CN102858019B - 一种认知蜂窝网的下行链路空时调度方法 - Google Patents

Abstract

本发明公开了一种认知蜂窝网的下行链路空时调度方法，包括以下步骤：步骤（1），采集多天线认知基站与单天线认知移动终端之间的信道状态信息向量以及认知基站与单天线主用户之间的信道状态信息向量；步骤（2），初始化构建图中每条边上分布的信息素以及启发式信息；步骤（3），生成人工蚂蚁；步骤（4），认知基站计算对应认知移动终端的双重正交波束赋形向量；步骤（5），分配发送功率给认知基站发送至认知移动终端的数据流；步骤（6），判断是否达到预设的最大迭代次数，若达到则停止并输出最优接入集，最大迭代次数取自然数；步骤（7），更新构建图中所有边上分布的信息素并返回步骤（3）；由此完成下行链路空时调度。

Description

一种认知蜂窝网的下行链路空时调度方法

技术领域

本发明涉及一种认知无线电技术中无线通信与通信信号处理技术领域，特别是一种基于认知无线电的认知蜂窝网的下行链路空时调度方法。

背景技术

随着无线业务与应用的不断增长，可供分配的无线频谱资源越来越紧张。目前，可分配频谱的匮乏已极大的阻碍了无线通信的可持续发展。在另一方面，实际测量结果表明大部分的已分配的频谱却处于低利用率状态。在这种背景下，认知无线电(Cognitive Radio,CR)技术应运而生，CR网络通过与持有授权频谱的主用户(PrimaryUser,PU)网络共存，在时间和空间上共享PU授权频谱，从而可以提高现有授权频谱的利用率，为新的无线业务与应用提供带宽。

基于CR的蜂窝网络(认知蜂窝网络)通过利用PU的授权频谱，有望解决当前商业移动通信所面临的频谱匮乏问题。在典型的认知蜂窝网络的下行链路中，多天线的认知基站(Cognitive Base Station,CBS)通过空间复用技术支持多路数据流传输至不同的单天线认知移动终端(Cognitive Mobile Station,CMS)。

在频谱共享时，为不影响已有PU网络的操作，实现与之“透明”共存，认知蜂窝网络需要具备有效避免对PU干扰的能力。因而，与传统蜂窝网不同的是，在认知蜂窝网中，CBS传输至认知移动终端CMS的数据信号应避免对PU带来任何有害的干扰。

为实现频谱资源的有效利用，最大化系统容量，需要在CMS之间进行调度。CBS通过对自身与PU以及自身与CMS之间的时变衰落信道的估计，并利用收集到的信道状态信息可以实现用户调度，在给定时间内调度具有最好信道状况的用户或用户子集实现数据传输，从而最大化系统容量，优化对频谱资源的利用。

发明内容

发明目的：本发明所要解决的技术问题是针对现有技术的不足，提供一种认知蜂窝网的下行链路空时调度方法。

为了解决上述技术问题，本发明公开了一种认知蜂窝网的下行链路空时调度方法，包括以下步骤：

步骤(1)，采集多天线认知基站与N个单天线认知移动终端之间的信道状态信息向量h_i，i＝1,2,...,N以及认知基站与M个单天线主用户之间的信道状态信息向量g_j，j＝1,2,...,M；

步骤(2)，初始化构建图中每条边e_s,s+1(j)上分布的信息素τ_s,s+1(j)＝(τ_max+τ_min)/2，以及启发式信息η_s,s+1(j)＝|h_j|²，s＝0,1,...,n_T-M，j＝1,2,...,N，其中τ_max与τ_min分别为信息素含量的上界与下界，τ_max的设定值范围为10～20，τ_min的设定值范围为0～10，|h_j|表示求信道状态信息向量h_j的幅值，n_T为认知基站的天线数目；

步骤(3)，生成m只人工蚂蚁，其中m的设定值范围为5～30，放置蚂蚁于构建图中顶点v₀处，每只蚂蚁按概率Pr(e_s,s+1(j))选择边e_s,s+1(j)从顶点v_s移动至顶点v_s+1，s＝0,1...,n_T-M；记录蚂蚁n_T-M次移动经过的路径，选择路径中的边所对应的认知移动终端组成接入集

步骤(4)，认知基站计算对应于第k个认知移动终端的双重正交波束赋形向量

步骤(5)，分配发送功率给认知基站发送至认知移动终端的数据流；计算每只蚂蚁选择的接入集的系统容量如下：

其中，为给接入集中第k个CMS的数据流分配的发送功率，表示接入集第k个认知移动终端与认知基站之间的信道状态信息向量，表示对向量进行转置操作，为认知移动终端的接收机的噪声功率；选择最大系统容量对应的接入集为最优接入集步骤(6)，判断是否达到预设的最大迭代次数，若达到则停止并输出最优接入集最大迭代次数取自然数；

步骤(7)，更新构建图中所有边上分布的信息素并返回步骤(3)；由此完成下行链路空时调度。

本发明步骤(3)中蚂蚁选择边e_s,s+1(j)的概率Pr(e_s,s+1(j))按以下方法计算：

其中表示连接顶点v_s与顶点v_s+1的所有边的集合，α与β为对应于信息素与启发式信息的加权系数，α与β的设定值范围为0～10。

本发明步骤(4)中依据以下方法计算第k个认知基站的双重正交波束赋形向量

对第k个认知基站，构建如下矩阵

计算矩阵的0特征值所对应的特征向量归一化得到

本发明步骤(5)中依据以下注水运算给接入集中的用户k分配发送功率

其中λ为注水运算的水位，λ>0，λ满足P_tot为基站总发送功率，P_max为能够给单个认知移动终端数据流分配的最大发送功率，符号定义为：

其中对应x，b对应P_max，a＝0。

本发明步骤(7)中边e_s,s+1(j)上的信息素τ_s,s+1(j)按以下方法更新：

${\mathrm{\τ}}_{s,s+1}\left(j\right)\←{[(1-\mathrm{\ρ})\·{\mathrm{\τ}}_{s,s+1}\left(j\right)+{\mathrm{\Δ\τ}}_{s,s+1}^{\mathrm{best}}]}_{{\mathrm{\τ}}_{\min }}^{{\mathrm{\τ}}_{\max }},$

其中

为迄今为止蚂蚁所发现的最大系统容量，为所对应的路径，ρ为信息素挥发系数，其设定值范围为0～1，Q为调节信息素增量大小的常量，其设定值范围为0.01～0.1。

有益效果：本发明中提出的双重正交传输空间复用技术通过给不同用户分配正交的空间复用向量使得对PU的干扰为零，能够满足下一代认知蜂窝网对PU干扰控制的要求。通过实验表明，相对于目前常用的次优方法，本发明中提出的基于ACO的低复杂度用户调度方法在增加一定的计算量的基础上能够获得接近最优方法的性能。

附图说明

下面结合附图和具体实施方式对本发明做更进一步的具体说明，本发明的上述和/或其他方面的优点将会变得更加清楚。

图1为本发明的系统场景示意图。

图2为用户调度问题的相应构建图。

图3a～图3c为不同PU数下的实时系统容量比较。

图4为不同PU数下的平均系统容量比较。

图5为本发明方法流程图。

具体实施方式

本发明考虑的下一代认知蜂窝网的下行链路场景，如图1所示，其中认知蜂窝网络由1个装备n_T根天线的认知基站CBS与N个待接入的单天线CMS组成，同时还存在M个单天线主用户PU。为便于表示，用与分别表示CBS与PU的索引集合。CBS与第i个CMS之间的信道系数为h_i，CBS与第j个PU之间的信道系数为g_j。CBS通过空间复用技术支持多路数据流传输至不同的CMS。对第i路数据流，发送至CMSi的信息符号s_i被加以发送功率p_i，随后经过波束赋形向量w_i处理。最后，在CBS的发送天线端，N路数据流经过叠加后被发送至不同的CMS。

本发明的基于蚁群优化(Ant Colony Optimization，ACO)的低复杂度空时调度方法，最大化认知蜂窝网系统信息速率。本发明实质上包括了PU零干扰的双重正交传输空间复用方法与基于ACO的低复杂度用户选择方法两个部分内容。

(1)双重正交传输空间复用

本发明中，CBS通过波束赋形技术来传输信号至CMS。为便于CMS接收CBS信号，波束赋形向量的选择需使得在不同的CMS链路上传输的CBS信号彼此正交；同时为了对PU零干扰，还需使得CBS信号与PU信号正交，从而与PU共存。

令表示被选取的CMS的集合，则中的第k个CMS的波束赋形权值的选择需满足

其中表示接入集第i个CMS与CBS之间的信道状态信息向量，上标T表示转置，上标H表示共轭转置。

为实现尽可能多的CMS接入，本发明中认知蜂窝网采用支持最大用户数策略。由于受式(1)中的条件约束，CBS最多可支持n_T-M个CMS同时接入。

双重正交波束构造：第k个CMS的波束赋形权值可通过如下方法计算：CMSk构建矩阵如下：

通过特征分解计算的0特征值所对应的特征向量再经过归一化即可得第k个CMS的波束赋形权值为其中||.||表示求向量的模。显然唯一满足式(1)中的条件。

最优发送功率分配：由于CBS发送功率受限，CBS需要分配发送功率给中的不同的CMS以最大化系统信息速率，即求解：

其中为给接入集中第k个CMS的数据流分配的发送功率，为接收端的噪声功率，P_max为能够给单个CMS数据流分配的最大发送功率，P_tot为CBS的总发送功率。由KKT(Karush Kuhn Tucker)条件，CBS可通过以下注水运算来分配发送功率：

其中λ>0为注水运算的水位，其值的选择需使得

(2)低复杂度用户选择方法

由于双重正交传输空间复用最多可支持n_T-M个CMS同时接入，而在实际的移动通信应用场景中CMS的用户数N常常大于n_T-M的，因而需要从N个CMS中选择最优的n_T-M个用户。令表示给定接入集时双重正交传输空间复用技术所取得的最大系统信息速率，即式(3)中优化问题的最优值。最优用户选择即如下的离散优化问题：

本发明中提出基于ACO的低复杂度用户调度算法来解决上面的问题。在ACO中，人工蚂蚁通过在构建图(Construction Graph)上移动来构造解。在每次迭代中，每只蚂蚁通过构建图的边从一个顶点移动到另一个顶点，来不断构造部分解。当完全解被构造出后，蚂蚁会在经过的边上留下一定量的信息素。信息素的量与解的质量有关，解的质量越好，则信息素的数量越大。下一次迭代中的蚂蚁通过信息素的指引来进一步搜索解空间的有前途的区域并更新信息素。对于每次迭代中执行的解构建与信息素更新过程的进一步详细描述如下：

●解构建

式(5)中的问题的对应构建图如图2所示。每条边e_s,s+1(j)对应于一个可供选择接入的CMS，s表示当前顶点索引，s+1表示下一顶点索引。每个蚂蚁从顶点v₀出发，通过选择边到达下一顶点。对于本发明，在顶点v₀时，可供蚂蚁选择的边的数目为N，每移动一次，可供蚂蚁选择的边的数目减1，这样经过n_T-M次移动后，蚂蚁选择了n_T-M条边到达最终的顶点这些边对应的CMS即为问题的解。在构建解的过程中，蚂蚁通过一种随机机制来选择CMS。在顶点v_s时，蚂蚁通过一种概率的方式选择一条边到达顶点v_s+1，其选择边j的概率为：

其中表示连接顶点v_s与v_s+1的所有边的集合，τ_s,s+1(j)表示边e_s,s+1(j)上的信息素含量，η_s,s+1(j)表示边e_s,s+1(j)上的启发式信息值，α与β分别为对应于信息素与启发式信息的加权系数，其设定值范围皆为0～10。α取值越大则算法在寻找解的过程中受信息素的影响越大，反之，β越大则受启发式信息的影响越大。

●信息素更新

信息素更新的目的是增加与优质解或潜在优质解相关的信息素含量，同时降低与劣质解相关的信息素含量。方法的信息素更新规则如下：

${\mathrm{\τ}}_{\mathrm{ij}}\left(j\right)\←{[(1-\mathrm{\ρ})\·{\mathrm{\τ}}_{\mathrm{ij}}+{\mathrm{\Δ\τ}}_{\mathrm{ij}}^{\mathrm{best}}]}_{{\mathrm{\τ}}_{\min }}^{{\mathrm{\τ}}_{\max }},---\left(7\right)$

其中ρ为信息素挥发系数，其设定值范围为0～1，在此范围内ρ取值越大则使得上次迭代中的信息素对本次迭代的遗留影响越小。τ_max与τ_min分别为信息素含量的上界与下界，其设定值范围分别为10～20与0～10，定义如下：

其中Q为调节信息素增量大小的常量，其设定值范围为0.01～0.1，在此范围内Q取值越大则使得本次迭代中产生的最优解包含的边上的信息素增加越快，从而使得算法能够较快的收敛，但解的质量较差；反之，算法收敛较慢，但解的质量较好。

具体而言，如图5所示，本发明公开了以下步骤：

步骤(1)，CBS采集其与N个CMS之间的信道状态信息h_i，i＝1,2,...,N以及与M个PU之间的信道状态信息g_j，j＝1,2,...,M。

步骤(2)，设置τ_max＝10，τ_min＝5，初始化构建图中每条边e_s,s+1(j)上分布的信息素τ_s,s+1(j)＝(τ_max+τ_min)/2与启发式信息η_s,s+1(j)＝|h_j|²，s＝0,1,...,n_T-M，j＝1,2,...,N。

步骤(3)，生成m只人工蚂蚁，每只蚂蚁按以下概率选择边e_s,s+1(j)：

记录蚂蚁n_T-M次移动经过的路径，选择路径中的边所对应的CMS组成接入集蚂蚁数m设定为5-30之间，权重α，β设置为α＝2，β＝1。

步骤(4)，按如下方法计算CBS对应于不同CMS的双重正交波束赋形向量 对第k个CMS，构建矩阵如下：

计算的0特征值所对应的特征向量再通过归一化得

步骤(5)，按下式分配发送功率给发送至中的CMSk的数据流：

其中λ>0的选择需使得计算每只蚂蚁选择的接入集的系统容量如下：

选择最大系统容量对应的接入集为最优接入集

步骤(6)，判断是否达到最大迭代次数，最大迭代次数为大于0的自然数，一般设置为5～50之间，若满足则停止并输出

步骤(7)，设置ρ＝0.04，Q＝0.02，按下式更新所有边上的信息素并返回至步骤(3)。

${\mathrm{\τ}}_{s,s+1}\left(j\right)\←{[(1-\mathrm{\ρ})\·{\mathrm{\τ}}_{s,s+1}\left(j\right)+{\mathrm{\Δ\τ}}_{s,s+1}^{\mathrm{best}}]}_{{\mathrm{\τ}}_{\min }}^{{\mathrm{\τ}}_{\max }},$

其中为迄今为止蚂蚁所发现的最大系统容量，为所对应的路径。

实施例

为验证本发明中提出的基于ACO的用户选择方法的性能，下面比较了其与最优方法—穷举搜索(Brute Force Search)以及另一种广泛采用的次优方法—贪婪方法所获得的系统容量。为避免对PU的干扰，以上三种方法都使用了本发明中提出的双重正交传输空间复用技术。穷举搜索比较N个CMS中所有n_T-M个CMS的组合所获得的系统容量，选择对应于最大值的组合。贪婪方法比较CBS与所有CMS之间的信道质量，选择最优的前n_T-M个接入，其广泛应用于商业通信系统中，如3G1X与QualcommHDR。

图3a～图3c所示的为不同PU数下以上三种方法所取得的实时系统容量，其中图3a、图3b、图3c中分别对应PU数为1、2与3时的情况。图4所示的为PU数分别为1、2与3时以上三种方法取得的平均系统容量。设定CMS的总数为50，CBS的天线数为4，同时令所有的CMS以及PU距CBS的距离相等且归一化为1，与为CMS端的平均接收信噪比，其定义分别为对于本发明方法，设定蚂蚁数为5，PU数为1、2与3时本发明方法的最大迭代次数分别设定为25、10与5。

由于复杂度主要位于式(5)中的目标函数，因而我们基于目标函数的评估次数来比较三种方法的复杂度。贪婪方法、穷举搜索方法与本发明方法的计算复杂度比较如下表所示：

PU数	贪婪方法	穷举搜索方法	本发明方法
				3	1	50	5*5＝25
2	1	1225	5*10＝50
				1	1	19600	5*25＝125

由图3a～图3c、图4与上表可知，相对于传统的贪婪计算方法，本发明方法能够改善其性能较差的缺点；而相对于穷举搜索方法，本发明方法能够在取得接近的系统性能时极大降低计算量。本发明方法能够有效降低调度方法性能与计算复杂度间的冲突，适应认知蜂窝网中对调度方法性能的要求。

本发明提供了一种认知蜂窝网的下行链路空时调度方法，具体实现该技术方案的方法和途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。

Claims (5)

1.一种认知蜂窝网的下行链路空时调度方法，其特征在于，包括以下步骤：

步骤(1)，采集多天线认知基站与N个单天线认知移动终端之间的信道状态信息向量h_i，i＝1,2,...,N以及认知基站与M个单天线主用户之间的信道状态信息向量g_j，j＝1,2,...,M；

步骤(2)，初始化构建图中每条边e_s,s+1(j)上分布的信息素τ_s,s+1(j)＝(τ_max+τ_min)/2，以及启发式信息η_s,s+1(j)＝|h_j|²，s＝0,1,...,n_T-M，j＝1,2,...,N，其中τ_max与τ_min分别为信息素含量的上界与下界，τ_max的设定值范围为10～20，τ_min的设定值范围为0～10，|h_j|表示求信道状态信息向量h_j的幅值，n_T为认知基站的天线数目；

步骤(3)，生成m只人工蚂蚁，其中m的设定值范围为5～30，放置蚂蚁于构建图中顶点v₀处，每只蚂蚁按概率Pr(e_s,s+1(j))选择边e_s,s+1(j)从顶点v_s移动至顶点v_s+1，s＝0,1...,n_T-M；记录蚂蚁n_T-M次移动经过的路径，选择路径中的边所对应的认知移动终端组成接入集

步骤(4)，认知基站计算对应于第k个认知移动终端的双重正交波束赋形向量

步骤(5)，分配发送功率给认知基站发送至认知移动终端的数据流；计算每只蚂蚁选择的接入集的系统容量如下：

其中，为给接入集中第k个单天线认知移动终端的数据流分配的发送功率，表示接入集第k个认知移动终端与认知基站之间的信道状态信息向量，表示对向量进行转置操作，为认知移动终端的接收机的噪声功率；选择最大系统容量对应的接入集为最优接入集步骤(6)，判断是否达到预设的最大迭代次数，若达到则停止并输出最优接入集最大迭代次数取自然数；

步骤(7)，更新构建图中所有边上分布的信息素并返回步骤(3)；由此完成下行链路空时调度。

2.根据权利要求1所述的认知蜂窝网的下行链路空时调度方法，其特征在于，步骤(3)中蚂蚁选择边e_s,s+1(j)的概率Pr(e_s,s+1(j))按以下方法计算：

其中表示连接顶点v_s与顶点v_s+1的所有边的集合，α与β为对应于信息素与启发式信息的加权系数，α与β的设定值范围为0～10。

3.根据权利要求1所述的认知蜂窝网的下行链路空时调度方法，其特征在于，步骤(4)中依据以下方法计算第k个认知基站的双重正交波束赋形向量

对第k个认知基站，构建如下矩阵

计算矩阵的0特征值所对应的特征向量归一化得到

4.根据权利要求1所述的认知蜂窝网的下行链路空时调度方法，其特征在于，步骤(5)中依据以下注水运算给接入集中的用户k分配发送功率

其中λ为注水运算的水位，λ＞0，λ满足P_tot为基站总发送功率，P_max为能够给单个认知移动终端数据流分配的最大发送功率，符号定义为：

其中对应x，b对应P_max，a＝0。

5.根据权利要求1所述的认知蜂窝网的下行链路空时调度方法，其特征在于，步骤(7)中边e_s,s+1(j)上的信息素τ_s,s+1(j)按以下方法更新：

其中

为迄今为止蚂蚁所发现的最大系统容量，为所对应的路径，ρ为信息素挥发系数，其设定值范围为0～1，Q为调节信息素增量大小的常量，其设定值范围为0.01～0.1。