论文部分内容阅读
5G超密集组网技术通过在宏基站范围内密集部署小基站,提升了用户体验、信号覆盖率和系统容量,但同时也导致了越发复杂的拓扑结构和基站间严重的干扰问题。此外,在资源紧缺、倡导节能时代,潮汐效应导致的频谱资源浪费问题不容忽视,环境变化易触发算法的频繁执行,产生的计算、信令等开销不容小觑。异构云无线接入网络（Heterogeneous Cloud Radio Access Network,H-CRAN）是5G基本架构,基于该架构,便于实现用户数据收发和信道质量等信息的共享,以及对资源的统一管理和调度,对降低基站间干扰,提高频谱利用率,提升网络吞吐量具有重要作用。为解决超密集异构网络内严重的干扰问题,增强算法自适应环境变化的能力,同时降低算法复杂度和系统开销,本文工作主要分为两个部分。第一个部分基于H-CRAN架构提出了一种集中式的基于拟合改进K-means的小基站聚类算法,以简化拓扑结构,降低算法复杂度。此外,设计了信息测量和上传机制,以获取聚类和资源分配阶段所需信息。首先根据小基站的特点定义了一种包含“受宏基站干扰程度、接入用户数、相邻小基站数”信息的三维欧式坐标,以标识并区分各小基站。根据聚类中心的特点定义了密集因子和中心因子,由其组成的双因子坐标包含了各小基站是否适合成为聚类中心的信息。然后对传统K-means算法进行了改进,主要包括设计了拟合函数用于拟合双因子坐标的分布,重新定义了节点加入聚类中心的准则和更新聚类中心的方法、定义了由于节点加入或退出等导致网络拓扑结构变化时局部更新聚类结果的方法。基于Matlab平台对算法性能进行了仿真验证,结果表明本聚类算法能基于拟合自动确定初始聚类中心和聚类个数,能将各个区域明显划分。平均迭代次数是传统K-means算法的1/2;低于基于贪婪的动态聚类算法,且随着小基站数的增加,迭代次数减少优势更明显。在吞吐量性能方面,本聚类算法略优于基于贪婪的动态聚类算法;随着小基站数增加,相比传统K-means算法的吞吐量性能提升明显,最高可提升约11.56%。本文第二部分工作根据所提的基于拟合改进K-means的小基站聚类算法聚类后的拓扑结构,设计了一种基于Q学习的两级资源分配算法,目标是降低算法复杂度及提高自适应环境变化能力。第一级资源分配算法在宏基站集中控制下基于Q学习为各聚类和自身分配资源块组（Resource Block Group,RBG）,RBG内包含若干资源块（Resource Block,RB）。第二级资源分配算法也在宏基站控制下采用RB分配策略为聚类内的小基站分配RB,并进一步基于现有的比例公平算法为接入宏基站的用户分配RB,为接入小基站的用户分配资源粒子（Resource Element,RE）。本算法以RBG为学习状态,以RBG上的资源复用或正交情况为动作,加快收敛速度。且根据环境反馈在宏基站、各聚类间复用或正交,平衡频谱利用率与系统干扰。其次仅以聚类中心作为基于Q学习进行资源分配的对象,能够以聚类为单位综合协调小基站间的干扰、小基站与宏基站间的干扰,降低算法复杂度。基于Matlab平台对算法性能进行了仿真验证,结果表明本文所提资源分配算法的吞吐量接近基于Q学习的集中式资源分配算法（Centralized Q-Learning,CQL）,但迭代次数平均可减少1/8左右。与基于Q学习的分布式资源分配算法（Decentralized Q-Learning,DQL）相比,吞吐量最高可提升20.34%左右,迭代次数平均可减少1/4左右。