异构蜂窝网络干扰协调方法与流程

本发明属于移动通信领域，特别涉及一种异构蜂窝网络中的资源调度优化技术。

背景技术：

随着移动用户需求的提升和应用的多样化，移动数据量以指数级增长的速度不断逼近现有蜂窝移动网络的容量上限，从而导致蜂窝网络过载而造成服务质量下降，因而需要进一步提升蜂窝移动网络的容量来满足用户不断增长的需求。一种解决方案是采用异构分层覆盖和增加基站部署，进而衍生出了密集异构网络，异构组网能够有效提升蜂窝小区的通信容量。

虽然密集异构组网一定程度上提高了移动通信网络的容量，但基站密集部署带来了严重的层内干扰，异构网络采用的频谱共享机制也会造成严重的跨层干扰，这导致异构网络频谱效率低下。此外，由于业务负载往往呈现局部热点化的特点，异构网络中多维度的资源分配也是一项巨大的挑战。若所有基站都以最大发射功率工作，不仅会造成能源浪费，能效降低，还会导致基站间干扰过大，信道质量降低，影响用户体验。通过优化用户与基站、信道的关联以及功率控制，在保证用户服务质量(qualityofservice，qos)的前提下，减少基站间干扰、减小功耗，是本领域研究讨论的主要问题。

目前关于异构蜂窝网络的研究范围十分广泛，包括蜂窝网络通信的相关技术、应用场景、实际应用中可能存在的问题(如接入策略、资源管理、功率控制)等。文献“李俭慧.密集异构网络的业务卸载技术研究[d].北京邮电大学，2017”提出了基于有效容量的延时业务卸载方案，在满足用户服务质量的限定条件下，最大化系统的能量效率；文献“王露.异构蜂窝网络的用户卸载策略研究[d].中国科学技术大学，2017”综合考虑用户归属关系、几乎空白子帧比例等参数构建了一个联合效用优化问题，并采用gauss-seidel方法求解。

现有研究表明，在密集异构蜂窝网络中引入有效的资源调度策略能够提高系统的频谱利用率，减轻基站的功耗，合理的接入策略和信道分配、有效的干扰协调可以在一定程度上解决密集异构网络面临的一些实际问题；但实际通信场景中需要对不同用户的差异化qos需求进行有效保障，且不同基站最大发射功率等性能存在差异。上述现有技术均未能很好地兼顾。

技术实现要素：

针对现有技术存在的上述问题，本发明提出了一种异构蜂窝网络干扰协调方法，具体包括如下步骤：

步骤s1：在模拟的真实下行网络链路场景下，以最小化基站总发射功率消耗为目标，分别以用户qos需求、宏基站最大发射功率、微基站最大发射功率、基站接入限制和信道复用限制为约束条件，确定优化问题；

步骤s2：求解步骤s1确定优化问题；

步骤s3：对步骤s2得到结果解码得到相应的用户接入、信道分配和功率控制策略。

进一步地，所述步骤s1模拟的真实链路场景包括：m个移动用户、n个基站(其中l个宏基站和n-l个微基站)，n个基站均匀部署构成小区，m个移动用户随机分布在小区内；所有基站同频部署，且频带被划分为i条正交信道，每个移动用户能且仅能连接一个基站，并从一条或多条信道获得服务，其他基站在相同基站发射的信号会对该用户产生干扰，不同信道间不存在干扰。

进一步地，所述步骤s1确定优化问题的为混合整数非线性优化问题。

更进一步地，所述步骤s2具体利用基于遗传算法和粒子群算法的混合启发式搜索算法进行求解。

更进一步地，求解的具体步骤如下：

s21：使用相同格式编码遗传算法中基因序列和粒子群算法中位置信息，初始化遗传算法；

s22：利用有限次遗传算法迭代求得一组可行解；

s23：初始化粒子群算法，将遗传算法得到的结果输入粒子群优化算法求解；

s24：将粒子群优化算法得到的解重新输入遗传算法，直至结果收敛或达到迭代次数上限。

更进一步地，步骤s21中所用遗传算法中染色体序列和粒子群优化算法中的位置信息为与用户接入策略和信道分配策略相对应的0-1整数型矩阵，以及和基站功率控制相关的实数矩阵，个体和粒子的适应度表达式即为问题的优化目标基站总功耗。

进一步地，在一次大循环中，对于遗传算法每次迭代依次对父代种群进行交叉操作、变异操作生成子代种群后，记录最优策略和最优适应度，然后执行选择操作进入下一次迭代，在有限次迭代后，强制停止遗传算法，输出当前种群。

进一步地，在每一次启动粒子群优化算法时，将所有粒子速度重置为0，并输入遗传算法得到当前种群的基因信息作为位置信息，迭代一次后，计算粒子速度并执行迭代。

本发明的有益效果：本发明的异构蜂窝网络干扰协调方法通过采用较高还原度和可靠度的网络场景，并基于该场景将用户接入策略、信道分配和功率控制策略协同考虑，建立了用户接入策略、信道分配和功率控制协同优化方案，并提出了具有较低复杂度的启发式算法求解该问题。本发明的方法针对异构蜂窝网络中的下行传输场景，可以在有效保证用户差异化qos需求以及基站最大发射功率约束的情况下，实现系统总功率消耗最小化。

附图说明

图1为本发明实施例的系统场景示意图。

图2为本发明实施例的方法的流程示意图。

具体实施方式

为便于本领域技术人员理解本发明的技术内容，下面结合附图对本发明内容进一步阐释。

如图1所示为本发明的实施例所构建的网络场景，考虑下行链路，基站同频部署的场景。其中，mbs表示宏基站，sbs表示微基站，mu表示移动用户，an×m和bm×i分别表示用户与基站的关联情况和用户占用信道的情况；虚线表示干扰信号，实线为有用信号。

本实施例中模拟真实下行链路通信场景，具体为：n个基站和m个用户组成的异构蜂窝网络下行链路系统，包含l个宏基站和n-l个微基站，另有m个移动用户随机分布在区域中。

令集合为基站集合，为用户集合，表示第n个基站，n＜l时表示宏基站，反之则表示微基站，所有基站同频部署，存在同层干扰和跨层干扰；表示第m个用户设备，假设每个用户只能关联一个基站，令an，m∈{0，1}为用户与基站的关联变量，an,m＝1表示用户m接入了基站n，反之an,m＝0。

多个接入同一基站的用户会共享基站的系统资源，如以时分复用或频分复用获得服务，本实施例中将资源块作为基站系统资源的基本单位，对应于每个子信道，令为基站资源块的集合，即每个基站共有i个子信道。bm,i表示用户m对第i个信道的占用情况，bm,i＝1表示用户m占用了第i个子信道，并且会受到其他基站在这个信道上发射信号的干扰。令ps表示微基站最大发射功率，pm表示宏基站的最大发射功率。另外网络中存在集中控制器，可以实时感知基站和用户状态，并做出相应决策。

对于网络每一个调度周期，假设控制器根据当前用户位置信息，以及信道状态信息，实时计算出用户接入、信道分配和功率控制策略。相应策略服从的约束如下：

用户接入策略：每个移动用户仅允许与一个基站建立连接，基站服务用户不设上限(但不能超过可分配子信道的数量)。

信道分配策略：所有基站同频部署，频域被划分为多个正交子信道。基站可以为用户提供一个或多个子信道并保证每个用户至少占用一个子信道。

功率控制策略：基站可将功率任意分配在每个子信道上，仅需满足总功率不超过该基站最大发射功率约束。

基于该网络场景，本发明的一种异构蜂窝网络干扰协调方法，具体包括以下步骤：

s1、在模拟的真实下行网络场景下，以最小化基站总发射功率消耗为目标，分别以用户qos需求、宏基站最大发射功率、微基站最大发射功率、基站接入限制和信道复用限制为约束条件，确定优化问题。具体为：以最小化系统总功率消耗为目标函数，分别以移动用户的qos需求vm、宏基站最大发射功率pn1,i、微基站最大发射功率pn2,i、用户接入指示符an,m以及信道分配指示符bm,i的取值为约束条件，得到第一优化问题。

优化问题表达式如下：

p1：

s.t.

c1:an,m∈{0,1}

c2：

c3:bm,i∈{0,1}

c4：

c5：

c6：

c7：

其中，p1表示优化问题的目标函数；约束条件c1中，an,m表示用户与基站的关联变量，an,m＝1表示用户m接入了基站n，an,m＝0则表示用户与建站没有建立连接；约束条件c2保证了用户至少且至多接入一个基站；约束条件c3中，bm,i表示用户m对第i个子信道的占用情况，bm,i＝1表示用户m占用了第i个子信道，并且会受到其他基站在这个信道上上发射信号的干扰，bm,i＝0表示用户与信道m与信道i无关联；约束条件c4保证了对于特定基站，它的每个子信道只能被一个移动用户占用(接入不同基站的用户可以复用同一信道)；约束条件c5、c6中，对应了宏基站n1和微基站n2在信道i上的发射功率，两约束分别保证了宏基站与微基站的总发射功率不会超过各自的发射功率上限pm/ps；约束条件c7保证了用户m得到的吞吐量cm满足其qos需求vm(最小数据速率)。最大发射功率pm＝50w，ps＝20w，用户差异化qos需求vm随机分布于[10⁵,3×10⁵]bit/s。

移动用户的qos即用户从关联基站得到的数据速率，计算式为：

其中，cn,m,i为基站n在第i个子信道上为用户m提供的数据速率，表达式如下：

其中，b为每个正交子信道的带宽，n0为背景噪声的功率谱密度，hn,m为信道增益模型：

hn,m＝pln,m×hr×hs

hr为由于多径效应产生的瑞利衰落，hs为随机的阴影衰落，具体地，pln,m表达式为：

其中，dn,m表示用户同基站之间的距离。

in,m,i为用户m在基站n的第i个子信道上受到的干扰，表达式如下：

s2、利用遗传算法和粒子群算法联合求解上述混合整数非线性规划问题，

步骤s1确定的问题是np-hard问题，难以直接求解，故采用具有低复杂度的混合启发式搜索算法求解该问题。在算法的大循环内，反复运行遗传算法和粒子群算法，以达到良好的全局搜索性并加快收敛速度。具体流程如图2，具体步骤如下：

s21、使用相同格式编码遗传算法中基因序列和粒子群算法中位置信息以及适应度，初始化算法；具体实现如下

对于遗传算法，种群中每个个体代表一组策略，个体的染色体为0-1整数型矩阵，为实数矩阵，分别对应用户与基站的关联情况(用户接入第几个基站)、信道分配策略(用户占用接入基站的哪几个信道)、功率分配策略(基站在每个子信道上分配的功率)。

个体的适应度代表一组策略的性能好坏，在本问题中，以优化目标总功耗来衡量策略的性能表现：

粒子群优化算法中每个粒子代表一组策略，具有位置、速度和适应度三个属性。粒子的位置和适应度分别对应遗传算法个体的染色体和适应度，表示当前策略和性能指标；粒子的速度是由算法计算得出的预期获得更好适应度的策略变化方向。

初始化种群数量和粒子群粒子数量np、循环迭代次数t、遗传算法阶段迭代次数t1和粒子群优化阶段最大迭代次数t2，并设置算法参数：遗传算法中的子代种群数量np1、交叉概率pc、变异概率pm，粒子群优化算法中的加速度ω、当前集体质心权值c1、历史最佳质心权值c2。

s22、利用有限次遗传算法求得一组可行解；

每次遗传算法迭代的操作步骤为交叉操作、变异操作、选择操作。

交叉操作：对于每一代种群，随机选择两个父代，以pc的概率交换一部分染色体片段，并检测得到的新策略是否满足约束条件，若满足条件则得到一个子代个体。

变异操作：随机选择一个个体，以概率pm对其执行变异操作，抽取一个染色体片段在可行域内随机变化。

变异操作的规则(即变异算子)为：

其中，代表抽取到的片段为整数型变量，代表抽取到的片段为实数型变量，γ1、γ2均为[0,1]区间上的随机数(根据规模大小，γ1、γ2可能为随机数列或矩阵)，round计算符表示取与括号内数值最接近的整数，xmax、xmin、ymax、ymin分别表示抽取染色体片段每个分量可以取到的最大值或最小值。

循环以上步骤，共生成np1个子代个体后，计算每个个体的适应度，并以适应度作为权值，使用轮盘赌算法选择np个个体作为下一代种群。特别地，若当前个体中适应度最佳的个体被淘汰，则强制令该个体替换掉下一代种群中适应度最低的个体，保证算法朝更优方向进行。

迭代t1次后，进入下一阶段。

s23、初始化粒子群算法，将s22得到的结果输入粒子群优化算法求解；

粒子群算法中，每个粒子的位置代表一种方案，速度决定了方案迭代演进的速度，为保持算法一致性，位置的表达同遗传算法中染色体的表达，定义速度为每个粒子两次迭代位置的变化量，即：

pbestr,d为当前最佳个体的位置，gbestr,d为历史最优适应度出现的位置，表示当前粒子的位置。

上式中，表示s23要求每次粒子群算法启动前将速度重置为0，输入遗传算法的解并进行一次迭代之后，重新加入速度分量进行优化。

其中，表示粒子的惯性，即算法会尝试保持上一次策略迭代的变化方向，以期获得更好的结果，表示粒子会向当前集体质心靠拢，表示粒子会向历史最佳的位置靠拢。

每次迭代更新所有粒子的位置和速度，其中整数型变量和实数型变量迭代表达式如下：

其中，x代表整数型变量，y代表连续变量。

计算所有粒子的适应度，并记当前适应度最高的粒子的位置为当前集体质心，如果该适应度优于历史最佳，则记当前位置为历史最佳质心，当前适应度为历史最佳适应度。

粒子群优化迭代t2次后，进入下一阶段。

s24、将s23得到的解重新输入遗传算法，直至结果收敛或达到迭代次数上限t；

需要说明的是：由于遗传算法具有较好的全局搜索性，但收敛速度缓慢。粒子群优化算法收敛速度更快，但极易过早收敛到局部最优。使用遗传算法进行粗粒度的搜索，并将结果输入粒子群算法加速算法收敛。当算法外层循环达到次数上限或数代最佳个体适应度不再降低时，算法结束，输出最佳个体的基因信息和适应度。

s3、对最终得到历史最佳集体质心解码得到相应的用户接入、信道分配和功率控制策略，历史最佳适应度即为系统最小总功耗。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。