该研究由Gan Ruan（伯明翰大学计算机科学学院CERCIA中心）、Leandro L. Minku（IEEE高级会员，同属伯明翰大学）、Zhao Xu（NEC欧洲实验室）和Xin Yao（IEEE会士，伯明翰大学及岭南大学数据科学学院联合任职）共同完成，于2025年2月发表在《IEEE Transactions on Emerging Topics in Computational Intelligence》第9卷第1期，是该期刊第1001-1017页的重点论文。该研究受到欧盟地平线2020计划（Grant 766186）、中国国家自然科学基金（Grant 62250710682）和广东省重点实验室项目等资助。
在第五代(5G)及后5G无线系统中，开放无线接入网络(O-RAN, Open Radio Access Network)因其开放性和智能化的特点成为新型无线网络架构。O-RAN包含远程射频头(RRH, Remote Radio Head)和基带单元(BBU, Baseband Unit)两大组件，其中计算资源分配是最具挑战性的NP难问题。现有研究存在三个关键缺陷：1) 资源容量效用的定义方式不合理；2) 贪心算法易陷入局部最优；3) 每日优化需从零开始导致计算冗余。针对这些问题，本研究提出新的问题建模方法和进化算法(EA, Evolutionary Algorithm)，旨在实现计算资源的主动动态分配，降低网络延迟并提高资源利用率。
研究团队首先通过数学分析证明现有问题建模存在根本性缺陷，提出新的目标函数：
minf(x) = w*k + (1/k)*∑[1/|fh(ck)-1|] 约束条件：dist(ru,rv)≤τ (∀ ru,rv∈ck) 该模型创新性地：1) 移除与优化目标无关的峰值分布指标；2) 采用绝对差异函数替代原有容量效用；3) 引入距离约束参数τ确保服务质量。图2通过曲线对比展示了新函数更合理地平衡资源利用率与延迟。
提出名为SplitEA的新型进化算法，包含三大创新算子： 1) 种群初始化：通过迭代聚类生成可行解，确保任意两点的距离不超过阈值τ（算法2）。如图3所示，先随机选择点r1，找到其τ距离内的邻点集合，随机选取若干点形成初始簇。
2) 变异算子：采用特定设计的突变策略（算法3）。如图4所示，对孤立点（如x点）优先合并到相邻簇，否则将现有簇随机分裂为两个新簇，保持解的有效性。该过程通过概率参数prob(设为0.5)平衡聚类结构调整。
3) 随机簇分裂：知识迁移机制（算法4）。如图5所示，将前一日最优解的随机簇分裂为二，既保留历史信息又增强种群多样性。相比完全复制(copyEA)或随机初始化(randEA)，该方法显著减少冗余计算。
研究采用6个真实数据集(米兰、松辽盆地等)和8个人工数据集进行验证： 1) 对比实验：与贪心算法在相同评估次数(1500次)下对比。表II显示SplitEA在k（簇数）、u（平均资源差）、u_under1（利用不足指标）上显著更优，仅在u_delay（延迟指标）部分情况下略逊。
2) 算法变体对比：表IV显示SplitEA优于randEA和copyEA，证明随机簇分裂的有效性。图7展示在人工数据集上SplitEA的适应度值始终领先。
3) 参数敏感性：补充材料表2显示，在w(0.005-0.05)和τ(500-2000m)的不同设置下，SplitEA保持鲁棒性。
性能优势：在真实数据集上，SplitEA比贪心算法平均减少18.7%的BBU使用量，提高23.4%的资源利用率。在预测场景下（表III），即使存在预测误差仍保持优势。
理论贡献：数学证明新目标函数能避免原有模型的两个缺陷：a) 消除对高峰期资源过载的偏向；b) 平等处理资源利用率和延迟影响（备注2）。
计算效率：时间复杂度分析表明算法主要消耗在距离计算(O(n²))和进化操作(O(days*maxgen*n*popsize))，其中popsize=10，maxgen=150。
本研究为O-RAN中的动态资源分配问题提供了完整的解决方案： 1. 科学价值：首次将进化算法引入该领域，设计的问题特定算子突破了传统EA在离散约束问题中的应用限制。 2. 工程价值：运营商可通过调整权重参数w(0.01推荐值)，在设备成本(w↑)与用户体验(w↓)间取得平衡。 3. 创新性：随机簇分裂机制实现了优化知识的跨日迁移，相比从头优化减少32%的计算开销。
作者建议三个延伸方向：1) 考虑BBU异构容量；2) 纳入BBU池与基站间的传输延迟；3) 融合更多AI技术。这些发展将推动O-RAN向完全自动化演进。