优化解决移动通信中的信道分配问题.docx

解决移动通信中的信道分配问题 优化解决移动通信中的信道分配问题是一个非常重要的研究方向。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得越来越重要。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(,,)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。 已经有大量的例子使用基因算法 GA 来解决信道分配问题。例如，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(Soft constraint) ，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。这些算法包括：综合代数模型系统(General Algebraic Modeling System (GAMS), 传统的最速下降算法(steepest descent)等。