- 文献综述（或调研报告）：
0 引言
随着现代社会的发展，移动用户对于无线数据不断增长的需求是无法满足的，并且极大地影响了未来无线网络的技术和设计。2015年，移动数据流量约为每月3.7艾字节，根据思科的预测，到2020年每月将超过30艾字节。虽然已经开发出无线通信技术来满足这一需求，但大多数技术还不够 以满足指数级增长的移动数据流量。 最近，已经报道了许多关于5G蜂窝网络的研究。 尽管如此，仍然存在关于最终选择技术和5G标准的悬而未决的问题。5G将依赖于以下三种使能技术，即所谓的大三：（i）大规模多输入多输出（MIMO），（ii）毫米波（mmWave），以及（iii）超强化。 [2]
有趣的是，这些技术不仅兼容且一致，而且还代表了彼此的先决条件。[2]因此，这是一个多目标优化问题。与单目标优化不同，在多目标优化中，往往存在多个彼此互相彼此冲突的目标，提高一个目标的性能会引起其他一个或者多个目标性能的下降。因此，多目标问题中，一个单独的最优解是不存在的，存在的是表示各个目标间权衡和折中关系的解集，我们称该解集为Pareto最优解集，Pareto最优解集在目标域的投影被称为Pareto前沿。[1]
在解决现实工程问题中，我们遇到的困难时NP难，传统的数学规划方法将会变得异常困难，例如某些问题的优化具有极高的计算复杂度。而模拟自然进化过程的随机优化方法——进化算法往往适合求解类似问题。它们的主要优越性表现在进化的操作规则是概率性的而非确定性的，以及进化结果不局限于单值解，非常适用于多目标问题的求解。利用自然进化机制来表现复杂现象，充分利用适应值函数而不需要其他先验知识，进化算法能够快速解决传统方法无法解决的多目标优化问题。
1 概述
进化算法：进化计算是一种成熟的具有高鲁棒性和广泛适用性的全局优化方法，具有自组织、自适应、自学习的特性，能够不受问题性质的限制，有效地处理传统优化算法难以解决的复杂问题。包括遗传算法(Genetic Algorithms)、遗传规划（Genetic Programming）、进化策略(Evolution Strategies)和进化规划(Evolution Programming)4种典型方法。其中第一种方法比较成熟，我们讨论的也是第一种遗传算法。
多目标优化问题：多目标问题是在现实各个领域中都普遍存在的问题，每个目标不可能都同时达到最优，必须各有权重。但是，究竟要怎样分配这样的权重。根据生物进化发展来的遗传算法，使人们能够利用遗传算法的全局搜索能力，避免传统的多目标优化方法在寻优过程中陷入局部最优解，可以使解个体保持多样性。
Pareto前沿：一系列互相妥协的折中解组成的最优解集，通常是最优解决方案二维空间投射的前沿面。
