CN103369542B - 基于博弈论的同频异构网络功率分配方法 - Google Patents

Abstract

本发明公开了一种基于博弈论的同频异构网络功率分配方法，在上行链路和下行链路使用同频信道的用户之间通过相互博弈达到均衡，确定各自的发射功率，其效用函数由收益函数与代价函数之差获得，收益函数在上行链路采用能量效率模型，在下行链路采用总容量模型，代价函数采用固定代价因子、自适应代价因子和最大代价因子三种方法。该方法能显著提高异构网络性能，有效抑制网络中的同频干扰，提高异构网络的容量和终端发射功率的利用率。并且该方法简洁，收敛速度快且易于实现。

Description

基于博弈论的同频异构网络功率分配方法

技术领域

本发明涉及异构网络技术领域，特别是涉及一种基于博弈论的同频异构网络功率分配方法。

背景技术

功率控制是无线通信系统中的一种重要的资源管理功能，也是异构网络中的关键特性。

同频异构网络中采用功率分配与控制的原因：

1发射功率是无线通信系统的一种重要资源，直接关系到系统的正常运行和用户对于终端设备待机时间的满意度。有效的功率控制可以显著提高网络能效，并提升用户和运营商对于通信系统和用户设备的满意度。

2在同频异构网络中，存在多个用户使用相同频率的信道资源的情况，因此在这些用户之间就必然存在一定的同频干扰，通过合理控制与分配用户和基站的发射功率，可以保证在一定的通信质量的前提下提升网络容量，提高系统性能。

因此，需要一种良好的同频异构网络的功率分配算法以保证在满足一定通信质量前提下提高系统性能。

发明内容

发明目的：本发明的目的是针对同频异构网络的功率控制问题，提供了一种基于博弈论的同频异构网络的功率分配方法。

技术方案：基于博弈论的同频异构网络功率分配方法，在上行链路和下行链路使用同频信道的用户之间通过相互博弈达到均衡，确定各自的发射功率，其效用函数由收益函数与代价函数之差获得，收益函数在上行链路采用能量效率模型，在下行链路采用总容量效率模型，代价函数采用固定代价因子、自适应代价因子和最大代价因子三种方法；具体是：

步骤一：对网络参数进行初始化：

从异构网络各基站获得同频信道带宽B、子载波数N、可划归为一组连续子载波的个数S、网络中存在同频信道干扰的用户数K及其相应信道上基站可以分配的最大总功率P_{tot_max_in_m}、从用户端获得用户k的发射功率最大值p_max和最小值p_min、用户完成通信所需的最小信干噪比Γ_min；

步骤二：选择代价因子λ或μ，对所有用户依次迭代求解纳什均衡，并合理调整发射功率：对所有用户求解上、下链路效用函数，如果计算结果p_k＜p_min（或者p_k＞p_max），则令p_k=p_min（或者p_k=p_max），否则进入步骤（3）；其中，第k个用户的策略集，即发射功率集）为p_k∈[p_min，p_max]，p_min≥0；

上行链路效用函数为：

$U_k(p_k,P_{-k})=R_{i,k,m}(p_k,P_{-k})-C_{i,k,m}(p_k,P_{-k})$

$=\frac{R_Q\·{(1-{\mathrm{Ae}}^{{\mathrm{B\γ}}_k})}^C}{p_k}-\mathrm{\μ}\·p_k$

式中，R_Q表示一个与接入技术相关的参数，L表示用户传输数据包中的信息比特数，C表示数据包经过信道编码后的长度（C>L），数据传输速率为R bps。R_Q.f_k表示用户K的上行传输率。f_k(γ_i，k，m(p_k，P_-k))称为效率函数，表示上行基站接收机接收到的正确帧的概率，是一个与调制编码方式相关的参数；

下行链路效用函数为：

$U_k(p_k,P_{-k})=R_{i,k,m}(p_k,P_{-k})-C_{i,k,m}(p_k,P_{-k})$

$=B_{\mathrm{sub}}{\log }_2(1+W\·\frac{g_{i,k,m}{p}_{\text{i,k,m}}}{{\mathrm{\Σ}}_{j=1,j\≠k}^K{g}_{i,j,m}{p}_{i,k,m}+{\mathrm{\σ}}^2})-\mathrm{\λ}\·p_{i,k,m};$

式中，B_sub表示每个子信道带宽，W表示在M-QAM调制信号和信道容量的差值，g_i,k,m表示在相互间有同频干扰用户中第i个基站的第k(k=1,2,…,K)个用户在第m(m=1,2,…,M)个子信道上的增益，p_i,k,m表示第i个基站的第k(k=1,2,…,K)个用户在第m(m=1,2,…,M)个子信道上的发射功率；

步骤三：确定发射功率收敛；对于给定ε＞0，若两次发射功率 时停止迭代，当所有用户停止迭代时，博弈算法结束；

步骤四：输出功率向量 $P^{\#}=\{p_1^{\#},...,p_K^{\#}\}.$

本发明采用上述技术方案，具有以下有益效果：本发明基于博弈论的同频异构网络的功率分配算法能显著提高异构网络性能，有效抑制网络中的同频干扰，提高异构网络的容量和终端发射功率的利用率。该算法简洁，收敛速度快且易于实现。

附图说明

图1为本发明方法流程图；

图2为本发明固定代价因子与系统效用函数关系图；

图3为本发明自适应代价因子与系统效用函数关系图。

具体实施方式

下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

1、系统建模

在同频异构网络中，带宽为B，子载波数为N，采用LTE网络标准。将具有相似衰落特性的一组S个连续子载波划归一个子信道，目的是减少控制信息的开销和降低算法复杂度。因此子信道数N_sub=M=N/S，每个子信道带宽B_sub=B/N_sub,每个同频子信道标号为1，2，…，M。考虑具有同频干扰的I个异构网络小区，相互间存在同频干扰的用户数为K，则在该异构网络中用户k的信噪干比SINR为

${\mathrm{\γ}}_{i,k,m}=\frac{g_{i,k,m}{p}_{i,k,m}}{{\mathrm{\Σ}}_{j=1,j\≠k}^K{g}_{i,j,m}{p}_{i,k,m}+{\mathrm{\σ}}^2}$

式中，g_i,k,m表示在相互间有同频干扰用户中第i个基站的第k(k=1,2,…,K)个用户在第m(m=1,2,…,M)个子信道上的增益，p_i,k,m表示第i个基站的第k(k=1,2,…,K)个用户在第m(m=1,2,…,M)个子信道上的发射功率。P_m表示第m个子信道上所有用户的所有发射功率向量：P_m={p_1，m，...，p_K，m}，p_k∈[P_min，p_max]，p_min≥0。

2、效用函数的构建

（1）总容量效用模型

对于一定误码率（bit error rate，BER）要求，第i个基站的第k个用户在第m个子信道上可以发送的最大比特速率为：

R_i，k，m=B_usblog₂(1+W·γ_i，k，m)

其中，W表示在M-QAM调制信号和信道容量的差值，在加性高斯白噪声信道（AWGN）中，

$W=-\frac{1.5}{\ln (5\·\mathrm{BER})}$

对于第m个子信道上，K个用户之间存在同频干扰，用户之间的博弈目的是使得自身的效用最大，反应在速率上就是使得自身能获得的速率最大，即

$\underset{p_{i,k,m\≥0}}{\max }{U}_{i,k,m}\left(P_m\right)=\underset{p_{i,k,m\≥0}}{\max }{R}_{i,k,m}\left(P_m\right)$

$s.t.\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{p}_{k,m}\≤P_{\mathrm{tot}\_\max \_\mathrm{in}\_m}$

这里，P_{tot_max_in_m}表示在第m个信道上，基站可以分配的最大总功率。

但是这样正如前所述，每个用户都会有增大自身发射功率的趋势，这样最终会使得系统均衡点处在一个较大的位置上，既降低了系统的容量，也降低了用户的通信质量。因此引入代价函数C_i,k,m(P_m)，优化效用函数:

$U_{i,k,m}\left(P_m\right)=R_{i,k,m}\left(P_m\right)-C_{i,k,m}\left(P_m\right)$

$=B_{\mathrm{sub}}{\log }_2(1+W\·{\mathrm{\γ}}_{i,k,m})-{\mathrm{\λ}}_{i,k,m}{p}_{i,k,m}$

$=B_{\mathrm{sub}}{\log }_2(1+W\·\frac{g_{i,k,m}{p}_{\text{i,k,m}}}{{\mathrm{\Σ}}_{j=1,j\≠k}^K{g}_{i,j,m}{p}_{i,k,m}+{\mathrm{\σ}}^2})-{\mathrm{\λ}}_{i,k,m}{p}_{i,k,m}$

由于各个子信道之间互不干扰，因此为了表述方便，单独考虑第m个子信道的用户k：

$U_k(p_k,P_{-k})=R_{i,k,m}(p_k,P_{-k})-C_{i,k,m}(p_k,P_{-k})$

$=B_{\mathrm{sub}}{\log }_2(1+W\·\frac{g_{i,k,m}{p}_{\text{i,k,m}}}{{\mathrm{\Σ}}_{j=1,j\≠k}^K{g}_{i,j,m}{p}_{i,k,m}+{\mathrm{\σ}}^2})-{\mathrm{\λ}}_{i,k,m}{p}_{i,k,m}$

因此，在第m个子信道上功率的优化问题就是：

$\underset{p_{i,k,m\≥0}}{\max }{U}_{i,k,m}(p_k,P_{-k})=\underset{p_{i,k,m\≥0}}{\max }{R}_{i,k,m}(p_k,P_{-k})$

$s.t.\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{p}_{k,m}\≤P_{\mathrm{tot}\_\max \_\mathrm{in}\_m}$

γ_k≥Γ_min，k＝1，２，...，K

式中，P_{tot_max_in_m}表示基站在第m个子信道上分配的最大功率，γ_k≥Γ_min表示用户完成通信所需的最小信干噪比。

（2）能量效率效用模型

能效是指获得信息与消耗能量的比值，因此，可以用单位焦耳能量获得的信息比特数作为效用函数的定义，由此，可以得出以下能量效率效用模型：

$U_k(p_k,P_{-k})=\frac{R_Q\·f_k\left({\mathrm{\γ}}_{i,k,m}(p_k,P_{-k})\right)}{p_k}-C_{i,k,m}(p_k,P_{-k})$

$=\frac{R_Q\·f_k\left({\mathrm{\γ}}_{i,k,m}(p_k,P_{-k})\right)}{p_k}-\mathrm{\μ}\·p_k$

式中，R_Q表示一个与接入技术相关的参数，L表示用户传输数据包中的信息比特数，C表示数据包经过信道编码后的长度（C>L），数据传输速率为R bps。R_Q·f_k表示用户K的上行传输率。f_k(γ_i，k，m(p_k，P_-k))称为效率函数，表示上行基站接收机接收到的正确帧的概率，是一个与调制编码方式相关的参数。需要说明的是效率函数具有以下两点性质：

(1)γ_i，k，m＝0，f_k(γ_i，k，m)＝0;

(2)γ_i,k,m＝∞，f_k(γ_i,k,m)=1.表示当信噪比很大时，传输正确帧的效率为1，即发送的数据都能正确传输给接收端。

根据这两条性质，f_k(γ_i,k,m)有表达式：

式中，A，B为与调制编码方式相关的常数，例如采用非相关FSK调制时，A=0.5，B=0.5。同样，由于各个子信道之间互不干扰，因此为了表述方便，单独考虑第m个子信道的用户k：

$U_k(p_k,P_{-k})=R_{i,k,m}(p_k,P_{-k})-C_{i,k,m}(p_k,P_{-k})$

$=\frac{R_Q\·{(1-{\mathrm{Ae}}^{{\mathrm{B\γ}}_k})}^C}{p_k}\mathrm{\μ}\·p_k$

因此，在第m个子信道上K个用户之间功率的优化博弈问题就是：

$\underset{p_{i,k,m\≥0}}{\max }{U}_{i,k,m}(p_k,P_{-k})$

s.t.p_k∈[p_min，p_max]，p_min≥0

γ_k≥Γ_min，k＝１，２，...，K

式中，p_min、p_max表示用户设备（UE）的最小、最大发射功率功率，Γ_min表示用户完成通信所需的最小信干噪比。

3、算法迭代公式

参数的选择直接影响了功率分配算法的性能，下面介绍一下这些系统参数。

系统带宽：B；

子载波数：N；

具有相似衰落特性从而划归为一个子信道的子载波个数：S；

子信道数：N_sub=M=N/S；

每个子信道带宽：B_sub=B/N_sub；

相互间存在同频干扰的用户数：K；

P_{tot_max_in_m}：在第m个信道上，基站可以分配的最大总功率；

Γ_min：用户完成通信所需的最小信干噪比；

R_Q：一个与接入技术相关的参数；

效率函数：A，B为与调制编码方式相关的常数，C

为数据包的长度；

用户集：N={1,2，…，K}；

第k个用户的策略集（即发射功率集）：p_k∈[p_min，p_max]，p_min≥0；

博弈后所有用户的功率组成的向量：P_m={p_1，m，...，p_k，m}；

上行链路效用函数：

$U_k(p_k,P_{-k})=R_{i,k,m}(p_k,P_{-k})-C_{i,k,m}(p_k,P_{-k})$

$=\frac{R_Q\·{(1-{\mathrm{Ae}}^{{\mathrm{B\γ}}_k})}^C}{p_k}-\mathrm{\μ}\·p_k---\left(1\right)$

则博弈目标函数为：

$\underset{p_{i,k,m\≥0}}{\max }{U}_{i,k,m}(p_k,P_{-k})=\underset{p_{i,k,m\≥0}}{\max }{R}_{i,k,m}(p_k,P_{-k})$

$s.t.\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{p}_{k,m}\≤P_{\mathrm{tot}\_\max \_\mathrm{in}\_m}$

γ_k≥Γ_min，k＝1，2，...，K

在非合作博弈G=[N，P，{U_k(p_k)}],功率向量p_k∈[p_min，p_max]，p_min≥0，对于每一个用户k，效用函数满足 则称博弈处于纳什均衡。

在纳什均衡处，效用函数达到最大，可以按如下步骤找到纳什均衡点：

$\frac{{\∂U}_k(p_k,P_{-k})}{{\∂p}_k}=\frac{B_{\mathrm{sub}}}{\ln 2(1+W\·\frac{g_{i,k,m}{p}_{i,k,m}}{{\mathrm{\Σ}}_{j=1,j\≠k}^K{g}_{i,j,m}{p}_{i,k,m}+{\mathrm{\σ}}^2})}\·W$

$\·\frac{g_{i,k,m}}{{\mathrm{\Σ}}_{j=1,j\≠k}^K{g}_{i,j,m}{p}_{i,k,m}+{\mathrm{\σ}}^2}-{\mathrm{\λ}}_k$

$=\frac{B_{\mathrm{sub}}\·W\·g_{i,k,m}}{\ln 2({\mathrm{\Σ}}_{j=1,j\≠k}^K{g}_{i,j,m}{p}_{i,k,m}+{\mathrm{\σ}}^2+W\·g_{i,k,m}{p}_{i,k,m})}-{\mathrm{\λ}}_k$

所以， $p_k=\frac{B_{\mathrm{sub}}}{{\mathrm{\λ}}_k\·\ln 2}-\frac{{\mathrm{\Σ}}_{j=1,j\≠k}^K{g}_{i,j,m}{p}_{i,k,m}+{\mathrm{\σ}}^2}{W\·g_{i,k,m}}$

下行链路效用函数：

$U_k(p_k,P_{-k})=R_{i,k,m}(p_k,P_{-k})-C_{i,k,m}(p_k,P_{-k})$

$=B_{\mathrm{sub}}{\log }_2(1+W\·\frac{g_{i,k,m}{p}_{i,k,m}}{{\mathrm{\Σ}}_{j=1,j\≠k}^K{g}_{i,j,m}{p}_{i,k,m}+{\mathrm{\σ}}^2})-\mathrm{\λ}\·p_{i,k,m---\left(2\right)}$

博弈目标函数为：

$\underset{p_{i,k,m\≥0}}{\max }{U}_{i,k,m}(p_k,P_{-k})$

s.t.p_k∈[p_min，p_max]，p_min≥0

γ_k≥Γ_min

推导纳什均衡点的过程与总容量效用模型类似：

$\frac{{\∂U}_k(p_k,P_{-k})}{{\∂p}_k}=\frac{R_Q\·\frac{{\∂f}_k\left({\mathrm{\γ}}_{i,k,m}(p_k,P_{-k})\right)}{{\∂p}_k}\·p_k-R_Q\·f_k\left({\mathrm{\γ}}_{i,k,m}(p_k,P_{-k})\right)}{p_k^2}-\mathrm{\μ}$

$=\frac{R_Q}{p_k^2}(\frac{{\∂f}_k\left({\mathrm{\γ}}_{i,k,m}(p_k,P_{-k})\right)}{{\∂\mathrm{\γ}}_{i,k,m}}\·{\mathrm{\γ}}_{i,k,m}(p_k,P_{-k})-f_k\left({\mathrm{\γ}}_{i,k,m}(p_k,P_{-k})\right)-\frac{p_k^2}{R_Q}\mathrm{\μ})=0$

即

$\frac{{\∂f}_k\left({\mathrm{\γ}}_{i,k,m}(p_k,P_{-k})\right)}{{\∂\mathrm{\γ}}_{i,k,m}}\·{\mathrm{\γ}}_{i,k,m}(p_k,P_{-k})-f_k\left({\mathrm{\γ}}_{i,k,m}(p_k,P_{-k})\right)-t\·p_k^2=0$

式中，也就是，均衡点处的功率满足此式，因此求解上面的方程即可。

4、算法描述

下行链路功率分配包括以下步骤，如图1所示：

(1)对网络参数进行初始化：

从异构网络各基站获得同频信道带宽B、子载波数N、可划归为一组连续子载波的个数S、网络中存在同频信道干扰的用户数K及其相应信道上基站可以分配的最大总功率、从用户端获得用户k的发射功率最大值p_max和最小值p_min、用户完成通信所需的最小信干噪比Γ_min；

(2)对所有用户依次迭代求解纳什均衡，并合理调整发射功率：

对所有用户求解（2）式，如果计算结果p_k＜p_min（或者p_k＞p_max），则令p_k＝p_min（或者p_k＝p_max），否则进入步骤（3）

(3)确定发射功率收敛。

给定ε＞0，当时停止迭代，设置发射功率；否则t=t+2，继续步骤（2）；

(4)输出功率向量 $P^{\#}=\{p_1^{\#},...,p_K^{\#}\}.$

上行链路功率控制包括以下步骤，如图1所示：

（1）对算法进行网络参数初始化：

从异构网络各基站获得网络中存在同频信道干扰的用户数K及其相应接入技术以确定参数R_Q、基站可以分配的最大总功率、获得相应基站的调制编码方式以确定效率函数，从用户端获得用户k的发射功率最大值p_max和最小值p_min、用户完成通信所需的最小信干噪比Γ_min；

（2）对所有用户依次迭代求解纳什均衡，并合理调整发射功率：

对所有用户求解（1）式，如果计算结果p_k＜p_min（或者p_k＞p_max），则令p_k＝p_min（或者p_k＝p_max），否则进入步骤（3）

（3）确定发射功率收敛。

给定ε＞0，当时停止迭代，调整发射功率；否则t=t+2，继续步骤（2）；

（4）输出功率向量 $P^{\#}=\{p_1^{\#},...,p_K^{\#}\}.$

5、算法有效性理论证明

（1）纳什均衡解存在性证明

根据纳什定理，如果满足下列条件，则非合作博弈存在纳什均衡：

1)策略集是欧式空间R^N的非空、闭的、有界的凸集；

2)效用函数在策略集上连续，拟凹。

对于每个用户的策略空间p_k∈[p_min，p_max]，p_min≥0(k=1,2,…,K)定义，因此满足第一个条件。对于第二个条件，下面给出对于总容量效用模型的证明，对于能量效率效用模型类似。

$\underset{\mathrm{\Δ}\→0}{\lim }(U_k(p_k+\mathrm{\Δ})-U_k\left(p_k\right))$

$=\underset{\mathrm{\Δ}\→0}{\lim }\[(B_{\mathrm{sub}}{\log }_2(1+W\·\frac{g_{i,k,m}(p_{i,k,m}+\mathrm{\Δ})}{{\mathrm{\Σ}}_{j=1,j\≠k}^K{g}_{i,j,m}{p}_{i,k,m}+{\mathrm{\σ}}^2})$

$-{\mathrm{\λ}}_{i,k,m}(p_{i,k,m}+\mathrm{\Δ}))$

$-(B_{\mathrm{sub}}{\log }_2(1+W\·\frac{g_{i,k,m}{p}_{i,k,m}}{{\mathrm{\Σ}}_{j=1,j\≠k}^K{g}_{i,j,m}{p}_{i,k,m}+{\mathrm{\σ}}^2})-{\mathrm{\λ}}_{i,k,m}{p}_{i,k,m})\]$

$=\underset{\mathrm{\Δ}\→0}{\lim }(B_{\mathrm{sub}}{\log }_2\left(\frac{1+W\·\frac{g_{i,k,m}(p_{i,k,m}+\mathrm{\Δ})}{{\mathrm{\Σ}}_{j=1,j\≠k}^K{g}_{i,j,m}{p}_{i,k,m}+{\mathrm{\σ}}^2}}{1+W\·\frac{g_{i,k,m}{p}_{i,k,m}}{{\mathrm{\Σ}}_{j=1,j\≠k}^K{g}_{i,j,m}{p}_{i,k,m}+{\mathrm{\σ}}^2}}\right)-{\mathrm{\λ}}_{i,k,m}\mathrm{\Δ})=0$

因此，效用函数在策略集上连续，又

$\frac{{\&PartialD;}^2{U}_k(p_k,P_{-k})}{{\&PartialD;p}_k^2}=\frac{-B_{\mathrm{sub}}\&CenterDot;{(W\&CenterDot;g_{i,k,m})}^2}{\ln 2{({\mathrm{\&Sigma;}}_{j=1,j\&NotEqual;k}^K{g}_{i,j,m}{p}_{i,j,m}+{\&PartialD;}^2+W\&CenterDot;g_{i,k,m}{p}_{i,k,m})}^2}<0$

所以，效用函数在策略集上拟凹。所以，下行链路功率分配非合作博弈存在纳什均衡。

（2）收敛性分析

当迭代算法且有可行解时满足：①单调性，对p^*＞p

有②可测量性，对于 则算法收敛于一点。

单调性：由于p_k∈[p_min，p_max]，p_min≥0，因此

对P^*＞p， 因此，单调递减。

可测量性：对于

而p_k∈[p_min，p_max]，p_min≥0，所以

$p_k=\frac{B_{\mathrm{sub}}}{{\mathrm{\&lambda;}}_k\&CenterDot;\ln 2}-\frac{{\mathrm{\&Sigma;}}_{j=1,j\&NotEqual;k}^K{g}_{i,j,m}{p}_{i,k,m}+{\&PartialD;}^2}{W\&CenterDot;g_{i,k,m}}>0$

$\frac{B_{\mathrm{sub}}}{{\mathrm{\&lambda;}}_k\&CenterDot;\ln 2}-\frac{{\mathrm{\&sigma;}}^2}{W\&CenterDot;g_{i,k,m}}>\frac{{\mathrm{\&Sigma;}}_{j=1,j\&NotEqual;k}^K{g}_{i,j,m}{p}_{i,k,m}}{W\&CenterDot;g_{i,k,m}}>0$

又α＞1，α-1＞0，因此，

由单调性和可测量性知，功率分配的非合作博弈算法收敛，有唯一均衡解。

图2描述了固定代价因子与系统效用函数关系，对功率分配博弈中的三个用户而言，当路径损耗相同时，博弈效用值在λ≈3.01×106处取得最大值，但此时所获得的最大效用比任何路损不同的博弈模型都低。

图3描述了自适应代价因子与系统效用函数关系，从图上可得出，自适应方法根据用户与基站之间的距离或者说路损来确定代价因子的方法在一定程度上增加了功率分配的公平性，但是却是以最大系统吞吐量的减少为代价的。

在功率分配的非合作博弈中，使用固定代价因子可以获得较大的系统吞吐量，但用户公平性较差；使用自适应代价因子可以在一定程度上提高用户公平性，但降低了系统的总吞吐量。因此，确定代价因子时，需要在系统总吞吐量和用户公平性之间进行折衷。从网络总体性能角度出发，基于博弈论的同频异构网络的功率分配算法显著提高了异构网络性能、有效抑制了网络中的同频干扰。

Claims (4)

1.基于博弈论的同频异构网络功率分配方法，其特征在于，

在上行链路和下行链路使用同频信道的用户之间通过相互博弈达到均衡，确定各自的发射功率，其效用函数由收益函数与代价函数之差获得，收益函数在上行链路采用能量效率模型，在下行链路采用总容量效率模型，代价函数采用固定代价因子、自适应代价因子和最大代价因子三种方法；具体是：

步骤一：对网络参数进行初始化：

从异构网络各基站获得同频信道带宽B、子载波数N、可划归为一组连续子载波的个数S、网络中存在同频信道干扰的用户数K及其相应信道上基站可以分配的最大总功率P_{tot_max_in_m}、从用户端获得用户k的发射功率最大值p_max和最小值p_min、用户完成通信所需的最小信干噪比Γ_min；

步骤二：选择代价因子λ或μ，对所有用户依次迭代求解纳什均衡，并合理调整发射功率：对所有用户求解上、下链路效用函数，如果计算结果p_k＜p_min或者p_k＞p_max，则令p_k＝p_min或者p_k＝p_max，否则进入步骤三；其中，第k个用户的策略集，即发射功率集为p_k∈[p_min，p_max]，p_min≥0；

上行链路效用函数为：

$\begin{array}{c}{U}_k(p_k,P_{-k})=R_{i,k,m}(p_k,P_{-k})-C_{i,k,m}(p_k,P_{-k})\\ =\frac{R_Q\&CenterDot;{(1-{\mathrm{Ae}}^{{\mathrm{B\&gamma;}}_k})}^C}{p_k}-\mathrm{\&mu;}\&CenterDot;p_k\end{array}$

式中，R_Q表示一个与接入技术相关的参数，L表示用户传输数据包中的信息比特数，C表示数据包经过信道编码后的长度C＞L，数据传输速率为R bps；R_Q·f_k表示用户K的上行传输率；f_k(γ_i，k，m(p_k，P_-k))称为效率函数，表示上行基站接收机接收到的正确帧的概率，是一个与调制编码方式相关的参数；A表示与调制编码方式相关的常数，γ表示信噪比；

下行链路效用函数为：

$\begin{array}{c}{U}_k(p_k,P_{-k})=R_{i,k,m}(p_k,P_{-k})-C_{i,k,m}(p_k,P_{-k})\\ =B_{sub}{\log }_2(1+W\&CenterDot;\frac{g_{i,k,m}{p}_{i,k,m}}{{\&Sigma;}_{j=1,j\&NotEqual;k}^K{g}_{i,j,m}{p}_{i,k,m}+{\mathrm{\&sigma;}}^2})-\mathrm{\&lambda;}\&CenterDot;p_{i,k,m}\end{array};$

式中，B_sub表示每个子信道带宽，W表示在M-QAM调制信号和信道容量的差值，g_i，k，m表示在相互间有同频干扰用户中第i个基站的第k(k＝1，2，...，K)个用户在第m(m＝1，2，...，M)个子信道上的增益，p_i，k，m表示第i个基站的第k(k＝1，2，...，K)个用户在第m(m＝1，2，...，M)个子信道上的发射功率；

步骤三：确定发射功率收敛；对于给定ε＞0，若两次发射功率 时停止迭代，当所有用户停止迭代时，博弈算法结束；

步骤四：输出功率向量

2.根据权利要求1所述的基于博弈论的同频异构网络功率分配方法，其特征在于，所述选择代价因子μ和λ，采用固定代价因子方法时，通过求解系统总效用关于固定代价因子的函数，以确定在系统获得最大效用时的最优代价因子。

3.根据权利要求1所述的基于博弈论的同频异构网络功率分配方法，其特征在于，所述选择代价因子λ或μ，采用自适应代价因子方法时，采用两种自适应代价因子方法：一、λ＝λ₀×用户与其基站之间的距离；二、λ＝λ₀×用户与其基站之间的距离开方；通过求解系统总效用关于λ₀的函数，比较两种方法获得的最大效用值，采用最大效用值的方法，确定系统获得最大效用时的最优λ₀。

4.根据权利要求1所述的基于博弈论的同频异构网络功率分配方法，其特征在于，所述选择代价因子λ或μ，采用最大代价因子方法时，通过

${\mathrm{\&lambda;}}_{k\_max}\&le;\frac{W\&CenterDot;B_{sub}{g}_{i,k,m}}{\ln 2({\&Sigma;}_{j=1,j\&NotEqual;k}^K{g}_{i,j,m}{p}_{i,k,m}+{\mathrm{\&sigma;}}^2)}$

确定最大代价因子，σ²代表高斯白噪声的平均功率。