基于遗传方法的非正交多址接入场景用户配对方法与流程

本发明属于无线通信中的非正交多址接入技术领域，具体涉及基于遗传方法的非正交多址接入场景中的用户配对方法。

背景技术：

受限于信号处理技术和系统复杂度的约束，在第一代至第四代无线通信系统中均采用正交多址接入(orthogonalmultipleaccess，oma)方案。而为了满足新一代移动通信系统对传输速率及传输可靠性的需求，非正交多址接入(non-orthogonalmultipleaccess，noma)方案被认为是oma的更优替代者。在oma中，不同用户的信号在信道资源上是彼此正交的，即每个用户占据各自的信道资源；而在noma中，允许多个用户复用信道资源进行通信，在接收端采用串行干扰消除(successiveinterferencecancellation，sic)技术得到所需要的信号。针对任意给定的用户数量及待分组数，如何规划noma场景中的接入用户配对以最大化整个系统的信息传输速率是一个复杂的问题，采用传统方法无法在短时间内求解。本发明中基于遗传方法的noma场景用户配对方法能够在短时间内得到问题的近似最优解。

技术实现要素：

本发明所要解决的技术问题是：

为了在混合noma场景中的接入用户配对时最大化整个系统的信息传输速率，本发明提出一种基于遗传方法的非正交多址接入场景用户配对方法。

本发明为解决上述技术问题采用以下技术方案：

本发明提出一种基于遗传方法的非正交多址接入场景用户配对方法，步骤包括：

步骤一、配置遗传所需必要参数，所述参数包括种群规模p和进化代数t；

步骤二、编码：将具体的用户配对方案转化为序列；

步骤三、选定用户配对方案，将所述用户配对方案作为元素生成初始种群作为迭代计算的初始值；

步骤四、评价：将当前代际的种群中的用户配对方案对应的序列代入适应度函数，得到所述用户配对方案对应的适应度函数值；

步骤五、遗传操作：在当前计算迭代次数没有达到t时，对当前种群进行遗传操作，产生新一代种群；所述遗传操作包括选择操作，交叉操作和变异操作；

步骤六、当进化代数计数器t＝t时，遗传方法不再继续执行；将当前种群p个个体中，适应度函数值最高的的个体解码，并认为解码得到的配对方案为noma场景中用户配对方案的近似最优解。

如前所述的一种基于遗传方法的非正交多址接入场景用户配对方法，进一步地，步骤二所述编码的具体步骤包括：

步骤2.1、将用户分组，表示为：

m＝m1+m2+…+mk

其中，k为待分组数，m为用户数量，mk代表第k个分组中的用户数量；

步骤2.2、选取排列编码策略不同的用户配对方案进行编码；针对给定的含有m个用户的用户集合，对用户按照信道增益的大小降序进行编号得到用户编号集合n，所述每个用户与基站间通信的信道增益可由信道估计得到；

步骤2.3、对于当前迭代中第k个个体所对应的用户配对方案，其编码后得到的序列i^k为：

其中，序列i^k中前m1个值为分配至第一组中的用户所对应的编号，其后的m2个值为分配至第二组中的用户所对应的编号，依此类推。

如前所述的一种基于遗传方法的非正交多址接入场景用户配对方法，进一步地，步骤三所述生成初始种群的具体步骤包括：

步骤3.1、在待选的用户配对方案集合中等概随机选择p个方案构成初始种群；

步骤3.2、同时设置进化代数计数器t＝0来记录计算的迭代次数。

如前所述的一种基于遗传方法的非正交多址接入场景用户配对方法，进一步地，步骤四所述适应度函数取为整个系统的信息传输速率，表示为：

其中，k为用户待分组个数，m为用户数量，b为基站总体带宽，n0为加性高斯白噪声功率谱密度，hi为第i个用户与基站通信的信道增益，由信道估计获得；pi,j为第i个用户被分配到第j组中时所分得的功率大小，可由组内功率分配方案获得；xi,j＝1表示第i个用户被分配到第j组中，xi,j＝0时表示第i个用户没有被分配到第j组；是sic附加的噪声部分。

如前所述的一种基于遗传方法的非正交多址接入场景用户配对方法，进一步地，步骤五所述选择操作以精英锦标赛策略作为选择策略，所述步骤五的具体步骤包括：

步骤5.1.1、将当前迭代中获得最大信息传输速率的用户配对方案直接保留至下一次迭代；

步骤5.1.2、从种群中等概随机选出一定数量的个体用户配对方案，选择其中最优的一个进入下一代种群；

步骤5.1.3、判断下一代种群中的个体用户配对方案数量是否达到n个；如果不足n个，则重复步骤5.1.2；如果达到n个，则完成本代际的遗传操作完成；

步骤5.1.4、判断当前种群的迭代次数；如果迭代次数未达到t，则将步骤5.1.3所述得到的次一代种群作为当前代际的种群并返回步骤5.1.1；如果迭代次数达到t，则结束迭代。

如前所述的一种基于遗传方法的非正交多址接入场景用户配对方法，进一步地，步骤五所述交叉操作包括：

步骤5.2.1、在当前代际的种群中等概随机选择两个个体i^m和iⁿ作为父代个体；

步骤5.2.2、选择i^m和iⁿ基因序列中的指定部分作为匹配序列：

其中l为匹配部分长度；

步骤5.2.3、交换匹配序列得到子代个体和

步骤5.2.4、当子代个体和中出现基因重复的情况，则保持交换后匹配部分不变，对于匹配部分外的重复基因按照匹配部分的一一对应关系进行修正，直至无重复基因为止。

如前所述的一种基于遗传方法的非正交多址接入场景用户配对方法，进一步地，步骤五所述变异操作包括：对于发生变异的用户配对方案个体i^m而言，等概随机选择它的基因序列上的发生变异的两个基因和将其进行位置互换即可得到基因型变异后的用户配对方案个体表示为：

其中，和即为变异操作中进行位置互换的两个基因，为变异后得到的含有新基因序列的用户配对方案个体。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：

本发明中基于遗传方法的noma场景中用户配对方法，能够利用遗传方法的并行计算能力和随机搜索能力，针对任意给定的用户数量m和待分组数k，在短时间内给出配对方案的近似最优解；并在参数设置合理的情况下，能够找出配对方案的最优解。对比该问题的其他传统解决方案，本发明中的方法在所需时间上有可观的缩短。

此外，针对每个分组中仅存在2个用户或1个用户(此时为oma)的混合noma场景，最优配对方案可不经过遗传方法直接给出，即尽可能的为单用户分组分配所处信道增益大的用户，再将剩下的用户按照2个用户noma场景中的最优配对方案配对。这样得到的配对结果经证明是最优解，考虑到noma技术在实际应用中所受到计算复杂度及设备复杂度的限制，该结论具有一定应用价值。

附图说明

图1是本发明所述方法的步骤框图。

具体实施方式

下面结合附图对本发明的技术方案做进一步的详细说明：

本技术领域技术人员可以理解的是，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

在noma场景中，允许多个用户占据相同的信道资源进行通信，受限于设备复杂度和计算复杂度，目前通常将所有参与通信的用户进行分组，同一组内用户采用noma方案共享信道资源，而不同分组间的信道资源仍是正交的。这样的方案也称混合noma方案。因此，在这一场景中，任一用户所处分组的变化将会影响整个系统的信息传输速率。如何找到使系统信息传输速率最大化的分组方案是一个有价值的问题，该问题即为混合noma场景中的接入用户的配对问题。

本发明中在解决混合noma场景中的接入用户配对问题时，目标是最大化整个系统的信息传输速率：

其中，k为用户待分组个数，m为用户数量，b为基站总带宽，这里假设每组用户所分得的信道资源是均等的，因此b/k即为每组noma接入用户所分得的带宽。n0为加性高斯白噪声功率谱密度，hi为第i个用户与基站通信的信道增益，均可由信道估计获得。pi,j为第i个用户被分配到第j组中时所分得的功率大小，可由组内功率分配方案获得。xi,j是一个0-1变量，xi,j＝1意味着第i个用户被分配到第j组中，xi,j＝0意味着第i个用户没有被分配到第j组，同时应注意每个用户能且只能属于一个分组。是sic(sic是已有概念，这里只简述其内容)过程中所附加的噪声部分，根据noma定义的要求，同一分组内不同用户会分得大小不同的功率，在接收端依照用户功率的不同进行sic。同一分组内用户所处信道增益越小的用户所分得的功率越大，在接收端首先求解分组内所处信道增益最小的用户所发送的信号，因其分得的功率最大(由noma定义决定)，因此可将其余所有用户所传输的信号看作噪声处理，从而得到该用户所发送的信号。而后在接收端所接受到的信号中直接减去已得到的所处信道增益最小用户所发送的信号，不断重复这样的过程直至接收端得到所有用户发送的信号为止。以上这样依次得到noma方案用户发送信号的过程即为sic过程。

本发明中采用遗传方法解决上述问题，遗传方法是模拟生物进化的自然选择和遗传学机理的计算模型，方法从待求解问题的一个潜在解集开始迭代，该集合也被称为种群。种群由一定数目的个体组成，每个个体即为一个可行的用户配对方案，对于个体而言应选择合适的编码方式将具体的noma场景中接入用户配对方案进行编码，编码策略的选取将直接影响后续策略的选择。其次应选取合适的适应度函数来评价每个个体表现的优劣，从而能够选择出每代种群中表现较好的个体。最后模拟遗传学中染色体交叉和基因变异的概念，在每次计算迭代中生成具有全新编码的个体，新的编码就意味着一种全新的配对方案，借助这种方式来搜索表现更优的个体，以便于使后代种群比前代更加适应待求解问题的要求。末代种群中的最优个体经过解码后即可作为问题的近似最优解。本发明采用的是带有精英保留(elitistpreservation，ep)策略的遗传方法，可将上一代种群中的最优个体直接保留至下一代种群中，该策略能够加快计算的收敛速度。采用本发明中的方法，针对任意的用户数量m和待分组数k，均可在短时间内得到noma场景中的用户配对方案。

本发明的技术方案如图1所示，包括如下步骤：

第一步：配置遗传方法所需必要参数。种群规模p和进化代数t是遗传方法中的两个必要超参数，需在计算执行前设定，其取值与计算所需时间及结果与最优解的接近程度直接相关。本步骤包括如下流程：

(1)种群规模p选取：种群规模的大小意味着遗传方法并行计算覆盖面的大小，种群规模越大，计算覆盖面越大，但所占用的计算资源也就越多。在本发明中可根据用户数量m来设置几十到几百不等的种群规模。

(2)进化代数t选取：进化代数意味着遗传方法循环迭代的次数，实际操作中借助进化代数计数器t记录当前种群所处的代数。在生成初始种群时，t＝0。进化代数越多，所得到的结果就越接近问题的最优解。在本发明中可根据用户数量m设置进化代数的具体数值。

第二步：对具体用户配对方案进行编码。在基于遗传方法的用户配对方案中，需将具体的用户配对方案转化为寻找所需的特定序列，每个序列代表一种不同的配对方案，这样的过程称为编码。针对任意的由待分组数k和用户数量m所决定的分组，有：

m＝m1+m2+…+mk(2)

其中，m1代表第一个分组中的用户数量，m2代表第二个分组中的用户数量，依此类推。本发明中选取排列编码策略(排列编码策略为已有概念，这里只简述其内容)对noma场景中不同的用户配对方法进行编码。排列编码策略针对排列组合问题设计，针对给定的含有m个用户的用户集合u，对用户按照信道增益(每个用户与基站间通信的信道增益可由信道估计得到)的大小降序进行编号得到用户编号集合n，即将集合u中信道增益最大的用户编号为1，信道增益第二大的用户编号为2，依此类推，信道增益最小的用户编号为m。对于当前迭代中第k个个体所对应的用户配对方案，其编码后得到的序列i^k为：

序列i^k中前m1个值为分配至第一组中的用户所对应的编号，其后的m2个值为分配至第二组中的用户所对应的编号，依此类推。因此，每个编码得到的序列都可以完整表达一种用户配对方案。仿照生物学中的概念，在遗传方法中i^k也称为个体的基因型，序列i^k中每一个位置上的值也称为该位置上的基因。

第三步：生成初始种群。遗传方法的初始种群即为计算的初始值，在潜在的用户配对方案集合中等概随机选择p个方案构成初始种群，其中p为第一步中设置的种群规模大小。同时设置进化代数计数器t＝0来记录计算的迭代次数。

第四步：借助适应度函数评价当前种群中个体所对应的配对方案的优劣，认为获得更大的适应度函数值的配对方案为更优秀的方案,也就更有机会在后续的选择操作中保留至下一次计算迭代。本发明中欲解决的问题为单目标优化问题，因此可直接将整个系统的信息传输速率作为适应度函数：

其中，k为用户待分组个数，m为用户数量，b为基站总体带宽，n0为加性高斯白噪声功率谱密度，hi为第i个用户与基站通信的信道增益，均可由信道估计获得。pi,j为第i个用户被分配到第j组中时所分得的功率大小，可由组内功率分配方案获得。xi,j＝1意味着第i个用户被分配到第j组中，xi,j＝0时意味着第i个用户没有被分配到第j组。是sic附加的噪声部分。

第五步：在当前计算迭代次数没有达到t时，对当前种群进行遗传操作，其中t为第一步中设置的进化代数大小。遗传操作可分为三类，分别是：

(1)选择操作：选择操作仿照生物学中自然选择的概念，目的是建立合适的选择机制，使获得更大适应度函数(第四步中已说明本发明中适应度函数即为系统信息传输速率)的配对方案能够保留至下一次计算迭代。针对待求解问题的特点，选取精英锦标赛策略作为选择策略。该策略带有精英保留机制，即将当前迭代中获得最大信息传输速率的配对方案直接保留至下一次迭代，然后每次从种群中等概随机选出一定数量的个体，选择其中最优的一个进入下一代种群。重复上述操作，直至新一代种群的规模达到原来种群的规模。

(2)交叉操作：交叉操作仿照遗传学中染色体交叉的概念，是遗传方法提高搜索能力的核心机制，是指在上一代种群中等概随机选择两个个体i^m和iⁿ进行交叉操作，i^m和iⁿ也称父代个体，将i^m和iⁿ基因序列中的部分结构加以替换重组从而生成具有新基因序列的个体和和也称子代个体。交叉操作可以为计算引入全新的配对方案，从而不断探索能够获得更高信息传输速率的配对方案。针对排列编码策略的特点，本发明选取部分匹配交叉策略。选择i^m和iⁿ基因序列中的指定部分作为匹配序列，匹配部分长度l可自行设定：

其中，虚线框内为匹配部分，交换匹配序列得到子代个体和

生成子代个体中若会出现基因重复的情况，保持交换后匹配部分不变，对于匹配部分外的重复基因按照匹配部分的一一对应关系进行修正直至无重复基因为止。

(3)变异操作：变异操作仿照遗传学中基因突变的概念，是遗传方法提高随机搜索能力的必要机制。变异操作也可为计算引入全新配对方案，可以看做是交叉操作的有效补充，从而不断探索能够获得更高信息传输速率的配对方案，加速结果向最优解的收敛过程。种群中的每个个体存在一定的变异概率，考虑到排列编码不允许同一个体基因序列中出现用户编号重复的特性，对于发生变异的个体i^m而言，等概随机选择基因序列上的发生变异的两个基因和将其进行位置互换即可得到基因型变异后的个体

其中，和即为变异操作中进行位置互换的两个基因，为变异后得到的含有新基因序列的个体。

第六步：当进化代数计数器t＝t时，遗传方法不再继续执行。将当前种群p个个体中表现最优的个体解码，并认为解码得到的配对方案为noma场景中用户配对方案的近似最优解。

实施例一

本发明中基于遗传方法的noma场景中用户配对方法，以用户数量m＝8，待分组数k＝3为例进行说明。分组方案有多种选择，本例中仅以m＝2+3+3＝8的分组方案为例说明遗传方法的步骤，其他分组方案同理。

本例包括如下步骤：

第一步：配置遗传方法所需必要参数。种群规模p和进化代数t是遗传方法中的两个必要参数，需在计算执行前设定，其取值与计算所需时间及结果与最优解的接近程度直接相关。

本步骤包括如下流程：

(1)种群规模p选取：种群规模的大小意味着遗传方法并行计算覆盖面的大小，种群规模越大，计算所占用的资源就越多。在本例中可根据用户数量m＝8来设置种群规模大小为50。

(2)进化代数t选取：进化代数意味着遗传方法循环迭代的次数，实际操作中借助进化代数计数器t记录当前种群所处的代数。在生成初始种群时，t＝0。进化代数越多，所得到的结果就越接近问题的最优解。在本例中可根据用户数量m＝8设置进化代数为20代。若希望尽可能找到或接近最优解，可增加进化代数至50代。

第二步：对具体用户配对方案进行编码。在基于遗传方法的用户配对方案中，需将具体的用户配对方案转化为寻找所需的特定序列，每个序列代表一种不同的配对方案，这样的过程即为编码。针对任意的由待分组数k和用户数量m所决定的分组，有：

m＝m1+m2+…+mk(1)

其中，m1代表第一个分组中的用户数量，m2代表第二个分组中的用户数量，依此类推。本例中，m＝m1+m2+m3＝2+2+3。本发明中选取排列编码策略(排列编码策略为已有概念，这里只简述其内容)对noma场景中不同的用户配对方法进行编码。排列编码策略针对排列组合问题设计，针对给定的含有m个用户的用户集合u，对用户按照信道增益(每个用户与基站间通信的信道增益可由信道估计得到)的大小降序进行编号得到用户编号集合n，即将集合u中信道增益最大的用户编号为1，信道增益第二大的用户编号为2，依此类推，信道增益最小的用户编号为8。

对于当前迭代中第k个个体所对应的用户配对方案，其编码后得到的序列i^k为：

序列i^k中前2个值为分配至第一组中的2个用户所对应的编号，其后的3个值为分配至第二组中的3个用户所对应的编号，最后剩下的3个值为分配至第三组中的3个用户所对应的编号。因此，每个编码得到的序列都可以完整表达一种用户配对方案。仿照生物学中的概念，在遗传方法中i^k也称为个体的基因型，序列i^k中每一个位置上的值也称为该位置上的基因。

第三步：遗传方法的初始种群即为计算的初始值，在潜在的用户配对方案集合中等概随机选择p个方案构成初始种群，本例第一步中设置种群规模大小为50。同时设置进化代数计数器t＝0来记录计算的迭代次数。

第四步：借助适应度函数评价当前种群中个体所对应的配对方案的优劣，认为获得更大的适应度函数值的配对方案为更优秀的方案,也就更有机会在后续的选择操作中保留至下一次计算迭代。本发明中欲解决的问题为单目标优化问题，因此可直接将整个系统的信息传输速率作为适应度函数：

本实施例中，加性高斯白噪声功率谱密度n0为1w/hz，信道带宽b为3hz，η1＝2,η2＝3,η3＝3。hi为第i个用户与基站通信的信道增益，可由信道估计获得。pi,j为第i个用户被分配到第j组中时所分得的功率大小，可由组内功率分配方案获得。xi,j＝1意味着第i个用户被分配到第j组中，xi,j＝0时意味着第i个用户没有被分配到第j组。是sic附加的噪声部分。

第五步：在当前计算迭代次数没有达到t时，对当前种群进行遗传操作，其中t为第一步中设置的进化代数大小。本实施例中，遗传步骤包括如下流程：

(1)选择操作：选择操作仿照生物学中自然选择的概念，目的是建立合适的选择机制，使获得更大适应度函数(第四步中已说明本发明中适应度函数即为系统信息传输速率)的配对方案能够保留至下一次计算迭代。针对待求解问题的特点，选取精英锦标赛策略作为选择策略。在本例中，首先将当前种群中50个个体中适应度函数最大的个体直接保留至下一代，然后每次从当前种群50个个体中等概随机选出5个个体，选取5个个体中适应度函数最大的一个保留至下一代。重复上述操作，直至新一代种群规模达到50时停止。

(2)交叉操作：交叉操作是遗传方法提高搜索能力的核心机制，是指在上一代种群中等概随机选择两个个体i^m和iⁿ进行交叉操作，i^m和iⁿ也称父代个体，将i^m和iⁿ基因序列中的部分结构加以替换重组从而生成具有新基因序列的个体和和也称子代个体。交叉操作可以为计算引入全新的配对方案，从而不断探索能够获得更高信息传输速率的配对方案。针对排列编码策略的特点，本发明选取部分匹配交叉策略。选择i^m和iⁿ基因序列中的指定部分作为匹配序列，本例中匹配部分长度l取值为3：

本实施例中，虚线框内为匹配部分，交换匹配序列得到子代个体和

生成子代个体中若会出现基因重复的情况，保持交换后匹配部分不变，对于匹配部分外的重复基因按照匹配部分的一一对应关系进行修正直至无重复基因为止。本例中的第三个基因和的第7个基因与匹配部分基因重复，修正后的结果为：

(3)变异操作：变异操作仿照遗传学中基因突变的概念，是遗传方法提高随机搜索能力的必要机制。变异操作也可为计算引入全新配对方案，可以看做是交叉操作的有效补充，从而不断探索能够获得更高信息传输速率的配对方案，加速结果向最优解的收敛过程。种群中的每个个体存在一定的变异概率，本例中变异概率取0.1，,对于发生变异的个体i^m：

i^m＝[25341678](8)

等概随机选择基因序列上的两个基因和进行位置互换即可得到基因型变异后的个体本例中选择第三个和第五个位置的基因，得到变异后的个体为：

其中，和即为变异操作中进行位置互换的两个基因，为变异后得到的含有新基因序列的个体。

第六步：当进化代数计数器t＝20时，遗传方法不再继续执行。将当前种群中50个个体中表现最优的个体解码，并认为解码得到的配对方案为noma场景中用户配对方案的近似最优解。

以上所述仅是本发明的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。