移动通信中信道分配问题论文.docx

移动通信中信道分配问题论文
摘要由于可用的移动通信的频带宽度是有限的，优化信道分配的问题变的越来越重要。通过优化可以大大提高系统容量，并且减少通信间的干扰，从而改善了通信质量，提高客户的满意度。在本论文中，我们通过基因算法(GA)，在信道数量有限的条件下，解决移动通信网络中的频率分配问题。信道分配问题是个很复杂的优化问题。模拟结果表明基因算法(GA)可以进一步提高由其它算法获得的结果。
关键词基因算法，信道分配，信道干扰
1．介绍
在移动通信中，提供给用户和无线网络基站之间通信的频带宽度是有限的。因此，随着手机用户的普及，这个有限的资源成为移动通信系统发展的瓶颈。为满足信噪比要求，本文从以下三种基本的干扰：同信道干扰，同区域干扰，邻道干扰考虑来设计网络。
无线频率传播和预期的通信量作为某些信道分配给某个区域时是否会产生干扰的决定因素。通信量也可以用来预测每个区域内所需要的信道数目。信道分配问题可以分为两类。第一类：在满足整个系统无干扰的情况下，最小化所需的信道数，以节约有效的频率资源。这就是参考[1]中提到的信道分配问题1(CAP1).第二类：在大多数实际应用中，无法提供足够可用的信道确保无干扰的信道分配，只能最小化整个系统内的干扰，满足各区域对信道数量上的需求。这就是参考[1]中提到的信道分配问题2(CAP2)。近几年来，一些启发式算法（HeuristicApproach）([2],[3],[4])等多种算法被用来解决信道分配问题。但由于算法的一些局限，往往结果并不理想。

基因算法GA的本质：全局性概率搜索算法,是可行的搜索技术，用定长的线性串对问题的解进行编码，通过复制、交叉和变异等遗传操作改变个体的结构。个体作为搜索对象。根据适应度进行选择，决定个体是否参加复制、交叉等遗传操作，得到的返回值后，代入适应度函数求出子染色体树的适应度(适应度：表示了个体产生的效益，是个体优秀程度的度量)。取适应度最大的作为最优子个体。
,参考文献[12],[19],[20],[21],[22]使用基因算法来解决信道分配问题1(CAP1)。[23]和[24]用公式描述了CAP2,但是它们只对无干扰的情况感兴趣。参考文献[16]中依据基因算法给出了解决信道分配问题2的独特的公式，在本论文中，就依据这个公式，将无干扰条件作为软限制条件(Softconstraint)，而将各个小区所需要的信道数作为硬限制条件。我们用十个基准（benchmark）问题来进行模拟仿真，并将结果与其它算法获取的结果相比较。
2．信道分配问题
假设一个无线通信网络，它有N个小区和M个通信信道。小区i的信道需求（由预期的通信量求出）为Di个信道。电磁波的传播方式可以决定在频域中两个信道之间能保证没有干扰的最小距离。这些最小的距离存储在的对称矩阵C中。我们回顾一下Smith和Palaniswami[4]提出CAP2的数学模型：

其中;.如果,就是说小区j和i分别分配到信道k和信道l。分配所引起的干扰程度可以由张量中的一个元素进行计算，其中是信道k和信道l在频域中的绝对距离。当时，干扰的程度最大。干扰随着两信道间距的增大而减小。减小整个网络中的干扰程度的问题就可简化，即：
最小化：
(1)
限制条件：
(2)
(3)上述提到邻近因子张量P是一个三维矩阵。立方体正前平面对角线被置0的矩阵C。张量的第三向线成线性减少，因此张量的有效深度为矩阵C的最大对角线值，它由递归方法生成：
(4)
3仿真结果
在我们的仿真试验中，采用了参考文献[16]推荐的方法，初始化一组满足限制条件的个体。每个个体是一个的矩阵的解。每一行代表一个小区内的分配方案。每一行内的1的数量代表了分配给该小区的信道数目。根据前面介绍的基因算法，进行行间交叉，行内变异的算法。这样，每次生成的新解都可满足限制条件。我们用等式(1)来评估每个个体的适应度，并根据适应度来选择用于生成下一个族群的个体。

果”0”代表无干扰分配。我们可以看出对于HEX2和KUNZ1我们获得了比其带爬坡的Hopfield神经网络算法(thehill-climbingHopfieldnetwork(HCHN))[8],一些参数,例如交叉操作机率,