超密集網中一種基于人工蜂群的節能分簇算法

周朋光，黃俊偉，張仁遲，徐浩

（重慶郵電大學通信與信息工程學院，重慶 400065）

超密集網中一種基于人工蜂群的節能分簇算法

周朋光，黃俊偉，張仁遲，徐浩

（重慶郵電大學通信與信息工程學院，重慶 400065）

超密集網絡中，密集部署的低功率基站將會加大系統的能耗，并且造成緊缺頻譜資源的浪費。探尋干擾協調和系統節能的可行性方法在超密集網絡架構下提出基站的休眠—喚醒—活躍機制，減小了休眠基站直接轉為活躍狀態的開啟時間；另外，提出一種基于人工蜂群染色分簇算法，盡可能使用最少的顏色給拓撲圖中的小區染色，并對簇內活躍基站進行優化功率分配。經仿真表明，休眠—喚醒—活躍機制能夠提升系統的能源效率，染色分簇算法也可以改善用戶的頻譜效率和吞吐量。

超密集網絡；人工蜂群算法；分簇；節能

1 引言

超密集網絡（ultra dense network，UDN）是5G的關鍵技術之一，UDN中通過大量部署低功率的基站來達到改善系統容量和實現無縫覆蓋的目的[1]。但是部署密集的基站將會帶來巨大的能源損耗和頻譜資源的浪費[2]，使得提升系統的能源效率和頻率效率成為一個亟待解決的問題。

現階段國內外學者和專家對超密集網絡中節能、干擾協調等專題進行了研究探索[4-13]。在隨機部署小區的場景下，參考文獻[3]研究了具有睡眠模式的基站能量和頻譜效率的頻率復用因子，頻率復用因子在給定基站和用戶密度比的情況下，能夠最大化頻譜和能量效率至網絡的上限。參考文獻[4]提出一種超密集網絡中基于分簇的分布式節能資源分配方案，該方案首先提出一種改進的K-means算法；其次以最小化每一個基站簇內部的干擾為依據劃分用戶群；然后提出一種資源塊分配算法為用戶群分配資源塊；最后設計一種基于非協作博弈的迭代節能功率分配算法。參考文獻[5]摒棄了傳統以用戶為中心的鏈路級頻譜效率分析方法，利用隨機幾何的方法分析研究了部署超密集網絡的平均小區的總體頻譜利用率，并發現了能夠達到高頻譜和能源效率的最佳小區密集度和相應最佳的價值傳輸功率。參考文獻[6]提出一種基于圖論的低復雜度動態分簇算法。該算法的關鍵思路是將整個網絡系統根據最大簇內干擾和最小簇間干擾劃分成一定數量的簇，其中最大簇內干擾可由每個簇之間的協調進行有效的控制。參考文獻[7]在超密集網絡和全網絡負載的情況之下，以小區的頻譜效率、網絡頻譜效率以及網絡的能源效率為準則來研究和證明不同策略的性能。參考文獻[8]在CoMP節點傳輸系統中提出一種基于圖論的新型動態分簇算法，該算法根據干擾建立拓撲圖，然后將拓撲圖分割成多個子圖，每一個子圖代表CoMP簇。每個基站尋找它的最佳協作基站需要用到一個貪心算法進行解決。參考文獻[9]提出一種平衡歸一化可調整利用函數和一種新型合作式競價結構來獲得協作增益，以此應對減小干擾和節省能源的挑戰。參考文獻[10]將邏輯信道的跳頻傳輸的限制歸納成圖論染色問題，并將頂點的選擇、顏色的選擇以及染色圖譜的調整等策略集合到經典的回溯算法中，并以此提出一種新型染色方法。參考文獻[11]提出一個基于能源節省的可在實際場景中運用的基站開/關算法，該算法關鍵的設計在于能夠一個接一個地關閉基站但同時對整體網絡有最低程度的影響。參考文獻[12]在有睡眠模式的宏—微基站雙層場景下，研究了在小區分簇方案中節省能源的優化方案，該方案旨在通過協調下行跨層干擾和層間干擾，優化微基站的傳輸功率來獲取更高的信干噪比。參考文獻[13]提出一種基于圖論分簇的資源分配（graph-based clustering resource allocation，GCRA）方案，該方案基于完全染色算法將所有的基站劃分入相互獨立的簇中，然后再通過為不同的簇分配相互正交的頻帶資源來解決干擾的問題。

對比參考文獻[13]的系統模型，將FAP（femtocell access point，毫微微蜂窩基站訪問點)的休眠—喚醒—活躍機制加入系統中，其中喚醒狀態相當于對基站進行預開啟操作，減少了FAP長時間的運作對系統能源的大量消耗，同時也避免了FAP長期占用頻譜資源，相對提升了系統的能源效率；用改進的人工蜂群算法代替參考文獻[13]中的GCRA算法，該染色分簇算法在盡可能地使用最少顏色的情況下，為相鄰的小區分配不同的顏色，然后對相同的顏色分簇；最后對活躍FAP進行功率優化，動態分配資源，最大化能效和頻譜效率。該算法并沒有對系統中的小區按順序染色，符合實際場景的應用，另外對平均用戶頻譜效率和吞吐量的提升都有所幫助。

2 系統模型

2.1 系統描述

本文設計了一種超密集網絡架構，如圖1所示。

圖1 系統模型

假設毫微微基站和用戶終端 （user equipment，UE）在宏基站覆蓋范圍內隨機部署，并且二者服從相互獨立的泊松點過程（PPP），設FAP集合ΦF和UE集合ΦU密度分別為 λBS和 λUE（λBS〉λUE）。UEi在其活躍服務FAPj上子載波n的信干噪比（signal tointerference and noise ratio，SINR）γi,j,n為：

活躍FAPj在子載波n上的干擾增益比Hj,n為：

假設此時活躍FAP的固定傳輸功率為PFAP，對于喚醒和休眠FAP的傳輸功率設置為0，Pj,n是活躍服務FAPj在子載波n上的傳輸功率。其中，r為FAP與UE之間的距離，α為路損系數，h為活躍FAP的瑞利衰落。表示其他活躍FAP帶來的干擾，其中hi為第i個活躍FAP的瑞利衰落，ri表示與第i個活躍FAP的距離，bs為服務基站，Pj,n表示每個子載波的噪聲功率，Bsub為子載波帶寬。那么活躍服務FAPj在子載波n為UEi提供的數據速率可以表示為：

2.2 節能系統詳解

以提升系統的能源效率以及頻譜效率為目的，提出一種新型節能基站模型，如圖2所示。

圖2 節能基站模型

該模型主要思想是將FAP分為休眠（sleeping）、喚醒（waking）和活躍（active）這3種運作狀態。其中，休眠狀態下FAP不進行任何業務的處理，僅需極小的功率維護其計時器等設備使用即可，圖 2中①代表一個計時器Timer1，表示FAP在休眠狀態下需轉為喚醒狀態進行業務預判的時間長短。系統忙時，需將Timer1調小。當FAP由休眠狀態轉為喚醒狀態時，需根據系統忙閑程度重置Timer1，并在下次轉為休眠狀態再開啟；喚醒狀態下FAP進行業務的監聽，收到業務請求，立即轉為活躍狀態為用戶提供業務服務，如圖2中③，若在一定時間內無業務請求，即轉為休眠狀態，如圖2中②，②代表一個計時器Timer2，表示喚醒狀態下的FAP無業務請求的時間長短。系統忙時，需將Timer2調大。當FAP由喚醒狀態轉為休眠狀態時，需根據系統忙閑程度重置Timer2，并在下次轉為喚醒狀態再開啟。活躍狀態下，FAP為用戶提供正常的業務服務，也可以處理正常的業務請求，若此時系統內無業務處理，則轉為休眠狀態，如圖2中④。

2.3 能效分析

休眠FAP的分布概率[14]可以表示為：

那么處于非休眠FAP的分布概率為：

假設非休眠FAP中處于活躍狀態的概率為ρ，則處于喚醒狀態的FAP概率為1-ρ，所以活躍FAP和喚醒FAP的分布概率可以分別表示為：

由此休眠FAP、活躍FAP和喚醒FAP的密度分別為：

現假設一個線性FAP的功率模型Pfap[15]為：

其中，Pa為活躍狀態FAP總傳輸功率，P0為系統回路功率，Δp為傳輸功率的增量，PFAP為FAP最大固定功率，Pw和Ps分別為喚醒狀態和休眠狀態的系統維持功率。

定義系統的能源效率 ηEE是網絡的吞吐總量與 FAP功率之比，經由分析可以得到以下結論。

（1）未有休眠和喚醒狀態FAP下的ηEE_1為：

（2）有休眠、喚醒和活躍狀態FAP下的ηEE_2為：

（3）只有休眠和活躍狀態FAP下的ηEE_3為：

3 染色分簇

算法的提出建立在著名的人工蜂群[16]（artificial bee colony，ABC）算法的基礎上，將其應用于FAP的染色分簇算法中，形成調整的人工蜂群染色 （adjusted artificial bee colony coloring，AABCC）算法。算法的思想是先從無向圖中有最大度的頂點 （即從干擾拓撲圖中受最強干擾的小區）入手，首先對該最強干擾的小區染色，然后再逐步染色較弱干擾的小區，直到所有小區染色完畢，并且使得有干擾的小區之間不存在相同的顏色，最后按相同顏色進行分簇。

3.1 ABC算法

人工蜂群算法中有3種蜂種：雇傭蜂、觀察蜂和偵察蜂，還有一定數量的食物來源，一個雇傭蜂只能用一個花蜜源，即蜂巢中的花蜜源與雇傭蜂的數量相同。整個蜂群的目標是尋找花蜜量最多的蜜源，在標準的ABC算法中，雇傭蜂利用先前的蜜源信息尋找新的蜜源并與觀察蜂分享蜜源信息；觀察蜂在蜂房中等待并依據采蜜蜂分享的信息尋找新的蜜源；偵查蜂的任務是尋找一個新的有價值的蜜源，它們在蜂房附近隨機地尋找蜜源。

算法1 ABC算法

初始化。

重復以下過程：

（1）每一個雇傭蜂離開蜂巢去尋找蜜源，找到后記錄食物源位置信息并計算花蜜量，然后返回蜂巢周邊開始跳舞；

（2）每一個觀察蜂會盯住雇傭蜂的行為，并根據雇傭蜂的舞蹈信息前往蜜源，到達后更新蜜源信息，同時確定蜜源的花蜜量；

（3）確定偵查蜂，并再次尋找新的蜜源；

（4）記憶迄今為止最好的蜜源。

判斷終止條件是否成立。

3.2 AABCC算法

將宏小區覆蓋區域內的小區間干擾簡化為一個干擾拓撲，如圖3所示，每一個頂點代表一個由活躍FAP覆蓋的小區，頂點間的連接線代表小區間的干擾。首先將干擾拓撲圖劃分為幾個子圖，并從較大的子圖開始著手染色，然后再依次對較小的圖染色，這樣減少了迭代的次數，節省了計算的時間，并且能夠盡可能地使用最少的顏色。

圖3 簡化小區干擾拓撲

圖3 中的無向圖中包含了很多節點和邊，在AABCC算法中，將無向圖中的頂點當做ABC算法中的食物源，用每一個頂點的度代替ABC算法中的花蜜數量，并由此得出算法。

算法2 AABCC算法

每個雇傭蜂隨機選擇一個頂點（花蜜源），雇傭蜂計算各自頂點的度D（花蜜量），隨后返回蜂巢并跳舞傳播信息，其中D代表無向干擾拓撲圖中頂點的度；

觀察蜂收集雇傭蜂帶回的信息（花蜜位置和花蜜量），并將所有的度D按照從大到小的順序依次排列，形成Listd。

（1）觀察蜂前往Listd中的最大值所對應的主頂點位置：

·從調色板中選取黑色（特殊顏色，只為觀察蜂首次到達主頂點染色）進行頂點染色；

· 建立已用顏色列表Listc；

· 將Listd中的該主頂點對應的度刪除。

（2）位于該主頂點的各相鄰頂點將會隨機從調色板中選取顏色。

· 未染色的各相鄰頂點對主頂點大致呈現環繞狀。①依次對有鄰居關系的頂點每隔一個頂點染相同的顏色；

②無鄰居關系的頂點之間可染相同顏色；頂點選擇某種顏色，將顏色加入Listc中；

③染色后的相鄰頂點將對應的度從Listd中刪除。

· 該主頂點從調色板或者中選取顏色進行染色。

（3）主頂點包括各相鄰頂點全部染色完畢。

觀察蜂前往此時Listd中的最大值所對應的主頂點，并執行算法2中步驟（1）和步驟（2），直至全部頂點染色。

（4）根據染色的情況進行分簇，染相同顏色的頂點分到相同的簇內。

FAP由活躍狀態轉為休眠狀態或喚醒狀態刪除所染顏色及對應的度、簇中頂點。

FAP由休眠狀態或喚醒狀態轉為活躍狀態。

觀察蜂立即前往該頂點位置，與周邊鄰居對比，從調色板或者Listc中選取顏色進行染色，并將其加入相應的簇內。

3.3 舉例分析

AABCC算法2第（1）步如圖4（a）所示，觀察蜂到達度最高的位置，即受干擾最強的位置，并染黑色，加粗的圈為與主頂點有鄰居關系的頂點，可以看出相鄰的頂點對主頂點大致呈環繞狀。

AABCC算法2第（2）①步如圖4（b）所示，對環繞的有鄰居關系的頂點隔點染相同的染色，無鄰居關系的兩個頂點染相同顏色，假如從左上角的頂點開始，依次染藍、紅、藍、紅、藍。

AABCC算法2第（2）②步如圖4（c）所示，觀察蜂所在主頂點在調色板中選取黃色進行染色。

圖4 AABCC染色算法舉例

AABCC算法2第（3）步如圖4（d）、圖4（e）、圖4（f）所示，觀察蜂現到達此時Listd中的最大值所對應的主頂點，并染黑色。此時與主頂點有鄰居關系的頂點有3個，染色的有2個，所以此時只需染最上部的頂點即可，對比后從Listc中選擇紅色進行染色，觀察蜂此時也從Listc中選取黃色進行染色。

至此，染色完畢，染色可分簇為：簇1={1,5,7}，簇2= {2,6}，簇3={3,4,8}。

3.4 功率優化

假設根據第3.3節的分簇結果，假定共分簇C個，Cm代表第m個簇內的FAP集合，Ej代表FAPj服務的FUE的集合，系統中有Nsub個子載波。優化目標是活躍FAP在滿足低于最大發射功率和高于最小數據速率的條件下，可以使FUE的總吞吐量達到最大，為：

其中，Δf=Nsub·Bsub代表系統帶寬，Pmax代表FAP的最大發射功率，Rmin代表FAP最低數據速率要求。

根據目標函數（14）和約束條件（15），可以運用注水算法為FAP進行功率優化。設拉格朗日乘子為α、β，由KKT[17]定量可知：

4 仿真分析

本文采用的系統模型如圖1所示，有一個覆蓋半徑為500 m的宏基站小區，其中FAP和UE隨機部署。為了更公平地估計 AABCC算法的性能，運用正比公平（proportional fair，PF）和輪詢（round robin，RR）調度算法與本文的AABCC算法進行對比，參與對比的性能包括：用戶平均吞吐量、頻譜效率、能效以及掉線概率，其中掉線概率定義為FUE的信干噪比低于門限值[18]，即P(γi,j,n≤γth)。仿真參數[13,19]總結見表 1。

表1 仿真參數

平均用戶吞吐量對比如圖5所示。由圖5可知，隨著UE密度的增加，平均用戶的吞吐量在逐步降低，為了服務更多的UE，那么每個UE就只能享有較低的數據傳輸速率。當FAP活躍狀態概率ρ=7/9時，其平均用戶的吞吐量相比 GCRA算法得到了較為明顯的提升，這是由于AABCC算法在系統內UE增加的情況下，通過休眠—喚醒—活躍機制和分簇算法能夠較好地減小小區間干擾，提升平均用戶的吞吐量。但是當ρ=3/9時，由于系統內提供業務服務的活躍基站較少，平均用戶的吞吐量得不到很好的提升。

圖5 平均用戶吞吐量對比

平均用戶的頻譜效率的對比如圖6所示。由圖6可知，隨著UE密度的增加，平均用戶的頻譜效率也緩慢降低，AABCC算法下降幅度較大，而GCRA算法下降趨勢較為平緩。但是當ρ=7/9或5/9時，系統中平均用戶的頻譜效率要優于GCRA算法，這是由于AABCC算法能夠有效地給小區之間分配不同的顏色，并且使用最少的顏色進行染色分簇，還可以根據小區間干擾的改變動態地改變干擾拓撲圖，通過休眠—喚醒—活躍機制對基站進行不同的操作，能夠為系統節省頻譜資源，相對提升平均用戶頻譜效率。

圖6 平均用戶頻譜效率對比

FAP的能效隨UE密度的變化仿真如圖7所示。由圖7可知，本文的AABCC算法在能效方面得到了較大幅度的提升，GCRA、PF、RR算法中并未提及休眠基站的概念，基站長時間運轉會造成大量的頻譜資源的浪費，更會造成巨大能源的損耗，所以本文在節能的基礎上，為FAP提出一種休眠—喚醒—活躍機制，并對活躍基站進行深度優化功率，進一步提升其節能性能。當系統中有休眠、喚醒和活躍狀態的FAP，即ηEE_2，在UE密度為0～0.07時，能效最高，隨后與系統中只有休眠和活躍 FAP的 ηEE_1幾乎持平，能效都保持在較高水平上。ηEE_1為系統中未有休眠和喚醒的FAP，但是由于該系統中休眠和喚醒狀態下FAP的功率損耗為 P0，所以ηEE_1會是一條下降趨勢較為明顯的曲線。

用戶掉線率隨著UE密度的增加在2%～16%之內的變化仿真如圖8所示。當用戶密度為0.03 m2左右時，AABCC算法中ρ=3/9和5/9與GCRA算法的掉線率相差不大，但隨著UE密度的增加，ρ=3/9和5/9的掉線率卻明顯高于GCRA算法，這是由于當AABCC算法中的休眠-喚醒-活躍機制在系統內業務量激增時，活躍基站較少，無法滿足需求，而且Timer1和Timer2需設置得較為合理，所以會造成一定數量的用戶掉線。當ρ=7/9，用戶掉線率在UE密度為0～0.08時，AABCC算法要優于GCRA算法。

圖7 FAP能源效率對比

圖8 用戶掉線率對比

5 結束語

針對GCRA算法中存在的不足進行相應的分析和改良，考慮到節省系統的能源消耗問題，創新性地提出一種休眠—喚醒—活躍機制，對無業務服務的活躍基站轉為喚醒狀態，對長時間無業務請求的喚醒狀態基站轉為休眠狀態，從而避免了基站長時間運作對能源的大量消耗和對頻譜資源的長時間占用。另外將ABC算法應用于對小區間的干擾拓撲圖染色的問題中，減少了染色的迭代次數，且更適用于實際場景。通過仿真表明，有休眠—喚醒—活躍基站的AABCC算法在用戶掉線率上略遜于GCRA算法，但在平均用戶的吞吐量、頻譜效率以及FAP的能效方面都比GCRA算法在一定程度上有所提升。

[1]BHUSHAN N,LI J,MALLADI D,et al.Network densification：the dominant theme for wireless evolution into 5G[J].IEEE Communications Magazine,2014,52(2)：82-89.

[2]OLSSON M,CAVDAR C,FRENGER P,et al.5GrEEn：towards green 5G mobile networks[C]//2013 IEEE 9th International Conference on Wireless and Mobile Computing,Networking and Communications (WiMob),October 7-9,2013,Lyon,France. New Jersey：IEEE Press,2013：212-216.

[3]SU L,YANG C,CHIH-LIN I.Energy and spectral efficient frequency reuse of ultra dense networks[J].IEEE Transactions on Wireless Communications,2016,15(8)：5384-5398.

[4]LIANG L,WANG W,JIA Y,et al.A cluster-based energy-efficient resource management scheme for ultra-dense networks[J].IEEE Access,2016(4)：6823-6832.

[5]LI Q,WU G,HU R Q.Analytical study on network spectrum efficiency of ultra dense networks[C]//2013 IEEE 24th Annual International Symposium on Personal,Indoor,and Mobile Radio Communications(PIMRC),September 8-11,2013,London,UK. New Jersey：IEEE Press,2013：2764-2768.

[6]CHEN S,XING C,FEI Z,et al.Dynamic clustering algorithm design for ultra dense small cell networks in 5G[C]//10th International Conference on Communications and Networking in China,August 15-17,2015,Shanghai,China.New Jersey：IEEE Press,2015：836-840.

[7]YUNAS S F,VALKAMA M,NIEMELA J.Spectral and energy efficiency of ultra-dense networks under different deployment strategies[J].IEEE Communications Magazine,2015,53(1)：90-100.

[8]QIN C,TIAN H.A greedy dynamic clustering algorithm of joint transmission in dense small cell deployment[C]//2014 IEEE 11th Consumer Communications and Networking Conference (CCNC),January 10-13,2014,Las Vegas,USA.New Jersey：IEEE Press,2014：629-634.

[9]YANG C,LI J,GUIZANI M.Cooperation for spectral and energy efficiency in ultra-dense small cell networks[J].IEEE Wireless Communications,2016,23(1)：64-71.

[10]QU F,TIAN J,LI M,et al.Vertex coloring based logical channel mapping for frequency hopping transmission in next generation broadcasting wireless systems[C]//10th International Conference on Communicationsand Networking in China, August 15-17,2015,Shanghai,China.New Jersey：IEEE Press, 2015：670-674.

[11]OH E,SON K,KRISHNAMACHARI B.Dynamic base station switching-on/off strategies for green cellular networks[J].IEEE Transactions on Wireless Communications,2013,12(5)：2126-2136.

[12]PAN Z,SHIMAMOTO S.Cell sizing based energy optimization in joint macro-femto deployments via sleep activation[C]//2013 IEEE Wireless Communications and Networking Conference (WCNC),April 7-10,2013,Shanghai,China.New Jersey：IEEE Press,2013：4765-4770.

[13]ZHANG Q,ZHU X,WU L,et al.A coloring-based resource allocation for OFDMA femtocell networks[C]//2013 IEEE Wireless Communications and Networking Conference(WCNC),April 7-10, 2013,Shanghai,China.New Jersey：IEEE Press,2013：673-678.

[14]LI C,ZHANG J,LETAIEF K B.Throughput and energy efficiency analysis of small cell networks with multi-antenna base stations[J].IEEE Transactions on Wireless Communications, 2014,13(5)：2505-2517.

[15]AUERG,GIANNINIV,DESSETC,etal.Howmuchenergyis needed to run a wireless network[J].IEEE Wireless Communications,2011, 18(5)：40-49.

[16]KARABOGA D,AKAY B.Artificialbeecolony(ABC) algorithm on training artificial neural networks[C]//15th Signal Processing and Communications Applications,June 11-13, 2007,New York,USA.New Jersey：IEEE Press,2007：1-4.

[17]解可新,韓健,林友聯.最優化方法[M].天津：天津大學出版社,1997：125-135. XIE K X,HAN J,LIN Y L.Optimization methods[M].Tianjin：Tianjin University Press,1997：125-135.

[18]KANDUKURI S,BOYD S.Optimal power control in interferencelimited fading wireless channels with outage-probability specifications[J].IEEE Transactions on Wireless Communications, 2002,1(1)：46-55.

[19]GE X,TU S,MAO G,et al.5G ultra-dense cellular networks[J]. IEEE Wireless Communications,2015,23(1)：72-79.

An energy saving clustering algorithm based on artificial bee colony in ultra dense network

ZHOU Pengguang,HUANG Junwei,ZHANG Renchi,XU Hao
School of Communication and Information Engineering,Chongqing University of Posts and Telecommunications,Chongqing 400065,China

In ultra dense network(UDN),the dense deployment of low power base station(BS)will increase the system’s energy consumption and cause the waste of the scarce spectrum resources.Aiming to explore the feasible method of energy saving system and interference coordination,BS sleeping-waking-active mechanism in UDN was proposed,which would reduce the opening time of the sleeping BS.Also an adjusted artificial bee colony algorithm was proposed which used the least colors to dye the BS in topology,then power allocation of active BS in different cluster was optimized.Simulations show that the sleeping-waking-active mechanism can improve the energy efficiency of the system,and the clustering algorithm can promote the spectrum efficiency and throughput.

ultra dense network,artificial bee colony algorithm,clustering,energy saving

TN929.5

A

10.11959/j.issn.1000-0801.2017038

周朋光（1992-），男，重慶郵電大學碩士生，主要研究方向為5G關鍵技術、超密集網絡中的干擾協調技術。

黃俊偉（1969-），男，重慶郵電大學高級工程師、碩士生導師，主要研究方向為新一代寬帶移動通信核心芯片、協議及系統應用、寬帶無線通信。

張仁遲（1991-），男，重慶郵電大學碩士生，主要研究方向為LTE/5G相關關鍵技術。

徐浩（1992-），男，重慶郵電大學碩士生，主要研究方向為 5G關鍵技術、毫米波MIMO系統混合波束成形技術。

2016-12-20；

2017-02-07

國家科技重大專項基金資助項目(No.2016ZX03002010-003)

Foundation Item：The National Science and Technology Major Project of China(No.2016ZX03002010-003)