CN106304244B - 一种多跳蜂窝网络的低能耗传输方法与装置 - Google Patents

一种多跳蜂窝网络的低能耗传输方法与装置 Download PDF

Info

Publication number
CN106304244B
CN106304244B CN201610671741.1A CN201610671741A CN106304244B CN 106304244 B CN106304244 B CN 106304244B CN 201610671741 A CN201610671741 A CN 201610671741A CN 106304244 B CN106304244 B CN 106304244B
Authority
CN
China
Prior art keywords
path
limitation
link
transmission
node
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
Application number
CN201610671741.1A
Other languages
English (en)
Other versions
CN106304244A (zh
Inventor
魏翼飞
侯永福
宋梅
郭达
王小娟
滕颖蕾
王莉
王小军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN201610671741.1A priority Critical patent/CN106304244B/zh
Publication of CN106304244A publication Critical patent/CN106304244A/zh
Application granted granted Critical
Publication of CN106304244B publication Critical patent/CN106304244B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W40/00—Communication routing or communication path finding
    • H04W40/24—Connectivity information management, e.g. connectivity discovery or connectivity update
    • H04W40/246—Connectivity information discovery
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/16—Central resource management; Negotiation of resources or communication parameters, e.g. negotiating bandwidth or QoS [Quality of Service]
    • H04W28/18—Negotiating wireless communication parameters
    • H04W28/22—Negotiating communication rate
    • 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
    • H04W52/26—TPC being performed according to specific parameters using transmission rate or quality of service QoS [Quality of Service]
    • H04W52/267—TPC being performed according to specific parameters using transmission rate or quality of service QoS [Quality of Service] taking into account the information rate

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种多跳蜂窝网络的低能耗传输方法与装置包括：根据多跳蜂窝网络结构生成有向图，确定基站、终端与中继之间的有向传输路径；确定有向传输路径的速率限制、容量限制、发射功率限制、不循环限制、流量守恒限制，以及优化目标；根据有向传输路径的速率限制、容量限制、发射功率限制、不循环限制、流量守恒限制，以及优化目标，获得最优路径选取解集、数据流传输速率、以及各节点发射功率；根据最优路径选取解集、数据流传输速率、以及各节点发射功率，在多跳蜂窝网络中以最小能耗进行传输。本发明能够对异构网络进行跨层面的优化，提高了网络能效。

Description

一种多跳蜂窝网络的低能耗传输方法与装置
技术领域
本发明涉及无线通信领域，特别地，涉及一种多跳蜂窝网络的低能耗传输方法与装置。
背景技术
中继网络作为无线通信的一种重要网络形式，它结合了无线蜂窝网络技术与中继传输技术。在蜂窝中继网络中，传统小区的概念仍然存在，每个小区至少具有一个基站，基站具有中央控制能力，负责整个小区的资源分配、拓扑管理。中继的引入，使网络的通信模式除了移动台可以直接与基站通信以外，还可以以多跳的模式通过中继网络的传输与基站通信。大量研究表明，在传统蜂窝网络中引入中继节点，可以降低收发端的路径损耗、阴影损耗，提高接收信噪比，提升系统性能，扩展覆盖范围。而且中继网络的引入，还可以在保证用户通信质量的前提下很大程度的降低通信网络的功耗。
对于网络能效的度量，不同的场景下有不同的度量方式。如在负载较低的农村地区，往往使用覆盖范围度量网络能效；在负载较高的城市地区，则更多使用网络容量来度量。目前，针对蜂窝网络能效相关研究包括从硬件层面，研究高效能的硬件、降低网络元器件网络设备能耗；以及从能源方面，使用可再生能源给基站中继站供电；还有从网络本身出发提出的策略，包括基于负载的变化，设计基站休眠策略，天线以及载波频率动态开关策略。还有基于小区业务动态特性设计的基站功率控制、功率分配以及速率自适应策略。
目前针对网络的这些策略大多都主要是针对同构的蜂窝网络，对蜂窝异构中多跳蜂窝网络的能效方面研究还相对很少；同时，这些策略大都基于单方面或者网络单一层次，没有从网络整体角度对其进行考虑并规划数据流路径。针对现有技术中解决策略仅针对同构网络、仅考虑单一层面，并不贴近实际工作环境需求导致网络能效很低的问题，目前尚无有效的解决方案。
发明内容
有鉴于此，本发明的目的在于提出一种多跳蜂窝网络的低能耗传输方法与装置，能够对异构网络进行跨层面的优化，提高网络能效。
基于上述目的，本发明提供的技术方案如下：
根据本发明的一个方面，提供了一种多跳蜂窝网络的低能耗传输方法，包括：
根据多跳蜂窝网络结构生成有向图，确定基站、终端与中继之间的有向传输路径；
确定有向传输路径的速率限制、容量限制、发射功率限制、不循环限制、流量守恒限制，以及优化目标；
根据有向传输路径的速率限制、容量限制、发射功率限制、不循环限制、流量守恒限制，以及优化目标，获得最优路径选取解集、数据流传输速率、以及各节点发射功率；
根据最优路径选取解集、数据流传输速率、以及各节点发射功率，在多跳蜂窝网络中以最小能耗进行传输。
其中，根据多跳蜂窝网络结构生成有向图，确定基站、终端与中继之间的有向传输路径包括：
获取多跳蜂窝网络结构基站、终端与中继各自的数量；
获取多跳蜂窝网络结构基站、终端与中继的两两连接关系；
根据多跳蜂窝网络结构基站、终端与中继各自的数量与两两连接关系，确定基站与终端之间的有向传输路径。
并且，确定有向传输路径的速率限制、容量限制、发射功率限制、不循环限制、流量守恒限制包括；
获取基站与终端之间的有向传输路径上的传输速率，确定每条有向传输路径上的传输速率都满足用户服务质量要求预先指定的最小传输速率；
确定指定链路的链路容量，并根据指定有向传输路径是否经过指定链路、指定有向传输路径上的传输速率、与指定链路的链路容量，确定任一链路所承载传输速率之和小于该链路容量；
根据指定链路的传输功率与指定节点接口的发射功率上限，确定任一节点的需求发射功率可以被满足；
根据指定有向传输路径是否经过指定链路，确定有向传输路径中不存在环路；
根据指定有向传输路径是否经过指定链路与指定有向传输路径上的传输速率，确定每个中继节点的流量守恒。
并且，确定指定链路的链路容量包括：
根据链路收发两端的增益、其他链路对指定链路e的干扰增益、网络环境对指定链路的噪声干扰，确定链路的信干比；
根据链路的信干比与传输带宽，确定指定链路的链路容量。
同时，确定优化目标包括：
根据每个节点的硬件功耗、传输功耗与休眠功耗，确定网络总功耗；
根据每条有向传输路径上的传输速率，确定网络总容量；
以网络总功耗尽可能小、网络总容量尽可能大为目标，确定联合优化目标函数。
并且，根据有向传输路径的速率限制、容量限制、发射功率限制、不循环限制、流量守恒限制，以及优化目标，获得最优路径选取解集、数据流传输速率、以及各节点发射功率包括：
根据有向传输路径的速率限制、容量限制、发射功率限制、不循环限制、流量守恒限制，按照蚁群算法路径选取规则，在信息素浓度的影响下，获得满足数据流传输要求的路径解集合；
使用牛顿迭代法求解每个路径解集合下的最优速率与节点功率解集，并求解联合优化目标函数值；
对每次蚁群算法循环中得到的路径解集合，使用联合优化目标函数值更新路径中的信息素浓度；
执行蚁群算法直到算法收敛，比较每次循环的最优目标函数值并获得最优路径选取解集，并根据最优路径选取解集获得对应的数据流传输速率与各节点发射功率。
并且，蚁群算法路径选取规则，为多次重复执行路径选择策略，以正反馈的方式在最短路径上不断更新信息素浓度并达到优化效果的方法，其中，每只蚂蚁在进行尝试时，有预先指定的概率受该蚂蚁自身的信息素影响并选择路径，也有预先指定的概率受其他蚂蚁的信息素影响并选择路径。
并且，更新信息素浓度，为在两次算法循环之间，根据信息素浓度与信息素挥发系数更新信息素浓度。
另外，使用牛顿迭代法求解每个路径解集合下的最优速率与节点功率解集包括：
根据节点密度与链路干扰，将求解问题转化为有约束条件的凸优化问题；
根据拉格朗日函数，将有约束条件的凸优化问题转化为无约束条件的凸优化问题；
计算出无约束条件的凸优化问题的对偶函数；
使用牛顿迭代法求解对偶函数，获得最优速率与节点功率解集。
根据本发明的另一个方面，提供了一种多跳蜂窝网络的低能耗传输装置，运用了前述的任意一种多跳蜂窝网络的低能耗传输方法。
从上面所述可以看出，本发明提供的技术方案通过使用有向图，确定基站、终端与中继之间的有向传输路径及其速率限制、容量限制、发射功率限制、不循环限制、流量守恒限制，以及优化目标并获得最优路径选取解集的技术手段，能够对异构网络进行跨层面的优化，提高了网络能效。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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的前提下，还可以根据这些附图获得其他的附图。
图1为根据本发明实施例的一种多跳蜂窝网络的低能耗传输方法的流程图；
图2为根据本发明实施例的一种多跳蜂窝网络的低能耗传输方法的一个实施例中，无线多跳蜂窝网络的场景结构图；
图3为根据本发明实施例的一种多跳蜂窝网络的低能耗传输方法的一个实施例中，蚁群-凸优化联合算法的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进一步进行清楚、完整、详细地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。
根据本发明的实施例，提供了一种多跳蜂窝网络的低能耗传输方法。
如图1所示，根据本发明实施例的提供的一种多跳蜂窝网络的低能耗传输方法包括：
步骤S101，根据多跳蜂窝网络结构生成有向图，确定基站、终端与中继之间的有向传输路径；
步骤S103，确定有向传输路径的速率限制、容量限制、发射功率限制、不循环限制、流量守恒限制，以及优化目标；
步骤S105，根据有向传输路径的速率限制、容量限制、发射功率限制、不循环限制、流量守恒限制，以及优化目标，获得最优路径选取解集、数据流传输速率、以及各节点发射功率；
步骤S107，根据最优路径选取解集、数据流传输速率、以及各节点发射功率，在多跳蜂窝网络中以最小能耗进行传输。
其中，根据多跳蜂窝网络结构生成有向图，确定基站、终端与中继之间的有向传输路径包括：
获取多跳蜂窝网络结构基站、终端与中继各自的数量；
获取多跳蜂窝网络结构基站、终端与中继的两两连接关系；
根据多跳蜂窝网络结构基站、终端与中继各自的数量与两两连接关系，确定基站与终端之间的有向传输路径。
并且，确定有向传输路径的速率限制、容量限制、发射功率限制、不循环限制、流量守恒限制包括；
获取基站与终端之间的有向传输路径上的传输速率，确定每条有向传输路径上的传输速率都满足用户服务质量要求预先指定的最小传输速率；
确定指定链路的链路容量，并根据指定有向传输路径是否经过指定链路、指定有向传输路径上的传输速率、与指定链路的链路容量，确定任一链路所承载传输速率之和小于该链路容量；
根据指定链路的传输功率与指定节点接口的发射功率上限，确定任一节点的需求发射功率可以被满足；
根据指定有向传输路径是否经过指定链路，确定有向传输路径中不存在环路；
根据指定有向传输路径是否经过指定链路与指定有向传输路径上的传输速率，确定每个中继节点的流量守恒。
并且，确定指定链路的链路容量包括：
根据链路收发两端的增益、其他链路对指定链路e的干扰增益、网络环境对指定链路的噪声干扰，确定链路的信干比；
根据链路的信干比与传输带宽，确定指定链路的链路容量。
同时，确定优化目标包括：
根据每个节点的硬件功耗、传输功耗与休眠功耗，确定网络总功耗；
根据每条有向传输路径上的传输速率，确定网络总容量；
以网络总功耗尽可能小、网络总容量尽可能大为目标，确定联合优化目标函数。
并且，根据有向传输路径的速率限制、容量限制、发射功率限制、不循环限制、流量守恒限制，以及优化目标，获得最优路径选取解集、数据流传输速率、以及各节点发射功率包括：
根据有向传输路径的速率限制、容量限制、发射功率限制、不循环限制、流量守恒限制，按照蚁群算法路径选取规则，在信息素浓度的影响下，获得满足数据流传输要求的路径解集合；
使用牛顿迭代法求解每个路径解集合下的最优速率与节点功率解集，并求解联合优化目标函数值；
对每次蚁群算法循环中得到的路径解集合，使用联合优化目标函数值更新路径中的信息素浓度；
执行蚁群算法直到算法收敛，比较每次循环的最优目标函数值并获得最优路径选取解集，并根据所述最优路径选取解集获得对应的数据流传输速率与各节点发射功率。
并且，蚁群算法路径选取规则，为多次重复执行路径选择策略，以正反馈的方式在最短路径上不断更新信息素浓度并达到优化效果的方法，其中，每只蚂蚁在进行尝试时，有预先指定的概率受该蚂蚁自身的信息素影响并选择路径，也有预先指定的概率受其他蚂蚁的信息素影响并选择路径。
并且，更新信息素浓度，为在两次算法循环之间，根据信息素浓度与信息素挥发系数更新信息素浓度。
另外，使用牛顿迭代法求解每个路径解集合下的最优速率与节点功率解集包括：
根据节点密度与链路干扰，将求解问题转化为有约束条件的凸优化问题；
根据拉格朗日函数，将有约束条件的凸优化问题转化为无约束条件的凸优化问题；
计算出无约束条件的凸优化问题的对偶函数；
使用牛顿迭代法求解对偶函数，获得最优速率与节点功率解集。
下面根据具体实施例进一步阐述本发明的技术特征。
本发明实施例构建了如图2所示的无线多跳蜂窝网络场景，基站、中继与终端构成整个网络，本发明实施例使用“节点”表示网络中设备。虚线表示网络节点之间的拓扑链路，有向实线表示网络中数据流传输路径，其中箭头方向表示数据流流向。基站与终端用户作为数据流的源、目的节点可以直接进行传输，也可以经过中继通过多跳传输。每个用户终端可以同时作为源节点与目的节点进行数据的传输与接收。
本发明实施例使用有向图对网络进行建模，表示为G＝(V,E)。G代表网络，V为网络中节点的集合，包括中继R，用户终端集合U，基站b。E为不同节点之间数据传输链路集合。如图2所示，V＝{U1,U2,U3}∪{R1,R2,R3,R4}∪{B1}，U1,U2,U3是用户终端节点，R1,R2,R3,R4是中继站节点，B1是基站节点。
链路集合表示为：
E＝{U3→B1}∪{B1→U3}∪{U1→R1,R1→R2,R2→R3,R3→B1}∪{B1→R3,R3→R4,R4→U2}
用L表示网络中数据流集合，fl min表示数据流l∈L速率的下限。图2中的数据流集合L＝{Data1,Dat2a,Dat3a,Dat4a，}Data1,Data2,Data3,Data4表示网络中的数据流。网络数据传输采用正交信道，不同频段信道之间不存在干扰。网络中每个节点具有多个无线收发接口，不同的无线接口之间采用不同的频段传输，不存在同频干扰。
在有负载情况下，节点能耗(Pi)主要分为硬件功耗Ph(i)与传输功耗
其中，
其中Ph(i)＝Pc(i)+nport(i)*Pport(i)；Ph(i)为节点硬件功耗，由节点固定功耗与无线接口开放的固定功率组成，nport(i)为节点i无线接口开放数目，Pport(i)为节点i每个无线接口的固有功耗，节点为每条链路分配一个无线接口。s(e)表示链路e的源节点，Pe为链路e的传输功率。无负载情况下，网络基站与中继节点处于休眠状态，功耗分别为Pr free,Pb free。
本发明实施例主要考虑两个目标：
第一，在满足用户服务质量的情况下，尽可能的降低能耗，使网络的总功耗尽可能的减小；
第二，尽可能的提高整个网络的系统容量提高整个网络的性能。
本发明实施例将这两个目标进行联合，得到联合优化目标函数：
问题转化为求解minη。函数中，Pi max＝Ph(i) max+Pt(i) max；节点i接口最多开放数目为nport(i) max；Ph(i) max为节点接口最多开放情况下的固有功率；Pt(i) max为节点所有接口传输功率上限总和。
求解目标函数最小值，必须满足以下约束条件：
①为了满足用户服务质量要求，每条数据流l传输速率必须满足一定要求，即
fl min≤fl (3)
fl为数据流l的传输速率。
②根据容量限制关系，任何链路所承载数据流的速率之和小于该链路的容量，即
其中，xe,l为1表示数据流l经过链路e传输，xe,l为0表示数据流l不经过链路e传输，Ce表示链路e的链路容量。
本发明实施例采用受限干扰信道模型对Ce进行建模。设Gee为链路e收发两端的增益，Gie表示网络中链路i(i≠e)对链路e的干扰增益，σe表示网络环境对链路e的噪声干扰，所以链路e的信干比(SINR)为：
设链路e的传输带宽为we，则链路e的容量为：
Ce＝we log(1+γe) (6)
③网络中节点单接口发射功率受限，即
其中，Pt_port(i) max为节点i每个接口的发射功率上限。
④不形成数据环路，每个数据流最多经过某个节点一次，即
⑤传输中的中继节点流量守恒，即
其中，s(e)表示链路e的源节点，d(e)表示链路e的目的节点，r∈R。
上述优化问题中的变量为{fl:l∈E}、{Pe:e∈E}、{xe,l:e∈E,l∈L}，其中{xe,l:e∈E l,∈L取值为整数{0,1}。{fl:l∈E}，{Pe:e∈E}为连续实数，上面优化问题是一个非线性规划问题，具有NP-Hard难度，无法求得最优解。本发明实施例以蚁群算法为框架，联合凸优化中的牛顿迭代法对逼近问题的最优解。
蚁群算法包括N次循环，每一次循环中有m只蚂蚁行走，每只蚂蚁首先利用路径选择策略确定一个可行路径集合，在这个可行路径集合基础上，通过凸优化算法求解其最优数据流传输路径与最优节点发射功率，然后求得目标函数值。将该次循环中m只蚂蚁中求得的最优目标值的解集最为该次循环的解集，并利用该解集下目标函数值更新信息素。N次循环中，将每次得到的最优目标函数值与上次最优解下的目标函数值作比较，留下最优解集。
具体地，蚁群算法每次循环主要分为以下三个步骤：
第一步骤，按照蚁群算法路径选取规则，根据式(3)～(9)得到可以满足数据流传输要求的解集E，即求得{xe,l:e∈E,l∈L}。详见下文的rule1部分。
第二步骤，在每种路径解集合下，使用牛顿迭代法求解该路径集合下的最优速率、节点功率解集，并求解联合优化目标函数值。得到{xe,l:e∈E,l∈L}时，约束条件{xe,l:e∈E,l∈L}不再是整数{0,1}未知数，而且此时的每个节点的固定功率已经确定。接下来就是求解{fl:l∈E}与{Pe:e∈E}，并计算目标函数值。
可以看出，目标函数虽然为凸函数，但条件式(5)是向量{Pe:e∈E}的非凸函数，因此该问题不是一个凸优化问题。为了使用凸优化算法进行求解，本发明实施例对问题的约束变量进行进一步的整理，假设节点比较稀疏，不同链路干扰较小，链路信干比γe远远大于1，将式(5)带入式(6)可得：
设qe＝lnPe，则式(10)就可以转化为
可以看出式子(11)为Log-sum-exp形式，是凸函数。
将式(11)带入原问题，则原问题可以描述为：
其中，是三个常数。
问题就转化成了为求解{fl:l∈E}与{qe:e∈E}的凸优化问题。求解出{qe:e∈E}后，做qe＝lnPe的变换，得到Pe。
第三步骤，依据求解的目标函数值，选取每次循环中得到的最优路径集合，使用得到的目标函数值对路径中信息素浓度进行更新，对下次循环路径选取产生影响。选取合适的参数进行循环直到算法收敛，并得到最优解集。详见下文的rule2部分。
蚁群-凸优化联合算法过程如图3所示：
输入：网络的参数。
输出：数据流大小{fl:l∈E}，节点发射功率{Pe:e∈E}，数据流路径集合{xe,l:e∈E,l∈L}。
第一步，设置初始化参数：令时间t＝0，循环次数Nc＝0，最大循环次数Nmax，路径策略选择概率q0，初始信息素浓度矩阵{τl,i,j k(0)}，启发因子矩阵{ηl,i,j k}，信息素重要程度参数α，启发因子重要程度参数β。
第二步，设置设定蚂蚁总数目M，计数m＝1。
第三步，将蚂蚁m放在一条未规划路径的数据流l的源节点处，基于路径选择策略Rule1选择下一跳节点，到达目的节点后将完整路存入路径集合PATH[l]。完成对所有数据流的路径规划后，得到所有数据流的路径解集PATH[all]。
第四步，根据已有路径解集PATH[all]，利用Algorithm 1，求解目标函数值，并与前目标函数值相比，留下最优值。若m＜M，则m＝m+1，跳转到第三步；否则继续执行下一步。
第五步，当每只蚂蚁都走完全程后，利用此次循环得到的最优目标函数值，对信息素浓度进行更新，更新规则见rule 2。
第六步，若Nc＜Nmax，则Nc＝Nc+1，跳转到第二步；否则继续执行下一步。
第七步，输出最优解集，算法结束。
具体地，在上述第一步骤中，本发明实施例根据蚁群算法路径选择中的伪随机原则对算法中的路径选择策略(在图3中称为rule1)进行设计。当蚂蚁k对数据流l的路径进行选择时，采用两种策略。一种是按照自己所释放的信息素浓度，以概率q0按照概率公式(13)进行路径选择。另一种是受其他蚂蚁所信息素的影响，以概率(1-q0)，按照概率公式(14)进行路径选择。公式(13)与公式(14)分别为：
其中，allowedl,i表示当数据流l到达节点i以后，下一跳可以选择进行传输的节点集合。对于数据流l，τl,i,j k(t)为蚂蚁k对其传输，在节点i,j之间留下的信息素浓度。ηl,i,j k(t)为蚂蚁k在节点i,j之间的启发因子，其中，α，β表示信息素浓度与启发因子所占比重系数。
其中，τl,i,j(t)表示所有蚂蚁对数据流l传输时在节点i,j之间留下的信息素浓度总和。ηl,i,j(t)为所有蚂蚁对数据流l在i,j之间的启发因子总和。
具体地，在上述第三步骤中，为了减少一次走过的路径对信息素的影响，本发明实施例在一次循环过后，即所有蚂蚁都走完之后对信息素进行更新(在图3中称为rule2)。τl,i,j k(t+1)表示第k个蚂蚁对数据流l进行传输时，路径中节点i,j段t+1时刻的信息素浓度，ξ为信息素挥发系数。
τl,i,j k(t+1)＝(1-ξ)τl,i,j k(t)+ξΔτl,i,j k (15)
若节点i,j段是此次循环最优解中数据流l所经过的路径，则Δτl,i,j k＝Q(-ηmin)，否则Δτl,i,j k＝0。其中Q为常数，ηmin为该次循环中最优目标函数值。
另外，对于{fl:l∈E}与{Pe:e∈E}凸优化问题的求解(在图3中称为Algorithm1)，本发明实施例首先定义拉格朗日函数，将有约束条件的凸优化问题转化无约束的凸优化问题。
其中λl≥0，μi≥0。
对直接求解的话，由于约束不等式都小于0，λe与μi大于等于0，约束条件为负，对于极值的求解会出现负无穷情况。本发明实施例通过求其对偶函数来求解。其对偶函数为
对偶问题为
分为内外两层循环，可以通过牛顿迭代法来求解
根据本发明的实施例，还提供了一种多跳蜂窝网络的低能耗传输装置。
根据本发明实施例的提供的一种多跳蜂窝网络的低能耗传输装置运用了前述的任意一种多跳蜂窝网络的低能耗传输方法。
综上所述，借助于本发明的上述技术方案，通过使用有向图，确定基站、终端与中继之间的有向传输路径及其速率限制、容量限制、发射功率限制、不循环限制、流量守恒限制，以及优化目标并获得最优路径选取解集的技术手段，能够对异构网络进行跨层面的优化，提高了网络能效。
所属领域的普通技术人员应当理解：以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种多跳蜂窝网络的低能耗传输方法，其特征在于，包括：
根据多跳蜂窝网络结构生成有向图，确定基站、终端与中继之间的有向传输路径；
确定所述有向传输路径的速率限制、容量限制、发射功率限制、不循环限制、流量守恒限制，以及优化目标；
根据所述有向传输路径的速率限制、容量限制、发射功率限制、不循环限制、流量守恒限制，以及优化目标，获得最优路径选取解集、数据流传输速率、以及各节点发射功率；
根据所述最优路径选取解集、数据流传输速率、以及各节点发射功率，在多跳蜂窝网络中以最小能耗进行传输；
所述根据多跳蜂窝网络结构生成有向图，确定基站、终端与中继之间的有向传输路径包括：
获取所述多跳蜂窝网络结构基站、终端与中继各自的数量；
获取所述多跳蜂窝网络结构基站、终端与中继的两两连接关系；
根据所述多跳蜂窝网络结构基站、终端与中继各自的数量与两两连接关系，确定基站与终端之间的有向传输路径；
确定所述优化目标包括：
根据每个节点的硬件功耗、传输功耗与休眠功耗，确定网络总功耗；
根据每条有向传输路径上的传输速率，确定网络总容量；
以网络总功耗尽可能小、网络总容量尽可能大为目标，确定联合优化目标函数；
根据所述有向传输路径的速率限制、容量限制、发射功率限制、不循环限制、流量守恒限制，以及优化目标，获得最优路径选取解集、数据流传输速率、以及各节点发射功率包括：
根据所述有向传输路径的速率限制、容量限制、发射功率限制、不循环限制、流量守恒限制，按照蚁群算法路径选取规则，在信息素浓度的影响下，获得满足数据流传输要求的路径解集合；
使用牛顿迭代法求解所述每个路径解集合下的最优速率与节点功率解集，并求解联合优化目标函数值；
对每次蚁群算法循环中得到的路径解集合，使用所述联合优化目标函数值更新路径中的信息素浓度；
执行蚁群算法直到算法收敛，比较每次循环的最优目标函数值并获得所述最优路径选取解集，并根据所述最优路径选取解集获得对应的数据流传输速率与各节点发射功率。
2.根据权利要求1所述的方法，其特征在于，确定所述有向传输路径的速率限制、容量限制、发射功率限制、不循环限制、流量守恒限制包括；
获取所述基站与终端之间的有向传输路径上的传输速率，确定所述每条有向传输路径上的传输速率都满足用户服务质量要求预先指定的最小传输速率；
确定指定链路的链路容量，并根据指定有向传输路径是否经过指定链路、指定有向传输路径上的传输速率、与指定链路的链路容量，确定任一链路所承载传输速率之和小于该链路容量；
根据指定链路的传输功率与指定节点接口的发射功率上限，确定任一节点的需求发射功率可以被满足；
根据指定有向传输路径是否经过指定链路，确定所述有向传输路径中不存在环路；
根据指定有向传输路径是否经过指定链路与指定有向传输路径上的传输速率，确定每个中继节点的流量守恒。
3.根据权利要求2所述的方法，其特征在于，确定指定链路的链路容量包括：
根据所述链路收发两端的增益、其他链路对所述指定链路e的干扰增益、网络环境对所述指定链路的噪声干扰，确定所述链路的信干比；
根据所述链路的信干比与传输带宽，确定指定链路的链路容量。
4.根据权利要求1所述的方法，其特征在于，蚁群算法路径选取规则，为多次重复执行路径选择策略，以正反馈的方式在最短路径上不断更新信息素浓度并达到优化效果的方法，其中，每只蚂蚁在进行尝试时，有预先指定的概率受该蚂蚁自身的信息素影响并选择路径，也有预先指定的概率受其他蚂蚁的信息素影响并选择路径。
5.根据权利要求4所述的方法，其特征在于，所述更新信息素浓度，为在两次算法循环之间，根据信息素浓度与信息素挥发系数更新信息素浓度。
6.根据权利要求1所述的方法，其特征在于，所述使用牛顿迭代法求解所述每个路径解集合下的最优速率与节点功率解集包括：
根据节点密度与链路干扰，将所述求解问题转化为有约束条件的凸优化问题；
根据拉格朗日函数，将有约束条件的凸优化问题转化为无约束条件的凸优化问题；
计算出所述无约束条件的凸优化问题的对偶函数；
使用牛顿迭代法求解所述对偶函数，获得最优速率与节点功率解集。
CN201610671741.1A 2016-08-15 2016-08-15 一种多跳蜂窝网络的低能耗传输方法与装置 Active CN106304244B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610671741.1A CN106304244B (zh) 2016-08-15 2016-08-15 一种多跳蜂窝网络的低能耗传输方法与装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610671741.1A CN106304244B (zh) 2016-08-15 2016-08-15 一种多跳蜂窝网络的低能耗传输方法与装置

Publications (2)

Publication Number Publication Date
CN106304244A CN106304244A (zh) 2017-01-04
CN106304244B true CN106304244B (zh) 2019-06-07

Family

ID=57671463

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610671741.1A Active CN106304244B (zh) 2016-08-15 2016-08-15 一种多跳蜂窝网络的低能耗传输方法与装置

Country Status (1)

Country Link
CN (1) CN106304244B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107889183B (zh) * 2017-10-27 2021-05-14 深圳友讯达科技股份有限公司 数据传输方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012001634A1 (en) * 2010-06-28 2012-01-05 Nokia Corporation Method and apparatus for providing energy-aware connection and code offloading
CN103052129A (zh) * 2013-01-09 2013-04-17 北京邮电大学 一种无线多跳中继网络中节能路由及功率分配方法
CN104168620A (zh) * 2014-05-13 2014-11-26 北京邮电大学 无线多跳回传网络中的路由建立方法
CN105450741A (zh) * 2015-11-16 2016-03-30 苏州大学 分布式存储系统中供应服务器选择和修复数据传输方法
CN105721302A (zh) * 2016-03-31 2016-06-29 重庆邮电大学 一种软件定义网络路由选择方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012001634A1 (en) * 2010-06-28 2012-01-05 Nokia Corporation Method and apparatus for providing energy-aware connection and code offloading
CN103052129A (zh) * 2013-01-09 2013-04-17 北京邮电大学 一种无线多跳中继网络中节能路由及功率分配方法
CN104168620A (zh) * 2014-05-13 2014-11-26 北京邮电大学 无线多跳回传网络中的路由建立方法
CN105450741A (zh) * 2015-11-16 2016-03-30 苏州大学 分布式存储系统中供应服务器选择和修复数据传输方法
CN105721302A (zh) * 2016-03-31 2016-06-29 重庆邮电大学 一种软件定义网络路由选择方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
MELEACH一个高效节能的WSN路由协议;陈静;《传感技术学报》;20070930;正文第2089-2094页

Also Published As

Publication number Publication date
CN106304244A (zh) 2017-01-04

Similar Documents

Publication Publication Date Title
Niyato et al. Cognitive radio for next-generation wireless networks: An approach to opportunistic channel selection in IEEE 802.11-based wireless mesh
Le et al. Cross-layer optimization frameworks for multihop wireless networks using cooperative diversity
Merlin et al. Resource allocation in multi-radio multi-channel multi-hop wireless networks
Gupta et al. Learning link schedules in self-backhauled millimeter wave cellular networks
Raveendran et al. VLC and D2D heterogeneous network optimization: A reinforcement learning approach based on equilibrium problems with equilibrium constraints
CN105722174A (zh) 异构融合用电信息采集网络中的节点链路调度方法
CN106255220A (zh) 能量采集小蜂窝网络中的资源分配方法
Pavai et al. Study of routing protocols in wireless sensor networks
Kumar et al. Opt-ACM: An optimized load balancing based admission control mechanism for software defined hybrid wireless based IoT (SDHW-IoT) network
CN106162798A (zh) 无线传感网络能量采集节点协作传输的联合功率分配和中继选择方法
Cui et al. Scalable deep reinforcement learning for routing and spectrum access in physical layer
Xu et al. Joint topology construction and power adjustment for UAV networks: A deep reinforcement learning based approach
CN108811023A (zh) 一种基于萤火虫算法的swipt协作通信系统中继选择方法
CN107969008A (zh) 一种软件定义传感网集中式路由计算方法
Habib et al. Traffic steering for 5G Multi-RAT deployments using deep reinforcement learning
CN106304244B (zh) 一种多跳蜂窝网络的低能耗传输方法与装置
Park et al. Flocking-inspired transmission power control for fair resource allocation in vehicle-mounted mobile relay networks
Chai et al. Load balancing routing for wireless mesh network with energy harvesting
CN115134928B (zh) 频段路由优化的无线Mesh网络拥塞控制方法
Prasad et al. An energy efficient fuzzy level clustering for stable communications in cognitive sensor networks
Jung et al. On the optimal lifetime of cooperative routing for multi-hop wireless sensor networks
Basagni et al. Moving multiple sinks through wireless sensor networks for lifetime maximization
Kassab et al. Realistic wireless smart-meter network optimization using composite rpl metric
Ayyadurai et al. Multihop cellular network optimization using genetic algorithms
Prasad et al. An energy efficient clustering and relay selection scheme for cognitive radio sensor networks

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