OFDM多用户系统中一种自适应资源改进分配方案的制作方法

本发明属于无线通信ofdm自适应资源分配领域，涉及ofdm多用户系统中一种自适应资源改进分配方案。该方案主要是由子载波分配和改进的人工鱼群算法功率分配实现。

背景技术：

随着技术的不断发展和对于无线通信技术的质量要求不断提高，无线通信要在可高速传输信息的同时具有较高的可靠性。但是，无线通信的信道普遍是频率选择性信道，这大大削弱了信号高速传输时的可靠性。因此，ofdm作为一种传输速率高，可靠性高的技术得到了越来越广泛的应用。ofdm是一种多载波调制方式。ofdm通过将信道划分成多个子信道，同时子信道调制相互正交的子载波以减弱信道衰落的影响，拥有很高的频谱利用率和传输速率，被认为是下一代无线通信关键技术之一。由于每个子信道经历的衰落信道有所不同，因此可以根据信道反馈信息合理的将信道和功率分配给每个用户，以提高系统传输速率和用户的公平度。因此，采用合适的子载波和功率分配方案可以更加充分的利用频谱资源和提高整个通信系统传输性能。

根据ofdm多用户资源分配方案优化的目的可以分为边缘自适应(ma)准则和速率自适应(ra)准则。为了降低算法复杂度，目前普遍采用的是两步法。先分配子载波，再分配功率。传统上的ra准则分配方案都是把子载波分配方面将分配问题变成了比例约束下分配子载波，采用非线性方程求解进行功率分配，求解系统最大容量的问题。仿生智能算法的应用简化了分配方案，同时算法寻优能力也得到了提高。但是目前应用于ofdm多用户系统的智能算法均为较原始的仿生智能算法，在收敛速度方面普遍较慢，搜索精度有待提高。

技术实现要素：

有鉴于此，本发明的目的在于提供一种提高收敛度和搜索精度的ofdm多用户系统中一种自适应资源改进分配方案。

为达到上述目的，本发明提供如下技术方案：

1.构建ofdm系统自适应资源分配模型：

现在假设该系统目前有k个用户，可分配的子载波数目为n，系统的最大发射功率为ptotal，总带宽为b，并且附加功率谱密度为n0的加性高斯白噪声。在系统中用户k(1≤k≤k)在子载波n上所分配的功率为pk,n。每一个子载波仅能分配给一个用户，并且每个用户所分配到的子载波都是在信道中的衰落都是独立的。用户k在子载波n上的信道增益为hk,n。每个子信道的噪声功率为σ²＝n0b/n，则第k个用户在n个子载波上的信道噪声比为每个用户在相应的子载波上接收端的snr为第k个用户在子载波n上的系统传输容量为：

其中γ＝-ln(5ber)/1.6，是一个与误码率有关的值。hk,n为hk,n＝γk,n/γ是用户k在子载波n上有效snr。

因此，用户k的总的信道容量为：

速率自适应ra准则下比例约束ofdm系统模型可以表示为：

系统的约束条件为：

其中ck,n的值为1时代表子载波n分配给k用户，若为0则表示没有分配。因此，约束条件2表示每个子载波仅能分配给k用户中的一个用户。约束条件3和4表示每个子载波上功率大于等于0，并且功率值和不得超过最大发送功率。约束条件5表示为确保公平度，每个用户设置的速率比例。

为了衡量各个用户之间速率比例的公平性，以确保分配子载波与功率之后，用户的速率符合比例约束，在此定义公平度fairness如下：

从公式可以看出，0<fairness≤1，当各个用户的速率比值符合约束条件5时，公平度fairness达到最大值1。

2.子载波分配方案

为了达到在约束条件下目标函数的最大值，子载波和功率分配问题应当同时考虑。但是，这无疑会极大的增加分配算法的计算复杂度。因此，方案采用先分配子载波再分配功率。当子载波数远大于用户数时，用户所分配到的子载波数近似为：

n1:n2:…:nk≈γ1:γ2:…:γk(6)

本方案采用的子载波分配算法如下所示：

(2.1)初始设置rk＝0，ck,n＝0，子载波集合为ω＝{1,2,...,n}，用户集合为u＝{1,2,...,k}。

(2.2)从用户1到用户k，找到n使得hk,n≥hk,j，更新ck,n为1，ω＝ω-n，rk＝rk+rk,n。

(2.3)假如设用户集合为a＝{1,2,...,k}，根据公平度公式计算fairness的值。设公平度约束为ξ。

(2.4)如果fairness≥ξ，对于所有用户和剩余的子载波，找到一个用户k和对应的子信道n，使得hk,n为最大值。根据找到的hk,n，更新速率和剩余子信道。

(2.5)如果fairness≤ξ，找到rk/λk最小的用户k。在用户k中，找到剩余子载波中hk,n最大的分配给该用户。

(2.6)根据上步骤更新ck,n为1，ω＝ω-n，rk＝rk+rk,n。

3.人工鱼群算法及其改进

(3.1)基本人工鱼群算法

假设一片水域有n条人工鱼，每条鱼的位置xi＝(x1,x2,…,xn)代表着问题的一种可行解。鱼群通过自身的活动来变换自身的状态。其中一条人工鱼的状态为xi，视觉范围内一点xj优于自身，人工鱼向该点移动一步。新的位置为xnext。visual是人工鱼的视野范围，step是步长。

xj＝xi+visual·rand()(7)

觅食行为：设人工鱼当前状态为xi，感知范围内随机选择状态xj。如果该状态优于xi，则按照(2)式向前移动一步。如果不是，经历尝试try-number次还不行，就按照(1)式随机游动。

聚群行为：人工鱼群中心位置为xc，伙伴数目为nf。当时，表明食物多而且不拥挤，向前游动一步。否则随机游动。δ是拥挤度。

追尾行为：人工鱼搜索视野内最优的伙伴xj，数量为nf。如果则向前移动一步。否则执行觅食行为。

随机行为：人工鱼视野内随机选择一个状态，然后向该状态移动一步。

(3.2)人工鱼群算法的改进：

差分进化算法主要有变异、交叉、选择三个基本操作。本方案将差分进化算法的变异和交叉两种步骤与人工鱼群算法相结合，这样不但增加了种群的多样性，加快迭代次数，而且是搜索结果更加精确。

变异操作：对于父代种群，任意一个个体执行下面的操作：

是种群三个不同个体。r1≠r2≠r3≠if是介于[0,2]间的常量。这表明，执行差分进化算法的种群个数至少为4。

交叉操作：交叉操作的通过变异向量vi和目标向量xi各维分量的随机重组生成新个体。进行下面的操作：

rand是[0,1]之间的随机数，cr是0到1之间的常数，代表变异概率。cr越大，发生交叉的概率就越大。当cr为0时，就表示没有进行交叉。randj是在1到向量长度d之间的整数，以确保至少交换一个数，产生新个体，以避免种群进化停滞。

人工鱼群算法定义了四种行为。随机行为是三种算法都没能执行的情况下才执行。参考粒子群算法，对人工鱼群的随机行为进行改进。

设p是0到1上的常数。执行随机行为前，产生一个随机数rand。如果rand小于p，则执行随机行为。如果rand大于p，则执行下面的行为。

上式中，xmax是人工鱼群历次迭代公告牌上所记录的最优的个体。同时，每一次迭代，令p＝αp。

4.使用改进过后的人工鱼群算法进行功率分配

运用改进的人工鱼群进行功率分配时，假设系统有k个用户，每条人工鱼的位置向量表示为[p1,total,p1,total,...,pk,total]。pk,total代表这第k个用户所分配到的功率值。分配给每一个用户功率之后，再进行每个子载波的功率分配。在目前已有的分配算法中，注水算法是最优的。单是，注水算法会导致计算量急剧的增加。由于等功率分配法计算复杂度比较小，且又被证明和注水算法性能相差不大^[14]。因此，综合考虑本文采用等功率分配法分配功率给子载波。用户k分到子载波数为mk，分配给子载波n的功率pk,n为：

pk,n＝pk,total/mk(10)

人工鱼群算法的适应度函数是代表着人工鱼的优劣程度，是进行个体选择与评价的指标。本文采用一种基于公平度约束的目标函数，用fitness表示。

基于改进人工鱼群算法的流程为：

(1)初始化设置人工鱼群参数：种群规模nt为100，拥挤度因子δ为0.8，步长和视野分别为0.125和0.2，重试次数try-number为50，最大迭代次数为80次。

(2)计算初始化人工鱼个体的适应度函数值，将最大适应度值的个体位置与函数值记录在公告板。公告板用来记录每一代人工鱼的最大适应度值。

(3)执行人工鱼的四种行为模式，即觅食行为、聚群行为、追尾行为、改进的随机行为。找出四种行为下诞生最优的个体。

(4)每条人工鱼执行交叉、变异行为模式，并进行选择。

(5)更新人工鱼位置信息，计算每条鱼的适应度函数值，并于公告板比较，更新公告板。

(6)当达到最大迭代次数时，算法终止。

本发明的有益效果在于：

从理论和仿真可以看出，本方案降低了功率分配过程中的迭代次数，提高了算法的搜索精度，达到了系统容量和用户公平度的折中。这为今后ofdm自适应资源分配方案的研究提供了一个很好的参考。因此，本发明方案对于无线通信中ofdm自适应资源分配中具有很高的应用价值和实用意义。

附图说明

为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：

图1为本发明实现的流程图。

图2为本发明中ofdm自适应资源分配的流程图。

图3为本发明中子载波分配分配方案流程图。

图4为本发明中基于改进过后的人工鱼群算法分配功率的流程图。

图5为本发明与其它算法的系统容量对比图。

图6为本发明与其它算法的公平度比较。

图7为本发明与其它文献的迭代次数对比图。

图8为本发明与其它文献在k＝6时各用户归一化速率比例。

具体实施方式

下面将结合附图，对本发明的优选实施例进行详细的描述。

所申请的专利是ofdm多用户系统中一种自适应资源改进分配方案。该方案的总的流程如图1所示。具体的实施流程包括：

1.ofdm自适应资源分配系统模型：

一个基本的ofdm自适应资源分配系统的基本结构如图2所示。在下行的ofdm资源分配系统中，信道反馈的信息发送给ofdm资源分配模块。自适应资源分配模块会根据信道的实际情况通过ofdm发射机动态地为每个用户分配子载波与功率。信号采用mqam调制并且经过瑞利选择性衰落信道。假设ofdm系统所获得的信道反馈(csi)是理想的。

现在假设该系统目前有k个用户，可分配的子载波数目为n，系统的最大发射功率为ptotal，总带宽为b，并且附加功率谱密度为n0的加性高斯白噪声。在系统中用户k(1≤k≤k)在子载波n上所分配的功率为pk,n。每一个子载波仅能分配给一个用户，并且每个用户所分配到的子载波都是在信道中的衰落都是独立的。用户k在子载波n上的信道增益为hk,n。每个子信道的噪声功率为σ²＝n0b/n，则第k个用户在n个子载波上的信道噪声比为每个用户在相应的子载波上接收端的snr为第k个用户在子载波n上的系统传输容量为：

其中γ＝-ln(5ber)/1.6，是一个与误码率有关的值。hk,n为hk,n＝γk,n/γ是用户k在子载波n上有效snr。

因此，用户k的总的信道容量为：

速率自适应ra准则下比例约束ofdm系统模型可以表示为：

系统的约束条件为：

其中ck,n的值为1时代表子载波n分配给k用户，若为0则表示没有分配。因此，约束条件2表示每个子载波仅能分配给k用户中的一个用户。约束条件3和4表示每个子载波上功率大于等于0，并且功率值和不得超过最大发送功率。约束条件5表示为确保公平度，每个用户设置的速率比例。

为了衡量各个用户之间速率比例的公平性，以确保分配子载波与功率之后，用户的速率符合比例约束，在此定义公平度fairness如下：

从公式可以看出，0<fairness≤1，当各个用户的速率比值符合约束条件5时，公平度fairness达到最大值1。

2.子载波分配方案

本发明的子载波分配方案如图3所示。为了达到在约束条件下目标函数的最大值，子载波和功率分配问题应当同时考虑。但是，这无疑会极大的增加分配算法的计算复杂度。因此，方案采用先分配子载波再分配功率。当子载波数远大于用户数时，用户所分配到的子载波数近似为：

n1:n2:…:nk≈γ1:γ2:…:γk(6)

本方案采用的子载波分配算法如下所示：

(2.1)初始设置rk＝0，ck,n＝0，子载波集合为ω＝{1,2,...,n}，用户集合为u＝{1,2,...,k}。

(2.2)从用户1到用户k，找到n使得hk,n≥hk,j，更新ck,n为1，ω＝ω-n，rk＝rk+rk,n。

(2.3)假如设用户集合为a＝{1,2,...,k}，根据公平度公式计算fairness的值。设公平度约束为ξ。

(2.4)如果fairness≥ξ，对于所有用户和剩余的子载波，找到一个用户k和对应的子信道n，使得hk,n为最大值。根据找到的hk,n，更新速率和剩余子信道。

(2.5)如果fairness≤ξ，找到rk/λk最小的用户k。在用户k中，找到剩余子载波中hk,n最大的分配给该用户。

(2.6)根据上步骤更新ck,n为1，ω＝ω-n，rk＝rk+rk,n。

3.人工鱼群算法及其改进

(3.1)基本人工鱼群算法

假设一片水域有n条人工鱼，每条鱼的位置xi＝(x1,x2,…,xn)代表着问题的一种可行解。鱼群通过自身的活动来变换自身的状态。其中一条人工鱼的状态为xi，视觉范围内一点xj优于自身，人工鱼向该点移动一步。新的位置为xnext。visual是人工鱼的视野范围，step是步长。

xj＝xi+visual·rand()(7)

觅食行为：设人工鱼当前状态为xi，感知范围内随机选择状态xj。如果该状态优于xi，则按照(2)式向前移动一步。如果不是，经历尝试try-number次还不行，就按照(1)式随机游动。

聚群行为：人工鱼群中心位置为xc，伙伴数目为nf。当时，表明食物多而且不拥挤，向前游动一步。否则随机游动。δ是拥挤度。

追尾行为：人工鱼搜索视野内最优的伙伴xj，数量为nf。如果则向前移动一步。否则执行觅食行为。

随机行为：人工鱼视野内随机选择一个状态，然后向该状态移动一步。

(3.2)人工鱼群算法的改进：

差分进化算法主要有变异、交叉、选择三个基本操作。本方案将差分进化算法的变异和交叉两种步骤与人工鱼群算法相结合，这样不但增加了种群的多样性，加快迭代次数，而且是搜索结果更加精确。

变异操作：对于父代种群，任意一个个体执行下面的操作：

是种群三个不同个体。r1≠r2≠r3≠if是介于[0,2]间的常量。这表明，执行差分进化算法的种群个数至少为4。

交叉操作：交叉操作的通过变异向量vi和目标向量xi各维分量的随机重组生成新个体。进行下面的操作：

rand是[0,1]之间的随机数，cr是0到1之间的常数，代表变异概率。cr越大，发生交叉的概率就越大。当cr为0时，就表示没有进行交叉。randj是在1到向量长度d之间的整数，以确保至少交换一个数，产生新个体，以避免种群进化停滞。

人工鱼群算法定义了四种行为。随机行为是三种算法都没能执行的情况下才执行。参考粒子群算法，对人工鱼群的随机行为进行改进。

设p是0到1上的常数。执行随机行为前，产生一个随机数rand。如果rand小于p，则执行随机行为。如果rand大于p，则执行下面的行为。

上式中，xmax是人工鱼群历次迭代公告牌上所记录的最优的个体。同时，每一次迭代，令p＝αp。

4.使用改进过后的人工鱼群算法进行功率分配

本发明的改进过后的人工鱼群算法功率分配的流程图如图4所示。

运用改进的人工鱼群进行功率分配时，假设系统有k个用户，每条人工鱼的位置向量表示为[p1,total,p1,total,...,pk,total]。pk,total代表这第k个用户所分配到的功率值。分配给每一个用户功率之后，再进行每个子载波的功率分配。在目前已有的分配算法中，注水算法是最优的。单是，注水算法会导致计算量急剧的增加。由于等功率分配法计算复杂度比较小，且又被证明和注水算法性能相差不大^[14]。因此，综合考虑本文采用等功率分配法分配功率给子载波。用户k分到子载波数为mk，分配给子载波n的功率pk,n为：

pk,n＝pk,total/mk(12)

人工鱼群算法的适应度函数是代表着人工鱼的优劣程度，是进行个体选择与评价的指标。本文采用一种基于公平度约束的目标函数，用fitness表示。

基于改进人工鱼群算法的流程为：

(4.1)初始化设置人工鱼群参数：种群规模nt为100，拥挤度因子δ为0.8，步长和视野分别为0.125和0.2，重试次数try-number为50，最大迭代次数为80次。

(4.2)计算初始化人工鱼个体的适应度函数值，将最大适应度值的个体位置与函数值记录在公告板。公告板用来记录每一代人工鱼的最大适应度值。

(4.3)执行人工鱼的四种行为模式，即觅食行为、聚群行为、追尾行为、改进的随机行为。找出四种行为下诞生最优的个体。

(4.4)每条人工鱼执行交叉、变异行为模式，并进行选择。

(4.5)更新人工鱼位置信息，计算每条鱼的适应度函数值，并于公告板比较，更新公告板。

(4.6)当达到最大迭代次数时，算法终止。

下面从计算机仿真进一步说明本发明的优点：

首先，本方案仿真所采用的信道为瑞利衰落信道。系统子载波个数为64，总带宽为1mhz，发射功率为1w，系统误码率ber≤10^-3。最终结果都是仿真多次取平均值。在相同情况下与shen算法(文献“shenz,andrewsjg,evansbl.adaptiveresourceallocationinmultiuserofdmsystemswithproportionalrateconstraints[j].ieeetransactionsonwirelesscommunications,2005,4(6):2726-2737.”)，人工鱼群算法afsa(文献“汪照,李有明,陈斌,等.基于鱼群算法的ofdma自适应资源分配[j].物理学报,2013,62(12):000509-515.”)进行对比。

图5是本发明方案与shen算法和人工鱼群算法afsa速率的比较图。从图中可以看出本文算法公平度约束0.99和0.95时，系统容量高于两种算法。在公平度约束为0.995时，系统容量略有下降，比afsa算法略高。这是因为，在改进算法过后，增加的变异、交叉行为以及改进的随机行为降低了算法局部最优解产生的可能性，算法的搜索精度有所提高。

从图6公平度比较来看，系统的公平度随着用户数量的增加不断的下降，这是因为随着用户数量的不断增加，每个用户可分配的子载波个数减少，算法在保持公平分配的难度增加。从图中来看，在三种算法中，shen算法公平度最好，afsa算法在用户数较少时相对较好，但是当用户数增加时，算法公平度下降速度很快，公平度保持的不好。本方案公平度虽然略有下降，但是在约束作用下，始终保持约束度ξ之上。通过约束值大小的调节可以实现系统容量与公平度之间的折中。

图7是在用户数为8时，种群数量取100时算法的迭代曲线，均是多次运行取平均。从图中可以看出，在公平约束为0.99时，本方案在迭代5次时就应经达到最大值。afsa算法则要迭代大约15到20次才能达到最优值。因此，本方案的收敛速度更快。

图8是当用户数k＝6时，三种方案的每个用户的归一化速率分配情况图。每个用户的速率比例为r1:r2:r3:r4:r5:r6＝2:3:2:1:1:1。本方案公平度约束ξ取0.99。从左到右依次是afsa算法、shen算法、理想的归一化速率比例、本方案，从图中可以看出，三种方案和理想的比例约束相差不大。当然，可以提高约束度的数值以获得更好的归一化速率。

综上所述，本发明方案降低了ofdm自适应资源分配的迭代次数，提高了收敛度。通过公平度约束下的子载波分配和基于改进后的人工鱼群功率分配，本方案达到了公平度和系统容量的折中。

最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。