CN104105193B - 一种异构网络中基于Starckelberg博弈的功率分配方法 - Google Patents
一种异构网络中基于Starckelberg博弈的功率分配方法 Download PDFInfo
- Publication number
- CN104105193B CN104105193B CN201410311951.0A CN201410311951A CN104105193B CN 104105193 B CN104105193 B CN 104105193B CN 201410311951 A CN201410311951 A CN 201410311951A CN 104105193 B CN104105193 B CN 104105193B
- Authority
- CN
- China
- Prior art keywords
- mrow
- msubsup
- layers
- msub
- pico
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Mobile Radio Communication Systems (AREA)
Abstract
一种异构网络中基于Starckelberg博弈的功率分配方法，首先建立两层异构网络，然后利用Starkelberg博弈分别建立两层异构网络的macro层的最优化博弈模型和两层异构网络的pico层的最优化博弈模型；且pico层作为领导者，并设定pico层对macro层的干扰价格，pico层向macro层索价，macro层作为跟随者；采用拉格朗日乘子法对macro层的最优化博弈模型求解得到macro层的最优功率分配根据macro层的节能功率分配结果，采用拉格朗日乘子法对pico层的最优化博弈模型求解得到pico层的最优功率分配
Description
技术领域
本发明涉及一种异构网络中的功率分配和干扰协调方法，具体涉及一种异构网络中基于Starckelberg博弈的功率分配方法。
背景技术
为适应当前多媒体技术的快速发展和无缝接入的需求，基站端(Base Station，BS)和用户端(User Equipment，UE)都需要消耗更多的能量。而异构网中由于宏基站(macroBS)和微基站(micro BS)共享全部的频谱以最大化频谱效率，不可避免的带来了宏基站和微基站之间的跨层干扰(cross-tier interference)和各微基站之间的同层干扰(co-tierinterference)。
发明内容
本发明的目的在于提供一种异构网络中基于Starckelberg博弈的功率分配方法，该方法易于分布式实施且大大简化了计算复杂度，且在进行功率分配的同时实现了跨层干扰的协调。
为达到上述目的，本发明采用了以下技术方案包括如下步骤：
1)建立两层异构网络，包含K个子载波，一个中心的macro小区和N个pico小区，且每个pico都和macro共享全部的频谱；
2)利用Starkelberg博弈分别建立两层异构网络的macro层的最优化博弈模型和两层异构网络的pico层的最优化博弈模型；且pico层作为领导者，并设定pico层对macro层的干扰价格，pico层向macro层索价，macro层作为跟随者；
pico层的最优化博弈模型表示为：
其中，是pico n在子载波k上的数据速率；在子载波k上pico n到用户的信道增益；No是噪声功率谱密度；W是两层异构网络的带宽；是在子载波k上，pico n接收到的来自macro的干扰功率；α是电力价格；β表示在pico n中数据速率与干扰收益之间的权衡因子；表示在pico n中数据速率与功耗之间的权衡因子；表示pico n在子载波k上的发射功率的向量；表示pico n在子载波k上的发射功率；是在子载波k上，macro到pico n之间的干扰信道增益；yk表示子载波k上的干扰价格；Pk表示macro在子载波k上的发射功率，是pico n的最大发射功率；y表示干扰价格的向量；
macro层的最优化博弈模型表示为：
其中，hk是在子载波k上macro到用户的信道增益，μk表示在macro中数据速率与功耗之间的权衡因子；νk表示在macro中数据速率与干扰收益之间的权衡因子；Ith是pico n能够忍受的最大干扰功率门限；Pmax是macro的最大发射功率；
3)采用拉格朗日乘子法对macro层的最优化博弈模型求解得到macro层的最优功率分配根据macro层的节能功率分配结果，采用拉格朗日乘子法对pico层的最优化博弈模型求解得到pico层的最优功率分配
所述的步骤3)中采用拉格朗日乘子法对macro层的最优化博弈模型求解完成macro层的节能功率分配的过程中，拉格朗日函数L(Pk,ε,λ)为：
其中，εk为对应Pk≥0的拉格朗日乘子，λ为对应的拉格朗日乘子，为对应的拉格朗日乘子；
KKT条件为：
其中，为Pk≥0时的最优拉格朗日乘子，λ*为时的最优拉格朗日乘子，为时的最优拉格朗日乘子。
所述的步骤3)中macro层的最优功率分配如下：
其中，λ*为时的最优拉格朗日乘子；为时的最优拉格朗日乘子；[x]+＝max(0,x)。
所述的步骤3)采用拉格朗日乘子法对pico层的最优化博弈模型求解完成pico层的节能功率分配的过程中，拉格朗日函数为：
其中，ρ为对应的拉格朗日乘子；δk为对应的拉格朗日乘子；其KKT条件如下：
所述的步骤3)中的pico n的最优功率为：
与现有技术相比，本发明的有益效果在于：
本发明将Starckelberg博弈的思想引入到两层异构网络的节能中，根据Starckelberg博弈将两层异构网络的最优化问题转化为macro层的最优化博弈模型和pico层的最优化博弈模型去处理，这样大大简化了计算复杂度且易于分布式实施，同时，由于构建的macro层的最优化博弈模型和pico层的最优化博弈模型中pico层作为领导者，macro层作为跟随者，而在求解时，先求解macro层，再求解pico层，因此，本发明模型在求解过程中采用了逆推法，且每一阶段的求解采用了拉格朗日乘子法，并讨论的算法的复杂度。
另外，本发明在进行功率分配的过程中考虑到了异构网络中的跨层干扰，并对跨层干扰进行有效抑制，因此，本发明的功率分配过程也是跨层干扰的协调过程。
附图说明
图1为本发明二维异构网络的拓扑结构；
图2为不同干扰价格下的macro和pico功率分配；其中，a为macro的功率分配，b为pico1的功率分配，c为pico2的功率分配；
图3为不同干扰价格下的macro和pico效用；其中，a为pico2的效用，b为pico1的效用，c为macro的效用；
图4为不同电力价格下的macro功率分配对比。
具体实施方式
下面结合附图对本发明做进一步详细说明。
(一)本发明异构网络中基于Starckelberg博弈的功率分配和干扰协调方法包括以下步骤：
1)如图1所示，建立两层异构网络，且将两层异构网络的频谱划分为K个子载波，一个中心的macro小区和N个pico小区，每个pico依据一定的距离限制分布在macro的周围，并且每个pico都和macro共享全部的频谱以使频谱效率最大；
2)“bit/焦耳”或“吞吐量/焦耳”作为经典的衡量系统能量效率(Energyefficiency，EE)的指标，在节能无线通信系统的研究中受到了越来越多的关注，但这个指标不能体现异构网络中跨层干扰的影响，以及网络自身能量的消耗。本发明用利用博弈理论中效用的概念设计了衡量异构网络能效(Energy efficiency，EE)的指标，并用来度量两层异构网络中的能量效率η，这样更为科学；
直接求两层解异构网络能效的全局最优解较为困难，并且计算复杂度高，在实际网络中实施也会较为困难。因此设计一种行之有效的解决办法是十分必要的，而能量效率在效用域的定义，很好的和经济学中的博弈理论吻合起来。
本发明从效用域的角度引入博弈理论，鉴于异构网络的多层性，自然地想到Starkerberg博弈，利用Starkelberg博弈分别建立两层异构网络的macro层的最优化博弈模型和两层异构网络的pico层的最优化博弈模型；以达到整个网络能效最优。
pico层作为领导者(leaders)，设定pico层对macro层的干扰价格，pico层向macro索价，以保护自己内部的用户(PU)免受多大的跨层干扰。由于pico的发射功率远小于macro的发射功率，假设pico的分布是稀疏的，可以忽略pico之间的同层干扰。而macro作为跟随者(follower)，会根据pico层设定的价格进行节能的功率分配；反过来，macro进行节能功率分配也会影响pico对干扰价格的设定。
2.1)pico层的最优化博弈模型是采用如下方法得到的：
对于pico小区的两层异构网络，由式1)得到的pico层效用函数 如式1)所示：
这里，是pico n在子载波k上的数据速率(或吞吐量)；为在子载波k上pico n到用户的信道增益；α是电力价格，用以衡量pico小区的两层异构网络自身的功耗；是在子载波k上，macro到pico n之间的干扰信道增益。就是在子载波k上，pico n接收到的来自macro的干扰功率。Pk表示macro在子载波k上的发射功率，表示pico n在子载波k上的发射功率；No是噪声功率谱密度。W是系统带宽；β表示在picon中数据速率与干扰收益之间的权衡因子，表示在pico n中数据速率与功耗之间的权衡因子。y表示干扰价格的向量；表示pico n在子载波k上的发射功率的向量；yk表示子载波k上的干扰价格；
考虑功率受限的pico网络，由式2)得到pico层的最优化博弈模型，其表示为式2)：
其中，是pico的最大发射功率。
2.1)macro层的最优化博弈模型是采用如下方法得到的：
对于macro小区的两层异构网络，由式1)得到的macro层的效用函数Um(Pk)，Um(Pk)如式3)所示：
其中，hk在子载波k上macro到用户的信道增益；μk表示在macro中数据速率与功耗之间的权衡因子；νk表示在macro中数据速率与干扰收益之间的权衡因子；
考虑干扰受限和功率受限的macro异构网络，由式4)得到macro层的最优化博弈模型，如式4)所示：
其中，Ith是pico n是能够忍受的最大干扰功率门限，且Pmax是macro的最大发射功率.不失一般性，假设N个pico的Ith和是一样的。由于干扰功率限制之前被用于认知无线电(cognitive radio，CR)系统中，而普通的用户设备(userequipment，UE)并不具备环境感知能力和功率自适应能力，因此本发明在macro层进行干扰功率限制，以保证pico的正常通信，从而macro层网络是一个干扰受限的网络。
3)考虑到Starkelberg博弈模型中的两个阶段之间的耦合，即macro层的最优化博弈模型和pico层的最优化博弈模型由于跨层干扰的存在而耦合在一起，且彼此每一层的策略决定都会影响另外一层的策略；因此，对macro层的最优化博弈模型和pico层的最优化博弈模型的求解采用逆推法(backward induction method)；也就是先采用拉格朗日乘子法对macro层的最优化博弈模型求解得到macro层的最优功率分配根据macro层的节能功率分配结果，采用拉格朗日乘子法对pico层的最优化博弈模型求解得到pico层的最优功率分配
具体的，macro层的最优化博弈模型和pico层的最优化博弈模型求解过程中，均采用拉格朗日乘子法，通过对KKT条件的讨论，确定最优解的存在；
首先，对macro层的最优化博弈模型进行求解，其具体过程为：
在macro层由于macro的效用函数Um(Pk)是关于Pk的凹函数，因此可以通过凸优化理论进行求解；分别对非负的功率分配限制，总发射功率限制，干扰功率限制引入非负的对偶变量，即拉格朗日乘子，且该拉格朗日乘子分别为：Pk≥0时的拉格朗日乘子εk，k＝1,2,…K；时的拉格朗日乘子λ；时的拉格朗日乘子n＝1,2,…N；从而可以写出对macro层的最优化博弈模型进行求解时的拉格朗日函数，如式5)所示：
KKT条件如式6)-10)所示：
其中，为Pk≥0时的最优拉格朗日乘子，λ*为时的最优拉格朗日乘子，为时的最优拉格朗日乘子。
由式7)可以得到macro层的最优的功率分配如式11)所示：
其中，[x]+＝max(0,x)。
其次，对pico层的最优化博弈模型求解的具体过程中的拉格朗日函数如式12)所示：
其中，ρ为时的拉格朗日乘子；δk为时的拉格朗日乘子；
其KKT条件如式13)-16)所示：
从式13)可以求解出pico n的最优的功率分配如式17)所示：
(二)下面对对拉格朗日乘子法的求解做了算法性能分析，具体如下：
通过式11)可以看出，本发明的功率分配方法虽然传统的功率分配类似，但本发明的功率分配使多水平面的。其功率水平面由1/Yk决定，而1/Yk是由和λ*确定的。
为求算法的时间复杂度，本发明考虑最坏的情况，也就是和λ*均大于0，那么二者分别由式(n＝1,2,…N)和式确定，也就是本发明需要求解这N+1个方程。对于多载波的功率分配系统，前人研究表明，可以通过以子载波个数K为阶的线性复杂度获得。从而本发明的时间复杂度为O(KN)。该复杂度在实际系统中是能接受的。
(三)分析干扰价格对macro效用的影响，确定了满足macro效用最优的yk的存在性，具体过程如下：
将拉格朗日函数分为式18)和式19)两个与yk有关的函数。分别讨论其关于yk的凸凹性与否。
显然是关于yk的凹函数。下面通过以下三个式子讨论Lm(yk)关于yk的凹凸性与否。
Lm(yk)关于yk的一阶导数为：
Lm(yk)关于yk的二阶导数为：
由于当yk→0时，
从而，和Lm(yk)是关于yk除断点外的凹函数。因此根据搜索算法和迭代算法可以求解出最优的yk。
(四)本发明还对所建立的模型求解并进行方案仿真验证。
1、仿真实验参数设置：
仿真场景设置为1个macro小区和2个pico小区，子载波个数为2。参数设置如下：vk＝1,μk＝1,β＝10,No＝0.5,
对信道增益的设定如下：
hk＝[0.4；0.4]；
2、注意到为了便于观察各参数对性能的影响，对信道增益的取值做了处理。功率取值为：Ith＝2W,Pmax＝30W.
图2a-c是对不同干扰价格下的macro和pico进行功率分配。由图2可以看出：随着pico设定的干扰价格的增加，macro分配的功率逐渐降低，并且当干扰价格超过一个阈值的时候，功率分配为0，也就是此时macro不进行通信。这个前面的讨论相吻合。另外，对于pico而言，在相同的干扰价格下，较低的干扰功率带来较高的功率分配。
图3a-c是对不同干扰价格下的macro和pico效用进行了仿真的结果。由图3可以看出：曲线显示了有两个不可微的断点，和前面的讨论吻合。可以看出曲线刚开始都是凹的，随着干扰价格的增加，超过一个阈值后，曲线会趋于一条直线，这是因为超过这个阈值，功率分配为0而导致的。
图4是讨论了电力价格对macro功率分配的影响的结果。由图4可以看出：随着电力价格的增加，macro会降低其功率分配。
Starckelberg博弈可以将异构网络中的节能问题按照macro和pico划分为两个阶段，pico作为领导者(多个pico就是多领导者场景)先进行干扰价格设定和节能资源分配，而macro做为跟随者(单macro就是单跟随者场景，也可以拓展为多跟随者场景)会根据pico的策略进行自己的功率分配。
考虑到macro的发射功率远大于pico的发射的功率，倘若假设pico的部署是稀疏的，那么网络中就只有跨层干扰的存在，而没有同层干扰的影响。对macro产生的跨层干扰进行干扰功率约束，从而macro层的节能是在一个干扰受限和功率受限的场景中。
Claims (5)
1.一种异构网络中基于Starckelberg博弈的功率分配方法，其特征在于，包括如下步骤：
1)建立两层异构网络，包含K个子载波，一个中心的macro小区和N个pico小区，且每个pico小区都和macro小区共享全部的频谱；
2)利用Starkelberg博弈分别建立两层异构网络的macro层的最优化博弈模型和两层异构网络的pico层的最优化博弈模型；且pico层作为领导者，并设定pico层对macro层的干扰价格，pico层向macro层索价，macro层作为跟随者；
pico层的最优化博弈模型表示为：
<mrow>
<munder>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
<mrow>
<mi>y</mi>
<mo>,</mo>
<msubsup>
<mi>P</mi>
<mi>k</mi>
<mi>n</mi>
</msubsup>
</mrow>
</munder>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>K</mi>
</munderover>
<mrow>
<mo>(</mo>
<msubsup>
<mi>R</mi>
<mi>k</mi>
<mi>n</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>&alpha;&tau;</mi>
<mi>k</mi>
<mi>n</mi>
</msubsup>
<msubsup>
<mi>P</mi>
<mi>k</mi>
<mi>n</mi>
</msubsup>
<mo>+</mo>
<msub>
<mi>&beta;y</mi>
<mi>k</mi>
</msub>
<msubsup>
<mi>x</mi>
<mi>k</mi>
<mi>n</mi>
</msubsup>
<msub>
<mi>P</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>s</mi>
<mo>.</mo>
<mi>t</mi>
<mo>.</mo>
</mrow>
</mtd>
<mtd>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>K</mi>
</munderover>
<msubsup>
<mi>P</mi>
<mi>k</mi>
<mi>n</mi>
</msubsup>
<mo>&le;</mo>
<msubsup>
<mi>P</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
<mi>n</mi>
</msubsup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>P</mi>
<mi>k</mi>
<mi>n</mi>
</msubsup>
<mo>&GreaterEqual;</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mtd>
</mtr>
</mtable>
</mfenced>
其中，是第n个pico小区在子载波k上的数据速率；在子载波k上第n个pico小区到用户的信道增益；No是噪声功率谱密度；W是两层异构网络的带宽；是在子载波k上，第n个pico小区接收到的来自macro小区的干扰功率；α是电力价格；β表示在第n个pico小区中数据速率与干扰收益之间的权衡因子；表示在第n个pico小区中数据速率与功耗之间的权衡因子；表示第n个pico小区在子载波k上的发射功率的向量；表示第n个pico小区在子载波k上的发射功率；是在子载波k上，macro小区到第n个pico小区之间的干扰信道增益；yk表示子载波k上的干扰价格；Pk表示macro小区在子载波k上的发射功率，是第n个pico小区的最大发射功率；y表示干扰价格的向量；
macro层的最优化博弈模型表示为：
<mrow>
<mi>arg</mi>
<munder>
<mi>max</mi>
<mi>P</mi>
</munder>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>K</mi>
</munderover>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>R</mi>
<mi>k</mi>
</msub>
<mo>-</mo>
<msub>
<mi>&alpha;&mu;</mi>
<mi>k</mi>
</msub>
<msub>
<mi>P</mi>
<mi>k</mi>
</msub>
<mo>-</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>n</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>y</mi>
<mi>k</mi>
</msub>
<msub>
<mi>v</mi>
<mi>k</mi>
</msub>
<msubsup>
<mi>x</mi>
<mi>k</mi>
<mi>n</mi>
</msubsup>
<msub>
<mi>P</mi>
<mi>k</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>s</mi>
<mo>.</mo>
<mi>t</mi>
<mo>.</mo>
</mrow>
</mtd>
<mtd>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>P</mi>
<mi>k</mi>
</msub>
<mo>&GreaterEqual;</mo>
<mn>0</mn>
<mo>,</mo>
<mo>&ForAll;</mo>
<mi>k</mi>
<mo>&Element;</mo>
<mo>{</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>K</mi>
<mo>}</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>K</mi>
</munderover>
<msub>
<mi>P</mi>
<mi>k</mi>
</msub>
<mo>&le;</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>K</mi>
</munderover>
<msubsup>
<mi>x</mi>
<mi>k</mi>
<mi>n</mi>
</msubsup>
<msub>
<mi>P</mi>
<mi>k</mi>
</msub>
<mo>&le;</mo>
<msup>
<mi>I</mi>
<mrow>
<mi>t</mi>
<mi>h</mi>
</mrow>
</msup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>y</mi>
<mi>k</mi>
</msub>
<mo>&GreaterEqual;</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mtd>
</mtr>
</mtable>
</mfenced>
其中，hk是在子载波k上macro小区到用户的信道增益，μk表示在macro层中数据速率与功耗之间的权衡因子；νk表示在macro中数据速率与干扰收益之间的权衡因子；Ith是第n个pico小区能够忍受的最大干扰功率门限；Pmax是macro小区的最大发射功率；
3)采用拉格朗日乘子法对macro层的最优化博弈模型求解得到macro层的最优功率分配根据macro层的节能功率分配结果，采用拉格朗日乘子法对pico层的最优化博弈模型求解得到pico层的最优功率分配
2.根据权利要求1所述的异构网络中基于Starckelberg博弈的功率分配方法，其特征在于，所述的步骤3)中采用拉格朗日乘子法对macro层的最优化博弈模型求解完成macro层的节能功率分配的过程中，拉格朗日函数L(Pk,ε,λ)为：
其中，εk为对应Pk≥0的拉格朗日乘子，λ为对应的拉格朗日乘子，为对应的拉格朗日乘子；
KKT条件为：
<mrow>
<msubsup>
<mi>&epsiv;</mi>
<mi>k</mi>
<mo>*</mo>
</msubsup>
<msubsup>
<mi>P</mi>
<mi>k</mi>
<mo>*</mo>
</msubsup>
<mo>=</mo>
<mn>0</mn>
<mo>,</mo>
<mo>&ForAll;</mo>
<mi>k</mi>
<mo>;</mo>
</mrow>
其中，为Pk≥0时的最优拉格朗日乘子，λ*为时的最优拉格朗日乘子，为时的最优拉格朗日乘子。
3.根据权利要求1或2所述的异构网络中基于Starckelberg博弈的功率分配方法，其特征在于，所述的步骤3)中macro小区的最优功率分配如下：
其中，λ*为时的最优拉格朗日乘子；为时的最优拉格朗日乘子；[x]+＝max(0,x)。
4.根据权利要求1所述的异构网络中基于Starckelberg博弈的功率分配方法，其特征在于，所述的步骤3)采用拉格朗日乘子法对pico层的最优化博弈模型求解完成pico层的节能功率分配的过程中，拉格朗日函数为：
<mrow>
<mi>L</mi>
<mrow>
<mo>(</mo>
<mi>&rho;</mi>
<mo>,</mo>
<msub>
<mi>&delta;</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo>-</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>K</mi>
</munderover>
<mrow>
<mo>(</mo>
<mfrac>
<mi>W</mi>
<mi>K</mi>
</mfrac>
<mi>l</mi>
<mi>o</mi>
<mi>g</mi>
<mo>(</mo>
<mrow>
<mn>1</mn>
<mo>+</mo>
<mfrac>
<mrow>
<msubsup>
<mi>h</mi>
<mi>k</mi>
<mi>n</mi>
</msubsup>
<msubsup>
<mi>P</mi>
<mi>k</mi>
<mi>n</mi>
</msubsup>
</mrow>
<msub>
<mi>I</mi>
<mi>k</mi>
</msub>
</mfrac>
</mrow>
<mo>)</mo>
<mo>-</mo>
<msubsup>
<mi>&alpha;&tau;</mi>
<mi>k</mi>
<mi>n</mi>
</msubsup>
<msubsup>
<mi>P</mi>
<mi>k</mi>
<mi>n</mi>
</msubsup>
<mo>+</mo>
<msub>
<mi>&beta;y</mi>
<mi>k</mi>
</msub>
<msubsup>
<mi>x</mi>
<mi>k</mi>
<mi>n</mi>
</msubsup>
<msubsup>
<mi>P</mi>
<mi>k</mi>
<mo>*</mo>
</msubsup>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>&rho;</mi>
<mrow>
<mo>(</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>K</mi>
</munderover>
<msubsup>
<mi>P</mi>
<mi>k</mi>
<mi>n</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>P</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
<mi>n</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>&delta;</mi>
<mi>k</mi>
</msub>
<msubsup>
<mi>P</mi>
<mi>k</mi>
<mi>n</mi>
</msubsup>
</mrow>
其中，ρ为对应的拉格朗日乘子；δk为对应的拉格朗日乘子；其KKT条件如下：
<mrow>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>L</mi>
<mrow>
<mo>(</mo>
<mrow>
<mi>&rho;</mi>
<mo>,</mo>
<msub>
<mi>&delta;</mi>
<mi>k</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mo>&part;</mo>
<msubsup>
<mi>P</mi>
<mi>k</mi>
<mi>n</mi>
</msubsup>
</mrow>
</mfrac>
<mo>=</mo>
<mn>0</mn>
<mo>,</mo>
<mo>&ForAll;</mo>
<mi>n</mi>
<mo>;</mo>
</mrow>
<mrow>
<msubsup>
<mi>&delta;</mi>
<mi>k</mi>
<mo>*</mo>
</msubsup>
<msubsup>
<mi>P</mi>
<mi>k</mi>
<mrow>
<mi>n</mi>
<mo>*</mo>
</mrow>
</msubsup>
<mo>=</mo>
<mn>0</mn>
<mo>;</mo>
</mrow>
<mrow>
<msup>
<mi>&rho;</mi>
<mo>*</mo>
</msup>
<mrow>
<mo>(</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>K</mi>
</munderover>
<msubsup>
<mi>P</mi>
<mi>k</mi>
<mi>n</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>P</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
<mi>n</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mn>0</mn>
<mo>;</mo>
</mrow>
<mrow>
<msubsup>
<mi>&delta;</mi>
<mi>k</mi>
<mo>*</mo>
</msubsup>
<mo>&GreaterEqual;</mo>
<mn>0</mn>
<mo>,</mo>
<msup>
<mi>&rho;</mi>
<mo>*</mo>
</msup>
<mo>&GreaterEqual;</mo>
<mn>0</mn>
<mo>,</mo>
<mo>&ForAll;</mo>
<mi>k</mi>
<mo>.</mo>
</mrow>
5.根据权利要求1或4所述的异构网络中基于Starckelberg博弈的功率分配方法，其特征在于，所述的步骤3)中的第n个pico小区的最优功率为：
<mrow>
<msubsup>
<mi>P</mi>
<mi>k</mi>
<mrow>
<mi>n</mi>
<mo>*</mo>
</mrow>
</msubsup>
<mo>=</mo>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mfrac>
<mi>W</mi>
<mrow>
<mi>K</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>&alpha;&tau;</mi>
<mi>k</mi>
<mi>n</mi>
</msubsup>
<mo>+</mo>
<msup>
<mi>&rho;</mi>
<mo>*</mo>
</msup>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>-</mo>
<mfrac>
<msubsup>
<mi>I</mi>
<mi>k</mi>
<mi>n</mi>
</msubsup>
<msubsup>
<mi>h</mi>
<mi>k</mi>
<mi>n</mi>
</msubsup>
</mfrac>
<mo>&rsqb;</mo>
</mrow>
<mo>+</mo>
</msup>
<mo>.</mo>
</mrow>
3
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410311951.0A CN104105193B (zh) | 2014-07-01 | 2014-07-01 | 一种异构网络中基于Starckelberg博弈的功率分配方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410311951.0A CN104105193B (zh) | 2014-07-01 | 2014-07-01 | 一种异构网络中基于Starckelberg博弈的功率分配方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104105193A CN104105193A (zh) | 2014-10-15 |
| CN104105193B true CN104105193B (zh) | 2017-10-20 |
Family
ID=51672898
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410311951.0A Active CN104105193B (zh) | 2014-07-01 | 2014-07-01 | 一种异构网络中基于Starckelberg博弈的功率分配方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104105193B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104796993B (zh) * | 2015-04-21 | 2018-06-26 | 西安交通大学 | 异构网络中基于Stackelberg博弈的跨层资源分配方法 |
| CN105246147B (zh) * | 2015-10-27 | 2018-07-03 | 东南大学 | 适于小蜂窝与大规模天线两层异构网络的功率控制方法 |
| CN105848274B (zh) * | 2016-03-25 | 2019-05-07 | 山东大学 | 一种两层异构网络中基于斯坦伯格博弈论的非统一定价的功率控制方法 |
| CN105873216B (zh) * | 2016-05-09 | 2019-03-05 | 东南大学 | 异构网多点协作能效谱效联合优化的资源分配方法 |
| CN106937295A (zh) * | 2017-02-22 | 2017-07-07 | 沈阳航空航天大学 | 基于博弈论的异构网络高能效功率分配方法 |
| CN107135538A (zh) * | 2017-04-19 | 2017-09-05 | 东南大学 | 基于斯坦科尔伯格博弈的d2d功率控制及干扰管理方法 |
| CN108282822B (zh) * | 2018-01-22 | 2021-05-04 | 重庆邮电大学 | 用户关联与功率控制在异构蜂窝网络中的协同优化算法 |
| CN108322938B (zh) * | 2018-01-23 | 2022-01-11 | 南京邮电大学 | 超密集组网下基于双层非合作博弈理论的功率分配方法及其建模方法 |
| CN112533275B (zh) * | 2020-11-13 | 2022-01-25 | 北京科技大学 | 可再生能源异构网络的功率控制和干扰定价方法及装置 |
| CN117979370B (zh) * | 2024-04-02 | 2024-07-12 | 国网江苏省电力有限公司南京供电分公司 | 一种电力异构网络资源动态切片优化方法及系统 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102833839A (zh) * | 2012-08-24 | 2012-12-19 | 复旦大学 | 针对宏蜂窝—飞蜂窝双重网络的基于定价的功率控制方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7813739B2 (en) * | 2007-09-27 | 2010-10-12 | Koon Hoo Teo | Method for reducing inter-cell interference in wireless OFDMA networks |
-
2014
- 2014-07-01 CN CN201410311951.0A patent/CN104105193B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102833839A (zh) * | 2012-08-24 | 2012-12-19 | 复旦大学 | 针对宏蜂窝—飞蜂窝双重网络的基于定价的功率控制方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于OFDMA的Femtocell网络自优化关键技术研究;黄正磊;《中国博士学位论文全文数据库 信息科技辑》;20130115(第1期);全文 * |
| 基于功率控制的双层Femtocell网络干扰管理研究;韩乔妮;《中国优秀硕士学位论文全文数据库 信息科技辑》;20140215(第2期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104105193A (zh) | 2014-10-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104105193B (zh) | 一种异构网络中基于Starckelberg博弈的功率分配方法 | |
| Zhang et al. | Joint computation offloading and resource allocation optimization in heterogeneous networks with mobile edge computing | |
| Wang et al. | Dynamic energy management for smart-grid-powered coordinated multipoint systems | |
| CN104936186B (zh) | 基于布谷鸟搜索算法的认知无线电网络频谱分配方法 | |
| CN106454919A (zh) | 基于泊松簇过程的异构蜂窝网络基站部署方法 | |
| Lai et al. | Joint power and admission control for spectral and energy efficiency maximization in heterogeneous OFDMA networks | |
| CN104796900B (zh) | 基于拍卖理论的蜂窝网络中d2d通信资源分配方法 | |
| Dai et al. | Energy‐efficient resource allocation for device‐to‐device communication with WPT | |
| CN107105453B (zh) | 基于层次分析法和进化博弈理论的异构网络选择接入方法 | |
| CN104796993B (zh) | 异构网络中基于Stackelberg博弈的跨层资源分配方法 | |
| CN107426820A (zh) | 一种认知d2d通信系统中多用户博弈提高能效的资源分配方法 | |
| CN110191489A (zh) | 一种超密集网络中基于强化学习的资源分配方法及装置 | |
| CN109246761A (zh) | 考虑延迟及能耗的基于交替方向乘子法的卸载方法 | |
| CN108063632A (zh) | 异构云接入网络中基于能效的协作资源分配方法 | |
| CN103582105B (zh) | 一种大规模异构蜂窝网络中最大化系统效益的优化方法 | |
| CN105554771B (zh) | 基于密集分布的毫微微用户资源分配方法 | |
| CN104159314B (zh) | 异构网络的分布式节能资源分配方法 | |
| Bhardwaj et al. | Deep learning-based MIMO and NOMA energy conservation and sum data rate management system | |
| CN103761568A (zh) | 基于som神经网络聚类算法的日负荷特征曲线提取方法 | |
| CN104066098B (zh) | 用于分布式无线网络的方法和设备 | |
| CN104185263A (zh) | 一种基于异构网络的多目标功率优化方法 | |
| CN110139282A (zh) | 一种基于神经网络的能量采集d2d通信资源分配方法 | |
| Liu et al. | Power allocation in ultra-dense networks through deep deterministic policy gradient | |
| CN103974274A (zh) | 一种提升多小区能效的鲁棒性波束赋形方法 | |
| CN105592528B (zh) | 一种wlan与蜂窝混合网络中多模用户设备的接入方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20211104 Address after: Room 1906, building 6, Taiyangyuan community, Dazhongsi East Road, Haidian District, Beijing 100086 Patentee after: Jiang Junru Address before: 710049 No. 28 West Xianning Road, Shaanxi, Xi'an Patentee before: XI'AN JIAOTONG University |
|
| TR01 | Transfer of patent right |