CN102571312A - 一种基于子载波合并的多播资源调度方法 - Google Patents

Abstract

本发明提供一种基于子载波合并的多播资源调度方法，通过在两个子载波上发送相同的信息，将两个子载波当做一个子载波来使用(此称之为“合并”)，并以估计出的将两个子载波上接收信号作最大比合并后的最差用户的接收SNR，来确定合并子载波上的发送速率；该方法利用了子载波合并后能提供分集增益这一自由度，自适应地选择合并\非合并，并优化调度子载波配对，以及子载波间的功率分配，从而提升系统总体的多播业务速率。本发明方法在不增加额外的系统资源开销的情况下，通过合理调度现有资源，尽可能改善目前多播系统中业务速率相对较低的问题；本发明同时提出了相应的子载波配对的简化方法和子载波间功率分配的解耦方法。

Description

一种基于子载波合并的多播资源调度方法

技术领域

本发明属于无线通信技术领域，尤其是一种基于子载波合并的多播资源调度方法。

背景技术

随着无线通信的飞速发展，用户需求不再仅仅局限于单一的语音业务；视频点播、音乐下载和移动电视等高速数据业务需求迅猛增长。随着用户的增多，传统的点对点方式已无力承载多媒体等高速业务。多媒体广播/多播技术(MBMS：Multimedia Broadcast and Multicast Service)，以它高效的点到多点的数据传输方式，大大提高移动网络资源的利用率，能很好地化解目前高速多媒体业务所遇到的困境，成为无线通信系统发展的热点技术之一。

在多媒体多播系统中，为了保证所有服务用户都能够正常接收数据，多播业务速率取决于链路接收性能最差的用户，而实际中最差用户的链路接收性能往往非常差，这严重制约了多播业务速率的提升，也影响了多媒体多播业务的发展。

发明内容

本发明目的是提供一种基于子载波合并的多播资源调度方法，在不增加额外的系统资源开销的情况下，通过合理调度现有资源，尽可能改善目前多播系统中业务速率相对较低的问题。

为了实现上述目的，本发明采用如下技术方案：

本发明提出一种基于子载波合并的多播资源调度方法，该方法通过在两个的子载波上发送相同的信息，将两个子载波当做一个子载波来使用(此称之为“合并“)，并以估计出的接收最大比合并得到的最差用户SNR(Signal-to-Noise Ratio，信噪比)，确定合并子载波上的发射速率；该方法利用了子载波合并后能提供分集增益这一自由度，自适应地选择合并\非合并，并优化调度子载波配对，以及子载波间的功率分配，从而提升系统总体的多播业务速率。本发明同时提出了相应的子载波配对的简化方法和子载波间功率分配的解耦算法。

本发明的目的是通过以下技术方案来实现的：

本发明是一种基于载波合并的多播资源调度方法，用于一蜂窝小区，该蜂窝小区中某一多播业务有K个服务用户，共有N个子载波可用来传输多播数据；其特征在于，包括以下步骤：

1)根据每个子载波上的最差用户编号，将最差用户编号相同的子载波划归到同一子载波子集合；子载波配对尝试只在不同载波子集间进行，从而降低配对复杂度，且不影响系统性能；

2)先假定子载波间功率均分，采用多轮贪婪算法完成子载波配对；为了控制方法的复杂度，最多允许两个子载波在一起作合并(合并方案采用最大比合并)，同时根据子载波合并增益大小，自适应选择合并/非合并；

3)在步骤2)基础上，以最大化多播总容量为目标，完成子载波间功率分配；根据此功率分配问题的特点，将整个过程解耦为两个子过程：子载波对内的功率分配和子载波对间的功率分配，并给出相应的求解方法。

在上述技术方案中，步骤1)的具体操作如下：

根据每个子载波上的最差用户，将整个子载波集合SET_total划分为用户数个子载波子集合；其中，最差用户相同的子载波被划归为同一个子载波子集合中，并将此子载波子集合称之为此最差用户的子载波子集合(记为SET_{最差用户编号})。此时，每个用户对应一个子载波子集合(有的用户可能对应一个空的子载波子集合)。

在上述技术方案中，由于同一用户的子载波子集合内的子载波间合并增益为负，故子载波子集合内不再进行载波配对尝试，从而减小配对复杂度，且不影响系统性能。

在上述的技术方案中，步骤2)包括如下操作：

2-1)初始化集合Φ＝SET_total，子载波配对集合编号t＝1，总的子载波对数目T＝0，K个用户对应的子载波子集合Ψ_k＝SET_UEk，k＝{1，…，K}；

初始化配对集合，从子载波集合中任取一个子载波加入配对集合，然后从剩下的子载波集合中找出，一个不与此子载波同用户子载波子集的，且子载波合并增益最大的子载波。若所得的最大子载波合并增益大于零，则进行配对合并，并将后一子载波加入配对集合；否则，不选择配对合并。

2-2)将步骤2-1)中得到的配对集合，从总的子载波集合中去除：

从子载波集合Φ中任选一个子载波Sc_Φ作为贪婪算法的初始值；设子载波Sc_Φ上的最差用户编号为子载波Sc_Φ所在的用户子载波子集为

初始化一个新的集合为以及一个子载波配对集合为set_t＝{Sc_Φ}(其合并增益Δ＝0)；在此之后，将子载波Sc_Φ从所在的用户子载波子集

中去除，即 ${\mathrm{\Ψ}}_{{\mathrm{UE}}_{{\mathrm{Sc}}_{\mathrm{\Φ}}}}={\mathrm{\Ψ}}_{{\mathrm{UE}}_{{\mathrm{Sc}}_{\mathrm{\Φ}}}}-{\mathrm{Sc}}_{\mathrm{\Φ}};$

2-3)重复步骤2-1)和2-2)，直至子载波集合为空：

从Θ中任取一个子载波Sc_Θ，并将其从Θ去除；此时Θ＝Θ-Sc_Θ；

2-4)所有上述步骤中得到的配对集合，即子载波配对的结果：

令子载波配对尝试集合set_buffer＝{Sc_Φ，Sc_Θ}，算出其载波合并增益为

如果

则sett＝setbuffer，

其中，子载波合并增益计算方法如下：

2-4-1)计算子载波合并前，各个用户在子载波Sc_Φ和Sc_Θ上的接收SNR，并找出两个子载波上相应的最差用户i和j；子载波合并前各个用户接收SNR的计算公式如下：

${\mathrm{SNR}}_{{k,\mathrm{Sc}}_{\mathrm{\Φ}}}=\frac{P_{{\mathrm{Sc}}_{\mathrm{\Φ}}}{\left|h_{{k,\mathrm{Sc}}_{\mathrm{\Φ}}}\right|}^2}{{\mathrm{BN}}_0}---\left(1\right)$

其中，

为子载波合并前用户k在子载波Sc_Φ上的接收SNR，

为子载波Sc_Φ上的发射功率，

为子载波Sc_Φ上的第k个用户的信道系数，N₀指噪声功率谱密度，B为子载波间隔带宽；

2-4-2)计算子载波合并后，各个用户将从子载波1_Φ和

上接收到的信号做最大比合并后的接收SNR，并找出子载波合并后的最差用户x；子载波合并后各个用户接收SNR的计算公式如下：

${\mathrm{SNR}}_{k,\{{\mathrm{Sc}}_{\mathrm{\Φ}},{\mathrm{Sc}}_{\mathrm{\Θ}}\}}={\mathrm{SINR}}_{{k,\mathrm{Sc}}_{\mathrm{\Φ}}}+{\mathrm{SINR}}_{{k,\mathrm{Sc}}_{\mathrm{\Θ}}}=\frac{P_{{\mathrm{Sc}}_{\mathrm{\Φ}}}{\left|h_{{k,\mathrm{Sc}}_{\mathrm{\Φ}}}\right|}^2+P_{{\mathrm{Sc}}_{\mathrm{\Θ}}}{\left|h_{{k,\mathrm{Sc}}_{\mathrm{\Θ}}}\right|}^2}{{\mathrm{BN}}_0}---\left(2\right)$

其中，

为子载波合并后用户k在子载波对{Sc_Φ，Sc_Θ}上的接收SNR，

和

分别为子载波Sc_Φ和Sc_Θ上的发射功率，

和

分别为子载波Sc_Φ和Sc_Θ上的第k个用户的信道系数；

2-4-3)计算子载波Sc_Φ和Sc_Θ合并前后，两个子载波上的总速率为：

                         (3)

设子载波合并增益为Δ^{n，m}，其计算公式为：

2-5)循环第2-3)步与第2-4)步，直至

并将得到子载波配对集合从集合Φ中去除，即Φ＝Φ-sett，并令T＝t，t＝t+1；如果

即子载波Sc_Θ与载波Sc_Φ配对成功，则将子载波Sc_Θ从其所在的用户子载波子集

中去除，即： ${\mathrm{\Ψ}}_{{\mathrm{UE}}_{{\mathrm{Sc}}_{\mathrm{\Θ}}}}={\mathrm{\Ψ}}_{{\mathrm{UE}}_{{\mathrm{Sc}}_{\mathrm{\Θ}}}}-{\mathrm{Sc}}_{\mathrm{\Θ}};$

2-6)循环第2-2)步到第2-5)步，并将每次循环得到的配对集合记录下来，直到

最后，总共可得到的T个载波配对集合set_t，即为所得到的子载波配对的结果；其中，

在上述技术方案中，利用子载波合并能够带来分集增益这一自由度的方法，通过自适应选择合并/非合并，以提升传输速率；同时，通过限制最大配对子载波对数目和多轮贪婪算法，使配对方法的复杂度控制在较为可行的范围内。

在上述技术方案中，步骤3)包括如下操作：

3-1)在步骤2)子载波配对结果的基础上，将整个子载波间的功率分配解耦为两个过程：子载波对内的功率分配和子载波对间的功率分配。

3-2)针对由两个子载波构成的子载波对，作子载波对内的功率分配；一个子载波对上的功率一定，对内的两个子载波上的功率是相互约束的，故此问题只有一个变量自由度。设其中任一个子载波上的功率与两个子载波上总功率之间的比值为优化变量，称之为功率比值变量，此时原对内功率分配问题采用如下方法进行求解：先求出用户两两间接收SNR相等时的功率比值变量临界点，再从这些功率比值变量临界点及两个边界点(0和1)中找出最优的功率比值；

对于由两个子载波构成的子载波对中的任意一个子载波对{n，m}，对内功率分配的优化模型建立如下：

$\underset{\{P_n,P_m\}}{\max }\underset{k}{\min }\left\{{\mathrm{SNR}}_{k,\{n,m\}}\right\}$

                                    (7)

s.t.P_n≥0，P_m≥0

其中SNR_k，{n，m}的计算方法参见2-4-1)到2-4-3)中的介绍，并令

此时(6)式可变形为：

$\underset{P_{\mathrm{rate}}}{\max }\underset{k}{\min }\{{\left|h_{k,n}\right|}^2+P_{\mathrm{rate}}({\left|h_{k,m}\right|}^2-{\left|h_{k,n}\right|}^2)\},$ 其中P_rate∈[0，1](8)

原功率分配问题变为求解最优的功率P_rate，其求解方法如下：先求出使得用户两两间SNR_k，{n，m}相等时的P_rate临界点，再从这些临界点及两个边界点(0和1)中找出最优的P_rate；

3-3)在3-2)步骤完成的基础上，将同一子载波对内的几个子载波视作为一个整体，参与子载波对间的功率分配；优化模型建立如下：

$\underset{\left\{P_t\right\}}{\max }\underset{t=1}{\overset{T}{\mathrm{\Σ}}}{\log }_2(1+{\mathrm{SNR}}^{\left(t\right)})$

$s.t.\left\{\begin{array}{c}\underset{t=1}{\overset{T}{\mathrm{\Σ}}}{P}_t=P_{\mathrm{total}}\\ P_t\≥0,t=1,\·\·\·T\end{array}---\left(10\right)\right.$

其中，T为总的子载波对的数目，SNR^(t)为在3-2)步骤完成的基础上，得到的第t个子载波对上最差用户的接收SNR；对于此优化问题，采用注水算法予以求解。

相对于现有技术，本发明具有以下有益效果：本发明首先利用了子载波最大比合并后能提供分集增益这一自由度，自适应地选择合并\非合并，以提升最差用户容量；接着以最大化系统总体容量为目标，提出低复杂度的子载波配对算法，完成了子载波的分配；最后将整个子载波间的功率分配解耦为两个过程：子载波对内的功率分配和子载波对间的功率分配，明确了问题的求解方法，以此进一步地提升系统容量。

附图说明

图1为多播系统频域资源示意图；

图2为用户子载波子集的划分示意图；

图3为子载波对内功率区间划分示意图；

图4为子载波对间功率注水算法示意图；

图5为本发明的总体算法流程图；

图6a和图6b为本发明的性能初步仿真效果图；其中图6a为系统总体频谱效率仿真图；图6b为用户频谱效率仿真图。

具体实施方式

下面结合附图和具体实施实例对本发明做进一步的详细说明。

本发明的核心思想是在不增加额外的系统资源开销的情况下，通过合理调度现有资源，尽可能改善目前多播系统中业务速率相对较低的问题；本发明提出一种基于子载波合并的多播资源调度方法，该方法通过在两个子载波上发送相同的信息，将两个子载波当做一个子载波来使用(此称之为“合并”)，并以估计出的接收最大比合并得到的最差用户SNR，确定合并子载波上的发射速率；此时合并后的发射速率要比非合并时两个子载波各自发送不同信息时的要高，从而在总的多播速率上合并时是有可能会比非合并时要更高。该方法利用了子载波合并后能提供分集增益这一自由度，自适应地选择合并\非合并，并优化调度子载波配对，以及子载波间的功率分配，从而提升系统总体的多播业务速率。本发明同时提出了相应的子载波配对的简化方法和子载波间功率分配的解耦算法。

本发明为一种基于子载波合并的多播资源调度方法，其应用的场景为：采用OFDM(Orthogonal Frequency Division Multiplexing，正交频分复用技术)的无线多媒体多播通信系统。以一个蜂窝小区场景为例，该小区的基站(BS，Base Station)为小区中K个用户(UE，User Equipment)提供某一多播服务，共有N个子载波可用来传输数据。如图1所示的只有以三个用户的此多播系统的频域资源示意图，以其中前两个子载波为例，对比其合并与非合并两种方式在两个子载波上获得的总速率；可以看到合并后相对于非合并时的总速率是有提升的，故通过自适应的选择合并/非合并，是可以获得性能提升的。

在介绍具体实施步骤之前，介绍本发明方法中一些重要参数的计算方法，以及所要解决问题的优化模型如下：

a-1)子载波合并前，用户k在第n个子载波上的接收SNR的计算公式如下：

${\mathrm{SNR}}_{k,n}=\frac{P_n{\left|h_{k,n}\right|}^2}{{\mathrm{BN}}_0}---\left(1\right)$

其中，P_n为第n个子载波上的发射功率，h_k，n为第n个子载波上的第k个用户的信道系数，N₀指噪声功率谱密度，B为子载波间隔带宽。

a-2)子载波合并后，用户k将从第n个和第m个子载波上接收到的信息做最大比合并后的接收SNR，其计算公式如下：

${\mathrm{SNR}}_{k,\{n,m\}}={\mathrm{SNR}}_{k,n}+{\mathrm{SNR}}_{k,m}=\frac{P_n{\left|h_{k,n}\right|}^2+P_m{\left|h_{k,m}\right|}^2}{{\mathrm{BN}}_0}---\left(2\right)$

其中，P_n和P_m分别为第n个和第m个子载波上的发射功率，h_k，n和h_k，m分别为为第n个和第m个载波上的第k个用户的信道系数。

a-3)设用户i和j分别为载波合并前，第n个和第m个子载波上的最差用户；用户x为子载波合并后的最差用户。则子载波合并前后两个子载波上的总速率为：

                                 (3)

其中，

表示第n个和第m个子载波上合并前的总速率；

表示第n个和第m个子载波上合并后的总速率。设子载波合并增益为Δ^{n，m}，其大小为：

对于某两个子载波，如果配对后的子载波合并增益小于零，则不进行载波合并；反之，还需要从系统总体速率角度考量，以决定这两个子载波配对的成功与否，这优化问题建模如下：设第t个子载波对对应的子载波配对集合为set_t，总的子载波集合为SET_total，则多播子载波配对的优化问题表述为：

$\max \underset{\left\{t\right\}}{\mathrm{\Σ}}{\mathrm{\Δ}}^{{\mathrm{set}}_t}$

$s.t.\underset{t}{\mathrm{\∪}}{\mathrm{set}}_t={\mathrm{SET}}_{\mathrm{total}}---\left(5\right)$

在子载波配对完成的基础上，可以通过调控各个子载波上的功率，进一步地优化系统性能。如何划分子载波配对集合，以及最优地分配子载波间功率即是本发明所要解决的问题。

上述问题的解决方法，即本发明的具体实施步骤介绍如下：

1)根据每个子载波上的最差用户，将最差用户编号相同的子载波划归到同一子载波子集合，最后整个子载波集合SET_total被划分为用户数个子载波子集合(有的用户可能对应一个空的子载波子集合)；其中，每一个子载波子集合对应一个用户，称之为此用户的子载波子集合。设第n个子载波上的最差用户为k，则子载波n划归给用户k的子载波子集合，即：n∈SET_k。如图2所示的用户子载波子集的划分示意图，第1、3、5个子载波上的最差用户都为UE3，则这些子载波划归给用户3的子载波子集合，即：

由于只有在子载波合并增益为Δ^{n，m}大于零时，才可能进行子载波合并，故通过表达式(4)可以求出子载波合并的必要条件如下：

即： $\frac{1+{\mathrm{SNR}}_{x,n}+{\mathrm{SNR}}_{x,m}}{(1+{\mathrm{SNR}}_{i,n})(1+{\mathrm{SNR}}_{j,m})}>1---\left(6\right)$

$\⇔({\mathrm{SNR}}_{x,n}-{\mathrm{SNR}}_{i,n})+({\mathrm{SNR}}_{x,m}-{\mathrm{SNR}}_{j,m})>{\mathrm{SNR}}_{i,n}\×{\mathrm{SNR}}_{j,m}>0$

如果用户x在两个子载波上都是最差用户，即SNR_x，n＝SNR_i，n和SNR_x，m＝SNR_j，m，此时(6)中不等式(0＞0)不成立，故两个子载波上最差用户相同时合并增益为负。因此，同一用户的子载波子集合内不再进行载波配对尝试，从而减小配对复杂度，且不影响系统性能。

2)先假定子载波间功率均分，采用多轮贪婪算法完成子载波配对；为了控制方法的复杂度，最多允许两个子载波在一起作合并(合并方案采用最大比合并)，同时根据子载波合并增益大小，自适应选择合并/非合并；具体的实施步骤如下：

2-1)初始化集合Φ＝SET_total，子载波配对集合编号t＝1，总的子载波对数目T＝0，K个用户对应的子载波子集合Ψ_k＝SET_UEk，k＝{1，…，K}；

2-2)从子载波集合Φ中任选一个子载波Sc_Φ作为贪婪算法的初始值；设子载波Sc_Φ上的最差用户编号为

子载波Sc_Φ所在的用户子载波子集为

初始化一个新的集合为

以及一个子载波配对集合为set_t＝{Sc_Φ}(其合并增益Δ＝0)；在此之后，将子载波Sc_Φ从所在的用户子载波子集

中去除，即

2-3)从Θ中任取一个子载波Sc_Θ，并将其从Θ去除；此时Θ＝Θ-Sc_Θ；

2-4)令子载波配对尝试集合set_buffer＝{Sc_Φ，Sc_Θ}，算出其载波合并增益为

如果

则set_t＝set_buffer，

其中，子载波合并增益参见a-1)到a-3)中的介绍。

2-5)循环第2-3)步与第2-4)步，直至

并将得到子载波配对集合从集合Φ中去除，即Φ＝Φ-set_t，并令T＝t，t＝t+1；如果

即子载波Sc_Θ与载波Sc_Φ配对成功，则将子载波Sc_Θ从其所在的用户子载波子集

中去除，即： ${\mathrm{\Ψ}}_{{\mathrm{UE}}_{{\mathrm{Sc}}_{\mathrm{\Θ}}}}={\mathrm{\Ψ}}_{{\mathrm{UE}}_{{\mathrm{Sc}}_{\mathrm{\Θ}}}}-{\mathrm{Sc}}_{\mathrm{\Θ}};$

2-6)循环第2-2)步到第2-5)步，并将每次循环得到的配对集合记录下来，直到

最后，总共可得到的T个载波配对集合set_t，即为所得到的子载波配对的结果；其中，

3)在步骤2)基础上，以最大化多播总容量为目标，完成子载波间功率分配；根据此功率分配问题的特点，将整个过程解耦为两个子过程：子载波对内的功率分配和子载波对间的功率分配，明确了问题的求解方法。具体的实施步骤如下：

3-1)在步骤2)子载波配对结果的基础上，将整个子载波间的功率分配解耦为两个过程：子载波对内的功率分配和子载波对间的功率分配；

3-2)针对由两个子载波构成的子载波对，作子载波对内的功率分配；优化模型建立如下：

$\underset{\{P_n,P_m\}}{\max }\underset{k}{\min }\left\{{\mathrm{SNR}}_{k,\{n,m\}}\right\}$

                       (7)

s.t.P_n≥0，P_m≥0

其中SNR_k，{n，m}的计算方法参见a-1)到a-3)中的介绍，并令

此时(7)式可变形为：

$\underset{P_{\mathrm{rate}}}{\max }\underset{k}{\min }\{{\left|h_{k,n}\right|}^2+P_{\mathrm{rate}}({\left|h_{k,m}\right|}^2-{\left|h_{k,n}\right|}^2)\},$ 其中P_rate∈[0，1](8)

对于此最大化最小问题，通过求解用户两两间SNR相等时的功率临界点，将P_rate的取值区间(0，1)，划分为一系列用户接收SNR大小关系一定的子区间，即在每个子区间上原问题变为简单的最大化问题；通过求解每个子区间上的优化问题，从而得到原问题的最优解。如图3所示的子载波对内功率区间划分示意图，以三个用户为例通过求解两个SNR相等时的P_rate临界点(设为

)，将整个功率区间分成四个子区间，在每个子区间上用户SNR的大小关系确定，则原问题简化为多个子区间的最大化问题。由于目标函数为P_rate的单调函数，故最优解必在各个子区间的边界点上取得；原问题的求解方法可简化为：先求出用户两两间SNR相等时的功率临界点，再从这些功率临界点及两个边界点(0和1)中找出最优解。以用户i和j为例，给出两个用户间功率比临界点

的求解公式如下：

$[{\left|h_{i,n}\right|}^2+P_{\mathrm{rate}}^{(i,j)}({\left|h_{i,m}\right|}^2-{\left|h_{i,n}\right|}^2)]-[{\left|h_{j,n}\right|}^2+P_{\mathrm{rate}}^{(i,j)}({\left|h_{j,m}\right|}^2-{\left|h_{j,n}\right|}^2)]=0$

$\⇔P_{\mathrm{rate}}^{(i,j)}=\frac{({\left|h_{j,n}\right|}^2-{\left|h_{i,n}\right|}^2)}{{\left|h_{i,m}\right|}^2-{\left|h_{i,n}\right|}^2-{\left|h_{j,m}\right|}^2+{\left|h_{j,n}\right|}^2}=\frac{1}{\frac{{\left|h_{i,m}\right|}^2-{\left|h_{j,m}\right|}^2}{{\left|h_{j,n}\right|}^2-{\left|h_{i,n}\right|}^2}+1}---\left(9\right)$

$s.t.0<P_{\mathrm{rate}}^{(i,j)}<1,$ 即： $\frac{{\left|h_{i,m}\right|}^2-{\left|h_{j,m}\right|}^2}{{\left|h_{j,n}\right|}^2-{\left|h_{i,n}\right|}^2}>0$

3-3)同一子载波对内的几个子载波作为一个整体参与子载波对间的功率分配；优化模型建立如下：

$\underset{\left\{P_t\right\}}{\max }\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}{\log }_2(1+{\mathrm{SNR}}^{\left(t\right)})$

$s.t.\left\{\begin{array}{c}\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}{P}_t=P_{\mathrm{total}}\\ P_t\&GreaterEqual;0,t=1,\&CenterDot;\&CenterDot;\&CenterDot;T\end{array}\right.---\left(10\right)$

其中，T为总的子载波对的数目，SNR^(t)为前述步骤求得的第t个子载波对上最差用户SNR。将单子载波的载波对和两子载波构成的载波对上的最差用户SNR表示为统一的形式，如下：

单子载波的载波对时    双子载波的载波对时

$\begin{array}{c}{\mathrm{SNR}}^{\left(t\right)}=P_t\frac{{\left|h_t\right|}^2}{N_0}\\ =P_t{H}_t\end{array}$ $\begin{array}{c}{\mathrm{SNR}}^{\left(t\right)}=P_t[\frac{P_{i,t}}{P_{i,t}+P_{j,t}}\frac{{\left|h_{i,t}\right|}^2}{N_0}+\frac{P_{j,t}}{P_{i,t}+P_{j,t}}\frac{{\left|h_{j,t}\right|}^2}{N_0}\\ =P_t{H}_t\end{array}---\left(11\right)$

此时(10)式表示为：

$\underset{\left\{P_t\right\}}{\max }\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}{\log }_2(1+P_t{H}_t)$

$s.t.\left\{\begin{array}{c}\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}{P}_t=P_{\mathrm{total}}\\ P_t\&GreaterEqual;0,t=1,\&CenterDot;\&CenterDot;\&CenterDot;T\end{array}\right.---\left(12\right)$

写出相应的拉格朗日函数及极值点的K.K.T条件：

$L=\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}{\log }_2(1+P_t{H}_t)-\mathrm{\&lambda;}(\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}{P}_t-P_{\mathrm{total}})$

KKT-conditions：(13)

$\left\{\begin{array}{cc}{\&dtri;}_{P_t}L=0,& t=1,\&CenterDot;\&CenterDot;\&CenterDot;,T\\ {\&dtri;}_{\mathrm{\&lambda;}}L=0& \end{array}\right.$

化简得：

$\frac{P_t}{P_{\mathrm{total}}}=\frac{1}{P_{\mathrm{total}}\mathrm{\&lambda;}\ln 2}-\frac{1}{P_{\mathrm{total}}{H}_t}=\frac{1}{{\mathrm{\&lambda;}}_0}-\frac{1}{{\mathrm{\&lambda;}}_t}=r_0-r_t$ (14)

$\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}\frac{P_t}{P_{\mathrm{total}}}=\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}(r_0-r_t)=1,r_0-r_t\&GreaterEqual;0$

{t}为满p_t非负的载波对集合(15)

如图4所示的子载波对间功率注水算法示意图，若有子载波对分配的功率为负，则将此子载波对的功率设为零，并重新计算注水门限，直到所有子载波对分配到的功率都为非负值，此时得到的r₀即为最优注水门限r^*。

本发明的总体算法流程图如图5所示。为体现本发明的方法的有效性，采用了计算机仿真的方法初步验证本发明的性能效果。计算机仿真采用存在路径损耗和多径瑞利衰落的频率选择性信道(其多径功率分布满足COST207标准环城区III要求，最大的时延扩展假设为5μs)，用户在半径为500米的小区内均匀分布，多播系统可用带宽为1MHz，被划分为64个子载波，基站总的发射功率为1W，噪声单播功率谱密度为-90dBW/Hz。为了获得较为稳定可靠的系统性能，仿真结果由10000次信道实现条件下的仿真数据平均得到。本发明的性能初步仿真效果如图6所示；其中，各多播用户的频谱效率是相同的，故系统总体频谱效率等于多播用户用户数乘上用户的频谱效率。

Claims (4)

1.一种基于子载波合并的多播资源调度方法，用于一蜂窝小区，该蜂窝小区中某一多播业务有K个服务用户，共有N个子载波可用来传输多播数据；其特征在于，包括以下步骤：

1)根据每个子载波上的最差用户编号，将最差用户编号相同的子载波划归同一子载波子集合；子载波配对尝试只在不同子载波子集间进行；

2)先假定子载波间功率均分，采用多轮贪婪算法完成子载波配对；最多允许两个子载波在一起作合并，合并方案采用最大比合并，同时根据子载波合并增益大小，自适应选择合并或者非合并；

3)在步骤2)基础上，以最大化多播总容量为目标，完成子载波间功率分配；整个子载波间功率分配过程，被解耦为两个独立的子过程：子载波对内的功率分配和子载波对间的功率分配。

2.根据权利要求1所述的基于子载波合并的多播资源调度方法，其特征在于，步骤1)的具体方法如下：

根据每个子载波上的最差用户，将整个子载波集合SET_total划分为用户数个子载波子集合；其中，最差用户相同的子载波被划归为同一个子载波子集合中，并将此子载波子集合称之为此最差用户的子载波子集合，记为SET_{最差用户编号}；此时，每个用户对应一个子载波子集合。

3.根据权利要求1所述的基于子载波合并的多播资源调度方法，所述步骤2)的具体步骤如下：

2-1)初始化集合Φ＝SET_total，子载波配对集合编号t＝1，总的子载波对数目T＝0，K个用户对应的子载波子集合Ψ_k＝SET_UEk，k＝{1，…，K}；

2-2)从子载波集合Φ中任选一个子载波Sc_Φ作为贪婪算法的初始值；设子载波Sc_Φ上的最差用户编号为

子载波Sc_Φ所在的用户子载波子集为初始化一个新的集合为

以及一个子载波配对集合为set_t＝{Sc_Φ}，其合并增益Δ＝0；在此之后，将子载波Sc_Φ从所在的用户子载波子集

中去除，即

2-3)从Θ中任取一个子载波Sc_Θ，并将其从Θ去除；此时Θ＝Θ-Sc_Θ；

2-4)令子载波配对尝试集合set_buffer＝{Sc_Φ，Sc_Θ}，算出其载波合并增益为如果则set_t＝set_buffer，

其中，子载波合并增益计算方法如下：

2-4-1)计算子载波合并前，各个用户在子载波Sc_Φ和Sc_Θ上的接收SNR，并找出两个子载波上相应的最差用户i和j；子载波合并前各个用户接收SNR的计算公式如下：

${\mathrm{SNR}}_{{k,\mathrm{Sc}}_{\mathrm{\&Phi;}}}=\frac{P_{{\mathrm{Sc}}_{\mathrm{\&Phi;}}}{\left|h_{{k,\mathrm{Sc}}_{\mathrm{\&Phi;}}}\right|}^2}{{\mathrm{BN}}_0}---\left(1\right)$

其中，

为子载波合并前用户k在子载波Sc_Φ上的接收SNR，为子载波Sc_Φ上的发射功率，

为子载波Sc_Φ上的第k个用户的信道系数，N₀指噪声功率谱密度，B为子载波间隔带宽；

2-4-2)计算子载波合并后，各个用户将从子载波1_Φ和

上接收到的信号做最大比合并后的接收SNR，并找出子载波合并后的最差用户x；子载波合并后各个用户接收SNR的计算公式如下：

${\mathrm{SNR}}_{k,\{{\mathrm{Sc}}_{\mathrm{\&Phi;}},{\mathrm{Sc}}_{\mathrm{\&Theta;}}\}}={\mathrm{SINR}}_{{k,\mathrm{Sc}}_{\mathrm{\&Phi;}}}+{\mathrm{SINR}}_{{k,\mathrm{Sc}}_{\mathrm{\&Theta;}}}=\frac{P_{{\mathrm{Sc}}_{\mathrm{\&Phi;}}}{\left|h_{{k,\mathrm{Sc}}_{\mathrm{\&Phi;}}}\right|}^2+P_{{\mathrm{Sc}}_{\mathrm{\&Theta;}}}{\left|h_{{k,\mathrm{Sc}}_{\mathrm{\&Theta;}}}\right|}^2}{{\mathrm{BN}}_0}---\left(2\right)$

其中，

为子载波合并后用户k在子载波对{Sc_Φ，Sc_Θ}上的接收SNR，

和分别为子载波Sc_Φ和Sc_Θ上的发射功率，

和分别为子载波Sc_Φ和Sc_Θ上的第k个用户的信道系数；

2-4-3)计算子载波Sc_Φ和Sc_Θ合并前后，两个子载波上的总速率为：

                              (3)

设子载波合并增益为Δ^{n，m}，其计算公式为：

2-5)循环第2-3)步与第2-4)步，直至

并将得到子载波配对集合从集合Φ中去除，即Φ＝Φ-set_t，并令T＝t，t＝t+1；如果

即子载波Sc_Θ与载波Sc_Φ配对成功，则将子载波Sc_Θ从其所在的用户子载波子集

中去除，即： ${\mathrm{\&Psi;}}_{{\mathrm{UE}}_{{\mathrm{Sc}}_{\mathrm{\&Theta;}}}}={\mathrm{\&Psi;}}_{{\mathrm{UE}}_{{\mathrm{Sc}}_{\mathrm{\&Theta;}}}}-{\mathrm{Sc}}_{\mathrm{\&Theta;}};$

2-6)循环第2-2)步到第2-5)步，并将每次循环得到的配对集合记录下来，直到

最后，总共可得到的T个载波配对集合set_t，即为所得到的子载波配对的结果；其中，

4.根据权利要求3所述的基于载波合并的多播资源调度方法，所述步骤3)的具体步骤如下：

3-1)在步骤2)子载波配对结果的基础上，将整个子载波间的功率分配解耦为两个过程：子载波对内的功率分配和子载波对间的功率分配；

3-2)针对由两个子载波构成的子载波对，作子载波对内的功率分配；对于由两个子载波构成的子载波对中的任意一个子载波对{n，m}，对内功率分配的优化模型建立如下：

$\underset{\{P_n,P_m\}}{\max }\underset{k}{\min }\left\{{\mathrm{SNR}}_{k,\{n,m\}}\right\}$

                                 (7)

s.t.P_n≥0，P_m≥0

令

此时(7)式可变形为：

$\underset{P_{\mathrm{rate}}}{\max }\underset{k}{\min }\{{\left|h_{k,n}\right|}^2+P_{\mathrm{rate}}({\left|h_{k,m}\right|}^2-{\left|h_{k,n}\right|}^2)\},$ 其中P_rate∈[0，1](8)

原功率分配问题变为求解最优的功率P_rate，其求解方法如下：先求出使得用户两两间SNR_k，{n，m}相等时的P_rate临界点，再从这些临界点及两个边界点(0和1)中找出最优的P_rate；

3-3)同一子载波对内的几个子载波作为一个整体参与子载波对间的功率分配；优化模型建立如下：

$\underset{\left\{P_t\right\}}{\max }\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}{\log }_2(1+{\mathrm{SNR}}^{\left(t\right)})$

$s.t.\left\{\begin{array}{c}\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}{P}_t=P_{\mathrm{total}}\\ P_t\&GreaterEqual;0,t=1,\&CenterDot;\&CenterDot;\&CenterDot;T\end{array}\right.---\left(10\right)$

其中，T为总的子载波对的数目，SNR^(t)为在3-2)步骤完成的基础上，得到的第t个子载波对上最差用户的接收SNR；对于此优化问题，采用注水算法予以求解。

Images