CN106162799A - 基于实时的能量采集中继网络的资源分配方法 - Google Patents

Abstract

本发明公开一种基于实时的能量采集中继网络的资源分配方法，属于移动通信技术领域。包括步骤:系统场景分析，问题归结；系统数学模型建立；然后利用优化方法求出最优解。本发明针对特殊的应用场景，来源实际应用，本发明区别与以往的中继选择方法，摒弃多中继带来的高复杂度和高网络成本，从易于实际运用的角度来研究单中继节点选取算法以及相应的资源分配算法，考虑基于能量采集的单中继协作通信，并推导推导出该场景下的吞吐量的表达式，联合考虑最优中继选择和功率分配，具有现实的指导意义。

Description

基于实时的能量采集中继网络的资源分配方法

技术领域

本发明属于移动通信技术领域，更具体地说，涉及一种基于实时的能量采集中继网络的资源分配方法。

背景技术

在20世纪70年代提出的蜂窝网络结构在之后的数十年得到了十分广泛的应用，但是蜂窝网存在着一个十分致命的缺点，即处在小区边缘的用户的服务质量(QoS)可能得不到保障。这些用户有可能收到的信号特别弱导致通信质量低下，或者是发送信号时需要特别大的发送功率，这种状况在下一代通信系统中可能会愈发严重。中继技术的出现很好的解决了这个问题，小区中那些暂时不需要通信的节点可以充当其他用户的中继节点，抑或是在小区中安装固定的专用中继节点，通过协作的方式参与到需要通信的节点。中继节点接收到源节点广播发送的信号后，通过一定的处理然后转发给通信目的节点。在中继协作通信时，虽然每个用户既要发送自身数据，又要中继其他伙伴数据，但由于产生了协作分集，每个用户的频谱效率都得到改善，信道码速率由此提高。这也形成了一个折衷。因此，有人把中继协作通信看作功率和带宽的联合博弈。

归结起来，中继技术将成为第5代移动通信的关键技术之一，能够极大改善通信网络的性能，但同时也引出了几个函待解决的问题：

1)中继技术中的一个关键问题是如何选择中继并分配相应的功率，虽然选取更多的中继节点可以获得更好的性能，但是随着中继节点数目的增加，带来的性能增益将减小，同时协作方案的设计、信号检测以及多址问题等的复杂度会增加，网络成本也会提高，因此从实践的角度来看，单中继节点选取算法以及相应的资源分配算法得到越来越多的关注；

2)第5代移动通信针对能耗的要求更加严格，如果能充分考虑可再生能源的利用，希望能在能量因果约束条件下最大化通信节点之间的吞吐量；

3)迫切需要能够投入实际应用的关于中继网络资源分配的算法，强调算法的低复杂度、实时运算能力和高收敛速度。

中国专利申请号201510593398.9，公开日2009年8月7日，公开了一份名称为无线中继系统中的资源分配，其包括包括：从第一基站接收第一控制信息，其中所述第一控制信息在第一时间间隔和第一频率子集内出现，其中第二基站被配置为在所述第一时间间隔和所述第一频率子集中发射第二控制信息；从第三基站接收第三控制信息，其中所述第三控制信息在所述第一时间间隔和第二频率子集内出现，其中第四基站被配置为在所述第一时间间隔和所述第二频率子集中发射第四控制信息，其中所述第三基站和第四基站是低功率基站；基于所述第一控制信息从所述第一基站接收第一净荷数据；基于所述第三控制信息从所述第三基站接收第二净荷数据。该方法避免在分配给控制数据的无线电资源元素中，从基站发射的信号和从中继站发射的信号之间的干扰。

中国专利申请号201410110948.2，公开日2014年3月21日，公开了一份名称为放大转发协作网络的中继选择与功率分配方法，其包括以下步骤：建立放大转发协作通信网络，所述放大转发协作通信网络包含一个源节点S，一个目的节点D以及N个备选中继R_k；传输过程分为两个阶段，第一阶段：源节点S向所有备选中继广播信号x；第二阶段：进行最佳中继选择和功率分配，被选择的最佳中继向目的节点D转发信息。该反馈开销小，易于实现。

中国专利申请号201510925920.9，公开日2015年12月11日，公开了一份名称为多源多目标无线网络的中继选择与功率分配方法，其包括以下步骤：建立协作网络，协作网络包括N个源节点和N个目标节点，没有中继节点，源节点间相互协作，传输分为两个阶段，第一阶段：源节点s_i向自己的目标节点发送数据，其他N-1个源节点尝试解码s_i的数据，解码成功的节点加入解码成功集合A(s_i)；第二阶段：如果源节点s_i直接传输成功，目标节点反馈确认帧给s_i，不需要启动协作传输，如果传输失败，目标节点采用与s_i相同的速率反馈否决帧，解码成功集合A(s_i)中能够正确接收反馈帧的节点加入反馈节点集合B(s_i)，接着采用集中式或者分布式的选择方法在反馈节点集合B(s_i)中选出最佳中继将数据转发给目标节点，且最佳中继以最小的可靠传输功率进行协作，若有功率剩余，还可以继续支持其他需要该中继协作的源节点。该方法节约了系统资源，延长了整个网络的寿命。

总的来说，申请号201510593398.9的公开材料考虑基站和中继站之间的干扰问题，但是没有从用户角度着手，没有考虑用户吞吐量最优的情形。申请号201410110948.2的公开材料考虑中继选择与功率分配方法，但是没有考虑算法复杂度和实时运算的要求。申请号201510925920.9的公开材料考虑多源多目标无线网络的中继选择与功率分配，但是没有深入考虑算法单中继选择及其资源最优化配置，有没有考虑能量采集所能带来的系统性能增益。

发明内容

针对现有的中继网络资源配置方法未充分考虑能量采集因素带来的性能改善、能量因果限制条件下的联合中继选择和功率分配、实时性要求、低复杂度算法实际应用等问题，本发明提出一种基于实时的能量采集中继网络的资源分配方法，在综合考虑能量因果限制条件下的联合中继选择和功率分配，结合能量采集技术带来的节能方案，辅助低复杂度迭代算法，最大化用户实时通信的网络性能。

为解决上述问题，本发明所采用的技术方案如下：

一种基于实时的能量采集中继网络的资源分配方法，包括：

步骤1：系统场景分析，问题归结；

步骤1.1：建立信道模型；

场景中有一个能量采集信号源S，N个能量采集的中继站R_i,i＝1,2,...,N和一个目标通信终端D，考虑能量采集信号源S和目标通信终端D之间没有直达路径，中继站R_i选用放大转发工作方式，一个传输过程T包含K个数据块，每个数据块的传输都包含两个时隙,联合考虑该场景下的N个能量采集中继的选择问题以及这N个中继和源节点A的功率指派问题；

假设用于能量采集的电池容量有限，设定能量采集信号源S的电池容量为B_S,max，能量采集中继站R_i,i＝1,2,...,N的电池容量为B_Ri,max，除了用于传输消耗的能量忽略不计，规定在每个数据块k,k＝1,2,...,K的传输过程中，从中继集合N中唯一选择最佳的中继参与协作这次传输，记这个参与协作的中继为R_ζ,ζ＝1,2,...,N；

定义端到端等效信噪比如下：

${\mathrm{SNR}}_{eq,\mathrm{\ζ},k}=\frac{P_{S,k}{\mathrm{\γ}}_{{\mathrm{SR}}_{\mathrm{\ζ}},k}{P}_{R_{\mathrm{\ζ}},k}{\mathrm{\γ}}_{R_{\mathrm{\ζ}}D,k}}{P_{S,k}{\mathrm{\γ}}_{{\mathrm{SR}}_{\mathrm{\ζ}},k}+P_{R_{\mathrm{\ζ}},k}{\mathrm{\γ}}_{R_{\mathrm{\ζ}}D,k}+1}$

其中：SNR_eq,ζ,k表示传输第k个数据块同时选中第ζ个中继协作转发时的等效端到端信噪比，P_S,k和分别表示第k个数据块传输时第一时隙信号源S的发射功率和第二时隙第ζ个中继协作转发数据的发射功率，相应的，和分别表示传输第k个数据块同时选中第ζ个中继协作转发时第一时隙中继R_ζ和第二时隙目标通信终端D的接收信噪比；

从而系统吞吐量表示为

步骤1.2：建立能量采集模型；

定义B_M,k为各种能量采集终端在传输第k个数据块时的储存能量，其中M∈{S,R₁,R₂,...,R_N}k∈{1,2,...,K},在第k个数据块的传输期间，能量采集终端M的发射功率应该满足0≤P_M,k≤B_M,k，则能量限制条件是：

$B_{M,k+1}=min\{(B_{M,k}-P_{M,k}+H_{M,k}),B_{M,max}\},\∀k\∈\{1,2,...,K\}$

其中，B_M,k+1表示能量采集终端M在准备传输第k+1个数据块时的存储能量，P_M,k表示能量采集终端M的发送第k个数据块消耗的能量，H_M,k表示能量采集终端M在第k个传输期间能量采集终端M采集到的能量，同样的H_M,k也要满足H_M,k≤B_M.max，定义能量采集终端的平均采集能量E{·}表示期望，设定初值B_N,1＝H_N,0≥0；

步骤2:最优化问题的数学模型建立：

在上述假设前提和约束条件下，归结出最优化问题如下：

$\begin{array}{cc}P1:& \underset{\[P_{S,k},P_{R_1,k},\mathrm{...},P_{R_N,k}\]\≥0,w_{1,1},\mathrm{...},w_{N,K}}{\max }\frac{1}{2}{\log }_2(1+{\mathrm{SNR}}_{eq,k})\\ & s.t.P_{S,k}\≤B_{S,k},P_{S,k}\≤H_S\\ & w_{n,k}{P}_{R_n,k}\≤B_{R_n,k},w_{n,k}{P}_{R_n,k}\≤{\mathrm{\τH}}_{R_n}/f_n,\∀n\\ & \underset{n=1}{\overset{N}{\Σ}}{w}_{n,k}=1,w_{n,k}\∈\{0,1\},\∀n.\end{array},$

其中：H_M,M∈{S,R₁,R₂,...,R_N}表示能量采集终端的平均能量采集速度，规定f_n是第n个中继的能量采集速率，τ是缩放因子；

步骤3：最优化问题的求解；

所述优化问题P1的求解可以采用拉格朗日因子方法：

$\begin{array}{c}L(P_{S,k},P_{R_n,k},w_{n,k},{\mathrm{\β}}_{S,k,0},{\mathrm{\β}}_{R_n,k,0},{\mathrm{\β}}_{S,k,1},{\mathrm{\β}}_{R_n,k,1},{\mathrm{\β}}_k)=\underset{k=1}{\overset{K}{\Σ}}\frac{1}{2}{\log }_2(1+{\mathrm{SNR}}_{eq,k})\\ -{\mathrm{\β}}_{S,k,0}(P_{S,k}-B_{S,k})-{\mathrm{\β}}_{S,k,1}(P_{S,k}-H_S)\\ -{\mathrm{\β}}_{R_n,k,0}(w_{n,k}{P}_{R_n,k}-B_{R_n,k})-{\mathrm{\β}}_{R_n,k,1}(w_{n,k}{P}_{R_n,k}-{\mathrm{\τH}}_{R_n}/f_n)\\ -{\mathrm{\β}}_k(\underset{n=1}{\overset{N}{\Σ}}{w}_{n,k}-1)\end{array}$

再联立和n∈{1,2,...,N},k∈{1,2,...,K}，并用次梯度方法迭代求解，其中是相应的拉格朗日因子。

进一步的，所述所述优化问题P1的拉格朗日形式中的拉格朗日因子的迭代更新方法采用次梯度算法，所述次梯度算法的迭代更新方程是：

β_S,k,0(n+1)＝[β_S,k,0(n)-δ_S,k,0(n)(B_S,k-P_S,k)]⁺

${\mathrm{\β}}_{R_n,k,0}(n+1)={\[{\mathrm{\β}}_{R_n,k,0}\left(n\right)-{\mathrm{\δ}}_{R_n,k,0}\left(n\right)(B_{R_n,k}-w_{n,k}{P}_{R_n,k})\]}^{+}$

β_S,k,1(n+1)＝[β_S,k,1(n)-δ_S,k,1(n)(H_S-P_S,k)]⁺

${\mathrm{\β}}_{R_n,k,1}(n+1)={\[{\mathrm{\β}}_{R_n,k,1}\left(n\right)-{\mathrm{\δ}}_{R_n,k,1}\left(n\right)({\mathrm{\τH}}_{R_n}/f_n-w_{n,k}{P}_{R_n,k})\]}^{+}$

${\mathrm{\β}}_k(n+1)={\[{\mathrm{\β}}_k\left(n\right)-{\mathrm{\δ}}_k\left(n\right)(1-\underset{n=1}{\overset{N}{\Σ}}{w}_{n,k})\]}^{+}$

其中分别表示第n次迭代的拉格朗日因子，分别表示相应的迭代步长。

进一步的，所述次梯度算法迭代更新方程的迭代步长可以设置成：

${\mathrm{\δ}}_{S,k,0}\left(n\right)={\mathrm{\δ}}_{R_n,k,0}\left(n\right)={\mathrm{\δ}}_{S,k,1}\left(n\right)={\mathrm{\δ}}_{R_n,k,1}\left(n\right)={\mathrm{\δ}}_k\left(n\right)=\frac{1}{n^2},k=1,2,...,K,n=1,2,...,N.$

进一步的，所述步骤3包括：

利用GBD方法，首先求出在此基础上重新归结最优化问题P2：

$\begin{array}{cc}P2:& \underset{\[P_{R_1,k},\mathrm{...},P_{R_N,k}\]\≥0,w_{1,1,\mathrm{...},}{w}_{N,K}}{\max }\frac{1}{2}{\log }_2(1+{\mathrm{SNR}}_{eq,k})\\ & \begin{array}{cc}s.t.& P_{R_n,k}\≤w_{n,k}{\mathrm{\Γ}}_{n,k},\∀n,\end{array}\\ & \underset{n=1}{\overset{N}{\Σ}}{w}_{n,k}=1,w_{n,k}\∈\{0,1\},\∀n.\end{array}$

其中最终求得最优的

进一步的，所述步骤2还包括近似的凸优化处理：

首先定义第k个数据块传输时的等效信噪比SNR_eq,k的近似为：

${\mathrm{SNR}}_{eq,k}\≈{\stackrel{\‾}{SNR}}_{eq,k}\stackrel{\mathrm{\Δ}}{=}\underset{n=1}{\overset{N}{\Σ}}\frac{w_{n,k}{P}_{S,k}{\mathrm{\γ}}_{{\mathrm{SR}}_{\mathrm{\ζ}},k}{P}_{R_{\mathrm{\ζ}},k}{\mathrm{\γ}}_{R_{\mathrm{\ζ}}D,k}}{P_{S,k}{\mathrm{\γ}}_{{\mathrm{SR}}_{\mathrm{\ζ}},k}+P_{R_{\mathrm{\ζ}},k}{\mathrm{\γ}}_{R_{\mathrm{\ζ}}D,k}}$

重新归结P1问题成P3:

$\begin{array}{cc}P3:& \underset{\[P_{S,k,}{P}_{R_1,k},\mathrm{...},P_{R_N,k}\]\≥0,w_{1,1,\mathrm{...},}{w}_{N,K}}{\max }\frac{1}{2}{\log }_2(1+{\stackrel{\‾}{SNR}}_{eq,k})\\ & s.t.P_{S,k}\≤B_{S,k},P_{S,k}\≤H_S\\ & w_{n,k}{P}_{R_n,k}\≤B_{R_n,k},w_{n,k}{P}_{R_n,k}\≤{\mathrm{\τH}}_{R_n}/f_n,\∀n\\ & \underset{n=1}{\overset{N}{\Σ}}{w}_{n,k}=1,w_{n,k}\∈\{0,1\},\∀n.\end{array}.$

进一步的，所述最优化问题P3的拉格朗日形式是：

$\begin{array}{c}L(P_{S,k},P_{R_n,k},w_{n,k},{\mathrm{\β}}_{S,k,0},{\mathrm{\β}}_{R_n,k,0},{\mathrm{\β}}_{S,k,1},{\mathrm{\β}}_{R_n,k,1},{\mathrm{\β}}_k)=\underset{k=1}{\overset{K}{\Σ}}\frac{1}{2}{\log }_2(1+{\stackrel{\‾}{SNR}}_{eq,k})\\ -{\mathrm{\β}}_{S,k,0}(P_{S,k}-B_{S,k})-{\mathrm{\β}}_{S,k,1}(P_{S,k}-H_S)\\ -{\mathrm{\β}}_{R_n,k,0}(w_{n,k}{P}_{R_n,k}-B_{R_n,k})-{\mathrm{\β}}_{R_n,k,1}(w_{n,k}{P}_{R_n,k}-{\mathrm{\τH}}_{R_n}/f_n)\\ -{\mathrm{\β}}_k(\underset{n=1}{\overset{N}{\Σ}}{w}_{n,k}-1)\end{array}$

再联立和n∈{1,2,...,N},k∈{1,2,...,K}，并用次梯度方法迭代求解，其中是相应的拉格朗日因子；

所述优化问题P3的拉格朗日形式中的拉格朗日因子的迭代更新方法采用次梯度算法，所述次梯度算法的迭代更新方程是：

β_S,k,0(n+1)＝[β_S,k,0(n)-δ_S,k,0(n)(B_S,k-P_S,k)]⁺

${\mathrm{\β}}_{R_n,k,0}(n+1)={\[{\mathrm{\β}}_{R_n,k,0}\left(n\right)-{\mathrm{\δ}}_{R_n,k,0}\left(n\right)(B_{R_n,k}-w_{n,k}{P}_{R_n,k})\]}^{+}$

β_S,k,1(n+1)＝[β_S,k,1(n)-δ_S,k,1(n)(H_S-P_S,k)]⁺

${\mathrm{\β}}_{R_n,k,1}(n+1)={\[{\mathrm{\β}}_{R_n,k,1}\left(n\right)-{\mathrm{\δ}}_{R_n,k,1}\left(n\right)({\mathrm{\τH}}_{R_n}/f_n-w_{n,k}{P}_{R_n,k})\]}^{+}$

${\mathrm{\β}}_k(n+1)={\[{\mathrm{\β}}_k\left(n\right)-{\mathrm{\δ}}_k\left(n\right)(1-\underset{n=1}{\overset{N}{\Σ}}{w}_{n,k})\]}^{+}$

其中分别表示第n次迭代的拉格朗日因子，分别表示相应的迭代步长。

所述迭代步长可以设置成：

${\mathrm{\δ}}_{S,k,0}\left(n\right)={\mathrm{\δ}}_{R_n,k,0}\left(n\right)={\mathrm{\δ}}_{S,k,1}\left(n\right)={\mathrm{\δ}}_{R_n,k,1}\left(n\right)={\mathrm{\δ}}_k\left(n\right)=\frac{1}{n^2},k=1,2,...,K,n=1,2,...,N.$

进一步的，所述步骤2还包括近似的凸优化处理：

首先定义第k个数据块传输时的等效信噪比SNR_eq,k的近似为：

${\mathrm{SNR}}_{eq,k}\≈{\stackrel{\‾}{\stackrel{\‾}{SNR}}}_{eq,k}\stackrel{\mathrm{\Δ}}{=}\underset{n=1}{\overset{N}{\Σ}}\frac{P_{S,k}{\mathrm{\γ}}_{{\mathrm{SR}}_{\mathrm{\ζ}},k}{P}_{R_{\mathrm{\ζ}},k}{\mathrm{\γ}}_{R_{\mathrm{\ζ}}D,k}}{P_{S,k}{\mathrm{\γ}}_{{\mathrm{SR}}_{\mathrm{\ζ}},k}+P_{R_{\mathrm{\ζ}},k}{\mathrm{\γ}}_{R_{\mathrm{\ζ}}D,k}}$

得到修正后的优化问题P4

$\begin{array}{cc}P4:& \underset{\[P_{S,k,}{P}_{R_1,k},\mathrm{...},P_{R_N,k}\]\≥0,w_{1,1,\mathrm{...},}{w}_{N,K}}{\max }\frac{1}{2}{\log }_2(1+{\stackrel{\‾}{\stackrel{\‾}{SNR}}}_{eq,k})\\ & s.t.P_{S,k}\≤B_{S,k},P_{S,k}\≤H_S\\ & w_{n,k}{P}_{R_n,k}\≤B_{R_n,k},w_{n,k}{P}_{R_n,k}\≤{\mathrm{\τH}}_{R_n}/f_n,\∀n\\ & \underset{n=1}{\overset{N}{\Σ}}{w}_{n,k}=1,w_{n,k}\∈\{0,1\},\∀n.\end{array}.$

进一步的，所述最优化问题P4的拉格朗日形式是：

$\begin{array}{c}L(P_{S,k},P_{R_n,k},w_{n,k},{\mathrm{\β}}_{S,k,0},{\mathrm{\β}}_{R_n,k,0},{\mathrm{\β}}_{S,k,1},{\mathrm{\β}}_{R_n,k,1},{\mathrm{\β}}_k)=\underset{k=1}{\overset{K}{\Σ}}\frac{1}{2}{\log }_2(1+{\stackrel{\‾}{\stackrel{\‾}{SNR}}}_{eq,k})\\ -{\mathrm{\β}}_{S,k,0}(P_{S,k}-B_{S,k})-{\mathrm{\β}}_{S,k,1}(P_{S,k}-H_S)\\ -{\mathrm{\β}}_{R_n,k,0}(w_{n,k}{P}_{R_n,k}-B_{R_n,k})-{\mathrm{\β}}_{R_n,k,1}(w_{n,k}{P}_{R_n,k}-{\mathrm{\τH}}_{R_n}/f_n)\\ -{\mathrm{\β}}_k(\underset{n=1}{\overset{N}{\Σ}}{w}_{n,k}-1)\end{array}$

再联立和n∈{1,2,...,N},k∈{1,2,...,K}，并用次梯度方法迭代求解，其中是相应的拉格朗日因子；

所述优化问题P4的拉格朗日形式中的拉格朗日因子的迭代更新方法采用次梯度算法，所述次梯度算法的迭代更新方程是：

β_S,k,0(n+1)＝[β_S,k,0(n)-δ_S,k,0(n)(B_S,k-P_S,k)]⁺

${\mathrm{\β}}_{R_n,k,0}(n+1)={\[{\mathrm{\β}}_{R_n,k,0}\left(n\right)-{\mathrm{\δ}}_{R_n,k,0}\left(n\right)(B_{R_n,k}-w_{n,k}{P}_{R_n,k})\]}^{+}$

β_S,k,1(n+1)＝[β_S,k,1(n)-δ_S,k,1(n)(H_S-P_S,k)]⁺

${\mathrm{\β}}_{R_n,k,1}(n+1)={\[{\mathrm{\β}}_{R_n,k,1}\left(n\right)-{\mathrm{\δ}}_{R_n,k,1}\left(n\right)({\mathrm{\τH}}_{R_n}/f_n-w_{n,k}{P}_{R_n,k})\]}^{+}$

${\mathrm{\β}}_k(n+1)={\[{\mathrm{\β}}_k\left(n\right)-{\mathrm{\δ}}_k\left(n\right)(1-\underset{n=1}{\overset{N}{\Σ}}{w}_{n,k})\]}^{+}$

其中分别表示第n次迭代的拉格朗日因子，分别表示相应的迭代步长；

所述迭代步长可以设置成：

${\mathrm{\δ}}_{S,k,0}\left(n\right)={\mathrm{\δ}}_{R_n,k,0}\left(n\right)={\mathrm{\δ}}_{S,k,1}\left(n\right)={\mathrm{\δ}}_{R_n,k,1}\left(n\right)={\mathrm{\δ}}_k\left(n\right)=\frac{1}{n^2},k=1,2,...,K,n=1,2,...,N.$

进一步的，所述第n个中继的能量采集速率f_n是：

其中：

${\mathrm{\ξ}}_{1,n}={\mathrm{\Ω}}_{1,n}/{\mathrm{\σ}}_{1,n}^2,{\mathrm{\ξ}}_{2,n}={\mathrm{\Ω}}_{2,n}/{\mathrm{\σ}}_{2,n}^2,$

$p_{z_n}\left(z\right)=\frac{{\stackrel{\‾}{\mathrm{\γ}}}_{1,n}+{\stackrel{\‾}{\mathrm{\γ}}}_{2,n}}{{\stackrel{\‾}{\mathrm{\γ}}}_{1,n}{\stackrel{\‾}{\mathrm{\γ}}}_{2,n}}{e}^{-\frac{z}{\frac{{\stackrel{\‾}{\mathrm{\γ}}}_{1,n}{\stackrel{\‾}{\mathrm{\γ}}}_{2,n}}{{\stackrel{\‾}{\mathrm{\γ}}}_{1,n}+{\stackrel{\‾}{\mathrm{\γ}}}_{2,n}}}},P_{z_n}\left(z\right)=1-e^{-\frac{z}{\frac{{\stackrel{\‾}{\mathrm{\γ}}}_{1,n}{\stackrel{\‾}{\mathrm{\γ}}}_{2,n}}{{\stackrel{\‾}{\mathrm{\γ}}}_{1,n}+{\stackrel{\‾}{\mathrm{\γ}}}_{2,n}}}}$

z_n＝min{γ_1,n,γ_2,n}

Ω_1,n和Ω_2,n分别表示第1时隙中继n处的高斯噪声功率和第2时隙中继n发射目的节点接收的高斯噪声功率；和分别表示第1时隙中继n处的非高斯噪声功率和第2时隙中继n发射目的节点接收的非高斯噪声功率；ξ_1,n和ξ_2,n分别表示第1时隙中继n处的高斯噪声功率与非高斯噪声功率的比值和第2时隙中继n发射目的节点接收的高斯噪声功率与非高斯噪声功率的比值；γ_1,n和γ_2,n分别表示第1时隙中继n处的信噪比和第2时隙中继n发射目的节点接收的信噪比；和分别表示第1时隙中继n处修正后的信噪比和第2时隙中继n发射目的节点接收修正后的信噪比；表示随机变量z_n的累计分布函数；表示随机变量z_n的概率密度函数。

有益效果：

相对比于现有技术，本发明的有益效果为：

(1)本发明针对特殊的应用场景，来源实际应用，场景设置细致、合理，更有实践指导意义；

(2)本发明区别与以往的中继选择方法，摒弃多中继带来的高复杂度和高网络成本，从易于实际运用的角度来研究单中继节点选取算法以及相应的资源分配算法，考虑基于能量采集的单中继协作通信，并推导推导出该场景下的吞吐量的表达式，联合考虑最优中继选择和功率分配，具有现实的指导意义；

(3)本发明充分考虑可再生能源的环保方案，结合能量采集技术，增加考虑能量采集中继的选择问题，在不影响网络性能的前提下，考虑因果限制条件下的系统性能最优问题，达到能耗和网络速率的折中，更加合理充分利用可再生能源，降低了网络的能耗；

(4)本发明针对最优化问题的求解，采用凸优化处理，转化优化问题的目标函数，不经过近似计算，不影响问题的精度的同时极大的降低的计算复杂度，减少系统开销产生的时延；

(5)本发明寻优采用拉格朗日乘子方法，寻优速度快，算法迭代过程中采用次梯度方法，并选用渐进步长，寻优更加精确；

(6)本发明的资源分配方法，算法设计合理，易于实现。

附图说明

图1为本发明系统场景架构示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

实施例一

一种基于实时的能量采集中继网络的资源分配方法，其特征在于，包括：

步骤1:系统场景分析，问题归结；

步骤1.1：建立信道模型；

本发明针对特殊的应用场景，来源实际应用，场景设置细致、合理，更有实践指导意义。考虑一个基于能量采集多中继协作通信场景，场景中有一个能量采集信号源Source(简记为S)，N个能量采集的中继站Relay(简记为R_i,i＝1,2,...,N)和一个目标通信终端Destination(简记为D)，考虑能量采集信号源S和目标通信终端D之间的没有直达路径，必须通过能量采集的中继站R_i协作转发，中继站R_i选用放大转发工作方式，假设一个传输过程T包含K个数据块，每个数据块的传输都包含两个时隙。联合考虑该场景下的N个能量采集中继的选择问题以及这N个中继和源节点A的功率指派问题。

本发明充分考虑可再生能源的环保方案，结合能量采集技术，增加考虑能量采集中继的选择问题，在不影响网络性能的前提下，考虑因果限制条件下的系统性能最优问题，达到能耗和网络速率的折中，更加合理充分利用可再生能源，降低了网络的能耗。假设用于能量采集的电池容量有限，设定能量采集信号源S的电池容量为B_S,max，能量采集中继站R_i,i＝1,2,...,N的电池容量为B_Ri,max，更加贴近实际应用，除了用于传输消耗的能量忽略不计。规定在每个数据块k,k＝1,2,...,K的传输过程中，我们从中继集合N中唯一选择最佳的中继参与协作这次传输，记这个参与协作的中继为R_ζ,ζ＝1,2,...,N。我们选用的放大转发(Amplify-and-Forward，AF)的中继协议，第一时隙信号源S广播发送数据给所有中继站R_i,i＝1,2,...,N，第二时隙，我们选择最佳的中继R_ζ,ζ＝1,2,...,N协作转发第一时隙信号源S广播的数据给目标通信终端D。

我们定义端到端等效信噪比如下

${\mathrm{SNR}}_{eq,\mathrm{\ζ},k}=\frac{P_{S,k}{\mathrm{\γ}}_{{\mathrm{SR}}_{\mathrm{\ζ}},k}{P}_{R_{\mathrm{\ζ}},k}{\mathrm{\γ}}_{R_{\mathrm{\ζ}}D,k}}{P_{S,k}{\mathrm{\γ}}_{{\mathrm{SR}}_{\mathrm{\ζ}},k}+P_{R_{\mathrm{\ζ}},k}{\mathrm{\γ}}_{R_{\mathrm{\ζ}}D,k}+1}$

其中：SNR_eq,ζ,k表示传输第k个数据块同时选中第ζ个中继协作转发时的等效端到端信噪比，P_S,k和分别表示第k个数据块传输时第一时隙信号源S的发射功率和第二时隙第ζ个中继协作转发数据的发射功率，相应的，和分别表示传输第k个数据块同时选中第ζ个中继协作转发时第一时隙中继R_ζ和第二时隙目标通信终端D的接收信噪比。

从而系统吞吐量表示为

步骤1.2：建立能量采集模型；

定义B_M,k为各种能量采集终端在传输第k个数据块时的储存能量，其中M∈{S,R₁,R₂,...,R_N},k∈{1,2,…,K}在第k个数据块的传输期间，能量采集终端M的发射功率应该满足0≤P_M,k≤B_M,k，为了简化计算，假设能量采集终端的能量只在数据块开始的时候发生变化，则能量限制条件是：

$B_{M,k+1}=min\{(B_{M,k}-P_{M,k}+H_{M,k}),B_{M,max}\},\∀k\∈\{1,2,...,K\}$

其中，B_M,k+1表示能量采集终端M在准备传输第k+1个数据块时的存储能量，P_M,k表示能量采集终端M的发送第k个数据块消耗的能量，H_M,k表示能量采集终端M在第k个传输期间能量采集终端M采集到的能量。上式表达的物理意义是：针对每个终端M，在每个传输块开始传输以前，剩余的能量等于上一传输块的剩余能量加上新采集的能量，减去消耗额能量，同时不能超过最大能量上限B_M,max。

同样的H_M,k也要满足H_M,k≤B_M.max，为简化运算，定义能量采集终端的平均采集能量E{·}表示期望，设定初值B_N,1＝H_N,0≥0；

步骤2：最优化问题的数学模型建立；

本发明区别与以往的中继选择方法，摒弃多中继带来的高复杂度和高网络成本，从易于实际运用的角度来研究单中继节点选取算法以及相应的资源分配算法，考虑基于能量采集的单中继协作通信，并推导推导出该场景下的吞吐量的表达式，联合考虑最优中继选择和功率分配，具有现实的指导意义。

$\begin{array}{cc}P1:& \underset{\[P_{S,k},P_{R_1,k},\mathrm{...},P_{R_N,k}\]\≥0,w_{1,1},\mathrm{...},w_{N,K}}{\max }\frac{1}{2}{\log }_2(1+{\mathrm{SNR}}_{eq,k})\\ & s.t.P_{S,k}\≤B_{S,k},P_{S,k}\≤H_S\\ & w_{n,k}{P}_{R_n,k}\≤B_{R_n,k},w_{n,k}{P}_{R_n,k}\≤{\mathrm{\τH}}_{R_n}/f_n,\∀n\\ & \underset{n=1}{\overset{N}{\Σ}}{w}_{n,k}=1,w_{n,k}\∈\{0,1\},\∀n.\end{array}$

我们进一步分析最优化问题P1：

优化目标函数是最大化系统平均吞吐量

优化变量是中继选择因子ω_1,1,...,ω_N,K和功率分配集合

约束条件是

其中：H_M,M∈{S,R₁,R₂,...,R_N}表示能量采集终端的平均能量采集速度，并规定f_n是第n个中继的能量采集速率，τ是缩放因子。

步骤3：最优化问题的求解：

为了提高进一步改进，提高算法的运算效率，本发明提出一种新的求解优化问题P1的思路，采用拉格朗日乘子方法去寻优，速度更快，算法复杂度更低。具体来说，所述优化问题P1的求解可以采用拉格朗日因子方法：

所述优化问题P1的求解可以采用拉格朗日因子方法：

$\begin{array}{c}L(P_{S,k},P_{R_n,k},w_{n,k},{\mathrm{\β}}_{S,k,0},{\mathrm{\β}}_{R_n,k,0},{\mathrm{\β}}_{S,k,1},{\mathrm{\β}}_{R_n,k,1},{\mathrm{\β}}_k)=\underset{k=1}{\overset{K}{\Σ}}\frac{1}{2}{\log }_2(1+{\mathrm{SNR}}_{eq,k})\\ -{\mathrm{\β}}_{S,k,0}(P_{S,k}-B_{S,k})-{\mathrm{\β}}_{S,k,1}(P_{S,k}-H_S)\\ -{\mathrm{\β}}_{R_n,k,0}(w_{n,k}{P}_{R_n,k}-B_{R_n,k})-{\mathrm{\β}}_{R_n,k,1}(w_{n,k}{P}_{R_n,k}-{\mathrm{\τH}}_{R_n}/f_n)\\ -{\mathrm{\β}}_k(\underset{n=1}{\overset{N}{\Σ}}{w}_{n,k}-1)\end{array}$

再联立和n∈{1,2,...,N},k∈{1,2,...,K}，并用次梯度方法迭代求解，其中是相应的拉格朗日因子。

实施例二

本发明在实施例一的基础上进一步改进，采用拉格朗日乘子算法的基础上，每一次循环迭代的过程中我们可以采用次梯度方法，并选用渐进步长，寻优更加精确。具体来说，所述所述优化问题P1的拉格朗日形式中的拉格朗日因子的迭代更新方法采用次梯度算法，复杂度更低，更有效率，所述次梯度算法的迭代更新方程是

所述优化问题P1的拉格朗日形式中的拉格朗日因子的迭代更新方法采用次梯度算法，复杂度更低，更有效率，所述次梯度算法的迭代更新方程是

β_S,k,0(n+1)＝[β_S,k,0(n)-δ_S,k,0(n)(B_S,k-P_S,k)]⁺

${\mathrm{\β}}_{R_n,k,0}(n+1)={\[{\mathrm{\β}}_{R_n,k,0}\left(n\right)-{\mathrm{\δ}}_{R_n,k,0}\left(n\right)(B_{R_n,k}-w_{n,k}{P}_{R_n,k})\]}^{+}$

β_S,k,1(n+1)＝[β_S,k,1(n)-δ_S,k,1(n)(H_S-P_S,k)]⁺

${\mathrm{\β}}_{R_n,k,1}(n+1)={\[{\mathrm{\β}}_{R_n,k,1}\left(n\right)-{\mathrm{\δ}}_{R_n,k,1}\left(n\right)({\mathrm{\τH}}_{R_n}/f_n-w_{n,k}{P}_{R_n,k})\]}^{+}$

${\mathrm{\β}}_k(n+1)={\[{\mathrm{\β}}_k\left(n\right)-{\mathrm{\δ}}_k\left(n\right)(1-\underset{n=1}{\overset{N}{\Σ}}{w}_{n,k})\]}^{+}$

其中分别表示第n次迭代的拉格朗日因子，分别表示相应的迭代步长。

为了使得迭代速度更快，精度更高，我们选择递进减小的迭代步长。所述迭代步长可以设置成：

${\mathrm{\δ}}_{S,k,0}\left(n\right)={\mathrm{\δ}}_{R_n,k,0}\left(n\right)={\mathrm{\δ}}_{S,k,1}\left(n\right)={\mathrm{\δ}}_{R_n,k,1}\left(n\right)={\mathrm{\δ}}_k\left(n\right)=\frac{1}{n^2},k=1,2,...,K,n=1,2,...,N.$

实施例三

本发明为了简化算法，不显著降低系统性能的同时，大大降低算法复杂度，可用于实时运算，在工程应用上可以选用次优解。所述步骤3包括：采用GBD方法求解。具体来说，

首先求出在此基础上重新归结最优化问题P2:

$\begin{array}{cc}P2:& \underset{\[P_{R_1,k},\mathrm{...},P_{R_N,k}\]\≥0,w_{1,1,\mathrm{...},}{w}_{N,K}}{\max }\frac{1}{2}{\log }_2(1+{\mathrm{SNR}}_{eq,k})\\ & \begin{array}{cc}s.t.& P_{R_n,k}\≤w_{n,k}{\mathrm{\Γ}}_{n,k},\∀n,\end{array}\\ & \underset{n=1}{\overset{N}{\Σ}}{w}_{n,k}=1,w_{n,k}\∈\{0,1\},\∀n.\end{array}$

我们进一步分析最优化问题P2:

目标函数是最大化系统平均吞吐量优化变量是中继选择因子ω_1,1,...,ω_N,K和功率分配集合约束条件是其中最终求得最优的

实施例四

为了进一步提高算法的效率，降低算法复杂度，从而满足实时运算的要求，本发明可以在前面三个实施例的基础上进一步改进，具体来说，我们可以利用凸优化理论进行SNR近似，在极大的降低算法复杂度的同时不明显降低系统性能。

具体来说，所述步骤2还包括近似的凸优化处理，首先定义第k个数据块传输时的等效信噪比SNR_eq,k，为了简化运算，可以做一个近似

${\mathrm{SNR}}_{eq,k}\≈{\stackrel{\‾}{\stackrel{\‾}{SNR}}}_{eq,k}\stackrel{\mathrm{\Δ}}{=}\underset{n=1}{\overset{N}{\Σ}}\frac{w_{n,k}{P}_{S,k}{\mathrm{\γ}}_{{\mathrm{SR}}_{\mathrm{\ζ}},k}{P}_{R_{\mathrm{\ζ}},k}{\mathrm{\γ}}_{R_{\mathrm{\ζ}}D,k}}{P_{S,k}{\mathrm{\γ}}_{{\mathrm{SR}}_{\mathrm{\ζ}},k}+P_{R_{\mathrm{\ζ}},k}{\mathrm{\γ}}_{R_{\mathrm{\ζ}}D,k}}$

重新归结P1问题成P3:

$\begin{array}{cc}P3:& \underset{\[P_{S,k,}{P}_{R_1,k},\mathrm{...},P_{R_N,k}\]\≥0,w_{1,1,\mathrm{...},}{w}_{N,K}}{\max }\frac{1}{2}{\log }_2(1+{\stackrel{\‾}{SNR}}_{eq,k})\\ & s.t.P_{S,k}\≤B_{S,k},P_{S,k}\≤H_S\\ & w_{n,k}{P}_{R_n,k}\≤B_{R_n,k},w_{n,k}{P}_{R_n,k}\≤{\mathrm{\τH}}_{R_n}/f_n,\∀n\\ & \underset{n=1}{\overset{N}{\Σ}}{w}_{n,k}=1,w_{n,k}\∈\{0,1\},\∀n.\end{array}$

我们进一步分析最优化问题P3：

目标函数是最大化系统平均吞吐量

优化变量是中继选择因子ω_1,1,...,ω_N,K和功率分配集合

约束条件是

所述最优化问题P3的拉格朗日形式是：

$\begin{array}{c}L(P_{S,k},P_{R_n,k},w_{n,k},{\mathrm{\β}}_{S,k,0},{\mathrm{\β}}_{R_n,k,0},{\mathrm{\β}}_{S,k,1},{\mathrm{\β}}_{R_n,k,1},{\mathrm{\β}}_k)=\underset{k=1}{\overset{K}{\Σ}}\frac{1}{2}{\log }_2(1+{\stackrel{\‾}{SNR}}_{eq,k})\\ -{\mathrm{\β}}_{S,k,0}(P_{S,k}-B_{S,k})-{\mathrm{\β}}_{S,k,1}(P_{S,k}-H_S)\\ -{\mathrm{\β}}_{R_n,k,0}(w_{n,k}{P}_{R_n,k}-B_{R_n,k})-{\mathrm{\β}}_{R_n,k,1}(w_{n,k}{P}_{R_n,k}-{\mathrm{\τH}}_{R_n}/f_n)\\ -{\mathrm{\β}}_k(\underset{n=1}{\overset{N}{\Σ}}{w}_{n,k}-1)\end{array}$

再联立和n∈{1,2,...,N},k∈{1,2,...,K}，并用次梯度方法迭代求解，其中是相应的拉格朗日因子。

所述优化问题P3的拉格朗日形式中的拉格朗日因子的迭代更新方法采用次梯度算法，复杂度更低，更有效率，所述次梯度算法的迭代更新方程是：

β_S,k,0(n+1)＝[β_S,k,0(n)-δ_S,k,0(n)(B_S,k-P_S,k)]⁺

${\mathrm{\β}}_{R_n,k,0}(n+1)={\[{\mathrm{\β}}_{R_n,k,0}\left(n\right)-{\mathrm{\δ}}_{R_n,k,0}\left(n\right)(B_{R_n,k}-w_{n,k}{P}_{R_n,k})\]}^{+}$

β_S,k,1(n+1)＝[β_S,k,1(n)-δ_S,k,1(n)(H_S-P_S,k)]⁺

${\mathrm{\β}}_{R_n,k,1}(n+1)={\[{\mathrm{\β}}_{R_n,k,1}\left(n\right)-{\mathrm{\δ}}_{R_n,k,1}\left(n\right)({\mathrm{\τH}}_{R_n}/f_n-w_{n,k}{P}_{R_n,k})\]}^{+}$

${\mathrm{\β}}_k(n+1)={\[{\mathrm{\β}}_k\left(n\right)-{\mathrm{\δ}}_k\left(n\right)(1-\underset{n=1}{\overset{N}{\Σ}}{w}_{n,k})\]}^{+}$

其中分别表示第n次迭代的拉格朗日因子，分别表示相应的迭代步长。

所述迭代步长可以设置成：

${\mathrm{\δ}}_{S,k,0}\left(n\right)={\mathrm{\δ}}_{R_n,k,0}\left(n\right)={\mathrm{\δ}}_{S,k,1}\left(n\right)={\mathrm{\δ}}_{R_n,k,1}\left(n\right)={\mathrm{\δ}}_k\left(n\right)=\frac{1}{n^2},k=1,2,...,K,n=1,2,...,N.$

实施例五

在某些应用场景下，我们可以进一步牺牲精度要求，获得更快捷实时运算效果。因此，我们可以进一步利用凸优化理论进行SNR近似，在极大的降低算法复杂度的同时不明显降低系统性能。具体来说，

${\mathrm{SNR}}_{eq,k}\≈{\stackrel{\‾}{\stackrel{\‾}{SNR}}}_{eq,k}\stackrel{\mathrm{\Δ}}{=}\underset{n=1}{\overset{N}{\Σ}}\frac{P_{S,k}{\mathrm{\γ}}_{{\mathrm{SR}}_{\mathrm{\ζ}},k}{P}_{R_{\mathrm{\ζ}},k}{\mathrm{\γ}}_{R_{\mathrm{\ζ}}D,k}}{P_{S,k}{\mathrm{\γ}}_{{\mathrm{SR}}_{\mathrm{\ζ}},k}+P_{R_{\mathrm{\ζ}},k}{\mathrm{\γ}}_{R_{\mathrm{\ζ}}D,k}}$

得到修正后的优化问题P4

$\begin{array}{cc}P4:& \underset{\[P_{S,k,}{P}_{R_1,k},\mathrm{...},P_{R_N,k}\]\≥0,w_{1,1,\mathrm{...},}{w}_{N,K}}{\max }\frac{1}{2}{\log }_2(1+{\stackrel{\‾}{\stackrel{\‾}{SNR}}}_{eq,k})\\ & s.t.P_{S,k}\≤B_{S,k},P_{S,k}\≤H_S\\ & w_{n,k}{P}_{R_n,k}\≤B_{R_n,k},w_{n,k}{P}_{R_n,k}\≤{\mathrm{\τH}}_{R_n}/f_n,\∀n\\ & \underset{n=1}{\overset{N}{\Σ}}{w}_{n,k}=1,w_{n,k}\∈\{0,1\},\∀n.\end{array}$

我们进一步分析最优化问题P4：

优化目标函数是最大化系统平均吞吐量优化变量是中继选择因子ω_1,1,...,ω_N,K和功率分配集合约束条件是

所述最优化问题P4的拉格朗日形式是：

$\begin{array}{c}L(P_{S,k},P_{R_n,k},w_{n,k},{\mathrm{\β}}_{S,k,0},{\mathrm{\β}}_{R_n,k,0},{\mathrm{\β}}_{S,k,1},{\mathrm{\β}}_{R_n,k,1},{\mathrm{\β}}_k)=\underset{k=1}{\overset{K}{\Σ}}\frac{1}{2}{\log }_2(1+{\stackrel{\‾}{\stackrel{\‾}{SNR}}}_{eq,k})\\ -{\mathrm{\β}}_{S,k,0}(P_{S,k}-B_{S,k})-{\mathrm{\β}}_{S,k,1}(P_{S,k}-H_S)\\ -{\mathrm{\β}}_{R_n,k,0}(w_{n,k}{P}_{R_n,k}-B_{R_n,k})-{\mathrm{\β}}_{R_n,k,1}(w_{n,k}{P}_{R_n,k}-{\mathrm{\τH}}_{R_n}/f_n)\\ -{\mathrm{\β}}_k(\underset{n=1}{\overset{N}{\Σ}}{w}_{n,k}-1)\end{array}$

再联立和n∈{1,2,...,N},k∈{1,2,...,K}，并用次梯度方法迭代求解，其中是相应的拉格朗日因子。

所述优化问题P4的拉格朗日形式中的拉格朗日因子的迭代更新方法采用次梯度算法，复杂度更低，更有效率，所述次梯度算法的迭代更新方程是

β_S,k,0(n+1)＝[β_S,k,0(n)-δ_S,k,0(n)(B_S,k-P_S,k)]⁺

${\mathrm{\β}}_{R_n,k,0}(n+1)={\[{\mathrm{\β}}_{R_n,k,0}\left(n\right)-{\mathrm{\δ}}_{R_n,k,0}\left(n\right)(B_{R_n,k}-w_{n,k}{P}_{R_n,k})\]}^{+}$

β_S,k,1(n+1)＝[β_S,k,1(n)-δ_S,k,1(n)(H_S-P_S,k)]⁺

${\mathrm{\β}}_{R_n,k,1}(n+1)={\[{\mathrm{\β}}_{R_n,k,1}\left(n\right)-{\mathrm{\δ}}_{R_n,k,1}\left(n\right)({\mathrm{\τH}}_{R_n}/f_n-w_{n,k}{P}_{R_n,k})\]}^{+}$

${\mathrm{\β}}_k(n+1)={\[{\mathrm{\β}}_k\left(n\right)-{\mathrm{\δ}}_k\left(n\right)(1-\underset{n=1}{\overset{N}{\Σ}}{w}_{n,k})\]}^{+}$

其中分别表示第n次迭代的拉格朗日因子，分别表示相应的迭代步长。

所述迭代步长可以设置成：

${\mathrm{\δ}}_{S,k,0}\left(n\right)={\mathrm{\δ}}_{R_n,k,0}\left(n\right)={\mathrm{\δ}}_{S,k,1}\left(n\right)={\mathrm{\δ}}_{R_n,k,1}\left(n\right)={\mathrm{\δ}}_k\left(n\right)=\frac{1}{n^2},k=1,2,...,K,n=1,2,...,N.$

实施例六

为了进一步降低算法复杂度，满足实时运算的需求，本发明采用利用统计特性，准确计算能量采集速率，有助于最终结果的准确性，提高系统性能。

具体来说，前面五个实施例中能量采集速率f_n给出更精确的表达式，来适应信道的变化。

所述第n个中继的能量采集速率f_n是：

其中：

${\mathrm{\ξ}}_{1,n}={\mathrm{\Ω}}_{1,n}/{\mathrm{\σ}}_{1,n}^2,{\mathrm{\ξ}}_{2,n}={\mathrm{\Ω}}_{2,n}/{\mathrm{\σ}}_{2,n}^2,$

$p_{z_n}\left(z\right)=\frac{{\stackrel{\‾}{\mathrm{\γ}}}_{1,n}+{\stackrel{\‾}{\mathrm{\γ}}}_{2,n}}{{\stackrel{\‾}{\mathrm{\γ}}}_{1,n}{\stackrel{\‾}{\mathrm{\γ}}}_{2,n}}{e}^{-\frac{z}{\frac{{\stackrel{\‾}{\mathrm{\γ}}}_{1,n}{\stackrel{\‾}{\mathrm{\γ}}}_{2,n}}{{\stackrel{\‾}{\mathrm{\γ}}}_{1,n}+{\stackrel{\‾}{\mathrm{\γ}}}_{2,n}}}},P_{z_n}\left(z\right)=1-e^{-\frac{z}{\frac{{\stackrel{\‾}{\mathrm{\γ}}}_{1,n}{\stackrel{\‾}{\mathrm{\γ}}}_{2,n}}{{\stackrel{\‾}{\mathrm{\γ}}}_{1,n}+{\stackrel{\‾}{\mathrm{\γ}}}_{2,n}}}}$

z_n＝min{γ_1,n,γ_2,n}

Ω_1,n和Ω_2,n分别表示第1时隙中继n处的高斯噪声功率和第2时隙中继n发射目的节点接收的高斯噪声功率；和分别表示第1时隙中继n处的非高斯噪声功率和第2时隙中继n发射目的节点接收的非高斯噪声功率；ξ_1,n和ξ_2,n分别表示第1时隙中继n处的高斯噪声功率与非高斯噪声功率的比值和第2时隙中继n发射目的节点接收的高斯噪声功率与非高斯噪声功率的比值；γ_1,n和γ_2,n分别表示第1时隙中继n处的信噪比和第2时隙中继n发射目的节点接收的信噪比；和分别表示第1时隙中继n处修正后的信噪比和第2时隙中继n发射目的节点接收修正后的信噪比；表示随机变量z_n的累计分布函数；表示随机变量z_n的概率密度函数。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于实时的能量采集中继网络的资源分配方法，其特征在于，包括：

步骤1：系统场景分析，问题归结；

步骤1.1：建立信道模型；

场景中有一个能量采集信号源S，N个能量采集的中继站R_i,i＝1,2,...,N和一个目标通信终端D，考虑能量采集信号源S和目标通信终端D之间没有直达路径，中继站R_i选用放大转发工作方式，一个传输过程T包含K个数据块，每个数据块的传输都包含两个时隙,联合考虑该场景下的N个能量采集中继的选择问题以及这N个中继和源节点A的功率指派问题；

假设用于能量采集的电池容量有限，设定能量采集信号源S的电池容量为B_S,max，能量采集中继站R_i,i＝1,2,...,N的电池容量为除了用于传输消耗的能量忽略不计，规定在每个数据块k,k＝1,2,...,K的传输过程中，从中继集合N中唯一选择最佳的中继参与协作这次传输，记这个参与协作的中继为R_ζ,ζ＝1,2,...,N；

定义端到端等效信噪比如下：

${\mathrm{SNR}}_{eq,\mathrm{\ζ},k}=\frac{P_{S,k}{\mathrm{\γ}}_{{\mathrm{SR}}_{\mathrm{\ζ}},k}{P}_{R_{\mathrm{\ζ}},k}{\mathrm{\γ}}_{R_{\mathrm{\ζ}}D,k}}{P_{S,k}{\mathrm{\γ}}_{{\mathrm{SR}}_{\mathrm{\ζ}},k}+P_{R_{\mathrm{\ζ}},k}{\mathrm{\γ}}_{R_{\mathrm{\ζ}}D,k}+1}$

其中：SNR_eq,ζ,k表示传输第k个数据块同时选中第ζ个中继协作转发时的等效端到端信噪比，P_S,k和分别表示第k个数据块传输时第一时隙信号源S的发射功率和第二时隙第ζ个中继协作转发数据的发射功率，相应的，和分别表示传输第k个数据块同时选中第ζ个中继协作转发时第一时隙中继R_ζ和第二时隙目标通信终端D的接收信噪比；

从而系统吞吐量表示为

步骤1.2：建立能量采集模型；

定义B_M,k为各种能量采集终端在传输第k个数据块时的储存能量，其中M∈{S,R₁,R₂,…,R_N}k∈{1,2,...,K},在第k个数据块的传输期间，能量采集终端M的发射功率应该满足0≤P_M,k≤B_M,k，则能量限制条件是：

$B_{M,k+1}=min\{(B_{M,k}-P_{M,k}+H_{M,k}),B_{M,max}\},\∀k\∈\{1,2,...,K\}$

其中，B_M,k+1表示能量采集终端M在准备传输第k+1个数据块时的存储能量，P_M,k表示能量采集终端M的发送第k个数据块消耗的能量，H_M,k表示能量采集终端M在第k个传输期间能量采集终端M采集到的能量，同样的H_M,k也要满足H_M,k≤B_M.max，定义能量采集终端的平均采集能量E{·}表示期望，设定初值B_N,1＝H_N,0≥0；

步骤2:最优化问题的数学模型建立：

在上述假设前提和约束条件下，归结出最优化问题如下：

$\begin{array}{cc}P1:& \underset{\[P_{S,k},P_{R_1,k},...,P_{R_N,k}\]\≥0,w_{1,1},...,w_{N,K}}{\max }\frac{1}{2}{\log }_2(1+{\mathrm{SNR}}_{eq,k})\\ & s.t.P_{S,k}\≤B_{S,k},P_{S,k}\≤H_S\\ & w_{n,k}{P}_{R_n,k}\≤B_{R_n,k},w_{n,k}{P}_{R_n,k}\≤{\mathrm{\τH}}_{R_n}/f_n,\∀n\\ & \underset{n=1}{\overset{N}{\mathrm{\Σ}}}{w}_{n,k}=1,w_{n,k}\∈\{0,1\},\∀n.\end{array},$

其中：H_M,M∈{S,R₁,R₂,...,R_N}表示能量采集终端的平均能量采集速度，规定f_n是第n个中继的能量采集速率，τ是缩放因子；

步骤3：最优化问题的求解；

所述优化问题P1的求解可以采用拉格朗日因子方法：

$\begin{array}{c}L(P_{S,k},P_{R_n,k},w_{n,k},{\mathrm{\β}}_{S,k,0},{\mathrm{\β}}_{R_n,k,0},{\mathrm{\β}}_{S,k,1},{\mathrm{\β}}_{R_n,k,1},{\mathrm{\β}}_k)=\underset{k=1}{\overset{K}{\mathrm{\Σ}}}\frac{1}{2}{\log }_2(1+{\mathrm{SNR}}_{eq,k})\\ -{\mathrm{\β}}_{S,k,0}(P_{S,k}-B_{S,k})-{\mathrm{\β}}_{S,k,1}(P_{S,k}-H_S)\\ -{\mathrm{\β}}_{R_n,k,0}(w_{n,k}{P}_{R_n,k}-B_{R_n,k})-{\mathrm{\β}}_{R_n,k,1}(w_{n,k}{P}_{R_n,k}-{\mathrm{\τH}}_{R_n}/f_n)\\ -{\mathrm{\β}}_k(\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{w}_{n,k}-1)\end{array}$

再联立和n∈{1,2,...,N},k∈{1,2,...,K}，并用次梯度方法迭代求解，其中β_S,k,0,β_S,k,1,β_k是相应的拉格朗日因子。

2.根据权利要求1所述的资源分配方法，其特征在于，所述所述优化问题P1的拉格朗日形式中的拉格朗日因子β_S,k,0,β_S,k,1,β_k的迭代更新方法采用次梯度算法，所述次梯度算法的迭代更新方程是：

β_S,k,0(n+1)＝[β_S,k,0(n)-δ_S,k,0(n)(B_S,k-P_S,k)]⁺

${\mathrm{\β}}_{R_n,k,0}(n+1)={\[{\mathrm{\β}}_{R_n,k,0}\left(n\right)-{\mathrm{\δ}}_{R_n,k,0}\left(n\right)(B_{R_n,k}-w_{n,k}{P}_{R_n,k})\]}^{+}$

β_S,k,1(n+1)＝[β_S,k,1(n)-δ_S,k,1(n)(H_S-P_S,k)]⁺

${\mathrm{\β}}_{R_n,k,1}(n+1)={\[{\mathrm{\β}}_{R_n,k,1}\left(n\right)-{\mathrm{\δ}}_{R_n,k,1}\left(n\right)({\mathrm{\τH}}_{R_n}/f_n-w_{n,k}{P}_{R_n,k})\]}^{+}$

${\mathrm{\β}}_k(n+1)={\[{\mathrm{\β}}_k\left(n\right)-{\mathrm{\δ}}_k\left(n\right)(1-\underset{n=1}{\overset{N}{\Σ}}{w}_{n,k})\]}^{+}$

其中β_S,k,0(n),β_S,k,1(n),β_k(n)分别表示第n次迭代的拉格朗日因子，δ_S,k,0(n),δ_S,k,1(n),δ_k(n)分别表示相应的迭代步长。

3.根据权利要求2所述的资源分配方法，其特征在于：所述次梯度算法迭代更新方程的迭代步长可以设置成：

${\mathrm{\δ}}_{S,k,0}\left(n\right)={\mathrm{\δ}}_{R_n,k,0}\left(n\right)={\mathrm{\δ}}_{S,k,1}\left(n\right)={\mathrm{\δ}}_{R_n,k,1}\left(n\right)={\mathrm{\δ}}_k\left(n\right)=\frac{1}{n^2},k=1,2,...,K,n=1,2,...,N.$

4.根据权利要求1所述的资源分配方法，其特征在于，所述步骤3包括：利用GBD方法，首先求出在此基础上重新归结最优化问题P2：

P2:

$\begin{array}{cc}s.t.& P_{R_n,k}\≤w_{n,k}{\mathrm{\Γ}}_{n,k},\∀n,\end{array}$

$\underset{n=1}{\overset{N}{\Σ}}{w}_{n,k}=1,w_{n,k}\∈\{0,1\},\∀n.$

其中最终求得最优的

5.根据权利要求1所述的联合功率分配和中继选择方法，其特征在于，所述步骤2还包括近似的凸优化处理：

首先定义第k个数据块传输时的等效信噪比SNR_eq,k的近似为：

重新归结P1问题成P3:

$\begin{array}{cc}P3:& \underset{\[P_{S,k},P_{R_1,k},...,P_{R_N,k}\]\≥0,w_{1,1},...,w_{N,K}}{\max }\frac{1}{2}{\log }_2(1+{\stackrel{\‾}{SNR}}_{eq,k})\\ & s.t.P_{S,k}\≤B_{S,k},P_{S,k}\≤H_S\\ & w_{n,k}{P}_{R_n,k}\≤B_{R_n,k},w_{n,k}{P}_{R_n,k}\≤{\mathrm{\τH}}_{R_n}/f_n,\∀n\\ & \underset{n=1}{\overset{N}{\mathrm{\Σ}}}{w}_{n,k}=1,w_{n,k}\∈\{0,1\},\∀n.\end{array}.$

6.根据权利要求5所述的联合功率分配和中继选择方法，其特征在于，所述最优化问题P3的拉格朗日形式是：

$\begin{array}{c}L(P_{S,k},P_{R_n,k},w_{n,k},{\mathrm{\β}}_{S,k,0},{\mathrm{\β}}_{R_n,k,0},{\mathrm{\β}}_{S,k,1},{\mathrm{\β}}_{R_n,k,1},{\mathrm{\β}}_k)=\underset{k=1}{\overset{K}{\mathrm{\Σ}}}\frac{1}{2}{\log }_2(1+{\stackrel{\‾}{SNR}}_{eq,k})\\ -{\mathrm{\β}}_{S,k,0}(P_{S,k}-B_{S,k})-{\mathrm{\β}}_{S,k,1}(P_{S,k}-H_S)\\ -{\mathrm{\β}}_{R_n,k,0}(w_{n,k}{P}_{R_n,k}-B_{R_n,k})-{\mathrm{\β}}_{R_n,k,1}(w_{n,k}{P}_{R_n,k}-{\mathrm{\τH}}_{R_n}/f_n)\\ -{\mathrm{\β}}_k(\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{w}_{n,k}-1)\end{array}$

再联立和n∈{1,2,...,N},k∈{1,2,...,K}，并用次梯度方法迭代求解，其中β_S,k,0,β_S,k,1,β_k是相应的拉格朗日因子；

所述优化问题P3的拉格朗日形式中的拉格朗日因子β_S,k,0,β_S,k,1,β_k的迭代更新方法采用次梯度算法，所述次梯度算法的迭代更新方程是：

β_S,k,0(n+1)＝[β_S,k,0(n)-δ_S,k,0(n)(B_S,k-P_S,k)]⁺

${\mathrm{\β}}_{R_n,k,0}(n+1)={\[{\mathrm{\β}}_{R_n,k,0}\left(n\right)-{\mathrm{\δ}}_{R_n,k,0}\left(n\right)(B_{R_n,k}-w_{n,k}{P}_{R_n,k})\]}^{+}$

β_S,k,1(n+1)＝[β_S,k,1(n)-δ_S,k,1(n)(H_S-P_S,k)]⁺

${\mathrm{\β}}_{R_n,k,1}(n+1)={\[{\mathrm{\β}}_{R_n,k,1}\left(n\right)-{\mathrm{\δ}}_{R_n,k,1}\left(n\right)({\mathrm{\τH}}_{R_n}/f_n-w_{n,k}{P}_{R_n,k})\]}^{+}$

${\mathrm{\β}}_k(n+1)={\[{\mathrm{\β}}_k\left(n\right)-{\mathrm{\δ}}_k\left(n\right)(1-\underset{n=1}{\overset{N}{\Σ}}{w}_{n,k})\]}^{+}$

其中β_S,k,0(n),β_S,k,1(n),β_k(n)分别表示第n次迭代的拉格朗日因子，δ_S,k,0(n),δ_S,k,1(n),δ_k(n)分别表示相应的迭代步长。

所述迭代步长可以设置成：

${\mathrm{\δ}}_{S,k,0}\left(n\right)={\mathrm{\δ}}_{R_n,k,0}\left(n\right)={\mathrm{\δ}}_{S,k,1}\left(n\right)={\mathrm{\δ}}_{R_n,k,1}\left(n\right)={\mathrm{\δ}}_k\left(n\right)=\frac{1}{n^2},k=1,2,...,K,n=1,2,...,N.$

7.根据权利要求1所述的联合功率分配和中继选择方法，其特征在于，所述步骤2还包括近似的凸优化处理：

首先定义第k个数据块传输时的等效信噪比SNR_eq,k的近似为：

得到修正后的优化问题P4

$\begin{array}{cc}P4:& \underset{\[P_{S,k},P_{R_1,k},...,P_{R_N,k}\]\≥0,w_{1,1},...,w_{N,K}}{\max }\frac{1}{2}{\log }_2(1+{\stackrel{\‾}{\stackrel{\‾}{SNR}}}_{eq,k})\\ & s.t.P_{S,k}\≤B_{S,k},P_{S,k}\≤H_S\\ & w_{n,k}{P}_{R_n,k}\≤B_{R_n,k},w_{n,k}{P}_{R_n,k}\≤{\mathrm{\τH}}_{R_n}/f_n,\∀n\\ & \underset{n=1}{\overset{N}{\mathrm{\Σ}}}{w}_{n,k}=1,w_{n,k}\∈\{0,1\},\∀n.\end{array}.$

8.根据权利要求7所述的联合功率分配和中继选择方法，其特征在于，所述最优化问题P4的拉格朗日形式是：

$\begin{array}{c}L(P_{S,k},P_{R_n,k},w_{n,k},{\mathrm{\β}}_{S,k,0},{\mathrm{\β}}_{R_n,k,0},{\mathrm{\β}}_{S,k,1},{\mathrm{\β}}_{R_n,k,1},{\mathrm{\β}}_k)=\underset{k=1}{\overset{K}{\mathrm{\Σ}}}\frac{1}{2}{\log }_2(1+{\stackrel{\‾}{\stackrel{\‾}{SNR}}}_{eq,k})\\ -{\mathrm{\β}}_{S,k,0}(P_{S,k}-B_{S,k})-{\mathrm{\β}}_{S,k,1}(P_{S,k}-H_S)\\ -{\mathrm{\β}}_{R_n,k,0}(w_{n,k}{P}_{R_n,k}-B_{R_n,k})-{\mathrm{\β}}_{R_n,k,1}(w_{n,k}{P}_{R_n,k}-{\mathrm{\τH}}_{R_n}/f_n)\\ -{\mathrm{\β}}_k(\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{w}_{n,k}-1)\end{array}$

再联立和n∈{1,2,...,N},k∈{1,2,...,K}，并用次梯度方法迭代求解，其中β_S,k,0,β_S,k,1,β_k是相应的拉格朗日因子；

所述优化问题P4的拉格朗日形式中的拉格朗日因子β_S,k,0,β_S,k,1,β_k的迭代更新方法采用次梯度算法，所述次梯度算法的迭代更新方程是：

β_S,k,0(n+1)＝[β_S,k,0(n)-δ_S,k,0(n)(B_S,k-P_S,k)]⁺

${\mathrm{\β}}_{R_n,k,0}(n+1)={\[{\mathrm{\β}}_{R_n,k,0}\left(n\right)-{\mathrm{\δ}}_{R_n,k,0}\left(n\right)(B_{R_n,k}-w_{n,k}{P}_{R_n,k})\]}^{+}$

β_S,k,1(n+1)＝[β_S,k,1(n)-δ_S,k,1(n)(H_S-P_S,k)]⁺

${\mathrm{\β}}_{R_n,k,1}(n+1)={\[{\mathrm{\β}}_{R_n,k,1}\left(n\right)-{\mathrm{\δ}}_{R_n,k,1}\left(n\right)({\mathrm{\τH}}_{R_n}/f_n-w_{n,k}{P}_{R_n,k})\]}^{+}$

${\mathrm{\β}}_k(n+1)={\[{\mathrm{\β}}_k\left(n\right)-{\mathrm{\δ}}_k\left(n\right)(1-\underset{n=1}{\overset{N}{\Σ}}{w}_{n,k})\]}^{+}$

其中β_S,k,0(n),β_S,k,1(n),β_k(n)分别表示第n次迭代的拉格朗日因子，δ_S,k,0(n),δ_S,k,1(n),δ_k(n)分别表示相应的迭代步长；

所述迭代步长可以设置成：

${\mathrm{\δ}}_{S,k,0}\left(n\right)={\mathrm{\δ}}_{R_n,k,0}\left(n\right)={\mathrm{\δ}}_{S,k,1}\left(n\right)={\mathrm{\δ}}_{R_n,k,1}\left(n\right)={\mathrm{\δ}}_k\left(n\right)=\frac{1}{n^2},k=1,2,...,K,n=1,2,...,N.$

9.根据权利要求1-8所述的任意一种联合功率分配和中继选择方法，其特征在于：所述第n个中继的能量采集速率f_n是：

其中：

${\mathrm{\ξ}}_{1,n}={\mathrm{\Ω}}_{1,n}/{\mathrm{\σ}}_{1,n}^2,{\mathrm{\ξ}}_{2,n}={\mathrm{\Ω}}_{2,n}/{\mathrm{\σ}}_{2,n}^2,$

$p_{z_n}\left(z\right)=\frac{{\stackrel{\‾}{\mathrm{\γ}}}_{1,n}+{\stackrel{\‾}{\mathrm{\γ}}}_{2,n}}{{\stackrel{\‾}{\mathrm{\γ}}}_{1,n}{\stackrel{\‾}{\mathrm{\γ}}}_{2,n}}{e}^{-\frac{z}{\frac{{\stackrel{\‾}{\mathrm{\γ}}}_{1,n}{\stackrel{\‾}{\mathrm{\γ}}}_{2,n}}{{\stackrel{\‾}{\mathrm{\γ}}}_{1,n}+{\stackrel{\‾}{\mathrm{\γ}}}_{2,n}}}},P_{z_n}\left(z\right)=1-e^{-\frac{z}{\frac{{\stackrel{\‾}{\mathrm{\γ}}}_{1,n}{\stackrel{\‾}{\mathrm{\γ}}}_{2,n}}{{\stackrel{\‾}{\mathrm{\γ}}}_{1,n}+{\stackrel{\‾}{\mathrm{\γ}}}_{2,n}}}}$

z_n＝min{γ_1,n,γ_2,n}

Ω_1,n和Ω_2,n分别表示第1时隙中继n处的高斯噪声功率和第2时隙中继n发射目的节点接收的高斯噪声功率；和分别表示第1时隙中继n处的非高斯噪声功率和第2时隙中继n发射目的节点接收的非高斯噪声功率；ξ_1,n和ξ_2,n分别表示第1时隙中继n处的高斯噪声功率与非高斯噪声功率的比值和第2时隙中继n发射目的节点接收的高斯噪声功率与非高斯噪声功率的比值；γ_1,n和γ_2,n分别表示第1时隙中继n处的信噪比和第2时隙中继n发射目的节点接收的信噪比；和分别表示第1时隙中继n处修正后的信噪比和第2时隙中继n发射目的节点接收修正后的信噪比；表示随机变量z_n的累计分布函数；表示随机变量z_n的概率密度函数。