(wǎng)絡(luò)的評價效用值和各網(wǎng)絡(luò)對于新業(yè)務(wù)請求的負載效用評價，對用戶和網(wǎng)絡(luò)相互 的評價效用值進行綜合分析，得出在用戶選擇某一網(wǎng)絡(luò)的前提下該網(wǎng)絡(luò)接受用戶接入請求 的綜合效用最大化策略，最終達成用戶和網(wǎng)絡(luò)間的最佳服務(wù)連接。然而，在運種方法中用戶 選擇接入基站首先需要估計接入不同網(wǎng)絡(luò)的參數(shù)，再根據(jù)不同網(wǎng)絡(luò)的性能參數(shù)進行基于 Topsis法的網(wǎng)絡(luò)優(yōu)先級判斷，再將相關(guān)的可選網(wǎng)絡(luò)發(fā)送給網(wǎng)絡(luò)側(cè)，網(wǎng)絡(luò)側(cè)需要基于不同用 戶的可選接入選擇計算各種情況下相應(yīng)的網(wǎng)絡(luò)效用，最終才能確定用戶的接入網(wǎng)絡(luò)。運個 過程會產(chǎn)生極大的延時，因而并不適應(yīng)于實際異構(gòu)網(wǎng)絡(luò)中的網(wǎng)絡(luò)間負載均衡。
[0009] CN201310020600.X公開了一種無線接入點負載均衡優(yōu)化方法，通過收集用戶在無 線網(wǎng)絡(luò)中的行為和流量特征數(shù)據(jù)計算用戶之間的社會關(guān)系系數(shù)值SI，將相互之間SI值低的 用戶分配到相同的無線接入點上，使得當用戶共同離開事件發(fā)生的時候，用戶對無線網(wǎng)絡(luò) 中接入點之間的負載均衡造成的影響最小。運種優(yōu)化方法是根據(jù)用戶的流量行為統(tǒng)計信息 W及所預(yù)測的用戶行為方向，W分到同一網(wǎng)絡(luò)中的用戶共同離開網(wǎng)絡(luò)的概率最小為目標， 使分配到同一網(wǎng)絡(luò)的用戶盡量均勻地到達或離開，從而達到網(wǎng)絡(luò)間負載均衡的目的。然而， W用戶的行為預(yù)測結(jié)果為基礎(chǔ)調(diào)節(jié)網(wǎng)絡(luò)負載分配，其首先需要對用戶行為進行較準確的預(yù) 巧。。而在實際異構(gòu)無線網(wǎng)絡(luò)中用戶不斷移動，很難對用戶到達及離開進行準確預(yù)測，因而， 并不適用于網(wǎng)絡(luò)負載隨機變化的異構(gòu)無線網(wǎng)絡(luò)中。
[0010] CN201310280666.2公開了一種異構(gòu)無線網(wǎng)絡(luò)中優(yōu)化用戶QoE(Quality of Experience)的動態(tài)網(wǎng)絡(luò)選擇方法，其結(jié)合傳輸?shù)臉I(yè)務(wù)類型和當前用戶接入的網(wǎng)絡(luò)，周期的 動態(tài)更新用戶接入網(wǎng)絡(luò)。其不需要先驗的網(wǎng)絡(luò)狀態(tài)信息，采用Q學(xué)習(xí)方法決策用戶網(wǎng)絡(luò)選擇 W及執(zhí)行切換。通過調(diào)節(jié)用戶接入網(wǎng)絡(luò)實現(xiàn)不同網(wǎng)絡(luò)之間的負載均衡。此種動態(tài)網(wǎng)絡(luò)選擇 方法W用戶為中屯、，考慮了用戶的不同業(yè)務(wù)特征，通過Q學(xué)習(xí)方法優(yōu)化用戶的網(wǎng)絡(luò)選擇。然 而，運種通過Q學(xué)習(xí)優(yōu)化用戶接入網(wǎng)絡(luò)的方法是一種不斷試錯學(xué)習(xí)的機制，運種方法達到收 斂需要一定的時間。而異構(gòu)網(wǎng)絡(luò)中，由于用戶處于動態(tài)變化的環(huán)境中，用戶需要不斷的學(xué) 習(xí)，運極大地降低了系統(tǒng)性能。
[0011] CN201410016010.4公開了一種基于多業(yè)務(wù)的異構(gòu)無線網(wǎng)絡(luò)接入控制與資源分配 方法。其綜合考慮系統(tǒng)吞吐量和用戶的公平性，將問題分解成接入控制和資源分配兩個子 問題，資源分配由各個基站完成。通過比較用戶接入不同基站的效用增量之差，為用戶選擇 最優(yōu)的接入基站從而達到小區(qū)間負載均衡的目的。然而，在運種資源分配聯(lián)合方法中，判斷 用戶接入網(wǎng)絡(luò)需要計算每個用戶接入和不接入所有可接入網(wǎng)絡(luò)的效用值，最終選擇用戶接 入效用增加值最大的網(wǎng)絡(luò)作為用戶的接入網(wǎng)絡(luò)。其確定用戶選擇接入網(wǎng)絡(luò)的方法需要遍歷 各個網(wǎng)絡(luò)，復(fù)雜度高，并不適用于實際異構(gòu)網(wǎng)中的網(wǎng)絡(luò)間負載均衡。
[0012] 通過對現(xiàn)有技術(shù)的分析可W發(fā)現(xiàn)，已有的異構(gòu)網(wǎng)絡(luò)負載均衡的方法，均沒有考慮 到異構(gòu)網(wǎng)絡(luò)中小區(qū)基站與上層網(wǎng)絡(luò)之間連接的回程鏈路(bac化aul)發(fā)送容量的限制。然 而，在未來高流量、海量業(yè)務(wù)連接的移動網(wǎng)絡(luò)需求下，異構(gòu)網(wǎng)絡(luò)中將出現(xiàn)高容量、密集分布 的低功率節(jié)點部署場景，在低功率小區(qū)和核屯、網(wǎng)絡(luò)之間需要高容量的回程鏈路容量。但實 際的低功率小區(qū)部署存在多種非理想鏈路部署的情況，例如光纖無法到達的地區(qū)，只能通 過微波等無線鏈路連接，容量有限。因此，未來異構(gòu)網(wǎng)絡(luò)中的負載均衡需要考慮小區(qū)鏈路容 量的約束，優(yōu)化區(qū)域負載，滿足用戶業(yè)務(wù)服務(wù)質(zhì)量需求，提高系統(tǒng)頻譜資源利用率。

【發(fā)明內(nèi)容】

[0013] 針對上述發(fā)明的不足，本發(fā)明專利提出一種異構(gòu)無線網(wǎng)絡(luò)均衡負載的方法，包括：
[0014] 1)產(chǎn)生種群，所述種群包含多名個體，每名個體用于指示無線網(wǎng)絡(luò)范圍內(nèi)的各個 用戶是否接入小區(qū)；
[0015] 2)對所述種群執(zhí)行遺傳算法，直到所述種群的最優(yōu)個體的遺傳算法適應(yīng)度函數(shù)值 變化率小于設(shè)定的值或者迭代次數(shù)達到最大；
[0016] 3)輸出所述最優(yōu)個體，得到異構(gòu)網(wǎng)絡(luò)用戶的最優(yōu)服務(wù)小區(qū)選擇解。
[0017] 優(yōu)選地，根據(jù)所述的方法，其中步驟2)包括：
[0018] 2-1)將種群適應(yīng)度最優(yōu)的一個或多個個體保留在下一代的種群中。
[0019 ]優(yōu)選地，根據(jù)所述的方法，其中步驟2-1)還包括：
[0020] 2-1-1)從除去所述種群適應(yīng)度最優(yōu)的一個或多個個體之外的其余個體中選擇用 于個體交叉操作的個體，其中各個個體被選擇的概率與所述個體的種群適應(yīng)度呈正比。
[0021] 優(yōu)選地，根據(jù)所述的方法，其中步驟2-1-1)所述的個體交叉操作為均勻交叉。
[0022] 優(yōu)選地，根據(jù)所述的方法，其中包括:對所述個體執(zhí)行的變異操作為均勻變異操 作。
[002；3 ]優(yōu)選地，根據(jù)所述的方法，其中，步驟2)還包括：
[0024] 2-2)對所述種群執(zhí)行退火算法，直到所述種群的最優(yōu)個體的退火算法適應(yīng)度函數(shù) 值變化率小于設(shè)定的值或者迭代溫度達到終止溫度。
[0025] 優(yōu)選地，根據(jù)所述的方法，其中步驟2-2)還包括：
[00%] 2-2-1)將退火適應(yīng)度最優(yōu)的一個或多個個體保留在下一代的種群中。
[0027]優(yōu)選地，根據(jù)所述的方法，其中所述遺傳算法的適應(yīng)度函數(shù)為：
[002引
[0029]
[0030] 其中，X為種群個體，乂=^1，...，^}，^表示異構(gòu)網(wǎng)絡(luò)區(qū)域用戶4所選擇的接入服 務(wù)小區(qū)，Qi (X)表示小區(qū)i的效用，Ui, k為用戶k接入小區(qū)i的效用，r i, k表示用戶k接入小區(qū)i物 理資源塊的速率，Ui,k = ri,k，E為用戶接入小區(qū)的懲罰值，ai,k為小區(qū)i中接入用戶k占用的物 理資源塊，Ni是小區(qū)i最大可用資源塊數(shù)，β為根據(jù)小區(qū)基站和核屯、網(wǎng)絡(luò)之間鏈路傳輸介質(zhì) 所設(shè)定的小區(qū)容量因子，Cl是鏈路支持的最大允許傳輸容量，函數(shù)f( · r=max{0，f( · )}。
[0031] 優(yōu)選地，根據(jù)所述的方法，其中所述退火算法的適應(yīng)度函數(shù)為：
[0032]
[0033] 其中，V表示種群個體，V表示種群中個體的總數(shù)，a和b是針對退火算法設(shè)置的大于 0的常量，t為退火溫度，i用于表示全部小區(qū)集合S中的任意一個小區(qū)。
[0034] 優(yōu)選地，根據(jù)所述的方法，其中步驟1)包括：
[0035] 1-1)采用整數(shù)編碼來產(chǎn)生所述種群。
[0036] 優(yōu)選地，根據(jù)所述的方法，其中所述小區(qū)的接收功率大于-96地m。
[0037] 并且，本發(fā)明還提供了一種異構(gòu)無線網(wǎng)絡(luò)均衡負載的設(shè)備，包括：
[0038] 用于產(chǎn)生種群的裝置，所述種群包含多名個體，每名個體用于指示無線網(wǎng)絡(luò)范圍 內(nèi)的各個用戶是否接入小區(qū)；W及
[0039] 用于對所述種群執(zhí)行遺傳算法，直到所述種群的最優(yōu)個體的遺傳算法適應(yīng)度函數(shù) 值變化率小于設(shè)定的值或者迭代次數(shù)達到最大的裝置;W及
[0040] 用于輸出所述最優(yōu)個體、得到異構(gòu)網(wǎng)絡(luò)用戶的最優(yōu)服務(wù)小區(qū)選擇解的裝置。
[0041] 與現(xiàn)有技術(shù)相比，本發(fā)明的優(yōu)點在于：
[0042] 考慮到了不同小區(qū)鏈路容量的因素，優(yōu)化無線網(wǎng)絡(luò)中用戶接入，進行無線網(wǎng)絡(luò)中 小區(qū)間負載均衡，W滿足用戶業(yè)務(wù)服務(wù)質(zhì)量需求，提高系統(tǒng)頻譜資源利用率。并且基于改進 的混合遺傳模擬退火算法的用戶接入來優(yōu)化求解算法。提出的負載均衡算法是一種集中式 求解算法，適用于基于集中式云基站架構(gòu)的未來無線網(wǎng)絡(luò)，能夠有效降低異構(gòu)網(wǎng)絡(luò)間負載 均衡的復(fù)雜度，降低采用分布式異構(gòu)網(wǎng)絡(luò)負載均衡機制帶來的系統(tǒng)開銷W及相應(yīng)的延時。 不僅能夠應(yīng)于同制式的多層異構(gòu)網(wǎng)絡(luò)中，而且可W應(yīng)用到傳統(tǒng)的單層蜂窩無線網(wǎng)絡(luò)W及多 制式異構(gòu)網(wǎng)絡(luò)之間的負載均衡。
【附圖說明】
[0043] W下參照附圖對本發(fā)明實施例作進一步說明，其中：
[0044] 圖1是根據(jù)本發(fā)明的一個實施例的改進型混合遺傳模擬退火算法求解異構(gòu)無線網(wǎng) 絡(luò)均衡負載的方法的流程圖；
[0045] 圖2是根據(jù)本發(fā)明的一個實施例的采用模擬退火局部捜索算法進行局部捜索的方 法的流程圖；
[0046] 圖3是根據(jù)本發(fā)明的方法在不同Pico小區(qū)鏈路容量下用戶平均速率和中斷概率的 仿真結(jié)果示意圖。
【具體實施方式】
[0047] 下面結(jié)合附圖和【具體實施方式】對本發(fā)明作詳細說明。
[0048] 發(fā)明人在進行無線網(wǎng)絡(luò)資源分配的研究時，發(fā)現(xiàn)可W通過W下方法來解決現(xiàn)有技 術(shù)中存在的問題：
[0049] 首先，需要對無線網(wǎng)絡(luò)中鏈路容量感知的負載均衡問題進行建模。建立集中式異 構(gòu)網(wǎng)絡(luò)的數(shù)學(xué)模型，W最大化系統(tǒng)頻譜效率為目標，并且滿足用戶速率、小區(qū)頻譜和小區(qū)鏈 路容量的約束，從而優(yōu)化用戶接入小區(qū)進行負載均衡。
[0050] 然后，通過所建立的數(shù)學(xué)模型求解約束條件下負載均衡的優(yōu)化問題。為了降低解 的捜索空間，發(fā)明人提出一種改進的混合遺傳模擬退火算法IHGASA。此種算法僅對用戶的 激活小區(qū)捜索，并定義基于退火溫度的Sigmoid適應(yīng)度變換函數(shù)，在算法迭代初期退火溫度 較高階段，降低優(yōu)劣個體適應(yīng)度差異，從而增大劣質(zhì)個體選擇概率避免過早陷入局部最優(yōu) 解。
[0051 ] 數(shù)學(xué)模型
[0052] 為了解決異構(gòu)網(wǎng)絡(luò)中參考小區(qū)鏈路容量約束的負載均衡問題，W下示出了通過優(yōu) 化用戶接入進行負載均衡的數(shù)學(xué)模型。
[0053] 首先，將用戶效用定義為用戶接入小區(qū)的單位頻譜資源塊的速率，由此使得當用 戶效用越大時，滿足最小傳輸速率需要的頻譜資源越少，頻譜資源利用率越高。再W最大異 構(gòu)網(wǎng)絡(luò)區(qū)域總效為目標，在滿足各小區(qū)頻譜資源塊限制、鏈路容量約束、用戶的最小速率需 求W及用戶只允許接入一個小區(qū)的限制條件下，優(yōu)化用戶接入小區(qū)，從而進行小區(qū)之間的 負載均衡。
[0化4]假設(shè)，在一個異構(gòu)蜂窩網(wǎng)絡(luò)聚簇中包括S個小區(qū)，K個用戶。巧表示異構(gòu)網(wǎng)絡(luò)中小區(qū) 集合，設(shè)馬表示Macro小區(qū)集合而表示低功率小區(qū)集合。用符號i表示小區(qū)i，i臣震。集中 式異構(gòu)蜂窩網(wǎng)絡(luò)聚簇中用戶集合為C，Macro小區(qū)中用戶集合表示為巧"，低功率小區(qū)中用 戶集合表示為K;。采用符號k表示用戶k，AeC。考慮單天線下行數(shù)據(jù)傳輸，系統(tǒng)對小區(qū)資源 分配的單位為物理資源塊(Physical Resource Block，PRB)，假設(shè)小區(qū)i支持的最大傳輸帶 寬為Bi，數(shù)據(jù)傳輸?shù)淖畲箢l譜效率為f bps/Hz，考慮非理想前傳鏈路(fronthaul)，小區(qū)i的 前傳鏈路容量為Ci，bps，則該鏈路容量將制約小區(qū)最大傳輸容量，即Bif《Ci bps。假設(shè)， Maro小區(qū)和低功率小區(qū)之間采用正交的頻譜資源，則接入Macro小區(qū)的用戶和接入低功率 小區(qū)的用戶之間互不干擾。
[005引采用用戶接入小區(qū)單位資源塊PRB的速率ri,讀示用戶k接入小區(qū)i得到的效用值。 則區(qū)域內(nèi)全部小區(qū)用戶的總效用郵P區(qū)域用戶的總速率為，
[0化6]
[0057] 其中Xi, k表示用戶k對小區(qū)i的小區(qū)選擇變量，如果Xi, k為1則表示用戶k選擇小區(qū)i 作為服務(wù)小區(qū)，如果Xi,k為0則表示用戶k不選擇小區(qū)i為服務(wù)小區(qū)。
[005引根據(jù)香農(nóng)定理，用戶k接入小區(qū)i單位PRB的速率ri,k表示為
[0059] ri,k = blog2(l+丫 i,k) (2)
[0060] ri,k反映了用戶k接入小區(qū)i產(chǎn)生的頻譜效率。其中b表示單位PRB的帶寬。丫 i,k表用 戶k接入小區(qū)i的下行接收信干噪比，表示為：
[0061]
[0062] 其中hi,k表示小區(qū)i到用戶k的信道增益，pi,k表示小區(qū)i對用戶k的發(fā)送功率，在 Macro和低功率小區(qū)重疊覆蓋的異構(gòu)網(wǎng)絡(luò)中，Macro小區(qū)和低功率小區(qū)的信號接收功率差異 巨大。設(shè)用zi,k來表示接入小區(qū)沖用戶k的噪聲，其服從高斯分布如、.：心佩《)。
[0063] 優(yōu)化異構(gòu)網(wǎng)絡(luò)區(qū)域用戶接入的總效用需要滿足W下約束條件R1-R4:
[0064] R1: -個用戶只允許接入一個小區(qū)，即滿盾
[0065] R2:用戶k分配得到的速率大于等于最小速率需求，即
WgC;其 中，及/^表示用戶k請求的速率，ai,k表示小區(qū)i中接入用戶k占用的資源塊數(shù)目；
[0066] R3:小區(qū)i中所有用戶占用的資源塊小于等于小區(qū)最大可用資源塊數(shù)，即
[0067] R 4 :小區(qū)i傳輸容量小于等于鏈路支持的最大允許傳輸容量，即T i《C i，
[0068] 由于小區(qū)鏈路發(fā)送數(shù)據(jù)容量與用戶傳輸容量成正比。則小區(qū)i的鏈路容量Τι可W 表不為
[0069]
(4)
[0070] 其中，Τι,k表示小區(qū)i中用戶k數(shù)據(jù)傳輸占用的容量。β為根據(jù)小區(qū)基站和核屯、網(wǎng)絡(luò) 之間鏈路傳輸介質(zhì)所設(shè)定的小區(qū)容量因子(β>1)。
[0071] 因此，求解異構(gòu)網(wǎng)絡(luò)中用戶小區(qū)選擇的負載優(yōu)化問題可W表示為，最大異構(gòu)網(wǎng)絡(luò) 區(qū)域所有用戶的總效用U(所有用戶的速率和)為目標的優(yōu)化問題(5a)-(5f)。
[0078] 其中（5b)表示一個用戶僅接入一個小區(qū)；（5c)表示用戶接入指示為0-1整數(shù)變量； (5d)表示用戶k的速率大于等于需要的最小速率；（5e)表示小區(qū)i中用戶占用的PRB數(shù)小于 等于集中式基站中小區(qū)i支持的最大資源塊數(shù)。考慮到小區(qū)的非理想鏈路情況，可W根據(jù)小 區(qū)容量得到有效的PRB資源。（5f)表示小區(qū)i的傳輸容量不超過最大允許發(fā)送容量。
[0079] 異構(gòu)網(wǎng)絡(luò)中用戶小區(qū)選擇的負載優(yōu)化問題（5a)-(5f)為混合整數(shù)規(guī)劃問題，是非 凸優(yōu)化問題。針對運一的非凸函數(shù)的求解復(fù)雜度隨著異構(gòu)網(wǎng)絡(luò)中小區(qū)數(shù)S、小區(qū)內(nèi)接入用戶 數(shù)K的增加成指數(shù)倍的增加，并不適合區(qū)域負載較高情況下的負載均衡優(yōu)化。
[0080] 為此，本發(fā)明提出一種基于改進的混合遺傳模擬退火算法的異構(gòu)網(wǎng)絡(luò)負載均衡算 法，來針對上述問題進行求解。
[0081] 為了得到用戶服務(wù)小區(qū)選擇解，首先需要確定用戶接入小區(qū)占用的PRB和容量資 源。運里考慮到在高負載下僅在區(qū)域內(nèi)局部頻譜短缺的情況下，才有必要進行區(qū)域間負載 均衡。由此，假設(shè)服務(wù)小區(qū)僅為用戶分配滿足最小速率需要的頻譜資源，貝柯W將式(5d)化 為等式
由此，根據(jù)等式（5d)可W得到用戶k接入小區(qū)i需要的PRB 曰i,k。設(shè)Ui,k為用戶k接入小區(qū)i的效用，義用ri,k即用戶k接入小區(qū)i的速率表不，即Ui,k = ri,k = blog2(l+丫 i,k)。則將優(yōu)化問題巧aM5f)轉(zhuǎn)化為W下優(yōu)化問題(6a)-(6e)。
[0087] W上用戶服務(wù)小區(qū)選擇問題(6a)-(6e)為0-1整數(shù)規(guī)劃問題，其解空間大小為2sk。 通過遍歷全部的用戶小區(qū)組合可W獲得最優(yōu)的用戶服務(wù)小區(qū)選擇方案，但采用窮舉遍歷捜 索法算法，復(fù)雜度隨著集中式異構(gòu)網(wǎng)絡(luò)區(qū)域小區(qū)和用戶數(shù)的增加成指數(shù)倍的上升，無法在 多項式時間內(nèi)求得最優(yōu)解。
[0088] 換句話說，本發(fā)明的目的在于對上述數(shù)學(xué)模型(6a)-(6e)進行求解W確定每個小 區(qū)的每個用戶是否接入(例如，xi,k = 0表示該用戶k未接入小區(qū)i，xi,k=l表示該用戶k接入 小區(qū)i)，然而在實際操作中由于時間和成本等限制，算出最佳的接入組合幾乎是不可能實 現(xiàn)的。
[0089] 因此，為了快速的求解，本發(fā)明針對算法的改進提出一種加速收斂速度的改進型 混合遺傳模擬退火算法（Improved Hybrid Genetic Algorithm Simulated Annealing Algorithm，IHGASA)。
[0090] 發(fā)明人認為，可W首先將遺傳算法的解編碼設(shè)置為用戶數(shù)長度的整數(shù)串，用戶k的 解為所選擇的接入小區(qū)ID值，并定義用戶的激活小區(qū)集，用戶只選擇激活小區(qū)集中的小區(qū) 進行接入，由此降低解捜索空間。并且，提出對適應(yīng)度的Sigmoid變換，在混合算法模擬退火 過程中根據(jù)退火溫度對適應(yīng)度進行變換，通過適應(yīng)度的Sigmoid變換，在初期退火溫度較高 階段，降低不同優(yōu)劣個體的適應(yīng)度差異，從而增大較差個體的選擇概率，避免過早陷入局部 最優(yōu)解捜索區(qū)。在后期，增大優(yōu)劣個體的適應(yīng)度差異，W增大較優(yōu)個體選擇概率加速收斂。
[0091]采用混合遺傳模擬退火算法求解0-1整數(shù)優(yōu)化問題需要通過總的適應(yīng)度函數(shù)來判 斷解的優(yōu)劣，然而，由于問題(6a)-(6e)存在多個資源約束條件，因此需要進行變換，從而給 出便于判斷解優(yōu)劣的適應(yīng)度函數(shù)。運里采用罰函數(shù)方法將問題(6a)-(6e)轉(zhuǎn)化為僅具有上 下界約束的混合整數(shù)線性規(guī)劃問題(7a)-(7d)，即找出使得異構(gòu)網(wǎng)絡(luò)區(qū)域所有小區(qū)的相對 效用總和F (X)最大時的每一名用戶k對小區(qū)i的小區(qū)選擇變量xi, k。xi, k是一個變量，取值為0 或1，當其取值為0時表示用戶k未接入小區(qū)i，當其取值為1表示用戶k接入小區(qū)i"i指示小 區(qū)，i可能的取值是1……S中小區(qū)。k指示用戶，取值是1……K中用戶。在W下（7a)-(7d) 中，為了使得目標函數(shù)(7a)中不存在例如(6d)和(6e)的不等式約束，引入了化(X)，從而采 用懲罰函數(shù)的方法將約束條件歸約到目標函數(shù)中。
的相對效用值，為在當前用戶接入選擇方式下，異構(gòu)網(wǎng)絡(luò)區(qū)域小區(qū)i的正效用和負效用的 差;其中小區(qū)的正效用為小區(qū)中所有接入用戶單位資源塊的速率和，小區(qū)的負效用為小區(qū) 無法滿足接入用戶的資源量，為小區(qū)中用戶頻譜和鏈路容量短缺量的和。Ui,k = ri,k，f( · ) + =max{0，f( · )}，E為一常量E〉0。較大的E對應(yīng)于較高的過多用戶接入小區(qū)的懲罰值。
[0097] 算法設(shè)計
[0098] 本發(fā)明中引入了改進型混合遺傳模擬退火算法，來用于求解異構(gòu)無線網(wǎng)絡(luò)均衡負 載。遺傳模擬退火算法是在遺傳算法的基礎(chǔ)上，加入退火算法W防止求解過程陷入局部最 優(yōu)解。
[0099] 其中，遺傳算法借鑒了遺傳學(xué)的適者生存學(xué)說，進行多代的遺傳，在每一代中根據(jù) 適應(yīng)度進行選擇，W獲得新的更加適應(yīng)環(huán)境的近似解。不同于依賴梯度的求最優(yōu)解的算法， 遺傳算法并非起始于一個點，而是從一個初始種群開始，在當前的種群中內(nèi)進行交叉、變異 和選擇來產(chǎn)生新的種群。由此，可W對所產(chǎn)生種群繼續(xù)遺傳，W最終得到滿足適應(yīng)環(huán)境要求 的種群。利用遺傳算法的特性，可W快速地求得最優(yōu)解。
[0100] 另一方面，退火算法是一種求最優(yōu)的貪屯、算法，在捜索過程中W-定的概率來接 受一個比當前解要差的解，運個概率會隨著時間的推移而改變，類似于金屬冶煉的退火過 程，即隨著溫度的降低接收更差解的概率會越降越低。由此，可W在每次執(zhí)行完一遍遺傳算 法之后，進行退火及改變溫度，并重復(fù)遺傳算法，W達到既能快速地求得最優(yōu)解又避免了因 快速求解而容易陷入局部最優(yōu)解的問題。
[0101] 下面將具體解釋根據(jù)本發(fā)明的方法的解編碼、適應(yīng)度函數(shù)、種群選擇、交叉、變異、 w及退火。
[0102] <解編碼〉
[0103] 解編碼是指，在需要求解的問題和遺傳算法空間之間的相互映射。發(fā)明人認為可 W采用整數(shù)編碼來表示問題的解，即遺傳算法的種群中的個體。將用戶服務(wù)小區(qū)選擇解表 示為區(qū)域用戶數(shù)長度的整數(shù)串，設(shè)χν表示問題的解，χν=|χι，χ2,...祉，...，χκ}，ae {1，···， S}，其中，xk表示用戶k選擇的服務(wù)小區(qū)指示，即用于指示為該名用戶分配的選擇接入服務(wù) 小區(qū)xk。由于，采用W上編碼用戶服務(wù)小區(qū)選擇問題的捜索空間為0(SK)，遠小于采用二進制 良P0-1編碼的捜索空間〇(2Ks)。由此可知，采用整數(shù)編碼可W具有比二進制編碼更快的收斂 速率。
[0104] <適應(yīng)度函數(shù)〉
[0105] 通常在遺傳算法中W個體適應(yīng)度的大小來評定各個個體的優(yōu)劣程度，從而決定其 遺傳機會的大小。在本發(fā)明中可W采用罰函數(shù)法對原帶約束條件的優(yōu)化問題轉(zhuǎn)化為無約束 最優(yōu)化問題，適應(yīng)度函數(shù)為式(7d)的F(x)。
[0106] <產(chǎn)生初始種群〉
[0107] 在產(chǎn)生初始種群時，為了避免無效捜索，可W對每個用戶隨機選擇激活小區(qū)作為 用戶的服務(wù)小區(qū)，用戶的激活小區(qū)為接收功率大于最小接收功率口限的小區(qū)。其中，最小接 收功率口限為保證用戶終端信號處理需要的最小接收功率。最小接收功率口限為設(shè)定的固 定值，一般應(yīng)大于-96地m。
[0108] <種群選擇〉
[0109] 隨后進行的種群選擇的作用是淘汰一些適應(yīng)度較差的個體并從當前群體中選擇 一些比較優(yōu)良的個體，將其復(fù)制到下一代群體中。發(fā)明人認為可W采用保存策略和輪盤賭 選法相結(jié)合的思想，W將適應(yīng)度最佳的個體保留到種群，并且使得其余個體被選擇的概率 與其適應(yīng)度呈正比。首先選擇并保留群體中適應(yīng)度值最高的個體。最佳個體不參與交叉和 變異直接進入下一代。其余個體按照輪盤賭選擇方法，輪盤賭選法是一種回放式隨機采樣 方法，各個個體的選擇概率和其適應(yīng)度值成正比。假設(shè)種群大小為V，個體χν的適應(yīng)度值為F (χν)，則個體χν被選擇的概率為：
[0110] <種群交叉〉
[0111] 種群交叉的作用是產(chǎn)生一些新個體模式，其W某一概率相互交換某兩個個體之間 的部分染色體，決定了遺傳算法的全局捜索能力。為了加強本發(fā)明的算法的全局捜索能力， 可W采用均勻交叉方法W保證種群的多樣性。可W采用均勻交叉方法隨機地選擇兩個個體 作為待交叉的父個體，并對兩個父個體進行交叉W獲得兩個新的個體。
[0112] 下面W-個具體實例來介紹如何通過交叉獲得兩個新的個體。例如，首先，計算需 要進行交叉的種群個體對數(shù)目Ncross。其中，Ncross為種群交叉概率Ρ1與種群個數(shù)V的乘 積，除^2，向上取整，旨陽(31'033 =。6；[1。1*￥/2)。。6；[1表示向上取整操作。然后，隨機產(chǎn)生 化ross個待交叉的種群個體序號對，并且所有序號對中個體序號不重復(fù)。其中，個體序號為 大于0小于種群個體數(shù)V的正整數(shù)，如設(shè)V為10，P1為0.6，則化ross為10*0.6/2 = 3，則可W產(chǎn) 生序號對，{(2，10) (1，3) (5，4)}。再對待交叉的種群個體序號對中每對種群個體分別進行 交叉操作。
[0113] 在本發(fā)明中，針對負載均衡問題具體對一個種群個體對，即兩個用戶接入小區(qū)選 擇解向量，進行交叉的方法是:隨機產(chǎn)生與異構(gòu)網(wǎng)絡(luò)區(qū)域用戶總數(shù)等長的一個0-1掩碼，第k 位掩碼值為1表示交換第k個用戶在種群個體對對應(yīng)兩個小區(qū)選擇解向量中的小區(qū)選擇值； 第k位掩碼值為0表示不改變兩個小區(qū)選擇解向量中用戶的小區(qū)選擇值。如果第k位掩碼值 為1，則表示將第k個用戶兩個父個體進行交叉;如果掩碼值不是1，則不對該名用戶的父體 進行交叉。根據(jù)掩碼值及相應(yīng)的交叉操作得到兩個新的個體。所產(chǎn)生的兩個新的種群個體， 就是新的用戶接入小區(qū)的選擇解。
[0114] <變異操作〉
[0115] 變異類似于遺傳進化過程的基因突變，是對個體的某一個或某一些基因值按較小 概率進行改變。變異是產(chǎn)生新個體的輔助方法，決定了遺傳算法的局部捜索能力?？蒞采用 均勻變異操作來保證種群的多樣性。均勻變異方法為，隨機產(chǎn)生與區(qū)域用戶數(shù)等長的一個 掩碼，掩碼的每一位的值在0-1之間。第k位掩碼值為1或0分別表示是或否改變第k個用戶的 服務(wù)小區(qū)選擇，利用掩碼進行變異可W形成新的種群個體。
[0116] 在遺傳算法的上述種群交叉/變異過程中，可W按照設(shè)定的種群交叉/變異概率來 選擇交叉/變異個體。在種群交叉/變異步驟中為了保證父代的優(yōu)良特征增加保優(yōu)操作，即 種群交叉變異操作后保留上一次適應(yīng)度值最優(yōu)的個體作為下一代個體。
[0117] <退火操作〉
[0118] 為了優(yōu)化捜索空間W及加速算法收斂，還可W在本發(fā)明的方法中引入退火過程。
[0119] 如前文所述，退火算法在捜索過程引入了隨機因素，并W-定的概率來接受一個 比當前解要差的解。例如，在進行求解判斷時，如果后一個值大于等于前一個值時Υ'〉= Υ， 則認為Υ'為更優(yōu)解，應(yīng)接受此次移動;如果后一個值小于前一個值時Υ' <Υ，則認為Υ'不是更 優(yōu)解，W-定的概率接受或者不接受此次移動，該概率隨著時間的推移而逐漸降低并趨于 穩(wěn)定。退火算法參考了金屬冶煉的退火過程，其隨著時間推移而改變接受比當前解要差的 解概率的大小。根據(jù)熱力學(xué)的原理，在溫度為Τ時，出現(xiàn)能量差為祀的降溫的概率為pdE = exp (祀/化T))。其中，k是一個常數(shù)，dE<0。溫度T越高，出現(xiàn)一次能量差為祀的降溫的概率就越 大;溫度越低，則出現(xiàn)降溫的概率就越小。由于祀總是小于0，因此祀ΑΚΟ，pdE的函數(shù)取值范 圍是(〇，1)，并且隨著溫度T的降低而逐漸降低。
[0120] 在本發(fā)明中，為了優(yōu)化捜索空間W及加速算法收斂，可W定義Sigmoid適應(yīng)度變換 函數(shù)F'（v)，又或者叫做相對適應(yīng)度函數(shù)，W用作退火后對個體進行選擇的依據(jù)。運里的F' (V)是與迭代溫度t有關(guān)的函數(shù)，其數(shù)學(xué)表達式為：
[0121]
[0122] 其中，V表示種群，F(xiàn)(v)為種群個體V的適應(yīng)度值，a和b為常量。a, b可W是大于0小 于1000的實數(shù)。a越大，隨著溫度t的下降適應(yīng)度的變化越快。b越大，適應(yīng)度值越大，同一溫 度t下，不同適應(yīng)度值間的差異越小。如，a = 0.01，b = l。
[0123] 采用運種個體適應(yīng)度變換，在遺傳算法迭代初期即溫度高階段，可W降低適應(yīng)度 優(yōu)劣個體的適應(yīng)度差異，從而增大較差個體的選擇概率，避免算法早熟;隨著迭代溫度不斷 下降，經(jīng)過(8)的個體適用度變換，優(yōu)劣不同個體的適應(yīng)度差異放大，優(yōu)質(zhì)個體的選擇概率 增大有利于算法收斂。
[0124] 實施例
[0125] 在本發(fā)明的遺傳模擬退火算法中加入了針對負載均衡的步驟，需要產(chǎn)生初始解， 并且根據(jù)用戶服務(wù)小區(qū)選擇更新解。
[0126] 參考圖1，根據(jù)本發(fā)明的一個實施例，基于改進型混合遺傳模擬退火算法求解異構(gòu) 無線網(wǎng)絡(luò)均衡負載的方法，包括：
[0127] S1:初始化。進化次數(shù)計數(shù)器m初始值為0,初始化溫度t，溫度衰減因子為，產(chǎn)生V 個解向量構(gòu)造初始種群So(m) = {χ?,…，χν，···，χΥ}(即初始解），χν= {xi，X2,. . .xk，. . .，χκ}， ae U，···，S}，其中，xk表示用戶k選擇的服務(wù)小區(qū)指示，即xk表示為異構(gòu)網(wǎng)絡(luò)區(qū)域用戶k選 擇的接入服務(wù)小區(qū)，采用整數(shù)編碼來表示，而不是如前文所述利用xk等于0或1來表示未接 入與接入。例如，xk為3時表示用戶k接入了小區(qū)3。
[0128] 運里，為了保證解的多樣性從而避免限入某一局部捜索區(qū)域，可W采用隨機的方 法來產(chǎn)生所述解向量。種群向量中的每一個解向量表示網(wǎng)絡(luò)中一種用戶接入小區(qū)的小區(qū)選 擇方式。隨機選擇一個解向量指的是用戶可W隨機選擇激活小區(qū)內(nèi)的任一小區(qū)作為其接入 小區(qū)。還可W使用戶的激活小區(qū)為接收功率大于最小接收功率口限的小區(qū)。用戶終端的最 小接收功率口限是為了保證用戶終端信號處理需要的最小接收功率。最小接收功率口限為 設(shè)定的固定值，一般應(yīng)大于-96化m。
[0129] 在本發(fā)明中可W不限制V的大小，但是應(yīng)理解隨著V的增大，求解復(fù)雜度增大。初始 種群個體數(shù)V可W是大于2的正整數(shù)。V的值越大，通過迭代產(chǎn)生的解接近最優(yōu)解的可能越 大，求解復(fù)雜度越高大。反之，V的值越小，最終確定的解越不精確，求解復(fù)雜度越低小。
[0130] S2:根據(jù)適應(yīng)度函數(shù)式(8)求解當前種群Sy(m)中每個個體χν的適應(yīng)度F(XV)。
[0131] 為了計算當前種群Sy(m)的適應(yīng)度，可W計算種群中所有個體的適應(yīng)度，其中y為 區(qū)分不同種群的腳標。其中，可W將一個用戶k接入小區(qū)i的解向量看成是種群中的一個種 群個體，將全部種群個體即用戶接入小區(qū)解向量代入式(7d)中得到適應(yīng)度函數(shù)F(x)的值， W作為當前種群的適應(yīng)度。
[0132] S3:執(zhí)行個體交叉操作，得到新的種群Sy+i(m)。
[0133] 可W只對種群Sy(m)中的部分個體執(zhí)行個體交叉操作，例如將步驟S2中適應(yīng)度F (X)最優(yōu)的一個或多個個體保留在Sy+i(m)種群中，對Sy(m)其余的個體采用諸如輪盤賭選的 方法來確定是否對該個體進行交叉，W使得個體χν被選擇的概率與其適應(yīng)度呈正比，
[0134] 執(zhí)行交叉操作的方法包括，從Sy(m)的元素中選擇兩個解向量，作為待執(zhí)行交叉的 父個體?？蒞隨機產(chǎn)生與異構(gòu)網(wǎng)絡(luò)區(qū)域用戶數(shù)等長的一個掩碼，該掩碼的每一位的值為0或 1，如果其中第k位掩碼值為1，則表示為第k個用戶進行兩個父個體的交叉，從而產(chǎn)生出兩個 新的種群個體。如果第k位掩碼值為0,則新產(chǎn)生的兩個交叉?zhèn)€體的解對應(yīng)位置采用原父個 體的值，即網(wǎng)絡(luò)中對應(yīng)用戶采用交叉前原解向量中的小區(qū)選擇。區(qū)別于前述隨機交叉的方 法，也可W采用其它方法進行交叉，例如將兩個父個體中指定小區(qū)的用戶來進行互換從而 產(chǎn)生交叉?zhèn)€體，即僅對指定小區(qū)中的特定用戶進行交叉。
[0135] 采用均勻交叉的方法可W更好地保證解的多樣性，利于得到近似最優(yōu)解，所述均 勻交叉指的是對種群個體進行交叉時使兩個父個體中各個個體均能w-定概率進行交叉。
[0136] S4:執(zhí)行個體變異操作，得到新的種群Sy+2(m)。
[0137] 執(zhí)行個體變異操作的方法，包括隨機產(chǎn)生與區(qū)域用戶數(shù)相等長度的一個掩碼，該 掩碼的每一位的大小在0-1之間，如果第k為1則表示改變第k名用戶的服務(wù)基站。
[0138] S5:執(zhí)行個體模擬退火操作。對種群中每個個體χν應(yīng)用模擬退火局部捜索算法 (Simulated Annealing Local Search algorithm SALS)進行溫度t下的模擬退火局部捜 索，得到新種群Sy+3(m)(即更新解）。
[0139] S6:對當前種群執(zhí)行個體選擇操作，得到新的種群Sy+4(m)。其中根據(jù)式(8)來計算 溫度為t時每個個體χν的相對適應(yīng)度F'（XV)(退火適應(yīng)度），作為個體的選擇依據(jù)。
[0140] 求解負載均衡的用戶接入解的個體選擇方法是:根據(jù)式(8)即適應(yīng)度變換函數(shù)，對 種群中個體即用戶接入解對應(yīng)的適應(yīng)度F(XV)進行變換，得到新的適應(yīng)度值F'（XV)。個體的 相對適應(yīng)度F'（χν)值越大，說明種群個體對應(yīng)的解越優(yōu)，種群個體被選擇進入一次迭代的 概率越大?？蒞采用與上述步驟S3中相類似的方法，將相對適應(yīng)度F'（XV)的個體保留在種 群中。
[0141] S7:終止條件判斷。若不滿足終止條件，則m=m+l，系統(tǒng)溫度? =騎。轉(zhuǎn)步驟S2，繼續(xù) 進行W上過程；否則，若滿足終止條件，則輸出當前最優(yōu)個體，即得到異構(gòu)網(wǎng)絡(luò)用戶的最優(yōu) 服務(wù)小區(qū)選擇解，算法結(jié)束。運里中止條件采用最優(yōu)個體適應(yīng)度的函數(shù)值變化率小于設(shè)定 的值或者迭代次數(shù)達到最大，則迭代溫度達到終止溫度Ζ。
[0142] W上實施例示出了如何根據(jù)本發(fā)明的遺傳退火算法，在滿足鏈路傳輸容量的約束 條件下，求解使得所有用戶的總效用最大時的用戶接入方案。
[0143] 如前文所述，在遺傳算法中執(zhí)行退火的過程，可W避免所求的最優(yōu)解陷入局部最 優(yōu)。因此，在上述實施例中的步驟S5和S6執(zhí)行了退火操作、W及退火后的個體選擇過程?，F(xiàn) 在，將通過一個具體的實施例來介紹步驟S5中對個體執(zhí)行模擬退火的方法。參考圖2,根據(jù) 本發(fā)明的一個實施例，針對上述步驟S5采用模擬退火局部捜索算法(Simulated Annealing Local Search algorithm SALS)進行局部捜索。其中，假設(shè)X為初始解，t為當前退火溫度。 執(zhí)行步驟S5的方法，包括：
[0144] S5.1:參數(shù)初始化。
[0145] 設(shè)置退火溫度T = t，每個溫度下的最大迭代次數(shù)為τ。初始化當前的用戶服務(wù)小區(qū) 選擇XEur = X，設(shè)置當前適應(yīng)度值F?r = F(X)。初始化最優(yōu)用戶服務(wù)小區(qū)選擇和相應(yīng)的最大適 用度值，設(shè)置X〇pt_SA = X，F(xiàn)〇pt_SA = F(X)。
[0146] S5.2:根據(jù)當前用戶服務(wù)小區(qū)選擇更新解。
[0147] 為了進一步優(yōu)化當前用戶服務(wù)小區(qū)選擇，根據(jù)當前用戶服務(wù)小區(qū)選擇，捜索激活 小區(qū)集。在捜索過程中，對當前用戶服務(wù)小區(qū)選擇策略進行評估，隨機選擇比效用值Q小的 若干個服務(wù)小區(qū)調(diào)整其用戶服務(wù)小區(qū)選擇。用戶服務(wù)小區(qū)選擇更新的具體過程如下:根據(jù) 當前用戶服務(wù)小區(qū)選擇解策略X計算每個服務(wù)小區(qū)的相對效用Q(X)，選出Q值最小的Μ個服 務(wù)小區(qū)，并隨機選取Ml個服務(wù)小區(qū)重新調(diào)整其中相應(yīng)的用戶服務(wù)小區(qū)選擇。設(shè)選出的化個服 務(wù)小區(qū)集合為人V。對小區(qū)i，evM中激活小區(qū)數(shù)大于1的用戶隨機選擇當前服務(wù)小區(qū)W外 的其它小區(qū)作為新的服務(wù)小區(qū)。得到新的用戶服務(wù)小區(qū)選擇解Xnew，W及相應(yīng)的適應(yīng)度Fnew。
[0148] S5.3:用戶服務(wù)小區(qū)選擇接受判決。
[0149] 設(shè)p = Fnew-F〇pt_SA。若P >0，則接受新的用戶服務(wù)小區(qū)選擇方式，更新Xcur = Xnew，F(xiàn)cur = Fnew，并設(shè)置局部最優(yōu)用戶服務(wù)小區(qū)選擇為Xnpt_SA = Xnew，設(shè)置相應(yīng)的局部最優(yōu)適應(yīng)度為 F〇pt_SA = Fnew ;否貝ij , 概率P二eP/T接雙新的用戶月良務(wù)小區(qū)選擇方式，更新Xcur = Xnew , Fcur二 Fnew ;重復(fù)執(zhí)行步驟S5.2-S5.3，若迭代過程中，系統(tǒng)最優(yōu)目標值連續(xù)to次迭代中均保持不變 或達到當前溫度下最大迭代次數(shù)，則終止溫度T下的迭代過程。
[0150] 如果，W上步驟S1到S6最多執(zhí)行I次迭代達到算法收斂。則W上混合遺傳模擬退火 算法的復(fù)雜度為O(IVtSK)，即提出算法的時間復(fù)雜度與算法迭代次數(shù)I，種群個數(shù)V，每個溫 度下的最大迭代次數(shù)τ，異構(gòu)網(wǎng)絡(luò)區(qū)域小區(qū)個數(shù)S和用戶個數(shù)K有關(guān)。在異構(gòu)網(wǎng)絡(luò)負載均衡區(qū) 域小區(qū)和用戶個數(shù)確定，算法種群個數(shù)V和溫度t最大迭代次數(shù)τ確定的情況下，所提出算法 的復(fù)雜度取決于算法收斂需要的迭代次數(shù)I。
[0巧1] 實驗結(jié)果
[0152] 為了驗證本發(fā)明的方法的效果，發(fā)明人進行了仿真實驗。首先對比提出鏈路容量 感知用戶接入機制、傳統(tǒng)的最大信號功率接入(Max Signal化wer)和范圍擴張固定偏移機 審IJ (RE Fixed Bias)驗證所提出鏈路容量感知用戶接入機制的有效性。另外，通過對比Ξ種 不同的求解算法，提出的IHGASA算法、序列固定算法（SF)和傳統(tǒng)遺傳模擬退火混合算法 (GASA)，驗證所提出優(yōu)化求解算法的性能。
[0153] 仿真實驗中構(gòu)造一個小型集中式異構(gòu)網(wǎng)絡(luò)原型系統(tǒng)，共包含12個小區(qū)天線進行區(qū) 域覆蓋，其中包含3個Macro小區(qū)，每個Macro小區(qū)覆蓋區(qū)域包含3個低功率Pico R抓，采用 LTE作為系統(tǒng)接入技術(shù)。主要系統(tǒng)參數(shù)配置見
[0154] 表1。
[0巧5] 表1系統(tǒng)參數(shù)
[0156]
[0157] 為了驗證所提出鏈路容量感知的用戶接入機制的有效性，比較W下幾種不同用戶 接入機制：
[0158] ?最大信號功率接入Max Signal化wer:用戶選擇接入最大參考信號接收功率的 小區(qū)。
[0159] ?范圍擴張固定偏移機制RE Fixed Bias:采用固定的小區(qū)范圍擴張偏移值機制， 對所有P i CO小區(qū)的小區(qū)范圍擴張偏移值設(shè)為固定值12化。
[0160] ?提出的鏈路容量感知的用戶接入機制FCAA(F;ronthaul Capacity Aware Access scheme):采用提出的考慮打onthaul鏈路容量約束的負載優(yōu)化模型得到用戶接入 小區(qū)。
[0161] 為了驗證提出的負載均衡優(yōu)化求解算法，比較W下幾種求解算法的系統(tǒng)性能：
[0162] ?序列固定優(yōu)化算法SF(Sequential Fixing):采用經(jīng)典的序列固定算法求解用 戶接入優(yōu)化問題(6)。
[0163] ?傳統(tǒng)遺傳模擬退火優(yōu)化算法GASA(Genetic Algorithm and Simulated Annealing algorithm):采用傳統(tǒng)的混合遺傳和模擬退火算法求解用戶接入選擇優(yōu)化問題 (6)。
[0164] ?本發(fā)明的改進的混合遺傳模擬退火優(yōu)化算法IHGASA( Improved Hybrid Genetic Algorithm and Simulated Annealing algorithm):采用提出的改進的混合模擬 退火算法IHGASA求解用戶接入小區(qū)優(yōu)化問題(6)。
[0165] 下面在不同情況下對上述各種現(xiàn)有技術(shù)與本發(fā)明的方法進行對比。
[0166] 1)鏈路容量動態(tài)變化下不同用戶接入算法的系統(tǒng)性能：
[0167] W下驗證采用Max Si即al Powe;r、RE fixed BiasW及提出的鏈路容量感知用戶 接入機制的用戶平均速率和中斷概率性能。設(shè)置Macro小區(qū)支持的鏈路容量為50Mbps， Macro和Pico區(qū)域用戶數(shù)分別為20和10，Pico小區(qū)支持的鏈路容量從10M~60Mbps變化時， 給出用戶平均速率和中斷概率，如圖3。
[0168] 從圖3中用戶平均速率和中斷概率性能可見，提出的鏈路容量感知的算法FCAA在 不同的鏈路容量下，相比其它兩種用戶小區(qū)選擇機制均有更高的用戶平均速率，更低的用 戶中斷概率。在PiCO小區(qū)鏈路容量較小為10時，相比RE Fixed Bias接入機制，提出的算法 用戶平均速率提高76%，用戶中斷概率降低15% ;在Pico小區(qū)鏈路容量較大為60時，相比 Max Signal Power接入機制，提出的算法用戶平均速率提高51 %，用戶中斷概率降低53% ; 在Pico小區(qū)鏈路容量為30Mbps時，相比Max Signal Power和RE Fixed Bias接入機制，采用 提出的算法用戶平均速率分別提高了20%和13%，中斷概率分別降低15%和9%。運是由于 提出的算法能夠根據(jù)小區(qū)負載W及鏈路容量自適應(yīng)優(yōu)化異構(gòu)網(wǎng)絡(luò)區(qū)域用戶接入，從而提高 了小區(qū)之間的負載公平性W及系統(tǒng)的頻譜資源利用率。
[0169] 基于W上驗證，可知本發(fā)明的方法基于對鏈路容量感知，因而能夠?qū)惺疆悩?gòu) 網(wǎng)絡(luò)鏈路容量進行"感知"，自適應(yīng)優(yōu)化集中式異構(gòu)網(wǎng)絡(luò)區(qū)域的用戶接入小區(qū)，從而優(yōu)化系 統(tǒng)資源利用，降低用戶中斷概率。
[0170] 2)Pico區(qū)域用戶數(shù)變化時不同用戶接入優(yōu)化求解算法的性能對比：
[0171] W下驗證采用SF、GASA和本發(fā)明提出的改進型混合遺傳模擬退火算法（即IHGASA) Ξ種用戶接入優(yōu)化求解算法的用戶平均速率和中斷概率性能。設(shè)置Macro小區(qū)支持的鏈路 容量為50Mbps，Macro區(qū)域用戶數(shù)為20，Pico小區(qū)支持的鏈路容量固定為25Mbps，Pico小區(qū) 區(qū)域用戶數(shù)從4~28變化時，用戶平均速率和中斷概率性能如表2和表3所示。由表2和表3可 見，隨著Pico小區(qū)區(qū)域用戶數(shù)的增大，集中式異構(gòu)網(wǎng)絡(luò)中用戶平均速率逐漸增大，用戶中斷 概率逐漸下降。在不同的Pico小區(qū)區(qū)域用戶數(shù)下，采用提出的IHGASA算法，相比傳統(tǒng)的混合 遺傳模擬退火算法GASA有更高的用戶平均速率W及更低的用戶中斷概率。提出的算法求解 用戶接入小區(qū)得到的用戶平均速率和中斷概率與近似最優(yōu)求解算法SF比較接近。在Pico小 區(qū)區(qū)域用戶數(shù)為24時，相比近似最優(yōu)求解算法SF，采用提出的算法用戶平均速率降低 2.5%，中斷概率增加約1 %，而采用GASA算法用戶平均速率降低達到5.9%，中斷概率增加 為4%。
[0172] 表2不同Pico小區(qū)區(qū)域用戶數(shù)下用戶平均速率性能
[0173]
[0177]運是因為提出的改進型混合遺傳模擬退火算法（即IHGASA)通過增加"劣質(zhì)"種群 個體的選擇概率降低了選擇局部最優(yōu)解的概率。相比SF算法，本發(fā)明所提出的算法復(fù)雜度 更低，為O(IVtSK)，與算法迭代次數(shù)I、種群個體數(shù)V、退火溫度下最大迭代次數(shù)τΚ及集中式 異構(gòu)網(wǎng)絡(luò)小區(qū)數(shù)S和用戶個數(shù)Κ成正比，而采用SF算法復(fù)雜度為0((SK)4.5)。
[0178] 因此，本發(fā)明所提出的方法更適用于未來小區(qū)密集部署下基于集中式架構(gòu)的異構(gòu) 網(wǎng)絡(luò)負載均衡優(yōu)化。
[0179] 最后所應(yīng)說明的是，W上實施例僅用W說明本發(fā)明的技術(shù)方案而非限制。盡管上 文參照實施例對本發(fā)明進行了詳細說明，本領(lǐng)域的普通技術(shù)人員應(yīng)當理解，對本發(fā)明的技 術(shù)方案進行修改或者等同替換，都不脫離本發(fā)明技術(shù)方案的精神和范圍，其均應(yīng)涵蓋在本 發(fā)明的權(quán)利要求范圍當中。
【主權(quán)項】
1. 一種異構(gòu)無線網(wǎng)絡(luò)均衡負載的方法，包括： 1) 產(chǎn)生種群，所述種群包含多名個體，每名個體用于指示無線網(wǎng)絡(luò)范圍內(nèi)的各個用戶 是否接入小區(qū)； 2) 對所述種群執(zhí)行遺傳算法，直到所述種群的最優(yōu)個體的遺傳算法適應(yīng)度函數(shù)值變化 率小于設(shè)定的值或者迭代次數(shù)達到最大； 3) 輸出所述最優(yōu)個體，得到異構(gòu)網(wǎng)絡(luò)用戶的最優(yōu)服務(wù)小區(qū)選擇解。2. 根據(jù)權(quán)利要求1所述的方法，其中步驟2)包括： 2-1)將種群適應(yīng)度最優(yōu)的一個或多個個體保留在下一代的種群中。3. 根據(jù)權(quán)利要求2所述的方法，其中步驟2-1)還包括： 2-1-1)從除去所述種群適應(yīng)度最優(yōu)的一個或多個個體之外的其余個體中選擇用于個 體交叉操作的個體，其中各個個體被選擇的概率與所述個體的種群適應(yīng)度呈正比。4. 根據(jù)權(quán)利要求3所述的方法，其中步驟2-1-1)所述的個體交叉操作為均勻交叉。5. 根據(jù)權(quán)利要求1-4中任意一項所述的方法，其中包括:對所述個體執(zhí)行的變異操作為 均勻變異操作。6. 根據(jù)權(quán)利要求1所述的方法，其中，步驟2)還包括： 2-2)對所述種群執(zhí)行退火算法，直到所述種群的最優(yōu)個體的退火算法適應(yīng)度函數(shù)值變 化率小于設(shè)定的值或者迭代溫度達到終止溫度。7. 根據(jù)權(quán)利要求6所述的方法，其中步驟2-2)還包括： 2-2-1)將退火適應(yīng)度最優(yōu)的一個或多個個體保留在下一代的種群中。8. 根據(jù)權(quán)利要求1-7中任意一項所述的方法，其中所述遺傳算法的適應(yīng)度函數(shù)為：其中，X為種群個體，X=(X1，. . .，xd，xk表示異構(gòu)網(wǎng)絡(luò)區(qū)域用戶k所選擇的接入服務(wù)小 區(qū)，Qi⑴表示小區(qū)i的效用，U1>k為用戶k接入小區(qū)i的效用，r1>k表示用戶k接入小區(qū)i物理資 源塊的速率，U 1>k = ri,k，E為用戶接入小區(qū)的懲罰值，a1>k為小區(qū)i中接入用戶k占用的物理資 源塊，化是小區(qū)i最大可用資源塊數(shù)，β為根據(jù)小區(qū)基站和核心網(wǎng)絡(luò)之間鏈路傳輸介質(zhì)所設(shè) 定的小區(qū)容量因子，Ci是鏈路支持的最大允許傳輸容量，函數(shù)f( · ) +=max{0，f( · )}。9. 根據(jù)權(quán)利要求6或7所述的方法，其中所述退火算法的適應(yīng)度函數(shù)為：其中，v表示種群個體，V表示種群中個體的總數(shù)，a和b是針對退火算法設(shè)置的大于0的 常量，t為退火溫度，i用于表示全部小區(qū)集合S中的任意一個小區(qū)。10. 根據(jù)權(quán)利要求1或6所述的方法，其中步驟1)包括： 1-1)采用整數(shù)編碼來產(chǎn)生所述種群。11. 根據(jù)權(quán)利要求1或6所述的方法，其中所述小區(qū)的接收功率大于-96dBm。12.-種異構(gòu)無線網(wǎng)絡(luò)均衡負載的設(shè)備，包括： 用于產(chǎn)生種群的裝置，所述種群包含多名個體，每名個體用于指示無線網(wǎng)絡(luò)范圍內(nèi)的 各個用戶是否接入小區(qū)；以及 用于對所述種群執(zhí)行遺傳算法，直到所述種群的最優(yōu)個體的遺傳算法適應(yīng)度函數(shù)值變 化率小于設(shè)定的值或者迭代次數(shù)達到最大的裝置;以及 用于輸出所述最優(yōu)個體、得到異構(gòu)網(wǎng)絡(luò)用戶的最優(yōu)服務(wù)小區(qū)選擇解的裝置。
【文檔編號】H04W28/08GK106060876SQ201610607904
【公開日】2016年10月26日
【申請日】2016年7月28日
【發(fā)明人】杜紅艷, 周青, 周一青, 田霖, 石晶林
【申請人】中國科學(xué)院計算技術(shù)研究所