0 引言

    超密集网络(Ultra-Dense Networks，UDN)作为第五代(5G)移动通信系统的关键技术之一，为了应对不断增长的数据容量需求，超密集网络可以通过在热点区域大规模部署小基站（例如Picocell、Femtocell）来提高系统容量^[1]。然而，超密集网络中小基站密集部署会造成很大的干扰，其中包括Femtocells之间的同层干扰以及宏基站和毫微微基站的跨层干扰。为了让用户获得更好的体验，有效提升系统性能是目前亟待解决的问题。解决这个问题的方法就是在超密集网络中寻求一种更加有效的资源分配方案，提出更加有效的小区干扰管理机制^[2]。

    针对上述问题，国内外学者做出了大量研究。文献[3]提出了一种基于毫微微小区用户设备(Femtocell User Equipments，FUEs)服务质量的子信道和功率联合分配算法，还研究了一种用以保护宏用户设备(Macrocell User Equipments，MUEs)的干扰限制方案。文献[4]研究了一种基于斯坦博格博弈的资源分配策略。文献[5]提出一种基于动态分簇的资源分配算法，首先构建干扰拓扑图，然后基于干扰图进行分簇，为其进行资源分配，算法能够有效提升网络吞吐量。文献[6]研究了一种基于次优的资源分配算法，根据图论染色算法来提高用户间的公平性。文献[7]将Femtocell网络中的资源分配问题模型化，在FUEs和MUEs的干扰约束下，实现毫微微小区用户的公平性。文献[8]提出一种基于染色分簇的资源分配算法(Coloring-based Clustering Resource Allocation，CCRA)，该算法首先保证簇内用户之间的干扰在可接受范围，并且为每个簇分配资源；其次根据干扰环境的不同再将资源分配给簇内用户。文献[9]在超密集部署的Femtocell网络中，提出了一种基于图论以用户为中心的频率分配算法(User-oriented Graph-based Frequency Allocation，UGFA)，该算法能够有效提升频谱效率和系统容量。文献[10]中提出一种基于图论算法的染色分簇方案(Graph-based Clustering Resource Allocation，GCRA)，该方案采用染色算法将所有基站划分到不同的簇中，再为每个簇分配互相正交的频带资源来解决干扰问题。

    本文针对超密集网络中FAPs间的同层干扰以及跨层干扰问题，提出了一种改进的基于分簇的资源分配算法，算法分成两个部分：(1)首先，算法在满足最大速率的情况下进一步考虑用户公平性，采用基于速率公平性的子信道分配算法为MUEs分配子信道，再通过注水算法分配功率，可以有效提高用户满意度和平均速率。(2)首先，通过计算FAPs之间干扰权值大小，采用遗传模拟退火算法对FAPs进行分簇，确保簇内干扰最小；其次，采用启发式算法对簇内用户进行子信道分配和功率分配，研究的目标是提升FAPs的频谱效率，满足用户的速率需求，最大化系统容量。

1 系统模型

    本文考虑的是超密集网络中FAPs密集部署的OFDMA下行传输系统。系统中包括1个MBS和F个FAPs，MBS位于系统中心，F个FAPs随机部署在Macrocell的覆盖范围内，系统模型如图1所示。假设所有的FAPs都是封闭接入的，每个FAPs接入1～5个FUEs，FUEs和MUEs随机分布在各自的小区范围内。OFDMA的系统带宽为Δf，假设子信道服从瑞利多径衰落分布。

    当系统中OFDM信号在子信道k上由FAPj发送给FUEu时，可能会对邻近的小区用户FUEe造成干扰，该干扰可以表示为：

2 MUE子信道和功率分配

2.1 MUE子信道分配

    首先，假设宏用户的集合为M={1，2，3，…，m}，在为MUEs分配子信道之前，首先在每个MUE分配的子信道上设置一个干扰约束，保证MUEs的正常传输。因此MUEm在分配的子信道k上满足公式(4)：

2.2 MUE功率分配

    MUEs的子信道分配完毕后，本文采用注水算法对初始平均分配的功率重新分配，进一步提升系统容量。MUEs的功率分配规划方案如下：

3 FUEs子信道和功率分配

3.1 FAPs分簇算法

    本文采用遗传模拟退火算法GSAA来进行分簇，算法具体流程如下所示：

    (1)初始化种群个体大小size，最大进化次数MAXGEN，交叉概率为P_c，变异概率为P_m。退火初始温度为T₀，终止温度为T_end，温度冷却系数为k。

    (2)随机生成初始种群Group，计算Group中个体的适应度值为f_i。

    (3)设置进化次数变量gen=0。

    (4)对种群Group进行选择、交叉和变异等遗传操作，可以得到FAPs新的分簇结果。计算新个体的适应值，如果<f_i，接受新个体；否则以概率exp((f_i-)/T)接受新个体。

    (5)判断gen<MIXGEN，gen=gen+1，转到步骤(4)；否则转到步骤(6)。

    (6)判断T_i<T_end，算法结束，返回全局最优解；否则执行降温操作T_i+1=kT_i，转到步骤(3)。

3.2 FAPs子信道分配

    本文采用启发式信道分配算法为FAPs分配子信道，为不同簇分配相互正交的子信道，同一簇中FAPs可以复用相同的子信道。子信道分配的目的是在满足FUEs速率需求的基础上，最大化系统容量，分配方案为：

3.3 FAPs功率分配

    FAPs子信道分配好之后，资源分配问题可以转化为用户级的功率分配问题，分配方案为：

4 仿真结果

    为了仿真方便，本文仿真场景中包括1个MBS和F个FAPs，具体仿真参数如表1所示，信道增益主要考虑路径损耗、穿墙损耗、天线增益和阴影衰落。仿真分析了所提算法的多个性能，主要包括MUEs的平均吞吐量、FAPs的频谱效率以及FUEs间的公平性。本文算法是在GSAA算法基础上进行启发式信道分配和KKT条件下进一步功率分配的算法。参与对比的算法包括未分簇的随机资源分配算法(Random Resource Allocation，RRA)算法^[11]、文献[9]中以用户为中心的频率分配(UGFA)算法、基于图论的染色分簇算法(GCRA)^[10]、最大载干比算法及标准遗传模拟退火算法(GSAA)。

    图2描述了几种算法的室内MUEs在不同密度FAPs部署下的平均吞吐量。最大载干比算法理论上可以获得最大平均吞吐量，但该算法没有考虑MUEs间的公平性，在MUEs密集分布的场景下信道较差的MUEs无法分配到子信道。GCRA算法考虑了MUEs间的公平性，能满足更多的MUEs正常传输。本文算法基于速率公平子信道分配算法，采用注水算法进行功率分配，能进一步提升系统性能；其次在FAPs分簇基础上分配子信道和功率，同时兼顾用户的公平性，能够降低FAPs对MUE的干扰，进而提升系统性能。

    图3显示了FAPs在不同密度下部署的频谱效率，可以看出未分簇RRA算法频谱利用率最低。UGFA算法中每个簇分配资源相同，会造成一定的资源浪费，因此频谱效率较低。CCRA算法中考虑了频率复用机制，但该算法分簇之后各个簇中FAPs数目不同，而每个簇分配的频带相同，频谱效率相对也不高。GSAA算法通过干扰权值动态分簇，能够有效消除同层干扰，提升频谱效率。本文算法在分簇基础之上进一步通过子信道分配和功率分配消除一定的干扰，频谱效率更高。

    图4显示了FUEs间的公平性，可以看出随着FAPs的密度增加，未分簇的RRA算法由于其资源随机分配，FAPs间同层干扰较大，公平性较低。本文算法和GSAA算法相比，在分簇之后进行子信道和功率分配，基于公平性准则，能够降低信干噪比较高子信道的功率，提升较低子信道的功率，FUEs公平度最高。

5 结论

    本文在超密集网络中FAPs密集部署的场景下，提出一种基于分簇的资源分配算法。算法在保证MUEs正常传输的前提下，通过计算干扰权值对FAPs动态分簇，然后在分簇的基础上采用启发式算法和KKT条件进行子信道和功率分配，能够进一步降低小区间干扰。仿真表明本文算法在不同的FAPs密度下，可有效提升宏用户平均吞吐量和FUEs间公平度，最大化频谱效率。

参考文献

[1] ELSAWY H，DAHROUJ H，AL-NAFFOURI T Y，et al.Virtualized cognitive network architecture for 5G cellular networks[J].IEEE Communications Magazine，2015，53(7)：78-85.

[2] HOSSAIN E，RASTI M，TABASSUM H，et al.Evolution toward 5G multi-tier cellular wireless networks：An interference management perspective[J].IEEE Wireless Communications，2014，21(3)：118-127.

[3] ZHANG H，JIANG C，BEAULIEU N C，et al.Resource allocation in spectrum-sharing OFDMA femtocells with heterogeneous services[J].IEEE Transactions on Communications，2014，62(7)：2366-2377.

[4] AHMAD I，LIU S，FENG Z，et al.Game theoretic approach for joint resource allocation in spectrum sharing femtocell networks[J].Journal of Communications & Networks，2015，16(6)：627-638.

[5] LI W，ZHENG W，WEN X，et al.Dynamic Clustering based sub-band allocation in dense femtocell environments[C].Vehicular Technology Conference.IEEE，2012：1-5.

[6] ELSHERIF A R，CHEN W P，ITO A，et al.Adaptive resource allocation for interference management in small cell networks[J].IEEE Transactions on Communications，2015，63(6)：2107-2125.

[7] HA V N，LE L B.Fair resource allocation for OFDMA femtocell networks with macrocell protection[J].IEEE Transactions on Vehicular Technology，2014，63(3)：1388-1401.

[8] ZHAO C，XU X，GAO Z，et al.A coloring-based cluster resource allocation for ultra dense network[C].IEEE International Conference on Signal Processing，Communications and Computing.IEEE，2016：1-5.

[9] LUAN Z，QU H，ZHAO J，et al.User-oriented graph based frequency allocation algorithm for densely deployed femtocell network[J].China Communciation，2013，10(12)：57-65.

[10] ZHANG Q，ZHU X，WU L，et al.A coloring-based resource allocation for OFDMA femtocell networks[C].Wireless Communications and Networking Conference.IEEE，2013：673-678.

[11] HATOUM A，LANGAR R，AITSAADI N，et al.Cluster-based resource management in OFDMA femtocell networks with QoS guarantees[J].IEEE Transactions on Vehicular Technology，2014，63(5)：2378-2391.

作者信息:

滕得阳，王  琼，周小海，刘亚非，葛长威

(重庆邮电大学 通信与信息工程学院，重庆400065)