0 引言

    大量低功率基站(Low Power Nodes,，LPNs)同頻部署的致密化和隨機化，使得LPNs之間的同層干擾以及LPNs與宏基站(Macro Base Station,，MBS)之間的跨層干擾問題變得更加復(fù)雜^[1],。而且，網(wǎng)絡(luò)能耗也在不斷增加,。因此,，如何減輕異構(gòu)網(wǎng)絡(luò)中的干擾的同時降低網(wǎng)絡(luò)能耗已經(jīng)成為當(dāng)前的研究熱點問題,。

    現(xiàn)有的LPNs休眠策略重點研究提高系統(tǒng)能效的同時保證業(yè)務(wù)的QoS問題^[2]。文獻[3]研究了一種聯(lián)合考慮基站休眠策略以及優(yōu)化子信道和功率分配方案,，文獻[4]和文獻[5]提出了一種干擾管理的新思路,，研究利用休眠機制有效減輕異構(gòu)網(wǎng)絡(luò)中的干擾。文獻[6]通過基站休眠策略進行干擾管理和資源管理,。綜上，基站休眠和資源優(yōu)化分配是提升異構(gòu)網(wǎng)絡(luò)能效以及減輕干擾的有效方法,。

    本文在此基礎(chǔ)上,，提出了異構(gòu)網(wǎng)絡(luò)LPNs密集部署場景下基于休眠策略的多目標優(yōu)化資源聯(lián)合分配方案(Multi-Objective Optimization for Resource Allocation Based on Sleep Strategy，SS+MOO-RA),，該方案旨在減小LPNs與MBS之間的跨層干擾,，并在考慮相鄰LPNs之間的同層干擾的條件下，提升LPNs系統(tǒng)的能效,。同時,，與不考慮LPNs休眠策略的多目標優(yōu)化資源聯(lián)合分配方案(Multi-Objective Optimization for Resource Allocation，MOO-RA)^[7]作對比,，仿真結(jié)果表明,，本文的SS+MOO-RA方案在降低LPNs的能量消耗速率以及跨層干擾方面的性能都有所提升。

1 系統(tǒng)模型

    如圖1所示,，本文考慮LPNs密集部署在宏蜂窩中的兩層異構(gòu)網(wǎng)絡(luò)場景,。該網(wǎng)絡(luò)場景包含一個MBS和K個LPNs，它們共享同一段頻譜資源,，帶寬為B,，子信道數(shù)為N。假設(shè)LPNs采用閉合接入模式,，宏用戶(Macro Users,，MUEs)個數(shù)為W且隨機分布，每個LPNs中的用戶(Small Users,，SUEs)個數(shù)為F_k,，k∈{1，2,，…,，K}且隨機分布。

2 基于休眠策略的多目標優(yōu)化資源聯(lián)合分配方案

2.1 優(yōu)化目標

2.1.1 最小化LPNs對MUEs的跨層干擾

2.1.2 最小化LPNs的能量消耗速率

2.3 多目標優(yōu)化模型求解

    本文采用改進非支配排序遺傳算法(Nondominated Sorting Genetic Algorithm version II,，NSGA-II)求解Pareto最優(yōu)解集,。以任意LPNs(k)的休眠變量q_k、SUEs(f)的子信道分配變量a_k,，f,，n以及功率分配變量p_k,，f，n構(gòu)成混合基因,，將所有混合基因構(gòu)成的矩陣H=[q_k,；a_k，f,，n,；p_k，f,，n]作為個體,，多個不同個體作為種群。具體求解步驟如下：

    (1)隨機產(chǎn)生規(guī)模大小為I的初始種群H(g),，令g=0,，有：

2.4 最優(yōu)解的選擇

    本文采用TOPSIS的方法實現(xiàn)對MUEs受到的跨層干擾和LPNs的能量消耗速率的有效折中，并且通過計算式(14)確定Pareto解集中各個基站休眠策略和資源分配方案的最優(yōu)解,。

其中：

式中,，f_ij表示Pareto解集中第j個解的第i個目標函數(shù)值。根據(jù)TOPSIS求解F_j,，F(xiàn)_j越小,，說明對應(yīng)的聯(lián)合基站休眠和資源分配方案越接近于最優(yōu)方案，反之,，則遠離最優(yōu)方案,。因此，式(14)能夠得到目標函數(shù)f₁與f₂的有效折中解,。

3 仿真實驗與結(jié)果分析

3.1 仿真參數(shù)設(shè)置

    仿真實驗環(huán)境是在一個半徑為500 m的圓形區(qū)域內(nèi),，MBS位于圓心處，K(K=10,，20,，30)個半徑為50 m的LPNs隨機分布在圓內(nèi)。W(W=10)個MUEs隨機分布在圓內(nèi),，個SUEs隨機分布在各自的LPNs覆蓋范圍中,。本文的信道衰落特性包含大尺度衰落(路徑損耗)和小尺度衰落(頻率選擇特性)。其中,，大尺度衰落采用自由空間傳播模型d^-α,，d為基站與用戶之間的距離，α為衰落因子,，小尺度衰落服從瑞利分布,。具體的仿真參數(shù)如表1所示。

3.2 仿真結(jié)果及分析

    智能優(yōu)化算法的參數(shù)^[8]分別設(shè)置為：種群規(guī)模I=150,，最大迭代次數(shù)gen=100,，交叉概率p_c=0.9,，變異概率p_m=0.03，交叉算子m_uc=20,，變異算子m_um=20,。

    圖2驗證了在干擾門限以及SUEs的最小速率需求R_f=0.1 Mb/s的情況下，NSGA-II的收斂性情況,。由圖1可以看出,，利用NSGA-II求解MUEs受到的跨層干擾和LPNs的能量消耗速率時，迭代50次左右都能收斂到最優(yōu)解,。

    圖3和圖4驗證了在SUEs的速率需求R_f=0.1 Mb/s的情況下,，干擾門限的變化對MUEs受到的跨層干擾和LPNs的能量消耗速率的影響。由圖3可以看出,，隨著干擾門限的增加，MUEs所能承受的跨層干擾增大,。因此,，LPNs與MUEs之間的跨層干擾呈增長趨勢。另外,，隨著LPNs的密集部署,， MUEs受到的跨層干擾也呈增長趨勢，這是由于多用戶分集效應(yīng)的影響,。但是,，所提方案SS+MOO-RA中MUEs受到的跨層干擾明顯小于已有方案MOO-RA。另外由圖4可以看出,，隨著干擾門限的增加,，LPNs的能量消耗速率呈逐漸下降趨勢。這是由于干擾門限越大,，MUEs所能承受的跨層干擾越大,，因此，LPNs系統(tǒng)的頻譜效益越大,，根據(jù)式(10),，LPNs系統(tǒng)的能量消耗速率減小。然而隨著LPNs的密集部署,，LPNs系統(tǒng)的能量消耗速率呈增長趨勢,，這是由于LPNs部署越密集，LPNs之間產(chǎn)生的同層干擾以及MBS對其產(chǎn)生的跨層干擾越嚴重,，根據(jù)式(5),，LPNs系統(tǒng)的頻譜效益降低，從而,，LPNs系統(tǒng)的能量消耗速率增加,。與已有方案MOO-RA相比,，所提方案SS+MOO-RA中LPNs系統(tǒng)的能量消耗速率整體較低，從而驗證了本文方案的優(yōu)越性,。

    圖5和圖6驗證了在干擾門限的情況下,，SUEs的速率需求R_f的變化對MUEs受到的跨層干擾和LPNs的能量消耗速率的影響。由圖5可以看出,，隨著SUEs的速率需求的增加,，頻譜資源的共享幾率增加。因此,，兩種方案中MUEs受到的跨層干擾呈增長趨勢,，但所提方案SS+MOO-RA中MUEs受到的跨層干擾明顯小于已有方案MOO-RA。由圖6可以看出,，隨著SUEs的速率需求的增加,，LPNs的能量消耗速率也逐漸增加，這是由于SUEs的速率需求越大,，在頻譜資源有限的情況下,，傳輸功率增加。與已有方案MOO-RA相比,，所提方案SS+MOO-RA得到的LPNs的能量消耗速率較低,，從而進一步表明所提方案的有效性。

4 結(jié)論

    本文利用NSGA-II算法解決了異構(gòu)網(wǎng)絡(luò)中密集部署LPNs時,，頻譜共享方式下基于基站休眠策略的資源聯(lián)合分配問題,，綜合考慮了LPNs與MUEs的跨層干擾和LPNs的能量消耗速率兩個主要目標，并與現(xiàn)有的方案進行了性能比較,。仿真結(jié)果表明,，該NSGA-II適用于解決資源聯(lián)合分配問題，并且在跨層干擾減輕和LPNs的能量消耗速率降低兩個方面均能取得了較好的結(jié)果,。

參考文獻

[1] 李君,，王浩，王秀敏,，等.超密集異構(gòu)網(wǎng)絡(luò)中基于分簇的休眠優(yōu)化策略[J].東南大學(xué)學(xué)報(自然科學(xué)版),，2017，47(5)：845-849.

[2] 沈海強,，尹生華,，伍映吉，等.密集場景基站協(xié)作休眠能效優(yōu)化策略[J].電子技術(shù)應(yīng)用,，2017,，43(10)：111-115.

[3] ALSHAROA A，GHAZZAI H,，YAACOUB E,，et al.On the dual-decomposition-based resource and power allocation with sleeping strategy for heterogeneous networks[C].Vehicular Technology Conference.IEEE,，2015：1-5.

[4] ALI S，ISMAIL M,，NORDIN R.Femtocell sleep mode activation based interference mitigation in two-tier networks[J].Procedia Technology,，2013，11(1)：1088-1095.

[5] EBRAHIM A,，ALSUSA E.Interference minimization through sleep mode based resource allocation for future femtocell networks[C].IEEE International Conference on Communications.IEEE,，2015：1679-1684.

[6] EBRAHIM A，ALSUSA E.Interference and resource management through sleep mode selection in heterogeneous networks[J].IEEE Transactions on Communications,，2017,，65(1)：257-269.

[7] RUNZE W U，ZHU J,，TANG L,，et al.A spectrum-sharing approach in heterogeneous networks based on multi-objective optimization[J].IEICE Transactions on Communications，2017(7)：1145-1151.

[8] SHARMA N,，BADHEKA D,，ANPALAGAN A.Multiobjective subchannel and power allocation in interference-limited two-tier OFDMA femtocell networks[J].IEEE Systems Journal，2016,，10(2)：544-555.

作者信息:

朱佳佳，吳潤澤,，唐良瑞

（華北電力大學(xué) 電氣與電子工程學(xué)院,，北京102206）