孫明，蔚麗杰，黃鈺景

基于人工蜂群算法的多小區(qū)資源分配算法

孫明，蔚麗杰，黃鈺景

（齊齊哈爾大學 計算機與控制工程學院，黑龍江 齊齊哈爾 161006）

為了提高多小區(qū)蜂窩網(wǎng)絡的能量效率和傳輸速率，提出了一種帶系統(tǒng)容量約束條件的多小區(qū)蜂窩網(wǎng)絡資源分配算法．首先給每個小區(qū)設定固定的系統(tǒng)容量值，然后根據(jù)信道增益產(chǎn)生信道分配方案，并且依次產(chǎn)生功率分配方案．將信道分配結(jié)果和功率分配結(jié)果相結(jié)合產(chǎn)生蜂群算法的食物源，然后對該食物源進行初始化，最大化提升傳輸速率的同時也提升能量效率．仿真結(jié)果表明，所提出的方法可獲得優(yōu)于其他算法的傳輸速率和能量效率．

信道分配；功率分配；多小區(qū)蜂窩網(wǎng)；蜂群算法

隨著信息技術的迅猛發(fā)展，無線通信網(wǎng)絡對世界帶來了重大變革，頻譜資源成為了稀缺資源．利用網(wǎng)絡學習交流和娛樂沖浪成為人類獲取知識傳遞信息的重要途經(jīng)，給用戶帶來了良好體驗，同時對無線網(wǎng)絡的需求也迅猛提升．因此，如何提高頻譜資源的利用率，是當前研究的重要問題．

在小區(qū)間蜂窩網(wǎng)資源分配上，目前的主要分配方法有遺傳算法、拍賣論、拉格朗日松弛法、博弈論、圖論和迭代優(yōu)化法、深度強化學習等方法和理論[1-14]．廖曉閩[3]等提出了基于深度強化學習的蜂窩網(wǎng)資源分配算法，該算法第1部分是前向傳輸過程，構建深度神經(jīng)網(wǎng)絡，優(yōu)化傳輸速率；第2部分是反向訓練的過程，利用Q-learning算法構建誤差函數(shù)，訓練深度神經(jīng)網(wǎng)絡的權值．該算法通過設置懲罰因子，可以根據(jù)需要選擇資源分配的偏重程度，提高了算法的收斂速度，優(yōu)化了能量效率；但是，懲罰因子的選取具有不確定性，需要進行大量的仿真實驗才能得到，不恰當?shù)膽土P因子容易降低網(wǎng)絡的性能．Huang[4]等將博弈理論應用于多小區(qū)間D2D（device-to-device）通信資源分配，將D2D鏈路放置于2個相鄰小區(qū)的重疊區(qū)域，提出了一種基于網(wǎng)絡的資源分配算法和協(xié)議納什均衡的推導，增強了傳輸速率，顯著地提高了全局性能．但是，該方案的前提是每個基站都愿意將自己的私有通信參數(shù)完全展示給其他小區(qū)基站完成D2D的配對，在現(xiàn)實應用中基站間掌握的通信數(shù)據(jù)不完整，從而達不到預期的效果．Wang[5]等提出了一種安全的提價頻譜分配拍賣方案，該方案不僅保護隱私，而且尊重基本的拍賣屬性和頻譜屬性．利用同態(tài)加密和安全算法比較協(xié)議來解決傳統(tǒng)上升拍賣中泄露競標者私人估值和需求曲線的問題，優(yōu)化了頻譜利用率，提高了頻譜拍賣制的安全性能．但是該分配方案過于追求其安全性能較少考慮頻譜拍賣過程中的經(jīng)濟問題，提升了頻譜分配的成本，可能會抑制潛在投標人的熱情．Yang[6]等將D2D通信應用于全雙工蜂窩網(wǎng)絡中，研究了資源塊（RB）和傳輸功率的聯(lián)合分配問題，利用圖論對研究目標建模．該方案降低了基站間干擾，提高了資源分配效率和頻譜利用率．但是，該分配方案具有較大的復雜度，而且所使用的頻分雙工（FDD）在收發(fā)信道時必須進行頻譜分離，形成“安全頻段”造成頻譜資源的浪費，增加使用成本．Takshi[7]等采用遺傳算法對設備間（D2D）通信技術進行頻譜資源和功率聯(lián)合分配，通過對各個不同區(qū)間的同時搜索，擺脫了局部極值的限制，提高了收斂速度，在頻譜效率和干擾抑制方面具有優(yōu)越性能．該方法可以將有限的資源塊提供給較多的用戶，同時通信用戶擁有最低的信噪比．除此之外，研究者還研究了與公平度相關的子載波分配方法[15-17]．

與以上幾種分配方法中的復雜度高、成本高、計算成本高相比，人工蜂群算法作為群智能算法中的一員，具有需控參數(shù)少、計算簡便、無需先驗信息，可以自適應、自組織、自學習等優(yōu)點，操作簡單并具有較優(yōu)的全局收斂性，是群智能算法中備受關注的算法之一．近年來人工蜂群算法已經(jīng)廣泛應用于路徑規(guī)劃、車間調(diào)度、圖像處理以及各種軍事醫(yī)療等不同研究領域．盡管傳統(tǒng)人工蜂群算法的優(yōu)化能力很強，但其也具有容易陷入局部最優(yōu)、收斂速度慢等缺點．

本文針對人工蜂群算法易陷入局部最優(yōu)、收斂速度慢等缺點，提出了一種帶有容量約束的人工蜂群算法的多小區(qū)資源分配方案．該方案模擬蜜蜂采蜜過程將采蜜群體分為引領蜂、跟隨蜂和偵查蜂三類蜜蜂，進行鄰域搜索尋找最優(yōu)信道分配方案．首先取到固定的容量值，然后將功率分配和信道分配相結(jié)合產(chǎn)生初始食物源，分配過程中信道既滿足功率約束條件又保證得到最優(yōu)傳輸速率，此方案提高了信道分配的能量效率，降低了算法的復雜度．

1 系統(tǒng)模型

系統(tǒng)總體的能量效率可表示為

為了優(yōu)化多小區(qū)系統(tǒng)能效，本文不僅考慮了每個信道所需的最低功率約束和小區(qū)內(nèi)總的傳輸功率約束，而且還考慮到各個用戶的平均容量約束．因此，將資源分配問題建模

2 算法設計

本文提出的問題是非線性約束的組合優(yōu)化問題，除了考慮傳輸功率外，還綜合考慮傳輸速率，因此解決的資源分配問題是難以求得最優(yōu)解的NP-hard問題．為此，提出了基于人工蜂群算法的資源分配方法．

人工蜂群算法是一種模仿蜜蜂尋找與采集蜜源的元啟發(fā)算法，其中蜜源的位置對應于優(yōu)化問題解的位置，而蜜蜂尋找與采集蜜源的過程對應于優(yōu)化問題的求解過程．將人工蜂群算法用于子載波分配時，首先根據(jù)信道增益產(chǎn)生信道分配方案，然后依次產(chǎn)生功率分配方案，將信道分配結(jié)果和功率分配結(jié)果相結(jié)合產(chǎn)生蜂群算法的食物源，對該食物源進行初始化．蜜源維度的大小由子載波的數(shù)量決定，然而，規(guī)模較大的子載波分配無疑將增加人工蜂群算法優(yōu)化的難度，進而極易降低優(yōu)化解的質(zhì)量．

本文提出的保障公平度閾值的人工蜂群資源分配算法包括蜜源種群初始化、蜜源的適應度計算、雇傭蜂階段、跟隨蜂階段、最優(yōu)蜜源存儲、偵察蜂階段等部分．

3 蜂群算法

3.1 初始化參數(shù)的設置

3.2 蜜源種群初始化

圖2 食物源模型

3.3 引領蜂搜索優(yōu)質(zhì)蜜源

3.4 蜜源適應度計算

3.5 跟隨蜂搜索蜜源

3.6 最優(yōu)蜜源存儲

在偵察蜂階段前，從蜜源種群中找出適應度最大的蜜源個體，并將該蜜源保存為當前的最優(yōu)解．

3.7 偵查蜂階段

4 仿真實驗

4.1 仿真參數(shù)

為了驗證人工蜂群算法在多小區(qū)資源分配中的性能，使用了編程軟件Python3.9.0進行仿真實驗，多小區(qū)蜂窩網(wǎng)絡仿真參數(shù)見表1．

表1 蜂窩網(wǎng)絡仿真參數(shù)

4.2 仿真結(jié)果

圖3 信道的傳輸速率和能量效率

圖4 各種算法的能量效率和傳輸速率

圖5 各個信道和迭代周期的關系

各個信道隨時間變化的迭代周期見圖5，本仿真實驗對每個信道進行了2 000次迭代，為了清晰看出各個信道隨迭代周期的時間變化趨勢，圖5取了前50次迭代．由圖5可以看出，對于同一個信道隨著迭代周期的增加所需要的時間越長，同時信道個數(shù)越多完成一次迭代所需的時間越長，可以得出迭代周期和時間呈現(xiàn)正相關．

將提出的人工蜂群算法與貪婪分配算法和隨機分配算法的累計概率分布進行對比，各種算法在200次蒙特卡羅重復實驗中加權線性等于0時的傳輸速率 和能量效率累計概率分布見圖6．圖6說明本文提出的人工蜂群算法能夠以較高的概率獲得優(yōu)于其他算法的能量效率和傳輸速率．

圖6 累計概率分布與傳輸速率和能量效率的關系

為了進一步與人工蜂群算法進行對比，分別對原始人工蜂群算法和帶容量約束的人工蜂群算法的計算時延進行仿真（見圖7），將這2種算法分別進行2 000次蒙特卡洛重復實驗．

圖7 原始的人工蜂群算法和帶約束的人工蜂群算法的計算延遲

根據(jù)圖7可以看出，原始人工蜂群算法的計算時延在0.55～0.85 s，而本文提出的算法計算時延在0.22～0.38 s，比原始人工蜂群算法快了2.5倍．因此，可以看出帶約束的人工蜂群算法的計算時延較短，動態(tài)變化能力更強．這是由于帶容量約束的人工蜂群算法提升了系統(tǒng)的傳輸速率，相較于原始人工蜂群算法更易跳出局部最優(yōu)值，收斂速度更快，相應的計算能力更強．

由仿真實驗可以看出，本文提出的帶容量約束的人工蜂群算法能夠最大化系統(tǒng)容量，同時也能夠在一定程度上提升系統(tǒng)能量，縮短時間延時．

5 結(jié)語

為了提高多小區(qū)蜂窩網(wǎng)傳輸速率的同時提升能量效率，本文提出了一種帶系統(tǒng)容量約束的蜂群算法，首先給每個小區(qū)設定固定的系統(tǒng)容量值，然后將信道分配和功率分配方案相結(jié)合對蜜源進行初始化，最大化提升傳輸速率的同時也提升能量效率．仿真結(jié)果表明，隨著信道數(shù)的增加，適當?shù)娜萘考s束可以提升傳輸速率．同時，本文提出的算法能在較低計算時延的前提下獲得優(yōu)于其他算法的傳輸速率和能量效率．

[1] 孫明，曹偉，李大輝，等．保證公平的最大化OFDMA系統(tǒng)容量策略[J]．控制與決策，2020，35（5）：1175-1182．

[2] SUN M，LEE K，XU Y，et al．Hysteretic Noisy Chaotic Neural Networks for Resource Allocation in OFDMA System[J]．IEEE Transactions on Neural Networks and Learning Systems，2018，29（2）：273-285．

[3] 廖曉閩，嚴少虎，石嘉，等．基于深度強化學習的蜂窩網(wǎng)資源分配算法[J]．通信學報，2019，40（2）：11-18．

[4] HUANG J，YIN Y，ZHAO Y，et al．A game-theoretic resource allocation approach for intercell device-to-device communications in cellular networks[J]．IEEE Transactions on Emerging Topics in Computing，2016，4（4）：475-486．

[5] WANG J，CHOU S．Secure strategy proof ascending-price spectrum auction[C]//IEEE Symposium on Privacy-Aware Computing，2017：96-106．

[6] YANG T，ZHANG R，CHENG X，et al．Graph coloring based resource sharing scheme（GCRS）for D2D communications under laying full-duplex cellular networks[J]．IEEE Transactions on Vehicular Technology，2017，66（8）：7506-7517．

[7] TAKSHI H，DOGAN G，ARSLAN H．Joint optimization of device to device resource and power allocation based on genetic algorithm[J]．IEEE Access，2018，6：21173-21183．

[8] ENGELHARDT M，ASADI A．The first experimental SDR platform for inband D2D communications in 5G [C]//Processing of 25thInternational Conference on Network Protocols．Austin：IEEE，2017：101-107．

[9] Sharma N，Anpalagan A．Bee colony optimization aided adaptive resource allocation in OFDMA systems with proportional rate constraints[J]．Wireless Networks，2014，20（7）：1699-1713．

[10] Swapna P S，Pillai S S．Low Complexity Resource Allocation Techniques for Symmetrical Services in OFDMA Systems[J]．Wireless Personal Communications，2020，116（4）：3217-3234．

[11] 付錦華， 黃曉燕， 吳凡，等． 基于能效的多小區(qū)LTE系統(tǒng)資源分配算法[J]．計算機應用研究，2015，32（4）：1161-1166．

[12] 袁建國，張芳，王竟鑫，等．基于公平度和懲罰函數(shù)的OFDMA自適應資源分配[J]．系統(tǒng)工程與電子技術，2018，40（2）：427-435．

[13] 張春發(fā)，趙曉暉．基于公平度門限的多用戶OFDM系統(tǒng)自適應資源分配算法[J]．通信學報，2011，32（12）：65-72．

[14] 周凡，王鴻，宋榮方．密集異構蜂窩網(wǎng)絡中基于深度強化學習的下行鏈路功率分配算法[J]．南京郵電大學學報，2021，41（2）：17-25．

[15] 張世超，季仲梅，崔維嘉．基于比例公平的多用戶MIMO-OFDM系統(tǒng)自適應資源分配算法[J]．計算機應用研究，2011，28（9）：3451-3454，3458．

[16] 朱繼華，王竟鑫，申茜，等．OFDMA系統(tǒng)中一種改進的低復雜度自適應比特功率分配算法[J]．重慶郵電大學學報（自然科學版），2017，29（2）：202-207．

[17] 張美娟．移動蜂窩網(wǎng)絡中D2D通信資源分配方法研究[D]．南京：南京郵電大學，2017．

Multi-cell resource allocation scheme based on artificial bee colony algorithm

SUN Ming，YU Lijie，HUANG Yujing

（School of Computer and Control Engineering，Qiqihar University，Qiqihar 161006，China）

In order to improve the energy efficiency and transmission rate of multi-cell cellular networks， a resource allocation algorithm with system capacity constraint for multi-cell cellular networks was proposed．Firstly，each cell is given a fixed system capacity value，and then channel allocation scheme is generated according to channel gain，and power allocation scheme is successively generated．The food source of the colony algorithm is generated by combining the channel allocation result and power allocation result，and then the food source is initialized，and the transmission rate is maximized while also the energy efficiency is improved．Simulation results show that the proposed method can achieve better transmission rate and energy efficiency than other algorithms while ensuring lower computational delay．

channel allocation；power distribution；multi-cell cellular networks；swarm algorithm

1007-9831（2023）09-0035-08

TP273

A

10.3969/j.issn.1007-9831.2023.09.009

2023-04-01

黑龍江省自然科學基金聯(lián)合引導專項（LH2019F038）；黑龍江高?；緲I(yè)務專項（145209123）；黑龍江省研究生課程思政高質(zhì)量建設項目（HLJYJSZLTSGC-KCSZAL-2021-162）

孫明（1979-）, 男，山東煙臺人，教授，博士，從事智能優(yōu)化算法、深度學習研究．E-mail：snogisunming@163.com