CN106332257A - 超密集d2d网络中基于干扰平均场分布式功率控制方法 - Google Patents

Abstract

本发明公开了一种超密集D2D网络中基于干扰平均场分布式功率控制方法，所述超密集D2D网络中基于干扰平均场分布式功率控制方法基于干扰平均场近似的平均场博弈理论框架，结合能量效率和消耗功率设计目标函数；在平均场博弈理论框架上导出相关的哈密顿‑雅可比‑贝尔曼方程和福克‑普朗克‑柯尔莫戈洛夫方程；基于有限差分算法求解上述哈密顿‑雅可比‑贝尔曼方程和福克‑普朗克‑柯尔莫戈洛夫方程，得出面向能量和干扰感知的功率控制策略。本发明结合能量效率和功耗功率设计目标函数，提出了面向能量和干扰感知的功率控制策略从而提高频谱效率和能源效率。

Description

超密集D2D网络中基于干扰平均场分布式功率控制方法

技术领域

本发明属于无线通信技术领域，尤其涉及一种超密集D2D网络中基于干扰平均场分布式功率控制方法。

背景技术

作为面向5G的关键候选技术，设备到设备通信(Device-to-Device，D2D)具有潜在的提高系统性能、提升用户体验、扩展蜂窝通信应用的前景，受到广泛关注。于蜂窝网络的D2D通信，或称为邻近服务(Proximity Service，ProSe)，是指用户数据可不经网络中转而直接在终端之间传输。D2D通信与传统的蜂窝通信网络架构有显著区别。在D2D通信模式下，用户数据直接在终端之间传输，避免了蜂窝通信中用户数据经过网络中转传输，由此产生链路增益；其次，D2D用户之间以及D2D与蜂窝之间的资源可以复用，由此可产生资源复用增益；通过链路增益和资源复用增益则可提高无线频谱资源的效率，进而提高网络吞吐量。D2D通信的发展提高了传统蜂窝网络的能源效率和频谱效率。这些可见的优势是通过临近复用和频率复用来实现的。然而，这些优势同时也存在技术挑战：D2D通信中的层内干扰和层间干扰影响到系统系能。所以需要更进一步提高频谱效率。同时，能源效率也是另一个非常重要的问题。传统的D2D设备由电池驱动，因此，延长电池寿命和节约能量对提高用户体验非常重要。所以总的来说，提高频谱效率和能源效率在超密集应用场景中非常重要。为了同时提高频谱和能量效率，各种不同的技术已经被设计出来，如：干扰协调，干扰抑制和资源管理。其中，对于D2D通信，功率控制是节省能源抑制干扰的关键。为了描述相互联系的干扰关系，博弈理论被很好的应用在建模资源竞争上和干扰协调，分析策略行为和设计分布式算法上。最近，合作博弈和非合作博弈都被用到D2D通信中。然而，当D2D连接变多的时候，这些传统博弈模型分写解决问题变得非常困难。平均场博弈在建模和分析超大规模系统是一个很好的选择。

英特尔公司的专利申请文件“针对D2D通信的分布式功率控制”(公开号CN104995851A，申请号201480007221.X，申请日2014.03.05)中公开一种通过使用分布式功率控制技术来设置单独D2D发射器的发射功率的技术，这种方法通过分布式功率控制来对干扰温度进行的管理使得网络能够最大化其对时间频率资源的复用，但该方法的不足之处是：在密集异构蜂窝场景下时，需要服务交互次数和交互信息数据较大，而其不能保证在大量用户存在的情况下进行有效的功率控制。

北京邮电大学的专利申请文件“一种密集部署的家庭基站网络中的节能无线资源管理方法”(公开号CN103281761A，申请号201310219126.3，申请日2013.06.04)中公开一种密集部署的家庭基站网络中，功率和信道联合分配的分布式节能无线资源管理方法，该方法通过信道分配和功率控制两步来实现，从而使所有用户的效能达到最高，实现网络整体节能的目标。但该方法的不足之处在于其无法解决在超密集网络环境下的功率控制的问题。

发明内容

本发明的目的在于提供一种超密集D2D网络中基于干扰平均场分布式功率控制方法，旨在解决现有的分布式功率控制方法存在无法解决在超密集D2D网络环境下的功率控制的问题。

本发明是这样实现的，一种超密集D2D网络中基于干扰平均场分布式功率控制方法，所述超密集D2D网络中基于干扰平均场分布式功率控制方法，利用基于干扰平均场近似的平均场博弈理论框架，结合能量效率和消耗功率设计目标函数，使最佳功率控制问题转化为使目标函数最小化的问题；在平均场博弈理论框架上导出相关的哈密顿-雅可比-贝尔曼方程(HJB)和福克-普朗克-柯尔莫戈洛夫方程(FPK)来表示系统的平均场博弈；基于有限差分算法求解上述哈密顿-雅可比-贝尔曼方程和福克-普朗克-柯尔莫戈洛夫方程，得出面向能量和干扰感知的功率控制策略。其中上述HJB和FPK方程分别是，HJB方程：其中u是发射端产生的干扰，c是成本函数，p是功率，s是状态空间；FPK：其中m是平均场，s是状态空间。

进一步，所述超密集D2D网络中基于干扰平均场分布式功率控制方法包括以下步骤：

步骤一，将时间间隔，能量状态和干扰状态进行离散化；

步骤二，判断是否符合迭代条件，若是进行下一步，否则停止迭代；

步骤三，升级平均场，并判断功率水平是否为零，如果是则进一步升级平均场，如果否则平均场为零；

步骤四，更新拉格朗日算子和功率水平，根据迭代条件，重复步骤二到步骤四。

进一步，时间间隔[0,T]，能量状态空间[0,E_max]和干扰状态空间[0,μ_max]将被离散化为X×Y×Z的空间，时间，能量，干扰空间的迭代步骤为：

${\mathrm{\δ}}_t=\frac{T}{X},{\mathrm{\δ}}_E=\frac{E_{max}}{Y},{\mathrm{\δ}}_{\mathrm{\μ}}=\frac{{\mathrm{\μ}}_{max}}{Z}.$

进一步，所述迭代条件是指是i,j,k同时符合i＝1:X,j＝1:Y且k＝1:Z，符合条件时进行下一步，否则停止迭代；其中i、j和k分别代表离散网格中的时间、能量水平和干扰状态；X、Y和Z的值在初始化时给出。

进一步，所述升级平均场时使用公式：

$\begin{array}{c}M(i+1,j,k)=\frac{1}{2}\[M(i,j-1,k)+M(i,j+1,k)+M(i,j,k-1)+M(i,j,k+1)\]\\ +\frac{{\mathrm{\δ}}_t}{2{\mathrm{\δ}}_E}\[M(i,j+1,k)P(i,j+1,k)-M(i,j-1,k)P(i,j-1,k)\]\\ +\frac{{\mathrm{\δ}}_t}{2{\mathrm{\δ}}_{\mathrm{\μ}}}\[M(i,j,k+1)P(i,j,k+1)\mathrm{\ϵ}(i,j,k+1)-M(i,j,k-1)\mathrm{\ϵ}(i,j,k-1)P(i,j,k-1)\]\end{array};$

其中M(i,j,k),P(i,j,k),ε(i,j,k)分别是i时间、j能量水平和k干扰状态时离散网格中的平均场，功率和干扰增益的值。

进一步，所述步骤四，通过计算得到更新拉格朗日算子λ(i-1,j,k)时使用式；

$\begin{array}{c}\mathrm{\λ}(i-1,j,k)=\frac{1}{2}\[\mathrm{\λ}(i,j+1,k)+\mathrm{\λ}(i,j-1,k)\]+\frac{1}{2}\[\mathrm{\λ}(i,j,k+1)+\mathrm{\λ}(i,j,k+1)\]-\\ \frac{1}{2}{\mathrm{\δ}}_{t}P(i,j,k)\[\frac{\mathrm{\ϵ}(i,j,k)}{{\mathrm{\δ}}_{\mathrm{\μ}}}+\frac{1}{{\mathrm{\δ}}_E}\]\[\mathrm{\λ}(i,j+1,k)-\mathrm{\λ}(i,j-1,k)\]+{\mathrm{\δ}}_{t}C(i,j,k)\end{array};$

其中M(i,j,k),P(i,j,k),λ(i,j,k)和C(i,j,k)分别是在时间i，能量水平j和干扰状态k的离散网格中的平均场，功率，拉格朗日乘子和成本函数的值；

功率水平P(i-1,j,k)的更新使用如下方式：

$\frac{\∂L_d}{\∂P(i,j,k)}=\underset{j=1}{\overset{Y+1}{\Σ}}\underset{k=1}{\overset{Z+1}{\Σ}}M(i,j,k)\frac{\∂C(i,j,k)}{\∂(i,j,k)}+\[\frac{M(i,j,k)}{2{\mathrm{\δ}}_E}+\frac{M(i,j,k)\mathrm{\ϵ}(i,j,k)}{2{\mathrm{\δ}}_{\mathrm{\μ}}}\]\[\mathrm{\λ}(i,j+1,k)-\mathrm{\λ}(i,j-1,k)\].$

本发明的另一目的在于提供一种应用所述超密集D2D网络中基于干扰平均场分布式功率控制方法的家庭基站网络中无线资源管理方法。

本发明提供的超密集D2D网络中基于干扰平均场分布式功率控制方法，超密集网络中D2D连接数量巨大，每个设备都可以自由决策，普通的模型不能描述这种应用环境，而平均场博弈模型可以很好地描述多个不同设备之间相互作用的关系，通过联立哈密顿-雅可比-贝尔曼方程(HJB)和福克-普朗克-柯尔莫戈洛夫公式(FPK)求解则可以得到最佳功率控制策略。本发明结合能量效率和功耗功率设计目标函数，提出了面向能量和干扰感知的功率控制策略从而提高频谱效率和能源效率。

附图说明

图1是本发明实施例提供的超密集D2D网络中基于干扰平均场分布式功率控制方法流程图。

图2是本发明实施例提供的实施例1的流程图。

图3是本发明实施例所处的超密集D2D网络环境示意图。

图4是本发明实施例提供的时间和空间的离散平均场博弈示意图。

图5是本发明实施例提供的对比曲线示意图。

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。

本发明提出一种基于干扰平均场近似的平均场博弈理论框架，并结合能量效率和消耗功率设计目标函数；在框架上导出了相关的哈密顿-雅可比-贝尔曼方程(HJB)和福克-普朗克-柯尔莫戈洛夫公式(FPK)；基于有限差分算法求解上述HJB和FPK方程，基于此，提出一种面向能量和干扰感知的功率控制策略。其中上述HJB和FPK方程分别是，HJB方程：其中u是发射端产生的干扰，c是成本函数，p是功率，s是状态空间；FPK：其中m是平均场，s是状态空间。

下面结合附图对本发明的应用原理作详细的描述。

如图1所示，本发明实施例的超密集D2D网络中基于干扰平均场分布式功率控制方法包括以下步骤：

S101：将时间间隔，能量状态和干扰状态进行离散化；

S102：判断是否符合迭代条件，若是进行下一步，否则停止迭代；

S103：升级平均场，并判断功率水平是否为零，如果是则进一步升级平均场，如果否则平均场为零；

S104：更新拉格朗日算子和功率水平，根据迭代条件，重复S102到S104。

下面结合具体实施例对本发明的应用原理作进一步的描述。

如图3所示，本发明实施例主要基于图3示意的超密集D2D网络(Ultra-DenseD2DNetworks)进行说明，主要提出一种图2所示超密集D2D网络中基于干扰平均场的分布式功率控制方法。

具体包括如下步骤：

步骤1、将时间间隔，能量状态和干扰状态进行离散化

使用Lax-Friedrichs方案进行离散化。

在有限差分方法的框架中，时间间隔[0,T]，能量状态空间[0,E_max]和干扰状态空间[0,μ_max]将被离散化为X×Y×Z的空间，如图4所示。因此先定义时间，能量，干扰空间的迭代步骤为：

${\mathrm{\δ}}_t=\frac{T}{X},{\mathrm{\δ}}_E=\frac{E_{max}}{Y},{\mathrm{\δ}}_{\mathrm{\μ}}=\frac{{\mathrm{\μ}}_{max}}{Z}$

步骤2、判断是否符合迭代条件，若是则进行下一步，否则停止迭代；

所述迭代条件是指是i,j,k同时符合i＝1:X,j＝1:Y且k＝1:Z，符合条件时进行下一步，否则停止迭代。其中i、j和k分别代表离散网格中的时间、能量水平和干扰状态。X、Y和Z的值在初始化时给出。

步骤3、升级平均场，并判断功率水平是否为零，如果是则进一步升级平均场，如果否则平均场为零：

升级平均场时使用公式：

$\begin{array}{c}M(i+1,j,k)=\frac{1}{2}\[M(i,j-1,k)+M(i,j+1,k)+M(i,j,k+1)+M(i,j,k+1)\]\\ +\frac{{\mathrm{\δ}}_t}{2{\mathrm{\δ}}_E}\[M(i,j+1,k)P(i,j+1,k)-M(i,j-1,k)P(i,j-1,k)\]\\ +\frac{{\mathrm{\δ}}_t}{2{\mathrm{\δ}}_{\mathrm{\μ}}}\[M(i,j,k+1)P(i,j,k+1)\mathrm{\ϵ}(i,j,k+1)-M(i,j,k-1)\mathrm{\ϵ}(i,j,k-1)P(i,j,k-1)\]\end{array};$

此式可以通过Lax-Friedrichs方法处理FPK方程得到，其中M(i,j,k),P(i,j,k),ε(i,j,k)分别是i时间、j能量水平和k干扰状态时离散网格中的平均场，功率和干扰增益的值。

判断功率水平P(i,j+1,k)是否为零，如果为零则进一步升级平均场使M(i+1,j+1,k+1)＝M(i,j,k)；如果不为零则使平均场为零M(i+1,j+1,k+1)＝0。

步骤4、更新拉格朗日算子和功率水平，根据迭代条件，重复S2到S4；

通过计算得到更新拉格朗日算子λ(i-1,j,k)时使用式：

$\begin{array}{c}\mathrm{\λ}(i-1,j,k)=\frac{1}{2}\[\mathrm{\λ}(i,j+1,k)+\mathrm{\λ}(i,j-1,k)\]+\frac{1}{2}\[\mathrm{\λ}(i,j,k+1)+\mathrm{\λ}(i,j,k+1)\]-\\ \frac{1}{2}{\mathrm{\δ}}_{t}P(i,j,k)\[\frac{\mathrm{\ϵ}(i,j,k)}{{\mathrm{\δ}}_{\mathrm{\μ}}}+\frac{1}{{\mathrm{\δ}}_E}\]\[\mathrm{\λ}(i,j+1,k)-\mathrm{\λ}(i,j-1,k)\]+{\mathrm{\δ}}_{t}C(i,j,k)\end{array};$

其中ε(i,j,k),P(i,j,k),λ(i,j,k)和C(i,j,k)分别是在时间i，能量水平j和干扰状态k的离散网格中的干扰增益，功率，拉格朗日乘子和成本函数的值。

功率水平P(i-1,j,k)的更新使用如下方式：

$\frac{\∂L_d}{\∂P(i,j,k)}=\underset{j=1}{\overset{Y+1}{\Σ}}\underset{k=1}{\overset{Z+1}{\Σ}}M(i,j,k)\frac{\∂C(i,j,k)}{\∂(i,j,k)}+\[\frac{M(i,j,k)}{2{\mathrm{\δ}}_E}+\frac{M(i,j,k)\mathrm{\ϵ}(i,j,k)}{2{\mathrm{\δ}}_{\mathrm{\μ}}}\]\[\mathrm{\λ}(i,j+1,k)-\mathrm{\λ}(i,j-1,k)\];$

之后根据迭代条件，重复S2到S4。

下面结合仿真对本发明的应用效果作详细的描述。

1.仿真条件

本发明考虑的是D2D链路的半径范围一致分布在10m到30m的OFDMA的D2D网络中。系统参数设置中，带宽ω＝20MHz，背景噪声功率是2×10^-9W，噪声功率频谱密度是κ＝-174dB/Hz。没有特殊声明时，选择有500帧的标准案例，最大能量是0.5J，D2D链路的数量的范围是N＝50到N＝200。D2D链路的路径损耗指数是3。一个LTE无线帧的持续时间是10ms，则对于500帧，T＝5s。假设每个用户的容忍干扰水平μ_max＝5.8×10^-6。

如图4，随着D2D链接数目增加，平均能量效率将逐渐降低。但是提出方法相比于比较方法，可以有效改进能量效率，从而延长电池寿命。

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 (7)

1.一种超密集D2D网络中基于干扰平均场分布式功率控制方法，其特征在于，所述超密集D2D网络中基于干扰平均场分布式功率控制方法基于干扰平均场近似的平均场博弈理论框架，结合能量效率和消耗功率设计目标函数；在平均场博弈理论框架上导出相关的哈密顿-雅可比-贝尔曼方程和福克-普朗克-柯尔莫戈洛夫方程；基于有限差分算法求解上述哈密顿-雅可比-贝尔曼方程和福克-普朗克-柯尔莫戈洛夫方程，即可得出得出面向能量和干扰感知的基于干扰平均场的分布式功率控制方法。

2.如权利要求1所述的超密集D2D网络中基于干扰平均场分布式功率控制方法，其特征在于，所述超密集D2D网络中基于干扰平均场分布式功率控制方法包括以下步骤：

步骤一，将时间间隔，能量状态和干扰状态进行离散化；

步骤二，判断是否符合迭代条件，若是进行下一步，否则停止迭代；

步骤三，升级平均场，并判断功率水平是否为零，如果是则进一步升级平均场，如果否则平均场为零；

步骤四，更新拉格朗日算子和功率水平，根据迭代条件，重复步骤二到步骤四。

3.如权利要求2所述的超密集D2D网络中基于干扰平均场分布式功率控制方法，其特征在于，时间间隔[0,T]，能量状态空间[0,E_max]和干扰状态空间[0,μ_max]将被离散化为X×Y×Z的空间，时间，能量，干扰空间的迭代步骤为：

${\mathrm{\δ}}_t=\frac{T}{X},{\mathrm{\δ}}_E=\frac{E_{max}}{Y},{\mathrm{\δ}}_{\mathrm{\μ}}=\frac{{\mathrm{\μ}}_{max}}{Z}.$

4.如权利要求2所述的超密集D2D网络中基于干扰平均场分布式功率控制方法，其特征在于，所述迭代条件是指是i,j,k同时符合i＝1:X,j＝1:Y且k＝1:Z，符合条件时进行下一步，否则停止迭代；其中i、j和k分别代表离散网格中的时间、能量水平和干扰状态；X、Y和Z的值在初始化时给出。

5.如权利要求2所述的超密集D2D网络中基于干扰平均场分布式功率控制方法，其特征在于，所述升级平均场时使用公式：

$\begin{array}{c}M(i+1,j,k)=\frac{1}{2}\[M\left(i,j-1,k\right)+M\left(i,j+1,k\right)+M\left(i,j,k-1\right)+M\left(i,j,k+1\right)\]\\ +\frac{{\mathrm{\δ}}_t}{2{\mathrm{\δ}}_E}\[M\left(i,j+1,k\right)P\left(i,j+1,k\right)-M\left(i,j-1,k\right)P\left(i,j-1,k\right)\]\\ +\frac{{\mathrm{\δ}}_t}{2{\mathrm{\δ}}_{\mathrm{\μ}}}\[M\left(i,j,k+1\right)P\left(i,j,k+1\right)\mathrm{\ϵ}\left(i,j,k+1\right)-M\left(i,j,k-1\right)\mathrm{\ϵ}\left(i,j,k-1\right)P\left(i,j,k-1\right)\]\end{array};$

其中M(i,j,k),P(i,j,k),ε(i,j,k)分别是i时间、j能量水平和k干扰状态时离散网格中的平均场，功率和干扰增益的值。

6.如权利要求2所述的超密集D2D网络中基于干扰平均场分布式功率控制方法，其特征在于，所述步骤四，通过计算得到更新拉格朗日算子λ(i-1,j,k)时使用式；

$\begin{array}{c}\mathrm{\λ}\left(i-1,j,k\right)=\frac{1}{2}\[\mathrm{\λ}\left(i,j+1,k\right)+\mathrm{\λ}\left(i,j-1,k\right)\]+\frac{1}{2}\[\mathrm{\λ}\left(i,j,k+1\right)+\mathrm{\λ}\left(i,j,k+1\right)\]-\\ \frac{1}{2}{\mathrm{\δ}}_{t}P\left(i,j,k\right)\[\frac{\mathrm{\ϵ}\left(i,j,k\right)}{{\mathrm{\δ}}_{\mathrm{\μ}}}+\frac{1}{{\mathrm{\δ}}_E}\]\[\mathrm{\λ}\left(i,j+1,k\right)-\mathrm{\λ}\left(i,j-1,k\right)\]+{\mathrm{\δ}}_{t}C\left(i,j,k\right)\end{array};$

其中M(i,j,k),P(i,j,k),λ(i,j,k)和C(i,j,k)分别是在时间i，能量水平j和干扰状态k的离散网格中的平均场，功率，拉格朗日乘子和成本函数的值；

功率水平P(i-1,j,k)的更新使用如下方式：

$\frac{\∂L_d}{\∂P\left(i,j,k\right)}=\underset{j=1}{\overset{Y+1}{\mathrm{\Σ}}}\underset{k=1}{\overset{Z+1}{\mathrm{\Σ}}}M\left(i,j,k\right)\frac{\∂C\left(i,j,k\right)}{\∂\left(i,j,k\right)}+\[\frac{M\left(i,j,k\right)}{2{\mathrm{\δ}}_E}+\frac{M\left(i,j,k\right)\mathrm{\ϵ}\left(i,j,k\right)}{2{\mathrm{\δ}}_{\mathrm{\μ}}}\]\[\mathrm{\λ}\left(i,j+1,k\right)-\mathrm{\λ}\left(i,j-1,k\right)\].$

7.一种应用权利要求1-6任意一项所述超密集D2D网络中基于干扰平均场分布式功率控制方法的家庭基站网络中无线资源管理方法。