CN102595619B - 一种基于蜂窝网络的干扰降低方法 - Google Patents

Abstract

本发明提供一种基于蜂窝网络的干扰降低方法，通过计算链路的状态变量和连接变量、使用目标优化函数进行计算，以及获得链路状态控制变量的梯度等步骤，实现蜂窝网络小区容量的提高。

Description

一种基于蜂窝网络的干扰降低方法

技术领域

本发明涉及无线通信技术领域，特别是涉及无线网络和现代控制理论。

背景技术

随着无线通信技术的发展，基于蜂窝通信系统的个人通信得到的广泛的应用。而蜂窝通信系统为干扰受限系统，小区容量和覆盖范围通过系统干扰紧密相关，新呼叫的接入将导致系统干扰的增加，干扰增加将减少小区覆盖，因此有必要采用合适的方法减小用户与用户，小区与小区之间的干扰。

目前，研究较为成熟的小区间干扰弱化方案可以分为三类：小区间干扰协调，小区间干扰随机化以及小区间干扰消除。小区间干扰协调技术主要是指通过小区间频率资源的协调，将相邻小区的边缘用户调度在相互正交的子载波上，通过子载波调度的方式实现小区间干扰的协调和抑制。根据频率资源调度的灵活度，小区间干扰协调技术可以分为静态协调，准静态协调和动态协调三种，静态协调技术信令开销小，但是对热点地区的通信质量的改善会出现瓶颈。动态协调技术可以通过小区间人量的协调信令取得较大的性能提升，但是由信令开销较大，目前还停留于学术研究阶段。而准静态协调技术可以依靠有限的小区间信令交换有效而灵活的利用频率资源。小区间干扰协调技术往往还辅以功率控制方案使得干扰得以进一步的弱化。干扰随机化技术是通过将干扰随机化成“白噪声”从而抑制小区问干扰的危害，因此也称为“干扰白化”，然而干扰随机化并不能降低干扰的能量，不能真正减少系统中的千扰。小区间干扰消除技术来源于多用户检测，可以将干扰小区的信号解调，然后将来自该小区的干扰消除。基于IDMA的干扰消除技术，通过伪随机交织器产生不同的交织图案，并分配给不同的小区，接收机采用不同的交织图案解交织，这样就可以将目标信号和干扰信号分别解出，实现干扰消除。干扰消除技术对小区边缘的频率资源没有限制，可以实现较高频率复用系数，但是该技术对设备复杂度要求较高，蜂窝网络的干扰模型如图1所示。

随着对新型无线蜂窝通信系统的研究不断加深，一些新的技术层出不穷。多点协作技术的提出为小区间干扰弱化问题打开了新的思路。目前提出的多点协作技术大致可以分为两种，一是多点联合处理，该多点协作方案要求协作基站之间实现用户数据的完全共享，若同时共享用户的信道信息，则可以通过多小区MIMO技术达到弱化干扰，提升边缘用户信干比的目的：若没有共享用户的信道信息，则可以通过广义宏分集技术使得边缘用户获得分集增益，从而提升自身性能。多点联合处理技术需要协作基站之间共享用户的数据信息，大量的数据信息共享对于反馈和时延都是一个巨大的挑战。另一种多点协作技术称为多点协调调度，该方案无需进行用户数据信息的共享，只需共享用户信道信息或部分用户信道信息。

因此，为提高蜂窝网络性能，有必要设计一种抑制干扰的方法。

发明内容

本发明所要解决的技术问题是：解决蜂窝网络因干扰而导致小区容量下降问题。

本发明为解决上述技术问题提供一种基于蜂窝网络的干扰降低方法，其特征在于：

A、设置蜂窝网络中链路控制变量的初始值，并获得蜂窝网络中的上行链路和下行链路的信噪比；

B、计算链路的状态变量和连接变量；

C、使用目标优化函数进行计算；

D、获得链路状态控制变量的梯度。

所述步骤A中，设置蜂窝网络中链路控制变量的初始值u⁽⁰⁾(k)和y⁽⁰⁾(k),k＝0,1,...,K-1，并且令m＝0，初始值u⁽⁰⁾(k)和y⁽⁰⁾(k),k＝0,1,...,K-1满足条件 $0\≤u_i\left(k\right)\≤{\stackrel{\‾}{u}}_i,$ $0\≤y_i\left(k\right)\≤{\stackrel{\‾}{y}}_i,$ i∈N,k＝0,1,...,K-1。

所述步骤A中，获得蜂窝网络中的上行链路的信噪比其中K_l为蜂窝网络l中的用户数，P_lk为在蜂窝小区l内用户k接收到的信号功率，N为扩展码的长度，总的流程如图2所示。

所述步骤A中，获得蜂窝网络中的下行链路的信噪比其中P^(j)为在同一蜂窝小区内用户j收到的信号功率，ε∈[0,1]为人工设置的正交系数。

所述步骤B中，运用规则

v_i(k+1)＝v_i(k)-ρQ(k)v_i(k)(u_i(k)+βt_i(v_i(k),y_i(k))-B(Q(k)))， $Q(k+1)=Q\left(k\right)-\mathrm{\ρQ}\left(k\right)[\underset{j\∈N}{\mathrm{\Σ}}{v}_j\left(k\right)(u_i\left(k\right)+\mathrm{\β}{t}_j(v_j\left(k\right),y_j\left(k\right)))-Q\left(k\right)B\left(Q\left(k\right)\right)],$ Q(0)＝Q⁰,i∈N计算链路i的第m个状态变量组v^(m)(k)和Q^(m)(k)。

所述步骤B中，运用规则

${\mathrm{\λ}}_i\left(k\right)=-\mathrm{\β}{t}_i(v_i\left(k\right),y_i\left(k\right))-\mathrm{\β}{v}_i\left(k\right)\frac{\∂t_i\left(v_i\left(k\right){,y}_i\left(k\right)\right)}{\∂v_i\left(k\right)}+{\mathrm{\λ}}_i(k+1),$ $-\mathrm{\ρ}({\mathrm{\λ}}_i(k+1)+\mathrm{\μ}(k+1))Q\left(k\right)[{\mathrm{\μ}}_i\left(k\right)+\mathrm{\β}{t}_i(v_i\left(k\right),y_i\left(k\right))+\mathrm{\β}{v}_i\left(k\right)\frac{\∂y_i(v_i\left(k\right),y_i\left(k\right))}{\∂v_i\left(k\right)}]+\mathrm{\ρ}{\mathrm{\λ}}_i(k+1)Q\left(k\right)B\left(Q\left(k\right)\right),k=\mathrm{1,2},...,K-1$ $\begin{array}{c}\mathrm{\μ}\left(k\right)=-\mathrm{\ρ}\underset{j\∈N}{\mathrm{\Σ}}{v}_j\left(k\right)({\mathrm{\λ}}_j(k+1)+\mathrm{\μ}(k+1))(u_j\left(k\right)+\mathrm{\β}{t}_j(v_j\left(k\right),y_j\left(k\right)))+\mathrm{\ρ}[B\left(Q\left(k\right)\right)+Q\left(k\right)\frac{\mathrm{dB}\left(Q\right)}{\mathrm{dQ}\left(k\right)}]\underset{j\∈N}{\mathrm{\Σ}}{\mathrm{\λ}}_j(k+1)v_j\left(k\right)+B\left(Q\left(k\right)\right)+2\mathrm{\ρ\μ}(k+1)Q\left(k\right)B\left(Q\left(k\right)\right)\\ +\mathrm{\ρ\μ}(k+1)Q^2\left(k\right)\frac{\mathrm{dB}\left(Q\right)}{\mathrm{dQ}\left(k\right)}+\mathrm{\μ}(k+1)\end{array},$ λ_i(K_l)＝0,μ(K_l)＝0,i∈N获得链路i的第m个连接变量组λ^(m)(k)和μ^(m)(k)。

所述步骤C中，通过步骤A和B获得的链路的状态变量和连接变量，将其带入优化目标函数

$\underset{(u,y)}{\max }W=({\mathrm{SIR}}^1+{\mathrm{SIR}}^2)\underset{k=0}{\overset{K-1}{\mathrm{\Σ}}}[{\∫}_0^{Q\left(k\right)}B\left(w\right)\mathrm{dw}-\mathrm{\β}\underset{j\∈N}{\mathrm{\Σ}}{v}_j\left(k\right)t_j(v_j\left(k\right),y_j\left(k\right))-\underset{j\∈N}{\mathrm{\Σ}}{\mathrm{\κ}}_j{y}_j\left(k\right)],$ 若目标函数小于或等于ω，则停止计算，将目标函数的结果输出，若目标函数>ω，则转至步骤D，ω为人工设定的优化目标值。

所述步骤D中，使用规则 $g_{u_i}\left(k\right)=-[{\mathrm{\λ}}_i(k+1)+\mathrm{\μ}(k+1)\mathrm{\ρQ}\left(k\right)v_i\left(k\right)]$ 和 $g_{y_i}\left(k\right)=-[1+\mathrm{\ρQ}\left(k\right){\mathrm{\λ}}_i(k+1)+\mathrm{\ρQ}\left(k\right)\mathrm{\μ}(k+1)]\mathrm{\β}{v}_i\left(k\right)\frac{\∂t_i(v_i\left(k\right),y_i\left(k\right))}{\∂y_i\left(k\right)}-{\mathrm{\κ}}_i$ 获得链路状态控制变量的梯度和

所述步骤D中，使用规则 $g_{u_i}\left(k\right)=-[{\mathrm{\λ}}_i(k+1)+\mathrm{\μ}(k+1)\mathrm{\ρQ}\left(k\right)v_i\left(k\right)]$ 和 $g_{y_i}\left(k\right)=-[1+\mathrm{\ρQ}\left(k\right){\mathrm{\λ}}_i(k+1)+\mathrm{\ρQ}\left(k\right)\mathrm{\μ}(k+1)]\mathrm{\β}{v}_i\left(k\right)\frac{\∂t_i(v_i\left(k\right),y_i\left(k\right))}{\∂y_i\left(k\right)}-{\mathrm{\κ}}_i$ 获得链路i的第m组状态控制变量的梯度和

所述步骤D中，使用规则 $u_i^{(m+1)}\left(k\right)=\left\{\begin{array}{c}{\stackrel{\&OverBar;}{u}}_i,u_i^{(m+1)}\left(k\right)>{\stackrel{\&OverBar;}{u}}_i\\ u_i^{(m+1)}\left(k\right),0\&le;u_i^{(m+1)}\left(k\right)\&le;{\stackrel{\&OverBar;}{u}}_i\\ 0,u_i^{(m+1)}\left(k\right)<0\end{array}\right.$ 和 $y_i^{(m+1)}\left(k\right)=\left\{\begin{array}{c}{\stackrel{\&OverBar;}{y}}_i,y_i^{(m+1)}\left(k\right)>{\stackrel{\&OverBar;}{y}}_i\\ y_i^{(m+1)}\left(k\right),0\&le;y_i^{(m+1)}\left(k\right)\&le;{\stackrel{\&OverBar;}{y}}_i\\ 0,y_i^{(m+1)}\left(k\right)<0\end{array}\right.$ 更新链路i的第m+1个控制变量组和然后返回至步骤B，其中N为网络中的链路集合，v_i(k)为在时刻k链路i上的业务流，y_i(k)为在时刻k链路i的容量,其可通过ANFIS获得，ANFIS的结构如图3所示，t_i(v_i(k),y_i(k))为在时刻k数据流在链路i上的传输时间，κ_i为在时刻k使用链路i的容量代价系数，β为时间代价系数， u_i(k)为在时刻k使用链路i的空间代价。

本发明的有益效果为：提供一种基于蜂窝网络的干扰降低方法，通过计算链路的状态变量和连接变量、使用目标优化函数进行计算，以及获得链路状态控制变量的梯度等步骤，实现蜂窝网络小区容量的提高。

附图说明

图1为蜂窝网络的干扰模型示意图；

图2为总的流程示意图；

图3为ANFIS结构示意图；

具体实施方式

为达到上述目的，本发明的技术方案如下：

1.设置蜂窝网络中链路控制变量的初始值u⁽⁰⁾(k)和y⁽⁰⁾(k),k＝0,1,...,K-1，并且令m＝0，初始值u⁽⁰⁾(k)和y⁽⁰⁾(k),k＝0,1,...,K-1满足条件 $0\&le;u_i\left(k\right)\&le;{\stackrel{\&OverBar;}{u}}_i,$ $0\&le;y_i\left(k\right)\&le;{\stackrel{\&OverBar;}{y}}_i,$ i∈N,k＝0,1,...,K-1。

2.获得蜂窝网络中的上行链路的信噪比其中K_l为蜂窝网络l中的用户数，P_lk为在蜂窝小区l内用户k接收到的信号功率，N为扩展码的长度，总的流程如图2所示。

3.获得蜂窝网络中的下行链路的信噪比其中P^(j)为在同一蜂窝小区内用户j收到的信号功率，ε∈[0,1]为人工设置的正交系数。

4.运用规则

v_i(k+1)＝v_i(k)-ρQ(k)v_i(k)(u_i(k)+βt_i(v_i(k),y_i(k))-B(Q(k)))， $Q(k+1)=Q\left(k\right)-\mathrm{\&rho;Q}\left(k\right)[\underset{j\&Element;N}{\mathrm{\&Sigma;}}{v}_j\left(k\right)(u_i\left(k\right)+\mathrm{\&beta;}{t}_j(v_j\left(k\right),y_j\left(k\right)))-Q\left(k\right)B\left(Q\left(k\right)\right)],$ Q(0)＝Q⁰,i∈N计算链路i的第m个状态变量组v^(m)(k)和Q^(m)(k)。

5.运用规则

${\mathrm{\&lambda;}}_i\left(k\right)=-\mathrm{\&beta;}{t}_i(v_i\left(k\right),y_i\left(k\right))-\mathrm{\&beta;}{v}_i\left(k\right)\frac{\&PartialD;t_i\left(v_i\left(k\right){,y}_i\left(k\right)\right)}{\&PartialD;v_i\left(k\right)}+{\mathrm{\&lambda;}}_i(k+1),$ $-\mathrm{\&rho;}({\mathrm{\&lambda;}}_i(k+1)+\mathrm{\&mu;}(k+1))Q\left(k\right)[{\mathrm{\&mu;}}_i\left(k\right)+\mathrm{\&beta;}{t}_i(v_i\left(k\right),y_i\left(k\right))+\mathrm{\&beta;}{v}_i\left(k\right)\frac{\&PartialD;y_i(v_i\left(k\right),y_i\left(k\right))}{\&PartialD;v_i\left(k\right)}]+\mathrm{\&rho;}{\mathrm{\&lambda;}}_i(k+1)Q\left(k\right)B\left(Q\left(k\right)\right),k=\mathrm{1,2},...,K-1$ $\begin{array}{c}\mathrm{\&mu;}\left(k\right)=-\mathrm{\&rho;}\underset{j\&Element;N}{\mathrm{\&Sigma;}}{v}_j\left(k\right)({\mathrm{\&lambda;}}_j(k+1)+\mathrm{\&mu;}(k+1))(u_j\left(k\right)+\mathrm{\&beta;}{t}_j(v_j\left(k\right),y_j\left(k\right)))+\mathrm{\&rho;}[B\left(Q\left(k\right)\right)+Q\left(k\right)\frac{\mathrm{dB}\left(Q\right)}{\mathrm{dQ}\left(k\right)}]\underset{j\&Element;N}{\mathrm{\&Sigma;}}{\mathrm{\&lambda;}}_j(k+1)v_j\left(k\right)+B\left(Q\left(k\right)\right)+2\mathrm{\&rho;\&mu;}(k+1)Q\left(k\right)B\left(Q\left(k\right)\right)\\ +\mathrm{\&rho;\&mu;}(k+1)Q^2\left(k\right)\frac{\mathrm{dB}\left(Q\right)}{\mathrm{dQ}\left(k\right)}+\mathrm{\&mu;}(k+1)\end{array},$ λ_i(K_l)＝0,μ(K_l)＝0,i∈N获得链路i的第m个连接变量组λ^(m)(k)和μ^(m)(k)。

6.通过上述步骤获得的链路的状态变量和连接变量，将其带入优化目标函数

$\underset{(u,y)}{\max }W=({\mathrm{SIR}}^1+{\mathrm{SIR}}^2)\underset{k=0}{\overset{K-1}{\mathrm{\&Sigma;}}}[{\&Integral;}_0^{Q\left(k\right)}B\left(w\right)\mathrm{dw}-\mathrm{\&beta;}\underset{j\&Element;N}{\mathrm{\&Sigma;}}{v}_j\left(k\right)t_j(v_j\left(k\right),y_j\left(k\right))-\underset{j\&Element;N}{\mathrm{\&Sigma;}}{\mathrm{\&kappa;}}_j{y}_j\left(k\right)],$ 若目标函数小于或等于ω，则停止计算，将目标函数的结果输出，若目标函数>ω，则转至步骤D，ω为人工设定的优化目标值。

7.使用规则 $g_{u_i}\left(k\right)=-[{\mathrm{\&lambda;}}_i(k+1)+\mathrm{\&mu;}(k+1)\mathrm{\&rho;Q}\left(k\right)v_i\left(k\right)]$ 和 $g_{y_i}\left(k\right)=-[1+\mathrm{\&rho;Q}\left(k\right){\mathrm{\&lambda;}}_i(k+1)+\mathrm{\&rho;Q}\left(k\right)\mathrm{\&mu;}(k+1)]\mathrm{\&beta;}{v}_i\left(k\right)\frac{\&PartialD;t_i(v_i\left(k\right),y_i\left(k\right))}{\&PartialD;y_i\left(k\right)}-{\mathrm{\&kappa;}}_i$ 获得链路状态控制变量的梯度和

8.使用规则 $g_{u_i}\left(k\right)=-[{\mathrm{\&lambda;}}_i(k+1)+\mathrm{\&mu;}(k+1)\mathrm{\&rho;Q}\left(k\right)v_i\left(k\right)]$ 和 $g_{y_i}\left(k\right)=-[1+\mathrm{\&rho;Q}\left(k\right){\mathrm{\&lambda;}}_i(k+1)+\mathrm{\&rho;Q}\left(k\right)\mathrm{\&mu;}(k+1)]\mathrm{\&beta;}{v}_i\left(k\right)\frac{\&PartialD;t_i(v_i\left(k\right),y_i\left(k\right))}{\&PartialD;y_i\left(k\right)}-{\mathrm{\&kappa;}}_i$ 获得链路i的第m组状态控制变量的梯度和

9.使用规则 $u_i^{(m+1)}\left(k\right)=\left\{\begin{array}{c}{\stackrel{\&OverBar;}{u}}_i,u_i^{(m+1)}\left(k\right)>{\stackrel{\&OverBar;}{u}}_i\\ u_i^{(m+1)}\left(k\right),0\&le;u_i^{(m+1)}\left(k\right)\&le;{\stackrel{\&OverBar;}{u}}_i\\ 0,u_i^{(m+1)}\left(k\right)<0\end{array}\right.$ 和 $y_i^{(m+1)}\left(k\right)=\left\{\begin{array}{c}{\stackrel{\&OverBar;}{y}}_i,y_i^{(m+1)}\left(k\right)>{\stackrel{\&OverBar;}{y}}_i\\ y_i^{(m+1)}\left(k\right),0\&le;y_i^{(m+1)}\left(k\right)\&le;{\stackrel{\&OverBar;}{y}}_i\\ 0,y_i^{(m+1)}\left(k\right)<0\end{array}\right.$ 更新链路i的第m+1个控制变量组和然后返回至步骤B，其中N为网络中的链路集合，v_i(k)为在时刻k链路i上的业务流，y_i(k)为在时刻k链路i的容量,其可通过ANFIS获得，ANFIS的结构如图3所示，t_i(v_i(k),y_i(k))为在时刻k数据流在链路i上的传输时间，κ_i为在时刻k使用链路i的容量代价系数，β为时间代价系数， u_i(k)为在时刻k使用链路i的空间代价。

Claims (6)

1.一种基于蜂窝网络的干扰降低方法，包括如下步骤：

A、设置蜂窝网络中链路控制变量的初始值，并获得蜂窝网络中的上行链路和下行链路的信噪比，具体为设置蜂窝网络中链路控制变量的初始值u⁽⁰⁾(k)和y⁽⁰⁾(k)，k＝0，1，...，K-1，并且令m＝0，初始值u⁽⁰⁾(k)和y⁽⁰⁾(k)，k＝0，1，...，K-1满足条件 $0\&le;u_i\left(k\right)\&le;{\stackrel{\&OverBar;}{u}}_i,0\&le;y_i\left(k\right)\&le;{\stackrel{\&OverBar;}{y}}_i,i,j\&Element;N,k=\mathrm{0,1},...,K-1,$ 其中N为网络中的链路集合，v_i(k)为在时刻k链路i上的业务流，y_i(k)为在时刻k链路i的容量，其可通过AN FIS获得，t_i(v_i(k)，y_i(k))为在时刻k数据流在链路i上的传输时间，κ_i为在时刻k使用链路i的容量代价系数，β为时间代价系数，，u_i(k)为在时刻k使用链路i的空间代价；

B、计算链路的状态变量和连接变量，具体为运用规则

v_i(k+1)＝v_i(k)-ρQ(k)v_i(k)(u_i(k)+βt_i(v_i(k)，y_i(k))-B(Q(k)))，

$Q(k+1)=Q\left(k\right)-\mathrm{\&rho;Q}\left(k\right)[\underset{j\&Element;N}{\mathrm{\&Sigma;}}{v}_j\left(k\right)(u_i\left(k\right)+\mathrm{\&beta;}{t}_j(v_j\left(k\right),y_j\left(k\right)))-Q\left(k\right)B\left(Q\left(k\right)\right)],$ 计算链路的状态变量组v^(m)(k)和Q^(m)(k)；

C、使用目标优化函数进行计算，具体为通过步骤A和B获得的链路的状态变量和连接变量，将其带入优化目标函数

$\underset{(u,y)}{\max }W=({\mathrm{SIR}}^1+{\mathrm{SIR}}^2)\underset{k=0}{\overset{K-1}{\mathrm{\&Sigma;}}}[{\&Integral;}_0^{Q\left(k\right)}B\left(w\right)\mathrm{dw}-\mathrm{\&beta;}\underset{j\&Element;N}{\mathrm{\&Sigma;}}{v}_j\left(k\right)t_j(v_j\left(k\right),y_j\left(k\right))-\underset{j\&Element;N}{\mathrm{\&Sigma;}}{\mathrm{\&kappa;}}_j{y}_j\left(k\right)],$ 若目标函数小于或等于ω，则停止计算，将目标函数的结果输出，若目标函数＞ω，则转至步骤D，ω为人工设定的优化目标值；

D、获得链路状态控制变量的梯度，具体为使用规则 ${g_u}_i\left(k\right)=-[{\mathrm{\&lambda;}}_i(k+1)+\mathrm{\&mu;}(k+1)\mathrm{\&rho;Q}\left(k\right)v_i\left(k\right)]$ 和 ${g_y}_i\left(k\right)=-[1+\mathrm{\&rho;Q}\left(k\right){\mathrm{\&lambda;}}_i(k+1)+\mathrm{\&rho;Q}\left(k\right)\mathrm{\&mu;}(k+1)]\mathrm{\&beta;}{v}_i\left(k\right)\frac{\&PartialD;t_i(v_i\left(k\right),y_i\left(k\right))}{\&PartialD;y_i\left(k\right)}-{\mathrm{\&kappa;}}_i$ 获得链路状态控制变量的梯度和

2.根据权利要求1的方法，对于所述步骤A其特征在于：获得蜂窝网络中的上行链路的信噪比其中K_l为蜂窝网络I中的用户数，P_lk为在蜂窝小区I内用户k接收到的信号功率，为扩展码的长度。

3.根据权利要求1的方法，对于所述步骤A其特征在于：获得蜂窝网络中的下行链路的信噪比其中P^(k)为在同一蜂窝小区内用户k收到的信号功率，ε∈[0，1]为人工设置的正交系数。

4.根据权利要求1的方法，对于所述步骤B其特征在于：运用规则

$\begin{array}{c}{\mathrm{\&lambda;}}_i\left(k\right)=-\mathrm{\&beta;}{t}_i(v_i\left(k\right),y_i\left(k\right))-\mathrm{\&beta;}{v}_i\left(k\right)\frac{\&PartialD;t_i(v_i\left(k\right),y_i\left(k\right))}{\&PartialD;v_i\left(k\right)}+{\mathrm{\&lambda;}}_i(k+1)\\ -\mathrm{\&rho;}({\mathrm{\&lambda;}}_i(k+1)+\mathrm{\&mu;}(k+1))Q\left(k\right)[{\mathrm{\&mu;}}_i\left(k\right)+\mathrm{\&beta;}{t}_i(v_i\left(k\right),y_i\left(k\right))+\mathrm{\&beta;}{v}_i\left(k\right)\frac{\&PartialD;t_i(v_i\left(k\right),y_i\left(k\right))}{\&PartialD;v_i\left(k\right)}]+\mathrm{\&rho;}{\mathrm{\&lambda;}}_i(k+1)Q\left(k\right)B\left(Q\left(k\right)\right),k=\mathrm{1,2},...,K-1\end{array},$

$\begin{array}{c}\mathrm{\&mu;}\left(k\right)-\mathrm{\&rho;}\underset{j\&Element;N}{\mathrm{\&Sigma;}}{v}_j\left(k\right)({\mathrm{\&lambda;}}_j(k+1)+\mathrm{\&mu;}(k+1))(u_j\left(k\right)+\mathrm{\&beta;}{t}_j(v_j\left(k\right),y_j\left(k\right)))+\mathrm{\&rho;}[B\left(Q\left(k\right)\right)+Q\left(k\right)\frac{\mathrm{dB}\left(Q\right)}{\mathrm{dQ}\left(k\right)}]\underset{j\&Element;N}{\mathrm{\&Sigma;}}{\mathrm{\&lambda;}}_j(k+1)v_j\left(k\right)+B\left(Q\left(k\right)\right)+2\mathrm{\&rho;\&mu;}(k+1)Q\left(k\right)B\left(Q\left(k\right)\right)\\ \mathrm{\&rho;\&mu;}(k+1)Q^2\left(k\right)\frac{\mathrm{dB}\left(Q\right)}{\mathrm{dB}\left(k\right)}+\mathrm{\&mu;}(k+1)\end{array}$ λ_i(K_l)＝0，μ(K_l)＝0，i，j∈N获得链路的连接变量组λ^(m)(k)和μ^(m)(k)。

5.根据权利要求1的方法，对于所述步骤D其特征在于：使用规则 ${g_u}_i\left(k\right)=-[{\mathrm{\&lambda;}}_i(k+1)+\mathrm{\&mu;}(k+1)\mathrm{\&rho;Q}\left(k\right)v_i\left(k\right)]$ 和 ${g_y}_i\left(k\right)=-[1+\mathrm{\&rho;Q}\left(k\right){\mathrm{\&lambda;}}_i(k+1)+\mathrm{\&rho;Q}\left(k\right)\mathrm{\&mu;}(k+1)]\mathrm{\&beta;}{v}_i\left(k\right)\frac{\&PartialD;t_i(v_i\left(k\right),y_i\left(k\right))}{\&PartialD;y_i\left(k\right)}-{\mathrm{\&kappa;}}_i$ 获得链路状态控制变量的梯度和

6.根据权利要求1的方法，对于所述步骤D其特征在于：使用规则 $u_i^{(m+1)}\left(k\right)=\left\{\begin{array}{c}\stackrel{-}{u_i,}{u}_i^{(m+1)}\left(k\right)>\stackrel{-}{u_i}\\ u_i^{m+1}\left(k\right),0\&le;u_i^{(m+1)}\left(k\right)\&le;\stackrel{-}{u_i}\\ 0,u_i^{(m+1)}\left(k\right)<0\end{array}\right.$ 和 $y_i^{(m+1)}\left(k\right)=\left\{\begin{array}{c}\stackrel{-}{y_i,}{u}_i^{(m+1)}\left(k\right)>\stackrel{-}{y_i}\\ y_i^{m+1}\left(k\right),0\&le;y_i^{(m+1)}\left(k\right)\&le;\stackrel{-}{y_i}\\ 0,y_i^{(m+1)}\left(k\right)<0\end{array}\right.$ 更新链路i的控制变量组和然后返回至步骤B。