改進蟻群算法的超密集網(wǎng)絡資源分配方法仿真

李金磊,翟海亭

(1. 商丘工學院,河南 商丘 476000;2. 海軍航空大學航空基礎學院,山東 青島 264000)

1 引言

在網(wǎng)絡業(yè)務類型增多以及移動互聯(lián)網(wǎng)技術進步的背景下,移動數(shù)據(jù)流量不斷增大。為了進一步滿足用戶需求,超密集網(wǎng)絡得到廣泛應用,該網(wǎng)絡可以縮短終端用戶與基站在網(wǎng)絡中傳輸數(shù)據(jù)的距離,其主要原理是通過部署網(wǎng)絡中的基站,提高網(wǎng)絡空間流量[1]。小區(qū)間干擾是超密集網(wǎng)絡中易出現(xiàn)的問題,在小區(qū)間干擾下網(wǎng)絡吞吐量極易受到影響,使小區(qū)邊緣用戶無法獲取良好的體驗性能[2]。因此,通過合理分配超密集網(wǎng)絡中存在的資源可有效解決小區(qū)間干擾問題。

針對超密集網(wǎng)絡的資源分配問題,王雪[3]等人結合功率分配方案和資源分配方案用確定性尋優(yōu)約束問題代替超密集網(wǎng)絡資源分配問題,將K-means算法引入譜聚類用戶分組算法中,獲得頻率分配方案,該方法無法準確分析資源在超密集網(wǎng)絡中的分布特點,存在數(shù)據(jù)分析精度低的問題。陳發(fā)堂[4]等人首先計算了超密集網(wǎng)絡的最小邊緣開銷和最小本地開銷,用功率分配問題和信道分配問題代替超密集網(wǎng)絡資源分配問題,將拉格朗日函數(shù)引入資源分配模型中,結合Frank-Wolfe方法和內點懲函數(shù)法求解模型,實現(xiàn)資源分配,該方法存在資源傳輸成功率低的問題。程萬里[5]等人利用K-means聚類算法劃分網(wǎng)絡資源基站,將超密集網(wǎng)絡吞吐量最大化作為目標,設計超密集網(wǎng)絡資源分配方案,通過貪婪算法分配不同聚類中的視頻資源塊,針對網(wǎng)絡中剩余的資源塊,利用資源補償算法完成分配,該方法存在資源消耗比例高、頻譜效率低的問題,表明在資源分配過程中容易出現(xiàn)資源丟失問題,資源分配結果仍達不到理想效果。

超密集組網(wǎng)能夠通過超大規(guī)模低功率節(jié)點改善網(wǎng)絡覆蓋率,提高網(wǎng)絡容量,在現(xiàn)階段已經(jīng)得到了廣泛應用。為了解決其資源均衡性問題,提出基于蟻群算法優(yōu)化的超密集網(wǎng)絡資源分配方法。

2 超密集網(wǎng)絡模型

2.1 網(wǎng)絡基站資源發(fā)送模型

在一個時隙內,超密集網(wǎng)絡基站通常只服務一個超密集網(wǎng)絡用戶,通過正交時隙對接入的多個用戶服務[6]。當超密集網(wǎng)絡基站中沒有用戶接入時,一般屬于靜默狀態(tài)。

(1)

為了滿足資源在網(wǎng)絡中的傳輸需求,需要協(xié)調超密集網(wǎng)絡中的小區(qū)間干擾,上述操作通過分配時隙資源完成[7,8]。

(2)

如果某個時隙內,超密集網(wǎng)絡基站將資源分配給接入的用戶,則可通過固定發(fā)射功率A服務用戶,如果某個時隙內,基站沒有將資源分配給接入的用戶,則超密集網(wǎng)絡基站此時處于靜默狀態(tài)。

(3)

2.2 網(wǎng)絡基站資源接收模型

(4)

(5)

(6)

式中,E代表帶寬。

3 超密集網(wǎng)絡資源分配

3.1 資源分配目標函數(shù)建立

若子信道數(shù)量低于簇內基站數(shù)量時,子信道在簇內無法實現(xiàn)正交。為了確保子信道數(shù)量多于簇內超密集網(wǎng)絡基站的數(shù)量,在損耗圖的基礎上對網(wǎng)絡展開分簇處理,具體步驟如下:

1)根據(jù)參考資源,基站在網(wǎng)絡中測量路徑損耗,當兩個基站之間的路徑損耗小于路徑損耗門限U時,表明兩個基站之間存在干擾[9,10],相反,表明兩個超密集網(wǎng)絡基站之間不存在干擾;

2)在基站路徑損耗信息的基礎上建立損耗圖,基站即為圖中的節(jié)點,如果兩個基站之間的路徑損耗低于門限U時,表明以上兩個基站的節(jié)點之間存在邊,相反,則不存在邊;

3)在損耗圖中存在最短的邊,如果存在多條長度較短的邊,簇頭即為最大度對應的節(jié)點,將選取的節(jié)點存入簇W中;

4)計算未劃分基站與簇W之間的距離,選取距離最小的基站存入簇W中;

5)重復上述步驟;

6)刪除損耗圖中簇W內存在的基站對應的節(jié)點,并刪除與之相關聯(lián)的邊,更新?lián)p耗圖;

7)重復上述步驟,完成節(jié)點分簇。

根據(jù)信噪比[11]將子信道分配給簇中存在的用戶:

1)設置子信道集合Ξ={v1,v2,…,vM},該集合中存在M個子信道,在簇Wk中對基站編號vk1,vk2,…,vkKk,其中Kk代表簇Wk中基站的數(shù)量[12,13];

3)重復上述步驟,直到簇W中子信道分配完畢;

根據(jù)上述分析,構建如下超密集網(wǎng)絡資源分配目標函數(shù)F為

(7)

3.2 目標函數(shù)求解

采用蟻群算法[14,15]求解上述目標函數(shù)F,完成超密集網(wǎng)絡資源的分配。用υu,v表示網(wǎng)絡資源u和資源v之間存在的信息素,信息素的更新分為兩個階段,第一個階段為局部更新,第二個階段為全局更新,當每只螞蟻在尋優(yōu)過程中獲得一個資源分配目標函數(shù)的可行解時,通過下式更新該可行解中相鄰節(jié)點的信息素

υu,v(t)=σ1υu,v(t)+(1-σ1)υ0

(8)

式中,σ1代表信息素在局部更新階段中的發(fā)揮程度;υ0代表初始的信息素濃度。局部更新的主要目的是避免算法陷入局部搜索,通過減少節(jié)點之間存在的信息素濃度,提高螞蟻在后續(xù)尋優(yōu)過程中的選擇多樣性。

當全部螞蟻在種群中都獲得可行解時,構建解空間,獲得該空間中的最優(yōu)解,通過下式對信息素展開全局更新:

υu,v(t+1)=σgυu,v(t)+(1-σg)?υu,v(t)

(9)

式中,σg代表信息素在全局更新階段中的揮發(fā)程度;?υu,v(t)代表更新率,其計算公式如下

(10)

式中,g1、g2均代表超密集網(wǎng)絡資源分配目標函數(shù)中當前解空間中的最優(yōu)可行解對應的值。

假設在獲取超密集網(wǎng)絡資源分配目標函數(shù)可行解的過程中,螞蟻已經(jīng)獲取序列中存在的最后一個網(wǎng)絡資源u,則在網(wǎng)絡資源集合slist中根據(jù)下述轉移規(guī)則選取下一個待分配的網(wǎng)絡資源v

(11)

式中,q、q0均為隨機數(shù),在區(qū)間[0,1]內取值;du,v代表資源u和資源v之間存在的螞蟻數(shù)量,其計算公式如下

(12)

通過計算路徑中的信息素濃度,選取螞蟻下一個路徑,通過更新信息素獲取超密集網(wǎng)絡資源分配目標函數(shù)的最優(yōu)解,實現(xiàn)超密集網(wǎng)絡資源的最優(yōu)分配。

4 實驗設計與分析

為了驗證基于蟻群算法優(yōu)化的超密集網(wǎng)絡資源分配方法的整體有效性,需要對其展開相關測試,測試環(huán)境的仿真參數(shù)如表1所示。

表1 仿真參數(shù)

測試基于蟻群算法優(yōu)化的超密集網(wǎng)絡資源分配方法、基于譜聚類的超密集網(wǎng)絡資源分配方法(簡稱譜聚類方法)和基于MEC的超密集網(wǎng)絡資源分配方法(簡稱MEC方法)測試累積分布函數(shù)(Cumulative Distribution Function,CDF)曲線、網(wǎng)絡資源傳輸成功率、資源消耗比例以及資源分配頻譜效率。不同指標的測試結果如下。

由圖1中的數(shù)據(jù)可知,所提方法獲得CDF曲線與實際CDF曲線基本相符,表明所提方法可以準確地分析超密集網(wǎng)絡中資源的分布情況,而基于譜聚類的超密集網(wǎng)絡資源分配方法和基于MEC的超密集網(wǎng)絡資源分配方法獲得的CDF曲線與實際CDF曲線之間的偏差較大,表明上述兩種方法的資源分布分析誤差大。

網(wǎng)絡資源分配過程中,網(wǎng)絡資源傳輸?shù)某晒β蕦儆谥匾笜?所提方法、基于譜聚類的超密集網(wǎng)絡資源分配方法和基于MEC的超密集網(wǎng)絡資源分配方法在不同條件下的網(wǎng)絡資源傳輸成功率如圖2所示。

圖2 不同方法的資源傳輸成功率

由圖2(a)可知,隨著數(shù)據(jù)率的增加,不同方法的資源傳輸成功率呈現(xiàn)出先增大后減小的趨勢,對比三種方法的資源傳輸成功率發(fā)現(xiàn),所提方法的資源傳輸成功率始終處于0.8以上。分析圖2(b)可知,隨著用戶資源需求的增加,基于譜聚類的超密集網(wǎng)絡資源分配方法和基于MEC的超密集網(wǎng)絡資源分配方法的資源傳輸成功率不斷下降,基于MEC的超密集網(wǎng)絡資源分配方法的下降幅度較高,而所提方法在用戶資源需求增加到150MBytes之后才有所下降,其下降幅度較小,始終保持在0.8以上。

在網(wǎng)絡資源分配過程中會消耗一定的資源,將資源消耗比例作為指標,測試所提方法、基于譜聚類的超密集網(wǎng)絡資源分配方法和基于MEC的超密集網(wǎng)絡資源分配方法的分配性能,測試結果如圖3所示。

圖3 不同方法的資源消耗比例

根據(jù)圖3中的數(shù)據(jù)可知,所提方法、基于譜聚類的超密集網(wǎng)絡資源分配方法和基于MEC的超密集網(wǎng)絡資源分配方法的資源消耗比例隨著用戶資源需求的增加逐漸上升,但所提方法在測試過程中始終將資源消耗比例控制在0.02以內?；谧V聚類的超密集網(wǎng)絡資源分配方法和基于MEC的超密集網(wǎng)絡資源分配方法在測試過程中的資源消耗比例波動較大,且上升幅度大,表明以上兩種方法在資源分配過程中容易出現(xiàn)資源丟失的現(xiàn)象,分配性能差。

采用上述方法對同一個超密集網(wǎng)絡展開資源分配測試,對比不同方法的頻譜效率。數(shù)字通信網(wǎng)絡的鏈路頻譜效率為凈比特率(有用信息速率,不包括糾錯碼)與通信信道或數(shù)據(jù)鏈路的帶寬的比值。頻譜效率越高,表明資源分配效果越好,不同方法的測試結果如圖4所示。

圖4 不同方法的頻譜效率

分析圖4可知,與其它兩種方法相比,所提方法具有較高的頻譜效率,表明所提方法的網(wǎng)絡資源分配效果好。這是因為所提方法構建了超密集網(wǎng)絡模型,對資源在網(wǎng)絡中的分布特性和傳輸特性展開分析,根據(jù)分析結果構建超密集網(wǎng)絡資源分配目標函數(shù),具有良好的資源分配效果。

5 結束語

在移動數(shù)據(jù)流量和無線業(yè)務需求不斷增長的背景下,研究網(wǎng)絡資源分配方法可以提高網(wǎng)絡容量和網(wǎng)絡覆蓋率。目前針對超密集網(wǎng)絡的資源分配方法存在數(shù)據(jù)分析精度低、資源傳輸成功率低、資源消耗比例高和頻譜效率低的問題,提出基于蟻群算法優(yōu)化的超密集網(wǎng)絡資源分配方法,該方法在超密集網(wǎng)絡模型的基礎上采用蟻群算法實現(xiàn)資源分配,具有較高的數(shù)據(jù)分析精度、資源傳輸成功率和頻譜效率,降低了資源消耗比例,為超密集網(wǎng)絡的應用和發(fā)展奠定了基礎。