本文提出了一种面向5G前传无源光网络的数字子载波动态分配策略，主要目的是优化资源分配效率，以适应5G前传网络中业务流量的动态变化。以下是文件的核心内容总结：

研究背景与动机：

5G网络普及：截至2023年12月，我国5G移动用户规模已达8.05亿，对网络架构和资源调度提出更高要求。

C-RAN架构：云无线接入网（C-RAN）凭借其高效的干扰控制和成本优势，被视为5G/6G网络的关键架构。

PON优势：无源光网络（PON）凭借高带宽、低时延等优势，被广泛认为是5G/6G前传网络的理想解决方案。

现有问题：现有静态分配方法难以适应业务流量动态变化，导致资源分配效率低下。

研究目标：

提出一种基于改进遗传算法的数字子载波动态分配策略，以优化5G前传无源光网络的资源分配效率。

系统模型与算法设计：

系统架构：采用基于频分复用（FDM）的架构，包括光网络单元（ONU）、光线路终端（OLT）和传输链路。

问题建模：在时变业务需求下，实时为各ONU分配子载波资源，优化业务丢失率、子载波利用率和配置复杂度。

优化目标函数：建立多目标优化函数，包括业务丢失率（U）、子载波利用率（V）和配置复杂度（W），并引入权重系数建立综合目标函数。

约束条件：确保每个子载波的最大信息传输速率、OLT能提供的子载波数最大值，以及避免信道重复分配。

改进遗传算法的健康度共享策略：

健康度共享机制：引入健康度共享机制以增强算法全局搜索能力，避免早熟收敛。

动态调整共享半径：采用动态调整共享半径策略维持种群多样性，根据适应度改善程度调整共享半径。

动态分配流程：

流程步骤：包括读取当前子载波资源池、子载波再分配初始化、评估、选择与进化、健康度共享、终止判断和方案实施。

仿真实验及结果分析：

实验设置：基于OMNet++网络模拟器模拟动态流量场景，对比分析改进遗传算法与传统遗传算法、静态分配方法的差异。

算法改进收敛性分析：改进后的遗传算法通过引入健康度共享机制，有效维持了种群多样性，收敛曲线更平滑。

各项性能分析：

业务丢失率：在高负载条件下（300 Gb/s），较传统静态分配方法降低业务丢失率10%。

子载波利用率：保持数字子载波利用率稳定在90%以上。

配置复杂度：初期复杂度略高，但通过历史配置学习快速优化决策方案，最终复杂度低于对比方法并保持稳定。

结束语：

研究成果：所提算法有效提升了资源分配的灵活性和自适应性，能够更好地适应5G前传网络的流量波动。

研究局限：未考虑多业务优先级调度及更复杂的光网络拓扑结构。

未来工作：探索深度学习在动态资源分配中的应用，并研究跨层优化策略以提升网络整体性能。