基于CFA優(yōu)化Macro/Femtocell異構(gòu)網(wǎng)絡(luò)能效的子載波分配

吉曉香， 劉 清

(南京師范大學(xué) a. 泰州學(xué)院； b. 計算機科學(xué)與技術(shù)學(xué)院, 南京 225300)

0 引 言

隨著互聯(lián)網(wǎng)技術(shù)和移動通信技術(shù)的快速發(fā)展和壯大，網(wǎng)絡(luò)用戶數(shù)量呈指數(shù)級增長，由于網(wǎng)絡(luò)速率和業(yè)務(wù)量增加的需要，網(wǎng)絡(luò)資源的合理分配成為當(dāng)前研究的熱點問題。5G通信對網(wǎng)絡(luò)速率有了更高要求，隨著網(wǎng)絡(luò)速率的增加，網(wǎng)絡(luò)能耗也不斷增加，這給5G通信的應(yīng)用帶了很大挑戰(zhàn)，因此降低網(wǎng)絡(luò)能耗，提高網(wǎng)絡(luò)整體效率，越來越受到關(guān)注。為滿足業(yè)務(wù)多樣化需求和網(wǎng)絡(luò)高速率要求，移動通信網(wǎng)絡(luò)環(huán)境由單網(wǎng)絡(luò)向多網(wǎng)絡(luò)方向發(fā)展，新一代異構(gòu)Macro/Femtocell網(wǎng)絡(luò)不但提高了移動網(wǎng)絡(luò)的覆蓋面積，同時提高了用戶質(zhì)量，具有能耗低、環(huán)保和安裝成本較低的優(yōu)點，因此得到廣泛應(yīng)用[1]。然而，由于Macro/Femtocell異構(gòu)網(wǎng)絡(luò)之間共享頻譜，使得網(wǎng)絡(luò)間存在層間干擾或跨層間干擾，導(dǎo)致資源的嚴(yán)重浪費和網(wǎng)絡(luò)能耗的增加，影響Macro/Femtocell網(wǎng)絡(luò)的穩(wěn)定性和信號傳輸性能[2]。為合理分配網(wǎng)絡(luò)資源，對Macro/Femtocell異構(gòu)網(wǎng)絡(luò)進行能耗優(yōu)化具有重要的理論價值和實際意義。

螢火蟲算法(Firefly Algorithm，F(xiàn)A)[3]是借助于螢火蟲自身的趨光性，通過螢火蟲之間的吸引和移動實現(xiàn)螢火蟲位置的更新，將尋優(yōu)問題變換成為尋找螢火蟲群體中亮度最大的螢火蟲的問題。本文針對FA算法存在局部最優(yōu)和“早熟”問題，將云模型引入FA算法，提出一種云模型螢火蟲算法優(yōu)化Macro/Femtocell異構(gòu)網(wǎng)絡(luò)能效方法，優(yōu)化載波分配達到異構(gòu)網(wǎng)絡(luò)能效優(yōu)化的目的。通過研究不同載波數(shù)、不同用戶數(shù)量和網(wǎng)絡(luò)能耗之間的關(guān)系，研究結(jié)果表明，與FA、PSO和GA相比較，CFA算法獲取的傳輸速率更大，因此系統(tǒng)能效更高。

1 螢火蟲算法

螢火蟲i向亮度更強的螢火蟲j移動更新規(guī)則如下[4]：

Xi=Xi+β(r)(Xj-Xi)+αεi

(1)

2 Macro/Femtocell模型

典型的Macro/Femtocell異構(gòu)網(wǎng)絡(luò)模型如圖1所示[5]，一個大的Macro基站(MBS)，下邊帶m個用戶(MUE)，大基站周邊i個Femtocell小基站(FBS)，每個小基站帶k個用戶(FUE)。

圖1 異構(gòu)網(wǎng)絡(luò)模型

Macro基站用戶m用子載波n傳輸信息時信噪比為：

(2)

Femtocell基站用戶k用子載波n傳輸信息時信噪比為：

(3)

Macro基站所有用戶的傳輸速率：

(4)

Femtocell基站所有用戶傳輸速率：

(5)

Macro基站所有用戶功率消耗：

(6)

Femtocell基站所有用戶功率消耗：

(7)

式中：PCM,PCF分別代表Macro及Femtocell的電路損耗。在滿足用戶QOS 需求和功率約束條件下，研究系統(tǒng)網(wǎng)絡(luò)能效的最優(yōu)化，因此數(shù)學(xué)模型如下：

(8)

式中：C表示子載波分配系數(shù)。當(dāng)C=1時，分配子載波給用戶；C=0，不分配子載波給用戶。

3 基于CFA的Macro/Femtocell異構(gòu)網(wǎng)絡(luò)能效優(yōu)化

3.1 云模型(Cloud Model)

若一定性概念W處于定量論域U上，x∈U且x為W在U上的隨機實現(xiàn)，則能夠用μ(x)表征x對W的確定度，代表穩(wěn)定傾向的隨機數(shù)，且μ(x)∈[01]。若μ:U→[01]?x∈Ux→μ(x)，則在U上的分布x稱為云，x中的每一個組成元素稱為云滴[6]。通常采用期望Ex、熵En和超熵He表征云模型[7]，即C(Ex,En,He)。若x滿足：x∈N(Ex,En′2)，其中En′∈N(En,He2)，并且x對W的確定度μ(x)滿足：

(9)

則x在U上的分布叫做正態(tài)云。云模型的云滴圖如圖2所示。

圖2 云滴圖

3.2 云螢火蟲算法

式中，k1、k2表示控制參數(shù)。由于

則CR∈[0.2,0.9]。

Xi=CRXi+β(r)(Xj-Xi)+αεi

(15)

式中，CR∈[0,1]。

3.3 算法流程

本文運用CFA算法優(yōu)化Macro/Femtocell異構(gòu)網(wǎng)絡(luò)能效，通過優(yōu)化載波分配達到異構(gòu)網(wǎng)絡(luò)能效優(yōu)化的目的。假設(shè)功率已經(jīng)合理分配，有n個螢火蟲個體在D維空間上，每個螢火蟲個體代表一個解(即代表一個子載波分配方案)，一個螢火蟲個體對應(yīng)子載波分配方案如圖3所示。

圖3 載波分配方案

Macro/Femtocell之間共享頻譜，F(xiàn)emto/Femto之間不共享頻譜，所以每個螢火蟲個體代表一個子載波分配方案主要包括兩個部分:① MBS用戶載波分配情況，② MBSs用戶載波分配情況，即①表示MBS基站中MUE分配，② 表示FBSs中FUE分配，i/k表示第i個FBS基站第k個FUE。以整體網(wǎng)絡(luò)能效EE最大化為目標(biāo)函數(shù)，尋找最優(yōu)分配方案。

基于CFA優(yōu)化Macro/Femtocell異構(gòu)網(wǎng)絡(luò)能效的算法流程可歸納總結(jié)為：

Step1設(shè)定CFA算法參數(shù)。螢火蟲數(shù)量N、最大迭代次數(shù)T、初始吸引度β0和步長因子α。

Step2計算螢火蟲個體的亮度并排序。計算每個螢火蟲個體的適應(yīng)度并排序，計算亮度最大的螢火蟲的空間位置。

Step3判斷算法終止條件。如果當(dāng)前迭代次數(shù)t>T，則轉(zhuǎn)到Step 4；反之，轉(zhuǎn)到Step 5。

Step4輸出最優(yōu)解。將亮度最大的螢火蟲位置作為Macro/Femtocell異構(gòu)網(wǎng)絡(luò)的最優(yōu)分配方案。

Step5更新螢火蟲的空間位置。運用式(15)更新螢火蟲的空間位置。

基于CFA優(yōu)化Macro/Femtocell異構(gòu)網(wǎng)絡(luò)能效的流程圖如圖4所示。

圖4 基于CFA優(yōu)化Macro/Femtocell異構(gòu)網(wǎng)絡(luò)能效流程圖

4 仿真實驗

FA算法參數(shù)設(shè)置如下：螢火蟲數(shù)量N=50,初始吸引度β0=1,步長因子α=0.5和最大迭代次數(shù)T=100。PSO算法參數(shù)設(shè)置如下：種群大小popsize=50，最大迭代次數(shù)T=100，學(xué)習(xí)因子c1=c2=0.2。GA算法參數(shù)設(shè)置如下：種群大小popsize=50，最大迭代次數(shù)T=100，交叉概率Pc=0.7和變異概率Pm=0.1。

各算法獨立運行1次，運算結(jié)果取平均值，對比結(jié)果如表1和圖5所示。由表1和圖5可知，與FA、PSO和GA相比，CFA具有更強的尋優(yōu)能力和尋優(yōu)精度。

表1 實驗結(jié)果 (Mb·s-1)·W-1

圖5 網(wǎng)絡(luò)能效對比圖

選擇網(wǎng)絡(luò)用戶數(shù)量為30，載波數(shù)由64增加到256，不同算法的網(wǎng)絡(luò)能效對比結(jié)果如6所示。

由圖6可知，幾種算法的網(wǎng)絡(luò)能效均隨子載波數(shù)量的增加而降低；當(dāng)Macro/Femtocell異構(gòu)網(wǎng)絡(luò)的子載波數(shù)量較少時，載波之間的相互干擾較少，因此網(wǎng)絡(luò)能效較高；反之，隨著Macro/Femtocell異構(gòu)網(wǎng)絡(luò)的子載波數(shù)量的增加，載波之間的干擾增加，此時網(wǎng)絡(luò)能量是降低的。與FA、PSO和GA算法的網(wǎng)絡(luò)能效對比可知，不同載波數(shù)量下，CFA算法的網(wǎng)絡(luò)能效最高，效果最好。

圖6 不同載波數(shù)量的網(wǎng)絡(luò)能效對比圖

由圖7可知，幾種算法的網(wǎng)絡(luò)能效均隨用戶數(shù)量的增加而降低，用戶數(shù)量較少時，可以利用的信道資源較為豐富，因此網(wǎng)絡(luò)能效較高；反之，隨著用戶數(shù)量的增加，可以利用的信道資源緊缺，干擾大，此時網(wǎng)絡(luò)能量是降低的。通過對比可知，不同用戶數(shù)量下，CFA算法的網(wǎng)絡(luò)能效最高，優(yōu)于FA、PSO和GA算法的網(wǎng)絡(luò)能效。

圖7 不同用戶數(shù)量的網(wǎng)絡(luò)能效對比圖

由圖8傳輸速率對比圖可知，與FA、PSO和GA相比較，CFA算法獲取的傳輸速率更大，因此系統(tǒng)能效更高。

圖8 傳輸速率對比圖

5 結(jié) 語

針對FA算法存在局部最優(yōu)和早熟問題，將云模型和螢火蟲算法結(jié)合起來，提出一種云模型螢火蟲算法優(yōu)化Macro/Femtocell異構(gòu)網(wǎng)絡(luò)能效方法。以網(wǎng)絡(luò)能效最大化為目標(biāo)，在滿足Macro/Femtocell異構(gòu)網(wǎng)絡(luò)用戶服務(wù)質(zhì)量前提下，運用云模型螢火蟲算法進行子載波分配優(yōu)化研究。通過研究不同載波數(shù)、不同用戶數(shù)量和網(wǎng)絡(luò)能耗之間的關(guān)系，研究結(jié)果表明，與FA、PSO和GA相比較，CFA算法獲取的傳輸速率更大，因此系統(tǒng)能效更高。