CN105376844B - 一种认知无线网络中基于单调性优化与模拟退火的功率控制方法 - Google Patents
一种认知无线网络中基于单调性优化与模拟退火的功率控制方法 Download PDFInfo
- Publication number
- CN105376844B CN105376844B CN201510649837.3A CN201510649837A CN105376844B CN 105376844 B CN105376844 B CN 105376844B CN 201510649837 A CN201510649837 A CN 201510649837A CN 105376844 B CN105376844 B CN 105376844B
- Authority
- CN
- China
- Prior art keywords
- transmission power
- sus
- optimization
- value
- optimal
- 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
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/04—TPC
- H04W52/06—TPC algorithms
- H04W52/14—Separate analysis of uplink or downlink
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/04—TPC
- H04W52/18—TPC being performed according to specific parameters
- H04W52/24—TPC being performed according to specific parameters using SIR [Signal to Interference Ratio] or other wireless path parameters
- H04W52/243—TPC being performed according to specific parameters using SIR [Signal to Interference Ratio] or other wireless path parameters taking into account interferences
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
一种认知无线网络中基于单调性优化与模拟退火的功率控制方法,包括以下步骤:(1)考虑包括PU与SUs之间以及不同SUs之间的两部分干扰,优化问题描述为一个多变量非凸性优化问题P1;(2)将问题P1垂直分解为两层优化问题;(3)根据底层问题,提出了单调性优化的功率控制方法,在PU的传输功率给定的情况下优化SUs的传输功率;(4)基于底层问题,提出模拟退火的方法优化PU的传输功率;(5)通过底层问题与顶层问题的交互迭代,最终解决问题P)。本发明提供一种在保障PU的QoS同时最大化PU的净收益的有效且高效的优化方法,以提高系统频谱利用率,优化系统资源的配置。
Description
技术领域
本发明涉及认知无线电网络中,一种基于单调性优化与模拟退火算法进行的最优功率控制方法。
背景技术
随着移动数据服务的快速增长,可用频谱资源的有限性使得频谱拥塞的问题日益突出。动态频谱接入(DSA),作为移动网络中传统的固定频谱分配方法的有效补充,通过智能化地重复利用未授权系统(Primary System-PS)或是授权用户(Primary User-PU)充分利用的授权频谱资源,使得非授权用户(Secondary User-SU)能够适时地接入PU的授权频谱进行数据传输,从而使得频谱利用率得到有效的提升。DSA以其优越性,被认为是一种能够实现灵活变通的,并且能够响应时下需求的频谱供给方式之典范,前景广阔。然而,DSA网络中进行频谱共享时,在PU服务于SUs的同时会不可避免的产生干扰,其中包括:1)PU与SUs之间的同信道干扰2)不同的SUs之间的相互干扰。为了在保障PU的QoS前提下服务于SUs以获得额外的收益,在设计频谱共享方案的过程中,合理地进行资源分配与干扰管理是非常有必要的。然而以上所述的干扰往往会使得问题具有非凸优化的问题而变得很难解决,因而提出一种在保障PU的QoS同时最大化PU的净收益的有效且高效的优化方法是有意义的。
发明内容
为了保证频谱共享能够优化DSA网络中的频谱资源配置,本发明考虑包括PU与SUs之间以及不同SUs之间的两部分干扰,提出了一种在PU的QoS得到保障的同时,通过最大化PU的净收益以实现最优化的功率控制方法,所提出的功率控制算法具有两层结构,在降低了计算复杂度的同时提高了该方法的有效性以及高效性。
本发明解决其技术问题所采用的技术方案是:
一种认知无线网络中基于单调性优化与模拟退火的功率控制方法,所述控制方法包括以下步骤:
(1)在认知无线电网络中,通过授权用户PU和非授权用户SUs 的发送功率控制,在考虑包括PU与SUs之间以及不同SUs之间的两部分干扰的同时,保证PU的QoS的情况下最大化PU的净收益的优化问题描述为如下所示的非凸性优化问题:
P1:max∑s∈ΩαsRs-β(p0-p0 min)
其中表示每个SU s的吞吐量,表示PU的上行链路吞吐量,Ω={1,2 ... S}表示的是所有非授权用户(SUs)的集合;
在问题P1中,各个参数定义如下:
αs:对于每个SU s实现的单位吞吐量PU进行收费的边际系数;
β:PU的边际功率消耗代价,单位为$/Watt;
Rs:每个SU s的吞吐量;
p0:PU的发送功率;
p0 min:PU的最小传输功率消耗;
n:背景噪声功率;
qs:SU s的发送功率;
gsB:SU-Tx与BS之间的信道功率增益;
g0B:PU-Tx与BS之间的信道功率增益;
每个SU s的吞吐量要求;
PU的发送功率上限;
SU的最大传输功率上限;
g0s:PU-Tx与SU-Rx s之间的信道功率增益;
gss:SU-Tx s与SU-Rx s之间的信道功率增益;
gjs:SU-Tx j与SU-Rx s之间的信道功率增益;
W:PU信道的带宽;
上标“*”表示参数在优化问题中的最优值;
(2)用公式将约束条件中的Rs展开,约束条件的第二项等价于 其中问题P1的决策变量就转化为p0以及{qs}s∈Ω,用和分别表示问题P1的最优解;
(3)判断问题P1的可行性:
将公式中的p0用{qs}s∈Ω代换,从而将该不等式重新表示成如下的一组线性约束:
且s≠j
采用M表示一个S×S矩阵,S表示Ω中SUs的总数,M中的项表示如下:
此外,定义S×1的向量u,其中的每一项表示为
令向量表示SUs能够满足上述线性约束条件的传输功率的集合,记条件C1:gssg0B-θsθ0gsBg0s>0,以及条件C2:定义矩阵 M的频谱半径,ρ(M)=max{|λ||λ是M的特征值},满足ρ(M)<1;如果条件C1与C2能够满足,那么其中I表示S×S的单位矩阵;向量即({qs}s∈Ω)的每一个元素表示着每个SU s的最小传输功率,SUs的每一项{θs}s∈Ω均满足要求;
进一步从{qs}s∈Ω中推出PU的最小传输功率得到问题(P1)可行的充分条件即条件C3:
(C3):且
(4)问题P1的垂直分层
问题P1垂直分解为两层结构,分别为问题(P1-底层)与问题(P1- 顶层),在底层问题中首先固定PU的发送功率p0,相应的,底层问题变为在给定PU的发送功率p0的情况下优化SUs的发送功率qs;
(P1-底层):
通过在底层中计算F(p0)的值,将F(p0)的值代入到顶层问题从而优化PU的传输功率;
(P1-顶层):
其中
通过底层问题与顶层问题的交互迭代,最终解决原问题P1;
(5)判断问题(P1-底层)的可行性
当p0确定时,为了满足{θs}s∈Ω,SUs的功率需要能够满足公式相当于求解方程我们用N表示一个S×S矩阵,S表示Ω中SUs的总数,N中的项表示如下:
此外,定义S×1的向量v与向量w,其中的每一项分别表示为
因而SUs满足其各自的吞吐量需求{θs}s∈Ω的发送功率表示为
当p0>0时,中的项是非负的,当时,问题(P1- 底层)是可行的;用(x)s来表示向量x的第s项,将 代入不等式则能够明确问题 (P1-底层)在p0满足不等式该不等式的右边表示p0的下界,记作P;同时,通过将与相比较,求解p0的上界,其中 Qmax表示S×1的向量,具体表示为我们将p0的上界记为因而得出问题(P1-底层)可行的充分条件为:
(6)问题(P1-底层)的求解,采用基于单调性优化的功率控制算法,过程如下:
步骤6.1:引入辅助变量非授权用户的信噪比将底层问题转化为一个关于非授权用户信噪比ys的单调性优化问题;
其中
步骤6.2:设置初始最优非授权用户信噪比集合其中s=1,2,3,...S,设置当前的迭代次数k=1;
步骤6.3:针对当前的最优非授权用户信噪比集合计算集合中所有元素的目标函数值记录其中最大的目标函数值对应的点为zk;
步骤6.4:根据对分法计算原点与zk的连线与的交点
步骤6.5:如果则算法终止,转至步骤6.9;否则转至步骤6.6;
步骤6.6:根据公式i=1,2,3,...S计算出S 个新的非授权用户信噪比的可选最优解,其中ei是S个相互正交的单位向量;
步骤6.7:利用步骤6.6中计算出的S个可选最优解代替zk以更新当前的最优非授权用户信噪比集合,记该集合为
步骤6.8:设置迭代次数k=k+1,进入下一次循环,返回步骤 6.2;
步骤6.9:算法终止,退出算法循环,输出非授权用户信噪比最优解为当前集合中目标函数值最大的信噪比;
步骤6.10:根据公式设置S维向量r,根据公式 q*=(I-N)-1r计算最佳非授权用户发射功率,其中矩阵
步骤6.11:根据公式计算在固定p0的情况下的底层最优目标函数值供顶层使用;
(7)阈值Pth的求解
根据问题(P1-底层)的性质,能够发现上存在一个特殊的阈值Pth,当P≤p0≤Pth时,不等式才得以成立;因而求解该阈值Pth能够很大程度上缩小最优解的搜索域,求解过程如下:
步骤7.1:初始化设置,设置两个接近于0的很小的正数作为允许的计算误差,分别记为η以及ε,令plower=P,
步骤7.2:计算|plower-pupper|,如果该差值比所允许的计算误差ε小,表示所得到的值在误差允许的范围内,则算法终止,跳转至步骤 7.6,否则,继续进行步骤7.3;
步骤7.3:将PU的发送功率p0设置为plower与pupper的中值,即
步骤7.4:由于步骤7.3中给出了p0,通过步骤6解问题(P1-底层)并且得到相应的最优解
步骤7.5:计算用于判断现行的p0能否满足问题(P1-底层)的约束条件因而如果 |J(p0)|<η,则将p0的上限pupper更新为现行的p0,否则将plower更新为现行的p0,返回步骤7.2;
步骤7.6:将所得到的p0作为特殊阈值Pth;
(8)问题(P1-顶层)的求解
根据问题(P1-底层)得到的最优解以及最优的目标函数值 F(p0),上层问题就转化为一个关于授权用户发射功率p0的一维优化问题,采用模拟退火算法解问题(P1-顶层),过程如下:
步骤8.1:进行初始化设置:将PU的发送功率p0初始化为其中P为PU的发送功率p0的下界,设置合适的初始化温度T,终止温度Te,最大迭代次数kmax以及冷却率α,设置能量函数Δp0设置为一个非常小的值,根据步骤6的给出的底层算法计算出F(p0)并且计算得出相应的设置 PU最大净收益F*的初始值为0,迭代次数k=0;
步骤8.2:生成新的解p0′=p0+Δp0,根据步骤6的给出的底层算法计算出F(p0′)并且计算得出相应的进一步计算得到能量函数E(p0′)及变化值ΔE=E(p0)-E(p0′);
步骤8.3:如果PU的发送功率则算法终止,跳转至步骤8.8,否则,继续进行步骤8.4,其中为PU的发送功率p0的上界,得具体可参见步骤5,Pth为由步骤7中所求出的特殊阈值;
步骤8.4:若ΔE<0,接受p0′为下一个p0,否则按照概率接受p0′为下一个p0;若则更新最优解以及相应的PU最大净收益F*;
步骤8.5:判断当前温度下是否达到稳定,即在某一温度下,根据设定的次数进行连续多次的迭代,而最优解的能量函数值不再变化时,认为在当前温度下达到平衡状态,继续下一步骤;否则,返回步骤8.2;
步骤8.6:更新温度Tk+1=αTk,更新迭代次数k=k+1;
步骤8.7:判断温度是否达到预先设置的终止温度Te,否则返回步骤8.2;
步骤8.8:输出实现最优化配置时PU的发送功率SUs的发送功率以及PU通过服务SUs所获得的最大净收益F*。
本发明的技术构思为:首先,在考虑认知无线电网络中,授权用户(PU)将自己的频谱共享给非授权用户(SUs)从而获得额外收益的情景。在此处,我们认为授权用户(PU)需要在保证自己吞吐量的同时服务于非授权用户(SUs)并且分别满足其各自的吞吐量需求,我们还考虑到授权用户(PU)为了克服相应的干扰从而额外的发射功率花销,同时最大化授权用户(PU)的净收益。接着,通过对该问题的特性进行分析,将该问题转化为两层问题进行求解。然后,我们根据两层问题的特性,提出基于单调性优化与模拟退火的功率控制方法,从而实现在保证PU与SUs吞吐量时PU净收益最大化。
本发明的有益效果主要表现在:1、对于整体系统而言,频谱共享的实施能够通过授权频谱的二次利用,从而提高频谱利用率;2、对于授权用户(PU)而言,在保证自身QoS的同时,能够获得额外的经济收益;3、对于非授权用户(SUs)而言,通过频谱二级市场的交易,能够实现自身的QoS需求,得到满意的服务。
附图说明
图1是认知无线电网络中包含一个授权用户(PU)以及若干非授权用户(SUs)的示意图。
具体实施方式
下面结合附图对本发明作进一步详细描述。
参照图1,一种认知无线网络中基于单调性优化与模拟退火的功率控制方法,实行该方法能在同时满足PU与SUs的前提下,使得PU 净收益最大化,同时提高整个系统的频谱资源利用率。本发明应用于认知无线电网络中(如图1所示)。授权用户(PU)将自己的频谱共享给非授权用户(SUs)从而获得额外收益的情景。在此处,我们认为授权用户(PU)需要在保证自己吞吐量的同时服务于非授权用户(SUs) 并且分别满足其各自的吞吐量需求,我们还考虑到授权用户(PU)为了克服相应的干扰从而额外的发射功率花销。针对该问题提出的根据控制发送功率优化系统的方法主要包括步骤如下:
(1)在认知无线电网络中,通过授权用户(PU)和非授权用户 (SUs)的发送功率控制,在考虑包括PU与SUs之间以及不同SUs 之间的两部分干扰的同时,保证PU的QoS的情况下最大化PU的净收益的优化问题描述为如下所示的非凸性优化问题:
P1:max∑s∈ΩαsRs-β(p0-p0 min)
其中表示每个SUs 的吞吐量,表示PU的上行链路吞吐量,Ω={1,2...S}表示的是所有非授权用户(SUs)的集合;
在问题P1中,各个参数定义如下:
αs:对于每个SU s实现的单位吞吐量PU进行收费的边际系数;
β:PU的边际功率消耗代价,单位为$/Watt;
Rs:每个SU s的吞吐量;
p0:PU的发送功率;
p0 min:PU的最小传输功率消耗;
n:背景噪声(假设为加性高斯白噪声)功率;
qs:SU s的发送功率;
gsB:SU-Tx与BS之间的信道功率增益;
g0B:PU-Tx与BS之间的信道功率增益;
每个SU s的吞吐量要求;
PU的发送功率上限;
SU的最大传输功率上限;
g0s:PU-Tx与SU-Rx s之间的信道功率增益;
gss:SU-Tx s与SU-Rx s之间的信道功率增益;
gjs:SU-Tx j与SU-Rx s之间的信道功率增益;
W:PU信道的带宽;
参数符号中出现的上标“*”表示参数在优化问题中的最优值;
(2)用公式将约束条件中的Rs展开,约束条件的第二项等价于 其中问题P1的决策变量就转化为p0以及 {qs}s∈Ω,我们用和分别表示问题P1的最优解。
(3)判断问题P1的可行性
用M表示一个S×S矩阵,S表示Ω中SUs的总数,M中的项表示如下:
此外,定义S×1的向量u,其中的每一项表示为
令向量表示SUs能够满足线性约束条件 且s≠j的传输功率的集合;记条件(C1):gssg0B-θsθ0gsBg0s>0,以及条件 (C2):定义矩阵M的频谱半径,ρ(M)=max{|λ||λ是M的特征值},满足ρ(M)<1。如果条件(C1)与(C2)能够满足,那么其中I表示S×S的单位矩阵。向量即({qs}s∈Ω)的每一个元素表示着每个SU s的最小传输功率,SUs的每一项{θs}s∈Ω均满足要求。进一步从{qs}s∈Ω(即向量)中推出PU的最小传输功率然后得到问题(P1)可行的充分条件即条件(C3):
(C3):且
(4)问题(P1)的垂直分层
由于在实现问题(P1)的优化时总有也就是说,PU在满足了吞吐量要求的同时无需再消耗更多地传输功率,问题(P1)可以垂直分解为两层结构,分别为问题(P1-底层)与问题(P1- 顶层)。在底层问题中首先固定PU的发送功率p0,相应的,底层问题变为在给定PU的发送功率p0的情况下优化SUs的发送功率qs。
(P1-底层):
通过在底层中计算F(p0)的值,我们将F(p0)的值代入到顶层问题从而优化PU的传输功率。
(P1-顶层):
其中
通过底层问题与顶层问题的交互迭代,最终我们解决原问题(P1)。需要注意的是,在通过两层算法迭代之前,我们需要利用步骤3对问题(P1)进行可行性判断,如果条件不满足,整个算法终止,不进行两层算法调用。
(5)判断问题(P1-底层)的可行性。问题(P1-底层)可行的充分条件为
(6)问题(P1-底层)的求解
针对底层问题,采用基于单调性优化的功率控制算法,过程如下:
步骤6.1:引入辅助变量非授权用户的信噪比将底层问题转化为一个关于非授权用户信噪比ys的单调性优化问题。
其中
步骤6.2:设置初始最优非授权用户信噪比集合其中s=1,2,3,...S。设置当前的迭代次数k=1;
步骤6.3:针对当前的最优非授权用户信噪比集合计算集合中所有元素的目标函数值记录其中最大的目标函数值对应的点为zk;
步骤6.4:根据对分法计算原点与zk的连线与的交点
步骤6.5:如果则算法终止,转至步骤6.9;否则转至步骤6.6;
步骤6.6:根据公式i=1,2,3,...S计算出S 个新的非授权用户信噪比的可选最优解。其中ei是S个相互正交的单位向量;
步骤6.7:利用步骤6.6中计算出的S个可选最优解代替zk以更新当前的最优非授权用户信噪比集合,记该集合为
步骤6.8:设置迭代次数k=k+1,进入下一次循环,返回步骤 6.2;
步骤6.9:算法终止,退出算法循环,输出非授权用户信噪比最优解为当前集合中目标函数值最大的信噪比;
步骤6.10:根据公式设置S维向量r。根据公式q*=(I-N)-1r计算最佳非授权用户发射功率,其中矩阵
步骤6.11:根据公式计算在固定p0的情况下的底层最优目标函数值供顶层使用。
需要注意的是,在采用该基于单调性优化的功率控制算法前,需要根据步骤5进行问题(P1-底层)的可行性判断。如果条件不满足,整个算法终止,不通过此方法进行功率控制。
(7)阈值Pth的求解,根据问题(P1-底层)的性质,能够发现上存在一个特殊的阈值Pth,当P≤p0≤Pth时,不等式 才得以成立。因而求解该阈值Pth能够很大程度上缩小最优解的搜索域,求解过程如下:
步骤7.1:初始化设置。设置两个接近于0的很小的正数作为允许的计算误差,分别记为η以及ε。令plower=P,
步骤7.2:计算|plower-pupper|,如果该差值比所允许的计算误差ε小,表示所得到的值在误差允许的范围内,则算法终止,跳转至步骤 7.6,否则,继续进行步骤7.3;
步骤7.3:将PU的发送功率p0设置为plower与pupper的中值,即
步骤7.4:由于步骤7.3中给出了p0,通过步骤6解问题(P1-底层)并且得到相应的最优解
步骤7.5:计算用于判断现行的p0能否满足问题(P1-底层)的约束条件因而如果 |J(p0)|<η,则将p0的上限pupper更新为现行的p0,否则将plower更新为现行的p0,返回步骤7.2;
步骤7.6:将所得到的p0作为特殊阈值Pth;
(8)问题(P1-顶层)的求解
根据问题(P1-底层)得到的最优解以及最优的目标函数值 F(p0),上层问题就转化为一个关于授权用户发射功率p0的一维优化问题,采用模拟退火算法解问题(P1-顶层),过程如下:
步骤8.1:进行初始化设置:将PU的发送功率p0初始化为其中P为PU的发送功率p0的下界,得具体可参见步骤 5,设置合适的初始化温度T,终止温度Te,最大迭代次数kmax以及冷却率α,设置能量函数Δp0设置为一个非常小的值。根据步骤6的给出的底层算法计算出F(p0)并且计算得出相应的设置PU最大净收益F*的初始值为0,迭代次数k=0;
步骤8.2:生成新的解p0′=p0+Δp0,根据步骤6的给出的底层算法计算出F(p0′)并且计算得出相应的进一步计算得到能量函数E(p0′)及变化值ΔE(p0)-E(p0′);
步骤8.3:如果PU的发送功率则算法终止,跳转至步骤8.8,否则,继续进行步骤8.4,其中为PU的发送功率p0的上界,得具体可参见步骤5,Pth为由步骤7中所求出的特殊阈值;
步骤8.4:若ΔE<0,接受p0′为下一个p0,否则按照概率接受p0′为下一个p0;若则更新最优解以及相应的PU最大净收益F*;
步骤8.5:判断当前温度下是否达到稳定。即在某一温度下,根据设定的次数进行连续多次的迭代,而最优解的能量函数值不再变化时,认为在当前温度下达到平衡状态,继续下一步骤;否则,返回步骤8.2;
步骤8.6:更新温度Tk+1=αTk,更新迭代次数k=k+1;
步骤8.7:判断温度是否达到预先设置的终止温度Te,否则返回步骤8.2;
步骤8.8:输出实现最优化配置时PU的发送功率SUs的发送功率以及PU通过服务SUs所获得的最大净收益F*;
本实施例中,图1是本发明考虑的认知无线电网络中包含一个授权用户(PU)以及若干非授权用户(SUs)的系统。在该系统中,主要考虑的干扰包括两部分:1)PU与SUs之间的同信道干扰2)不同的SUs之间的相互干扰。为了克服由于接入SUs产生的干扰并且满足自身的QoS需求,PU往往需要提升自己的传输功率(与不接入任何 SU的情况相比较),因而SUs端会产生更大的干扰。由于PU的“反干扰”SUs不得不调整自己的传输功率从而满足自己的QoS需求,从而对PU的干扰增大。为了更好地管理该正反馈回路,达到频谱共享的收益,我们提出了本发明进行问题的解决。
本实施例着眼于在同时满足授权用户(PU)与非授权用户(SUs) 服务质量的前提下,最大化PU的净收益,激励PU服务SUs,实现系统频谱利用率的提高。我们的工作可以使得干扰管理得以用低计算复杂度的方法有效且高效地进行实现。从而能够实现整个系统的频谱资源配置更优化,利用率更高。
Claims (1)
1.一种认知无线网络中基于单调性优化与模拟退火的功率控制方法,其特征在于:所述控制方法包括以下步骤:
(1)在认知无线电网络中,通过授权用户PU和非授权用户SUs的发送功率控制,在考虑包括PU与SUs之间以及不同SUs之间的两部分干扰的同时,保证PU的QoS的情况下最大化PU的净收益的优化问题描述为如下所示的非凸性优化问题:
P1:max∑s∈ΩαsRs-β(p0-p0 min)
其中表示每个SU s的吞吐量,表示PU的上行链路吞吐量,Ω={1,2...S}表示的是所有非授权用户(SUs)的集合;
在问题P1中,各个参数定义如下:
αs:对于每个SU s实现的单位吞吐量PU进行收费的边际系数;
β:PU的边际功率消耗代价,单位为$/Watt;
Rs:每个SU s的吞吐量;
p0:PU的发送功率;
p0 min:PU的最小传输功率消耗;
n:背景噪声功率;
qs:SU s的发送功率;
gsB:SU-Tx与BS之间的信道功率增益;
g0B:PU-Tx与BS之间的信道功率增益;
每个SU s的吞吐量要求;
PU的发送功率上限;
SU的最大传输功率上限;
g0S:PU-Tx与SU-Rx s之间的信道功率增益;
gss:SU-Tx s与SU-Rx s之间的信道功率增益;
gjs:SU-Tx j与SU-Rx s之间的信道功率增益;
W:PU信道的带宽;
上标“*”表示参数在优化问题中的最优值;
(2)用公式将约束条件中的Rs展开,约束条件的第二项等价于 其中问题P1的决策变量就转化为p0以及{qs}s∈Ω,用和分别表示问题P1的最优解;
(3)判断问题P1的可行性:
将公式中的p0用{qs}s∈Ω代换,从而将该不等式重新表示成如下的一组线性约束:
且s≠j
采用M表示一个S×S矩阵,S表示Ω中SUs的总数,M中的项表示如下:
此外,定义S×1的向量u,其中的每一项表示为
令向量表示SUs能够满足上述线性约束条件的传输功率的集合,记条件C1:以及条件C2:定义矩阵M的频谱半径,ρ(M)=max{|λ||λ是M的特征值},满足ρ(M)<1;如果条件C1与C2能够满足,那么其中I表示S×S的单位矩阵;向量即({qs}s∈Ω)的每一个元素表示着每个SU s的最小传输功率,SUs的每一项{θs}s∈Ω均满足要求;
进一步从{qs}s∈Ω中推出PU的最小传输功率得到问题(P1)可行的充分条件即条件C3:
(C3):且
(4)问题P1的垂直分层
问题P1垂直分解为两层结构,分别为问题(P1-底层)与问题(P1-顶层),在底层问题中首先固定PU的发送功率p0,相应的,底层问题变为在给定PU的发送功率p0的情况下优化SUs的发送功率qs;
(P1-底层):
通过在底层中计算F(p0)的值,将F(p0)的值代入到顶层问题从而优化PU的传输功率;
(P1-顶层):
其中
通过底层问题与顶层问题的交互迭代,最终解决原问题P1;
(5)判断问题(P1-底层)的可行性
当p0确定时,为了满足{θs}s∈Ω,SUs的功率需要能够满足公式相当于求解方程我们用N表示一个S×S矩阵,S表示Ω中SUs的总数,N中的项表示如下:
此外,定义S×1的向量v与向量w,其中的每一项分别表示为
因而SUs满足其各自的吞吐量需求{θs}s∈Ω的发送功率表示为
当p0>0时,中的项是非负的,当时,问题(P1-底层)是可行的;用(x)s来表示向量x的第s项,将 代入不等式则能够明确问题(P1-底层)在p0满足不等式该不等式的右边表示p0的下界,记作P;同时,通过将与相比较,求解p0的上界,其中Qmax表示S×1的向量,具体表示为我们将p0的上界记为因而得出问题(P1-底层)可行的充分条件为:
(6)问题(P1-底层)的求解,采用基于单调性优化的功率控制算法,过程如下:
步骤6.1:引入辅助变量非授权用户的信噪比
将底层问题转化为一个关于非授权用户信噪比ys的单调性优化问题;
其中
步骤6.2:设置初始最优非授权用户信噪比集合其中设置当前的迭代次数k=1;
步骤6.3:针对当前的最优非授权用户信噪比集合计算集合中所有元素的目标函数值记录其中最大的目标函数值对应的点为zk;
步骤6.4:根据对分法计算原点与zk的连线与的交点
步骤6.5:如果则算法终止,转至步骤6.9;否则转至步骤6.6;
步骤6.6:根据公式计算出S个新的非授权用户信噪比的可选最优解,其中ei是S个相互正交的单位向量;
步骤6.7:利用步骤6.6中计算出的S个可选最优解代替zk以更新当前的最优非授权用户信噪比集合,记该集合为
步骤6.8:设置迭代次数k=k+1,进入下一次循环,返回步骤6.2;
步骤6.9:算法终止,退出算法循环,输出非授权用户信噪比最优解为当前集合中目标函数值最大的信噪比;
步骤6.10:根据公式设置S维向量r,根据公式q*=(I-N)-1r计算最佳非授权用户发射功率,其中矩阵
步骤6.11:根据公式计算在固定p0的情况下的底层最优目标函数值供顶层使用;
(7)阈值Pth的求解
根据问题(P1-底层)的性质,能够发现上存在一个特殊的阈值Pth,当P≤p0≤Pth时,不等式才得以成立;因而求解该阈值Pth能够很大程度上缩小最优解的搜索域,求解过程如下:
步骤7.1:初始化设置,设置两个接近于0的很小的正数作为允许的计算误差,分别记为η以及ε,令plower=P,
步骤7.2:计算|plower-pupper|,如果该差值比所允许的计算误差ε小,表示所得到的值在误差允许的范围内,则算法终止,跳转至步骤7.6,否则,继续进行步骤7.3;
步骤7.3:将PU的发送功率p0设置为plower与pupper的中值,即
步骤7.4:由于步骤7.3中给出了p0,通过步骤6解问题(P1-底层)并且得到相应的最优解
步骤7.5:计算用于判断现行的p0能否满足问题(P1-底层)的约束条件因而如果|J(p0)|<η,则将p0的上限pupper更新为现行的p0,否则将plower更新为现行的p0,返回步骤7.2;
步骤7.6:将所得到的p0作为特殊阈值Pth;
(8)问题(P1-顶层)的求解
根据问题(P1-底层)得到的最优解以及最优的目标函数值F(p0),上层问题就转化为一个关于授权用户发射功率p0的一维优化问题,采用模拟退火算法解问题(P1-顶层),过程如下:
步骤8.1:进行初始化设置:将PU的发送功率p0初始化为其中P为PU的发送功率p0的下界,设置合适的初始化温度T,终止温度Te,最大迭代次数kmax以及冷却率α,设置能量函数Δp0设置为一个非常小的值,根据步骤6的给出的底层算法计算出F(p0)并且计算得出相应的设置PU最大净收益F*的初始值为0,迭代次数k=0;
步骤8.2:生成新的解p0′=p0+Δp0,根据步骤6的给出的底层算法计算出F(p0′)并且计算得出相应的进一步计算得到能量函数E(p0′)及变化值ΔE=E(p0)-E(p0′);
步骤8.3:如果PU的发送功率则算法终止,跳转至步骤8.8,否则,继续进行步骤8.4,其中为PU的发送功率p0的上界,得具体可参见步骤5,Pth为由步骤7中所求出的特殊阈值;
步骤8.4:若ΔE<0,接受p0′为下一个p0,否则按照概率接受p0′为下一个p0;若则更新最优解以及相应的PU最大净收益F*;
步骤8.5:判断当前温度下是否达到稳定,即在某一温度下,根据设定的次数进行连续多次的迭代,而最优解的能量函数值不再变化时,认为在当前温度下达到平衡状态,继续下一步骤;否则,返回步骤8.2;
步骤8.6:更新温度Tk+1=αTk,更新迭代次数k=k+1;
步骤8.7:判断温度是否达到预先设置的终止温度Te,否则返回步骤8.2;
步骤8.8:输出实现最优化配置时PU的发送功率SUs的发送功率以及PU通过服务SUs所获得的最大净收益F*。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510649837.3A CN105376844B (zh) | 2015-08-25 | 2015-10-10 | 一种认知无线网络中基于单调性优化与模拟退火的功率控制方法 |
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2015105265963 | 2015-08-25 | ||
CN201510526596 | 2015-08-25 | ||
CN201510649837.3A CN105376844B (zh) | 2015-08-25 | 2015-10-10 | 一种认知无线网络中基于单调性优化与模拟退火的功率控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105376844A CN105376844A (zh) | 2016-03-02 |
CN105376844B true CN105376844B (zh) | 2018-11-20 |
Family
ID=55378534
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510649837.3A Active CN105376844B (zh) | 2015-08-25 | 2015-10-10 | 一种认知无线网络中基于单调性优化与模拟退火的功率控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105376844B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109548011A (zh) * | 2018-03-20 | 2019-03-29 | 浙江工业大学 | 一种数据安全分流传输方法 |
CN109388492B (zh) * | 2018-10-09 | 2021-06-18 | 浙江工业大学 | 一种在多个边缘计算服务器场景下基于模拟退火的移动区块链优化算力分配方法 |
CN109447369B (zh) * | 2018-11-09 | 2022-05-17 | 浙江大学 | 一种基于模拟退火算法的考虑多因素的产能端功率分配方法 |
CN110213815B (zh) * | 2019-04-15 | 2020-06-16 | 浙江大学 | 一种基于统计信道状态信息的中继系统功率控制方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101801000A (zh) * | 2010-01-08 | 2010-08-11 | 南京邮电大学 | 一种最大化动态频谱共享系统容量的次用户接入方法 |
CN101964982A (zh) * | 2010-10-22 | 2011-02-02 | 哈尔滨工业大学深圳研究生院 | 一种认知无线电的频谱共享方法及系统 |
CN102448070A (zh) * | 2012-01-11 | 2012-05-09 | 中国人民解放军理工大学 | 动态频谱环境中基于多智能体强化学习的频率功率联合分配方法 |
-
2015
- 2015-10-10 CN CN201510649837.3A patent/CN105376844B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101801000A (zh) * | 2010-01-08 | 2010-08-11 | 南京邮电大学 | 一种最大化动态频谱共享系统容量的次用户接入方法 |
CN101964982A (zh) * | 2010-10-22 | 2011-02-02 | 哈尔滨工业大学深圳研究生院 | 一种认知无线电的频谱共享方法及系统 |
CN102448070A (zh) * | 2012-01-11 | 2012-05-09 | 中国人民解放军理工大学 | 动态频谱环境中基于多智能体强化学习的频率功率联合分配方法 |
Non-Patent Citations (1)
Title |
---|
Energy-Aware Spectrum Sharing for Dynamic Spectrum Access via Monotonic Optimization;Yuan Wu;《IEEE ICC 2015》;20150612;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN105376844A (zh) | 2016-03-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Dynamic task offloading and resource allocation for mobile-edge computing in dense cloud RAN | |
CN109413724A (zh) | 一种基于mec的任务卸载和资源分配方案 | |
Ng et al. | Energy-efficient resource allocation in OFDMA systems with hybrid energy harvesting base station | |
Qian et al. | Dynamic cell association for non-orthogonal multiple-access V2S networks | |
Liao et al. | A model-driven deep reinforcement learning heuristic algorithm for resource allocation in ultra-dense cellular networks | |
Huynh et al. | Joint computational offloading and data-content caching in NOMA-MEC networks | |
Kwon et al. | Distributed resource allocation through noncooperative game approach in multi-cell OFDMA systems | |
Liu et al. | Joint power and admission control via linear programming deflation | |
Wang et al. | Joint resource management for MC-NOMA: A deep reinforcement learning approach | |
CN105376844B (zh) | 一种认知无线网络中基于单调性优化与模拟退火的功率控制方法 | |
Guo et al. | Fairness-aware energy-efficient resource allocation in D2D communication networks | |
Elhattab et al. | A matching game for device association and resource allocation in heterogeneous cloud radio access networks | |
Liu et al. | SCMA-based multiaccess edge computing in IoT systems: An energy-efficiency and latency tradeoff | |
Giannopoulos et al. | Power control in 5G heterogeneous cells considering user demands using deep reinforcement learning | |
Shang et al. | Computation offloading and resource allocation in NOMA–MEC: A deep reinforcement learning approach | |
Chuang et al. | Dynamic multiobjective approach for power and spectrum allocation in cognitive radio networks | |
Tan et al. | Resource allocation of fog radio access network based on deep reinforcement learning | |
Qian et al. | Optimal ADMM-based spectrum and power allocation for heterogeneous small-cell networks with hybrid energy supplies | |
Jiao et al. | Dynamic resource allocation for scalable video streaming in OFDMA wireless networks | |
Song et al. | Energy–delay tradeoff in adaptive cooperative caching for energy-harvesting ultradense networks | |
Hassan et al. | Joint throughput-power optimization of fog-RAN using rate-splitting multiple access and reinforcement-learning based user clustering | |
CN105228233B (zh) | 一种认知无线网络中基于单调性优化与线性搜索的功率控制方法 | |
Wang et al. | A game-theoretical learning approach for spectrum trading in cognitive satellite-terrestrial networks | |
Bsebsu et al. | Joint beamforming and admission control for cache‐enabled Cloud‐RAN with limited fronthaul capacity | |
CN105704722B (zh) | 基于分组博弈交换以及优化功率控制的频谱资源配置方法 |
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 |