搜索
DE算法是一种基于群体进化的算法，其本质是一种基于实数编码的具有保优思想的贪婪遗传算法。由于DE算法操作简单，寻优能力强，自提出以来引起了国内外学者的高度关注，目前已在电力系统优化调度、配网重构等领域得到了应用。本文选择单小区作为仿真背景，在MATLAB2014a平台下使用DE算法验证最优化模型的有效性，基本DE算法的基本步骤如下：设定DE算法的种群大小，最大迭代次数，缩放因子，交叉概率DE算法变异操作DE算法交叉操作进行适应度评估随机生成初始DE种群，置迭代次数k为0DE算法选择操作是否达到最大迭代次数？k=k+1是输出结果，退出程序否开始具体步骤如下:步骤1:设定DE算法的种群大小为100，最大迭代次数为100，缩放因子为2，交叉概率为0.6;步骤2:随机生成初始DE种群，置迭代次数k为0;步骤3:先进行DE算法变异操作,再进行DE算法交叉操作;步骤4:根据,1minNnkxnE进行适应度评估;步骤5:进行DE算法选择操作;步骤6:是否达到最大迭代次数,或者目标函数两次迭代值之差是否达到设定的阈值,若成立,跳到步骤7,否则,跳到步骤3;步骤7:输出最佳的用户与D2D的动态关联策略。本文在模型仿真分析中，使用到了不少仿真参数。小区半径为500m，信道增益=2ijH；D2D设备的发送功率=25ijP，无线信道带宽=10zBMH，噪声功耗2=-174dm/BHz。要租借的回程带宽的单价=15c，用户i向设备j请求的内容的请求速率服从高斯分布，能量的单价ij=10，缓存的内存成本=200。小区中用户分布如图1所示。小区是以基站为中心，在基站周围设置25m的限制区域确保基站所受干扰较小。在小区中，D2D用户为10，D2D设备为3均在小区随机分布，并且D2D用户的发送端与接收端的距离不能超过50m。图1小区用户分布图为了对收益模型进行优化分析，综合调研比较了该小区在一天24小时进行均匀调研数据传输速率及用户请求速率，并对二者之间的关系进行了对比分析，如图2所示。从图2可以看出，用户的数据传输速率和请求速率大体上处于供需平衡状态，但在中午时刻，用户请求数据传输速率明显降低，因为中午人们正在休-5000500-500-400-300-200-100010020030040050012345678910123123息有关，然而此时数据传输速率比较大，明显存在资源分配浪费的地方，因此需要通过优化建立最佳的用户与D2D的动态关联策略。图2数据传输速率及用户请求速率对比分析为了建立最佳的用户与D2D的动态关联策略，根据前文描述的目标函数和约束条件利用DE算法进行求解，结果如图3所示，给出了迭代500次后，设备总收益目标函数随着迭代次数的变化曲线，从图中可以看出，经过400次迭代后，收益目标函数基本趋于收敛，各代最佳值趋近于450，各代平均值趋近于420左右。0510152025020406080100120140时刻kbps请求速率数据传输速率050100150200250300350400450500370380390400410420430440450函数值曲线终止代数＝500进化代数函数值各代平均值各代最佳值