[发明专利]一种mMTC场景中基于AGA的NOMA资源分配方法

说明书

本发明涉及无线通信技术领域，特别涉及一种mMTC场景中基于AGA的NOMA资源分配方法，包括建立在上行NOMA系统中mMTC设备总功率优化模型；根据实数型的功率变量和离散整数型的子载波分配标识变量进行基于实值编码的染色体编码；根据优化模型中的目标函数和约束条件建立自适应惩罚函数，并根据惩罚函数设计适应度函数；根据适应度函数计算个体适应度，并将当前个体进行选择复制、交叉、变异操作；对得到的下一代种群继续计算个体适应度以及通过选择复制、交叉、变异操作得到下一代种群，直至最大种群代数，该代种群中个体适应度最大的即为最优的染色体；本发明能够有效降低mMTC设备的传输功率，且易于实现。

技术领域

本发明涉及无线通信技术领域，具体涉及一种大规模机器类通信(massiveMachine Type of Communication，mMTC)场景中基于自适应遗传算法(Adaptive GeneticAlgorithm，AGA)的NOMA资源分配方法。

背景技术

大规模机器类通信(mMTC)是物联网(IoT)发展的重要推动者，该场景设备具有连接密度高、低成本、低功耗、上行传输为主等特点。由于mMTC被标准化以支持海量机器类通信设备的接入，而传统的正交多址接入(OMA)中单个子载波只能由一个设备使用，无法满足海量设备接入网络的需求，因此引入了非正交多址接入(NOMA)技术。功率域NOMA允许不同的用户叠加在同一子载波，通过不同的功率进行区分，发送端实施简单，接收端采用干扰消除技术。虽然接收机复杂度的增加限制了NOMA在下行场景的发展，但是基站端强大的处理能力使NOMA在上行场景有良好的发展前景。

目前，NOMA技术在mMTC场景中的资源分配研究多以最大化吞吐量、最大化传输能效等为目标建立系统模型。有学者以最大化吞吐量为目标，提出了一种基于遗传算法(GA)的资源分配方案，该方案有效提高了系统的频谱利用率及吞吐量，但该研究使用固定的交叉概率和变异概率，算法收敛速度较慢；有学者以系统能效作为优化目标，利用AGA对功率进行优化，并对AGA的交叉概率和变异概率进行改进，避免较优解丢失，但该研究直接以目标函数作为适应度函数，搜索能力较差，容易陷入局部最优解中；有学者设计一种基于自适应惩罚函数的AGA，但只考虑种群可行解的比例，忽略个体满足约束条件数对算法收敛速度的影响，导致算法收敛速度较慢。

发明内容

针对上述问题，本发明提供一种mMTC场景中基于AGA的NOMA资源分配方法，所述mMTC场景每个小区包含单个基站以及多个mMTC设备，其中，所有的mMTC设备可以表示为集合M＝{m₁,m₂,…,m_M}，系统总带宽为B，子载波可以表示为集合N＝{n₁,n₂,…,n_N}，每个子载波的带宽为B_n，进行资源分配包括以下步骤：

建立在上行NOMA系统中mMTC设备总功率优化模型；

根据实数型的功率变量和离散整数型的子载波分配标识变量进行基于实值编码的染色体编码；

根据优化模型中的目标函数和约束条件建立自适应惩罚函数，并根据惩罚函数设计适应度函数；

根据适应度函数计算个体适应度，并将当前个体进行选择复制、交叉、变异操作；

对通过选择复制、交叉、变异操作得到的下一代种群继续计算个体适应度以及通过选择复制、交叉、变异操作得到下一代种群，直到达到最大种群代数，该代种群中个体适应度最大的即为最优的染色体。

进一步的，mMTC设备总功率优化模型表示为：

约束条件包括：