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(jī)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(wèn)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(shí)降低網(wǎng)絡(luò)能耗已經(jīng)成為當(dāng)前的研究熱點(diǎn)問(wèn)題。

    現(xiàn)有的LPNs休眠策略重點(diǎn)研究提高系統(tǒng)能效的同時(shí)保證業(yè)務(wù)的QoS問(wèn)題^[2],。文獻(xiàn)[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(xiàn)[4]和文獻(xiàn)[5]提出了一種干擾管理的新思路，研究利用休眠機(jī)制有效減輕異構(gòu)網(wǎng)絡(luò)中的干擾,。文獻(xiàn)[6]通過(guò)基站休眠策略進(jìn)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(chǎng)景下基于休眠策略的多目標(biāo)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(shí)，與不考慮LPNs休眠策略的多目標(biāo)優(yōu)化資源聯(lián)合分配方案(Multi-Objective Optimization for Resource Allocation,，MOO-RA)^[7]作對(duì)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(chǎng)景。該網(wǎng)絡(luò)場(chǎng)景包含一個(gè)MBS和K個(gè)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(gè)數(shù)為W且隨機(jī)分布,，每個(gè)LPNs中的用戶(Small Users,，SUEs)個(gè)數(shù)為F_k，k∈{1,，2,，…，K}且隨機(jī)分布,。

2 基于休眠策略的多目標(biāo)優(yōu)化資源聯(lián)合分配方案

2.1 優(yōu)化目標(biāo)

2.1.1 最小化LPNs對(duì)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(biāo)優(yōu)化模型求解

    本文采用改進(jìn)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(gè)體，多個(gè)不同個(gè)體作為種群,。具體求解步驟如下：

    (1)隨機(jī)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(shí)現(xiàn)對(duì)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(guò)計(jì)算式(14)確定Pareto解集中各個(gè)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(gè)解的第i個(gè)目標(biāo)函數(shù)值,。根據(jù)TOPSIS求解F_j,，F(xiàn)_j越小，說(shuō)明對(duì)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(yuǎn)離最優(yōu)方案。因此,，式(14)能夠得到目標(biāo)函數(shù)f₁與f₂的有效折中解,。

3 仿真實(shí)驗(yàn)與結(jié)果分析

3.1 仿真參數(shù)設(shè)置

    仿真實(shí)驗(yàn)環(huán)境是在一個(gè)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(gè)半徑為50 m的LPNs隨機(jī)分布在圓內(nèi),。W(W=10)個(gè)MUEs隨機(jī)分布在圓內(nèi),，個(gè)SUEs隨機(jī)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(yàn)證了在干擾門(mén)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(shí),，迭代50次左右都能收斂到最優(yōu)解,。

    圖3和圖4驗(yàn)證了在SUEs的速率需求R_f=0.1 Mb/s的情況下，干擾門(mén)限的變化對(duì)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(mén)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(zhǎng)趨勢(shì)。另外,，隨著LPNs的密集部署， MUEs受到的跨層干擾也呈增長(zhǎng)趨勢(shì),，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(mén)限的增加，LPNs的能量消耗速率呈逐漸下降趨勢(shì),。這是由于干擾門(mén)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(zhǎng)趨勢(shì)，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(duì)其產(chǎn)生的跨層干擾越嚴(yán)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(yàn)證了本文方案的優(yōu)越性,。

    圖5和圖6驗(yàn)證了在干擾門(mén)限的情況下，SUEs的速率需求R_f的變化對(duì)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(zhǎng)趨勢(shì)，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(jìn)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(shí),，頻譜共享方式下基于基站休眠策略的資源聯(lián)合分配問(wèn)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(gè)主要目標(biāo),，并與現(xiàn)有的方案進(jìn)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(wèn)題,，并且在跨層干擾減輕和LPNs的能量消耗速率降低兩個(gè)方面均能取得了較好的結(jié)果,。

參考文獻(xiàn)

[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(bào)(自然科學(xué)版)，2017,，47(5)：845-849.

[2] 沈海強(qiáng),，尹生華，伍映吉，等.密集場(chǎng)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(rùn)澤,，唐良瑞

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