基于退火遗传算法的网络通信资源分配方法

曾 琪

（江西制造职业技术学院信息工程学院，江西 南昌 330095）

0 引言

在通信效率要求不断提高的时代背景下，D2D通信（Device-to-Device，设备间直接通信）为核心的短距离无线通信技术的应用越来越广泛[1-2]。一般情况下，数据在通信网络中的传输需要借助中继结构，这就造成了在某一时段用户请求急剧增加，或用户数量大幅扩增条件，通信网络中中继节点的负载过重，影响最终的传输效率和通信时延[3-4]。针对该问题，相关学者已经开展了一系列研究，其中，文献[5]将不完美CSI理论应用到D2D通信网络资源分配的研究中，以鲁棒能效为核心目标，实现了对通信网络运行效率的提升，但是对于越来越高的通信要求而言，其仍存在一定的提升空间。文献[6]以OFDMA为研究对象，借助粒子群遗传混合优化算法实现对资源的自适应分配，提高网络的吞吐量，但是程度有待加强。文献[7]以蜂窝网络为研究对象，利用Q-Learning实现对D2D通信资源的分配，同样使得网络的吞吐量得到了一定程度的提升，但是其对于网络环境变化的灵敏度较低。

在此基础上，本文提出一种基于退火遗传算法的网络通信资源分配方法，并通过试验测试的方式分析验证了其在提高网络信息吞吐效率方面的优越性。

1 网络通信资源分配方法设计

1.1 网络通信资源分配需求分析

在对网络通信资源进行分配之前，首先需要结合实际情况明确网络通信资源分配需求。在以核心基站为中心的通信网络中，所有终端状态及对应可执行传输任务的链路状态信息都直接影响着后续资源分配的结果[8]。当通信网络覆盖的区域处于满载状态时，每个用户对应的信道资源是相对固定的；当通信网络覆盖的区域处于非满载状态时，每个用户对应的信道资源是相对动态的[9]。以此为基础，通信网络资源分配的需求可以理解为在有限的通信条件下最大化通信信道的利用率。结合这一理论基础，本文构建的通信信道分配目标函数可以表示为

式中， 为信道执行通信传输任务的最短时间开销；为通信网络中i中继节点的传输速率； 为执行传输速率所需的能量；为通信网络中节点的总量。但是需要注意的是，通信网络中i中继节点的传输速率受对应信道带宽、能量损耗以及噪声共同影响，因此其计算方式可以表示为

式中，为通信网络中i中继节点与j中继节点之间对应传输链路的信道带宽；为链路的损耗系数；为噪声的扰动系数；为作用于链路上的噪声强度。

结合式（1）和式（2），网络通信资源分配的目标函数可以表示为

将其作为分配目标，实施对通信资源的分配。

1.2 基于退火遗传算法的资源分配

本文采用遗传退火算法实现对资源的计算，具体的实现方式分为以下几个步骤。

步骤1：设置通信网络中任意D2D链路为初始化个体，网络中所有D2D链路形成初始化种群。以发射阶段为基准，在种群中随机给出一个vi的初始数值x，并将其代入到式（2）、（3）中，计算对应的目标函数值，此时的温度为初始温度。需要注意的是，此时的计算结果只是2个节点之间的传输。

步骤2：迭代步骤1的计算结果，并计算新个体的目标函数值与当前结果之间的差异，其可以表示为

式中，为目标函数值的增量。

步骤3：个体寻优，当<0时，将保留新个体，继续执行对下一个个体的计算，当>0，则继续以当前个体为基准执行对下一个个体的计算，直至完成对初始化种群的分析，并将分析过后得到的个体作为最优个体，以进行下一步骤。

步骤4：再以新确定个体对应节点为基准，执行步骤1～3，直至得到接收节点，完成对所有链路资源的分配。但是需要特别注意的是，在利用按上述方法实施对多用户并发传输请求下的资源分配时，节点当前时刻的利用率不仅受执行传输任务的影响，在分配阶段对于该阶段的使用情况也是重点考虑的问题之一。因此，为了避免由于多源分配请求下的节点重叠引起的传输效率问题，可以在上述基础上引入时间参数，利用其实现对阶段利用率的准确计算。

2 测试与分析

2.1 测试准备

为了对本文设计的基于退火遗传算法的网络通信资源分配方法应用效果进行更加直观的分析，本文进行了独立蒙特卡洛实验，并将执行1 000次的平均结果作为最终的评价基准，以此避免由于偶然性对测试结果的影响。以此为基础，在测试准备阶段，本文设置通信信道阴影的衰落按照对数正态分布的形式存在。构建的仿真通信网络环境中包含D2D链路和蜂窝链路2种类型，对应的标准差分别设置为10 dB和12 dB。表1为具体的测试环境参数设置情况。

表1 测试环境参数设置

从表1可以看出，本文主要是通过调整通信网络中用户的数量对资源分配效果进行分析，同时降低了计算的复杂度。

2.2 测试结果与分析

考虑到对于通信网络资源进行合理分配的主要目标是提高通信网络整体的吞吐量，因此本文将其作为评价指标，统计了在不同用户规模下，三种资源分配方法对应通信网络的运行效果，计算得到的数据信息如表2所示。

表2 通信信道吞吐量对比表（Mbps）

从表2中可以看出，对三种方法的分配结果，采用本文方法，通信网络蜂窝链路的吞吐量和D2D链路的吞吐量最高。不仅如此，在三种方法的测试结果中，通信网络的吞吐量均呈现出随着用户规模的增加而逐渐增大的发展趋势，但是对具体的增长情况进行观察可以发现，在增长幅度和增长速率上存在一定的差异。其中，采用文献[6]方法，通信网络的吞吐量以相对平稳的状态稳定增长，当网络中用户规模达到160时，对应的蜂窝链路吞吐量和D2D链路吞吐量分别为2.12 Mbps和2.13 Mbps。文献[7]方法下，通信网络的吞吐量在初期的增长趋势相对平缓，当用户人数增加至100时，对应的吞吐量增幅仅为0.50 Mbps，在测试后期，通信网络的吞吐量在初期的增长趋势更加明显，当网络中用户规模达到160时，对应的蜂窝链路吞吐量和D2D链路吞吐量分别为2.16 Mbps和2.17 Mbps。相比之下，通过对采用本方法的通信网络的吞吐量发展情况进行分析可以发现，其不仅表现出的稳定增长的特点，对应的增幅也明显高于采用文献[5]和文献[6]方法，当网络中用户规模达到160时，对应的吞吐量为2.28 Mbps，表明此时其具有更高的通信效率。根据上述测试结果可以得出，本文设计的基于退火遗传算法的网络通信资源分配方法可以更大限度提高通信网络的传输效果。

3 结束语

高速发展的通信信息技术在极大程度上促进了信息交互的效率，利用通信网络，人们可以实现更加高效的信息传输，但是随着通信网络用户的增加，通信传输任务的总量也越来越多，在有限的通信资源下，如何实现对其的合理分配成为了保障通信效果的关键。本文提出基于退火遗传算法的网络通信资源分配方法，在充分考虑传输链路实际通信能力以及当前任务执行状态的前提下，大大提高了网络的吞吐量，使其具有更高的通信效果，在极大程度上满足了用户的通信需求。借助本文的研究内容，希望能够为实际的通信网络资源规划管理提供参考价值，实现对资源的合理调度。