一种在单小区多用户通信网络场景下的基于量子菌群优化算法的资源配置方法与流程
本发明涉及一种系统网络系统中的优化方法，尤其涉及一种基于mimo移动通信系统场景下能量效率最优和量子智能计算的资源分配方法，属于移动通信系统中的网络技术领域。
背景技术：
第五代移动通信(5thgeneration5g)系统，旨在解决和应用于当前通信领域所提出的新要求和新挑战，是面向2020年以后移动通信需求而发展的新一代移动通信系统。预计5g将比4g移动通信(4thgeneration，4g)目前水平提高1000倍左右的容量。同时，对5g网络的通信服务质量的要求有明显提升。随着物联网终端和云计算等技术日新月异的蓬勃发展并且接入到无线网络，无线通信的传输速率和能量消耗面临着更大的挑战，移动运营商有限的资源和日益增长的用户需求之间的矛盾成为目前亟待解决的问题。
近几年，随着电信运营商业务中无线通信技术的飞速发展，我国已经发展成为全球最大的通信市场，高速数据业务数量和种类呈现爆发式的增长使得信息与通信产业(informationandcommunicationtechnology，ict)成为目前全球第五大耗能产业。据了解，能源相关成本占无线运营商成本指出很大一部分，移动运营商电费支出成了付现成本的主要项目。据统计，电费支出占到占整个付现成本的25％，其中超过70％是由于无线蜂窝网络的无线电部分。此外，电信部门对全球二氧化碳排放的贡献在过去的十年中迅速增长，因而移动运营商是最大的能源消费者之一。
因此，除了提高无线传输效率以外，以节能为目的的“绿色通信”成为5g核心技术设计所应考虑的重要因素之一和关键性设计目标，根据移动通信发展的规律，5g将具有超高的频谱利用率和效率，在能量利用方面也将比4g移动通信提高一个量级。
从移动通信的发展史可以看出，第一代移动通信采用频分多址(frequency-division-multiple-address，fdma),实现了通信由模拟信号到数字信号的变换，第二代移动通信网络采用时分多(time-division-multiple-address，tdma)和码分多址(code-division-multiple-address，adma)技术，由语音业务扩展到互联网接入等数据业务，第三代移动通信网络中，通过cdma技术实现了以视频为代表的多媒体通信，具有更高速率和更宽带宽的要求。
20世纪70年代有人提出将mimo技术应用于通信系统，其后在20世纪90年代，贝尔实验室学者teladar、foshini等人给出了衰落情况下的mimo容量，提出了对角-贝尔实验室分层空时技术(d-blast,diagonalbelllaboratorieslayeredspace-time)，首次在理论上证明了首发端均采用多天线可以使通信链路能量成倍增长。这一理论在过去的30年中得到了广泛的研究和使用，诸如分集复用增益的研究、波束赋形、干扰管理等方面都得到迅猛发展。
如今在第四代移动通信网络中，采用了正交频分复用技术(orthogonalfrequencydivisionmultiplexing，ofdm)和多输入多输出技术(multiple-inputmultiple-output，mimo)，不但传输速率和通信质量有了很大提高，其使用的新技术不管在工业界还是学术界都引起广泛关注，其中mimo系统通过多根天线独立发送与接收，将多径的劣势转化成有利条件，在不增加频谱资源和天线发射功率的情况下，可以成倍的提高系统信道容量，显示出明显的优势、被视为下一代移动通信的核心技术。
基于第五代移动通信网络中对于更高的数据传输速率和更高网络可靠性的要求，大规模天线多输入多输出技术(massivemimo)成为5g系统中的核心技术之一，当传播环境中存在大量散射体时，可近似认为不同用户(userequipment)和基站(basestation，bs)之间相互独立，这时，随着基站天数数目趋于无穷大，用户之间的信道将逐渐趋于正交，极大的降低了系统多用户之间的干扰，利用大规模天线基站配置所提供的空间自由度，能够提升频谱在多用户之间的复用能力，各个用户链路频谱效率以及抵抗小区间的干扰能力，从而大幅提升频谱资源的整体利用率，利用基站配置所提供的分集和阵列增益，每个用户和基站中通信功率也得到很大提升。
目前5g网络下结合绿色通信的能量效率优化资源分配的研究较少，同时对于该方面研究也缺少较为有效的优化方法。
公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。
技术实现要素：
为实现上述目的，本发明提供了一种有鉴于此，本发明的目的在于提供一种基于量子菌群优化算法的单小区多用户系统能量效率的优化方法，该方法对基站发射功率和天线下倾角进行优化，以达到最优的系统能量效率。
为达到上述目的，本发明提供如下技术方案：
一种基于量子菌群优化算法的单小区多用户系统能量效率优化方法，包括以下步骤：
s1、分析基站发射功率和天线下倾角对系统能量效率的影响。
s2、建立含单小区多用户系统能量效率的优化模型
s3、使用量子菌群优化算法对单小区多用户系统能量效率数学模型进行求解。
进一步，所述s1包括：
s11、假设单小区内有k个随机分布的独立用户。在本系统中，基站端天线数量为nt，高度为z,每个用户有一根接收天线，离地面高度为zk。天线阵列采用均匀线性阵列(uniformlinerarray，ula)，垂直地面放置。
s12、求解单小区系统和速率表达式。
路径损耗：lk表示小区内第k个用户与基站之间的路径损耗，可得：
lk＝l0*(dk)-α，
其中l0是单位传播举例的路径损耗，dk是小区第k个用户与基站之间的距离，α是衰落因子。由图所示，其中：
从中就可以得到小区第k个用户与基站之间的路径损耗。
进一步，3d天线增益的慢衰落信道增益gk可以表示为：
其中ak表示基站到小区第k个用户的天线增益。ak的单位是db。这种慢衰落会使3d波束赋形对系统性能的影响。
s13、3d天线增益的表达式；
3d传播模型：如图所示，(xk，yk，zk)表示小区内第看个用户的坐标，(x0，y0，z0)表示基站的坐标，θ表示基站的下倾角，表示基站到小区第k个用户的垂直角，rk表示基站到小区第k个用户的水平距离。
进一步，在3d天线增益的计算中，假设用户端使用的天线是各向同性的，而基站使用的是3d定向的天线阵列。小区第k个用户与基站之间的3d天线增益包括两个部分:水平增益和垂直增益。分别用下式表示:
进一步，3d天线增益就可以表示为：
ak＝ahk+avk，
进一步，发现天线增益需要最大化和最小化处理，这就增加了分析的复杂性。此外，水平维度的波束增益在以往的研究中已经很成熟了，所以本文主要针对垂直维度的波束增益。因此，我们不考虑水平维度的线增益，sllv为无穷大。那么3d天线增益可以用如下式表达:
进一步，影响慢衰落的主要因素包括:天线高度，基站的覆盖半径，用户位置，天线下倾角等。本文主要针对天线下倾角，用户数量，天线数量和系统发射功率的优化问题，因此本文假定其他参数都给定了，那么上式可以改写为：
因此慢衰落信道增益公式的自变量为天线的下倾角。
s14、和速率近似解公式：
由公式可知，当其他参数给定的时候，系统慢衰落系数只与天线下倾角有关。下面本文将会分析系统和速率和天线下倾角之间的关系。本文采用ula天线阵列，发射端采用mrt预编码。本文中，假设每个下行链路数据流的功率相等。信号功率的伽马分布的形状和尺度参数为：
用户间干扰功率的伽马分布的形状和尺度参数为：
进一步，我们得到需求功率和干扰项的功率期望分别为：
进一步，小区内第k个用户的和速率为：
进一步，总的系统和速率可以表示为：
r(θ)＝∑k∈{1,....k}rk(θ)，
s15、系统功率损耗主要包括两部分：一是收发端硬件的线路损耗，二是发射信号所消耗的功率。传统的功率消耗模型将线路损耗部分简化为一个固定值，而这个简单的模型不能在天线数目非常大的massivemimo系统中采用。这是因为用于射频(rf)的数字信号处理和模拟滤波器、以及基带处理所消耗的电路功率随着天线数目和用户数目而变化，在小的mimo系统中天线数目和用户数目较小，可以将其视为常数，但它的变化在massivemimo系统时起着关键作用，对其性能有较大的影响。因此，我们首先给出了一个精确的功率消耗模型，并针对各部分功率消耗的物理意义进行了简要分析。功率消耗为：
p＝pap+pcp，
进一步，pap为功率放大器消耗的功率，线路功率损耗pcp为：
pcp＝ptc+pc/d+pce+plp+pfix，
进一步，一套典型的mimo发射器和接收机使用的功率消耗为
ptc＝pbs+psyn+kpue，
其中，
pbs：连接到每个天线的bs组件的功率，包括转换器，混频器和滤波器；
psyn:振荡器消耗的功率；
pue:用户组件的功率，指所有单天线用户接收机组件的功率，包括放大器，混频器和滤波器。
进一步，在下行链路中,基站对k个信息符号序列进行信道编码和调制，再发送出去。每个用户接收到信号后,再利用一些次优的、固定复杂度的算法对收到的序列进行解码.。上行链路的过程与此相反。在这些进程中,消耗的功率pc/d可以表示为:
pc/d＝bk(pcod+pdec)，
其中，
pcod:每个用户编码消耗的功率；
pdec：每个用户解码消耗的功率。
为便于分析,假设上行链路和下行链路的pcod和pdec是相同的
进一步，令基站每消耗1焦耳的热量可进行l次计算操作(也被称为触发器/瓦特),每个相干资源块只进行一次基于导频的信道估计,每秒钟包括b/t个相干资源块。在上行链路,用户接收到mxτ导频信号矩阵,并通过乘以对应的长度为τ的导频序列估计出信道信息。这是一个线性运算过程,需要的功率消耗为
进一步，线性处理包括两个部分:发送预编码和接收合并。线性处理矩阵取决于信道估计,因此线性处理也是每个相干周期进行一次.线性处理消耗的功率为:
其中,第一项表示每个数据符号做矩阵与向量乘法时消耗的功率.在数据传输过程中,每当线性处理矩阵与信息符号相乘时,需要消耗的功率为
进一步，系统架构会产生一个固定的功率pfix，它与m、k无关。该项包括控制信令的固定功耗，回程基础设施以及基带处理器的与负载无关的消耗。
在步骤二中，系统总的和速率为r(θ)＝∑k∈{1,....k}rk(θ)，由式(15)和式(16)系统总的能量效率为:
进一步，所述s3中的量子菌群优化算法(quantumbacterialforagingoptimization,qbfo)包括:
s31、参数设置及种群初始化：
参数设置：考虑一个单小区多用户系统。假设系统中仅有1个小区，那么需要对这个小区的发射功率和天线下倾角这两个个参数进行优化，因此维度为2。在种群q(t)中，染色体长度为len，初始化种群个数为n，趋化次数为nc，繁殖次数nre，驱散次数ned，迁徙概率ped。
种群的初始化：初始化种群
将全部n条染色体的2n*len个概率幅都初始化为
其中sk是由二进制串(x1x2...xlen)描述的第k个状态，xi＝0,1,i＝1,2,...,len。那么，初始化的种群
s32、通过观察测量q(t0)的状态来生成二进制解集p(t0)＝(x1,x2,...xn)，每个解
s33、评估p(t0)的适应度函数值，以函数fitness(x,y)为适应度函数进行评估；
s34、记录p(t0)中最佳适应度函数值及对应最佳个体作为下一步种群更新的目标；
s35、对当代的种群进行趋化操作，采用适当的量子旋转门来实现，采用的量子旋转门为：
量子态的更新策略(α′iβ′i)＝u(θi)·(αiβi)，即
其中，
在大肠杆菌种群q(t)更新之后，评估p(t)，记录该代的适应度最优值，若优于上代，则保存该代，否则仍保留上代最优值。
s36、当趋化次数达到nc时，趋化操作完成，求解最佳适应度值，吧最佳适应度值较差的一半染色体淘汰掉，对较好的一半染色体进行复制操作，染色体数目保持不变。
s37、当复制次数小于nre，继续执行步骤6，否则对种群中每个染色体进行一次驱散判断，生成0—1之间的判定值，若判定值小于驱散概率ped，则执行细菌驱散，重新生成一个个体。
s38、当达到收敛或达到最大设定代数时，停止染色体更新，输出当前最优个体，算法结束，否则继续。
进一步，所述s3具体包括：
s41、参数设置及种群初始化：
考虑一个单小区多用户系统。假设系统中仅有1个小区，那么需要对这个小区的发射功率和天线下倾角这两个个参数进行优化，因此维度为2。在种群q(t)中，染色体长度为len＝32，初始化种群个数为n＝40，趋化次数为nc＝50，繁殖次数nre＝5，驱散次数ned＝2，迁徙概率ped＝0.25。
种群的初始化：初始化种群
将全部n条染色体的2n*len个概率幅都初始化为
其中sk是由二进制串(x1x2...xlen)描述的第k个状态，xi＝0,1,i＝1,2,...,len。那么，初始化的种群
s42、通过观察测量q(t0)的状态来生成二进制解集p(t0)＝(x1,x2,...xn)，每个解
s43、评估p(t0)的适应度函数值，适应度函数为上述的优化基站发射功率和俯仰角的数学模型：
s44、记录p(t0)中最佳适应度函数值及对应最佳个体作为下一步种群更新的目标；
s45、对当代的种群进行趋化操作，采用适当的量子旋转门来实现，采用的量子旋转门为：
量子态的更新策略(α′iβ′i)＝u(θi)·(αiβi)，即
其中，
在大肠杆菌种群q(t)更新之后，评估p(t)，记录该代的适应度最优值，若优于上代，则保存该代，否则仍保留上代最优值。
s46、当趋化次数达到nc时，趋化操作完成，求解最佳适应度值，吧最佳适应度值较差的一半染色体淘汰掉，对较好的一半染色体进行复制操作，染色体数目保持不变。
s47、当复制次数小于nre，继续执行步骤6，否则对种群中每个染色体进行一次驱散判断，生成0—1之间的判定值，若判定值小于驱散概率ped，则执行细菌驱散，重新生成一个个体。
s48、当达到收敛或达到最大设定代数时，停止染色体更新，输出当前最优个体，算法结束，否则继续。
本发明的有益效果在于：本发明提供了一种基于量子菌群优化算法的单小区多用户的系统能量效率的优化方法，能够在有限的基站发射功率的情况下达到系统能量效率的最优值。提高能量利用率。
附图说明：
图1：本发明方法的流程示意图；
图2：单小区多用户massivemimo场景图；
图3：系统能量效率随基站发射功率变化图；
图4：系统能量效率随俯仰角变化图；
图5：基站发射功率最优值随仿真次数变化图；
图6：俯仰角最优值随仿真次数变化图；
图7：系统能量效率最优值随仿真次数变化图。
具体实施方式：
下面对本发明的具体实施方式进行详细描述，但应当理解本发明的保护范围并不受具体实施方式的限制。
除非另有其它明确表示，否则在整个说明书和权利要求书中，术语“包括”或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部分，而并未排除其它元件或其它组成部分。
一种基于量子菌群优化算法的能量效率优化方法，如图1所示，其具体步骤如下：
s1分析基站发射功率和天线下倾角对系统能量效率的影响。
(1)小区模型
每个小区有k个随机分布的独立用户，本系统中，基站端天线数量为nt，高度为z,每个用户有一根接收天线，离地面高度为zk。如图1所示。天线阵列采用均匀线性阵列(uniformlinerarray，ula)，垂直地面放置。
(2)和速率模型
1.路径损耗模型
lk表示小区内第k个用户与基站之间的路径损耗，可得：
lk＝l0*(dk)-α(1)
其中l0是单位传播举例的路径损耗，dk是小区第k个用户与基站之间的距离，α是衰落因子。由图所示，其中：
从中就可以得到小区第k个用户与基站之间的路径损耗。
2.慢衰落信道增益模型
3d天线增益的慢衰落信道增益gk可以表示为：
其中ak表示基站到小区第k个用户的天线增益。ak的单位是db。这种慢衰落会使3d波束赋形对系统性能的影响。
3.3d天线增益
3d传播模型：如图所示，(xk，yk，zk)表示小区内第看个用户的坐标，(x0，y0，z0)表示基站的坐标，θ表示基站的下倾角，表示基站到小区第k个用户的垂直角，rk表示基站到小区第k个用户的水平距离。
3d天线增益:假设用户端使用的天线是各向同性的，而基站使用的是3d定向的天线阵列。小区第k个用户与基站之间的3d天线增益包括两个部分:水平增益和垂直增益。分别用下式表示:
那么3d天线增益就可以表示为：
ak＝ahk+avk(7)
从公式中中不难发现天线增益需要最大化和最小化处理，这就增加了分析的复杂性。此外，水平维度的波束增益在以往的研究中已经很成熟了，所以本文主要针对垂直维度的波束增益。因此，我们不考虑水平维度的线增益，sllv为无穷大。那么3d天线增益可以用如下式表达:
影响慢衰落的主要因素包括:天线高度，基站的覆盖半径，用户位置，天线下倾角等。本文主要针对天线下倾角，用户数量，天线数量和系统发射功率的优化问题，因此本文假定其他参数都给定了，那么上式可以改写为：
因此慢衰落信道增益公式的自变量为天线的下倾角。
(3)和速率近似解公式：
由公式可知，当其他参数给定的时候，系统慢衰落系数只与天线下倾角有关。下面本文将会分析系统和速率和天线下倾角之间的关系。本文采用ula天线阵列，发射端采用mrt预编码。本文中，假设每个下行链路数据流的功率相等。信号功率的伽马分布的形状和尺度参数为：
用户间干扰功率的伽马分布的形状和尺度参数为：
我们得到需求功率和干扰项的功率期望分别为：
则小区内第k个用户的和速率为：
总的系统和速率可以表示为：
r(θ)＝∑k∈{1,....k}rk(θ)(15)
可以看出基站发射功率与系统和速率有关，天线下倾角也与系统和速率有关。
(4)功率消耗模型为：
p＝pap+pcp(16)
其中，pap为功率放大器消耗的功率，线路功率损耗pcp为：
pcp＝ptc+pc/d+pce+plp+pfix(17)
1.收发链路
一套典型的mimo发射器和接收机使用的功率消耗为
ptc＝pbs+psyn+kpue，(18)
其中，
pbs：连接到每个天线的bs组件的功率，包括转换器，混频器和滤波器；
psyn:振荡器消耗的功率；
pue:用户组件的功率，指所有单天线用户接收机组件的功率，包括放大器，混频器和滤波器。
2.解码与编码
在下行链路中,基站对k个信息符号序列进行信道编码和调制，再发送出去。每个用户接收到信号后,再利用一些次优的、固定复杂度的算法对收到的序列进行解码.。上行链路的过程与此相反。在这些进程中,消耗的功率pc/d可以表示为:
pc/d＝bk(pcod+pdec)(19)
其中，
pcod:每个用户编码消耗的功率；
pdec：每个用户解码消耗的功率。
为便于分析,假设上行链路和下行链路的pcod和pdec是相同的
3.信道估计
令基站每消耗1焦耳的热量可进行l次计算操作(也被称为触发器/瓦特),每个相干资源块只进行一次基于导频的信道估计,每秒钟包括b/t个相干资源块。在上行链路,用户接收到mxτ导频信号矩阵,并通过乘以对应的长度为τ的导频序列估计出信道信息。这是一个线性运算过程,需要的功率消耗为
4.线性处理
线性处理包括两个部分:发送预编码和接收合并。线性处理矩阵取决于信道估计,因此线性处理也是每个相干周期进行一次.线性处理消耗的功率为:
其中,第一项表示每个数据符号做矩阵与向量乘法时消耗的功率.在数据传输过程中,每当线性处理矩阵与信息符号相乘时,需要消耗的功率为
5.固定消耗
系统架构会产生一个固定的功率pfix，它与m、k无关。该项包括控制信令的固定功耗，回程基础设施以及基带处理器的与负载无关的消耗。
可以看出消耗功率与基站发射功率有关，与下倾角无关。
s2建立含单小区多用户系统能量效率的优化模型。以系统能量效率最优为目标函数，包含基站发射功率和天线下倾角两个变量。
(1)目标函数
以系统能量效率最优为目标函数：
其中，r为系统和速率，p为系统消耗总功率。
(2)不等式约束
控制变量约束为：
pt.min≤pt≤pt.max(24)
θmin≤θ≤θmax(25)
其中，pt为基站发射功率，pt.max，pt.min为基站发射功率的上下限；θ为基站天线下倾角，θc.min，θc.max为基站天线下倾角的上下限，采用加权法处理控制变量约束问题。
s3使用量子菌群优化算法对单小区多用户系统能量效率数学模型进行求解。
采用的量子菌群优化算法(quantumbacterialforagingoptimization,qbfo)的实现过程为：
1)参数设置及种群初始化：
考虑一个单小区多用户系统。假设系统中仅有1个小区，那么需要对这个小区的发射功率和天线下倾角这两个个参数进行优化，因此维度为2。在种群q(t)中，染色体长度为len＝32，初始化种群个数为n＝40，趋化次数为nc＝50，繁殖次数nre＝5，驱散次数ned＝2，迁徙概率ped＝0.25。
种群的初始化：初始化种群
将全部n条染色体的2n*len个概率幅都初始化为
其中sk是由二进制串(x1x2...xlen)描述的第k个状态，xi＝0,1,i＝1,2,...,len。那么，初始化的种群
2)通过观察测量q(t0)的状态来生成二进制解集p(t0)＝(x1,x2,...xn)，每个解
例如：当len＝32时，前16个二进制字符串代表基站发射功率，后16个二进制字符串代表俯仰角大小。基站发射功率范围限制在0w—50w，那么全零就代表0w，全1代表50w，将十进制数加权限定在0w—50w之间。而俯仰角范围限制在0—π/2，全零代表0rad，全1代表π/2rad，将十进制数加权限定在0—π/2内。
3)评估p(t0)的适应度函数值，适应度函数为上述的优化基站发射功率和俯仰角的数学模型：
将每个染色体的二维十进制数代入适应度函数，找出最优的适应度值及染色体。
4)记录p(t0)中最佳适应度函数值及对应最佳个体作为下一步种群更新的目标；
5)对当代的种群进行趋化操作，采用适当的量子旋转门来实现，采用的量子旋转门为：
量子态的更新策略(α′iβ′i)＝u(θi)·(αiβi)，即
其中，
在大肠杆菌种群q(t)更新之后，评估p(t)，记录该代的适应度最优值，若优于上代，则保存该代，否则仍保留上代最优值。
6)当趋化次数达到nc时，趋化操作完成，求解最佳适应度值，吧最佳适应度值较差的一半染色体淘汰掉，对较好的一半染色体进行复制操作，染色体数目保持不变。
7)当复制次数小于nre，继续执行步骤6，否则对种群中每个染色体进行一次驱散判断，生成0—1之间的判定值，若判定值小于驱散概率ped，则执行细菌驱散，重新生成一个个体。
8)当达到收敛或达到最大设定代数时，停止染色体更新，输出当前最优个体，算法结束，否则继续。
9)仿真结束之后，可以得到最优的基站发射功率为30.4786w，最优的俯仰角为1.0784rad，能量效率最大可达到6.9472。
10)固定俯仰角为1.0784rad，能量效率随基站发射功率变化如图3所示。固定基站发射功率为30.4786w，能量效率随俯仰角变化如图4所示。
11)执行1000次仿真程序，得到基站发射功率、俯仰角、系统能量效率随仿真次数变化图。找出最优值、最差值及平均值。如图5、图6、图7所示。
前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式，并且很显然，根据上述教导，可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用，从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。
- 还没有人留言评论。精彩留言会获得点赞！