本文關(guān)鍵詞：基于協(xié)同隨機量子粒子群算法的自適應(yīng)頻率復(fù)用方法研究　出處：《武漢大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

  更多相關(guān)文章： 多小區(qū)OFDMA系統(tǒng) 小區(qū)間干擾 資源分配 干擾協(xié)調(diào) 協(xié)同隨機量子粒子群算

【摘要】：隨著超高清視頻、3D視頻和虛擬增強現(xiàn)實等新業(yè)務(wù)的接入,將對系統(tǒng)吞吐量提出更高的要求。超密集網(wǎng)絡(luò)由于其提升系統(tǒng)吞吐量的巨大潛力,被認(rèn)為是5G通信網(wǎng)絡(luò)系統(tǒng)的關(guān)鍵技術(shù)之一。OFDMA多小區(qū)系統(tǒng)的小區(qū)間干擾問題不僅是4G通信網(wǎng)絡(luò)系統(tǒng)中宏小區(qū)和微小區(qū)面臨的難題,也是5G通信網(wǎng)絡(luò)系統(tǒng)中超密集網(wǎng)絡(luò)大規(guī)模部署必須克服的關(guān)鍵問題。干擾協(xié)調(diào)方法是現(xiàn)有解決小區(qū)間干擾問題的主要方法。傳統(tǒng)的干擾協(xié)調(diào)方法雖然能一定程度上減小小區(qū)間干擾問題,但是存在靈活性差、頻譜資源利用率低和系統(tǒng)吞吐量提升不足等缺點。針對小區(qū)間干擾問題,本文首先基于協(xié)同量子粒子群算法提出一種子載波和功率聯(lián)合分配的協(xié)同隨機量子粒子群算法。通過頻譜和功率的聯(lián)合分配提高系統(tǒng)吞吐量資源利用率。接著分析了用戶都聚集于小區(qū)外圍的場景下協(xié)同隨機量子粒子群算法的不足。在分?jǐn)?shù)頻率復(fù)用方法的框架上,提出基于協(xié)同隨機量子粒子群算法的自適應(yīng)頻率復(fù)用方法。在繼承分?jǐn)?shù)頻率復(fù)用方法有效減小區(qū)間干擾優(yōu)點的同時,充分提高系統(tǒng)吞吐量。本文的主要工作如下:(1)建立OFDMA多小區(qū)系統(tǒng)模型。在發(fā)射功率一定的條件下,以多小區(qū)系統(tǒng)整體最大吞吐量為目標(biāo),以最小信號噪聲比為約束,建立頻譜和功率聯(lián)合分配的系統(tǒng)模型。(2)基于協(xié)同量子粒子群算法提出子載波和功率聯(lián)合分配的協(xié)同隨機量子粒子群算法。從三方面改進(jìn)了協(xié)同量子粒子群算法不適應(yīng)于系統(tǒng)聯(lián)合資源分配的缺點:改進(jìn)粒子群算法中的罰函數(shù)策略,使得功率分配能夠滿足條件約束;改進(jìn)量子遺傳算法的離散解分配策略,使得子載波分配的取值范圍擴大到全部用戶;提出隨機協(xié)同策略,使得能夠得到較好的全局最優(yōu)解。仿真結(jié)果表明,與傳統(tǒng)的分步求解算法相比,增加了 12.3%吞吐量,提高18%的吞吐量功率比。(3)提出基于協(xié)同隨機量子粒子群算法的自適應(yīng)頻率復(fù)用方法。首先劃分小區(qū)內(nèi)部用戶和小區(qū)外圍用戶。根據(jù)系統(tǒng)各區(qū)域的人數(shù)分布劃分頻譜。然后通過協(xié)同隨機量子粒子群算法分別調(diào)整內(nèi)部用戶和外圍用戶的頻譜和功率,最大化系統(tǒng)的吞吐量。仿真結(jié)果表明,與傳統(tǒng)的干擾協(xié)調(diào)方法相比,本文方法提高了 42.9%的吞吐量,提升了 46.64%的吞吐量功率比,降低了 67.78%的無效子載波占比。
[Abstract]:With the access of new services such as ultra-high definition video (UHD) 3D video and virtual augmented reality (VR), the system throughput will be higher. It is considered as one of the key technologies of 5G communication network system. The problem of inter-cell interference in OFDMA multi-cell system is not only a difficult problem in 4G communication network system. It is also a key problem that must be overcome in the large-scale deployment of super-dense network in 5G communication network system. Interference coordination method is the main method to solve the problem of inter-cell interference. The traditional interference coordination method can solve the problem of inter-cell interference. The problem of reducing inter-cell interference in degree. However, there are some disadvantages, such as low flexibility, low utilization of spectrum resources and insufficient system throughput. In this paper, a cooperative random quantum particle swarm optimization algorithm based on cooperative quantum particle swarm optimization (CQPSO) is proposed, in which subcarrier and power are jointly allocated. The system throughput resource efficiency is improved by the joint allocation of spectrum and power. This paper analyzes the shortcomings of cooperative random quantum particle swarm optimization (QPSO) algorithm in the scenario where users are clustered in the periphery of the cell. It is based on the fractional-frequency multiplexing (Frequency-Multiplexing) method. An adaptive frequency multiplexing method based on cooperative random quantum particle swarm optimization algorithm is proposed, which inherits the advantages of fractional frequency multiplexing method and effectively reduces interval interference. The main work of this paper is as follows: 1) establish the model of OFDMA multi-cell system. Under the condition of certain transmitting power, take the overall maximum throughput of multi-cell system as the target. The minimum signal-to-noise ratio is used as the constraint. Establishment of a system model for joint spectrum and power allocation. Based on cooperative quantum particle swarm optimization (CQPSO), a cooperative stochastic quantum particle swarm optimization (CQPSO) algorithm is proposed, which is based on joint subcarrier and power allocation. The cooperative quantum particle swarm optimization (CQPSO) algorithm is not suitable for the joint resource allocation of the system in three aspects. The penalty function strategy in particle swarm optimization is improved. The power distribution can satisfy the conditional constraints; The discrete solution allocation strategy of quantum genetic algorithm is improved to extend the value range of subcarrier allocation to all users. A stochastic cooperative strategy is proposed to obtain a better global optimal solution. The simulation results show that compared with the traditional step-by-step algorithm, the throughput of the proposed algorithm is increased by 12.3%. Increase throughput power ratio of 18% by 3). An adaptive frequency multiplexing method based on cooperative random quantum particle swarm optimization algorithm is proposed. Firstly, the users inside the cell and the peripheral users in the cell are divided. The spectrum is divided according to the distribution of the number of people in each region of the system, and then the frequency spectrum is divided by the cooperative random quantity. The subparticle swarm optimization algorithm adjusts the spectrum and power of internal users and peripheral users respectively. The simulation results show that compared with the traditional interference coordination method, the proposed method improves the throughput of 42.9% and the throughput power ratio of 46.64%. The invalid subcarrier ratio of 67.78% is reduced.
【學(xué)位授予單位】：武漢大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TN929.5;TP18

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 秦玉靈;孔憲仁;羅文波;;混沌量子粒子群算法在模型修正中的應(yīng)用[J];計算機工程與應(yīng)用;2010年02期

2 陳治明;;新型量子粒子群算法及其性能分析研究[J];福建電腦;2010年05期

3 牛永潔;;一種新型的混合粒子群算法[J];信息技術(shù);2010年10期

4 全芙蓉;;粒子群算法的理論分析與研究[J];硅谷;2010年23期

5 劉衍民;趙慶禎;邵增珍;;一種改進(jìn)的完全信息粒子群算法研究[J];曲阜師范大學(xué)學(xué)報(自然科學(xué)版);2011年01期

6 朱童;李小凡;魯明文;;位置加權(quán)的改進(jìn)粒子群算法[J];計算機工程與應(yīng)用;2011年05期

7 熊智挺;譚陽紅;易如方;陳賽華;;一種并行的自適應(yīng)量子粒子群算法[J];計算機系統(tǒng)應(yīng)用;2011年08期

8 孟純青;;非線性粒子群算法[J];微計算機應(yīng)用;2011年08期

9 任偉建;武璇;;一種動態(tài)改變學(xué)習(xí)因子的簡化粒子群算法[J];自動化技術(shù)與應(yīng)用;2012年10期

10 劉飛,孫明,李寧,孫德寶,鄒彤;粒子群算法及其在布局優(yōu)化中的應(yīng)用[J];計算機工程與應(yīng)用;2004年12期

相關(guān)會議論文 前10條

1 朱童;李小凡;魯明文;;位置加權(quán)的改進(jìn)粒子群算法[A];中國科學(xué)院地質(zhì)與地球物理研究所第11屆（2011年度）學(xué)術(shù)年會論文集(上)[C];2012年

2 陳定;何炳發(fā);;一種新的二進(jìn)制粒子群算法在稀疏陣列綜合中的應(yīng)用[A];2009年全國天線年會論文集（上）[C];2009年

3 陳龍祥;蔡國平;;基于粒子群算法的時滯動力學(xué)系統(tǒng)的時滯辨識[A];第十二屆全國非線性振動暨第九屆全國非線性動力學(xué)和運動穩(wěn)定性學(xué)術(shù)會議論文集[C];2009年

4 于穎;李永生;於孝春;;新型離散粒子群算法在波紋管優(yōu)化設(shè)計中的應(yīng)用[A];第十一屆全國膨脹節(jié)學(xué)術(shù)會議膨脹節(jié)設(shè)計、制造和應(yīng)用技術(shù)論文選集[C];2010年

5 劉卓倩;顧幸生;;一種基于信息熵的改進(jìn)粒子群算法[A];系統(tǒng)仿真技術(shù)及其應(yīng)用（第7卷）——'2005系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)交流會論文選編[C];2005年

6 熊偉麗;徐保國;;粒子群算法在支持向量機參數(shù)選擇優(yōu)化中的應(yīng)用研究[A];2007中國控制與決策學(xué)術(shù)年會論文集[C];2007年

7 方衛(wèi)華;徐蘭玉;陳允平;;改進(jìn)粒子群算法在大壩力學(xué)參數(shù)分區(qū)反演中的應(yīng)用[A];2012年中國水力發(fā)電工程學(xué)會大壩安全監(jiān)測專委會年會暨學(xué)術(shù)交流會論文集[C];2012年

8 熊偉麗;徐保國;;單個粒子收斂中心隨機攝動的粒子群算法[A];2009年中國智能自動化會議論文集（第七分冊）[南京理工大學(xué)學(xué)報（增刊）][C];2009年

9 馬向陽;陳琦;;以粒子群算法求解買賣雙方存貨主從對策[A];第十二屆中國管理科學(xué)學(xué)術(shù)年會論文集[C];2010年

10 趙磊;;基于粒子群算法求解多目標(biāo)函數(shù)優(yōu)化問題[A];第二十一屆中國（天津）’2007IT、網(wǎng)絡(luò)、信息技術(shù)、電子、儀器儀表創(chuàng)新學(xué)術(shù)會議論文集[C];2007年

相關(guān)博士學(xué)位論文 前10條

1 李慶偉;粒子群算法及電廠若干問題的研究[D];東南大學(xué);2016年

2 杜毅;多階段可變批生產(chǎn)線重構(gòu)的研究[D];廣東工業(yè)大學(xué);2016年

3 尹浩;求解Web服務(wù)選取問題的粒子群算法研究[D];東北大學(xué);2014年

4 王芳;粒子群算法的研究[D];西南大學(xué);2006年

5 安鎮(zhèn)宙;家庭粒子群算法及其奇偶性與收斂性分析[D];云南大學(xué);2012年

6 劉建華;粒子群算法的基本理論及其改進(jìn)研究[D];中南大學(xué);2009年

7 黃平;粒子群算法改進(jìn)及其在電力系統(tǒng)的應(yīng)用[D];華南理工大學(xué);2012年

8 胡成玉;面向動態(tài)環(huán)境的粒子群算法研究[D];華中科技大學(xué);2010年

9 張靜;基于混合離散粒子群算法的柔性作業(yè)車間調(diào)度問題研究[D];浙江工業(yè)大學(xué);2014年

10 張寶;粒子群算法及其在衛(wèi)星艙布局中的應(yīng)用研究[D];大連理工大學(xué);2007年

相關(guān)碩士學(xué)位論文 前10條

1 張忠偉;結(jié)構(gòu)優(yōu)化中粒子群算法的研究與應(yīng)用[D];大連理工大學(xué);2009年

2 李強;基于改進(jìn)粒子群算法的艾薩爐配料優(yōu)化[D];昆明理工大學(xué);2015年

3 付曉艷;基于粒子群算法的自調(diào)節(jié)隸屬函數(shù)模糊控制器設(shè)計[D];河北聯(lián)合大學(xué);2014年

4 余漢森;粒子群算法的自適應(yīng)變異研究[D];南京信息工程大學(xué);2015年

5 梁計鋒;基于改進(jìn)粒子群算法的交通控制算法研究[D];長安大學(xué);2015年

6 楊偉;基于粒子群算法的氧樂果合成過程建模研究[D];鄭州大學(xué);2015年

7 李程;基于粒子群算法的AS/RS優(yōu)化調(diào)度方法研究[D];陜西科技大學(xué);2015年

8 樊偉健;基于混合混沌粒子群算法求解變循環(huán)發(fā)動機數(shù)學(xué)模型問題[D];山東大學(xué);2015年

9 陳百霞;考慮風(fēng)電場并網(wǎng)的電力系統(tǒng)無功優(yōu)化[D];山東大學(xué);2015年

10 戴玉倩;基于混合動態(tài)粒子群算法的軟件測試數(shù)據(jù)自動生成研究[D];江西理工大學(xué);2015年

，

本文編號：1416466