基于混合遗传算法的OFDMA资源分配方法_孙明.pdf

基金项目:国家自然科学基金(61872204);黑龙江省自然科学基金(LH2019F038);黑龙江省高校基本科研业务专项(135309340)。收稿日期:20210408修回日期:20210616第 40 卷第 2 期计算机仿真2023 年 2 月文章编号:10069348(2023)02051707基于混合遗传算法的 OFDMA 资源分配方法孙明，翟康乐，曹伟，张辉(齐齐哈尔大学计算机与控制工程学院，黑龙江 齐齐哈尔 161006)摘要:现有的 OFDMA 资源分配算法无法在保障公平度阈值的前提下有效地最大化系统和速率。针对上述问题，提出了一种基于混合遗传算法的 OFDMA 资源分配方法。首先将遗传算法的种群个体进行分组并为个体分组设置个体更新量，然后在此基础上采用贪婪子载波分配初始化种群个体，并通过个体更新量降低个体的待优化的维度数量，充分发挥遗传算法的寻优能力。仿真结果表明，所提出的方法能够在等功率的子载波分配阶段即可实现所要求的公平度阈值并能最大化系统和速率，证明了所提出方法的有效性。关键词:遗传算法;个体更新量;子载波分配;公平度阈值中图分类号:TP301.6文献标识码:BOFDMA esource Allocation Method Based onHybrid Genetic AlgorithmSUN Ming，ZHAI Kangle，CAO Wei，ZHANG Hui(College of Computer and Control Engineering，Qiqihar University，Qiqihar Heilongjiang 161006，China)ABSTACT:The existing OFDMA resource allocation algorithms cannot effectively maximize the system sum datarate on the premise of guaranteeing the fairness threshold Aiming at the problem，this paper proposes an OFDMA re-source allocation algorithm based on a hybrid genetic algorithm First，the individuals of the population were dividedinto different groups and different renewal quantities were set for each group Then，a greedy subcarrier allocationmethod was utilized to initialize the individuals of the population，and renewal quantities of individuals were used toreduce the individual dimensionality to be optimized，thereby giving a full play of the optimization ability of the geneticalgorithm The simulation results show that the proposed method can achieve the required fairness threshold and maxi-mize the sum data rate of the system just in the subcarrier allocation phase with equal power，which proves the valid-ity of the proposed methodKEYWODS:Genetic algorithm;Individual renewal quantity;Subcarrier allocation;Fairness threshold1引言在过去的二十年中，随着手机等电子设备的逐渐普及，人们对无线网络有了更高的需求。但频谱资源作为无线资源的稀缺资源早已成为不争的事实，因此，如何高效利用频谱资源已成为无线通信技术的重要研究内容。正交频分多址(Orthogonal Frequency Division MultipleAccess，OFDMA)1，2 是一种多址接入技术，它是将高速传输的数据带宽划分成相互正交、互不重叠的低速传输的子载波集，能够动态将子载波分配给需要的用户并有效降低信号间的干扰3。目前，在速率自适应(ate adaptive，A)准则上，多用户 OFDMA 系统自适应资源分配中的系统速率和用户间公平度已经有若干成果411。例如，Shen 等8 提出的算法在实现最大化系统速率的同时也保证了速率比例的公平，仿真结果表明该算法几乎实现了绝对公平，但忽略了系统速率的提升。Wong 等9 基于 Shen 的算法提出了一种通过近似速率比例系数来提升系统速率的分配算法，然而该算法却牺牲了部分公平度;在 Wong 的基础上，袁建国、汪照等通过对功率分配采用人工蜂群算法4 或鱼群算法7 进一步提高系统速率。虽然文献 4，7，9 通过牺牲公平度的方式提高了系统速率，但都无法保障所要求的用户间比例公平。设置公平度阈值可实现公平度和系统速率的折中，能够715在保证公平度的同时有效地提高系统速率和系统灵活性6，10，11。例如，张春发等6 基于公平度阈值在等功率子载波分配阶段对子载波采用贪婪算法进行分配，再对其功率采用粒子群算法进行分配，来保证系统的公平度阈值;然而由于粒子群算法的“早熟”，基于粒子群算法的功率分配极易降低系统的速率水平12。Sharma 等提出一种人工蜂群算法10 和遗传算法11 对子载波进行分配的算法，该算法能够从全局寻优对子载波进行分配;然而，该算法随着子载波数量的增加，需要优化的维度也随之增加，增加了优化问题的难度，极易降低优化性能。针对以上不足，本文提出一种基于混合遗传算法的OFDMA 资源分配方法，该方法将基于速率比例公平的贪婪子载波分配方法有效地嵌入遗传算法中，实现了贪婪算法局部寻优能力和遗传算法全局寻优能力的有机结合。所提出的方法不仅能使种群个体在初始化时具有一定的公平度水平，还能有效减少个体待优化维度的数量并降低了计算复杂度。仿真结果表明，所提出的方法可在子载波分配阶段就能满足公平度阈值，而且还能有效提高系统速率。2系统模型本文考虑如图 1 所示的下行多用户 OFDM 系统模型。在发送端，通过用户信息和对 K 个用户的信道估计来获取实时信道状态信息(CSI)，再利用自适应资源分配方法对各个子信道进行分配来获得不同用户的分配信息，并将信息进行OFDM 调制发送到接收端，接收端利用自适应解调器对信息进行解调来得到相应信息。图 1下行多用户 OFDMA 系统假定某 OFDMA 系统共有 K 个用户和 N 个子载波，总的可用功率为 Ptotal，且所有子载波的瞬时增益都是已知的。系统在满足总功率约束的条件下，对子载波进行分配以最大限度的提高总容量。其中用户 k 的容量 k为k=Nn=1k，nNlog2(1+pk，n|hk，n|2N0B/N)(1)A 准则下的系统容量最大化可表示为=maxk，n，pk，nKk=1Nn=1k，nNlog21+pk，n|hk，n|2N0B/N()(2)并受以下条件约束C1:Kk=1Nn=1pk，n PtotalC2:pk，n 0k，nC3:k，n 0，1 k，nC4:Kk=1k，n=1nC5:F=Kk=1k/k()2/KKk=1(k/k)2(3)其中 hk，n为信道增益，N0为加性高斯白噪声的功率谱密度，B为总信道宽度。C1表示子载波的功率和不超过总的可用功率 Ptotal;C2表明每一个子载波分配的功率必须大于等于 0;C3中 k，n 0，1 表示该子载波是否分配给用户;C4表示同一个子载波只能分配给一个用户;C5表示公平度阈值约束。F 为公平度计算公式;是公平度阈值;k是用户 k 的预定数据速率比例值。F 的变化范围从 0 到 1，F 的值越接近于 1表示用户之间的公平度越大。如果式(4)严格成立，则 F 等于 1。1:2:3:k=1:2:3:k(4)由式(2)和式(3)可知，以上问题为一个非凸优化问题。本文将贪婪算法嵌入遗传算法中，提出了一种混合遗传算法，通过贪婪算法为遗传算法个体维持一定的公平度水平、减少遗传算法的搜索维度，以降低遗传算法的计算复杂度、提高遗传算法的优化性能。3基于混合遗传算法的 OFDMA 资源分配方法遗传算法是一种模仿大自然生物体进化规律的启发式算法，其中一个种群个体对应一个优化问题的解，而种群个体不断进化的过程对应于优化问题的求解过程，将遗传算法用于子载波分配时，种群个体的维度大小由子载波的数量决定;然而，规模较大的子载波分配无疑会增加遗传算法优化的难度，进而降低优化解的质量。为了使遗传算法能有效保障公平度阈值并提高 OFDMA系统的子载波利用率和系统容量，本文基于速率比例公平的贪婪子载波分配方法可获得较高公平度的特点，将基于速率比例公平的贪婪子载波分配方法用于遗传算法的个体初始化上，提出了一种保障公平度阈值的基于混合遗传算法的资源分配方法，即首先对种群个体进行分组并为个体分组设置个体更新量，并在此基础上采用基于速率比例公平的贪婪子载波分配方法初始化种群个体，然后再利用所设置的个体更新量，对个体的相应维度进行搜索和更新。本文所提出的保障公平度阈值的混合遗传资源分配算815法包括种群个体初始化，个体的适应度计算，选择复制阶段，交叉变异阶段，基因突变阶段，最优个体储存等部分，现对每一部分进行阐述。3.1种群个体初始化根据系统中子载波的数量 N，本文将种群个体定义为维度 H 等于 N 的向量，即 H=N。记 V 为种群的大小，xi为第 i个种群个体，xi，h为第 i 个种群个体 xi在维度 h 上的元素，其中 xi，h 1，K，i 1，2，V，h 1，2，H。本文将种群个体初始化分为以下 3 步:Step1:根据种群的大小 V，将种群等分成?V个分组，并为每个种群分组?v设置个体更新量 N?v，其中?V 2，3，V，?v 1，2，?V，N?v 1，2，N1。Step2:得到所设置的个体更新量的最小值 Nmin?v，记?N=NNmin?v，采用基于速率比例公平的贪婪子载波分配方法产生?N个 子载波、用户 二元分配对，按照二元分配对的产生顺序将它们记为?n=n?n，k?n(?n=1，2，?N)，其中 n?n表示子载波，k?n表示用户，n?n 1，2，N，k?n 1，2，K;基于速率比例公平的贪婪子载波分配方法按顺序产生?N个二元分配对?n=n?n，k?n(?n=1，2，?N)的具体步骤如下Step2.1:1=2=K=0，=1，2，N，?n=1，k=1;Step 2.2:while(kKand?n?N)do n=arg maxn|hk，n|2，n?n=n，k?n=k，?n=n?n，k?n，?n=?n+1，k=k+log2(1+pT|hk，n|2/(N0B)，=n，k=k+1;Step 2.3:while(?n?N)do k=arg mink 1，2，K k/k，n=arg maxn|hk，n|2，n?n=n，k?n=k，?n=n?n，k?n，?n=?n+1，k=k+log2(1+pT|hk，n|2/(N0B)，=n。Step3:利用 Step 2 产生的二元分配对?n=n?n，k?n(?n=1，2，?N)初始化每一种群分组，具体步骤如下:Step3.1:对每一种群分组?v，?v 1，2，?V，根据其个体更新量 N?v计算?N?v=NN?v;由于 N?vNmin?v，因此 NN?vNNmin?v，即?N?v?N;Step3.2:利用?n=n?n，k?n(?n=1，2，?