超密集網(wǎng)中一種基于人工蜂群的節(jié)能分簇算法

周朋光，黃俊偉，張仁遲，徐浩

（重慶郵電大學(xué)通信與信息工程學(xué)院，重慶 400065）

超密集網(wǎng)中一種基于人工蜂群的節(jié)能分簇算法

周朋光，黃俊偉，張仁遲，徐浩

（重慶郵電大學(xué)通信與信息工程學(xué)院，重慶 400065）

超密集網(wǎng)絡(luò)中，密集部署的低功率基站將會(huì)加大系統(tǒng)的能耗，并且造成緊缺頻譜資源的浪費(fèi)。探尋干擾協(xié)調(diào)和系統(tǒng)節(jié)能的可行性方法在超密集網(wǎng)絡(luò)架構(gòu)下提出基站的休眠—喚醒—活躍機(jī)制，減小了休眠基站直接轉(zhuǎn)為活躍狀態(tài)的開(kāi)啟時(shí)間；另外，提出一種基于人工蜂群染色分簇算法，盡可能使用最少的顏色給拓?fù)鋱D中的小區(qū)染色，并對(duì)簇內(nèi)活躍基站進(jìn)行優(yōu)化功率分配。經(jīng)仿真表明，休眠—喚醒—活躍機(jī)制能夠提升系統(tǒng)的能源效率，染色分簇算法也可以改善用戶的頻譜效率和吞吐量。

超密集網(wǎng)絡(luò)；人工蜂群算法；分簇；節(jié)能

1 引言

超密集網(wǎng)絡(luò)（ultra dense network，UDN）是5G的關(guān)鍵技術(shù)之一，UDN中通過(guò)大量部署低功率的基站來(lái)達(dá)到改善系統(tǒng)容量和實(shí)現(xiàn)無(wú)縫覆蓋的目的[1]。但是部署密集的基站將會(huì)帶來(lái)巨大的能源損耗和頻譜資源的浪費(fèi)[2]，使得提升系統(tǒng)的能源效率和頻率效率成為一個(gè)亟待解決的問(wèn)題。

現(xiàn)階段國(guó)內(nèi)外學(xué)者和專家對(duì)超密集網(wǎng)絡(luò)中節(jié)能、干擾協(xié)調(diào)等專題進(jìn)行了研究探索[4-13]。在隨機(jī)部署小區(qū)的場(chǎng)景下，參考文獻(xiàn)[3]研究了具有睡眠模式的基站能量和頻譜效率的頻率復(fù)用因子，頻率復(fù)用因子在給定基站和用戶密度比的情況下，能夠最大化頻譜和能量效率至網(wǎng)絡(luò)的上限。參考文獻(xiàn)[4]提出一種超密集網(wǎng)絡(luò)中基于分簇的分布式節(jié)能資源分配方案，該方案首先提出一種改進(jìn)的K-means算法；其次以最小化每一個(gè)基站簇內(nèi)部的干擾為依據(jù)劃分用戶群；然后提出一種資源塊分配算法為用戶群分配資源塊；最后設(shè)計(jì)一種基于非協(xié)作博弈的迭代節(jié)能功率分配算法。參考文獻(xiàn)[5]摒棄了傳統(tǒng)以用戶為中心的鏈路級(jí)頻譜效率分析方法，利用隨機(jī)幾何的方法分析研究了部署超密集網(wǎng)絡(luò)的平均小區(qū)的總體頻譜利用率，并發(fā)現(xiàn)了能夠達(dá)到高頻譜和能源效率的最佳小區(qū)密集度和相應(yīng)最佳的價(jià)值傳輸功率。參考文獻(xiàn)[6]提出一種基于圖論的低復(fù)雜度動(dòng)態(tài)分簇算法。該算法的關(guān)鍵思路是將整個(gè)網(wǎng)絡(luò)系統(tǒng)根據(jù)最大簇內(nèi)干擾和最小簇間干擾劃分成一定數(shù)量的簇，其中最大簇內(nèi)干擾可由每個(gè)簇之間的協(xié)調(diào)進(jìn)行有效的控制。參考文獻(xiàn)[7]在超密集網(wǎng)絡(luò)和全網(wǎng)絡(luò)負(fù)載的情況之下，以小區(qū)的頻譜效率、網(wǎng)絡(luò)頻譜效率以及網(wǎng)絡(luò)的能源效率為準(zhǔn)則來(lái)研究和證明不同策略的性能。參考文獻(xiàn)[8]在CoMP節(jié)點(diǎn)傳輸系統(tǒng)中提出一種基于圖論的新型動(dòng)態(tài)分簇算法，該算法根據(jù)干擾建立拓?fù)鋱D，然后將拓?fù)鋱D分割成多個(gè)子圖，每一個(gè)子圖代表CoMP簇。每個(gè)基站尋找它的最佳協(xié)作基站需要用到一個(gè)貪心算法進(jìn)行解決。參考文獻(xiàn)[9]提出一種平衡歸一化可調(diào)整利用函數(shù)和一種新型合作式競(jìng)價(jià)結(jié)構(gòu)來(lái)獲得協(xié)作增益，以此應(yīng)對(duì)減小干擾和節(jié)省能源的挑戰(zhàn)。參考文獻(xiàn)[10]將邏輯信道的跳頻傳輸?shù)南拗茪w納成圖論染色問(wèn)題，并將頂點(diǎn)的選擇、顏色的選擇以及染色圖譜的調(diào)整等策略集合到經(jīng)典的回溯算法中，并以此提出一種新型染色方法。參考文獻(xiàn)[11]提出一個(gè)基于能源節(jié)省的可在實(shí)際場(chǎng)景中運(yùn)用的基站開(kāi)/關(guān)算法，該算法關(guān)鍵的設(shè)計(jì)在于能夠一個(gè)接一個(gè)地關(guān)閉基站但同時(shí)對(duì)整體網(wǎng)絡(luò)有最低程度的影響。參考文獻(xiàn)[12]在有睡眠模式的宏—微基站雙層場(chǎng)景下，研究了在小區(qū)分簇方案中節(jié)省能源的優(yōu)化方案，該方案旨在通過(guò)協(xié)調(diào)下行跨層干擾和層間干擾，優(yōu)化微基站的傳輸功率來(lái)獲取更高的信干噪比。參考文獻(xiàn)[13]提出一種基于圖論分簇的資源分配（graph-based clustering resource allocation，GCRA）方案，該方案基于完全染色算法將所有的基站劃分入相互獨(dú)立的簇中，然后再通過(guò)為不同的簇分配相互正交的頻帶資源來(lái)解決干擾的問(wèn)題。

對(duì)比參考文獻(xiàn)[13]的系統(tǒng)模型，將FAP（femtocell access point，毫微微蜂窩基站訪問(wèn)點(diǎn))的休眠—喚醒—活躍機(jī)制加入系統(tǒng)中，其中喚醒狀態(tài)相當(dāng)于對(duì)基站進(jìn)行預(yù)開(kāi)啟操作，減少了FAP長(zhǎng)時(shí)間的運(yùn)作對(duì)系統(tǒng)能源的大量消耗，同時(shí)也避免了FAP長(zhǎng)期占用頻譜資源，相對(duì)提升了系統(tǒng)的能源效率；用改進(jìn)的人工蜂群算法代替參考文獻(xiàn)[13]中的GCRA算法，該染色分簇算法在盡可能地使用最少顏色的情況下，為相鄰的小區(qū)分配不同的顏色，然后對(duì)相同的顏色分簇；最后對(duì)活躍FAP進(jìn)行功率優(yōu)化，動(dòng)態(tài)分配資源，最大化能效和頻譜效率。該算法并沒(méi)有對(duì)系統(tǒng)中的小區(qū)按順序染色，符合實(shí)際場(chǎng)景的應(yīng)用，另外對(duì)平均用戶頻譜效率和吞吐量的提升都有所幫助。

2 系統(tǒng)模型

2.1 系統(tǒng)描述

本文設(shè)計(jì)了一種超密集網(wǎng)絡(luò)架構(gòu)，如圖1所示。

圖1 系統(tǒng)模型

假設(shè)毫微微基站和用戶終端 （user equipment，UE）在宏基站覆蓋范圍內(nèi)隨機(jī)部署，并且二者服從相互獨(dú)立的泊松點(diǎn)過(guò)程（PPP），設(shè)FAP集合ΦF和UE集合ΦU密度分別為 λBS和 λUE（λBS〉λUE）。UEi在其活躍服務(wù)FAPj上子載波n的信干噪比（signal tointerference and noise ratio，SINR）γi,j,n為：

活躍FAPj在子載波n上的干擾增益比Hj,n為：

假設(shè)此時(shí)活躍FAP的固定傳輸功率為PFAP，對(duì)于喚醒和休眠FAP的傳輸功率設(shè)置為0，Pj,n是活躍服務(wù)FAPj在子載波n上的傳輸功率。其中，r為FAP與UE之間的距離，α為路損系數(shù)，h為活躍FAP的瑞利衰落。表示其他活躍FAP帶來(lái)的干擾，其中hi為第i個(gè)活躍FAP的瑞利衰落，ri表示與第i個(gè)活躍FAP的距離，bs為服務(wù)基站，Pj,n表示每個(gè)子載波的噪聲功率，Bsub為子載波帶寬。那么活躍服務(wù)FAPj在子載波n為UEi提供的數(shù)據(jù)速率可以表示為：

2.2 節(jié)能系統(tǒng)詳解

以提升系統(tǒng)的能源效率以及頻譜效率為目的，提出一種新型節(jié)能基站模型，如圖2所示。

圖2 節(jié)能基站模型

該模型主要思想是將FAP分為休眠（sleeping）、喚醒（waking）和活躍（active）這3種運(yùn)作狀態(tài)。其中，休眠狀態(tài)下FAP不進(jìn)行任何業(yè)務(wù)的處理，僅需極小的功率維護(hù)其計(jì)時(shí)器等設(shè)備使用即可，圖 2中①代表一個(gè)計(jì)時(shí)器Timer1，表示FAP在休眠狀態(tài)下需轉(zhuǎn)為喚醒狀態(tài)進(jìn)行業(yè)務(wù)預(yù)判的時(shí)間長(zhǎng)短。系統(tǒng)忙時(shí)，需將Timer1調(diào)小。當(dāng)FAP由休眠狀態(tài)轉(zhuǎn)為喚醒狀態(tài)時(shí)，需根據(jù)系統(tǒng)忙閑程度重置Timer1，并在下次轉(zhuǎn)為休眠狀態(tài)再開(kāi)啟；喚醒狀態(tài)下FAP進(jìn)行業(yè)務(wù)的監(jiān)聽(tīng)，收到業(yè)務(wù)請(qǐng)求，立即轉(zhuǎn)為活躍狀態(tài)為用戶提供業(yè)務(wù)服務(wù)，如圖2中③，若在一定時(shí)間內(nèi)無(wú)業(yè)務(wù)請(qǐng)求，即轉(zhuǎn)為休眠狀態(tài)，如圖2中②，②代表一個(gè)計(jì)時(shí)器Timer2，表示喚醒狀態(tài)下的FAP無(wú)業(yè)務(wù)請(qǐng)求的時(shí)間長(zhǎng)短。系統(tǒng)忙時(shí)，需將Timer2調(diào)大。當(dāng)FAP由喚醒狀態(tài)轉(zhuǎn)為休眠狀態(tài)時(shí)，需根據(jù)系統(tǒng)忙閑程度重置Timer2，并在下次轉(zhuǎn)為喚醒狀態(tài)再開(kāi)啟?；钴S狀態(tài)下，F(xiàn)AP為用戶提供正常的業(yè)務(wù)服務(wù)，也可以處理正常的業(yè)務(wù)請(qǐng)求，若此時(shí)系統(tǒng)內(nèi)無(wú)業(yè)務(wù)處理，則轉(zhuǎn)為休眠狀態(tài)，如圖2中④。

2.3 能效分析

休眠FAP的分布概率[14]可以表示為：

那么處于非休眠FAP的分布概率為：

假設(shè)非休眠FAP中處于活躍狀態(tài)的概率為ρ，則處于喚醒狀態(tài)的FAP概率為1-ρ，所以活躍FAP和喚醒FAP的分布概率可以分別表示為：

由此休眠FAP、活躍FAP和喚醒FAP的密度分別為：

現(xiàn)假設(shè)一個(gè)線性FAP的功率模型Pfap[15]為：

其中，Pa為活躍狀態(tài)FAP總傳輸功率，P0為系統(tǒng)回路功率，Δp為傳輸功率的增量，PFAP為FAP最大固定功率，Pw和Ps分別為喚醒狀態(tài)和休眠狀態(tài)的系統(tǒng)維持功率。

定義系統(tǒng)的能源效率 ηEE是網(wǎng)絡(luò)的吞吐總量與 FAP功率之比，經(jīng)由分析可以得到以下結(jié)論。

（1）未有休眠和喚醒狀態(tài)FAP下的ηEE_1為：

（2）有休眠、喚醒和活躍狀態(tài)FAP下的ηEE_2為：

（3）只有休眠和活躍狀態(tài)FAP下的ηEE_3為：

3 染色分簇

算法的提出建立在著名的人工蜂群[16]（artificial bee colony，ABC）算法的基礎(chǔ)上，將其應(yīng)用于FAP的染色分簇算法中，形成調(diào)整的人工蜂群染色 （adjusted artificial bee colony coloring，AABCC）算法。算法的思想是先從無(wú)向圖中有最大度的頂點(diǎn) （即從干擾拓?fù)鋱D中受最強(qiáng)干擾的小區(qū)）入手，首先對(duì)該最強(qiáng)干擾的小區(qū)染色，然后再逐步染色較弱干擾的小區(qū)，直到所有小區(qū)染色完畢，并且使得有干擾的小區(qū)之間不存在相同的顏色，最后按相同顏色進(jìn)行分簇。

3.1 ABC算法

人工蜂群算法中有3種蜂種：雇傭蜂、觀察蜂和偵察蜂，還有一定數(shù)量的食物來(lái)源，一個(gè)雇傭蜂只能用一個(gè)花蜜源，即蜂巢中的花蜜源與雇傭蜂的數(shù)量相同。整個(gè)蜂群的目標(biāo)是尋找花蜜量最多的蜜源，在標(biāo)準(zhǔn)的ABC算法中，雇傭蜂利用先前的蜜源信息尋找新的蜜源并與觀察蜂分享蜜源信息；觀察蜂在蜂房中等待并依據(jù)采蜜蜂分享的信息尋找新的蜜源；偵查蜂的任務(wù)是尋找一個(gè)新的有價(jià)值的蜜源，它們?cè)诜浞扛浇S機(jī)地尋找蜜源。

算法1 ABC算法

初始化。

重復(fù)以下過(guò)程：

（1）每一個(gè)雇傭蜂離開(kāi)蜂巢去尋找蜜源，找到后記錄食物源位置信息并計(jì)算花蜜量，然后返回蜂巢周邊開(kāi)始跳舞；

（2）每一個(gè)觀察蜂會(huì)盯住雇傭蜂的行為，并根據(jù)雇傭蜂的舞蹈信息前往蜜源，到達(dá)后更新蜜源信息，同時(shí)確定蜜源的花蜜量；

（3）確定偵查蜂，并再次尋找新的蜜源；

（4）記憶迄今為止最好的蜜源。

判斷終止條件是否成立。

3.2 AABCC算法

將宏小區(qū)覆蓋區(qū)域內(nèi)的小區(qū)間干擾簡(jiǎn)化為一個(gè)干擾拓?fù)?，如圖3所示，每一個(gè)頂點(diǎn)代表一個(gè)由活躍FAP覆蓋的小區(qū)，頂點(diǎn)間的連接線代表小區(qū)間的干擾。首先將干擾拓?fù)鋱D劃分為幾個(gè)子圖，并從較大的子圖開(kāi)始著手染色，然后再依次對(duì)較小的圖染色，這樣減少了迭代的次數(shù)，節(jié)省了計(jì)算的時(shí)間，并且能夠盡可能地使用最少的顏色。

圖3 簡(jiǎn)化小區(qū)干擾拓?fù)?/p>

圖3 中的無(wú)向圖中包含了很多節(jié)點(diǎn)和邊，在AABCC算法中，將無(wú)向圖中的頂點(diǎn)當(dāng)做ABC算法中的食物源，用每一個(gè)頂點(diǎn)的度代替ABC算法中的花蜜數(shù)量，并由此得出算法。

算法2 AABCC算法

每個(gè)雇傭蜂隨機(jī)選擇一個(gè)頂點(diǎn)（花蜜源），雇傭蜂計(jì)算各自頂點(diǎn)的度D（花蜜量），隨后返回蜂巢并跳舞傳播信息，其中D代表無(wú)向干擾拓?fù)鋱D中頂點(diǎn)的度；

觀察蜂收集雇傭蜂帶回的信息（花蜜位置和花蜜量），并將所有的度D按照從大到小的順序依次排列，形成Listd。

（1）觀察蜂前往Listd中的最大值所對(duì)應(yīng)的主頂點(diǎn)位置：

·從調(diào)色板中選取黑色（特殊顏色，只為觀察蜂首次到達(dá)主頂點(diǎn)染色）進(jìn)行頂點(diǎn)染色；

· 建立已用顏色列表Listc；

· 將Listd中的該主頂點(diǎn)對(duì)應(yīng)的度刪除。

（2）位于該主頂點(diǎn)的各相鄰頂點(diǎn)將會(huì)隨機(jī)從調(diào)色板中選取顏色。

· 未染色的各相鄰頂點(diǎn)對(duì)主頂點(diǎn)大致呈現(xiàn)環(huán)繞狀。①依次對(duì)有鄰居關(guān)系的頂點(diǎn)每隔一個(gè)頂點(diǎn)染相同的顏色；

②無(wú)鄰居關(guān)系的頂點(diǎn)之間可染相同顏色；頂點(diǎn)選擇某種顏色，將顏色加入Listc中；

③染色后的相鄰頂點(diǎn)將對(duì)應(yīng)的度從Listd中刪除。

· 該主頂點(diǎn)從調(diào)色板或者中選取顏色進(jìn)行染色。

（3）主頂點(diǎn)包括各相鄰頂點(diǎn)全部染色完畢。

觀察蜂前往此時(shí)Listd中的最大值所對(duì)應(yīng)的主頂點(diǎn)，并執(zhí)行算法2中步驟（1）和步驟（2），直至全部頂點(diǎn)染色。

（4）根據(jù)染色的情況進(jìn)行分簇，染相同顏色的頂點(diǎn)分到相同的簇內(nèi)。

FAP由活躍狀態(tài)轉(zhuǎn)為休眠狀態(tài)或喚醒狀態(tài)刪除所染顏色及對(duì)應(yīng)的度、簇中頂點(diǎn)。

FAP由休眠狀態(tài)或喚醒狀態(tài)轉(zhuǎn)為活躍狀態(tài)。

觀察蜂立即前往該頂點(diǎn)位置，與周邊鄰居對(duì)比，從調(diào)色板或者Listc中選取顏色進(jìn)行染色，并將其加入相應(yīng)的簇內(nèi)。

3.3 舉例分析

AABCC算法2第（1）步如圖4（a）所示，觀察蜂到達(dá)度最高的位置，即受干擾最強(qiáng)的位置，并染黑色，加粗的圈為與主頂點(diǎn)有鄰居關(guān)系的頂點(diǎn)，可以看出相鄰的頂點(diǎn)對(duì)主頂點(diǎn)大致呈環(huán)繞狀。

AABCC算法2第（2）①步如圖4（b）所示，對(duì)環(huán)繞的有鄰居關(guān)系的頂點(diǎn)隔點(diǎn)染相同的染色，無(wú)鄰居關(guān)系的兩個(gè)頂點(diǎn)染相同顏色，假如從左上角的頂點(diǎn)開(kāi)始，依次染藍(lán)、紅、藍(lán)、紅、藍(lán)。

AABCC算法2第（2）②步如圖4（c）所示，觀察蜂所在主頂點(diǎn)在調(diào)色板中選取黃色進(jìn)行染色。

圖4 AABCC染色算法舉例

AABCC算法2第（3）步如圖4（d）、圖4（e）、圖4（f）所示，觀察蜂現(xiàn)到達(dá)此時(shí)Listd中的最大值所對(duì)應(yīng)的主頂點(diǎn)，并染黑色。此時(shí)與主頂點(diǎn)有鄰居關(guān)系的頂點(diǎn)有3個(gè)，染色的有2個(gè)，所以此時(shí)只需染最上部的頂點(diǎn)即可，對(duì)比后從Listc中選擇紅色進(jìn)行染色，觀察蜂此時(shí)也從Listc中選取黃色進(jìn)行染色。

至此，染色完畢，染色可分簇為：簇1={1,5,7}，簇2= {2,6}，簇3={3,4,8}。

3.4 功率優(yōu)化

假設(shè)根據(jù)第3.3節(jié)的分簇結(jié)果，假定共分簇C個(gè)，Cm代表第m個(gè)簇內(nèi)的FAP集合，Ej代表FAPj服務(wù)的FUE的集合，系統(tǒng)中有Nsub個(gè)子載波。優(yōu)化目標(biāo)是活躍FAP在滿足低于最大發(fā)射功率和高于最小數(shù)據(jù)速率的條件下，可以使FUE的總吞吐量達(dá)到最大，為：

其中，Δf=Nsub·Bsub代表系統(tǒng)帶寬，Pmax代表FAP的最大發(fā)射功率，Rmin代表FAP最低數(shù)據(jù)速率要求。

根據(jù)目標(biāo)函數(shù)（14）和約束條件（15），可以運(yùn)用注水算法為FAP進(jìn)行功率優(yōu)化。設(shè)拉格朗日乘子為α、β，由KKT[17]定量可知：

4 仿真分析

本文采用的系統(tǒng)模型如圖1所示，有一個(gè)覆蓋半徑為500 m的宏基站小區(qū)，其中FAP和UE隨機(jī)部署。為了更公平地估計(jì) AABCC算法的性能，運(yùn)用正比公平（proportional fair，PF）和輪詢（round robin，RR）調(diào)度算法與本文的AABCC算法進(jìn)行對(duì)比，參與對(duì)比的性能包括：用戶平均吞吐量、頻譜效率、能效以及掉線概率，其中掉線概率定義為FUE的信干噪比低于門(mén)限值[18]，即P(γi,j,n≤γth)。仿真參數(shù)[13,19]總結(jié)見(jiàn)表 1。

表1 仿真參數(shù)

平均用戶吞吐量對(duì)比如圖5所示。由圖5可知，隨著UE密度的增加，平均用戶的吞吐量在逐步降低，為了服務(wù)更多的UE，那么每個(gè)UE就只能享有較低的數(shù)據(jù)傳輸速率。當(dāng)FAP活躍狀態(tài)概率ρ=7/9時(shí)，其平均用戶的吞吐量相比 GCRA算法得到了較為明顯的提升，這是由于AABCC算法在系統(tǒng)內(nèi)UE增加的情況下，通過(guò)休眠—喚醒—活躍機(jī)制和分簇算法能夠較好地減小小區(qū)間干擾，提升平均用戶的吞吐量。但是當(dāng)ρ=3/9時(shí)，由于系統(tǒng)內(nèi)提供業(yè)務(wù)服務(wù)的活躍基站較少，平均用戶的吞吐量得不到很好的提升。

圖5 平均用戶吞吐量對(duì)比

平均用戶的頻譜效率的對(duì)比如圖6所示。由圖6可知，隨著UE密度的增加，平均用戶的頻譜效率也緩慢降低，AABCC算法下降幅度較大，而GCRA算法下降趨勢(shì)較為平緩。但是當(dāng)ρ=7/9或5/9時(shí)，系統(tǒng)中平均用戶的頻譜效率要優(yōu)于GCRA算法，這是由于AABCC算法能夠有效地給小區(qū)之間分配不同的顏色，并且使用最少的顏色進(jìn)行染色分簇，還可以根據(jù)小區(qū)間干擾的改變動(dòng)態(tài)地改變干擾拓?fù)鋱D，通過(guò)休眠—喚醒—活躍機(jī)制對(duì)基站進(jìn)行不同的操作，能夠?yàn)橄到y(tǒng)節(jié)省頻譜資源，相對(duì)提升平均用戶頻譜效率。

圖6 平均用戶頻譜效率對(duì)比

FAP的能效隨UE密度的變化仿真如圖7所示。由圖7可知，本文的AABCC算法在能效方面得到了較大幅度的提升，GCRA、PF、RR算法中并未提及休眠基站的概念，基站長(zhǎng)時(shí)間運(yùn)轉(zhuǎn)會(huì)造成大量的頻譜資源的浪費(fèi)，更會(huì)造成巨大能源的損耗，所以本文在節(jié)能的基礎(chǔ)上，為FAP提出一種休眠—喚醒—活躍機(jī)制，并對(duì)活躍基站進(jìn)行深度優(yōu)化功率，進(jìn)一步提升其節(jié)能性能。當(dāng)系統(tǒng)中有休眠、喚醒和活躍狀態(tài)的FAP，即ηEE_2，在UE密度為0～0.07時(shí)，能效最高，隨后與系統(tǒng)中只有休眠和活躍 FAP的 ηEE_1幾乎持平，能效都保持在較高水平上。ηEE_1為系統(tǒng)中未有休眠和喚醒的FAP，但是由于該系統(tǒng)中休眠和喚醒狀態(tài)下FAP的功率損耗為 P0，所以ηEE_1會(huì)是一條下降趨勢(shì)較為明顯的曲線。

用戶掉線率隨著UE密度的增加在2%～16%之內(nèi)的變化仿真如圖8所示。當(dāng)用戶密度為0.03 m2左右時(shí)，AABCC算法中ρ=3/9和5/9與GCRA算法的掉線率相差不大，但隨著UE密度的增加，ρ=3/9和5/9的掉線率卻明顯高于GCRA算法，這是由于當(dāng)AABCC算法中的休眠-喚醒-活躍機(jī)制在系統(tǒng)內(nèi)業(yè)務(wù)量激增時(shí)，活躍基站較少，無(wú)法滿足需求，而且Timer1和Timer2需設(shè)置得較為合理，所以會(huì)造成一定數(shù)量的用戶掉線。當(dāng)ρ=7/9，用戶掉線率在UE密度為0～0.08時(shí)，AABCC算法要優(yōu)于GCRA算法。

圖7 FAP能源效率對(duì)比

圖8 用戶掉線率對(duì)比

5 結(jié)束語(yǔ)

針對(duì)GCRA算法中存在的不足進(jìn)行相應(yīng)的分析和改良，考慮到節(jié)省系統(tǒng)的能源消耗問(wèn)題，創(chuàng)新性地提出一種休眠—喚醒—活躍機(jī)制，對(duì)無(wú)業(yè)務(wù)服務(wù)的活躍基站轉(zhuǎn)為喚醒狀態(tài)，對(duì)長(zhǎng)時(shí)間無(wú)業(yè)務(wù)請(qǐng)求的喚醒狀態(tài)基站轉(zhuǎn)為休眠狀態(tài)，從而避免了基站長(zhǎng)時(shí)間運(yùn)作對(duì)能源的大量消耗和對(duì)頻譜資源的長(zhǎng)時(shí)間占用。另外將ABC算法應(yīng)用于對(duì)小區(qū)間的干擾拓?fù)鋱D染色的問(wèn)題中，減少了染色的迭代次數(shù)，且更適用于實(shí)際場(chǎng)景。通過(guò)仿真表明，有休眠—喚醒—活躍基站的AABCC算法在用戶掉線率上略遜于GCRA算法，但在平均用戶的吞吐量、頻譜效率以及FAP的能效方面都比GCRA算法在一定程度上有所提升。

[1]BHUSHAN N,LI J,MALLADI D,et al.Network densification：the dominant theme for wireless evolution into 5G[J].IEEE Communications Magazine,2014,52(2)：82-89.

[2]OLSSON M,CAVDAR C,FRENGER P,et al.5GrEEn：towards green 5G mobile networks[C]//2013 IEEE 9th International Conference on Wireless and Mobile Computing,Networking and Communications (WiMob),October 7-9,2013,Lyon,France. New Jersey：IEEE Press,2013：212-216.

[3]SU L,YANG C,CHIH-LIN I.Energy and spectral efficient frequency reuse of ultra dense networks[J].IEEE Transactions on Wireless Communications,2016,15(8)：5384-5398.

[4]LIANG L,WANG W,JIA Y,et al.A cluster-based energy-efficient resource management scheme for ultra-dense networks[J].IEEE Access,2016(4)：6823-6832.

[5]LI Q,WU G,HU R Q.Analytical study on network spectrum efficiency of ultra dense networks[C]//2013 IEEE 24th Annual International Symposium on Personal,Indoor,and Mobile Radio Communications(PIMRC),September 8-11,2013,London,UK. New Jersey：IEEE Press,2013：2764-2768.

[6]CHEN S,XING C,FEI Z,et al.Dynamic clustering algorithm design for ultra dense small cell networks in 5G[C]//10th International Conference on Communications and Networking in China,August 15-17,2015,Shanghai,China.New Jersey：IEEE Press,2015：836-840.

[7]YUNAS S F,VALKAMA M,NIEMELA J.Spectral and energy efficiency of ultra-dense networks under different deployment strategies[J].IEEE Communications Magazine,2015,53(1)：90-100.

[8]QIN C,TIAN H.A greedy dynamic clustering algorithm of joint transmission in dense small cell deployment[C]//2014 IEEE 11th Consumer Communications and Networking Conference (CCNC),January 10-13,2014,Las Vegas,USA.New Jersey：IEEE Press,2014：629-634.

[9]YANG C,LI J,GUIZANI M.Cooperation for spectral and energy efficiency in ultra-dense small cell networks[J].IEEE Wireless Communications,2016,23(1)：64-71.

[10]QU F,TIAN J,LI M,et al.Vertex coloring based logical channel mapping for frequency hopping transmission in next generation broadcasting wireless systems[C]//10th International Conference on Communicationsand Networking in China, August 15-17,2015,Shanghai,China.New Jersey：IEEE Press, 2015：670-674.

[11]OH E,SON K,KRISHNAMACHARI B.Dynamic base station switching-on/off strategies for green cellular networks[J].IEEE Transactions on Wireless Communications,2013,12(5)：2126-2136.

[12]PAN Z,SHIMAMOTO S.Cell sizing based energy optimization in joint macro-femto deployments via sleep activation[C]//2013 IEEE Wireless Communications and Networking Conference (WCNC),April 7-10,2013,Shanghai,China.New Jersey：IEEE Press,2013：4765-4770.

[13]ZHANG Q,ZHU X,WU L,et al.A coloring-based resource allocation for OFDMA femtocell networks[C]//2013 IEEE Wireless Communications and Networking Conference(WCNC),April 7-10, 2013,Shanghai,China.New Jersey：IEEE Press,2013：673-678.

[14]LI C,ZHANG J,LETAIEF K B.Throughput and energy efficiency analysis of small cell networks with multi-antenna base stations[J].IEEE Transactions on Wireless Communications, 2014,13(5)：2505-2517.

[15]AUERG,GIANNINIV,DESSETC,etal.Howmuchenergyis needed to run a wireless network[J].IEEE Wireless Communications,2011, 18(5)：40-49.

[16]KARABOGA D,AKAY B.Artificialbeecolony(ABC) algorithm on training artificial neural networks[C]//15th Signal Processing and Communications Applications,June 11-13, 2007,New York,USA.New Jersey：IEEE Press,2007：1-4.

[17]解可新,韓健,林友聯(lián).最優(yōu)化方法[M].天津：天津大學(xué)出版社,1997：125-135. XIE K X,HAN J,LIN Y L.Optimization methods[M].Tianjin：Tianjin University Press,1997：125-135.

[18]KANDUKURI S,BOYD S.Optimal power control in interferencelimited fading wireless channels with outage-probability specifications[J].IEEE Transactions on Wireless Communications, 2002,1(1)：46-55.

[19]GE X,TU S,MAO G,et al.5G ultra-dense cellular networks[J]. IEEE Wireless Communications,2015,23(1)：72-79.

An energy saving clustering algorithm based on artificial bee colony in ultra dense network

ZHOU Pengguang,HUANG Junwei,ZHANG Renchi,XU Hao
School of Communication and Information Engineering,Chongqing University of Posts and Telecommunications,Chongqing 400065,China

In ultra dense network(UDN),the dense deployment of low power base station(BS)will increase the system’s energy consumption and cause the waste of the scarce spectrum resources.Aiming to explore the feasible method of energy saving system and interference coordination,BS sleeping-waking-active mechanism in UDN was proposed,which would reduce the opening time of the sleeping BS.Also an adjusted artificial bee colony algorithm was proposed which used the least colors to dye the BS in topology,then power allocation of active BS in different cluster was optimized.Simulations show that the sleeping-waking-active mechanism can improve the energy efficiency of the system,and the clustering algorithm can promote the spectrum efficiency and throughput.

ultra dense network,artificial bee colony algorithm,clustering,energy saving

TN929.5

A

10.11959/j.issn.1000-0801.2017038

周朋光（1992-），男，重慶郵電大學(xué)碩士生，主要研究方向?yàn)?G關(guān)鍵技術(shù)、超密集網(wǎng)絡(luò)中的干擾協(xié)調(diào)技術(shù)。

黃俊偉（1969-），男，重慶郵電大學(xué)高級(jí)工程師、碩士生導(dǎo)師，主要研究方向?yàn)樾乱淮鷮拵б苿?dòng)通信核心芯片、協(xié)議及系統(tǒng)應(yīng)用、寬帶無(wú)線通信。

張仁遲（1991-），男，重慶郵電大學(xué)碩士生，主要研究方向?yàn)長(zhǎng)TE/5G相關(guān)關(guān)鍵技術(shù)。

徐浩（1992-），男，重慶郵電大學(xué)碩士生，主要研究方向?yàn)?5G關(guān)鍵技術(shù)、毫米波MIMO系統(tǒng)混合波束成形技術(shù)。

2016-12-20；

2017-02-07

國(guó)家科技重大專項(xiàng)基金資助項(xiàng)目(No.2016ZX03002010-003)

Foundation Item：The National Science and Technology Major Project of China(No.2016ZX03002010-003)