CN106255220A - 能量采集小蜂窝网络中的资源分配方法 - Google Patents

Abstract

本发明公开了一种能量采集小蜂窝网络中的资源分配方法，属于无线通信技术领域。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，充分考虑可再生能源的环保方案，结合中继站的协作转发功能，采用能量采集中继站协作转发数据。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，寻优过程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。本发明的资源分配方法，算法设计合理，易于实现。

Description

能量采集小蜂窝网络中的资源分配方法

技术领域

本发明属于无线通信技术领域，更具体地说，涉及一种能量采集小蜂窝网络中的资源分配方法。

背景技术

无线通信深刻影响着人们的日常生活和社会经济发展，但人们对更高性能通信服务的需求从未停止过。移动互联网和物联网的飞速发展将带来第五代移动通信(TheFifth-generation Mobile Communications，5G)流量上千倍的增长，最近相关研究机构和组织的研究表明移动数据流量每年都在翻倍。未来室内和热点地区高速率及多样化的服务需求将占据无线服务数据流量的主要部分，传统的以宏基站(Macro Base Station，MBS)覆盖为主的通信技术设计准则将不再适应5G技术的发展。而小蜂窝网络(Small CellNetwork，SCN)技术能够允许大量覆盖半径小、成本小和功耗低的基站共存，且其具有自组织和自优化能力。SCN将在5G发展中将发挥重要作用，其主要优势可从增加无线系统容量、提高能量效率、充分利用频谱资源和降低成本这四个方面得到体现。

归结起来，小蜂窝网络能够极大的满足当前和将来的无线通信需求，但同时也引出了几个函待解决的问题：

1)用户服务质量的要求始终是蜂窝网络不可回避的话题，小蜂窝用户的速率最优化问题一直是重中之重，需要在保证当前约束条件下最大化用户的网络速率；

2)虽然小蜂窝本身功率比宏基站要低，但是为保证网络质量，小蜂窝网络中小蜂窝数量急剧增加，所以能耗的问题更加严峻，如果能够采用太阳能等可再生资源，对节能环保工作的开展会有重大现实意义；

3)迫切需要能够投入实际应用的关于小蜂窝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201610085935.3，公开日2016年2月15日，公开了一份名称为一种基于LTE的认知小蜂窝双重资源分配和干扰管理方法，其包括认知小蜂窝同时使用授权和非授权两种频段，认知用户根据频谱检测动态接入使用授权频段，认知用户伺机接入授权频段，当对授权用户的干扰低于门限值时，认知用户与授权用户共享频谱，同时选择最佳的认知小蜂窝基站进行数据传输；认知用户和WiFi用户竞争使用未授权频段，根据WiFi用户的传输概率动态调整认知用户的检测时间间隔。该申请材料提出一种简单有效的干扰管理和资源分配机制，实现授权和非授权频段资源的合理分配，从而最大化整个网络的传输速率，提高用户满意度和系统整体性能。

中国专利申请号201610098760.X，公开日2016年2月23日，公开了一份名称为一种蜂窝网络中基于全双工D2D通信的资源分配方法，其包括首先进行D2D用户之间建立连接的步骤，D2D用户之间预建立连接完成后，则开始为用户合理分配无线资源，从图论的角度考虑，将蜂窝用户与D2D用户之间的资源分配关系等效看作一个节点加权的无向二部图，采用图论中的最大权重匹配算法协调蜂窝用户和D2D用户之间的资源分配。该申请材料有效的减小蜂窝用户与D2D用户之间的干扰，获得比较好的公平性，同时最大化了系统的吞吐量。

中国专利申请号201510621055.9，公开日2015年9月25日，公开了一份名称为一种小基站集中配置资源的方法、设备和系统，其包括在小基站通信系统中配置小基站集中管理设备，使相邻的至少一个小基站通过回传网连接至小基站集中管理设备，并由该小基站集中管理设备管理，每个相邻小基站只连接至一个小基站集中管理设备，该小基站集中管理设备实施以下步骤：接收各相邻小基站终端实时检测到的各频谱资源的信干噪比，将信干噪比低于预设门限值且干扰源非其他小基站的频谱资源，标记为宏基站用户使用频谱资源；在预设时段内，统计每个时段内标记为宏基站用户频谱资源数；根据上一次同一预设时段的统计结果，预测下一个同一预设时段内各个相邻小基站覆盖范围内的宏基站用户频谱资源数，并标记为不可用状态；并保存各个预设时段内的统计结果；接收各相邻小基站的频谱资源分配请求，根据各相邻小基站的频谱资源使用情况计算频谱资源分配结果，并生成频谱资源分配信令，发送至各相邻小基站。该申请材料可降低网络干扰，保障网络稳定运行，并保证本地相邻小基站间的和谐共存。

总的来说，申请号201610085935.3的公开材料考虑授权和非授权频段资源的合理分配，从而最大化整个网络的传输速率，但是没有考虑基本的用户约束条件和算法实用性要求。申请号201610098760.X的公开材料考虑采用图论中的最大权重匹配算法协调蜂窝用户和D2D用户之间的资源分配，有效的减小蜂窝用户与D2D用户之间的干扰，兼顾公平性，最大化了系统的吞吐量。但是没有考虑D2D用户作为中继协助小蜂窝进一步提高系统的性能的可能性。申请号201510621055.9的公开材料考虑小基站集中配置资源的方法、设备和系统，降低网络干扰，保障网络稳定运行，但是没有从能耗的角度考虑系统性能最优。

发明内容

针对现有的小蜂窝网络未充分考虑用户能量因果约束条件下的系统最优、可再生能源的节能方案、辅助中继站的问题，本发明提出一种能量采集小蜂窝网络中的资源分配方法，在综合考虑用户能量因果约束条件下，结合可再生能源的节能方案，辅助能量采集中继站的协作转发，最大化用户网络性能。

为解决上述问题，本发明所采用的技术方案如下：

一种能量采集小蜂窝网络中的资源分配方法，包括：

步骤1:系统场景分析，问题归结；

考虑一个经典的三节点场景，场景中有一个能量采集的小蜂窝S，一个能量采集的中继站R和一个目标通信蜂窝用户D，考虑小蜂窝S和蜂窝用户D之间的无直达路径，中继站R选用DF工作方式，一个传输过程包括N个数据块，基站S和中继R占用相等的带宽B，考虑该场景下的小蜂窝S和中继站R的功率指派问题；

假设用于能量采集的电池容量足够大，用于传输消耗的能量可以忽略不计，在传输每一次的数据块时总的能量约束方程必须满足：

$\underset{i=1}{\overset{k}{\Σ}}{P}_S\·\left(i\right)\≤\frac{1}{B}\underset{i=1}{\overset{k}{\Σ}}{E}_S\left(i\right),\underset{i=1}{\overset{k}{\Σ}}{P}_R(i+1)\≤\frac{1}{B}\underset{i=1}{\overset{k}{\Σ}}{E}_R(i+1),k=1,...,N.$

其中：P_S(i)表示小蜂窝S发送第i个数据块时分配的功率，E_S(i)表示小蜂窝S在i个传输时隙内采集到的功率，P_R(i+1)表示中继站R在第i+1个时隙转发第i个数据块时分配的功率，E_R(i+1)表示中继站R在第i+1个传输时隙内采集到的功率，信道的输入输出关系满足：

$y_{sr}\left(i\right)=\sqrt{h_{sr}}{x}_s\left(i\right)+n_r\left(i\right),y_{sd}\left(i\right)=\sqrt{h_{sd}}{x}_s\left(i\right)+n_d\left(i\right),y_{rd}(i+1)=\sqrt{h_{rd}}{x}_r(i+1)+w_d(i+1).$

其中，x_s(i)和x_r(i+1)分别表示小蜂窝S在第i个时隙以及中继站R在第i+1个时隙发送的信号，y_sr(i)表示中继站R在第i个时隙的接收信号，y_sd(i)和y_rd(i+1)分别表示蜂窝用户D在第i个时隙以及第i+1个时隙的接收信号，h_sr表示小蜂窝S和中继站R之间的信道功率增益，h_sd表示小蜂窝S和蜂窝用户D之间的信道功率增益，h_rd表示中继站R和蜂窝用户D之间的信道功率增益，n_r(i)表示中继站R在第i时隙的接收信号噪声，n_d(i)和w_d(i+1)分别表示蜂窝用户D在第i时隙以及第i+1时隙的接收信号噪声，基站S和中继站R之间，基站S和蜂窝用户D之间以及中继站R和蜂窝用户D之间的接收信噪比分别满足：

γ_sr(i)＝P_S(i)h_sr,γ_sd(i)＝P_S(i)h_sd,γ_rd(i+1)＝P_R(i+1)h_rd.

其中，γ_sr(i)表示基站S和中继站R之间第i时隙的接收信噪比，γ_sd(i)和γ_rd(i+1)分别表示蜂窝用户D在第i时隙以及第i+1时隙的接收信噪比，定义新的小蜂窝S和中继站R的能量和功率曲线为：

${\tilde{E}}_S\left(i\right)=E_S\left(i\right)h_{sr},{\tilde{E}}_R(i+1)=E_R(i+1)h_{rd},{\tilde{P}}_S\left(i\right)=P_S\left(i\right)h_{sr},{\tilde{P}}_R(i+1)=P_R(i+1)h_{rd}.$

由此可以获得新的信道增益的表达式如下：

${\tilde{h}}_{sr}={\tilde{h}}_{rd}=1,{\tilde{h}}_{sd}=\frac{h_{sd}}{h_{sr}}=h_0.$

据此，我们重新改写信道模型的表达式如下：

$y_{sr}\left(i\right)=x_s\left(i\right)+n_r\left(i\right),y_{sd}\left(i\right)=\sqrt{h_0}{x}_s\left(i\right)+n_d\left(i\right),y_{rd}(i+1)=x_r(i+1)+w_d(i+1).;$

步骤2:系统数学模型建立，

在DF中继的传输模式下，当第i个数据块被传输时，必须满足

R(i)≤C(P_S(i))

其中R(i)表示第i时隙的速率，C(P_S(i))表示第i时隙的容量，下一个数据块i+1传输的时间内，同样需要满足

R_B(i+1)≤C(P_R(i+1)),R(i)≤R_B(i+1)≤C(P_R(i+1)).

其中C(P_R(i+1))表示第i+1时隙的容量，R_B(i+1)表示中继站R第i+1时隙的分割速率，由此可以得到第i个数据块传输时的可达速率：

R(i)＝min{C(P_S(i)),C(P_R(i+1))}

考虑一个N个数据块的传输过程，可以归结出平均吞吐量最大化的最优化问题如下：

$\begin{array}{cc}P1:& \underset{\left\{P_S\left(i\right)\right\},\left\{P_R(i+1)\right\}}{\max }\frac{1}{2(N+1)}\underset{i=1}{\overset{N}{\Σ}}\min \{C\left(P_S\right(i\left)\right),C\left(P_R\right(i+1\left)\right)\}\\ & s.t.\underset{i=1}{\overset{N}{\Σ}}{P}_S\left(i\right)\≤\frac{1}{B}\underset{i=1}{\overset{N}{\Σ}}{E}_S\left(i\right),k=1,\mathrm{...},N,\\ & \underset{i=1}{\overset{N}{\Σ}}{P}_R(i+1)\≤\frac{1}{B}\underset{i=1}{\overset{N}{\Σ}}{E}_R(i+1),k=1,\mathrm{...},N,\\ & P_S\left(i\right)\≥0,P_R(i+1)\≥0,i=1,\mathrm{...}N.\end{array};$

步骤3:设置i＝1，判断当i≤N时，跳转至步骤4，否则跳转至步骤7算法结束；

步骤4:分别计算i_s，和i_r如下：

$i_s=\arg \underset{i\≤j\≤N}{\min }\left\{\frac{{\tilde{E}}_S\left(i\right)+{\Σ}_{k=i}^j{E}_S\left(k\right)}{(j-i+1)B}\right\}$

$i_r=\arg \underset{i\≤j\≤N}{\min }\left\{\frac{{\tilde{E}}_R(i+1)+{\Σ}_{k=i}^j{E}_R(k+1)}{(j-i+1)B}\right\}$

${\tilde{P}}_S^i=\frac{{\tilde{E}}_S\left(i\right)+{\Σ}_{k=i}^{i_s}{E}_S\left(k\right)}{(i_s-i+1)B}$

${\tilde{P}}_R^{i+1}=\frac{{\tilde{E}}_S(i+1)+{\Σ}_{k=i}^{i_r}{E}_R(k+1)}{(i_r-i+1)B}$

其中，表示小蜂窝S在第i时隙预分配的发射功率，表示中继站R在第i+1时隙预分配的发射功率，i_s和i_r分别表示小蜂窝S以及中继站R的能量耗尽时隙，表示小蜂窝S在第i个时隙发射信号以前剩余的功率，表示中继站R在第i+1个时隙发射信号以前剩余的功率，

${\tilde{E}}_S\left(1\right)={\tilde{E}}_S\left(2\right)=0,{\tilde{E}}_S\left(i\right)=\underset{k=1}{\overset{i-1}{\Σ}}{E}_S\left(k\right)-{\mathrm{BP}}_S^{*}\left(k\right)$

${\tilde{E}}_R(i+1)=\underset{k=1}{\overset{i-1}{\Σ}}{E}_R(k+1)-{\mathrm{BP}}_R^{*}(k+1),i=2,\mathrm{...},N$

其中，分别表示小蜂窝S在第i时隙以及中继站R在第i+1时隙的最优发射功率；

步骤5：判断是否成立，是就跳至步骤6，否就跳至步骤7；

步骤6：计算其是k＝i，...，i_r，设置i＝i_r+1，跳至步骤8；

步骤7：计算其中k＝i，...，i_s，设置i＝i_s+1，跳至步骤8；

步骤8：算法结束，输出获得该场景下的小蜂窝S和中继站R的最优功率指派。

进一步的，所述步骤2还包括：将优化问题P1进行凸优化处理，优化问题转化成：

P2:

$s.t.\underset{i=1}{\overset{k}{\Σ}}{P}_S\left(i\right)\≤\frac{1}{B}\underset{i=1}{\overset{k}{\Σ}}{E}_S\left(i\right),k=1,...,N,$

$\underset{i=1}{\overset{k}{\Σ}}{P}_R(i+1)\≤\frac{1}{B}\underset{i=1}{\overset{k}{\Σ}}{E}_R(i+1),k=1,...,N,$

P_S(i)≥0,P_R(i+1)≥0,i＝1,...N.

其中表示小蜂窝S的发射功率必须要满足能量采集的因果关系限制，表示中继站R的发射功率必须要满足能量采集的因果关系限制，P_S(i)≥0,P_R(i+1)≥0,i＝1,...N.表示小蜂窝S和中继站R的功率分配不能为负数。

进一步的，所述步骤2中优化问题P2的拉格朗日形式是：

$\begin{array}{c}L\left(P_S\right(i),P_R(i+1),{\mathrm{\μ}}_k,{\mathrm{\λ}}_k,{\mathrm{\γ}}_i,{\mathrm{\η}}_{i+1})=\frac{1}{2(N+1)}\underset{i=1}{\overset{N}{\Σ}}\min \{C\left(P_S\right(i\left)\right),C\left(P_R\right(i+1\left)\right)\}\\ -\underset{k=1}{\overset{N}{\Σ}}{\mathrm{\μ}}_k\left(\underset{i=1}{\overset{k}{\Σ}}{\mathrm{BP}}_S\right(i)-E_S(i\left)\right)-\underset{k=1}{\overset{N}{\Σ}}{\mathrm{\λ}}_k\left(\underset{i=1}{\overset{k}{\Σ}}{\mathrm{BP}}_R\right(i+1)-E_R(i+1\left)\right)+\underset{i=1}{\overset{N}{\Σ}}{\mathrm{\γ}}_i{P}_S\left(i\right)+\underset{i=1}{\overset{N}{\Σ}}{\mathrm{\η}}_{i+1}{P}_R(i+1)\end{array}$

$\frac{\&part;L}{\&part;P_S(i+1)}=\{\begin{array}{cc}\begin{array}{cc}\frac{1}{4(N+1)}\&times;\frac{1}{1+P_S\left(i\right)},& P_R(i+1)\&GreaterEqual;P_S\left(i\right)\\ \frac{1}{4(N+1)},& P_R(i+1)<P_S\left(i\right)\end{array}& -B\underset{k=i}{\overset{N}{\&Sigma;}}{\mathrm{\&mu;}}_k+{\mathrm{\&gamma;}}_i\end{array},$

$\frac{\&part;L}{\&part;P_R(i+1)}=\left\{\begin{array}{cc}\begin{array}{cc}0,& P_R(i+1)\&GreaterEqual;P_S\left(i\right)\\ \frac{1}{4(N+1)}\&times;\frac{1}{1+P_R(i+1)},& P_R(i+1)<P_S\left(i\right)\end{array}& -B\underset{k=i}{\overset{N}{\&Sigma;}}{\mathrm{\&lambda;}}_k+{\mathrm{\&eta;}}_{i+1}\end{array}\right.$

其中，μ_k,λ_k,γ_i,η_i+1表示拉格朗日因子。

进一步的，所述优化问题P2的拉格朗日形式中的拉格朗日因子μ_k,λ_k,γ_i,η_i+1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

${\mathrm{\&mu;}}_k(n+1)={\&lsqb;{\mathrm{\&mu;}}_k\left(n\right)-{\mathrm{\&alpha;}}_{{\mathrm{\&mu;}}_k}\left(n\right)\left(E_S\right(i)-\underset{i=1}{\overset{k}{\&Sigma;}}{\mathrm{BP}}_S\left(i\right))\&rsqb;}^{+},k=1,2,...,N$

${\mathrm{\&lambda;}}_k(n+1)={\&lsqb;{\mathrm{\&lambda;}}_k\left(n\right)-{\mathrm{\&alpha;}}_{{\mathrm{\&lambda;}}_k}\left(n\right)\left(E_R\right(i+1)-\underset{i=1}{\overset{k}{\&Sigma;}}{\mathrm{BP}}_R(i+1\left)\right)\&rsqb;}^{+},k=1,2,...,N$

${\mathrm{\&gamma;}}_i(n+1)=[{\mathrm{\&gamma;}}_i\left(n\right)-{\mathrm{\&alpha;}}_{{\mathrm{\&gamma;}}_i}\left(n\right)P_S\left(i\right){]}^{+},i=\mathrm{1,2},...,N$

${\mathrm{\&eta;}}_{i+1}(n+1)={[{\mathrm{\&eta;}}_{i+1}\left(n\right)-{\mathrm{\&alpha;}}_{{\mathrm{\&eta;}}_{i+1}}\left(n\right)P_R(i+1)]}^{+},i=\mathrm{1,2},...,N$

其中μ_k(n),λ_k(n),γ_i(n),η_i+1(n)分别表示第n次迭代的拉格朗日因子，

α_μk(n),α_λk(n),α_γi(n),α_ηi+1(n)分别表示相应的迭代步长。

进一步的，所述次梯度算法的迭代步长可以设置成：

${\mathrm{\&alpha;}}_{{\mathrm{\&mu;}}_k}\left(n\right)={\mathrm{\&alpha;}}_{{\mathrm{\&lambda;}}_k}\left(n\right)={\mathrm{\&alpha;}}_{{\mathrm{\&gamma;}}_i}\left(n\right)={\mathrm{\&alpha;}}_{{\mathrm{\&eta;}}_{i+1}}\left(n\right)=\frac{1}{n^2},k=1,2,...,N,i=1,2,...,N.$

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)本发明充分考虑可再生能源的环保方案，结合中继站的协作转发功能，采用能量采集中继站协作转发数据，最大化用户网络性能；

(3)本发明考虑能量采集的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，节约能耗；

(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

一种能量采集小蜂窝网络中的资源分配方法，其特征在于，包括：

步骤1:系统场景分析，问题归结；

本发明考虑一个能量采集小蜂窝网络中经典的三节点场景，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。场景中有一个能量采集的小蜂窝Small Cell(简记为S)，一个能量采集的中继站Relay(简记为R)和一个目标通信蜂窝用户Destination(简记为D)。本发明充分考虑可再生能源的环保方案，结合中继站的协作转发功能，采用能量采集中继站协作转发数据，最大化用户网络性能。考虑小蜂窝S和蜂窝用户D之间的无直达路径，必须通过中继站R转发，中继站R选用解码转发(Decode Forward，简记为DF)工作方式，一个传输过程包括N个数据块，假设基站S和中继R占用相等的带宽B，只考虑该场景下的小蜂窝S和中继站R的功率指派问题。

假设用于能量采集的电池容量足够大，同时假设用于传输消耗的能量可以忽略不计，在传输每一次的数据块时总的能量约束方程必须满足：

$\underset{i=1}{\overset{k}{\&Sigma;}}{P}_S\left(i\right)\&le;\frac{1}{B}\underset{i=1}{\overset{k}{\&Sigma;}}{E}_S\left(i\right),k=1,...,N,$

$\underset{i=1}{\overset{k}{\&Sigma;}}{P}_R(i+1)\&le;\frac{1}{B}\underset{i=1}{\overset{k}{\&Sigma;}}{E}_R(i+1),k=1,...,N.$

其中：P_S(i)表示小蜂窝S发送第i个数据块时分配的功率，E_S(i)表示小蜂窝S在i个传输时隙内采集到的功率，针对小蜂窝S在第i个时隙发送的数据块i，中继站R接收后在第i+1个时隙进行转发，i＝1,2,…,N，P_R(i+1)表示中继站R在第i+1个时隙转发第i个数据块时分配的功率，E_R(i+1)表示中继站R在第i+1个传输时隙内采集到的功率，信道的输入输出关系满足：

$y_{sr}\left(i\right)=\sqrt{h_{sr}}{x}_s\left(i\right)+n_r\left(i\right),$

$y_{sd}\left(i\right)=\sqrt{h_{sd}}{x}_s\left(i\right)+n_d\left(i\right),$

$y_{rd}(i+1)=\sqrt{h_{rd}}{x}_r(i+1)+w_d(i+1),$

其中，x_s(i)和x_r(i+1)分别表示小蜂窝S在第i个时隙以及中继站R在第i+1个时隙发送的信号，y_sr(i)表示中继站R在第i个时隙的接收信号，y_sd(i)和y_rd(i+1)分别表示蜂窝用户D在第i个时隙以及第i+1个时隙的接收信号，h_sr表示小蜂窝S和中继站R之间的信道功率增益，h_sd表示小蜂窝S和蜂窝用户D之间的信道功率增益，h_rd表示中继站R和蜂窝用户D之间的信道功率增益，n_r(i)表示中继站R在第i时隙的接收信号噪声，n_d(i)和w_d(i+1)分别表示蜂窝用户D在第i时隙以及第i+1时隙的接收信号噪声。

根据上述假设，基站S和中继站R之间，基站S和蜂窝用户D之间以及中继站R和蜂窝用户D之间的接收信噪比分别满足：

γ_sr(i)＝P_S(i)h_sr

γ_sd(i)＝P_S(i)h_sd

γ_rd(i+1)＝P_R(i+1)h_rd

其中，γ_sr(i)表示基站S和中继站R之间第i时隙的接收信噪比，γ_sd(i)和γ_rd(i+1)分别表示蜂窝用户D在第i时隙以及第i+1时隙的接收信噪比，定义新的小蜂窝S和中继站R的能量和功率曲线为：

${\tilde{E}}_S\left(i\right)=E_S\left(i\right)h_{sr}$

${\tilde{E}}_R(i+1)=E_R(i+1)h_{rd}$

${\tilde{P}}_S\left(i\right)=P_S\left(i\right)h_{sr}$

${\tilde{P}}_R(i+1)=P_R(i+1)h_{rd}$

由此可以获得新的信道增益的表达式如下：

${\tilde{h}}_{sr}={\tilde{h}}_{rd}=1$

${\tilde{h}}_{sd}=\frac{h_{sd}}{h_{sr}}=h_0$

据此，我们重新改写信道模型的表达式如下：

y_sr(i)＝x_s(i)+n_r(i)

$y_{sd}\left(i\right)=\sqrt{h_0}{x}_s\left(i\right)+n_d\left(i\right).$

y_rd(i+1)＝x_r(i+1)+w_d(i+1)

步骤2:系统数学模型建立；

我们考虑DF中继的传输模式，当第i个数据块被传输时，必须满足

R(i)≤C(P_S(i))

其中R(i)表示第i时隙的速率，C(P_S(i))表示第i时隙的容量，下一个数据块i+1传输的时间内，同样需要满足

R_B(i+1)≤C(P_R(i+1))

R(i)≤R_B(i+1)≤C(P_R(i+1))

其中C(P_R(i+1))表示第i+1时隙的容量，R_B(i+1)表示中继站R第i+1时隙的分割速率，由此我们得到第i个数据块传输时的可达速率：

R(i)＝min{C(P_S(i)),C(P_R(i+1))}。

我们考虑一个N个数据块的传输过程，可以归结出平均吞吐量最大化的最优化问题如下：

P1:

$s.t.\underset{i=1}{\overset{k}{\&Sigma;}}{P}_S\left(i\right)\&le;\frac{1}{B}\underset{i=1}{\overset{k}{\&Sigma;}}{E}_S\left(i\right),k=1,...,N,$

$\underset{i=1}{\overset{k}{\&Sigma;}}{P}_R(i+1)\&le;\frac{1}{B}\underset{i=1}{\overset{k}{\&Sigma;}}{E}_R(i+1),k=1,...,N,$

P_S(i)≥0,P_R(i+1)≥0,i＝1,...N.

其中：目标函数中的1/2表明是半双工中继协议，1/(N+1)表明N个数据块的传输需要N+1个传输时隙，我们进一步分析最优化问题P1:

优化目标函数是最大化

优化变量是P_S(i)和P_R(i+1)，约束条件是

其中：表示小蜂窝S的发射功率必须要满足能量采集的因果关系限制，表示中继站R的发射功率必须要满足能量采集的因果关系限制，P_S(i)≥0,P_R(i+1)≥0,i＝1,...N.表示小蜂窝S和中继站R的功率分配不能为负数。本发明考虑能量采集的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，节约能耗。

步骤3:设置i＝1，判断当i≤N时，跳转至步骤4，否则跳转至步骤7算法结束；

步骤4:分别计算i_s，和i_r如下：

$i_s=\arg {\min }_{i\&le;j\&le;N}\left\{\frac{{\tilde{E}}_S\left(i\right)+{\&Sigma;}_{k=i}^j{E}_S\left(k\right)}{(j-i+1)B}\right\},$

$i_r=\arg \underset{i\&le;j\&le;N}{\min }\left\{\frac{{\tilde{E}}_R(i+1)+{\&Sigma;}_{k=i}^j{E}_R(k+1)}{(j-i+1)B}\right\}$

${\tilde{P}}_S^i=\frac{{\tilde{E}}_S\left(i\right)+{\&Sigma;}_{k=i}^{i_s}{E}_S\left(k\right)}{(i_s-i+1)B}$

${\tilde{P}}_R^{i+1}=\frac{{\tilde{E}}_S(i+1)+{\&Sigma;}_{k=i}^{i_r}{E}_R(k+1)}{(i_r-i+1)B}$

其中，表示小蜂窝S在第i时隙预分配的发射功率，表示中继站R在第i+1时隙预分配的发射功率，i_s和i_r分别表示小蜂窝S以及中继站R的能量耗尽时隙，表示小蜂窝S在第i个时隙发射信号以前剩余的功率，表示中继站R在第i+1个时隙发射信号以前剩余的功率。

${\tilde{E}}_S\left(1\right)={\tilde{E}}_S\left(2\right)=0,{\tilde{E}}_S\left(i\right)=\underset{k=1}{\overset{i-1}{\&Sigma;}}{E}_S\left(k\right)-{\mathrm{BP}}_S^{*}\left(k\right)$

${\tilde{E}}_R(i+1)=\underset{k=1}{\overset{i-1}{\&Sigma;}}{E}_R(k+1)-{\mathrm{BP}}_R^{*}(k+1),i=2,\mathrm{...},N,$

其中，分别表示小蜂窝S在第i时隙以及中继站R在第i+1时隙的最优发射功率。

步骤5：判断是否成立，是就跳至步骤6，否就跳至步骤7。

步骤6：计算其中，k＝i，...，i_r，设置i＝i_r+1，跳至步骤8。

步骤7：计算其中k＝i，...，i₃，设置i＝i_s+1，跳至步骤8。

步骤8：算法结束，输出获得该场景下的小蜂窝S和中继站R的最优功率指派。

实施例二

在本发明实施例一的基础上，我们进一步改进，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。

具体来说，所述步骤2还可以包括：凸优化处理，利用凸优化理论中的拉格朗日定理和KKT条件，可以将优化问题进行凸优化处理，优化问题转化成：

P2:

$s.t.\underset{i=1}{\overset{k}{\&Sigma;}}{P}_S\left(i\right)\&le;\frac{1}{B}\underset{i=1}{\overset{k}{\&Sigma;}}{E}_S\left(i\right),k=1,...,N,$

$\underset{i=1}{\overset{k}{\&Sigma;}}{P}_R(i+1)\&le;\frac{1}{B}\underset{i=1}{\overset{k}{\&Sigma;}}{E}_R(i+1),k=1,...,N,$

P_S(i)≥0,P_R(i+1)≥0,i＝1,...N.

其中目标函数中的1/2表明是半双工中继协议，1/(N+1)表明N个数据块的传输需要N+1个传输时隙。

优化目标函数是最大化

优化变量是P_S(i)和P_R(i+1)，约束条件是

其中表示小蜂窝S的发射功率必须要满足能量采集的因果关系限制，表示中继站R的发射功率必须要满足能量采集的因果关系限制，P_S(i)≥0,P_R(i+1)≥0,i＝1,...N.表示小蜂窝S和中继站R的功率分配不能为负数。

实施例三

实施例二的求解可以采用经典的内点法，但是计算起来复杂度高，计算时间长。在本发明在实施例二的基础上，进一步改进，寻优采用拉格朗日乘子方法，寻优速度快，算法复杂度低。

具体来说，我们可以写出问题P2的拉格朗日形式，

$\begin{array}{c}L\left(P_S\right(i),P_R(i+1),{\mathrm{\&mu;}}_k,{\mathrm{\&lambda;}}_k,{\mathrm{\&gamma;}}_i,{\mathrm{\&eta;}}_{i+1})=\frac{1}{2(N+1)}\underset{i=1}{\overset{N}{\&Sigma;}}\min \{C\left(P_S\right(i\left)\right),C\left(P_R\right(i+1\left)\right)\}\\ -\underset{k=1}{\overset{N}{\&Sigma;}}{\mathrm{\&mu;}}_k\left(\underset{i=1}{\overset{k}{\&Sigma;}}{\mathrm{BP}}_S\right(i)-E_S(i\left)\right)-\underset{k=1}{\overset{N}{\&Sigma;}}{\mathrm{\&lambda;}}_k\left(\underset{i=1}{\overset{k}{\&Sigma;}}{\mathrm{BP}}_R\right(i+1)-E_R(i+1\left)\right)+\underset{i=1}{\overset{N}{\&Sigma;}}{\mathrm{\&gamma;}}_i{P}_S\left(i\right)+\underset{i=1}{\overset{N}{\&Sigma;}}{\mathrm{\&eta;}}_{i+1}{P}_R(i+1)\end{array}$

$\frac{\&part;L}{\&part;P_S(i+1)}=\{\begin{array}{cc}\begin{array}{cc}\frac{1}{4(N+1)}\&times;\frac{1}{1+P_S\left(i\right)},& P_R(i+1)\&GreaterEqual;P_S\left(i\right)\\ \frac{1}{4(N+1)},& P_R(i+1)<P_S\left(i\right)\end{array}& -B\underset{k=i}{\overset{N}{\&Sigma;}}{\mathrm{\&mu;}}_k+{\mathrm{\&gamma;}}_i\end{array},$

$\frac{\&part;L}{\&part;P_R(i+1)}=\left\{\begin{array}{cc}\begin{array}{cc}0,& P_R(i+1)\&GreaterEqual;P_S\left(i\right)\\ \frac{1}{4(N+1)}\&times;\frac{1}{1+P_R(i+1)},& P_R(i+1)<P_S\left(i\right)\end{array}& -B\underset{k=i}{\overset{N}{\&Sigma;}}{\mathrm{\&lambda;}}_k+{\mathrm{\&eta;}}_{i+1}\end{array}\right.$

其中，μ_k,λ_k,γ_i,η_i+1表示拉格朗日因子。

实施例四

在实施例三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，所述优化问题P2的拉格朗日形式中的拉格朗日因子μ_k,λ_k,γ_i,η_i+1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

${\mathrm{\&mu;}}_k(n+1)={\&lsqb;{\mathrm{\&mu;}}_k\left(n\right)-{\mathrm{\&alpha;}}_{{\mathrm{\&mu;}}_k}\left(n\right)\left(E_S\right(i)-\underset{i=1}{\overset{k}{\&Sigma;}}{\mathrm{BP}}_S(i\left)\right)\&rsqb;}^{+},k=1,2,...,N$

${\mathrm{\&lambda;}}_k(n+1)={\&lsqb;{\mathrm{\&lambda;}}_k\left(n\right)-{\mathrm{\&alpha;}}_{{\mathrm{\&lambda;}}_k}\left(n\right)\left(E_R\right(i+1)-\underset{i=1}{\overset{k}{\&Sigma;}}{\mathrm{BP}}_R(i+1\left)\right)\&rsqb;}^{+},k=1,2,...,N$

${\mathrm{\&gamma;}}_i(n+1)=[{\mathrm{\&gamma;}}_i\left(n\right)-{\mathrm{\&alpha;}}_{{\mathrm{\&gamma;}}_i}\left(n\right)P_S\left(i\right){]}^{+},i=\mathrm{1,2},...,N$

${\mathrm{\&eta;}}_{i+1}(n+1)={[{\mathrm{\&eta;}}_{i+1}\left(n\right)-{\mathrm{\&alpha;}}_{{\mathrm{\&eta;}}_{i+1}}\left(n\right)P_R(i+1)]}^{+},i=\mathrm{1,2},...,N$

其中μ_k(n),λ_k(n),γ_i(n),η_i+1(n)分别表示第n次迭代的拉格朗日因子，α_μk(n),α_λk(n),α_γi(n),α_ηi+1(n)分别表示相应的迭代步长。

同时，所述迭代步长可以设置成：

${\mathrm{\&alpha;}}_{{\mathrm{\&mu;}}_k}\left(n\right)={\mathrm{\&alpha;}}_{{\mathrm{\&lambda;}}_k}\left(n\right)={\mathrm{\&alpha;}}_{{\mathrm{\&gamma;}}_i}\left(n\right)={\mathrm{\&alpha;}}_{{\mathrm{\&eta;}}_{i+1}}\left(n\right)=\frac{1}{n^2},k=1,2,...,N.$

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 (5)

1.一种能量采集小蜂窝网络中的资源分配方法，其特征在于，包括：

步骤1:系统场景分析，问题归结；

考虑一个经典的三节点场景，场景中有一个能量采集的小蜂窝S，一个能量采集的中继站R和一个目标通信蜂窝用户D，考虑小蜂窝S和蜂窝用户D之间的无直达路径，中继站R选用DF工作方式，一个传输过程包括N个数据块，基站S和中继R占用相等的带宽B，考虑该场景下的小蜂窝S和中继站R的功率指派问题；

假设用于能量采集的电池容量足够大，用于传输消耗的能量可以忽略不计，在传输每一次的数据块时总的能量约束方程必须满足：

$\underset{i=1}{\overset{k}{\&Sigma;}}{P}_S\left(i\right)\&le;\frac{1}{B}\underset{i=1}{\overset{k}{\&Sigma;}}{E}_S\left(i\right),\underset{i=1}{\overset{k}{\&Sigma;}}{P}_R(i+1)\&le;\frac{1}{B}\underset{i=1}{\overset{k}{\&Sigma;}}{E}_R(i+1),k=1,...,N.$

其中：P_S(i)表示小蜂窝S发送第i个数据块时分配的功率，E_S(i)表示小蜂窝S在i个传输时隙内采集到的功率，P_R(i+1)表示中继站R在第i+1个时隙转发第i个数据块时分配的功率，E_R(i+1)表示中继站R在第i+1个传输时隙内采集到的功率，信道的输入输出关系满足：

$y_{sr}\left(i\right)=\sqrt{h_{sr}}{x}_s\left(i\right)+n_r\left(i\right),y_{sd}\left(i\right)=\sqrt{h_{sd}}{x}_s\left(i\right)+n_d\left(i\right),y_{rd}(i+1)=\sqrt{h_{rd}}{x}_r(i+1)+w_d(i+1).$

其中，x_s(i)和x_r(i+1)分别表示小蜂窝S在第i个时隙以及中继站R在第i+1个时隙发送的信号，y_sr(i)表示中继站R在第i个时隙的接收信号，y_sd(i)和y_rd(i+1)分别表示蜂窝用户D在第i个时隙以及第i+1个时隙的接收信号，h_sr表示小蜂窝S和中继站R之间的信道功率增益，h_sd表示小蜂窝S和蜂窝用户D之间的信道功率增益，h_rd表示中继站R和蜂窝用户D之间的信道功率增益，n_r(i)表示中继站R在第i时隙的接收信号噪声，n_d(i)和w_d(i+1)分别表示蜂窝用户D在第i时隙以及第i+1时隙的接收信号噪声，基站S和中继站R之间，基站S和蜂窝用户D之间以及中继站R和蜂窝用户D之间的接收信噪比分别满足：

γ_sr(i)＝P_S(i)h_sr,γ_sd(i)＝P_S(i)h_sd,γ_rd(i+1)＝P_R(i+1)h_rd.

其中，γ_sr(i)表示基站S和中继站R之间第i时隙的接收信噪比，γ_sd(i)和γ_rd(i+1)分别表示蜂窝用户D在第i时隙以及第i+1时隙的接收信噪比，定义新的小蜂窝S和中继站R的能量和功率曲线为：

${\tilde{E}}_S\left(i\right)=E_S\left(i\right)h_{sr},{\tilde{E}}_R(i+1)=E_R(i+1)h_{rd},{\tilde{P}}_S\left(i\right)=P_S\left(i\right)h_{sr},{\tilde{P}}_R(i+1)=P_R(i+1)h_{rd}.$

由此可以获得新的信道增益的表达式如下：

${\tilde{h}}_{sr}={\tilde{h}}_{rd}=1,{\tilde{h}}_{sd}=\frac{h_{sd}}{h_{sr}}=h_0.$

据此，我们重新改写信道模型的表达式如下：

$y_{sr}\left(i\right)=x_s\left(i\right)+n_r\left(i\right),y_{sd}\left(i\right)=\sqrt{h_0}{x}_s\left(i\right)+n_d\left(i\right),y_{rd}(i+1)=x_r(i+1)+w_d(i+1).;$

步骤2:系统数学模型建立，

在DF中继的传输模式下，当第i个数据块被传输时，必须满足

R(i)≤C(P_S(i))

其中R(i)表示第i时隙的速率，C(P_S(i))表示第i时隙的容量，下一个数据块i+1传输的时间内，同样需要满足

R_B(i+1)≤C(P_R(i+1)),R(i)≤R_B(i+1)≤C(P_R(i+1)).

其中C(P_R(i+1))表示第i+1时隙的容量，R_B(i+1)表示中继站R第i+1时隙的分割速率，由此可以得到第i个数据块传输时的可达速率：

R(i)＝min{C(P_S(i)),C(P_R(i+1))}

考虑一个N个数据块的传输过程，可以归结出平均吞吐量最大化的最优化问题如下：

$P1:\underset{\left\{P_S\left(i\right)\right\},\left\{P_R(i+1)\right\}}{max}\frac{1}{2(N+1)}\underset{i=1}{\overset{N}{\&Sigma;}}min\{C\left(P_S\right(i\left)\right),C\left(P_R\right(i+1\left)\right)\}$

$s.t.\underset{i=1}{\overset{k}{\&Sigma;}}{P}_S\left(i\right)\&le;\frac{1}{B}\underset{i=1}{\overset{k}{\&Sigma;}}{E}_S\left(i\right),k=1,...,N,;$

$\underset{i=1}{\overset{k}{\&Sigma;}}{P}_R(i+1)\&le;\frac{1}{B}\underset{i=1}{\overset{k}{\&Sigma;}}{E}_R(i+1),k=1,...,N,$

P_S(i)≥0,P_R(i+1)≥0,i＝1,...N.

步骤3:设置i＝1，判断当i≤N时，跳转至步骤4，否则跳转至步骤7算法结束；

步骤4:分别计算i_s，和i_r如下

$i_s=\arg \underset{i\&le;j\&le;N}{\min }\left\{\frac{{\tilde{E}}_S\left(i\right)+{\mathrm{\&Sigma;}}_{k=i}^j{E}_S\left(k\right)}{\left(j-i+1\right)B}\right\}$

$i_r=\arg \underset{i\&le;j\&le;N}{\min }\left\{\frac{{\tilde{E}}_R\left(i+1\right)+{\mathrm{\&Sigma;}}_{k=i}^j{E}_R\left(k+1\right)}{\left(j-i+1\right)B}\right\}$

${\tilde{P}}_S^i=\frac{{\tilde{E}}_S\left(i\right)+{\mathrm{\&Sigma;}}_{k=i}^{i_s}{E}_S\left(k\right)}{\left(i_s-i+1\right)B}$

${\tilde{P}}_R^{i+1}=\frac{{\tilde{E}}_S\left(i+1\right)+{\mathrm{\&Sigma;}}_{k=i}^{i_r}{E}_R\left(k+1\right)}{\left(i_r-i+1\right)B}$

其中，表示小蜂窝S在第i时隙预分配的发射功率，表示中继站R在第i+1时隙预分配的发射功率，i_s和i_r分别表示小蜂窝S以及中继站R的能量耗尽时隙，表示小蜂窝S在第i个时隙发射信号以前剩余的功率，表示中继站R在第i+1个时隙发射信号以前剩余的功率，

${\tilde{E}}_S\left(1\right)={\tilde{E}}_S\left(2\right)=0,{\tilde{E}}_S\left(i\right)=\underset{k=1}{\overset{i-1}{\mathrm{\&Sigma;}}}{E}_S\left(k\right)-{\mathrm{BP}}_S^{*}\left(k\right)$

${\tilde{E}}_R(i+1)=\underset{k=1}{\overset{i-1}{\mathrm{\&Sigma;}}}{E}_R(k+1)-{\mathrm{BP}}_R^{*}\left(k+1\right),i=2,...,N$

其中，和分别表示小蜂窝S在第i时隙以及中继站R在第i+1时隙的最优发射功率；

步骤5：判断是否成立，是就跳至步骤6，否就跳至步骤7；

步骤6：计算其中k＝i，...，i_r，设置i＝i_r+1，跳至步骤8；

步骤7：计算其中k＝i，...，i_s，设置i＝i_s+1，跳至步骤8；

步骤8：算法结束，输出和获得该场景下的小蜂窝S和中继站R的最优功率指派。

2.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2还包括：将优化问题P1进行凸优化处理，优化问题转化成：

$\begin{array}{cc}P2:& \underset{\left\{P_S\left(i\right)\right\},\left\{P_R(i+1)\right\}}{max}\frac{1}{2(N+1)}\underset{i=1}{\overset{N}{\&Sigma;}}C\left(P_R\right(i+1\left)\right)\end{array}$

$s.t.\underset{i=1}{\overset{k}{\&Sigma;}}{P}_S\left(i\right)\&le;\frac{1}{B}\underset{i=1}{\overset{k}{\&Sigma;}}{E}_S\left(i\right),k=1,...,N,$

$\underset{i=1}{\overset{k}{\&Sigma;}}{P}_R(i+1)\&le;\frac{1}{B}\underset{i=1}{\overset{k}{\&Sigma;}}{E}_R(i+1),k=1,...,N,$

P_S(i)≥0,P_R(i+1)≥0,i＝1,...N.

其中表示小蜂窝S的发射功率必须要满足能量采集的因果关系限制，表示中继站R的发射功率必须要满足能量采集的因果关系限制，P_S(i)≥0,P_R(i+1)≥0,i＝1,...N.表示小蜂窝S和中继站R的功率分配不能为负数。

3.根据权利要求2所述的资源分配方法，其特征在于，所述步骤2中优化问题P2的拉格朗日形式是：

$\begin{array}{c}L\left(P_S\right(i),P_R(i+1),{\mathrm{\&mu;}}_k,{\mathrm{\&lambda;}}_k,{\mathrm{\&gamma;}}_i,{\mathrm{\&eta;}}_{i+1})=\frac{1}{2(N+1)}\underset{i=1}{\overset{N}{\&Sigma;}}\min \{C\left(P_S\right(i\left)\right),C\left(P_R\right(i+1\left)\right)\}\\ -\underset{k=1}{\overset{N}{\&Sigma;}}{\mathrm{\&mu;}}_k\left(\underset{i=1}{\overset{k}{\&Sigma;}}{\mathrm{BP}}_S\left(i\right)-E_S\left(i\right)\right)-\underset{k=1}{\overset{N}{\&Sigma;}}{\mathrm{\&lambda;}}_k\left(\underset{i=1}{\overset{k}{\&Sigma;}}{\mathrm{BP}}_R\right(i+1)-E_R(i+1\left)\right)+\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&gamma;}}_i{P}_S\left(i\right)+\underset{i=1}{\overset{N}{\&Sigma;}}{\mathrm{\&eta;}}_{i+1}{P}_R\left(i+1\right)\end{array}$

$\frac{\&part;L}{\&part;P_S\left(i+1\right)}=\left\{\begin{array}{cc}\frac{1}{4\left(N+1\right)}\&times;\frac{1}{1+P_S\left(i\right)},& P_R\left(i+1\right)\&GreaterEqual;P_S\left(i\right)\\ \frac{1}{4\left(N+1\right)},& P_R\left(i+1\right)<P_S\left(i\right)\end{array}\right.-B\underset{k=i}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&mu;}}_k+{\mathrm{\&gamma;}}_i,$

$\frac{\&part;L}{\&part;P_R\left(i+1\right)}=\left\{\begin{array}{cc}0,& P_R\left(i+1\right)\&GreaterEqual;P_S\left(i\right)\\ \frac{1}{4\left(N+1\right)}\&times;\frac{1}{1+P_R\left(i+1\right)},& P_R\left(i+1\right)<P_S\left(i\right)\end{array}\right.-B\underset{k=i}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&lambda;}}_k+{\mathrm{\&eta;}}_{i+1}$

其中，μ_k,λ_k,γ_i,η_i+1表示拉格朗日因子。

4.根据权利要求3所述的资源分配方法，其特征在于，所述优化问题P2的拉格朗日形式中的拉格朗日因子μ_k,λ_k,γ_i,η_i+1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

${\mathrm{\&mu;}}_k(n+1)={\&lsqb;{\mathrm{\&mu;}}_k\left(n\right)-{\mathrm{\&alpha;}}_{{\mathrm{\&mu;}}_k}\left(n\right)\left(E_S\right(i)-\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}{\mathrm{BP}}_S(i\left)\right)\&rsqb;}^{+},k=1,2,...,N$

${\mathrm{\&lambda;}}_k(n+1)={\&lsqb;{\mathrm{\&lambda;}}_k\left(n\right)-{\mathrm{\&alpha;}}_{{\mathrm{\&lambda;}}_k}\left(n\right)\left(E_R\right(i+1)-\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}{\mathrm{BP}}_R(i+1\left)\right)\&rsqb;}^{+},k=1,2,...,N$

${\mathrm{\&gamma;}}_i(n+1)={\&lsqb;{\mathrm{\&gamma;}}_i\left(n\right)-{\mathrm{\&alpha;}}_{{\mathrm{\&gamma;}}_i}\left(n\right)P_S\left(i\right)\&rsqb;}^{+},i=1,2,...,N$

${\mathrm{\&eta;}}_{i+1}(n+1)={\&lsqb;{\mathrm{\&eta;}}_{i+1}\left(n\right)-{\mathrm{\&alpha;}}_{{\mathrm{\&eta;}}_{i+1}}\left(n\right)P_R(i+1)\&rsqb;}^{+},i=1,2,...,N$

其中μ_k(n),λ_k(n),γ_i(n),η_i+1(n)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。

5.根据权利要求4所述的资源分配方法，其特征在于，所述次梯度算法的迭代步长可以设置成：