联合干扰控制与PSO的D2D网络资源分配

刘煜恒，彭艺，付晓霞，安浩杰

昆明理工大学信息工程与自动化学院，云南昆明650500

随着5G技术的商业化，其核心D2D(device-to-device)通信技术也逐渐步入人们的生活。近年来，通信相关行业处于技术及产品等方面大爆发阶段，运营商已逐步将5G通信应用于商业，而5G技术也将渗透于大众的日常生活中。有限的频谱资源难以满足现阶段用户的通信需求，导致有限频谱资源与用户更优通信质量之间的矛盾日益严峻。D2D通信在复用信道资源时会引进相应的干扰，因此需要一种合理的信道资源分配方案来降低干扰，提升系统吞吐量，进而更好地将D2D通信应用于生活之中[1-9]。文献[10]提出了一种基于用户分组的功率控制算法，采用一种轮询算法进行D2D用户资源分配，但从仿真结果来看，系统吞吐量依然存在较大的提升空间。文献[11]提出了粒子群算法的D2D资源分配机制，虽然合理地为D2D用户分配了功率，但未考虑由于引入D2D用户后系统中存在的干扰问题，造成整个系统的干扰过大。文献[12]提出了一个联合模式选择和资源分配方案，使系统的吞吐量最大，但是同样对引入D2D用户后的干扰问题考虑不够，造成系统干扰处于较高水平。文献[13]为了降低系统干扰，将遗传算法用于D2D通信中，虽然干扰得到一定的控制，但未考虑功率优化。

为了解决以上问题，本文提出了一种D2D通信资源分配方法，结合了干扰控制及功率匹配。首先进行了系统内部通信用户的干扰管理，通过D2D用户和蜂窝用户位置信息与基站的位置信息进行交互，在保证通信质量的前提下为不同的用户建立不同的通信距离范围，从而达到将整个系统的干扰降低到最小的目标。随后以粒子群算法（particle swarm optimization,PSO）算法为基础，映射到D2D通信中，为D2D用户分配合理的发射功率，以提高整个通信系统的吞吐量。仿真结果表明，本文算法可以在明显降低干扰的同时最大化整个系统的吞吐量，有效地保证了蜂窝用户与D2D用户的服务质量（quality of service,QoS）需求。

1 系统模型

本文将D2D通信方式引入典型的LTE无线移动蜂窝网络架构中，构成一个D2D通信模式与传统蜂窝通信模式并存的通信环境。整个模型定义在一个独立通信的蜂窝小区环境中，基站处于整个小区通信的中心位置，基站采用演进型基站（evolved NodeB，eNB），该基站可以采集网络内所有通信链路的瞬时信道状态信息（channel state information，CSI）及通信用户的服务质量。系统模型图如图1所示。

图1 系统模型图Figure 1 System model diagram

本文设定系统模型为传统蜂窝用户与D2D用户共存，分别有N个与M对。整个通信系统中存在M个相互正交的无线通信信道资源，那么处于不同信道的通信用户之间不存在干扰。假设所有信道资源都被蜂窝用户一对一占用，整个网络便构成了一种全负载网络。为充分考虑干扰因素，本文以上行链路为考虑基础。蜂窝用户的集合表示为CUs={C1,C2,C3,···,CM}，D2D用户的集合表示为DUs={D1,D2,D3,···,DN}，信道集合表示为CHs={CH1,CH2,CH3,···,CHM}。

当第K个信道被第i个CU用户与第j个D2D用户进行复用时，那么CUi与DUj的接收端的瞬时信号与干扰加噪声比（signal to inference plus noise ratio，SINR）的计算公式分别为

其相应的限制条件表示如下：

式中：R c和R d分别为CUs和DUs的信号传输速率；B为信道带宽；Tsum为总系统的吞吐量，整个资源分配过程，旨在将整个通信系统干扰降低到最小并使总系统的吞吐量最大化max(Tsum)。

2 通信用户的干扰管理

为将系统的干扰降到最小，设定信道复用距离来控制通信用户的可复用范围。系统环境设定在一个较为复杂的高原山区中，其中存在大量的信道干扰因素，例如多径衰落φ与阴影衰落θ。定义在整个通信环境下的路径损耗常数为τ，路径损耗指数为µ，通信用户两端的距离为L，则信道增益可以表示为

为了使整体系统的干扰降到最小，分别对CUs与DUs进行复用区域限制，首先设置为eNB的干扰门限值，联立式(10)则有

上式Id,B表示D2D用户信号发送端到基站之间的干扰信息。当D2D用户以最大发射功率进行通信时，邻近的蜂窝用户所受到的干扰最大，则根据式(11)计算出D2D用户最大的复用限制区域半径Ld,B为

彭佳学副省长到省自然资源厅调研（徐欢等） ...............................................................................................12-4

式中：Ld,B即为D2D用户发送端到基站的最小距离，只有大于该距离才有机会建立通信。由于本文考虑上行通信链路，则之后考虑蜂窝用户对D2D接收端的干扰控制。联立式(4)计算出当D2D接收端处于干扰最大的区域边界时所受到的干扰门限值为

同理，当蜂窝用户以发射功率P c进行通信时，则此时的最大干扰信息为

计算出通信区域限制半径之后，整个通信系统内所有通信用户必须处于通信区域限制半径之外方可建立D2D通信，这样就可以保证整个通信系统所受到的干扰最小，干扰限制图如图2所示。

图2 干扰限制图Figure 2 Interference limit graph

处于通信限制半径以内的通信用户需要重新更新自身的位置信息，基站捕获并判断其更新后的位置信息，符合复用区域限制条件才允许建立通信，达到要求的用户可等待进入后续的功率匹配。

3 基于PSO的D2D功率匹配

将整个系统的干扰降到最小后，进一步将总系统的吞吐量最大化。由于在实际通信过程中，用户发射功率过大或过小将会增加系统干扰、浪费系统能源利用率，进而影响整个系统的传输速率。因此需要合理地进行通信用户功率匹配才能提升整个系统吞吐量。本文提出一种基于PSO算法的功率控制资源分配算法，有效地最大化了总系统的吞吐量。该算法给予空间内粒子一定的记忆性，能够使粒子按照适应度方向飞向解空间，并降落在最优解处。

本文设定在一个D维空间中，将每一个D2D用户发送端映射为粒子群算法中的一个粒子种群。每一个D2D用户发送端发射功率的集合与种群数量相互对应，而每一个发射功率对应的疑似解，即为种群中每一个粒子的所处位置。所有粒子都处于一个限制位置区域内进行运动，即功率的限制范围。假设存在个体数量为S的粒子群处于一个D维空间中，那么在该粒子群中的第i个粒子位置和速度集合分别表示为Xi和Vi，则有

通过算法的不断迭代，整个粒子群不断靠近能够使适应度函数最大的位置，在适应度函数最大处粒子群位置逐渐收敛为最优位置，即达到使吞吐量最大的合适功率。粒子在不断更新自身位置时会产生两个值，分别为个体最优位置（personal best position）与全局最优位置（global best position），算法不断迭代的最终目标是使整个粒子群达到全局最优位置。定义第i个粒子的历史最优位置为pbest,i，而整个粒子群所经过的最优位置为gbest。当个体最优位置大于全局最优位置时，个体最优位置即为全局最优位置，对应的集合表示为

粒子群在追随最优粒子的过程中不断的更新自身的速度与位置信息，速度与位置的更新公式为

式中：r1和r2为[0,1]区间内的均匀随机数；c1和c2为学习指示因子，c1决定了粒子的个体经验影响，c2决定粒子群体经验影响，通常取c1=c2=2；w惯性权重系数，是一个非负值，该值大小决定全局影响与局部影响的比重，它能够调节解空间的搜索能力；t迭代次数。速度更新公式可以拆分为3个方面：一是前次迭代中自身的速度影响；二是自身速度影响；三是粒子群速度影响。

由于算法的最终目标是将系统的吞吐量最大化，则在适应度函数中内置吞吐量函数。设适应度函数值为Value=Tsum则有

每一个D2D用户在自身发射功率范围内均匀地选定S个发射功率，作为粒子群中每一个粒子的初始位置，并在粒子速度范围内随机地为每一个粒子分配一个初始速度。计算并甄选出当前空间内使当前适应度函数值最大的粒子所对应的位置和速度。整个粒子群跟随该粒子在解空间内搜索最优解，从而完成一次迭代。过程中将pbest,i和gbest进行对比，将较大值赋值给gbest，使得每一时刻的gbest值均为最大。通过不断迭代使得整个种群均达到最佳位置。那么在此时该信道内的吞吐量达到最优，此时对应的粒子群位置即为甄选出能够使得吞吐量最大的D2D用户发射功率值。

本文干扰控制联合功率匹配的算法流程步骤如下：

步骤1系统初始化，基站获取整个环境下所有通信用户的位置信息。

步骤2通过式(12)与(15)分别计算蜂窝用户与D2D用户的通信限制半径，处于限制半径区域外的通信用户允许建通信连接，等待进一步进行功率控制匹配；处于限制半径区域内的用户则不允许当前时刻建立通信连接，需要等待其他用户建立通信之后自身变更位置信息，在基站捕获位置信息并且允许其建立通信连接，方可建立通信。

步骤3将对通信干扰限制区域外的D2D用户进行合理的功率匹配。每一个D2D用户发送端认为是一个处于D维空间，粒子数为S的粒子群组成，初始化该粒子群体内所有粒子的初始位置与速度，将吞吐量函数构建成为适应度函数。

步骤4种群在整个解空间内随机搜索最优解，若当前个体最优位置pbest,i大于全局最优位置gbest，那么将pbest,i赋值给gbest，之后更新最新的种群位置信息与速度信息，从而完成一次迭代过程。

步骤5整个种群反复迭代，直至适应度函数收敛，那么此时的gbest即为整个种群所处于能够使适应度函数达到最大值的最优位置，即D2D用户发送端的最优功率。

步骤6遍历所有D2D通信用户直至等待接入通信的用户集合为空，反复执行步骤3～5的过程，直至所有的D2D用户均匹配到自身的最优功率，则算法结束。

4 仿真结果与分析

为了验证本文算法的应用性能，以Matlab R2018a为仿真平台对算法进行仿真。仿真实验设定在一个正六边形小区环境，所有用户在限定范围内随机分布于小区中，各用户之间的距离随机产生并限定在50 m以内。采用Monte Carlo方法重复执行2 000次，然后将结果综合后取得的平均值进行分析。具体仿真参数如表1所示。

表1 仿真参数Table 1 Simulation parameters

文献[14]对D2D资源分配优化问题采取了经典的启发式算法（heuristic algorithm，HA）与随机资源匹配算法（random resource allocation algorithm，RA）虽然基本达到了优化的目的，但仍然存在较大的优化空间。

本文分别从系统干扰与系统总体吞吐量两个大方面，对比了本文所提算法与上述文献中提到的经典启发式算法和随机匹配算法。图3为系统平均吞吐量的累积分布函数曲线（cumulative distribution function，CDF）在不同算法下的表现。其中D2D用户数量为10，从图3可以看出，本文所提算法的性能明显的优于其他两种算法。

图3 系统平均吞吐量的累计分布函数图Figure 3 CDF graph of the average throughput

由于本文采取了基于限制区域的干扰控制，则将本文算法与启发式算法和随机匹配算法的系统吞吐量大小与D2D用户之间距离的关系进行对比。统一设定D2D用户数量为20对，而D2D用户对之间的距离从5 m一直增加到40 m。由图4可得，随着D2D用户对之间的距离逐渐增大，本文所提算法的系统总体吞吐量虽有所下降，但整体还是处于一个较高的水平。而启发式算法的系统吞吐量则略低于本文算法，随机匹配算法的吞吐量一直处于较低水平且还在下降。这是由于当距离较小时，D2D链路质量比较好，此时距离因素对系统吞吐量的影响很大；但随着距离的增加，D2D链路质量变差，此时不同算法的资源分配方案对吞吐量的影响急剧增大。而本文算法在提出了干扰限制复用半径后又引入了粒子群算法进行了最优的功率匹配，所以系统的吞吐量明显高于其他两种算法。

图4 系统吞吐量随D2D用户距离变化图Figure 4 System throughput with D2D user distance

图5为本文算法对比启发式算法与随机匹配算法的系统吞吐量随D2D用户对数量变化关系的仿真结果。可以看出，当用户数量较少时，本文所提出的算法系统吞吐量略高于启发式算法与随机匹配算法；然而随着D2D用户数量的不断增加，3种算法对于系统的总体吞吐量变化差距明显增大，其中随机匹配算法的吞吐量最低，其次是启发式算法，而本文所提出的算法明显高于另外两种算法。可见，本文算法可以较好地将系统干扰控制到最低，并明显优化了系统整体的吞吐量。

图5 系统吞吐量随D2D数量变化图Figure 5 System throughput changing with D2D quantity

5 结语

本文首先通过对通信用户进行通信区域限制，将整个系统的干扰进行了合理控制。随后引入PSO算法为D2D用户发送端进行合理的功率匹配，过程中将吞吐量构造为适应度函数，粒子群的位置信息映射为D2D用户发射功率，从而甄选出使吞吐最大化的发送端功率，进而完成了资源分配的过程。通过仿真结果可以看出，本文所提出的算法明显降低了系统的干扰并在总体上达到了系统吞吐量的最大化。