基于遗传算法的频率复用方式

邹超毅 张振荣

（广西大学，广西 南宁 530004）

基于遗传算法的频率复用方式

邹超毅 张振荣

（广西大学，广西 南宁 530004）

由于LTE采用了OFDM（正交频分复用）技术，各载波间相互正交，因而小区内部的干扰可以基本消除，但相邻小区间的使用相同频率仍然会产生较大的干扰，影响系统频率复用效率，降低系统吞吐效能。因此，针对这一问题提出了基于遗传算法的频率复用思考，从而提高频率的利用效率同时降低相邻小区间的频率干扰，优化系统吞吐量，提高服务质量。

遗传算法；频率复用；干扰

1 引言

随着移动通信事业的快速发展，终端用户的数量不断增多，对基站数量和频率资源的需求也不断增大。目前，我国给每个电信运营商划分了有限的频率区间，运营商根据不同地域用户密度的情况建立了许多基站并分配相应数量的频率区间[1]。

如果本小区内或者相邻小区间使用相同或者相近的频率，将会产生不同程度的电子干扰，从而影响服务质量。因而，如何根据不用的用户数量，在有限的频率资源下，以最大程度的降低干扰且提高服务质量节约成本为目的，进行频率资源最优分配已经成为各个运营商急需解决的问题[2]。不同小区的用户总数和密度都是不一样的，小区的用户一般主要集中在中心区域，如果仅仅依据蜂窝网中几个小区的用户数量情况来分配整个蜂窝网的频率，这样的分配方式会导致资源的极度不平衡。本文针对这个问题，提出了基于遗传算法的频率复用资源思考，降低整个网络小区间频率干扰，提升频率利用效率与优化系统吞吐量且提高服务质量。

2 协调技术的传统方案

ICIC从资源协调方式上主要有全频率复用技术（Full Frequency Reuse）、部分频率复用技术（Fractional Frequency Reuse，FFR）以及软频率复用技术（Soft Frequency Reuse，SFR）这三类[3，6]，三种模式的区别如表1所示。

表1 部分频率复用、软频率复用和全频率复用的区别

全频率复用是指所分配的频率能够使用在小区的任何地方，其频率复用因子为1。以PRB为单位对时频资源的使用以及发射功率的进行控制，而（FFR）部分频率复用和软频率复用是通过对一组以PRB为单位的连续资的源使用进行统一，利用对发射功率限制不同进行控制。部分频率复用技术则是将频率资源等分为4组。对于中心用户使用其中一组，所有小区都恒定的使用一组资源，因而复用因子为1。而对于边缘用户，通过和相邻小区正交的分配剩下的3组频段，因而复用因子是3，也可以确保了相邻小区间频率的正交，降低干扰。在软频率复用技术中，所有的频段被分成了2组子载波，一组称为主子载波，另外一组称为辅子载波。主子载波可以在小区的任何地方使用，而辅子载波则只能在小区中心被使用。不同小区之间的主子载波相互正交，在小区边缘有效地抑制了干扰，而辅子载波由于只在小区中心使用，相互之间干扰较小，则可以使用相同的频率。它继承了部分频率复用的优点，同时采用动态的频率复用因子，比较明显地提高了频率的利用效率。

3 基于遗传算法的频率复用思想

3.1 遗传算法思想

遗传算法（Genetic Algorithms）是一种借鉴生物在繁衍生息中自然选择和遗传机制的搜索算法[3,4]，它主要的特点是群体收索策略和种群中个体间的信息交换、变异和遗传进化，使用杂交和变异产生优化群体从而更加适用于环境，这一过程可以作为问题寻求最优解的过程。根据遗传算法的思想，逐代的演化产生越来越优秀的近似解，在每一代中，根据问题需求判断个体的适用度来挑选适应个体，借助选择和交叉变异，产生出新的解集合，如此迭代，寻找出问题的解。利用遗传算法的思想，利用小区用户数量与所有小区用户数的关系，在全局范围内能够快速的搜索出频率复用方案。

3.2 基于遗传算法的频率复用流程

基于遗传算法的自适应频率复用方案包括以下7个步骤：初始化N个个体、计算每个个体的算子、每三个相邻个体构成一个种群、每个种群计算适应度、新种群进行选择交叉变异、是否满足终止条件、最终种群。具体流程如图1所示：

图1 方案流程图

4 基于遗传算法的自适应频率复用

每个小区用户主要集中在中心区域，边缘区域的用户数量相对较小，但边缘用户的服务又要兼顾，因而如何在即确保满足中心区域的服务要求又要兼顾到边缘用户，尽量的降低不用小区间的干扰，提高边缘用户的服务质量。根据业务背景情况，我们现在对问题进行如下描述，假设某运营商服务区有N个小区构成一个大的蜂窝网和一定的频率资源。

图2 资源分配方式图

4.1 初始化与种群的构成

将每个小区抽象成为一个独立的个体，在图中，所有频率的一半首先用于中心用户，以小功率发射，后面的一半频率，根据个体的中心用户数量和边缘用户数量利用公式（1）计算出每个个体的算子。随机的组合相邻三个小区作为一个基因序列组成一个种群，这样蜂窝网由构成多个种群，根据每个小区的算子计算每个种群的适应程度。每个种群的适应度是根据组成该种群的基因决定。

4.2 遗传变异

在所有种群中选择出部分种群进行变异，通过种群的基因的变异，最终达到改变该种群的适应度，产生下一代种群，通过对基因变异，可以很好的改变频率的分配比例，最终选择出最优的一个分配方式。把这种优秀的解遗传给下一代种群中，最后得到一个优秀解种群。通过交叉可以得到不同相邻小区的组合不同的分配方式，并结合变异可以得出得到比较优秀的分配方案。

4.3 算法判断与终止

通过选择、交叉、变异得到的新的种群集合，都要计算每个种群的适应度，利用所有小区中用户数量和边缘用户数的关系与小区适应度的差值的幅度来进行判断本解是否更优，若优于当前最优解则替换当前最优解，否则则丢弃本解，判断是否达到最大循环次数或者解接受条件。符合则输出最优解并结束，转到遗传变异继续。

5 仿真实验与分析

本节通过MATLAB仿真实验来评价本算法的性能，评价指标包括系统吞吐量、小区中心区域和边缘区域的吞吐量。在仿真试验中，利用传统全频率复用（Reuse 1）、部分频率复用（FFR）、静态软频率复用（SSFR）[5,6]与基于遗传算法的频率复用方式进行性能对比。

5.1 实验场景

仿真实验中构建一个由25个正六边形结构小区组成的LTE系统，网络拓扑如图一所示，每个小区中用户数量按30～80之间进行实验，用户分布位置随机分布。频率资源块RB为50个。在Reuse 1中，每个小区都可以使用全部RB且发射功率相同，FFR中，系统带宽划分为20和30个RB两部分，复用因子分别为1和3给中心和边缘区域，SSFR中，复用因子为3，因而每个小区使用与相邻小区不重叠的15个RB作为主载波，剩余的为副载波。为了避免概率性事件，每个级别系统通过循环执行750次统计比较，并对比分析。

5.2 仿真结果

通过实验也证明了这一点。SSFR采用了静态频率复用技术，降低了小区间的干扰，但算法没有很好的全局观，导致陷入局部最优解，使其吞吐量略低于本算法。FFR和Reuse1算法中心与边缘资源分配是固定的，不能根据小区以及用户分布情况进行调整，影响整个小区的吞吐量，而基于遗传算法的频率复用方式在吞吐量上相对以上传统方式具有一定的优势。

6 总结

文章深入研究了LTE系统中软频率复用技术，提出了一种基于遗传算法的频率复用方式。与传统静态分配算法相比，该算法在根据系统不同负载情况自适应的调整系统资源分配达到优化系统吞吐量。并通过对比实验验证了该算法具有从系统全局角度进行系统资源分配。

[1] 成伟,金秋瑞.基于分层遗传算法的基站频率最优分配策略[J].计算机与数字工程,2013,41(2):168-170.

[2] 钱蔓藜,李永会,黄伊,等.LTE系统自适应软频率复用技术研究[J].计算机研究与发展,2013,50(5):912-920.

[3] 李万臣,董广明.基于遗传算法的OFDM空载波频率同步的研究[J].通信技术,2009,42(2):309-313.

[4] 高亚男,贾振红,覃锡忠,等.改进的遗传算法在频率分配上的应用[J].通信技术,2010,43(12):7-17.

[5] 巴斌,胡捍英,崔维嘉,等.最大化 SLNR 及软频率复用的比例公平调度算法[J].太赫兹科学与电子信息学报,2013.6, 11(3)377-381.

[6] 刘亮.几种新型频率复用技术的比较研究[J].企业技术开发, 2014.1,33(3):61-67.

Based on genetic algorithm frequency reuse way

Since the LTE uses OFDM (Orthogonal Frequency Division Multiplexing) technology, orthogonal to each other among the carriers, and thus the internal cell interference can be substantially eliminated, but the use of the same frequency between adjacent cells still produce large interference, affecting the system frequency reuse efficiency, reduces the system throughput performance. Therefore, to solve this problem is proposed frequency reuse thinking based on genetic algorithms to improve the frequency utilization efficiency while reducing frequency interference between adjacent cells to optimize system throughput, improve service quality.

Genetic algorithm; frequency reuse; interference

TN921

A

1008-1151(2015)01-0043-03

2014-12-11

邹超毅（1982－），男，广西钦州人，广西大学计算机与电子信息学院2010级工程硕士。