吉晓香， 刘 清

(南京师范大学 a. 泰州学院； b. 计算机科学与技术学院, 南京 225300)

0 引 言

随着互联网技术和移动通信技术的快速发展和壮大，网络用户数量呈指数级增长，由于网络速率和业务量增加的需要，网络资源的合理分配成为当前研究的热点问题。5G通信对网络速率有了更高要求，随着网络速率的增加，网络能耗也不断增加，这给5G通信的应用带了很大挑战，因此降低网络能耗，提高网络整体效率，越来越受到关注。为满足业务多样化需求和网络高速率要求，移动通信网络环境由单网络向多网络方向发展，新一代异构Macro/Femtocell网络不但提高了移动网络的覆盖面积，同时提高了用户质量，具有能耗低、环保和安装成本较低的优点，因此得到广泛应用[1]。然而，由于Macro/Femtocell异构网络之间共享频谱，使得网络间存在层间干扰或跨层间干扰，导致资源的严重浪费和网络能耗的增加，影响Macro/Femtocell网络的稳定性和信号传输性能[2]。为合理分配网络资源，对Macro/Femtocell异构网络进行能耗优化具有重要的理论价值和实际意义。

萤火虫算法(Firefly Algorithm，FA)[3]是借助于萤火虫自身的趋光性，通过萤火虫之间的吸引和移动实现萤火虫位置的更新，将寻优问题变换成为寻找萤火虫群体中亮度最大的萤火虫的问题。本文针对FA算法存在局部最优和“早熟”问题，将云模型引入FA算法，提出一种云模型萤火虫算法优化Macro/Femtocell异构网络能效方法，优化载波分配达到异构网络能效优化的目的。通过研究不同载波数、不同用户数量和网络能耗之间的关系，研究结果表明，与FA、PSO和GA相比较，CFA算法获取的传输速率更大，因此系统能效更高。

1 萤火虫算法

萤火虫i向亮度更强的萤火虫j移动更新规则如下[4]：

Xi=Xi+β(r)(Xj-Xi)+αεi

(1)

2 Macro/Femtocell模型

典型的Macro/Femtocell异构网络模型如图1所示[5]，一个大的Macro基站(MBS)，下边带m个用户(MUE)，大基站周边i个Femtocell小基站(FBS)，每个小基站带k个用户(FUE)。

图1 异构网络模型

Macro基站用户m用子载波n传输信息时信噪比为：

(2)

Femtocell基站用户k用子载波n传输信息时信噪比为：

(3)

Macro基站所有用户的传输速率：

(4)

Femtocell基站所有用户传输速率：

(5)

Macro基站所有用户功率消耗：

(6)

Femtocell基站所有用户功率消耗：

(7)

式中：PCM,PCF分别代表Macro及Femtocell的电路损耗。在满足用户QOS 需求和功率约束条件下，研究系统网络能效的最优化，因此数学模型如下：

(8)

式中：C表示子载波分配系数。当C=1时，分配子载波给用户；C=0，不分配子载波给用户。

3 基于CFA的Macro/Femtocell异构网络能效优化

3.1 云模型(Cloud Model)

若一定性概念W处于定量论域U上，x∈U且x为W在U上的随机实现，则能够用μ(x)表征x对W的确定度，代表稳定倾向的随机数，且μ(x)∈[01]。若μ:U→[01]∀x∈Ux→μ(x)，则在U上的分布x称为云，x中的每一个组成元素称为云滴[6]。通常采用期望Ex、熵En和超熵He表征云模型[7]，即C(Ex,En,He)。若x满足：x∈N(Ex,En′2)，其中En′∈N(En,He2)，并且x对W的确定度μ(x)满足：

(9)

则x在U上的分布叫做正态云。云模型的云滴图如图2所示。

图2 云滴图

3.2 云萤火虫算法

式中，k1、k2表示控制参数。由于

则CR∈[0.2,0.9]。

Xi=CRXi+β(r)(Xj-Xi)+αεi

(15)

式中，CR∈[0,1]。

3.3 算法流程

本文运用CFA算法优化Macro/Femtocell异构网络能效，通过优化载波分配达到异构网络能效优化的目的。假设功率已经合理分配，有n个萤火虫个体在D维空间上，每个萤火虫个体代表一个解(即代表一个子载波分配方案)，一个萤火虫个体对应子载波分配方案如图3所示。

图3 载波分配方案

Macro/Femtocell之间共享频谱，Femto/Femto之间不共享频谱，所以每个萤火虫个体代表一个子载波分配方案主要包括两个部分:① MBS用户载波分配情况，② MBSs用户载波分配情况，即①表示MBS基站中MUE分配，② 表示FBSs中FUE分配，i/k表示第i个FBS基站第k个FUE。以整体网络能效EE最大化为目标函数，寻找最优分配方案。

基于CFA优化Macro/Femtocell异构网络能效的算法流程可归纳总结为：

Step1设定CFA算法参数。萤火虫数量N、最大迭代次数T、初始吸引度β0和步长因子α。

Step2计算萤火虫个体的亮度并排序。计算每个萤火虫个体的适应度并排序，计算亮度最大的萤火虫的空间位置。

Step3判断算法终止条件。如果当前迭代次数t>T，则转到Step 4；反之，转到Step 5。

Step4输出最优解。将亮度最大的萤火虫位置作为Macro/Femtocell异构网络的最优分配方案。

Step5更新萤火虫的空间位置。运用式(15)更新萤火虫的空间位置。

基于CFA优化Macro/Femtocell异构网络能效的流程图如图4所示。

图4 基于CFA优化Macro/Femtocell异构网络能效流程图

4 仿真实验

FA算法参数设置如下：萤火虫数量N=50,初始吸引度β0=1,步长因子α=0.5和最大迭代次数T=100。PSO算法参数设置如下：种群大小popsize=50，最大迭代次数T=100，学习因子c1=c2=0.2。GA算法参数设置如下：种群大小popsize=50，最大迭代次数T=100，交叉概率Pc=0.7和变异概率Pm=0.1。

各算法独立运行1次，运算结果取平均值，对比结果如表1和图5所示。由表1和图5可知，与FA、PSO和GA相比，CFA具有更强的寻优能力和寻优精度。

表1 实验结果 (Mb·s-1)·W-1

图5 网络能效对比图

选择网络用户数量为30，载波数由64增加到256，不同算法的网络能效对比结果如6所示。

由图6可知，几种算法的网络能效均随子载波数量的增加而降低；当Macro/Femtocell异构网络的子载波数量较少时，载波之间的相互干扰较少，因此网络能效较高；反之，随着Macro/Femtocell异构网络的子载波数量的增加，载波之间的干扰增加，此时网络能量是降低的。与FA、PSO和GA算法的网络能效对比可知，不同载波数量下，CFA算法的网络能效最高，效果最好。

图6 不同载波数量的网络能效对比图

由图7可知，几种算法的网络能效均随用户数量的增加而降低，用户数量较少时，可以利用的信道资源较为丰富，因此网络能效较高；反之，随着用户数量的增加，可以利用的信道资源紧缺，干扰大，此时网络能量是降低的。通过对比可知，不同用户数量下，CFA算法的网络能效最高，优于FA、PSO和GA算法的网络能效。

图7 不同用户数量的网络能效对比图

由图8传输速率对比图可知，与FA、PSO和GA相比较，CFA算法获取的传输速率更大，因此系统能效更高。

图8 传输速率对比图

5 结 语

针对FA算法存在局部最优和早熟问题，将云模型和萤火虫算法结合起来，提出一种云模型萤火虫算法优化Macro/Femtocell异构网络能效方法。以网络能效最大化为目标，在满足Macro/Femtocell异构网络用户服务质量前提下，运用云模型萤火虫算法进行子载波分配优化研究。通过研究不同载波数、不同用户数量和网络能耗之间的关系，研究结果表明，与FA、PSO和GA相比较，CFA算法获取的传输速率更大，因此系统能效更高。