基於粒子群最佳化之位置推薦方法

圖 3-5、粒子群演算法示意圖

粒子群演算法的演算方式由圖 3-5 所示，粒子的初始位置為 1，而原本 要朝向 2 移動，但透過適應值(fitness value)的計算會先朝向區域最佳解的 3 前進，之後會受到全域最佳解的影響往 4 前進，最後到達 5。

3.2.2 基於粒子群最佳化之位置推薦方法

本小節將會敘述基於粒子群最佳化之位置推薦演算法(PSO-LR)的設計 概念，由圖 3-6 可得知，原先 D2D 用戶位置是受到干擾之情況，若 D2D 用戶根據 LR 演算法所提供的位置移動，如圖 3-7，D2D 用戶便可改善系 統容， D2D 用戶與基地台的距離相當的靠近，D2D 用戶將受到來自於基

1

2 2

3 2 4 2 5 2

地台的干擾，使得 D2D 系統容量受到嚴重的影響，因此 D2D 用戶向基地 台通知需要位置推薦並且提出階段性系統的提升要求，根據 PSO-LR 演算 法的計算後，將會請 D2D 用戶移動到 PSO-LR 演算法推薦的位置，來達 成系統容量的提升。

圖 3-6、文獻[5]未使用 LR 演算法

圖 3-7、使用後 LR 演算法

由於本方法是基於粒子群最佳化來設計的位置推薦演算法，所以我們 必須先設計出符合我們需求的適應值，我們的主要需求是推薦距離越短越 好，但是其推薦後的系統容量是越高越好，所以依照我們的需求設計出如 (式 3-8)所示的適應值函數：

   

 

1

2 _ 2 _ 2 _ 2 _ g

( )( ) ,

( )

0,

fit D D particle move D D after D D before D D tar et move

w C d C C C

f d elsewhere

^{(式 3-8)}

其中

w

_fit為適應值權重；

C

D D particle_{2 _} 為粒子所在位置之系統容量；

d

_move為需 要移動的距離；

C

_{D D before2 _} 為假設 D2D 移動後的系統容量；

C

_{D D after2 _} 為 D2D 移動前的系統容量；

C

_{D D t2 _ arget}為移動後可增加的系統容量目標值。

本研究的目標是降低移動成本為主要出發點， PSO-LR 演算法是特別 針給 D2D 用戶使用的，希望 D2D 用戶依循著 PSO-LR 演算法提供的位置 推薦來移動，讓用戶以最低的移動成本達到最佳的服務品質，所以我們設 計出位置推薦成本函數，如(式 3-9)所示:

  ¹ 

cos_t( cos_t, ave ave ave, , , ave) cost( ave ave) ave ave

LR w c r t d w c r t d

(式 3-9)

其中

d

_ave表示為平均推薦距離;

w

_cost表示為成本權重;

c

_ave表示為系統容 量成長率;

r

_ave表示為資源利用提升率;

t

_ave：平均一千次之計算時間；由於 我們希望成本函數越低越好，我們把

c

_ave及

r

_ave越高越好的指標以倒數的方 式乘上

t

_ave及

d

_ave越低越好的指標，透過這些數值來客觀的分析我們移動之 後所需要花費多少成本，可以得出我們 PSO-LR 的推薦方法所帶來的優勢。

在此我們可以將問題簡化為^{ˆl F l}



^{, , }



^{的方程式，其中}

^ˆl

^代表為

PS0-LR 演算法推薦位置； l代表為 D2D 用戶目前所在位置； 代表為 D2D 用

戶目前的系統容量； 代表為 D2D 用戶要求要提升的系統容量，以下為 PSO-LR 演算法的說明。

首先，我們在模擬環境之中設置了 m 個座標點，在此我們對於每一個 座標點先行計算出系統容量並且記錄在資料庫中，當 D2D 用戶提出增加 系統容量的需求之後，根據 D2D 用戶提出要求對應出資料庫中所符合條 件的系統容量，接下來在這些符合條件的系統容量計算出與 D2D 用戶的 距離，最後使用粒子群演算法來挑選出成本最低、推薦距離最短的位置給 D2D 用戶，來達到提升系統容量降低計算時間的目的，圖 3-8 為位置推薦 演算法流程圖而圖 3-9 為位置推薦演算法之虛擬碼。

開始

初始化粒子群的隨 機位置和速度

以(式3-8)尋找符合 推薦距離短且達到 目標系統容量的粒

子

根據(式3-6及式3-7) 更新粒子的位置以

及速度

到達設定之疊代次數 取代當前D2D Pair位置

結束

是否比當前的

區域最佳解位置(pb)與全域最佳 解位置(gb)好

否

是 是

否

圖 3-8、PSO 位置推薦演算法之流程圖

Algorithm: PSO location recommendation algorithm (LR) 01：Construct and initialize the capacity map {(

l

₁,



_{1), (}

l

₂,



₂), ..., (

l

_m,



_m)}

02：D2D_ℎ informs the serving BS of (𝑙_ℎ,𝜑_ℎ)→(𝜑_ℎ,𝜓_ℎ ) // 𝑙_ℎ: Current D2D_ℎ location

// 𝜑_ℎ: Evaluated capacity of the current location // 𝜓_ℎ : Desired capacity level

03：If



_h<



_h

04：For k = 1 : m 05： Export (

l

_k,



_k)

06： Set Λ as the set of {(

l

^*_k,



_k^*)} in which



_k≥



_h //



_k^*is adequate to the desired capacity level 07：End For

08：If Λ∅

//Calculate the moving distance from the current location

l

_hto each location

l

_k^*in Λ,

d

_{h k,}

09： Initialize particles swarm optimization //initialize all particles

10： Repeat

11： For each particle i in S do

// Construct and initialize the particle S={(

x

₁,

pb

₁), (

x

₂,

pb

₂), ..., (

x

_i,

pb

i)}

12： If

f x

( )_i <

f pb

( )_i then

//update the particle’s best position by Fitness Eq.(3-8) 13：

pb

_i=

x

_i

15： If

f pb

( )_i <

^{f gb}  

^then

//update the global best position 16：

gb

=

pb

_i

17： End If 18： End For

19： For each particle i in S do //update particle’s velocity and position 20： For each dimension d in D do Eq.(3-6) and (3-7)

21： End For 22： End For

23：

n

 

n

1 //advance iteration 24： Until

n MAX ITERATIONS

 _ 25：

ˆl

=

gb

//Output the location

ˆl

with the minimum moving distance 26：End if

27：Else Λ



O

// The search results is null 28：Return

l

_h

// Keep staying in the current location 29：Return

ˆl

// Go to the new location

ˆl

30：End if 31：End

圖 3-9、PSO 位置推薦演算法之虛擬碼

在文檔中 D2D通訊於LTE蜂巢式網路中使用粒子群最佳化演算法之位置推薦 (頁 35-42)