1.一种mMTC场景中基于AGA的NOMA资源分配方法，所述mMTC场景每个小区包含单个基站以及多个mMTC设备，其中，所有的mMTC设备可以表示为集合M＝{m1,m2,…,mM}，系统总带宽为B，子载波可以表示为集合N＝{n1,n2,…,nN}，每个子载波的带宽为Bn，其特征在于，进行资源分配包括以下步骤：建立在上行NOMA系统中mMTC设备总功率优化模型；

根据实数型的功率变量和离散整数型的子载波分配标识变量进行基于实值编码的染色体编码；

根据优化模型中的目标函数和约束条件建立自适应惩罚函数，并根据惩罚函数设计适应度函数；

根据适应度函数计算个体适应度，并将当前个体进行选择复制、交叉、变异操作；

对通过选择复制、交叉、变异操作得到的下一代种群继续计算个体适应度以及通过选择复制、交叉、变异操作得到下一代种群，直到达到最大种群代数，该代种群中个体适应度最大的即为最优的染色体。

2.根据权利要求1所述一种mMTC场景中基于AGA的NOMA资源分配方法，其特征在于，mMTC设备总功率优化模型表示为：约束条件包括：

其中，P为M×N维的矩阵，矩阵元素pk,n为设备mk在对应子载波n上取值连续的功率变量；

X为M×N维的0-1矩阵，矩阵元素xk,n为设备mk在对应子载波n上是否分配的标识变量，1表示分配，0表示未分配；Kn表示子载波n上的设备总数；z为子载波n上的噪声；hk,n为设备mk在子载波n上的信道增益；Rk,min为设备mk的最低传输速率；Pk,max为mk的最大发送功率；Kn为子载波n上的所有设备集合；Lu为单个子载波内叠加设备数的上限；Ptol为SIC接收机区分待解调信号和未解调信号所需的最小功率差。

3.根据权利要求1所述一种mMTC场景中基于AGA的NOMA资源分配方法，其特征在于，根据长度为M×N的实数型的功率变量和长度为M×N的离散整数型的子载波分配标识变量进行染色体编码，将得到的染色体分为两个基因片段，即将mMTC设备的发送功率矩阵P分为一个基因片段、将mMTC设备的子载波分配标识矩阵X分为一个基因片段，以发送功率矩阵P的基因片段长度为MN，该片段中每个基因取值为(0，Pmax]的连续值；以子载波分配标识矩阵X的基因片段长度为M，该片段中每个基因取值为[0，N]的离散整数值。

4.根据权利要求1所述一种mMTC场景中基于AGA的NOMA资源分配方法，其特征在于，根据优化模型计算个体适应度包括：根据优化模型的约束条件得到违反程度变量；

根据违反程度变量得到惩罚函数的罚项，根据罚项以及优化模型构建惩罚函数；

根据惩罚函数建立适应度函数并计算当前种群每个个体的适应度。

5.根据权利要求4所述一种mMTC场景中基于AGA的NOMA资源分配方法，其特征在于，惩罚函数的罚项表示为：其中， 为惩罚函数的罚项；CV1k为约束条件

的违反程度变量； 为约束条件

的违反程度变量；CV6k,n为约束条件

的违反程度变量。

6.根据权利要求5所述一种mMTC场景中基于AGA的NOMA资源分配方法，其特征在于，各个违反程度变量表示为：

7.根据权利要求4所述一种mMTC场景中基于AGA的NOMA资源分配方法，其特征在于，惩罚函数表示为：其中，α表示当前个体不满足约束条件的个数；ρ为当前种群可行解的比例。

8.根据权利要求4所述一种mMTC场景中基于AGA的NOMA资源分配方法，其特征在于，个体适应度表示为：Fitness＝Gmax(P,X)-G(P,X)；

其中，Fitness为当前个体适应度；Gmax(P,X)为当代种群中所有个体惩罚函数的最大值；G(P,X)为当前个体惩罚函数的值。