CN106455032A - 一种超密集网络中面向主干扰源的分布式功率控制方法 - Google Patents

Abstract

本发明公开了一种超密集网络中面向主干扰源的分布式功率控制方法，所述超密集网络中面向主干扰源的分布式功率控制方法利用具有主干扰源的平均场博弈理论框架，设计成本函数，使最佳功率控制问题转化为使成本函数最小的最小值问题；在平均场博弈理论框架上导出相关的哈密顿‑雅可比‑贝尔曼方程和福克‑普朗克‑柯尔莫戈洛夫方程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，从而得出干扰感知功率控制策略。

Description

一种超密集网络中面向主干扰源的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网络中面向主干扰源的分布式功率控制方法。

背景技术

近些年智能移动设备比如智能手机和平板电脑的普及，以及移动应用的爆炸式增长，使得无线通信网络面临着提供各种不同数据服务比如视频和在线聊天的巨大挑战。为了应对各种各样宽频带高质量服务的要求，5G网络就需要根据能够使用户取得满意体验的方向进行改进。一般来说，网络容量的扩充可以通过三个方面，物理层空中接口，取得新的频谱范围以及超密集部署异构蜂窝网。网络致密化是5G时代的一个重要特征，而超密集网络(ultra-dense networks)能够使网络容量大幅提升。超密集网络中，与传统基站共存的超密集部署异构蜂窝网能够完全复用有限的频率资源，从而提升频谱效率。这里，蜂窝在LTE网络中是一个常用的名词，表示拥有不同覆盖范围和下行发射功率的家庭基站(femtocells)和微微蜂窝(picocells)。然而，inter-tier和intra-cell干扰总是存在于异构的超密集蜂窝中，造成网络性能下降。一方面，集中化的最优化方案需要全局的网络信息和中心控制者。另一方面，随着蜂窝数量的趋于无限化，由于分布的随机性和有限的回程容量(backhauling capacity)使得集中式干扰管理面临着严重的信令开销(signalingoverhead)，可扩展性和灵活性的问题。因此，分布式干扰管理应该具有自组织特性，这也就是博弈论在这一领域得到巨大应用的原因。

上海交通大学的专利申请文件“认知网络中基于合作博弈的分布式功率控制方法”(公开号CN102695131A，申请号201210157873.4，申请日2012.05.18)中公开一种认知网络中基于合作博弈的分布式功率控制方法，这种方法快速收 敛到基于合作博弈的中心式方法的性能，使认知网络中次用户比较公平和高效的利用频谱资源，此用户之间功率调整不需要知道整个认知网络全居信道信息，只需利用自身局部信道信息，实用性和可行性强。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。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。

发明内容

本发明的目的在于提供一种超密集网络中面向主干扰源的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在超密集网络环境下不存在自组织特性的问题。不存在自组织特性的集中式干扰管理面临着严重的信令开销，可扩展性和灵活性的问题。

本发明是这样实现的，一种超密集网络中面向主干扰源的分布式功率控制方法，所述超密集网络中面向主干扰源的分布式功率控制方法利用具有主干扰源的平均场博弈理论框架，设计成本函数，使最佳功率控制问题转化为使成本函数最小的最小值问题；在平均场博弈理论框架上导出相关的哈密顿-雅可比-贝尔曼方程和福克-普朗克-柯尔莫戈洛夫方程来表示系统的平均场博弈，则可以将复杂的平均场博弈表示为两个方程的有机结合，方便于进一步分析；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，从而得出干扰感知功率控制策略。本发明在于提供一种应用于所述超密集网络中面向主干扰源的分布式功率控制方法的无线通信方法和智能移动设备。

进一步，所述哈密顿-雅可比-贝尔曼方程为：

其中

所述福克-普朗克-柯尔莫戈洛夫方程为：

进一步，所述超密集网络中面向主干扰源的分布式功率控制方法包括以下步骤：

步骤一，初始化，并将时间间隔，主干扰源的状态空间和一般干扰的状态空间进行离散化；

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，升级干扰平均场，并判断功率水平是否为零，如果是则进一步升级干扰平均场，如果否则干扰平均场为零；

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，所述时间间隔，主干扰源的状态空间和一般干扰的状态空间将被离散化为X×Y×Z的空间，时间，能量，干扰空间的迭代步长为：

进一步，所述迭代条件是指是t,o,i同时符合t＝1:s,o＝1:Y且i＝1:Z，符合条件时进行下一步，否则停止迭代；其中s、Y和Z的值在初始化时给出。

进一步，所述升级干扰平均场时使用公式：

其中是离散网格中任一点(t,o,i)处的平均场值，和分别是主干扰源和一般干扰的方差，s_o和s_i分别是主干扰源o和一般用户的i的状态动力学，δ_o和δ_i是迭代步长，其中

进一步，所述更新拉格朗日算子时使用式：

其中和分别是离散网格中任一点(t,o,i)处的平均场值和成本函数值， 和分别是主干扰源和一般干扰的方差，s_o和s_i分别是主干扰源o和一般用户的i的状态动力学，δ_o、δ_i和δ_t是迭代步长，其中

主干扰源o的功率水平的更新使用如下方式：

其中和分别是离散网格中任一点(t,o,i)处的平均场值和成本函数值，s_o和s_i分别是主干扰源o和一般用户的i的状态动力学，是主干扰源的发射功率，δ_o和δ_i是迭代步长，其中

一般用户i的功率水平的更新使用如下方式：

其中各字母的含义参考如上，是一般用户主干扰源的发射功率。

本发明的另一目的在于提供一种应用所述超密集网络中面向主干扰源的分布式功率控制方法的无线通信方法。

本发明的另一目的在于提供一种应用所述超密集网络中面向主干扰源的分布式功率控制方法的智能移动设备。

本发明提供的超密集网络中面向主干扰源的分布式功率控制方法，提供一种应用于所述超密集网络中面向主干扰源的分布式功率控制方法的无线通信方法和智能移动设备，能够有效提升频谱和能量效率。

附图说明

图1是本发明实施例提供的超密集网络中面向主干扰源的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具有主干扰源和小干扰的异步超密集小蜂窝网络环境示意图。

图4是主干扰源的随着普通干扰源数目变化的平均性能曲线。

图5是普通干扰源的随着普通干扰源数目变化的平均性能曲线。

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。

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网络中面向主干扰源的分布式功率控制方法包括以下步骤：

S101：初始化，并将时间间隔，主干扰源的状态空间和一般干扰的状态空间进行离散化；

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：升级干扰平均场，并判断功率水平是否为零，如果是则进一步升级干扰平均场，如果否则干扰平均场为零；

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

本发明实施例的超密集网络中面向主干扰源的分布式功率控制方法，利用 具有主干扰源的平均场博弈理论框架，设计成本函数，使最佳功率控制问题转化为使成本函数最小的最小值问题；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(HJB)和福克-普朗克-柯尔莫戈洛夫方程(FPK)，从而得出干扰感知功率控制策略。其中上述HJB和FPK方程分别是，HJB方程：

其中FPK方程：

下面结合附图对本发明的应用原理作进一步的描述。

本发明实施例主要基于图3示意的具有主干扰源和小干扰的异步超密集小蜂窝网络(Heterogeneous ultra-dense small cell networks with(major)interferencedominator and minor interferers)进行说明，主要提出一种图2所示超密集网络中面向主干扰源的分布式功率控制方法。

具体包括如下步骤：

步骤1、初始化，并将时间间隔，主干扰源的状态空间和一般干扰的状态空间进行离散化；

在有限差分方法的框架中，时间间隔[0,T]，主干扰源的状态空间[0,I_o,max]和一般干扰的状态空间[0,I_i,max]将被离散化为X×Y×Z的空间，时间，能量，干扰空间的迭代步长(iteration steps)为：

步骤2、判断是否符合迭代条件，若是进行下一步，否则停止迭代；

所述迭代条件是指是t,o,i同时符合t＝1:s,o＝1:Y且i＝1:Z，符合条件时进行下一步，否则停止迭代；其中s、Y和Z的值在初始化时给出。

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

升级干扰平均场时使用公式：

其中是离散网格中任一点(t,o,i)处的平均场值，和分别是主干扰源和一般干扰的方差，s_o和s_i分别是主干扰源o和一般用户的i的状态动力学，δ_o和δ_i是迭代步长，其中

判断功率水平和是否同时为零，如果同时为零则进一步升级平均场使如果不同时为零则使平均场等于零即

步骤4、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；

更新拉格朗日算子时使用式：

其中和分别是离散网格中任一点(t,o,i)处的平均场值和成本函数值， 和分别是主干扰源和一般干扰的方差，s_o和s_i分别是主干扰源o和一般用户的i的状态动力学，δ_o、δ_i和δ_t是迭代步长，其中

主干扰源o的功率水平的更新使用如下方式：

其中和分别是离散网格中任一点(t,o,i)处的平均场值和成本函数值，s_o和s_i分别是主干扰源o和一般用户的i的状态动力学，是主干扰源的发射功率，δ_o和δ_i是迭代步长，其中

一般用户i的功率水平的更新使用如下方式：

其中各字母的含义参考如上，是一般用户主干扰源的发射功率。

之后根据迭代条件，重复步骤二到步骤四。

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

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。

仿真参数

系统模型说明：

此仿真实验采用的是5×5grid模型，所采用的协议为3GPP-TR 36.814.该模型中有一个主干扰源(dominator)和N普通干扰源(generic player)。为方便起见，该模型中上下左右相邻基站的距离是相等的。具体的参数情况见仿真参数表。仿真结果如图4和图5所示。

如图4描述的是主干扰源(dominator)获得平均年信干扰比(SINR)、频谱效率(SE)和能量效率(EE)随着N普通干扰源(generic player)数目变化的性能曲线。从图中可以看到随着普通干扰源数量的增加，频谱效率下降，能量效率趋于平滑。主要是由于大量普通干扰源的引入，导致网络干扰环境急剧恶化，因此直接影响频谱效率。另外，由于大量引入普通干扰源导致消耗的能量也在增加，有效的功率控制保证能量效率趋于稳定。结论是提出方法可以实现超密集场景下的有效的干扰管理。

如图5描述的是普通干扰源(generic player)获得平均年信干扰比(SINR)、频谱效率(SE)和能量效率(EE)随着N普通干扰源(generic player)数目变化的性能曲线。从图中可以看到随着普通干扰源数量的增加，频谱效率下降很快，能量效率有提升。主要是由于大量普通干扰源的引入，导致网络干扰环境急剧恶化，因此直接影响频谱效率。有效的功率控制保证能量效率有提升，实现了能量消耗和网络吞吐量之间的最佳效用。结论是提出方法可以实现超密集场景下的有效的干扰管理，实现能量效率和频谱效率的最佳折中。

Claims (9)

1.一种超密集网络中面向主干扰源的分布式功率控制方法，其特征在于，所述超密集网络中面向主干扰源的分布式功率控制方法利用具有主干扰源的平均场博弈理论框架，设计成本函数，使最佳功率控制问题转化为使成本函数最小的最小值问题；在平均场博弈理论框架上导出相关的哈密顿-雅可比-贝尔曼方程和福克-普朗克-柯尔莫戈洛夫方程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，从而得出干扰感知功率控制策略。

2.如权利要求1所述的超密集网络中面向主干扰源的分布式功率控制方法，其特征在于，所述哈密顿-雅可比-贝尔曼方程为：

${\∂}_{t}u(t,s)+\frac{{\mathrm{\σ}}_o^2}{2}{\mathrm{\Δ}}_{s_o}u(t,s)+\frac{{\mathrm{\σ}}_i^2}{2}{\mathrm{\Δ}}_{s_i}u(t,s)=H(c,{\▿}_{s}u(t,s\left)\right);$

其中

所述福克-普朗克-柯尔莫戈洛夫方程为：

${\∂}_{t}m(t,s)+\frac{{\mathrm{\σ}}_o^2}{2}{\mathrm{\Δ}}_{s_o}m(t,s)+\frac{{\mathrm{\σ}}_i^2}{2}{\mathrm{\Δ}}_{s_i}m(t,s)-\frac{\∂s_o}{\∂t}{\▿}_{s_o}m(t,s)-\frac{\∂s_i}{\∂t}{\▿}_{s_i}m(t,s)=0.$

3.如权利要求1所述的超密集网络中面向主干扰源的分布式功率控制方法，其特征在于，所述超密集网络中面向主干扰源的分布式功率控制方法包括以下步骤：

步骤一，初始化，并将时间间隔，主干扰源的状态空间和一般干扰的状态空间进行离散化；

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，升级干扰平均场，并判断功率水平是否为零，如果是则进一步升级干扰平均场，如果否则干扰平均场为零；

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。

4.如权利要求3所述的超密集网络中面向主干扰源的分布式功率控制方法，其特征在于，所述时间间隔，主干扰源的状态空间和一般干扰的状态空间将被离散化为X×Y×Z的空间，时间，能量，干扰空间的迭代步长为：

${\mathrm{\δ}}_t=\frac{T}{X},{\mathrm{\δ}}_o=\frac{I_{o,max}}{Y},{\mathrm{\δ}}_i=\frac{I_{i,max}}{Z}.$

5.如权利要求3所述的超密集网络中面向主干扰源的分布式功率控制方法，其特征在于，所述迭代条件是指是t,o,i同时符合t＝1:s,o＝1:Y且i＝1:Z，符合条件时进行下一步，否则停止迭代；其中s、Y和Z的值在初始化时给出。

6.如权利要求3所述的超密集网络中面向主干扰源的分布式功率控制方法，其特征在于，所述升级干扰平均场时使用公式：

$\frac{m_{o,i}^{t+1}}{{\mathrm{\δ}}_t}=m_{o,i}^t(\frac{1}{{\mathrm{\δ}}_t}+\frac{{\mathrm{\σ}}_o^2}{{\mathrm{\δ}}_o^2}+\frac{{\mathrm{\σ}}_i^2}{{\mathrm{\δ}}_i^2}+\frac{s_o}{{\mathrm{\δ}}_o}+\frac{s_i}{{\mathrm{\δ}}_i})-m_{o-1,i}^t(\frac{{\mathrm{\σ}}_o^2}{2{\mathrm{\δ}}_o^2}+\frac{s_o}{{\mathrm{\δ}}_o})-m_{o,i-1}^t(\frac{{\mathrm{\σ}}_i^2}{2{\mathrm{\δ}}_i^2}+\frac{s_i}{{\mathrm{\δ}}_i})-m_{o+1,i}^t\frac{{\mathrm{\σ}}_o^2}{2{\mathrm{\δ}}_o^2}-m_{o,i+1}^t\frac{{\mathrm{\σ}}_i^2}{2{\mathrm{\δ}}_i^2};$

其中是离散网格中任一点(t,o,i)处的平均场值，和分别是主干扰源和一般干扰的方差，s_o和s_i分别是主干扰源o和一般用户的i的状态动力学，δ_o和δ_i是迭代步长，其中

7.如权利要求3所述的超密集网络中面向主干扰源的分布式功率控制方法，其特征在于，所述更新拉格朗日算子时使用式：

$\frac{{\mathrm{\λ}}_{o,i}^{t-1}}{{\mathrm{\δ}}_t}={\mathrm{\λ}}_{o,i}^t(\frac{1}{{\mathrm{\δ}}_t}+\frac{{\mathrm{\σ}}_o^2}{{\mathrm{\δ}}_o^2}+\frac{{\mathrm{\σ}}_i^2}{{\mathrm{\δ}}_i^2}+\frac{s_o}{{\mathrm{\δ}}_o}+\frac{s_i}{{\mathrm{\δ}}_i})-{\mathrm{\λ}}_{o+1,i}^t(\frac{{\mathrm{\σ}}_o^2}{2{\mathrm{\δ}}_o^2}+\frac{s_o}{{\mathrm{\δ}}_o})-{\mathrm{\λ}}_{o,i+1}^t(\frac{{\mathrm{\σ}}_i^2}{2{\mathrm{\δ}}_i^2}+\frac{s_i}{{\mathrm{\δ}}_i})-m_{o-1,i}^t\frac{{\mathrm{\σ}}_o^2}{2{\mathrm{\δ}}_o^2}-m_{o,i-1}^t\frac{{\mathrm{\σ}}_i^2}{2{\mathrm{\δ}}_i^2}-c_{o,i}^t;$

其中和分别是离散网格中任一点(t,o,i)处的平均场值和成本函数值，和分别是主干扰源和一般干扰的方差，s_o和s_i分别是主干扰源o和一般用户的i的状态动力学，δ_o、δ_i和δ_t是迭代步长，其中

主干扰源o的功率水平的更新使用如下方式：

$p_o^t=\frac{\frac{({\mathrm{\κ}}_g-g_{o,i}){\mathrm{\λ}}_{o,i}^t(m_{o,i}^t-m_{o,i-1}^t)}{4{\mathrm{\δ}}_i{m}_{o,i}^t{g}_{o,i}}-p_i^t{m}_{j,i}}{g_{o,i}}$

其中和分别是离散网格中任一点(t,o,i)处的平均场值和成本函数值，s_o和s_i分别是主干扰源o和一般用户的i的状态动力学，是主干扰源的发射功率，δ_o和δ_i是迭代步长，其中

一般用户i的功率水平的更新使用如下方式：

$p_i^t=\frac{\{\frac{{\mathrm{\λ}}_{o,i}^t}{2m_{o,i}^t}\·\[\frac{({\mathrm{\κ}}_m-m_{i,o})(m_{o,i}^t-m_{o-1,i}^t)}{{\mathrm{\δ}}_o}+\frac{({\mathrm{\κ}}_m-m_{j,i})(m_{o,i}^t-m_{o,i-1}^t)}{{\mathrm{\δ}}_i}-{\mathrm{\σ}}_m^2(\frac{m_{o+1,i}^t-2m_{o,i}^t+m_{o-1,i}^t}{{\mathrm{\δ}}_o^2}+\frac{m_{o,i+1}^t-2m_{o,i}^t+m_{o,i-1}^t}{{\mathrm{\δ}}_i^2})\]-2p_o^t{g}_{o,i}{m}_{j,i}\}}{2(m_{i,o}^t+m_{j,i}^2)}$

其中各字母的含义参考如上，是一般用户主干扰源的发射功率。

8.一种应用权利要求1-7任意一项所述超密集网络中面向主干扰源的分布式功率控制方法的线通信方法。

9.一种应用权利要求1-7任意一项所述超密集网络中面向主干扰源的分布式功率控制方法的智能移动设备。