CN105007629A - 超密集小小区网络系统中无线资源分配方法 - Google Patents

Abstract

本发明实施例提供了一种超密集小小区网络系统中无线资源分配方法。该方法主要包括：在每个小小区中将最大的信道增益对应的小小区的信道分配给指定的用户终端；计算出每个小小区在各个信道上的信道容量，基于所有小小区的信道容量之和最大的原则按照分布式功率控制算法计算出每个小小区的每个信道上的发射功率。本发明实施例通过使用分布式的无线资源分配算法，使得每个小小区基站在本地求解各个信道上的最优发射功率，避免了由宏基站集中式控制所有小小区的资源分配所带来的网络架构的复杂臃肿和大量信令开销，增加了系统的灵活性，实效性和鲁棒性，适应了现代化扁平化网络结构的发展潮流，实现了绿色通信的过程。

Description

超密集小小区网络系统中无线资源分配方法

技术领域

本发明实施例涉及无线通信技术领域，尤其涉及一种超密集小小区网络系统中无线资源分配方法。

背景技术

预计到2018年全球移动数据流量的规模将达到15.9EB，比2013年增长将近11倍，但由于宏网站址已经很密，继续加密非常困难，因此运营商迫切需要既能分流宏蜂窝流量又布网简单易行的解决方案。小小区(Small cell)由于具有低功率，覆盖范围小，组网灵活的特点，特别适合用于城市地区的补盲以及热点区域的分流。小小区融合了家庭基站(Femtocell)，微微蜂窝小区(Picocell)，微蜂窝(Microcell)，中继(Relay)和分布式无线技术，可用来扩展覆盖范围并提升网络容量，在繁忙地区，小小区可以分流80％的流量。因此，超密集小小区网络系统成了5G时代的一个关键技术。

由于小小区的覆盖范围小，运营商在城市热点地区，会大规模地部署小小区来分流网络流量，因此必然造成相邻的大量小小区之间产生同频干扰，降低系统的信道容量。有研究人员采用集中式的子载波分配和功率分配方案，从而最大化系统的信道容量，具体算法如下：

考虑一个超密集小小区网络系统中，每个小小区都是正交频分多址(OFDMA，Orthogonal Frequency Division Multiple Access)系统，共有N个小小区，每个小小区使用K个OFDMA子载波，信道增益为表示基站j对小小区i中子载波k的信道增益，因此小小区i在子载波k上的信干噪比(SINR，Signal to Interference plus Noise Ratio)为：

${\mathrm{SINR}}_i^k=P_i^k{G}_i^k/({\mathrm{\σ}}^2+\underset{j\≠i}{\mathrm{\Σ}}{P}_j^k{G}_{\mathrm{ji}}^k+P_{\mathrm{mi}}{G}_{\mathrm{mi}}^k)---\left(1\right)$

其中是基站i在子载波k上的发射功率，表示小小区i在子载波k上的信道增益，σ²是加性高斯白噪声(AWGN，Additive White Gaussian Noise)功率。P_mi表示宏基站到小小区i子载波k上的发射功率，表示相应的信道增益。由此可以得到小小区i在信道k上的信道容量为：

$R_i^k=\log (1+{\mathrm{SINR}}_i^k)---\left(2\right)$

集中式的最优化算法目标函数是最大化系统的总信道容量：

$\max \mathrm{imize\; R}=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{R}_i^k{b}_i^k$

$s.t.\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{P}_i^k\≤P_{\mathrm{total}},\∀i$

$b_i^k=\left\{\mathrm{0,1}\right\},\∀k,i---\left(3\right)$

其中是子载波分配标示值，取值为0或1，当等于1时表示小区i的子载波k被分配占用，否则等于0。P_total表示小小区i的发射功率上限。

可以看出上述最优化问题是一个非线性混合整数规划问题(MINLP,Mixed Integer Nonlinear Programming)，即它的规划变量的取值既有整数，又有非整数，这是一个非确定性多项式难度(NP-hard,Non-deterministic Polynomial Hard)的问题。NP-hard问题是不可能找到多项式时间算法的问题。迄今为止，还没有找到有效的方法来解决上述NP-hard问题。

现有技术中的一种解决上述最优化问题的方法是：采用集中式的资源分配方法，在该方法中，宏基站控制所有小小区的资源分配，宏基站需要知道所有小小区的信息。

上述现有技术中的解决上述最优化问题的方法的缺点是：该方法给宏基站造成了很大的负担，而且计算复杂度很高。尤其是在小小区超密集分布的场景中，宏基站接收到的所有小小区基站的信令开销大，使用的子载波分配 算法和功率控制算法得到的结果的时效性较低，不能适应现在网络结构越来越扁平化的需求。

发明内容

本发明实施例的实施例提供了一种超密集小小区网络系统中无线资源分配方法，以实现在各个小小区的各个信道上进行高效率的资源分配。

一种超密集小小区网络系统中无线资源分配方法，构造包含宏基站和多个小小区的超密集小小区网络系统，所述宏基站和各个小小区基站的发射频率相同，所述方法具体包括：

计算出每个小小区在各个信道上的信道增益，将最大的信道增益对应的小小区的信道分配给指定的用户终端；

计算出每个小小区在各个信道上的信道容量，将小小区的所有信道的信道容量进行相加得到小小区的信道容量，基于所有小小区的信道容量之和最大的原则按照分布式功率控制算法计算出每个小小区的每个信道上的发射功率。

优选地，所述的计算出每个小小区在各个信道上的信道增益，将最大的信道增益对应的小小区的信道分配给指定的用户，包括：

每个小小区基站侦听本小小区中的每个信道上的来自用户终端的反馈信号，根据每个信道上的反馈信号的强度计算出每个信道的信道增益，每个小小区基站广播本小小区中的各个信道的信道增益；

每个小小区基站将本小小区中的每个信道的信道增益进行比较，将最大的信道增益对应的信道分配给指定的用户。

优选地，所述的方法还包括：

设小小区i在子载波k上要发送的数据流服从参数为的泊松分布，所述子载波k上要发送的数据流一次产生的流量长度服从参数为的指数分布，小小区i中在子载波k上的最大时延限制值为

则所述子载波k上数据流的传输时延的计算公式为：

$D_i^k=1/({\mathrm{\Γ}}_i^k{R}_i^k-{\mathrm{\ξ}}_i^k),$

并且， $D_i^k\≤d_{i\max }^k.$

优选地，所述的计算出每个小小区在各个信道上的信道容量包括：

设超密集小小区网络系统中有N个小小区，每个小小区使用相同的K个子载波，每个子载波对应一个信道，则小小区i在子载波k上的信干噪比的计算公式为：

${\mathrm{SINR}}_i^k=P_i^k{G}_i^k/({\mathrm{\σ}}^2+\underset{j\≠i}{\mathrm{\Σ}}{P}_j^k{G}_{\mathrm{ji}}^k)$

所述为小小区i在子载波k上的发射功率，为小小区i在子载波k上的信道增益，为小小区j在子载波k上的发射功率，σ²为加性高斯白噪声功率，为基站j对小小区i中子载波k的信道增益；

小小区i在子载波k上的信道容量的计算公式为：

$R_i^k=\log (1+{\mathrm{SINR}}_i^k).$

优选地，所述的基于所有小小区的信道容量之和最大化的原则按照分布式功率控制算法计算出每个小小区的每个信道上的发射功率，包括：

设置所有小小区的各个信道的信道容量最大的优化目标函数为

$\max \mathrm{imizeR}=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{R}_i^k{b}_i^k==\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{b}_i^k\log (1+P_i^k{G}_i^k/({\mathrm{\σ}}^2+\underset{j\≠i}{\mathrm{\Σ}}{P}_j^k{G}_{\mathrm{ji}}^k))$

s.t.

$C1:\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{P}_i^k\≤P_{\mathrm{total}},\∀i$

$C3:1/({\mathrm{\Γ}}_i^k{R}_i^k-{\mathrm{\ξ}}_i^k)\≤d_{i\max }^k,\∀i,k$            公式8

所述取值为0或1，当等于1时表示小小区i的子载波k被分配占用，等于0表示小小区i的子载波k未被分配使用，所述表示小小区i在每个信道上的发射功率之和小于小小区i的总的功率限制P_total，所述

表示小小区i的子载波k上的数据流的传输时延小于设定的小小区i中在子载波k上的最大时延限制值为

令 z_i＝logZ_i，则转化后的所述最优化目标函数为：

$\min \mathrm{imize}:\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{b}_i^k\log (({\mathrm{\σ}}^2+\exp \left(z_i\right))/G_i^k\exp \left(y_i^k\right))$

s.t.

$C1:\underset{k=1}{\overset{K}{\mathrm{\Σ}}}\exp \left(y_i^k\right)\≤P_{\mathrm{total}},\∀i$

$C2:\log (({\mathrm{\σ}}^2+\exp \left(z_i\right))/G_i^k\exp \left(y_i^k\right))\≤-[({\left(d_{i\max }^k\right)}^{-1}+{\mathrm{\ξ}}_i^k)/{\mathrm{\Γ}}_i^k],\∀i,k$

$C3:\exp \left(z_i\right)=\underset{j\≠i}{\mathrm{\Σ}}{G}_{\mathrm{ji}}^k\exp \left(y_j^k\right),\∀i$       公式9

使用拉格朗日乘子法求解所述转化后的最优化目标函数,所述拉格朗日乘子法对应的拉格朗日函数为：

$\begin{array}{c}L=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{b}_i^k\log (({\mathrm{\σ}}^2+\exp \left(z_i\right))/G_i^k\exp \left(y_i^k\right))+\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\λ}}_i(\underset{k=1}{\overset{K}{\mathrm{\Σ}}}\exp \left(y_i^k\right)-P_{\mathrm{total}})\\ +\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{\mathrm{\μ}}_i^k(\log (({\mathrm{\σ}}^2+\exp \left(z_i\right))/G_i^k\exp \left(y_i^k\right))+[({\left(d_{i\max }^k\right)}^{-1}+{\mathrm{\ξ}}_i^k)/{\mathrm{\Γ}}_i^k\left]\right)\\ +\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\γ}}_{\mathrm{ij}}(\underset{j\≠i}{\mathrm{\Σ}}{G}_{\mathrm{ji}}^k\exp \left(y_j^k\right)-\exp \left(z_i\right))\end{array}$ 公式10

在所述拉格朗日函数中，为拉格朗日乘数，γ_ij为连续性因子，在分布式的算法中，设表示把全局拉格朗日函数分解成每个小区本地的拉格朗日乘子式，即可得到：

$\begin{array}{c}{L}_i=\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{b}_i^k\log (({\mathrm{\σ}}^2+\exp \left(z_i\right))/G_i^k\exp \left(y_i^k\right))+{\mathrm{\λ}}_i(\underset{k=1}{\overset{K}{\mathrm{\Σ}}}\exp \left(y_i^k\right)-P_{\mathrm{total}})\\ +\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{\mathrm{\μ}}_i^k(\log (({\mathrm{\σ}}^2+\exp \left(z_i\right))/G_i^k\exp \left(y_i^k\right))+[({\left(d_{i\max }^k\right)}^{-1}+{\mathrm{\ξ}}_i^k)/{\mathrm{\Γ}}_i^k\left]\right)\\ +\left(\underset{j\≠i}{\mathrm{\Σ}}{\mathrm{\γ}}_{\mathrm{ji}}{G}_{\mathrm{ji}}^k\right)\exp \left(y_j^k\right)-{\mathrm{\γ}}_{\mathrm{ij}}\exp \left(z_i\right)\end{array}$   公式11

通过求导数可得到最优解

由此每个小小区基站可计算出本小小区在各个信道上的发射功率，即：

$P_i^k=\exp \left(y_i^k\right)=\frac{\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{b}_i^k+\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{\mathrm{\μ}}_i^k}{\underset{j\≠i}{\mathrm{\Σ}}{\mathrm{\γ}}_{\mathrm{ji}}{G}_{\mathrm{ji}}^k+{\mathrm{\λ}}_i}$      公式12

所述的计算公式中的三个因子用子梯度迭代法计算出。

优选地，所述的三个因子用子梯度迭代法计算出，包括：

${\mathrm{\λ}}_i\left(t\right)={[{\mathrm{\λ}}_i(t-1)+\mathrm{\α}\left(t\right)(\underset{k=1}{\overset{K}{\mathrm{\Σ}}}\exp \left(y_i^k\right)-P_{\mathrm{total}})]}^{+}$       公式13

${\mathrm{\μ}}_i^k\left(t\right)={\{{\mathrm{\μ}}_i^k(t-1)+\mathrm{\β}\left(t\right)(\log (({\mathrm{\σ}}^2+\exp \left(z_i\right))/G_i^k\exp \left(y_i^k\right))+[({\left(d_{i\max }^k\right)}^{-1}+{\mathrm{\ξ}}_i^k)/{\mathrm{\Γ}}_i^k\left]\right)\}}^{+}$ 公式14

${\mathrm{\γ}}_{\mathrm{ij}}\left(t\right)={[{\mathrm{\γ}}_{\mathrm{ij}}(t-1)+\mathrm{\η}\left(t\right)(\underset{j\≠i}{\mathrm{\Σ}}{G}_{\mathrm{ji}}^k\exp \left(y_j^k\right)-\exp \left(z_i\right))]}^{+}$ 公式15

其中，[x]⁺＝max{x,0}，t表示迭代时间，α(t),β(t),η(t)表示迭代步长，变量z_i可通过求导来求解，可得：

$\exp \left(z_i\right)=\frac{\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{b}_i^k+\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{\mathrm{\μ}}_i^k}{{\mathrm{\γ}}_{\mathrm{ij}}}-{\mathrm{\σ}}^2$         公式16。

优选地，所述的方法还包括：

步骤1、各个小小区基站初始化λ_i(t)和本小小区在各个信道的发射功率、 和γ_ij(t)，并设定迭代参数α(t)＞0,β(t)＞0,η(t)＞0，各个信道的用户终端在小小区内广播用户终端所在的信道的参数

步骤2、各个小小区基站根据侦听到的用户终端的反馈信号计算出本小小区中的各个信道的信道增益，将本小小区中的各个信道的信道增益和发射功率广播到网络中；

步骤3、各个占用小小区信道的用户终端根据得到的初始化参数和得到的其他小小区的信道条件和发射功率，利用上述公式16计算出参数exp(z_i)，并根据上述根据公式(14)和(15)计算出和γ_ij(t)，并把计算出的和γ_ij(t)广播到网络中；

步骤4、各个小小区基站根据接收到的所有用户终端广播的参数γ_ji(t)，利用上述公式13更新λ_i(t)，并利用上述公式12更新本小小区中的各个信道的发射功率，并把本小小区中的各个信道的发射功率广播到网络中；

步骤5、重复上述步骤2到第步骤4，直到得到的各个小小区中的各个信道的发射功率收敛，则表示各个小小区达到了最优的发射功率分配。

由上述本发明实施例的实施例提供的技术方案可以看出，本发明实施例通过使用分布式的无线资源分配算法，使得每个小小区基站在本地求解各个信道上的最优发射功率，避免了由宏基站集中式控制所有小小区的资源分配所带来的网络架构的复杂臃肿和大量信令开销，增加了系统的灵活性，实效性和鲁棒性，适应了现代化扁平化网络结构的发展潮流，实现了绿色通信的过程。

本发明实施例附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明实施例的实践了解到。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明实施例的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种超密集小小区网络系统的OFDMA系统的场景示意图；

图2为本发明实施例提供的一种超密集小小区网络系统中无线资源分配方法的处理流程图；

图3为本发明实施例提供的一种分布式的资源分配方法中的小小区基站和用户终端之间的信令交换流程图。

具体实施方式

下面详细描述本发明实施例的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明实施例，而不能解释为对本发明实施例的限制。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明实施例的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的 列出项的任一单元和全部组合。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明实施例所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

为便于对本发明实施例的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个实施例并不构成对本发明实施例的限定。

实施例一

本发明实施例提出一种分布式的资源分配算法，使各个小小区的基站能够通过一定信息的交互之后分配本小小区的无线资源，并最终达到最大化系统容量的目的。

在未来的5G通信中，无线通信网络正朝着网络多元化、宽带化、综合化、智能化的方向演进。随着各种智能终端的普及，数据流量将出现井喷式的增长。未来数据业务将主要分布在室内和热点地区，这使得超密集网络成为实现未来5G的1000倍流量需求的主要手段之一。超密集网络能够改善网络覆盖，大幅度提升系统容量，并且对业务进行分流，具有更灵活的网络部署和更高效的频率复用。这种超密集网络部署方案也使得网络拓扑更加复杂，小区间干扰已经成为制约系统容量增长的主要因素，极大地降低了网络能效。干扰消除、小区快速发现、密集小区间协作、基于终端能力提升的移动性增强方案等，都是目前超密集网络方面的研究热点。在这样的研究背景下，本发明实施例面向城市热点区域超密集分布的小小区部署网络的OFDMA系统。

本发明实施例提供的一种超密集小小区网络系统的OFDMA系统的场景图如图1所示，系统是包含1个宏基站和多个小小区的OFDMA系统，小小区和宏基站同频部署，小小区使用时分双工(TDD，Time Division Duplexing)模式， 本发明实施例研究的是下行通信中的资源分配问题。如图1所示，小小区1中的用户受到宏基站和其他小小区基站的下行干扰。

假设系统中共有N个小小区，每个小小区使用K个OFDMA子载波，信道增益为表示基站j对小小区i中子载波k的信道增益，此处把宏基站的干扰并入其他小小区对小小区i的干扰中，比如设置j＝0时，表示宏基站的干扰，因此可得到小小区i在子载波k上的信干噪比的计算公式为：

${\mathrm{SINR}}_i^k=P_i^k{G}_i^k/({\mathrm{\σ}}^2+\underset{j\≠i}{\mathrm{\Σ}}{P}_j^k{G}_{\mathrm{ji}}^k)---\left(4\right)$

上述公式中的为小小区i在子载波k上的发射功率，为小小区i在子载波k上的信道增益，为在子载波k上的发射功率，σ²为加性高斯白噪声功率，为基站j对小小区i中子载波k的信道增益。 

由小小区i在子载波k上的信干噪比可以得到小小区i在子载波k上的信道容量为：

$R_i^k=\log (1+{\mathrm{SINR}}_i^k).---\left(5\right)$

基于上述图1所示的系统场景，本发明实施例提供的一种超密集小小区网络系统中无线资源分配方法的处理流程如图2所示，包括如下的处理步骤：

步骤S210：宏基站和小小区使用相同频段，采用频谱共享的模式。宏基站给各个小小区分配相应频段的信道，小小区基站为本小小区的用户终端分配初始的相应频段的子载波，该子载波也可以称为信道，每个子载波(信道)分配给一个用户终端，用户终端和子载波(信道)一一对应。

步骤S220：每个小小区基站侦听本小小区中的每个信道上的来自用户终端的反馈信号，根据每个信道上的反馈信号的强度计算出每个信道的信道增益然后，每个小小区基站广播自己各个信道的信道增益和在该信道的发射功率

每个小小区基站将本小小区中的每个信道的信道增益进行比较，将最大 的信道增益对应的信道分配给指定的用户。比如，分配给优先级高的用户。

每个小小区基站也可以接收到其它小小区基站广播的信息，都可以获得来自其他小小区的信道条件，计算出相应的总干扰

步骤S230：对于每个小小区，都最大化自己的信道容量，即：

$\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{R}_i^k{b}_i^k$

$s.t.C1:\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{P}_i^k\≤P_{\mathrm{total}},\∀i---\left(6\right)$

$C2:b_i^k=\left\{\mathrm{0,1}\right\},\∀k,i$

$C3:1/({\mathrm{\Γ}}_i^k{R}_i^k-{\mathrm{\ξ}}_i^k)\≤d_{i\max }^k,\∀k,i$

限制条件C1表示小小区i在每个信道上的发射功率之和小于总的功率限制P_total，每个小小区都有自己的最大限制功率P_total，这是由每个小小区基站自己设定的固定值。

限制条件C2表示子载波分配标示值，取值为0或1，当等于1时表示小小区i的子载波k被分配占用，等于0表示该子载波k未被分配使用。此处使用贪婪的子载波分配算法确定子载波的分配

$b_i^k=\left\{\begin{array}{c}1,i={\left(i_{\mathrm{opt}}\right)}_k\\ 0,\mathrm{otherwise}\end{array}\right.,\∀k,i---\left(7\right)$

其中每一个小小区基站优先分配本小小区内信道条件最好的子载波，这里的信道条件最好的子载波指的是信道增益最大的子载波。

小小区根据步骤S220得到的各个子载波对应的信道增益，获取信道条件最好的子载波，在每一个小小区内部，在用户终端请求接入到小小区基站中时，小小区基站可以根据用户终端的请求信号计算出用户终端所在的信道的信道增益。小小区基站采用贪婪的子载波自主分配算法，将最大的信道增益对应的信道分配给指定的用户终端。比如，分配给优先级高的用户终端，保证使用该子载波的用户终端能得到较好的信噪比。

在每个小小区中的贪婪的子载波自主分配算法过程如下：

限制条件C3是为了提升用户的QoS，而在本发明实施例中加入的时延约束条件。设小小区i在子载波k上要发送的数据服从参数为的泊松分布，数据流一次产生的流量长度服从参数为的指数分布，本发明实施例中考虑先进先出(FIFO,First Input First Output)队列和M/M/1队列模型，则可以得到预期的时延为：设定小小区中每一个信道都有最大时延限制值满足限制条件每个小小区基站可根据要接入该小小区 的用户的优先级或业务的不同而为每个用户设置不同的时延限制值和 也是由小小区基站测得的。此限制条件保证了小小区用户的服务质量。

步骤S240：设置所有小小区的各个信道的信道容量最大的优化目标函数为 $\max \mathrm{imizeR}=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{R}_i^k{b}_i^k.$

本发明实施例基于上述优化目标函数maximize R，按照分布式功率控制算法计算出各个小小区的各个信道上的最佳发射功率。

因为小小区的信道衰落小，信噪比较大，可近似1+SINR≈SINR,即最优化目标函数为：

$\max \mathrm{imize}:R=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{b}_i^k\log (1+P_i^k{G}_i^k/({\mathrm{\σ}}^2+\underset{j\≠i}{\mathrm{\Σ}}{P}_j^k{G}_{\mathrm{ji}}^k))$

$s.t.C1:\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{P}_i^k\≤P_{\mathrm{total}},\∀i---\left(8\right)$

$C3:1/({\mathrm{\Γ}}_i^k{R}_i^k-{\mathrm{\ξ}}_i^k)\≤d_{i\max }^k,\∀i,k$

此功率分配是非线性，非凸优化问题，不能保证所得结果是全局最优解。本发明实施例中使用几何规划的数学方法将上述问题转化成凸优化问题，凸优化的局部最优解就是全局最优解，由此可以保证求解得到的功率分配是全局最优的。

使用几何规划求解过程中，引入新变量令也就是在分布式算法中，各个基站之间有信令交互，由步骤S220可知每个基站的信道都可以估计出来自其他小小区的信道干扰，即设是已知的，同样设置变量z_i＝logZ_i，即可得到在高信干噪比的信道条件下，可将上述优化问题转化为几何规划的凸优化问题，可得转化后的最优化目标函数为：

$\min \mathrm{imize}:\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{b}_i^k\log (({\mathrm{\σ}}^2+\exp \left(z_i\right))/G_i^k\exp \left(y_i^k\right))$

s.t.

$C1:\underset{k=1}{\overset{K}{\mathrm{\Σ}}}\exp \left(y_i^k\right)\≤P_{\mathrm{total}},\∀i$

$C2:\log (({\mathrm{\σ}}^2+\exp \left(z_i\right))/G_i^k\exp \left(y_i^k\right))\≤-[({\left(d_{i\max }^k\right)}^{-1}+{\mathrm{\ξ}}_i^k)/{\mathrm{\Γ}}_i^k],\∀i,k---\left(9\right)$

$C3:\exp \left(z_i\right)=\underset{j\≠i}{\mathrm{\Σ}}{G}_{\mathrm{ji}}^k\exp \left(y_j^k\right),\∀i$

上述公式9中的转化后的最优化目标函数满足log-sum-exp的形式，则是凸函数；由于sum-exp是凸函数，所以条件C1是凸函数；C2可变换成sum-exp的形式，故也是凸函数；限制条件C3是等式，由此可知该优化问题是凸优化问题。可使用拉格朗日乘子法求解即可得到全局最优解，该拉格朗日函数为：

$\begin{array}{c}L=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{b}_i^k\log (({\mathrm{\σ}}^2+\exp \left(z_i\right))/G_i^k\exp \left(y_i^k\right))+\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\λ}}_i(\underset{k=1}{\overset{K}{\mathrm{\Σ}}}\exp \left(y_i^k\right)-P_{\mathrm{total}})\\ +\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{\mathrm{\μ}}_i^k(\log (({\mathrm{\σ}}^2+\exp \left(z_i\right))/G_i^k\exp \left(y_i^k\right))+[({\left(d_{i\max }^k\right)}^{-1}+{\mathrm{\ξ}}_i^k)/{\mathrm{\Γ}}_i^k\left]\right)\\ +\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\γ}}_{\mathrm{ij}}(\underset{j\≠i}{\mathrm{\Σ}}{G}_{\mathrm{ji}}^k\exp \left(y_j^k\right)-\exp \left(z_i\right))\end{array}---\left(10\right)$

在上述拉格朗日函数中，为拉格朗日乘数，γ_ij是为增强平等限制条件的连续性因子。在分布式的算法中，设表示把全局拉格朗日函数分解成每个小区本地的拉格朗日乘子式，即可得到：

$\begin{array}{c}{L}_i=\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{b}_i^k\log (({\mathrm{\σ}}^2+\exp \left(z_i\right))/G_i^k\exp \left(y_i^k\right))+{\mathrm{\λ}}_i(\underset{k=1}{\overset{K}{\mathrm{\Σ}}}\exp \left(y_i^k\right)-P_{\mathrm{total}})\\ +\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{\mathrm{\μ}}_i^k(\log (({\mathrm{\σ}}^2+\exp \left(z_i\right))/G_i^k\exp \left(y_i^k\right))+[({\left(d_{i\max }^k\right)}^{-1}+{\mathrm{\ξ}}_i^k)/{\mathrm{\Γ}}_i^k\left]\right)\\ +\left(\underset{j\≠i}{\mathrm{\Σ}}{\mathrm{\γ}}_{\mathrm{ji}}{G}_{\mathrm{ji}}^k\right)\exp \left(y_j^k\right)-{\mathrm{\γ}}_{\mathrm{ij}}\exp \left(z_i\right)\end{array}---\left(11\right)$

通过求导数可得到最优解

由此每个小小区本地可计算出在各个信道上的发射功率，即：

$P_i^k=\exp \left(y_i^k\right)=\frac{\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{b}_i^k+\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{\mathrm{\μ}}_i^k}{\underset{j\≠i}{\mathrm{\Σ}}{\mathrm{\γ}}_{\mathrm{ji}}{G}_{\mathrm{ji}}^k+{\mathrm{\λ}}_i}---\left(12\right)$

上式(12)可求得每个小小区的各个信道的发射功率，由公式12可以看出需要求出三个因子。本发明实施例中用子梯度迭代法来更新三个因子，迭代过程如下：

${\mathrm{\λ}}_i\left(t\right)={[{\mathrm{\λ}}_i(t-1)+\mathrm{\α}\left(t\right)(\underset{k=1}{\overset{K}{\mathrm{\Σ}}}\exp \left(y_i^k\right)-P_{\mathrm{total}})]}^{+}---\left(13\right)$

${\mathrm{\μ}}_i^k\left(t\right)={\{{\mathrm{\μ}}_i^k(t-1)+\mathrm{\β}\left(t\right)(\log (({\mathrm{\σ}}^2+\exp \left(z_i\right))/G_i^k\exp \left(y_i^k\right))+[({\left(d_{i\max }^k\right)}^{-1}+{\mathrm{\ξ}}_i^k)/{\mathrm{\Γ}}_i^k\left]\right)\}}^{+}---\left(14\right)$

${\mathrm{\γ}}_{\mathrm{ij}}\left(t\right)={[{\mathrm{\γ}}_{\mathrm{ij}}(t-1)+\mathrm{\η}\left(t\right)(\underset{j\≠i}{\mathrm{\Σ}}{G}_{\mathrm{ji}}^k\exp \left(y_j^k\right)-\exp \left(z_i\right))]}^{+}---\left(15\right)$

其中，[x]⁺＝max{x,0}，t表示迭代时间，α(t),β(t),η(t)表示迭代步长。变量z_i可通过求导 $\frac{{\∂L}_i}{{\∂z}_i}=0$ 来求解，可得： $\exp \left(z_i\right)=\frac{\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{b}_i^k+\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{\mathrm{\μ}}_i^k}{{\mathrm{\γ}}_{\mathrm{ij}}}-{\mathrm{\σ}}^2---\left(16\right)$

在每个小小区计算自己各个信道的发射功率时，需要计算来自其他小小区的干扰和拉格朗日因子。因此需要各个小区之间的部分信令交换。

本发明实施例研究的超密集小小区网络系统的资源分配即上面所写的子载波分配和功率分配过程。总的来说就是各个小小区基站根据宏基站分配的频段使用贪婪的子载波分配算法给自己小小区的用户分配信道条件较好的信道，之后在最大化整个系统吞吐量时，根据拉格朗日乘子法求得各个小区的发射功率，使用子梯度迭代法求得最优的发射功率。

本发明实施例的上述分布式的资源分配方法中的小小区基站和用户终端之间的信令交换流程如图3所示，具体的信令交互过程为：

第一步：各个小小区基站初始化λ_i(t)和其在各个信道的发射功率，和γ_ij(t)。并设定迭代参数α(t)＞0,β(t)＞0,η(t)＞0。而且各个信道需要在小小区内广播其参数

第二步：各个小小区基站根据侦听到的反馈信号得到各个信道增益，并把自己的信道增益和自己在相应信道中的发射功率广播到网络中，这样每个小小区都可以得到来自其他小小区的各个信道的信道增益和发射功率。

第三步：各个占用小小区信道的用户根据得到的初始化参数和得到的其他小小区的信道条件和发射功率可以由公式(16)计算出参数exp(z_i)，然后可以根据公式(14)和(15)计算出和γ_ij(t)。并把计算出的这两个参数广播到别的小小区中。

第四步：各个小小区基站接收参数γ_ji(t)并根据公式(13)更新λ_i(t)，则可以由公式(12)更新得到各个信道的发射功率，并把发射功率广播出去。

第五步：重复步第二步到第四步，直到得到的发射功率收敛，则表示达到了最优的发射功率分配。

上述分布式功率控制算法的详解如下：

综上所述，本发明实施例提供了一种应用于超密集Small Cell网络中的分布式无线资源分配方法。本发明实施例具有如下的有益效果：

1)通过使用分布式的无线资源分配算法，使得每个小小区基站在本地求解各个信道上的最优发射功率，避免了由宏基站集中式控制所有小小区的资源分配所带来的网络架构的复杂臃肿和大量信令开销，增加了系统的灵活性，实效性和鲁棒性，适应了现代化扁平化网络结构的发展潮流，实现了绿色通信的过程。

2)通过加入辅助变量，将集中式目标函数的拉格朗日乘子式分割为多个分布式的本地拉格朗日乘子式，并使用几何规划的数学方法将非凸优化问题转化为凸优化问题，使得小小区基站能够在本地求解全局最优解，得到各个信道上最优的功率分配的结果。

3)引入最大时延的约束条件，保证了用户的服务质量，并可以通过调整时延约束值的大小来满足用户不同业务的需求。

本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中 的模块或流程并不一定是实施本发明实施例所必须的。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明实施例可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明实施例各个实施例或者实施例的某些部分所述的方法。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上所述，仅为本发明实施例较佳的具体实施方式，但本发明实施例的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明实施例揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明实施例的保护范围之内。因此，本发明实施例的保护范围应该以权利要求的保护范围为准。

Claims (7)

1.一种超密集小小区网络系统中无线资源分配方法，其特征在于，构造包含宏基站和多个小小区的超密集小小区网络系统，所述宏基站和各个小小区基站的发射频率相同，所述方法具体包括：

计算出每个小小区在各个信道上的信道增益，将最大的信道增益对应的小小区的信道分配给指定的用户终端；

计算出每个小小区在各个信道上的信道容量，将小小区的所有信道的信道容量进行相加得到小小区的信道容量，基于所有小小区的信道容量之和最大的原则按照分布式功率控制算法计算出每个小小区的每个信道上的发射功率。

2.根据权利要求1所述的超密集小小区网络系统中无线资源分配方法，其特征在于，所述的计算出每个小小区在各个信道上的信道增益，将最大的信道增益对应的小小区的信道分配给指定的用户，包括：

每个小小区基站侦听本小小区中的每个信道上的来自用户终端的反馈信号，根据每个信道上的反馈信号的强度计算出每个信道的信道增益，每个小小区基站广播本小小区中的各个信道的信道增益；

每个小小区基站将本小小区中的每个信道的信道增益进行比较，将最大的信道增益对应的信道分配给指定的用户。

3.根据权利要求1所述的超密集小小区网络系统中无线资源分配方法，其特征在于，所述的方法还包括：

设小小区i在子载波k上要发送的数据流服从参数为的泊松分布，所述子载波k上要发送的数据流一次产生的流量长度服从参数为的指数分布，小小区i中在子载波k上的最大时延限制值为

则所述子载波k上数据流的传输时延的计算公式为：

并且，

4.根据权利要求1或2或3所述的超密集小小区网络系统中无线资源分配方法，其特征在于，所述的计算出每个小小区在各个信道上的信道容量包括：

设超密集小小区网络系统中有N个小小区，每个小小区使用相同的K个子载波，每个子载波对应一个信道，则小小区i在子载波k上的信干噪比的计算公式为：

所述为小小区i在子载波k上的发射功率，为小小区i在子载波k上的信道增益，为小小区j在子载波k上的发射功率，σ²为加性高斯白噪声功率，为基站j对小小区i中子载波k的信道增益；

小小区i在子载波k上的信道容量的计算公式为：

5.根据权利要求4所述的超密集小小区网络系统中无线资源分配方法，其特征在于，所述的基于所有小小区的信道容量之和最大化的原则按照分布式功率控制算法计算出每个小小区的每个信道上的发射功率，包括：

设置所有小小区的各个信道的信道容量最大的优化目标函数为

s.t.

   公式8

所述取值为0或1，当等于1时表示小小区i的子载波k被分配占用， 等于0表示小小区i的子载波k未被分配使用，所述表示小小区i在每个信道上的发射功率之和小于小小区i的总的功率限制P_total，所述

表示小小区i的子载波k上的数据流的传输时延小于设定的小小区i中在子载波k上的最大时延限制值为

令则转化后的所述最优化目标函数为：

s.t.

   公式9

使用拉格朗日乘子法求解所述转化后的最优化目标函数,所述拉格朗日乘子法对应的拉格朗日函数为：

  公式10

在所述拉格朗日函数中，λ_i,为拉格朗日乘数，γ_ij为连续性因子，在分布式的算法中，设表示把全局拉格朗日函数分解成每个小区本地的拉格朗日乘子式，即可得到：

公式11

通过求导数可得到最优解

由此每个小小区基站可计算出本小小区在各个信道上的发射功率，即：

   公式12

所述的计算公式中的λ_i,γ_ij三个因子用子梯度迭代法计算出。

6.根据权利要求5所述的超密集小小区网络系统中无线资源分配方法，其特征在于，所述的三个因子用子梯度迭代法计算出，包括：

      公式13

   公式14

    公式15

其中，[x]⁺＝max{x,0}，t表示迭代时间，α(t),β(t),η(t)表示迭代步长，变量z_i可通过求导来求解，可得：

         公式16。

7.根据权利要求6所述的超密集小小区网络系统中无线资源分配方法，其特征在于，所述的方法还包括：

步骤1、各个小小区基站初始化λ_i(t)和本小小区在各个信道的发射功率、 和γ_ij(t)，并设定迭代参数α(t)＞0,β(t)＞0,η(t)＞0，各个信道的用户终端在小小区内广播用户终端所在的信道的参数

步骤2、各个小小区基站根据侦听到的用户终端的反馈信号计算出本小小区中的各个信道的信道增益，将本小小区中的各个信道的信道增益和发射功率广播到网络中；

步骤3、各个占用小小区信道的用户终端根据得到的初始化参数和得到的其他小小区的信道条件和发射功率，利用上述公式16计算出参数exp(z_i)，并根据上述根据公式(14)和(15)计算出和γ_ij(t)，并把计算出的和γ_ij(t)广播到网络中；

步骤4、各个小小区基站根据接收到的所有用户终端广播的参数γ_ji(t)，利用上述公式13更新λ_i(t)，并利用上述公式12更新本小小区中的各个信道的发射功率，并把本小小区中的各个信道的发射功率广播到网络中；

步骤5、重复上述步骤2到第步骤4，直到得到的各个小小区中的各个信道的发射功率收敛，则表示各个小小区达到了最优的发射功率分配。