Foundation items: Supported by the National Natural Science Foundation of China(61171083,61322108,61271209,61431005),the Key Grant Project of Chinese Ministry of Education(313021)and the Industry-University-Research Joint Project of Guangdong Province and the Ministory of Education(2012J2200005)

混合業(yè)務(wù)下基于能效準(zhǔn)則的基站開/關(guān)選擇策略*

潘偉鏘1胡少東2,3劉靖4

(1.華南理工大學(xué) 網(wǎng)絡(luò)中心， 廣東 廣州 510640; 2.中國電信股份有限公司 廣東研究院， 廣東 廣州 510630;

3.華南理工大學(xué) 電子與信息學(xué)院， 廣東 廣州 510640; 4.中國電信廣東分公司， 廣東 廣州 510081)

摘要：為提升無線系統(tǒng)的能效，針對用戶隨時間的潮汐變化特點，文中提出了一種通過基站開關(guān)切換提升系統(tǒng)能效的方法——基于能效準(zhǔn)則的基站開/關(guān)選擇策略，將用戶業(yè)務(wù)分為恒定比特率業(yè)務(wù)和可變比特率業(yè)務(wù)，在滿足恒定比特率業(yè)務(wù)的約束下最大化能源效率.文中采用改進的自適應(yīng)遺傳算法來求解此約束優(yōu)化問題，即基站開關(guān)狀態(tài)用二進制編碼，通過設(shè)計的選擇、交叉、變異實現(xiàn)迭代尋優(yōu).仿真結(jié)果表明:文中提出的改進遺傳算法收斂速度快，能有效對抗染色體群體的早熟問題;在滿足恒定比特率用戶需求的前提下，文中策略可有效地提升無線系統(tǒng)的能效，其性能接近窮舉算法.

關(guān)鍵詞：基站開關(guān)；能效；遺傳算法；約束優(yōu)化

收稿日期：2015-03-17

基金項目：* 國家自然科學(xué)基金資助項目(61171083,61322108,61271209,61431005);教育部科技研究重大專項(313021);廣東省教育部產(chǎn)學(xué)研結(jié)合項目(2012J2200005)

作者簡介：潘偉鏘(1972-),男,博士,高級工程師,主要從事通信網(wǎng)絡(luò)研究.E-mail: wqpan@scut.edu.cn

文章編號：1000-565X(2015)05-0030-05

中圖分類號：TN929.5

doi:10.3969/j.issn.1000-565X.2015.05.005

隨著移動互聯(lián)網(wǎng)的快速發(fā)展,用戶對高速率數(shù)據(jù)業(yè)務(wù)的需求越來越大.增加網(wǎng)絡(luò)容量的一個基本技術(shù)是部署更多的基站,但這同時也帶來了巨大的能耗問題[1].構(gòu)建綠色網(wǎng)絡(luò)、節(jié)省網(wǎng)絡(luò)能耗已成為無線網(wǎng)絡(luò)的一個研究熱點[2].

通過有目的性的無線資源調(diào)度可實現(xiàn)能效提升,從時間粒度上可分為短時處理和長時處理兩種方式.短時處理以毫秒、秒為單位,一般是根據(jù)突發(fā)業(yè)務(wù)的特征在時隙、子載波等小尺度上調(diào)度資源.長時處理以小時、天為單位,從射頻功率、基站開關(guān)等方面進行資源調(diào)度.文中主要關(guān)注長時處理.研究表明,在蜂窩網(wǎng)絡(luò)中操作所需能量的80%消耗在基站,并且用戶業(yè)務(wù)在時間上有明顯的潮汐效應(yīng)[3],因此,在用戶量下降時可以關(guān)閉一部分基帶電路和射頻,以降低系統(tǒng)能耗,這一策略稱為基站開/關(guān)(CSO)策略,是綠色無線接入的一個重要研究方向.

基站開/關(guān)策略在過去幾年受到廣泛的關(guān)注.文獻[3]較早針對這一策略的實用性進行分析,結(jié)果表明,CSO在節(jié)約能源方面的潛在效益主要受站點密度、用戶負(fù)載等因素的影響.目前針對這一問題已經(jīng)有多種算法[3-12],現(xiàn)有算法一般把CSO問題轉(zhuǎn)化為約束優(yōu)化模型,其中約束條件基于用戶或業(yè)務(wù)的服務(wù)質(zhì)量(QoS)要求,如文獻[3,5]采用的約束條件是用戶阻塞概率低于一個門限值,文獻[6-7]采用的約束條件是滿足用戶的最低傳輸速率要求.目標(biāo)函數(shù)一般采用最少激活基站[6-8]、最小能耗準(zhǔn)則[9-10]或最大能效準(zhǔn)則[11-12],其中能效一般定義為單位能量實現(xiàn)的吞吐量.在具體求解算法方面,一般采用啟發(fā)式算法[4-11].因為CSO問題是典型的非線性NP完全問題,不可能在多項式時間內(nèi)尋找最優(yōu)解.因此,啟發(fā)式算法是這類復(fù)雜問題的有效解決方案.

現(xiàn)有研究主要針對單一的業(yè)務(wù)模型,但在實際的系統(tǒng)中,語音業(yè)務(wù)和數(shù)據(jù)業(yè)務(wù)有不同的特性.文中針對這一特性考慮了密集蜂窩系統(tǒng),其中用戶可能使用恒定比特率(CBR)或可變比特率(VBR)業(yè)務(wù).典型的CBR業(yè)務(wù)包含語音、時頻流等實時業(yè)務(wù).典型的VBR業(yè)務(wù)包含文件下載、網(wǎng)頁瀏覽等數(shù)據(jù)應(yīng)用.因此文中系統(tǒng)模型更接近實際情況.為最大限度地提高能效,即單位能量實現(xiàn)的吞吐量,文中將基站開/關(guān)選擇優(yōu)化問題歸結(jié)為一個二進制規(guī)劃(BP)問題.然而,由于目標(biāo)函數(shù)值和未知參數(shù)之間沒有閉式表達式,因此傳統(tǒng)的優(yōu)化方法如松弛法無法應(yīng)用,文中采用遺傳算法(GA)來求解該約束優(yōu)化問題.遺傳算法采用和生物進化類似的方式進行迭代求解,其有效性已在信道估計、資源分配等領(lǐng)域得到驗證[13-16].針對問題的特殊性,文中采用了可變交叉概率和突變概率以防止群體早熟，通過計算機仿真驗證了文中所提算法的有效性.

1模型的建立

1.1基站及用戶模型

設(shè)某區(qū)域分布有M個基站,基站有開啟和關(guān)閉兩種工作模式,分別用“1”和“0”來表示,其工作狀態(tài)記為{I1,I2,…,IM},第m個基站的發(fā)送功率為Pm.假設(shè)系統(tǒng)有N個靜態(tài)用戶,用戶可使用CBR業(yè)務(wù)或VBR業(yè)務(wù),并且系統(tǒng)優(yōu)先滿足CBR業(yè)務(wù).用戶需要從周圍若干個開啟的基站中選擇一個基站來接入無線網(wǎng)絡(luò),CBR用戶優(yōu)先從最近的基站獲取資源建立連接,VBR用戶則從附近若干個可滿足其基本帶寬要求的基站中選取最近的基站接入網(wǎng)絡(luò).用戶與基站之間的關(guān)聯(lián)可用關(guān)聯(lián)矩陣BN×M表示,其元素bn,m∈{0,1},bn,m=1表示有關(guān)聯(lián),bn,m=0表示無關(guān)聯(lián),易知對關(guān)聯(lián)矩陣有以下約束:

(1)

bn,m≤sgnPm

(2)

約束(1)表示用戶n只與一個基站鏈接,約束(2)表示用戶n只與開啟的基站建立連接.用戶可處于活躍和非活躍狀態(tài).活躍用戶指當(dāng)前時刻有業(yè)務(wù)需求的用戶,可使用CBR業(yè)務(wù)或VBR業(yè)務(wù).在任一時刻,系統(tǒng)按以下方式產(chǎn)生活躍用戶:假設(shè)該地區(qū)所有的用戶下行鏈路業(yè)務(wù)需求的到達服從泊松過程(即單個用戶業(yè)務(wù)下行鏈路需求到達的時間間隔服從某個均值的指數(shù)分布),則可以生成所有用戶在未來一段時間內(nèi)的下行鏈路業(yè)務(wù)需求.在這段較長時間內(nèi),對每個用戶的下行流量需求建立一個隊列,用于存儲該用戶還未完成的業(yè)務(wù)需求.新接入的業(yè)務(wù)需求可按一定概率分為CBR和VBR兩種類型.

在實際系統(tǒng)中,CBR業(yè)務(wù)和VBR業(yè)務(wù)有不同的QoS要求,一般優(yōu)先滿足CBR業(yè)務(wù),剩下的資源才由VBR用戶分配.

1.2能效及算法模型

文中采用的能效指標(biāo)定義為單位能耗實現(xiàn)的吞吐量:

(3)

式中,T為系統(tǒng)的觀測持續(xù)時間,C(t)為瞬時總速率,P(t)為瞬時總功率.令Cn(t)表示第n個用戶的瞬時速率,則系統(tǒng)的總瞬時速率可表示為

(4)

若用戶在當(dāng)前時刻不是激活用戶,則Cn(t)=0;如果用戶是CBR用戶,則速率為相應(yīng)CBR業(yè)務(wù)所要求的速率;如果用戶是VBR用戶,則此時的頻帶資源首先滿足CBR用戶,剩下的資源滿足VBR用戶的基本要求后平均分配給該小區(qū)內(nèi)的VBR用戶,即VBR用戶的資源有基本資源和平均分配資源兩部分.首先計算CBR用戶占用的帶寬資源.現(xiàn)有移動系統(tǒng)普遍存在反饋鏈路,CBR用戶n可將其信干噪比(γn)反饋給基站,基站計算CBR用戶n占用的頻帶資源:

(5)

(6)

該小區(qū)內(nèi)VBR用戶的瞬時速率可由香農(nóng)公式計算:

(7)

在一個時隙間隔內(nèi),區(qū)域系統(tǒng)能耗模型為[4]

(8)

maxJ({Im})

(9)

s.t.滿足CRB用戶需求.

2算法描述

問題(9)是一個二進制規(guī)劃問題,但其能效值如何從基站開/關(guān)狀態(tài)計算得到,并沒有確定的閉式表達式,故不能用松弛法等傳統(tǒng)方法來解決此優(yōu)化問題,文中擬采用遺傳算法來求解.遺傳算法是一種基于自然選擇、遺傳理論的隨機搜索和全局優(yōu)化算法,算法從一組候選解(稱為染色體)開始,經(jīng)過選擇、交叉、變異等操作產(chǎn)生新的群體,經(jīng)過若干代的優(yōu)化直到收斂.經(jīng)典遺傳算法的具體流程如下:

1)適應(yīng)度評估.適應(yīng)度評估的本質(zhì)是檢驗各染色體作為優(yōu)化問題候選解的優(yōu)選程度.在文中的優(yōu)化模型中,可以根據(jù)式(3)計算出染色體的能效值,并直接用于衡量染色體的適應(yīng)度.因為染色體還必須滿足式(9)中的約束條件,對不滿足約束條件的染色體,可以認(rèn)為其適應(yīng)度為0.

2)選擇算子.選擇算子的作用是使優(yōu)良的染色體有更大的可能性繁衍后代.文中采用如下方法選擇算子,即基于步驟1)的適應(yīng)度評估結(jié)果對染色體進行排序,按一定比例選擇最優(yōu)的部分染色體進入子代,其他子代成員從父代成員隨機選擇.

3)配對及交叉.交叉的目的是使不同染色體中的優(yōu)良基因有機會組合在一起.文中采用如下的交叉策略,即群體的染色體隨機兩兩配對，每組配對先隨機確定一個交叉點,然后按一定概率進行交叉.

4)突變.突變操作的作用是拓展解的搜索空間.對于二進制編碼的染色體,可采用簡單的突變策略,即各染色體的位按一定概率取反.

經(jīng)典遺傳算法在每次群體適應(yīng)度評估后可進行收斂性判斷,如果連續(xù)幾代最優(yōu)染色體的適應(yīng)度都沒有提升,則認(rèn)為算法已經(jīng)收斂.上述針對二進制編碼問題的經(jīng)典遺傳算法一般存在早熟收斂問題[13-14],因為遺傳算法單純由個體適應(yīng)度值決定解的優(yōu)劣,當(dāng)某個個體的適應(yīng)度值較大時,該個體的基因就會在種群內(nèi)迅速擴散,導(dǎo)致種群過早失去多樣性,解的適應(yīng)度值停止提高,陷入局部最優(yōu)解,從而找不到全局最優(yōu)解.

鑒于基本遺傳算法的局限性,文中采用改進的遺傳算法[15],其思路如下:在迭代過程中,為了對當(dāng)前一代種群的整體優(yōu)良情況作出分析,定義一個相似系數(shù).相似系數(shù)用于反映當(dāng)前一代種群個體之間的相似程度.當(dāng)相似系數(shù)較小時,表示種群個體之間的相似程度較低;反之較高.為了反映種群中個體適應(yīng)度值的總體平均水平以及個體適應(yīng)度值偏離平均水平的程度,文中引入概率論中的期望和方差,以期望反映種群適應(yīng)度的平均水平、方差反映個體適應(yīng)度的離散程度,即

(10)

(11)

式中,Q為種群個體數(shù),Ji(i=1,2,…,Q)為個體i的能效值.

睡了多久，幾個小時，幾十分鐘，不知道。醒過來渾身冰冷發(fā)硬，封閉的環(huán)形走廊，照明燈光星星點點灑落。沒有窗口可以看見天色變化，但她感覺已是凌晨。內(nèi)心有無限寥落洞明，如同少年時獨自在空曠房間里醒來，猜測失蹤的貞諒是否回返。如同手里捧著一面鏡子，小心翼翼，背負(fù)難以置放的重量和易碎的前景。安靜下來，反省和回望一路選擇，原來是一次機會。給心摁上最為切實篤定的一個長鐵釘，這樣能夠在現(xiàn)實中徹底沉默。才能讓自己平靜。

由此,相似系數(shù)的計算公式為

(12)

隨著進化代數(shù)的增加,Javg越來越大,σJ值越來越小,相似值φ越來越大.改進遺傳算法的交叉概率和變異概率的自動調(diào)節(jié)公式為

(13)

(14)

隨著φ的增大,交叉概率越來越小,變異概率越來越大.k1和k2用于控制交叉概率和變異概率的取值范圍.仿真中取k1=2,k2=1,這時交叉概率的變化范圍為0.4～0.9,變異概率的變化范圍為0.0～0.1.

3計算機仿真

計算機仿真基于實際的基站站址,讀入廣州某區(qū)域基站位置信息后按中間線原則進行覆蓋區(qū)域劃分,得到的各小區(qū)覆蓋劃分如圖1所示.當(dāng)某一基站被關(guān)閉時,覆蓋區(qū)域按相同原則重新劃分.平均每個小區(qū)產(chǎn)生30個靜態(tài)用戶,得到的用戶分布如圖1所示.

用戶按所設(shè)定的泊松過程產(chǎn)生業(yè)務(wù)需求,主要系統(tǒng)參數(shù)及遺傳算法控制參數(shù)設(shè)置如下:基站系統(tǒng)帶寬W=5MHz,基站發(fā)射功率P=28dBm,激活和非激活狀態(tài)下的靜態(tài)功率分別為PS1=23dBm,PS2=5dBm,背景噪聲功率譜密度為170dBm;用戶CBR業(yè)務(wù)的速率為15kb/s,VBR業(yè)務(wù)需要完成5Mb的數(shù)據(jù)下載量,CBR和VBR的用戶比為1∶1;遺傳算法的染色體數(shù)Q=50,父代個體直接進入下一代的比例為10%,交叉、突變概率控制參數(shù)k1=2,k2=1.

圖1仿真場景示意圖

Fig.1Illustration of the simulation scenario

文中遺傳算法的收斂曲線如圖2所示,仿真中用戶業(yè)務(wù)接入的平均時間間隔為30s.由圖2可以看出,該算法具有較快的收斂速度,經(jīng)過數(shù)十次迭代就達到收斂,能有效預(yù)防早熟現(xiàn)象的發(fā)生.總體而言,文中遺傳算法迭代次數(shù)少,并且每次迭代只涉及基本計算,不包含復(fù)雜度高的操作(如矩陣分解、求逆等),故有效地減少了運算量.

圖2文中遺傳算法的收斂曲線

Fig.2Convergence curve of the proposed GA

圖3　不同業(yè)務(wù)要求下3種算法的能效比較

Fig.3Comparison of energy efficiency among three algorithms under various demands

4結(jié)論

文中提出了一種新的基于能效準(zhǔn)則的基站開/關(guān)選擇模型,該模型考慮了恒定速率業(yè)務(wù)和可變速率業(yè)務(wù)的混合使用,更接近實際應(yīng)用場景.仿真結(jié)果顯示,文中所提出的遺傳算法收斂速度快,并且能有效對抗染色體群體的早熟問題,能在滿足恒定速率用戶需求的前提下顯著提升系統(tǒng)能效,其性能接近窮舉算法.

參考文獻：

[1]Fehske A,Fettweis G,Malmodin J,et al.The global footprint of mobile communications:the ecological and economic perspective [J].IEEE Communications Magazine,2011,49(8):55-62.

[2]Chen T,Yang Y,Zhang H,et al.Network energy saving technologies for green wireless access networks [J].IEEE Wireless Communications,2011,18(5):30-38.

[3]Eunsung O,Krishnamachari B.Energy savings through dynamic base station switching in cellular wireless access networks [C]∥Proceedings of 2010 IEEE Global Telecommunications Conference.Miami:IEEE,2010:6-10.

[4]Yang Z,Niu Z.Energy saving in cellular networks by dynamic RS-BS association and BS switching [J].IEEE Transactions on Vehicular Technology,2013,62(9):4602-4614.

[5]Kokkinogenis S,Koutitas G.Dynamic and static base station management schemes for cellular networks [C]∥ Proceedings of 2012 IEEE Global Communications Confe-rence.Anaheim:IEEE,2012:3443-3448.

[6]Samdanis K,Taleb T,Kutscher D,et al.Self-organized network management functions for energy efficient cellular urban infrastructures [J].Mobile Networks and Applications,2012,17(1):119-131.

[7]Zhou S,Gong J,Yang Z,et al.Green mobile access network with dynamic base station energy saving [C]∥Proceedings of 2009 ACM MobiCom.Beijing:ACM,2009:10-12.

[8]Beitelmal Tamer,Yanikomeroglu Halim.A set cover based algorithm for cell switch-off with different cell sorting criteria [C]∥Proceedings of 2014 IEEE International Confe-rence on Communications Workshops.Sydney:IEEE,2014:641-646.

[9]Saker L,Elayoubi S-E,Chahed T.Minimizing energy consumption via sleep mode in green base station [C]∥Proceedings of 2010 IEEE Wireless Communications and Networking Conference.Sydney:IEEE,2010:1-6.

[10]Gonzalez David G,Yanikomeroglu Halim,Garcia-Lozano Mario,et al.A novel multiobjective framework for cell switch-off in dense cellular networks [C]∥Proceedings of 2014 IEEE International Conference on Communications.Sydney:IEEE,2014:2641-2647.

[11]Elayoubi S-E,Saker L,Chahed T.Optimal control for base station sleep mode in energy efficient radio access networks [C]∥Proceedings of 2011 IEEE International Conference on Computer Communications.Shanghai:IEEE,2011:106-110.

[12]Bousia A,Kartsakli E,Alonso L,et al.Energy efficient base station maximization switch off scheme for LTE-advanced [C]∥Proceedings of the 17th International Workshop on Computer Aided Modeling and Design of Communication Links and Networks.Barcelona:IEEE,2012:256-260.

[13]Chen F,Kwong S,Wei G.An evolutionary approach for joint blind multichannel estimation and order detection [J].EURASIP Journal on Applied Signal Processing,2003,2003(8):757-765.

[14]Chen F,Kwong S,Wei G,et al.Blind linear channel estimation using genetic algorithm and SIMO model [J].Signal Processing,2003,83(9):2021-2035.

[15]王蕾,沈庭芝,招揚.一種改進的自適應(yīng)遺傳算法 [J].系統(tǒng)工程與電子技術(shù),2002,24(5):75-78.

Wang Lei,Shen Ting-zhi,Zhao Yang.An improved adaptive genetic algorithm [J].Systems Engineering and Ele-ctronics,2002,24(5):75-78.

[16]Wang Y,Chen F,Wei G.Adaptive subcarrier and bit allocation for multiuser OFDM system based on genetic algorithm [C]∥Proceedings of 2005 International Conference on Communications,Circuits and Systems.Hong Kong:IEEE,2005:242-246.

Energy Efficiency-Based Cell Switch On-Off Strategy

Under Heterogeneous Services

PanWei-qiang1HuShao-dong2,3LiuJing4

(1.Information Network Engineering and Research Center,South China University of Technology,Guangzhou 510640,

Guangdong,China;2.Guangdong Research Institute,China Telecom,Guangzhou 510630,Guangdong,China;

3.School of Electronic and Information Engineering,South China University of Technology,Guangzhou 510640,

Guangdong,China;4.Guangdong Branch,China Telecom,Guangzhou 510081,Guangdong,China)

Abstract:In order to improve the energy efficiency of wireless communication systems, by taking into consideration the tidal property of user demands, a strategy to improve energy efficiency for cellular system is proposed on the basis of cell switch on-off. In this strategy, the demands of users are divided into constant-bit-rate(CBR) and variable-bit-rate(VBR) demands to maximize the energy efficiency under the constraint that CBR demands are fulfilled. Moreover, an improved genetic algorithm(GA) is employed to solve the constrained optimization problem, and the switch on-off states of base stations are encoded with binary sequence, followed with specifically-designed selection, crossover and mutation operators. Simulated results show that the proposed GA algorithm achieves fast convergence and prevents prematurity of chromosome population; and that the proposed cell switch on-off strategy effectively improves system’s energy efficiency and guarantees the demand of CBR service, so that it is of high performance close to the exhaustive searching algorithm.

Key words: cell switch;energy efficiency;genetic algorithms;constrained optimization