CN104159311A - 一种基于凸优化方法的认知异构网络联合资源分配的方法 - Google Patents
一种基于凸优化方法的认知异构网络联合资源分配的方法 Download PDFInfo
- Publication number
- CN104159311A CN104159311A CN201410414601.7A CN201410414601A CN104159311A CN 104159311 A CN104159311 A CN 104159311A CN 201410414601 A CN201410414601 A CN 201410414601A CN 104159311 A CN104159311 A CN 104159311A
- Authority
- CN
- China
- Prior art keywords
- partiald
- rat
- represent
- lambda
- time
- 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.)
- Granted
Links
Landscapes
- Mobile Radio Communication Systems (AREA)
- Medicines Containing Antibodies Or Antigens For Use As Internal Diagnostic Agents (AREA)
Abstract
一种基于凸优化方法的认知异构网络联合资源分配的方法,本发明涉及一种基于凸优化方法的认知异构网络联合资源分配的方法。本发明是要解决目前采用联合分配方法分配带宽和功率从而实现最大化信道容量的算法中,没有考虑到主用户在一定时间间隔内出现的概率不同的问题而提出的一种基于凸优化方法的认知异构网络联合资源分配的方法。该方法是通过步骤一、确定优化目标为最小化系统通信时延步骤二、对代入的情况下的目标函数采用牛顿迭代法求解,得到最优解和步骤三、求得Dij最优数值解Dij *等步骤实现的。本发明应用于凸优化方法的认知异构网络联合资源分配领域。
Description
技术领域
本发明涉及基于凸优化方法的认知异构网络联合资源分配领域。
背景技术
随着无线电技术的飞速发展,用户将需要各种各样的无线通信方式来满足生活的需求,而无线局域网(Wireless Local Area Networks,WLAN)、第三代通用移动通信系统(ThirdGeneration Universal Mobile Telecommunication Systems,3G-UMTS)、IEEE802.11、全球微波互联接入(Worldwide Interoperability for Microwave Access,WiMAX)等无线通信技术在服务质量(Quality of Service,QoS)、时延、成本等方面都存在着差异,因此用户可以根据需求来选择接入不同的网络。多种无线电接入技术(Multi-Radio Access Technology,Multi-RAT)系统是一个网络内可以支持多种无线接入技术实现多种服务的网络,用户通过可接入Multi-RAT的终端,可以同时地接入不同的网络,在不同的情况下选择接入最适合当前用户服务需求的网络接入方式,从而改善QoS及提高频谱利用率,并且可以达到降低功耗,节约成本等目标。但是由于Multi-RAT的出现,导致稀缺的频谱资源更加紧缺,基于认知无线电的方法因为可以提高频谱利用率而被引入到Multi-RAT系统中。随着认知无线电的发展,认知无线电网络中接入技术呈现异构性,这种网络叫做异构认知无线网络(Heterogeneous Wireless Cognitive Networks,HWCNs),也有文献称之为认知异构网(Cognitive Heterogeneous Networks,CHNs)。
在包含Multi-RAT的异构网络中,用户可以无缝地在RAT之间进行切换,选择可以在特定需求下提供最好服务的RAT,从而提高用户QoS。但是由于网络内带宽、移动终端功率等资源的限制,需要将这些资源合理的分配,从而实现提高整个网络的吞吐量以及降低功耗等目标。因此,有很多研究开始关注包含Multi-RAT的异构网络中的资源分配问题。其中包括:采用吸引子组成模型(Attractor Composition Model),使得每个节点可以自动的决定将无线资源分配给不同的网络应用;在认知异构网络环境下,由于功率限制,采用频谱资源和功率资源的联合分配方法来提高信道容量;基于异构网络环境中不同接入技术的特点而进行的联合资源分配方法,该方法在资源利用率和QoS之间进行了折中;在语音通信和视频通信中,通过给不同的用户分配不同的RAT,从而实现最大化网络容量以及每个用户的QoS需求。在语音通信中,采用基于延迟接收算法的分配方案,在视频通信中,采用启发式算法。
在文献中,Piamrat K等学者提出在异构无线认知网络中,采用联合分配算法分配带宽和功率,从而实现最大化信道容量。仿真结果表明,通过使用该算法,可以提高信道容量。但是,该文献中仅考虑了数据传输的上行链路,没有考虑端到端通信情况的性能。端到端效用体现了整个链路的质量,仅仅考虑源节点处接入带宽的优化而不考虑整体链路质量是没有意义的,因此需要从端到端通信的角度考虑资源的分配及接入带宽的优化。此外,CHEN F等学者提出了在异构无线认知网络中的优化资源分配方法,假设认知节点具有通过将数据分割同时与多个RAT通信的能力,通过设置分流比以及源节点的功率分配实现最小端到端通信时延。但是在文章中没有考虑到不同网络中主用户在一定时间间隔内出现的概率不同,会导致数据传输所需时间不同,仅考虑在干扰容限限制下分配数据包,可能会导致所得的时延并非最小。
因此,在充分考虑到异构无线认知网端到端通信过程中不同RAT所在网络中主用户到达的过程,由于主用户的到达过程是一个泊松过程,因此可以根据接入带宽情况、主用户的平均到达次数以及将会带来的时延来分配数据包,从而实现认知用户(Secondary User,SU)最小化数据传输的整体时延,使得等效的信道容量最大,并且由于整个传输过程时间的缩短,可以节约整个过程中的能源消耗,有利于绿色通信的实现。并且在本发明中,实现了功率、带宽以及数据的联合分配,通过多个参数的联合分配,从而提高整个网络的性能
发明内容
本发明的目的是为了解决目前采用联合分配方法分配带宽和功率从而实现最大化信道容量的算法中,没有考虑到主用户在一定时间间隔内出现的概率不同的问题,而提出的一种基于凸优化方法的认知异构网络联合资源分配的方法。
上述的发明目的是通过以下技术方案实现的:
步骤一、在M个认知用户的情况下,根据约束条件构建认知异构网络端到端系统模型,确定优化目标为最小化系统通信时延其中,M≥1,ti表示SUi通过Multi-RAT传输数据Di所需的总时间,tij表示SUi通过RATj发送数据的时间,i=1,2,...,M,j=1,2,...,N;Multi-RAT为多种无线电接入技术系统;PU表示各网络中的主用户,PU=[PU1,PU2,…,PUN],PUN表示N个主用户;SU表示各网络中的认知用户,SU=[SU1,SU2...SUM],SUM表示M个认知用户;RAT表示无线接入技术;
步骤二、在给定SUi通过RATj传输的数据量情况下,约束条件为RATj有限的可用带宽总量Bj和SUi的有限可用功率总量Pi时,为验证目标函数的凹凸性,将目标函数简化为f1(B,P),然后证明函数f1(B,P)为凸函数,采用凸优化方法,构建拉格朗日算子并利用KKT条件,对代入的情况下的目标函数采用牛顿迭代法求解,得到最优解和其中,i=1,2,...M;B=[B1,B2...BN]表示SU接入到各个网络时的带宽;B为目标函数中Bij的简化,即表示RAT分配给SU通信的带宽,P为目标函数中Pij的简化,表示SU分配给通过RAT通信的功率;Pij表示SUi分配给通过RATj通信的功率,Dij表示SUi通过RATj传输的数据量;Bij表示RATj分配给SUi通信的带宽,i=1,2,...,M,j=1,2,...,N;
步骤三、根据和条件下,求解应分配给每个RAT的数据Dij,并将Dij代入步骤二中,重新迭代求解带宽和功率值,然后再进行步骤三,直到两次计算差值小于给定阈值,迭代停止,求得Dij最优数值解Dij *;即完成了一种基于凸优化方法的认知异构网络联合资源分配的方法。
发明效果
本发明的目的是提供一种基于凸优化方法的认知异构网络联合资源分配的方法,提出基于凸优化方法对认知异构网络中的功率、带宽以及数据进行联合分配的算法,以解决现有认知异构网络资源分配方法中存在的功率消耗高、传输时延长、资源分配非最优等问题。
为了验证本发明的性能,考虑2个SUs用3个RATs传输数据。在图1中,设定SUs的功率为30mW,RATs带宽为5MHz,给定RAT2和RAT3的λj值,传输数据为300Mbits,在分配数据前,设定分配给每个RAT的数据为100Mbit,测试随着RAT1的λj值的增长,由于分配数据,时延可以减少的百分比。从图1中可以看出,λj越大,本发明提出的算法对系统性能的改进越明显。
并且在图2中,测试了参考文献中提出算法的时延以及本发明中提出的算法在分配数据前后的时延。RATs的带宽设定为:1.4MHz,5MHz and 20MHz,RAT的λj设为1,0.01and0.1,SUs的功率为30mW。在图2中可以看出,分配数据前,随着传输数据的增多,本发明提出的算法在时延方面优于参考文献中算法,而在分配数据后,系统时延可以被大大的缩减。因为在本发明中,通过引入主用户到达概率来改进优化函数,并且对功率、带宽以及数据都进行了分配,从而实现系统传输数据时延最小的目标。
附图说明
图1为具体实施方式一提出的数据分配后时延可以缩减的百分比示意图;
图2为具体实施方式一提出的不同数据传输量时时延的比较示意图;
图3为实施例提出的时延与λj的关系示意图;
图4为异构认知无线网络HWCN模型示意图,其中,BS(Base Station)表示各网络中的基站;
图5为具体实施方式一提出的一种基于凸优化方法的认知异构网络联合资源分配的方法流程图。
具体实施方式
具体实施方式一:本实施方式的一种基于凸优化方法的认知异构网络联合资源分配的方法,具体是按照以下步骤制备的:
步骤一、假设HWCN已经融合,SU可以接入所有的RAT,因此SU可以在端到端的通信过程中,接入多个拥有空闲频谱资源的异构网络;假设PU的到达过程服从泊松分布过程,到达率为λj;假设PU服务时间为常数;在M(M≥1)个认知用户的情况下,根据约束条件构建认知异构网络端到端系统模型,确定优化目标为最小化系统通信时延其中,ti表示SUi通过Multi-RAT传输数据Di所需的总时间,tij表示SUi通过RATj发送数据的时间,i=1,2,...,M,j=1,2,...,N;Multi-RAT为多种无线电接入技术(Multi-Radio Access Technology,Multi-RAT)系统是一个网络内可以支持多种无线接入技术实现多种服务的网络,用户通过可接入Multi-RAT的终端,可以同时地接入不同的网络,在不同的情况下选择接入最适合当前用户服务需求的网络接入方式,从而改善QoS及提高频谱利用率,并且可以达到降低功耗,节约成本等目标;Multi-RAT可以包含无线局域网(Wireless Local Area Networks,WLAN)、第三代通用移动通信系统(Third Generation Universal Mobile Telecommunication Systems,3G-UMTS)、IEEE802.11、全球微波互联接入(Worldwide Interoperability for Microwave Access,WiMAX)等无线通信技术;
当SUi与SUj进行端到端通信时,由于PU发起通信请求的概率不同,在不同的RAT中,SU被中断的概率也就不同;在有限的SU总功率,及每个RAT的有限带宽的限制下,根据PU发起通信请求的概率分配各个RAT传输数据量的大小,从而使得通信的时间长度最短,即等效的信道容量最大;令t表示SUi与SUj进行端到端通信的总时长;ti为SUi与SUj进行端到端通信时,数据在RATi所在网络中传输的时间,则通信时长t=maxti;PU(Primary User)表示各网络中的主用户,PU=[PU1,PU2,…,PUN],PUN表示N个主用户;SU表示各网络中的认知用户,SU=[SU1,SU2...SUM],SUM表示M个认知用户如图4;RAT(Radio Access Technology)表示无线接入技术,不同的网络采用不同的接入技术,RAT可以表示WLAN(Wireless Local Area Network),Wimax(Worldwide Interoperabilityfor Microwave Access),LTE(3GPP Long Term Evolution)等;
步骤二、验证最小化系统通信时延即目标函数的凹凸性,证明目标函数的凹凸性,将目标函数简化为f(B,D,P),可以证明f(B,D,P)既不是凸函数,也不是凹函数;在给定SUi通过RATj传输的数据量情况下,约束条件为RATj有限的可用带宽总量Bj和SUi的有限可用功率总量Pi时,为验证目标函数的凹凸性,将目标函数简化为f1(B,P),然后证明函数f1(B,P)为凸函数,采用凸优化方法,构建拉格朗日算子并利用KKT条件,对代入的情况下的目标函数采用牛顿迭代法求解,得到最优解和可以任意给定;可以设定为随机数,也可以设定为均分Di,其中,B=[B1,B2...BN]表示SU接入到各个网络时的带宽;B为目标函数中Bij的简化,即表示RAT分配给SU通信的带宽,D为目标函数中Dij的简化,表示SU通过RAT传输的数据量;P为目标函数中Pij的简化,表示SU分配给通过RAT通信的功率;Pij表示SUi分配给通过RATj通信的功率,Dij表示SUi通过RATj传输的数据量;Bij表示RATj分配给SUi通信的带宽,i=1,2,...,M,j=1,2,...,N;
步骤三、根据和条件下,求解应分配给每个RAT的数据Dij,并将Dij代入步骤二中,重新迭代求解带宽和功率值,然后再进行步骤三,直到两次计算差值小于给定阈值(即两次计算带宽差值小于给定阈值和计算两次功率值差值小于给定阈值),迭代停止,求得Dij最优数值解Dij *如图5;即完成了一种基于凸优化方法的认知异构网络联合资源分配的方法。
本实施方式效果:
本实施方式的目的是提供一种基于凸优化方法的认知异构网络联合资源分配的方法,提出基于凸优化方法对认知异构网络中的功率、带宽以及数据进行联合分配的算法,以解决现有认知异构网络资源分配方法中存在的功率消耗高、传输时延长、资源分配非最优等问题。
为了验证本实施方式的性能,考虑2个SUs用3个RATs传输数据。在图1中,设定SUs的功率为30mW,RATs带宽为5MHz,给定RAT2和RAT3的λj值,传输数据为300Mbits,在分配数据前,设定分配给每个RAT的数据为100Mbit,测试随着RAT1的λj值的增长,由于分配数据,时延可以减少的百分比。从图1中可以看出,λj越大,本实施方式提出的算法对系统性能的改进越明显。
并且在图2中,测试了参考文献中提出算法的时延以及本实施方式中提出的算法在分配数据前后的时延。RATs的带宽设定为:1.4MHz,5 MHz and 20MHz,RAT的λj设为1,0.01 and 0.1,SUs的功率为30mW。在图2中可以看出,分配数据前,随着传输数据的增多,本实施方式提出的算法在时延方面优于参考文献中算法,而在分配数据后,系统时延可以被大大的缩减。因为在本实施方式中,通过引入主用户到达概率来改进优化函数,并且对功率、带宽以及数据都进行了分配,从而实现系统传输数据时延最小的目标。
具体实施方式二:本实施方式与具体实施方式一不同的是:步骤一中求得确定优化目标为最小化系统通信时延中的tij具体推导过程为:
(1)设定目标函数的约束条件为:在有限认知用户功率 有限优化RAT带宽 以及SUi通过RAT传输数据Dij和是定值Di:
其中,Bij,Pij,Dij≥0,i≤1,2,...,M,j=1,2,...,N;
(2)令βij表示SUi接入到RATj的信道带宽利用率,则由香农公式,每条信道容量Cij为:
式(17)中,N0表示噪声功率谱密度,Cij表示SUi接入到RATj的信道容量;
(3)将SUi与SUj通信时,PUj发出通信请求带来的时延用Deij表示:
式(18)中Tj为PUj的服务时间;xj表示PUj发起通信请求的次数;在Δtij内,PUj发起通信请求的平均次数用表示;由于假设PUj的到达过程服从泊松分布过程,到达率为λj,因此在Δtij内,PUj发起通信请求的平均次数
其中,Δtij表示SUi通过RATj发送数据Dij的时间,SUi为第i个SU,i=1,2,...,M,PUj表示采用RATj的网络中的第j个PU,j=1,2,...,N;M=1表示,单个认知用户情况下的最小化系统通信时延,M>1,表示M个认知用户情况下的最小化系统通信时延;
(4)根据(1)、(2)和(3)计算得到i=1,2,...,M,j=1,2,...,N;其中,tij表示SUi通过RATj发送数据的时间。其它步骤及参数与具体实施方式一相同。
具体实施方式三:本实施方式与具体实施方式一或二不同的是:步骤二中在给定SUi通过RATj传输的数据量情况下,约束条件为RATj有限的可用带宽总量Bj和SUi的有限可用功率总量Pj时,为验证目标函数的凹凸性,将目标函数简化f1(B,P),证明函数f1(B,P)为凸函数具体过程为:
(1)证明f(B,D,P)的凹凸性:
为验证目标函数凹凸性,将目标函数简化为f(B,D,P),其中B为目标函数中Bij的简化,即表示RAT分配给SU通信的带宽,D为目标函数中Dij的简化,表示SU通过RAT传输的数据量;P为目标函数中Pij的简化,表示SU分配给通过RAT通信的功率;
令 则:
f的一阶主子式为: f的二阶主子式为:
f的三阶主子式为: 由于凸函数要求Hessian矩阵半正定,即detyi≥0;而凹函数要求Hessian矩阵办负定,即奇数阶顺序主子式小于等于0,偶数阶顺序主子式大于等于0;因此f(B,D,P)不是凸函数,也不是凹函数;
(2)在给定SUi通过RATj传输的数据量情况下,约束条件为RATj有限的可用带宽总量Bj和SUi的有限可用功率总量Pi时,证明目标函数简化后的函数f1(B,P)为凸函数;
1)最小化系统通信时延即优化问题转化为:
约束条件:
Bij,Pij≥0 (26)
其中,
证明此条件下上述问题为一个非负条件下的凸优化问题;
2)证明: 是凸函数
为验证代入的情况下的目标函数的凹凸性,将代入的情况下的目标函数简化为函数f1(B,P);
f1的一阶主子式为:
f1的二阶主子式为:
因此, 是凸函数;
其中,λ为代入的情况下的目标函数中λj的简化,即假设PUj的到达过程服从泊松分布过程,到达率为λj;为代入的情况下的目标函数中的简化,即为给定的SUi通过RATj传输的数据量其它步骤及参数与具体实施方式一或二相同。
具体实施方式四:本实施方式与具体实施方式一至三之一不同的是:步骤二中采用凸优化方法,构建拉格朗日算子并利用KKT条件,对代入的情况下的目标函数采用牛顿迭代法求解,得到最优解和具体过程为:
1)定义拉格朗日函数
其中,μj,为拉格朗日乘子;假设PUj的到达过程服从泊松分布过程,到达率为λj;Tj为PUj的服务时间;Bj表示RATj可用的带宽总量;Pi表示SUi的可用功率总量;
2)KKT条件为:
Bij≥0 (36)
μj≥0 (37)
Pij≥0 (41)
因此
Bij=[Bij *]+ (44)
其中,[Bij *]+=max{0,Bij *},Bij *为根据下式求得的数值解;
因此
Pij=[Pij *]+ (46)
其中,[Pij *]+=max{0,Pij *};Pij *为根据下式求得的数值解;
3)Bij *、Pij *是对式(45)和式(47)组成的非线性方程组采用牛顿迭代方法求解得到的结果;
牛顿迭代方法求解非线性方程组方法如下:
a、给出初值Bij 0、Pij 0;
b、在Bij 0、Pij 0处做二元Taylor展开,并取其线性部分:
令Bij-Bij 0=ΔBij,Pij-Pij 0=ΔPij
若:
则
同理,
当max(ΔBij,ΔPij)<ε时,停止迭代从而得到和ε表示计算的误差容限;
在更新μj k和时,考虑如下函数:
采用梯度法计算μj k和
其中,ξ>0是用梯度法求解μj k时的迭代步长;同理,
其中,ζ>0是用梯度法求解时的迭代步长;其中,μj k为第k次求得的拉格朗日乘子μj,为第k次求得的拉格朗日乘子其它步骤及参数与具体实施方式一至三之一相同。
具体实施方式五:本实施方式与具体实施方式一至四之一不同的是:步骤三中根据和条件下来求解应分配给每个RAT的数据Dij,并将Dij代入步骤二中,重新迭代求解带宽和功率值,然后再进行步骤三,直到两次计算差值小于给定阈值(即两次计算带宽差值小于给定阈值和计算两次功率值差值小于给定阈值),迭代停止,求得Dij最优数值解Dij *具体过程为:
(1)在给定和条件下,求Dij的最优解,将目标函数转化为:
约束条件:
其中,
Deij与前面求法相同,各符号含义也与前面陈述相同;
(2)在已知信道容量的情况下,确定如何分配数据可以使Multi-RAT传输数据的时间最短,从而将目标函数转化为:
因此:
(3)在已知信道容量的情况下,通过Multi-RAT传输数据的时间最短,使得最容易的方法是Multi-RAT传输的时间相同,即:
解得
其它步骤及参数与具体实施方式一至四之一相同。
采用以下实施例验证本发明的有益效果:
实施例一:
本实施例一种基于凸优化方法的认知异构网络联合资源分配的方法,具体是按照以下步骤制备的:
步骤一、假设HWCN已经融合,SU可以接入所有的RAT,因此SU可以在端到端的通信过程中,接入多个拥有空闲频谱资源的异构网络。假设PU的到达过程服从泊松分布过程,到达率为λj。假设PU服务时间为常数。在M(M≥1)个认知用户的情况下,根据约束条件构建认知异构网络端到端系统模型,确定优化目标为最小化系统通信时延其中,ti表示SUi通过Multi-RAT传输数据Di所需的总时间,tij表示SUi通过RATj发送数据的时间,i=1,2,...,M,j=1,2,...,N;其中,Multi-RAT为多种无线电接入技术(Multi-Radio Access Technology,Multi-RAT)系统是一个网络内可以支持多种无线接入技术实现多种服务的网络,用户通过可接入Multi-RAT的终端,可以同时地接入不同的网络,在不同的情况下选择接入最适合当前用户服务需求的网络接入方式,从而改善QoS及提高频谱利用率,并且可以达到降低功耗,节约成本等目标。Multi-RAT可以包含无线局域网(Wireless Local Area Networks,WLAN)、第三代通用移动通信系统(Third Generation Universal Mobile Telecommunication Systems,3G-UMTS)、IEEE802.11、全球微波互联接入(Worldwide Interoperability for Microwave Access,WiMAX)等无线通信技术。
为了验证本算法的性能,考虑2个SUs用3个RATs传输数据。在图1中,设定SUs的功率为30mW,RATs带宽为5MHz,给定RAT2(下角标是i=2)和RAT3(下角标是i=3)的λj值,传输数据为Di=300Mbits,在分配数据前,设定分配给每个RAT的数据为测试随着RAT1(下角标是i=1)的λj值的增长,由于分配数据,时延可以减少的百分比;其中,SUs为SU的复数;RATs为RAT复数;
当SUi与SUj进行端到端通信时,由于PU发起通信请求的概率不同,在不同的RAT中,SU被中断的概率也就不同。在有限的SU总功率,及每个RAT的有限带宽的限制下,根据PU发起通信请求的概率分配各个RAT传输数据量的大小,从而使得通信的时间长度最短,即等效的信道容量最大。令t表示SUi与SUj进行端到端通信的总时长;ti为SUi与SUj进行端到端通信时,数据在RATi所在网络中传输的时间,则通信时长t=maxti。PU(Primary User)表示各网络中的主用户,PU=[PU1,PU2,…,PUN],PUN表示N个主用户;SU表示各网络中的认知用户,SU=[SU1,SU2...SUM],SUM表示M个认知用户;RAT(Radio Access Technology)表示无线接入技术,不同的网络采用不同的接入技术,RAT可以表示WLAN(Wireless Local Area Network),Wimax(Worldwide Interoperability forMicrowave Access),LTE(3GPP Long Term Evolution)等。
其中求得的确定优化目标为最小化系统通信时延中的tij具体推导过程为:
(1)设定目标函数的约束条件为:在有限认知用户功率 有限优化RAT带宽 以及SUi通过RAT传输数据Dij和是定值Di:
其中,Bij,Pij,Dij≥0,i=1,2,...,M,j=1,2,...,N;
(2)令βij表示SUi接入到RATj的信道带宽利用率,则由香农公式,每条信道容量Cij为:
式(17)中,N0表示噪声功率谱密度,Cij表示SUi接入到RATj的信道容量;
(3)将SUi与SUj通信时,PUj发出通信请求带来的时延用Deij表示
式(18)中Tj为PUj的服务时间;xj表示PUj发起通信请求的次数;在Δtij内,PUj发起通信请求的平均次数用表示;由于假设PUj的到达过程服从泊松分布过程,到达率为λj,因此在Δtij内,PUj发起通信请求的平均次数
其中,Δtij表示SUi通过RATj发送数据Dij的时间,SUi为第i个SU,i=1,2,...,M,PUj表示采用RATj的网络中的第j个PU,j=1,2,...,N;M=1表示,单个认知用户情况下的最小化系统通信时延,M>1,表示M个认知用户情况下的最小化系统通信时延;
(4)根据(1)、(2)和(3)计算得到i=1,2,...,M,j=1,2,...,N;其中,tij表示SUi通过RATj发送数据的时间。
步骤二、验证最小化系统通信时延即目标函数的凹凸性,证明目标函数的凹凸性,将目标函数简化为f(B,D,P),然后证明f(B,D,P)的凹凸性:
为验证目标函数凹凸性,将目标函数简化为f(B,D,P),其中B为目标函数中Bij的简化,即表示RAT分配给SU通信的带宽,D为目标函数中Dij的简化,表示SU通过RAT传输的数据量;P为目标函数中Pij的简化,表示SU分配给通过RAT通信的功率。
令 则:
的一阶主子式为:
的二阶主子式为:
的三阶主子式为: 由于凸函数要求Hessian矩阵半正定,即det yi≥0;而凹函数要求Hessian矩阵办负定,即奇数阶顺序主子式小于等于0,偶数阶顺序主子式大于等于0。因此f(B,D,P)不是凸函数,也不是凹函数。在给定SUi通过RATj传输的数据量情况下,约束条件为RATj有限的可用带宽总量Bj和SUi的有限可用功率总量Pi时,为验证目标函数的凹凸性,将目标函数简化f1(B,P),证明函数f1(B,P)为凸函数具体过程为:
1)最小化系统通信时延即优化问题转化为:
约束条件:
Bij,Pij≥0 (26)
其中,
证明此条件下上述问题为一个非负条件下的凸优化问题。
2)证明: 是凸函数
为验证代入的情况下的目标函数的凹凸性,将代入的情况下的目标函数简化为函数f1(B,P);
的一阶主子式为:
的二阶主子式为: 因此, 是凸函数。
其中,λ为代入的情况下的目标函数中λj的简化,即假设PUj的到达过程服从泊松分布过程,到达率为λj;为代入的情况下的目标函数中的简化,即为给定的SUi通过RATj传输的数据量
采用凸优化方法,构建拉格朗日算子并利用KKT条件,对代入的情况下的目标函数采用牛顿迭代法求解,得到最优解和过程为:
1)定义拉格朗日函数
其中,μj,为拉格朗日乘子。假设PUj的到达过程服从泊松分布过程,到达率为λj;Tj为PUj的服务时间;Bj表示RATj可用的带宽总量;Pi表示SUi的可用功率总量;
2)KKT条件为:
Bij≥0 (36)
μj≥0 (37)
Pij≥0 (41)
因此
Bij=[Bij *]+ (44)
其中,[Bij *]+=max{0,Bij *},Bij *为根据下式求得的数值解。
因此
Pij=[Pij *] (46)
其中,[Pij *]+=max{0,Pij *}。Pij *为根据下式求得的数值解。
3)Bij *、Pij *是对式(45)和式(47)组成的非线性方程组采用牛顿迭代方法求解得到的结果。
牛顿迭代方法求解非线性方程组方法如下:
a、给出初值Bij 0、Pij 0。
b、在Bij 0、Pij 0处做二元Taylor展开,并取其线性部分:
令Bij-Bij 0=ΔBij,Pij-Pij 0=ΔPij
若:
则
同理,
当max(ΔBij,ΔPij)<ε时,停止迭代从而得到和ε表示计算的误差容限。
在更新μj k和时,考虑如下函数:
采用梯度法计算μj k和
其中,ξ>0是用梯度法求解μj k时的迭代步长。同理,
其中,是用梯度法求解时的迭代步长;其中,μj k为第k次求得的拉格朗日乘子μj,为第k次求得的拉格朗日乘子
可以任意给定;可以设定为随机数,也可以设定为均分Di,其中,i=1,2,...M;B=[B1,B2...BN]表示SU接入到各个网络时的带宽;B为目标函数中Bij的简化,即表示RAT分配给SU通信的带宽,D为目标函数中Dij的简化,表示SU通过RAT传输的数据量;P为目标函数中Pij的简化,表示SU分配给通过RAT通信的功率;Pij表示SUi分配给通过RATj通信的功率,Dij表示SUi通过RATj传输的数据量;Bij表示RATj分配给SUi通信的带宽,i=1,2,...,M,j=1,2,...,N;
步骤三、根据和条件下,求解应分配给每个RAT的数据Dij,并将Dij代入步骤二中,重新迭代求解带宽和功率值,然后再进行步骤三,直到两次计算差值小于给定阈值(即两次计算带宽差值小于给定阈值 和计算两次功率值差值小于给定阈值),迭代停止,求得Dij最优数值解Dij *具体过程为:
(1)在给定和条件下,求Dij的最优解,将目标函数转化为:
约束条件:
其中,
Deij与前面求法相同,各符号含义也与前面陈述相同。
(2)在已知信道容量的情况下,确定如何分配数据可以使Multi-RAT传输数据的时间最短,从而将目标函数转化为:
因此:
(3)在已知信道容量的情况下,通过Multi-RAT传输数据的时间最短,使得最容易的方法是Multi-RAT传输的时间相同,即:
解得
测试了参考文献中提出算法的时延以及本实施中提出的算法在分配数据前后的时延。RATs的带宽设定为:1.4MHz,5MHz and20MHz,RAT的λj设为1,0.01and0.1,SUs的功率为30mW。在图2中可以看出,分配数据前,随着传输数据的增多,本实施例中提出的算法在时延方面优于参考文献中算法,而在分配数据后,系统时延可以被大大的缩减。其中,参考文献:作者Choi Y,Kim H,Han S,et al.论文题目″Joint resource allocation for parallelmulti-radio access in heterogeneous wireless networks″出版信息Wireless Communication,IEEETransactions,2010,9(11),3324-3329。
此外,还对时延与λj的关系进行了测试。参数设定为:RAT的带宽分别为:1.4MHz,5MHz和20MHz,SU的功率为30mW,SU传输的数据分别设定为:300Mbits和30Mbits。在图3中可以看出,随着λj的增长,时延也会增长。但是本实施例中提出的算法引起的时延比参考文献中的小,并且由于数据分配,系统的时延可以被显著的减少。其中,时延减少百分比percent的定义为:
其中delay1为数据分配前的时延,delay2为数据分配后的时延。
本发明还可有其它多种实施例,在不背离本发明精神及其实质的情况下,本领域技术人员当可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (5)
1.一种基于凸优化方法的认知异构网络联合资源分配的方法,其特征在于:一种基于凸优化方法的认知异构网络联合资源分配的方法具体通过以下步骤实现的:
步骤一、在M个认知用户的情况下,根据约束条件构建认知异构网络端到端系统模型,确定优化目标为最小化系统通信时延其中,M≥1,ti表示SUi通过Multi-RAT传输数据Di所需的总时间,tij表示SUi通过RATj发送数据的时间,i=1,2,...,M,j=1,2,...,N;Multi-RAT为多种无线电接入技术系统;PU表示各网络中的主用户,PU=[PU1,PU2,…,PUN],PUN表示N个主用户;SU表示各网络中的认知用户,SU=[SU1,SU2...SUM],SUM表示M个认知用户;RAT表示无线接入技术;
步骤二、在给定SUi通过RATj传输的数据量情况下,约束条件为RATj有限的可用带宽总量Bj和SUi的有限可用功率总量Pj时,为验证目标函数的凹凸性,将目标函数简化为f1(B,P),然后证明函数f1(B,P)为凸函数,采用凸优化方法,构建拉格朗日算子并利用KKT条件,对代入的情况下的目标函数采用牛顿迭代法求解,得到最优解和其中,B=[B1,B2...BN]表示SU接入到各个网络时的带宽;B为目标函数中Bij的简化,即表示RAT分配给SU通信的带宽,P为目标函数中Pij的简化,表示SU分配给通过RAT通信的功率;Pij表示SUi分配给通过RATj通信的功率,Dij表示SUi通过RATj传输的数据量;Bij表示RATj分配给SUi通信的带宽,i=1,2,...,M,j=1,2,...,N;
步骤三、根据和条件下求解应分配给每个RAT的数据Dij,并将Dij代入步骤二中,重新迭代求解带宽和功率值,然后再进行步骤三,直到两次计算差值小于给定阈值,迭代停止,求得Dij最优数值解Dij *;即完成了一种基于凸优化方法的认知异构网络联合资源分配的方法。
2.根据权利要求1所述一种基于凸优化方法的认知异构网络联合资源分配的方法,其特征在于:步骤一中求得确定优化目标为最小化系统通信时延 中的tij具体推导过程为:
(1)设定目标函数的约束条件为:在有限认知用户功率 有限优化RAT带宽 以及SUi通过RAT传输数据Dij和是定值Di:
其中,Bij,Pij,Dij≥0,i=1,2,...,M,j=1,2,...,N;
(2)令βij表示SUi接入到RATj的信道带宽利用率,则由香农公式,每条信道容量Cij为:
式(17)中,N0表示噪声功率谱密度,Cij表示SUi接入到RATj的信道容量;
(3)将SUi与SUj通信时,PUj发出通信请求带来的时延用Deij表示:
式(18)中Tj为PUj的服务时间;xj表示PUj发起通信请求的次数;在Δtij内,PUj发起通信请求的平均次数用表示;PUj的到达过程服从泊松分布过程,到达率为λj,因此在Δtij内,PUj发起通信请求的平均次数
其中,Δtij表示SUi通过RATj发送数据Dij的时间,SUi为第i个SU,i=1,2,...,M,PUj表示采用RATj的网络中的第j个PU,j=1,2,...,N;M=1表示,单个认知用户情况下的最小化系统通信时延,M>1,表示M个认知用户情况下的最小化系统通信时延;
(4)根据(1)、(2)和(3)计算得到i=1,2,...,M,j=1,2,...,N;其中,tij表示SUi通过RATj发送数据的时间。
3.根据权利要求1所述一种基于凸优化方法的认知异构网络联合资源分配的方法,其特征在于:步骤二中在给定SUi通过RATj传输的数据量情况下,约束条件为RATj有限的可用带宽总量Bj和SUi的有限可用功率总量Pi时,为验证目标函数的凹凸性,将目标函数简化f1(B,P),证明函数f1(B,P)为凸函数具体过程为:
在给定SUi通过RATj传输的数据量情况下,约束条件为RATj有限的可用带宽总量Bj和SUi的有限可用功率总量Pi时,证明目标函数简化后的函数f1(B,P)为凸函数;
1)最小化系统通信时延转化为:
约束条件:
Bij,Pij≥0 (26)
其中,
2)证明: 是凸函数
为验证代入的情况下的目标函数的凹凸性,将代入的情况下的目标函数简化为函数f1(B,P);
的一阶主子式为:
的二阶主子式为:
因此, 是凸函数;
其中,λ为代入的情况下的目标函数中λj的简化,即假设PUj的到达过程服从泊松分布过程,到达率为λj;为代入的情况下的目标函数中的简化,即为给定的SUi通过RATj传输的数据量
4.根据权利要求1所述一种基于凸优化方法的认知异构网络联合资源分配的方法,其特征在于:步骤二中采用凸优化方法,构建拉格朗日算子并利用KKT条件,对代入的情况下的目标函数采用牛顿迭代法求解,得到最优解和具体过程为:
1)定义拉格朗日函数
其中,μj,为拉格朗日乘子;假设PUj的到达过程服从泊松分布过程,到达率为λj;Tj为PUj的服务时间;Bj表示RATj可用的带宽总量;Pi表示SUi的可用功率总量;
2)KKT条件为:
Bij≥0 (36)
μj≥0 (37)
Pij≥0 (41)
因此
Bij=[Bij *]+ (44)
其中,[Bij *]+=max{0,Bij *},Bij *为根据下式求得的数值解;
因此
Pij=[Pij *]+ (46)
其中,[Pij *]+=max{0,Pij *};Pij *为根据下式求得的数值解;
3)Bij *、Pij *是对式(45)和式(47)组成的非线性方程组采用牛顿迭代方法求解得到的结果;
牛顿迭代方法求解非线性方程组方法如下:
a、给出初值Bij 0、Pij 0;
b、在Bij 0、Pij 0处做二元Taylor展开,并取其线性部分:
令Bij-Bij 0=ΔBij,Pij-Pij 0=ΔPij
若:
则
同理,
当max(ΔBij,ΔPij)<ε时,停止迭代从而得到和ε表示计算的误差容限;
在更新μj k和时,考虑如下函数:
采用梯度法计算μj k和
其中,ξ>0是用梯度法求解μj k时的迭代步长;同理,
其中,是用梯度法求解时的迭代步长;其中,μj k为第k次求得的拉格朗日乘子μj,为第k次求得的拉格朗日乘子
5.根据权利要求1所述一种基于凸优化方法的认知异构网络联合资源分配的方法,其特征在于:步骤三中根据和条件下来求解应分配给每个RAT的数据Dij,并将Dij代入步骤二中,重新迭代求解带宽和功率值,然后再进行步骤三,直到两次计算差值小于给定阈值,迭代停止,求得Dij最优数值解Dij *具体过程为:
(1)将目标函数转化为:
约束条件:
其中,
(2)在已知信道容量的情况下,确定如何分配数据使Multi-RAT传输数据的时间最短,从而将目标函数转化为:
因此:
(3)在已知信道容量的情况下,通过Multi-RAT传输数据的时间最短,使得Multi-RAT传输的时间相同,即:
解得
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410414601.7A CN104159311B (zh) | 2014-08-21 | 2014-08-21 | 一种基于凸优化方法的认知异构网络联合资源分配的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410414601.7A CN104159311B (zh) | 2014-08-21 | 2014-08-21 | 一种基于凸优化方法的认知异构网络联合资源分配的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104159311A true CN104159311A (zh) | 2014-11-19 |
CN104159311B CN104159311B (zh) | 2018-04-10 |
Family
ID=51884693
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410414601.7A Active CN104159311B (zh) | 2014-08-21 | 2014-08-21 | 一种基于凸优化方法的认知异构网络联合资源分配的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104159311B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104619028A (zh) * | 2015-01-05 | 2015-05-13 | 哈尔滨工业大学 | 能够保障用户公平性的mimo异构网络资源分配方法 |
CN105848293A (zh) * | 2016-03-17 | 2016-08-10 | 南京邮电大学 | 异构无线网络中协作功率最优分配方法 |
CN106792824A (zh) * | 2016-12-29 | 2017-05-31 | 重庆邮电大学 | 认知异构无线网络鲁棒资源分配算法 |
CN107277819A (zh) * | 2017-06-23 | 2017-10-20 | 电子科技大学 | 一种基于异构网络的频谱资源划分方法 |
CN108156096A (zh) * | 2017-12-12 | 2018-06-12 | 广东电网有限责任公司电力调度控制中心 | 一种基于资源分配的传输总容量接入控制优化方法及系统 |
CN108418718A (zh) * | 2018-03-06 | 2018-08-17 | 曲阜师范大学 | 一种基于边缘计算的数据处理延迟优化方法及系统 |
CN109272216A (zh) * | 2018-08-31 | 2019-01-25 | 西安电子科技大学 | 超净间内零过多颗粒数的统计过程控制方法 |
CN109511117A (zh) * | 2018-09-28 | 2019-03-22 | 深圳大学 | 无线能量传输通信网络的破坏供电系统的防御方法及系统 |
CN110913449A (zh) * | 2019-11-22 | 2020-03-24 | 长安大学 | 基于发射功率和用户满意度的网络选择方法 |
CN111464337A (zh) * | 2020-03-13 | 2020-07-28 | 北京三快在线科技有限公司 | 资源配置方法、装置、电子设备 |
CN113067638A (zh) * | 2021-03-23 | 2021-07-02 | 西安电子科技大学 | 一种基于凸优化的vlc/rf异构网络资源分配方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101982992A (zh) * | 2010-10-30 | 2011-03-02 | 鲁东大学 | 认知无线电网络中基于改进粒子群的功率控制最优化算法 |
WO2013011383A1 (en) * | 2011-07-15 | 2013-01-24 | Telefonaktiebolaget L M Ericsson (Publ) | Distributed beam selection for cellular communication |
CN103200690A (zh) * | 2013-04-12 | 2013-07-10 | 中国科学技术大学 | 一种异构无线网络的分布式资源分配方法 |
-
2014
- 2014-08-21 CN CN201410414601.7A patent/CN104159311B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101982992A (zh) * | 2010-10-30 | 2011-03-02 | 鲁东大学 | 认知无线电网络中基于改进粒子群的功率控制最优化算法 |
WO2013011383A1 (en) * | 2011-07-15 | 2013-01-24 | Telefonaktiebolaget L M Ericsson (Publ) | Distributed beam selection for cellular communication |
CN103200690A (zh) * | 2013-04-12 | 2013-07-10 | 中国科学技术大学 | 一种异构无线网络的分布式资源分配方法 |
Non-Patent Citations (4)
Title |
---|
CHEN FENG, XU WEN-JUN, LIN JIA-RU, NIU KAI, MA HONG-YU: "End-to-end utility-based resource allocation for multi-RAT nodes in heterogeneous cognitive wireless networks", 《THE JOURNAL OF CHINA UNIVERSITIES OF POSTS AND TELECOMMUNICATIONS》 * |
SHINSUKE KAJIOKA ∗, NAOKI WAKAMIYA, MASAYUKI MURATA: "Autonomous and adaptive resource allocation among multiple nodes and multiple applications in heterogeneous wireless networks", 《JOURNAL OF COMPUTER AND SYSTEM SCIENCES》 * |
姜建 李建东 刘鑫一: "异构无线网络环境下的联合网络选择策略", 《计算机学报》 * |
文春阳,邱玲: "一种基于WLAN的异构网中上行资源分配策略", 《中国科学技术大学学报》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104619028B (zh) * | 2015-01-05 | 2018-08-28 | 哈尔滨工业大学 | 能够保障用户公平性的mimo异构网络资源分配方法 |
CN104619028A (zh) * | 2015-01-05 | 2015-05-13 | 哈尔滨工业大学 | 能够保障用户公平性的mimo异构网络资源分配方法 |
CN105848293B (zh) * | 2016-03-17 | 2019-05-21 | 南京邮电大学 | 异构无线网络中协作功率最优分配方法 |
CN105848293A (zh) * | 2016-03-17 | 2016-08-10 | 南京邮电大学 | 异构无线网络中协作功率最优分配方法 |
CN106792824A (zh) * | 2016-12-29 | 2017-05-31 | 重庆邮电大学 | 认知异构无线网络鲁棒资源分配算法 |
CN106792824B (zh) * | 2016-12-29 | 2019-11-12 | 重庆邮电大学 | 认知异构无线网络鲁棒资源分配方法 |
CN107277819A (zh) * | 2017-06-23 | 2017-10-20 | 电子科技大学 | 一种基于异构网络的频谱资源划分方法 |
CN107277819B (zh) * | 2017-06-23 | 2019-09-13 | 电子科技大学 | 一种基于异构网络的频谱资源划分方法 |
CN108156096A (zh) * | 2017-12-12 | 2018-06-12 | 广东电网有限责任公司电力调度控制中心 | 一种基于资源分配的传输总容量接入控制优化方法及系统 |
CN108418718A (zh) * | 2018-03-06 | 2018-08-17 | 曲阜师范大学 | 一种基于边缘计算的数据处理延迟优化方法及系统 |
CN108418718B (zh) * | 2018-03-06 | 2020-07-10 | 曲阜师范大学 | 一种基于边缘计算的数据处理延迟优化方法及系统 |
CN109272216A (zh) * | 2018-08-31 | 2019-01-25 | 西安电子科技大学 | 超净间内零过多颗粒数的统计过程控制方法 |
CN109272216B (zh) * | 2018-08-31 | 2021-09-10 | 西安电子科技大学 | 超净间内零过多颗粒数的统计过程控制方法 |
CN109511117A (zh) * | 2018-09-28 | 2019-03-22 | 深圳大学 | 无线能量传输通信网络的破坏供电系统的防御方法及系统 |
CN110913449B (zh) * | 2019-11-22 | 2021-06-25 | 长安大学 | 基于发射功率和用户满意度的网络选择方法 |
CN110913449A (zh) * | 2019-11-22 | 2020-03-24 | 长安大学 | 基于发射功率和用户满意度的网络选择方法 |
CN111464337A (zh) * | 2020-03-13 | 2020-07-28 | 北京三快在线科技有限公司 | 资源配置方法、装置、电子设备 |
CN111464337B (zh) * | 2020-03-13 | 2022-08-19 | 北京三快在线科技有限公司 | 资源配置方法、装置、电子设备 |
CN113067638A (zh) * | 2021-03-23 | 2021-07-02 | 西安电子科技大学 | 一种基于凸优化的vlc/rf异构网络资源分配方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104159311B (zh) | 2018-04-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104159311A (zh) | 一种基于凸优化方法的认知异构网络联合资源分配的方法 | |
Asadi et al. | Network-assisted outband D2D-clustering in 5G cellular networks: Theory and practice | |
CN102017682B (zh) | 一种下行小区间干扰协调方法和基站 | |
Khan et al. | Efficient power allocation for multi-cell uplink NOMA network | |
CN104660394A (zh) | 一种基于效用函数和价格机制的频谱资源分配方法 | |
CN103249157A (zh) | 不完美csi条件下的基于跨层调度机制的资源分配方法 | |
Zhang et al. | Energy-efficient resource allocation in NOMA heterogeneous networks with energy harvesting | |
Xu et al. | Energy-efficient cross-layer resource allocation for heterogeneous wireless access | |
Joda et al. | Carrier aggregation with optimized UE power consumption in 5G | |
Asadi et al. | Floating band D2D: Exploring and exploiting the potentials of adaptive D2D-enabled networks | |
Aramide et al. | Generalized proportional fair (GPF) scheduler for LTE-A | |
Xiao et al. | Joint uplink and downlink resource allocation in full-duplex OFDMA networks | |
Gong et al. | Round-robin resource sharing algorithm for device-to-device multicast communications underlying single frequency networks | |
CN102655492A (zh) | 基于物理层安全的协同ofdma系统子载波分配方法 | |
Chai et al. | Service characteristics-oriented joint ACB, cell selection, and resource allocation scheme for heterogeneous M2M communication networks | |
Mishra et al. | Analysis of downlink connectivity in NB-IoT networks employing NOMA with imperfect SIC | |
Bigdeli et al. | Globally optimal resource allocation and time scheduling in downlink cognitive CRAN favoring big data requests | |
Yang et al. | Slicing allocation optimization based on MEC service-aware in 5G smart grids enabled surveillance system | |
Nizam et al. | Resource allocation algorithm for d2d communication in cellular networks based on hungarian algorithm | |
Zhang et al. | Group-based joint signaling and data resource allocation in MTC-underlaid cellular networks | |
CN108024370B (zh) | 一种基于认知的原始资源与检测出的空穴资源联合分配方法 | |
Wang et al. | Joint WiFi offloading and resource allocation for RF-powered wireless networks assisted by ambient backscatter | |
Feng et al. | Joint millimeter wave and microwave wave resource allocation design for dual-mode base stations | |
CN104185184A (zh) | 一种基于max-min公平的多小区资源分配方法 | |
Gao et al. | Robust power control for QoS guarantee in two-tier femtocell networks |
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 |