孙明，蔚丽杰，黄钰景

基于人工蜂群算法的多小区资源分配算法

孙明，蔚丽杰，黄钰景

（齐齐哈尔大学 计算机与控制工程学院，黑龙江 齐齐哈尔 161006）

为了提高多小区蜂窝网络的能量效率和传输速率，提出了一种带系统容量约束条件的多小区蜂窝网络资源分配算法．首先给每个小区设定固定的系统容量值，然后根据信道增益产生信道分配方案，并且依次产生功率分配方案．将信道分配结果和功率分配结果相结合产生蜂群算法的食物源，然后对该食物源进行初始化，最大化提升传输速率的同时也提升能量效率．仿真结果表明，所提出的方法可获得优于其他算法的传输速率和能量效率．

信道分配；功率分配；多小区蜂窝网；蜂群算法

随着信息技术的迅猛发展，无线通信网络对世界带来了重大变革，频谱资源成为了稀缺资源．利用网络学习交流和娱乐冲浪成为人类获取知识传递信息的重要途经，给用户带来了良好体验，同时对无线网络的需求也迅猛提升．因此，如何提高频谱资源的利用率，是当前研究的重要问题．

在小区间蜂窝网资源分配上，目前的主要分配方法有遗传算法、拍卖论、拉格朗日松弛法、博弈论、图论和迭代优化法、深度强化学习等方法和理论[1-14]．廖晓闽[3]等提出了基于深度强化学习的蜂窝网资源分配算法，该算法第1部分是前向传输过程，构建深度神经网络，优化传输速率；第2部分是反向训练的过程，利用Q-learning算法构建误差函数，训练深度神经网络的权值．该算法通过设置惩罚因子，可以根据需要选择资源分配的偏重程度，提高了算法的收敛速度，优化了能量效率；但是，惩罚因子的选取具有不确定性，需要进行大量的仿真实验才能得到，不恰当的惩罚因子容易降低网络的性能．Huang[4]等将博弈理论应用于多小区间D2D（device-to-device）通信资源分配，将D2D链路放置于2个相邻小区的重叠区域，提出了一种基于网络的资源分配算法和协议纳什均衡的推导，增强了传输速率，显著地提高了全局性能．但是，该方案的前提是每个基站都愿意将自己的私有通信参数完全展示给其他小区基站完成D2D的配对，在现实应用中基站间掌握的通信数据不完整，从而达不到预期的效果．Wang[5]等提出了一种安全的提价频谱分配拍卖方案，该方案不仅保护隐私，而且尊重基本的拍卖属性和频谱属性．利用同态加密和安全算法比较协议来解决传统上升拍卖中泄露竞标者私人估值和需求曲线的问题，优化了频谱利用率，提高了频谱拍卖制的安全性能．但是该分配方案过于追求其安全性能较少考虑频谱拍卖过程中的经济问题，提升了频谱分配的成本，可能会抑制潜在投标人的热情．Yang[6]等将D2D通信应用于全双工蜂窝网络中，研究了资源块（RB）和传输功率的联合分配问题，利用图论对研究目标建模．该方案降低了基站间干扰，提高了资源分配效率和频谱利用率．但是，该分配方案具有较大的复杂度，而且所使用的频分双工（FDD）在收发信道时必须进行频谱分离，形成“安全频段”造成频谱资源的浪费，增加使用成本．Takshi[7]等采用遗传算法对设备间（D2D）通信技术进行频谱资源和功率联合分配，通过对各个不同区间的同时搜索，摆脱了局部极值的限制，提高了收敛速度，在频谱效率和干扰抑制方面具有优越性能．该方法可以将有限的资源块提供给较多的用户，同时通信用户拥有最低的信噪比．除此之外，研究者还研究了与公平度相关的子载波分配方法[15-17]．

与以上几种分配方法中的复杂度高、成本高、计算成本高相比，人工蜂群算法作为群智能算法中的一员，具有需控参数少、计算简便、无需先验信息，可以自适应、自组织、自学习等优点，操作简单并具有较优的全局收敛性，是群智能算法中备受关注的算法之一．近年来人工蜂群算法已经广泛应用于路径规划、车间调度、图像处理以及各种军事医疗等不同研究领域．尽管传统人工蜂群算法的优化能力很强，但其也具有容易陷入局部最优、收敛速度慢等缺点．

本文针对人工蜂群算法易陷入局部最优、收敛速度慢等缺点，提出了一种带有容量约束的人工蜂群算法的多小区资源分配方案．该方案模拟蜜蜂采蜜过程将采蜜群体分为引领蜂、跟随蜂和侦查蜂三类蜜蜂，进行邻域搜索寻找最优信道分配方案．首先取到固定的容量值，然后将功率分配和信道分配相结合产生初始食物源，分配过程中信道既满足功率约束条件又保证得到最优传输速率，此方案提高了信道分配的能量效率，降低了算法的复杂度．

1 系统模型

系统总体的能量效率可表示为

为了优化多小区系统能效，本文不仅考虑了每个信道所需的最低功率约束和小区内总的传输功率约束，而且还考虑到各个用户的平均容量约束．因此，将资源分配问题建模

2 算法设计

本文提出的问题是非线性约束的组合优化问题，除了考虑传输功率外，还综合考虑传输速率，因此解决的资源分配问题是难以求得最优解的NP-hard问题．为此，提出了基于人工蜂群算法的资源分配方法．

人工蜂群算法是一种模仿蜜蜂寻找与采集蜜源的元启发算法，其中蜜源的位置对应于优化问题解的位置，而蜜蜂寻找与采集蜜源的过程对应于优化问题的求解过程．将人工蜂群算法用于子载波分配时，首先根据信道增益产生信道分配方案，然后依次产生功率分配方案，将信道分配结果和功率分配结果相结合产生蜂群算法的食物源，对该食物源进行初始化．蜜源维度的大小由子载波的数量决定，然而，规模较大的子载波分配无疑将增加人工蜂群算法优化的难度，进而极易降低优化解的质量．

本文提出的保障公平度阈值的人工蜂群资源分配算法包括蜜源种群初始化、蜜源的适应度计算、雇佣蜂阶段、跟随蜂阶段、最优蜜源存储、侦察蜂阶段等部分．

3 蜂群算法

3.1 初始化参数的设置

3.2 蜜源种群初始化

图2 食物源模型

3.3 引领蜂搜索优质蜜源

3.4 蜜源适应度计算

3.5 跟随蜂搜索蜜源

3.6 最优蜜源存储

在侦察蜂阶段前，从蜜源种群中找出适应度最大的蜜源个体，并将该蜜源保存为当前的最优解．

3.7 侦查蜂阶段

4 仿真实验

4.1 仿真参数

为了验证人工蜂群算法在多小区资源分配中的性能，使用了编程软件Python3.9.0进行仿真实验，多小区蜂窝网络仿真参数见表1．

表1 蜂窝网络仿真参数

4.2 仿真结果

图3 信道的传输速率和能量效率

图4 各种算法的能量效率和传输速率

图5 各个信道和迭代周期的关系

各个信道随时间变化的迭代周期见图5，本仿真实验对每个信道进行了2 000次迭代，为了清晰看出各个信道随迭代周期的时间变化趋势，图5取了前50次迭代．由图5可以看出，对于同一个信道随着迭代周期的增加所需要的时间越长，同时信道个数越多完成一次迭代所需的时间越长，可以得出迭代周期和时间呈现正相关．

将提出的人工蜂群算法与贪婪分配算法和随机分配算法的累计概率分布进行对比，各种算法在200次蒙特卡罗重复实验中加权线性等于0时的传输速率 和能量效率累计概率分布见图6．图6说明本文提出的人工蜂群算法能够以较高的概率获得优于其他算法的能量效率和传输速率．

图6 累计概率分布与传输速率和能量效率的关系

为了进一步与人工蜂群算法进行对比，分别对原始人工蜂群算法和带容量约束的人工蜂群算法的计算时延进行仿真（见图7），将这2种算法分别进行2 000次蒙特卡洛重复实验．

图7 原始的人工蜂群算法和带约束的人工蜂群算法的计算延迟

根据图7可以看出，原始人工蜂群算法的计算时延在0.55～0.85 s，而本文提出的算法计算时延在0.22～0.38 s，比原始人工蜂群算法快了2.5倍．因此，可以看出带约束的人工蜂群算法的计算时延较短，动态变化能力更强．这是由于带容量约束的人工蜂群算法提升了系统的传输速率，相较于原始人工蜂群算法更易跳出局部最优值，收敛速度更快，相应的计算能力更强．

由仿真实验可以看出，本文提出的带容量约束的人工蜂群算法能够最大化系统容量，同时也能够在一定程度上提升系统能量，缩短时间延时．

5 结语

为了提高多小区蜂窝网传输速率的同时提升能量效率，本文提出了一种带系统容量约束的蜂群算法，首先给每个小区设定固定的系统容量值，然后将信道分配和功率分配方案相结合对蜜源进行初始化，最大化提升传输速率的同时也提升能量效率．仿真结果表明，随着信道数的增加，适当的容量约束可以提升传输速率．同时，本文提出的算法能在较低计算时延的前提下获得优于其他算法的传输速率和能量效率．

[1] 孙明，曹伟，李大辉，等．保证公平的最大化OFDMA系统容量策略[J]．控制与决策，2020，35（5）：1175-1182．

[2] SUN M，LEE K，XU Y，et al．Hysteretic Noisy Chaotic Neural Networks for Resource Allocation in OFDMA System[J]．IEEE Transactions on Neural Networks and Learning Systems，2018，29（2）：273-285．

[3] 廖晓闽，严少虎，石嘉，等．基于深度强化学习的蜂窝网资源分配算法[J]．通信学报，2019，40（2）：11-18．

[4] HUANG J，YIN Y，ZHAO Y，et al．A game-theoretic resource allocation approach for intercell device-to-device communications in cellular networks[J]．IEEE Transactions on Emerging Topics in Computing，2016，4（4）：475-486．

[5] WANG J，CHOU S．Secure strategy proof ascending-price spectrum auction[C]//IEEE Symposium on Privacy-Aware Computing，2017：96-106．

[6] YANG T，ZHANG R，CHENG X，et al．Graph coloring based resource sharing scheme（GCRS）for D2D communications under laying full-duplex cellular networks[J]．IEEE Transactions on Vehicular Technology，2017，66（8）：7506-7517．

[7] TAKSHI H，DOGAN G，ARSLAN H．Joint optimization of device to device resource and power allocation based on genetic algorithm[J]．IEEE Access，2018，6：21173-21183．

[8] ENGELHARDT M，ASADI A．The first experimental SDR platform for inband D2D communications in 5G [C]//Processing of 25thInternational Conference on Network Protocols．Austin：IEEE，2017：101-107．

[9] Sharma N，Anpalagan A．Bee colony optimization aided adaptive resource allocation in OFDMA systems with proportional rate constraints[J]．Wireless Networks，2014，20（7）：1699-1713．

[10] Swapna P S，Pillai S S．Low Complexity Resource Allocation Techniques for Symmetrical Services in OFDMA Systems[J]．Wireless Personal Communications，2020，116（4）：3217-3234．

[11] 付锦华， 黄晓燕， 吴凡，等． 基于能效的多小区LTE系统资源分配算法[J]．计算机应用研究，2015，32（4）：1161-1166．

[12] 袁建国，张芳，王竟鑫，等．基于公平度和惩罚函数的OFDMA自适应资源分配[J]．系统工程与电子技术，2018，40（2）：427-435．

[13] 张春发，赵晓晖．基于公平度门限的多用户OFDM系统自适应资源分配算法[J]．通信学报，2011，32（12）：65-72．

[14] 周凡，王鸿，宋荣方．密集异构蜂窝网络中基于深度强化学习的下行链路功率分配算法[J]．南京邮电大学学报，2021，41（2）：17-25．

[15] 张世超，季仲梅，崔维嘉．基于比例公平的多用户MIMO-OFDM系统自适应资源分配算法[J]．计算机应用研究，2011，28（9）：3451-3454，3458．

[16] 朱继华，王竟鑫，申茜，等．OFDMA系统中一种改进的低复杂度自适应比特功率分配算法[J]．重庆邮电大学学报（自然科学版），2017，29（2）：202-207．

[17] 张美娟．移动蜂窝网络中D2D通信资源分配方法研究[D]．南京：南京邮电大学，2017．

Multi-cell resource allocation scheme based on artificial bee colony algorithm

SUN Ming，YU Lijie，HUANG Yujing

（School of Computer and Control Engineering，Qiqihar University，Qiqihar 161006，China）

In order to improve the energy efficiency and transmission rate of multi-cell cellular networks， a resource allocation algorithm with system capacity constraint for multi-cell cellular networks was proposed．Firstly，each cell is given a fixed system capacity value，and then channel allocation scheme is generated according to channel gain，and power allocation scheme is successively generated．The food source of the colony algorithm is generated by combining the channel allocation result and power allocation result，and then the food source is initialized，and the transmission rate is maximized while also the energy efficiency is improved．Simulation results show that the proposed method can achieve better transmission rate and energy efficiency than other algorithms while ensuring lower computational delay．

channel allocation；power distribution；multi-cell cellular networks；swarm algorithm

1007-9831（2023）09-0035-08

TP273

A

10.3969/j.issn.1007-9831.2023.09.009

2023-04-01

黑龙江省自然科学基金联合引导专项（LH2019F038）；黑龙江高校基本业务专项（145209123）；黑龙江省研究生课程思政高质量建设项目（HLJYJSZLTSGC-KCSZAL-2021-162）

孙明（1979-）, 男，山东烟台人，教授，博士，从事智能优化算法、深度学习研究．E-mail：snogisunming@163.com