一种异构网络中基于遗传算法的用户接入网络方法
【专利摘要】本发明公开了一种异构网络中基于遗传算法的用户接入网络方法，根据用户吞吐量的经验值确定可以稳定接入各个基站的用户群和性能较差的小区边缘用户；然后利用遗传算法对性能较差的用户智能地调换基站，对遗传操作中的每一代更新用户的吞吐量和接入各个基站的总用户数，从而不断提高边缘用户吞吐量和整个网络的性能，经过多代遗传操作，得到各个基站较好的用户组合，使系统性能达到最优。
【专利说明】—种异构网络中基于遗传算法的用户接入网络方法
【技术领域】
[0001]本发明涉及无线异构网络的用户接入网络问题，具体涉及一种异构网络中基于遗传算法的用户接入网络方法，可用于异构网络下宏基站和小功率节点中用户的分配。
【背景技术】
[0002]在传统的宏蜂窝小区引入低功率节点提供重叠覆盖的异构网络组网形式，可以有效地解决无线通信网络对数据速率需求的日益增长，提高系统容量和频谱利用率。与宏蜂窝网络相比，由于小功率网络节点的发射功率(均在250mW到IW之间)和天线高度(<5m)都比较低，在异构网络中按照传统的基于接收信号强度(RSS, Received Signal Strength)的接入选择算法会出现这样的问题:接入低功率节点的用户数远远小于选择接入宏基站的用户数。这就造成宏蜂窝小区的负载量过多，频率资源竞争非常激烈，然而低功率节点的频率资源却没有充分利用。因此，异构网络中各小区使用相同带宽的频率资源，增加小功率节点的用户数会最大化小区分裂增益，从而提升全网性能。因此在无线异构网络中必须改变用户接入目标小区的选择策略，让更多用户选择低功率节点为服务小区，即为用户选择参考信号接收功率RSRP较大的小区而不一定选RSRP最大的小区作为其服务小区，这就是小区范围扩展(RE，Range Expansion)技术。目前常用的小区范围扩展技术一般只用在简单的宏微基站场景下，以分布式解决问题，每次只能调整基站的偏置值，不能兼顾全网的运行情况。不适用于实际中的复杂异构网络场景。
[0003]由于无线异构网络的异构性和多个网络的重叠覆盖性，无线异构网络不仅要考虑单一网络的运行质量，还要考虑到整个网络系统的运行质量以及其它异构网络对自身网络的影响等因素。因此，在终端用户选择接入的目标网络的方法上，无线异构网络不但对于网络性能的需求更多，要求更高，要求能够以全局最优化的方式使网络达到最优的性能。
[0004]遗传算法是模拟自然界优胜劣汰的进化现象，把可能解的搜索空间映射为遗传空间，把可能的解编码为一个向量(即染色体)，向量的每个元素称为基因。种群是由一定数目的个体所构成的，遗传算法的最开始的工作就需要进行编码工作，然后形成初始的种群，最后进行选择、交叉和变异的操作。初始化一个可能潜在解集的种群，按照适者生存和优胜劣汰的机制，在每一代中根据问题域个体的适应度值大小来挑选个体，并借助自然遗传机制进行交叉、变异操作产生新的解集的种群。通过不断计算各染色体的适应度值和遗传操作，选择最好的染色体，从而获得最优解。
[0005]与其他优化算法相比较，遗传算法具有的优势:(1)搜索过程是作用在编码后的字符串上，间接作用在优化问题的具体变量上，在搜索中用随机变换规则替代确定的规则。为了提高效率，遗传算法在搜索时采用了启发式搜索。(2)具有较好的通用性，不需要辅助信息。遗传算法仅需使用适应度函数的数值来评价个体的好坏，并在此基础上进行遗传操作。更重要的是，遗传算法的适应度函数只要求编码必须与可行解空间对应，其不仅不受连续可微的约束，而且其定义域可以任意设定。这使得遗传算法的应用范围很广泛。(3)群体搜索特性。遗传算法搜索种群的点是并行的一组点，而许多传统的搜索方法都是单点搜索。它采用的是同时处理群体中多个个体的方法，即同时对搜索空间的多个解进行评估。这一特点使遗传算法能在解空间内充分搜索，具有较好的全局优化能力，也使得遗传算法本身易于并行化。(4)具有很强的可并行性。遗传算法的并行性体现在这三个方面:个体适应度评价的并行性、整个群体各个个体适应度评价的并行性及子代群体产生过程的并行性。遗传算法只需要通过保持多个群体和恰当控制群体间的互相作用来模拟并发执行过程，即使不使用并行计算机，也能提高算法的执行率。
【发明内容】
[0006]本发明的目的在于提供一种异构网络中基于遗传算法的用户接入网络方法。
[0007]为达到上述目的，本发明采用了以下技术方案。
[0008]I)根据用户吞吐量将接入异构网络中各个基站的用户划分为可以稳定接入对应基站的用户和接入性能较差的小区边缘用户；
[0009]2)以最大化小区边缘用户吞吐量为优化目标，利用遗传算法对所述小区边缘用户所接入的基站进行调换。
[0010]所述步骤I)中，根据用户吞吐量选出5%的接入性能最差的用户作为所述小区边缘用户。
[0011]所述遗传算法根据优化目标确定适应度函数，遗传算法具体包括以下步骤:
[0012]I)生成初始化种群，初始化种群中每个染色体的长度(长度即基因数目)等于所述小区边缘用户的总数，将异构网络中各基站的编码随机填充在染色体的基因座上，直至所有染色体的每个基因座均被填充；
[0013]2)经过步骤I)后，采用选择算子、交叉算子以及变异算子使初始化种群不断进化，在达到预先设定的进化代数后找出适应度最大的染色体。
[0014]所述遗传算法的适应度函数为:
【权利要求】
1.一种异构网络中基于遗传算法的用户接入网络方法，其特征在于:包括以下步骤: 1)根据用户吞吐量将接入异构网络中各个基站的用户划分为可以稳定接入对应基站的用户和接入性能较差的小区边缘用户； 2)以最大化小区边缘用户吞吐量为优化目标，利用遗传算法对所述小区边缘用户所接A的基站进行调换。
2.根据权利要求1所述一种异构网络中基于遗传算法的用户接入网络方法，其特征在于:所述步骤I)中，根据用户吞吐量选出5%的接入性能最差的用户作为所述小区边缘用户。
3.根据权利要求1所述一种异构网络中基于遗传算法的用户接入网络方法，其特征在于:所述遗传算法根据优化目标确定适应度函数，遗传算法具体包括以下步骤: 1)生成初始化种群，初始化种群中每个染色体的长度等于所述小区边缘用户的总数，将异构网络中各基站的编码随机填充在染色体的基因座上，直至所有染色体的每个基因座均被填充； 2)经过步骤I)后，采用选择算子、交叉算子以及变异算子使初始化种群不断进化，在达到预先设定的进化代数后找出适应度最大的染色体。
4.根据权利要求1所述一种异构网络中基于遗传算法的用户接入网络方法，其特征在于:所述遗传算法的适应度函数为:
5.根据权利要求1所述一种异构网络中基于遗传算法的用户接入网络方法，其特征在于:所述遗传算法的进化代数取为50~500，种群大小取为20~100，交叉概率取为0.4~0.99，变异概率取为0.0001~0.1。
6.根据权利要求1所述一种异构网络中基于遗传算法的用户接入网络方法，其特征在于:所述遗传算法的选择算子采用最优保存策略结合轮盘赌选择算法，具体包括以下步骤: 首先计算当前种群中各个染色体的适应度，然后从当前种群中找出适应度最高的染色体Xl和适应度最低的染色体当前种群中其余的染色体记为evolution_pop,保留所述适应度最高的染色体XI，并将所述适应度最低的染色体Yl替换为与所述适应度最高的染色体Xl相同的染色体X2，Xl以及X2不参与交叉和变异操作而直接进入下一代种群，然后再按轮盘赌选择算法对evolution_pop进行选择操作,选择出的染色体进行交叉、变异后与Xl以及X2共同构成下一代种群，轮盘赌选择算法中染色体被选中的概率与适应度高低成正比。
7.根据权利要求1所述一种异构网络中基于遗传算法的用户接入网络方法，其特征在于:所述遗传算法的交叉算子采用单点交叉。
8.根据权利要求1所述一种异构网络中基于遗传算法的用户接入网络方法，其特征在于:所述异构网络为宏基站、 微微基站以及毫微微基站混合部署的场景。
【文档编号】H04W16/10GK103945388SQ201410152938
【公开日】2014年7月23日 申请日期:2014年4月16日 优先权日:2014年4月16日
【发明者】曲桦, 赵季红, 魏小敏, 栾智荣 申请人:西安交通大学