1、收稿日期:2022-04-19 第 40 卷 第 4 期计 算 机 仿 真2023 年 4 月 文章编号:1006-9348(2023)04-0377-05改进蚁群算法的超密集网络资源分配方法仿真李金磊1,翟海亭2(1.商丘工学院,河南 商丘 476000;2.海军航空大学航空基础学院,山东 青岛 264000)摘要:为实现高频段网络的高流量密度、高峰值速率性能,超密集组网是当前高速网络的关键部署架构。由于其小区域密集化特点,多元化资源的分配成为保持网络效率的关键性问题。提出基于蚁群算法优化的超密集网络资源分配方法。构建超密集网络基站资源发送和接收模型,以此为依据分析资源在超密集网络中的分布特
2、性和传输特点;建立超密集网络资源分配目标函数,采用蚁群算法求解目标函数,完成超密集网络资源的最优分配。实验验证了上述方法获得 CDF 曲线与实际CDF 曲线相符,资源传输成功率始终处于 0.8 以上,且在测试过程中始终将资源消耗比例控制在 0.02 以内,具有较高的频谱效率,以上实验测试结果均证明了所提方法的网络资源分配效果更好。关键词:蚁群算法;超密集网络;节点分簇;网络资源分配;资源分配目标函数中图分类号:TP18 文献标识码:BSimulation of Super Dense Network Resource Allocation MethodBased on Improved Ant
3、 Colony AlgorithmLI Jin-lei1,ZHAI Hai-ting2(1.Shangqiu Institute of Technology,Shangqiu Henan 476000,China;2.Aviation Basic College,Naval Aviation University,Qingdao Shandong 264000,China)ABSTRACT:In order to achieve high traffic density and high peak rate of high-frequency networks,hyperdensenetwor
4、king becomes the key architecture of high-speed networks.In this paper,a resource allocation method for hy-perdense networks was proposed based on Ant Colony Algorithm(ACA).Firstly,a model of resource sending and re-ceiving in hyperdense network base station was built.On this basis,the distribution
5、and transmission characteristicsof resources in hyperdense network were analyzed.Then,objective functions of resource allocation in hyperdense net-work were established.Moreover,the ant colony algorithm was used to solve these functions,and thus to complete theoptimal allocation of resources in hype
6、rdense network.Experiment results prove that the CDF curve obtained by theproposed method is consistent with the actual curve,and the success rate of resource transmission is always above0.8.In addition,the resource consumption ratio is always controlled within 0.02 during the test,with high spectra
7、lefficiency.Therefore,the proposed method has better effect on network resource allocation.KEYWORDS:Ant colony algorithm;Hyperdense network;Node cluster;Network resource allocation;Target func-tion of resource allocation1 引言在网络业务类型增多以及移动互联网技术进步的背景下,移动数据流量不断增大。为了进一步满足用户需求,超密集网络得到广泛应用,该网络可以缩短终端用户与基站在网
8、络中传输数据的距离,其主要原理是通过部署网络中的基站,提高网络空间流量1。小区间干扰是超密集网络中易出现的问题,在小区间干扰下网络吞吐量极易受到影响,使小区边缘用户无法获取良好的体验性能2。因此,通过合理分配超密集网络中存在的资源可有效解决小区间干扰问题。针对超密集网络的资源分配问题,王雪3等人结合功率分配方案和资源分配方案用确定性寻优约束问题代替超密集网络资源分配问题,将 K-means 算法引入谱聚类用户分组算法中,获得频率分配方案,该方法无法准确分析资源在超773密集网络中的分布特点,存在数据分析精度低的问题。陈发堂4等人首先计算了超密集网络的最小边缘开销和最小本地开销,用功率分配问题和
9、信道分配问题代替超密集网络资源分配问题,将拉格朗日函数引入资源分配模型中,结合Frank-Wolfe 方法和内点惩函数法求解模型,实现资源分配,该方法存在资源传输成功率低的问题。程万里5等人利用K-means 聚类算法划分网络资源基站,将超密集网络吞吐量最大化作为目标,设计超密集网络资源分配方案,通过贪婪算法分配不同聚类中的视频资源块,针对网络中剩余的资源块,利用资源补偿算法完成分配,该方法存在资源消耗比例高、频谱效率低的问题,表明在资源分配过程中容易出现资源丢失问题,资源分配结果仍达不到理想效果。超密集组网能够通过超大规模低功率节点改善网络覆盖率,提高网络容量,在现阶段已经得到了广泛应用。为
10、了解决其资源均衡性问题,提出基于蚁群算法优化的超密集网络资源分配方法。2 超密集网络模型2.1 网络基站资源发送模型在一个时隙内,超密集网络基站通常只服务一个超密集网络用户,通过正交时隙对接入的多个用户服务6。当超密集网络基站中没有用户接入时,一般属于静默状态。用 z(j)k表示第 j 帧内用户 k 接入的基站,其表达式如下z(j)k=argmaxi1,2,G(j)k,i(1)式中,j=1,2,Mk,(j)k,i代表基站 i 与用户 k 在第 j 个帧内对应的平均信道增益。为了满足资源在网络中的传输需求,需要协调超密集网络中的小区间干扰,上述操作通过分配时隙资源完成7,8。用参数 x(j,k)
11、k表示是否为用户 k 分配第 j 帧中的第 t 个时隙,其表达式如下:x(j,t)k=1给用户 k 分配该时隙0其他(2)如果某个时隙内,超密集网络基站将资源分配给接入的用户,则可通过固定发射功率 A 服务用户,如果某个时隙内,基站没有将资源分配给接入的用户,则超密集网络基站此时处于静默状态。通过上述分析获得基站 i 在第 j 帧中的第 t 个时隙对应的发送成功率 A(j,t)k,其计算公式如下A(j,t)k=PkK(j)ix(j,t)k 10其他(3)式中,K(j)i代表基站 i 在第 j 帧中接入的用户构成的集合。2.2 网络基站资源接收模型假定超密集网络基站 g=z(j)k在第 j 帧中
12、将第 t 个时隙分配给接入的用户 k 可表示为 x(j,t)k=1,此时用户 k 在网络中接收的资源 y(j,t)k为y(j,t)k=A(l(j,t)k,g)Te(j,t)g+d(j,t)g+Hi=1,igA(j,t)i(l(j,t)k,g)Te(j,t)i+d(j,t)i+m(j,t)k(4)式中,l(j,t)k,g代表基站 g 在第 j 帧的第 t 个时隙内到达网络用户k 所用的信道对应的向量;d(j,t)g代表基站 g 在网络中发射的资源;e(j,t)g代表基站 g 对应的预编码向量。分析上式可知,当 x(j,t)k的值为 1 时,获得第 j 帧的第 t 个时隙内用户对应的瞬时信噪比(j
13、,t)k(j,t)k=Al(j,t)k,g2Hi=1,igA(j,t)i(l(j,t)k,g)Te(j,t)i2+2n(5)式中,2n代表噪声方差。则超密集网络基站资源接收模型 T(j,t)k为T(j,t)k=Elog2(1+(j,t)k)(6)式中,E 代表带宽。3 超密集网络资源分配3.1 资源分配目标函数建立若子信道数量低于簇内基站数量时,子信道在簇内无法实现正交。为了确保子信道数量多于簇内超密集网络基站的数量,在损耗图的基础上对网络展开分簇处理,具体步骤如下:1)根据参考资源,基站在网络中测量路径损耗,当两个基站之间的路径损耗小于路径损耗门限 U 时,表明两个基站之间存在干扰9,10,
14、相反,表明两个超密集网络基站之间不存在干扰;2)在基站路径损耗信息的基础上建立损耗图,基站即为图中的节点,如果两个基站之间的路径损耗低于门限 U 时,表明以上两个基站的节点之间存在边,相反,则不存在边;3)在损耗图中存在最短的边,如果存在多条长度较短的边,簇头即为最大度对应的节点,将选取的节点存入簇W 中;4)计算未划分基站与簇 W 之间的距离,选取距离最小的基站存入簇 W 中;5)重复上述步骤;6)删除损耗图中簇 W 内存在的基站对应的节点,并删除与之相关联的边,更新损耗图;7)重复上述步骤,完成节点分簇。根据信噪比11将子信道分配给簇中存在的用户:1)设置子信道集合=v1,v2,vM,该集
15、合中存在 M个子信道,在簇 Wk中对基站编号 vk1,vk2,vkKk,其中 Kk代表簇 Wk中基站的数量12,13;2)计算所有用户在簇 W 的不同子信道中对应的信噪比(j,t)k,令i1,m1=arg maxq(j,t)k,为簇 W 中存在的第 i1个基站分配子信道 vm1;3)重复上述步骤,直到簇 W 中子信道分配完毕;873根据上述分析,构建如下超密集网络资源分配目标函数F 为F=arg maxKk=1Kkf=1Mm=1E(1+(j,t)k)A(j,t)k-T(j,t)k(7)3.2 目标函数求解采用蚁群算法14,15求解上述目标函数 F,完成超密集网络资源的分配。用 u,v表示网络资
16、源 u 和资源 v 之间存在的信息素,信息素的更新分为两个阶段,第一个阶段为局部更新,第二个阶段为全局更新,当每只蚂蚁在寻优过程中获得一个资源分配目标函数的可行解时,通过下式更新该可行解中相邻节点的信息素u,v(t)=1u,v(t)+(1-1)0(8)式中,1代表信息素在局部更新阶段中的发挥程度;0代表初始的信息素浓度。局部更新的主要目的是避免算法陷入局部搜索,通过减少节点之间存在的信息素浓度,提高蚂蚁在后续寻优过程中的选择多样性。当全部蚂蚁在种群中都获得可行解时,构建解空间,获得该空间中的最优解,通过下式对信息素展开全局更新:u,v(t+1)=gu,v(t)+(1-g)u,v(t)(9)式中,g代表信息素在全局更新阶段中的挥发程度;u,v(t)代表更新率,其计算公式如下u,v(t)=11+g1+11+g2(10)式中,g1、g2均代表超密集网络资源分配目标函数中当前解空间中的最优可行解对应的值。假设在获取超密集网络资源分配目标函数可行解的过程中,蚂蚁已经获取序列中存在的最后一个网络资源 u,则在网络资源集合 slist中根据下述转移规则选取下一个待分配的网络资源 vu=arg max