CN105828441B - 一种大规模天线系统低复杂度功率分配方法 - Google Patents

Abstract

本发明公开了一种大规模天线系统低复杂度功率分配方法：首先，将优化系统吞吐量和优化系统功耗建模为有约束的多目标优化问题；然后，利用切比雪夫方法对多目标进行标量化；接着，利用基于分解的多目标进化算法求解无约束的多目标优化问题；最后，根据系统吞吐量约束以及功率约束，得到一段帕累托最优边界，边界上的功率配置均可认为是系统最优功率配置，可以根据具体场景对系统吞吐量和发射功率的要求，选择边界上合适的点。本发明解决了在干扰严重的情况下(多变量耦合)功率分配求解困难的问题，在提高系统吞吐量的同时有效地降低了系统功率消耗。

Description

一种大规模天线系统低复杂度功率分配方法

技术领域

本发明涉及一种大规模天线系统基于多目标优化的低复杂度功率分配方法，属于移动通信系统中的资源分配技术。

背景技术

大规模天线技术以其高谱效、高能效的特点而成为未来移动通信中的关键技术。但是随着天线数量的增加，整体的天线固定功率消耗也会急剧增加，功率模型需要重建，同时，常规的波束赋型操作如迫零、最小均方误差等技术的计算复杂度会急剧上升，但幸运的是，大规模天线系统的特点使得最为简单的最大混合比波束赋型即可实现优良的性能，然而，最大混合比波束赋型却无法抑制用户间的干扰，进而造成能效表达式中的多变量耦合问题。

尽管大规模天线系统具有着一系列优点，但是在未来5G移动通信系统中，会存在对多种指标的需求，如更高的吞吐量、更低的功率消耗、更合理的公平性以及更高的能效等。

发明内容

发明目的：为了克服现有技术中存在的不足，本发明提供一种大规模天线系统基于多目标优化的低复杂度功率分配方法，在保证系统吞吐量和系统功耗的前提下，实现对基站端合理的功率配置。

技术方案：为实现上述目的，本发明采用的技术方案为：

一种大规模天线系统低复杂度功率分配方法，采用基于分解的多目标进化算法求解最优的功率配置；具体包括如下步骤：

(1)将大规模天线系统中的多目标优化问题表述为：

其中：i＝1,2，…,K，K为用户数量，p_i表示用户i的发射功率，r_i表示用户i的传输速率；M为基站天线数，p_c表示每根天线的环路固定功率消耗；R_L表示系统最低吞吐量，P_M表示系统最大功率消耗，C1和C2分别表示吞吐量约束和功率消耗约束；

采用切比雪夫方法对上述优化问题进行转化：

C1：R(p)≥R_L

C2：P(p)≤P_M

切比雪夫式为：

g(p|λ_j,z₁,z₂)＝max{λ_j,1|-R(p)-z₁|,λ_j,2|P(p)-z₂|}

其中：j＝1,2，…,N，N为子问题个数；λ_j＝[λ_j,1,λ_j,2]，λ_j,1和λ_j,2为非负的权重系数，p＝[p₁,p₂,…,p_K]为发射功率向量，为系统吞吐量，为系统功率消耗，z₁＝min{-R(p)}为关于吞吐量的切比雪夫参考值，z₂＝min{-P(p)}为关于功率消耗的切比雪夫参考值；

(2)设置子问题个数N和每个子问题的邻居数T，并生成N组加权向量λ₁,λ₂,…,λ_N；设置迭代次数C；

(3)计算与第j组加权向量λ_j的欧氏距离最小的T组加权向量，第j组加权向量λ_j和第k组加权向量λ_k的欧式距离为||λ_j-λ_k||₂，且j≠k；将得到的T组加权向量的下标保存在向量B(j)中；

(4)在可行域范围内，随机生成N组发射功率向量p₁,p₂,…,p_N，计算发射功率向量p_j对应的系统吞吐量R(p_j)和系统功率消耗P(p_j)，并记录在向量F(j)＝{-R(p_j)，P(p_j)}中；

(5)初始化切比雪夫参考值z₁和z₂，设置迭代标识Ind＝1；

(6)从向量B(j)中随机选取两个元素m,n，利用遗传算子根据p_m和p_n计算新的发射功率向量p_re，并对p_re进行多项式变异操作处理，计算发射功率向量p_re对应的系统吞吐量R(p_re)和系统功率消耗P(p_re)；

(7)若z₁＞-R(p_re)，则令z₁＝-R(p_re)；若z₂＞P(p_re)，则令z₂＝P(p_re)；

(8)针对B(j)中的元素l，若g(p_l|λ_l,z₁,z₂)＞g(p_re|λ_l,z₁,z₂)，则令p_l＝p_re，并更新F(j)＝{-R(p_re),P(p_re)}；

(9)迭代标识Ind＝Ind+1；若Ind＞C，则执行步骤(10)；否则，返回步骤(6)；

(10)从得到的所有F(j)中，筛选出满足吞吐量约束和功率约束的功率配置形成最优功率配置集合，从最优功率配置集合中选取一种功率配置作为最终功率分配方案。

所述步骤(6)，具体包括如下步骤：

(61)记p_m＝[p_m,1,p_m,2,…,p_m,K]，p_n＝[p_n,1,p_n,2,…,p_n,K]，p_re＝[p_re,1,p_re,2,…,p_re,K]，p_re,i＝0.5[(1-β_i)p_m,i+(1-βi_i)p_n,i]，β_i按照如下方式生成：

随机生成一个0到1之间的数s_i：若s_i≤0.5，则若s_i＞0.5，则其中，μ为种群数量(多目标优化中优化目标的数量)，取μ＝2；

(62)对p_re进行多项式变异操作处理：仅随机选择p_re中的一个元素p_re,i进行变异操作，具体操作为：p_re,i＝p_re,i+σ_i(p_u-p_l)，其中p_u为用户的发射功率上界，p_l为用户的发射功率下界，σ_i为扰动项，σ_i按照如下方式生成：

随机生成一个0到1之间的数s_i：若s_i≤0.5，则若s_i＞0.5，则其中，μ'为用户数量，取μ'＝K。

有益效果：本发明提供的大规模天线系统低复杂度功率分配方法，首先利用切比雪夫方法将原始多目标优化问题变量化，然后通过多目标进化算法实现了高效率的搜索过程，极大简化了资源分配的求解过程；另外，本发明为一类多变量耦合的求解问题提供了一种思路，在目标函数的导数方法求解困难时，这种能效优化方案巧妙地回避了计算方面的不可行性。

附图说明

图1为大规模天线场景示意图；

图2为大规模天线系统功率分配方法算法流程示意图。

具体实施方式

下面结合附图对本发明作更进一步的说明。

一种大规模天线系统低复杂度功率分配方法，采用基于分解的多目标进化算法求解最优的功率配置；具体包括如下步骤：

(1)将大规模天线系统中的多目标优化问题表述为：

其中：i＝1,2，…,K，K为用户数量，p_i表示用户i的发射功率，r_i表示用户i的传输速率；M为基站天线数，p_c表示每根天线的环路固定功率消耗；R_L表示系统最低吞吐量，P_M表示系统最大功率消耗，C1和C2分别表示吞吐量约束和功率消耗约束；

采用切比雪夫方法对上述优化问题进行转化：

C1：R(p)≥R_L

C2：P(p)≤P_M

切比雪夫式为：

g(p|λ_j,z₁,z₂)＝max{λ_j,1|-R(p)-z₁|,λ_j,2|P(p)-z₂|}

其中：j＝1,2，…,N，N为子问题个数；λ_j＝[λ_j,1,λ_j,2]，λ_j,1和λ_j,2为非负的权重系数，p＝[p₁,p₂,…,p_K]为发射功率向量，为系统吞吐量，为系统功率消耗，z₁＝min{-R(p)}为关于吞吐量的切比雪夫参考值，z₂＝min{-P(p)}为关于功率消耗的切比雪夫参考值；

(2)设置子问题个数N和每个子问题的邻居数T，并生成N组加权向量λ₁,λ₂,…,λ_N；设置迭代次数C；

(3)计算与第j组加权向量λ_j的欧氏距离最小的T组加权向量，第j组加权向量λ_j和第k组加权向量λ_k的欧式距离为||λ_j-λ_k||₂，且j≠k；将得到的T组加权向量的下标保存在向量B(j)中；

(4)在可行域范围内，随机生成N组发射功率向量p₁,p₂,…,p_N，计算发射功率向量p_j对应的系统吞吐量R(p_j)和系统功率消耗P(p_j)，并记录在向量F(j)＝{-R(p_j)，P(p_j)}中；

(5)初始化切比雪夫参考值z₁和z₂，设置迭代标识Ind＝1；

(6)从向量B(j)中随机选取两个元素m,n，利用遗传算子根据p_m和p_n计算新的发射功率向量p_re，并对p_re进行多项式变异操作处理，计算发射功率向量p_re对应的系统吞吐量R(p_re)和系统功率消耗P(p_re)；具体包括如下步骤：

(61)记p_m＝[p_m,1,p_m,2,…,p_m,K]，p_n＝[p_n,1,p_n,2,…,p_n,K]，p_re＝[p_re,1,p_re,2,…,p_re,K]，p_re,i＝0.5[(1-β_i)p_m,i+(1-β_i)p_n,i]，β_i按照如下方式生成：

随机生成一个0到1之间的数s_i：若s_i≤0.5，则若s_i＞0.5，则其中，μ为种群数量(多目标优化中优化目标的数量)，取μ＝2；

(62)对p_re进行多项式变异操作处理：仅随机选择p_re中的一个元素p_re,i进行变异操作，具体操作为：p_re,i＝p_re,i+σ_i(p_u-p_l)，其中p_u为用户的发射功率上界，p_l为用户的发射功率下界，σ_i为扰动项，σ_i按照如下方式生成：

随机生成一个0到1之间的数s_i：若s_i≤0.5，则若s_i＞0.5，则其中，μ'为用户数量，取μ'＝K；

(7)若z₁＞-R(p_re)，则令z₁＝-R(p_re)；若z₂＞P(p_re)，则令z₂＝P(p_re)；

(8)针对B(j)中的元素l，若g(p_l|λ_l,z₁,z₂)＞g(p_re|λ_l,z₁,z₂)，则令p_l＝p_re，并更新F(j)＝{-R(p_re),P(p_re)}；

(9)迭代标识Ind＝Ind+1；若Ind＞C，则执行步骤(10)；否则，返回步骤(6)；

(10)从得到的所有F(j)中，筛选出满足吞吐量约束和功率约束的功率配置形成最优功率配置集合，从最优功率配置集合中任意选取一种功率配置作为最终功率分配方案，或者集合其他通信性能确定出唯一一种功率配置作为最终功率分配方案。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (1)

1.一种大规模天线系统低复杂度功率分配方法，其特征在于：采用基于分解的多目标进化算法求解最优的功率配置；具体包括如下步骤：

(1)将大规模天线系统中的多目标优化问题表述为：

其中：i＝1,2，…,K，K为用户数量，p_i表示用户i的发射功率，r_i表示用户i的传输速率；M为基站天线数，p_c表示每根天线的环路固定功率消耗；R_L表示系统最低吞吐量，P_M表示系统最大功率消耗，C1和C2分别表示吞吐量约束和功率消耗约束；

采用切比雪夫方法对上述优化问题进行转化：

C1：R(p)≥R_L

C2：P(p)≤P_M

切比雪夫式为：

g(p|λ_j,z₁,z₂)＝max{λ_j,1|-R(p)-z₁|,λ_j,2|P(p)-z₂}

其中：j＝1,2，…,N，N为子问题个数；λ_j＝[λ_j,₁,λ_j,₂]，λ_j,₁和λ_j,₂为非负的权重系数，p＝[p₁,p₂,…,p_K]为发射功率向量，为系统吞吐量，为系统功率消耗，z₁＝min{-R(p)}为关于吞吐量的切比雪夫参考值，z₂＝min{-P(p)}为关于功率消耗的切比雪夫参考值；

(2)设置子问题个数N和每个子问题的邻居数T，并生成N组加权向量λ₁,λ₂,…,λ_N；设置迭代次数C；

(3)计算与第j组加权向量λ_j的欧氏距离最小的T组加权向量，第j组加权向量λ_j和第k组加权向量λ_k的欧式距离为||λ_j-λ_k||₂，且j≠k；将得到的T组加权向量的下标保存在向量B(j)中；

(4)在可行域范围内，随机生成N组发射功率向量p₁,p₂,…,p_N，计算发射功率向量p_j对应的系统吞吐量R(p_j)和系统功率消耗P(p_j)，并记录在向量F(j)＝{-R(p_j)，P(p_j)}中；

(5)初始化切比雪夫参考值z₁和z₂，设置迭代标识Ind＝1；

(6)从向量B(j)中随机选取两个元素m,n，利用遗传算子根据p_m和p_n计算新的发射功率向量p_re，并对p_re进行多项式变异操作处理，计算发射功率向量p_re对应的系统吞吐量R(p_re)和系统功率消耗P(p_re)；具体包括如下步骤：

(61)记p_m＝[p_m,1,p_m,2,…,p_m,K]，p_n＝[p_n,1,p_n,2,…,p_n,K]，p_re＝[p_re,1,p_re,2,…,p_re,K]，p_re,i＝0.5[(1-β_i)p_m,i+(1-β_i)p_n,i]，β_i按照如下方式生成：

随机生成一个0到1之间的数s_i：若s_i≤0.5，则若s_i＞0.5，则其中，μ为种群数量，取μ＝2；

(62)对p_re进行多项式变异操作处理：仅随机选择p_re中的一个元素p_re,i进行变异操作，具体操作为：p_re,i＝p_re,i+σ_i(p_u-p_l)，其中p_u为用户的发射功率上界，p_l为用户的发射功率下界，σ_i为扰动项，σ_i按照如下方式生成：

随机生成一个0到1之间的数s_i：若s_i≤0.5，则若s_i＞0.5，则其中，μ'为用户数量，取μ'＝K；

(7)若z₁＞-R(p_re)，则令z₁＝-R(p_re)；若z₂＞P(p_re)，则令z₂＝P(p_re)；

(8)针对B(j)中的元素l，若g(p_l|λ_l,z₁,z₂)＞g(p_re|λ_l,z₁,z₂)，则令p_l＝p_re，并更新F(j)＝{-R(p_re),P(p_re)}；

(9)迭代标识Ind＝Ind+1；若Ind＞C，则执行步骤(10)；否则，返回步骤(6)；

(10)从得到的所有F(j)中，筛选出满足吞吐量约束和功率约束的功率配置形成最优功率配置集合，从最优功率配置集合中选取一种功率配置作为最终功率分配方案。