CN106954227B - 超密集无线网络基于干扰协调的能效资源分配方法 - Google Patents

超密集无线网络基于干扰协调的能效资源分配方法 Download PDF

Info

Publication number
CN106954227B
CN106954227B CN201710102229.XA CN201710102229A CN106954227B CN 106954227 B CN106954227 B CN 106954227B CN 201710102229 A CN201710102229 A CN 201710102229A CN 106954227 B CN106954227 B CN 106954227B
Authority
CN
China
Prior art keywords
interference
base station
channel
user
cluster
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
CN201710102229.XA
Other languages
English (en)
Other versions
CN106954227A (zh
Inventor
朱晓荣
王振
沈瑶
朱洪波
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.)
CERTUSNET Corp.
Original Assignee
Nanjing 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 Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN201710102229.XA priority Critical patent/CN106954227B/zh
Publication of CN106954227A publication Critical patent/CN106954227A/zh
Application granted granted Critical
Publication of CN106954227B publication Critical patent/CN106954227B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/06—Testing, supervising or monitoring using simulated traffic
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • 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
    • H04W52/24—TPC being performed according to specific parameters using SIR [Signal to Interference Ratio] or other wireless path parameters
    • H04W52/243—TPC being performed according to specific parameters using SIR [Signal to Interference Ratio] or other wireless path parameters taking into account interferences
    • H04W52/244—Interferences in heterogeneous networks, e.g. among macro and femto or pico cells or other sector / system interference [OSI]
    • 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]
    • H04W52/265—TPC being performed according to specific parameters using transmission rate or quality of service QoS [Quality of Service] taking into account the quality of service QoS
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/04—Wireless resource allocation
    • H04W72/044—Wireless resource allocation based on the type of the allocated resource
    • H04W72/0453—Resources in frequency domain, e.g. a carrier in FDMA
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/04—Wireless resource allocation
    • H04W72/044—Wireless resource allocation based on the type of the allocated resource
    • H04W72/0473—Wireless resource allocation based on the type of the allocated resource the resource being transmission power
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/50—Allocation or scheduling criteria for wireless resources
    • H04W72/54—Allocation or scheduling criteria for wireless resources based on quality criteria
    • H04W72/541—Allocation or scheduling criteria for wireless resources based on quality criteria using the level of interference
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/50—Allocation or scheduling criteria for wireless resources
    • H04W72/54—Allocation or scheduling criteria for wireless resources based on quality criteria
    • H04W72/542—Allocation or scheduling criteria for wireless resources based on quality criteria using measured or perceived quality
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/50—Allocation or scheduling criteria for wireless resources
    • H04W72/54—Allocation or scheduling criteria for wireless resources based on quality criteria
    • H04W72/543—Allocation or scheduling criteria for wireless resources based on quality criteria based on requested quality, e.g. QoS

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明提出了超密集无线网络中一种基于干扰协调的能效资源分配算法。分析并给出了基于成簇的超密集无线网络，提出了簇间与簇内干扰协调策略：采用图论着色原理进行簇间干扰协调和部分信息交互方式对簇内干扰进行协调。提出了超密集无线网络中一种基于干扰协调的能效资源分配算法，该算法对超密集无线网络子信道和功率进行联合优化。首先，利用用户质量体验函数和最大最小算法对子信道进行分配；其次，优化改进的粒子群算法对功率进行优化分配。其中，为了避免粒子群优化陷入局部解缺陷，引进阻尼震动与适应度变异对粒子群优化算法进行改进。

Description

超密集无线网络基于干扰协调的能效资源分配方法
技术领域
本发明设计了一种基于干扰协调的能效资源分配算法，适应于超密集无线网络，属于信息通信技术领域。
背景技术
近年来，随着移动通信技术的快速发展，用户业务需求和网络结构都发生了巨大的变革。据调查显示，话音和数据流量需求分别有超过30％和70％产生在室内，同时大量办公区和住宅区都面临着室内信号盲点的问题。另外，智能设备和手持平板等移动终端的广泛普及、各种应用程序的日益丰富，促进移动网蓬勃发展。预计到2020年，全球移动数据量将达到15.9百京，是2014的近11倍。毫无疑问，这将带来无线通信业务需求爆炸式增长。为了应对满足大量数据通信的需求，主要有两种不同的方式，一种是大规模的MIMO天线技术，而另外一种就是超密集无线部署网络。但是MIMO的性能由于空间限制而日渐饱和，同时大量天线阵列成本较贵。超密集无线网络是应对此挑战的一个重要方案，在未来无线通信网络中扮演极其重要的角色，其主要思想是在传统蜂窝网的大功率宏蜂窝内，在用户数据服务较多的区域部署大量低功率、低成本的各种类型的接入节点(小基站)。在热点区域将会同时部署传统大功率的宏基站和低功率的小基站，使得小基站可以分流大量的用户业务与流量，减少宏基站的负载，提高网络的利用率。
此外，减少能量消耗，响应绿色通信和提高网络的高能效技术是近年来也呈递增趋势。如何在保障用户业务体验的同时降低网络耗电是移动通信网络面临的一个大挑战，而通过资源优化技术来降低网络能耗已引起学术界的广泛关注也是超密集无线网络研究的热点问题。但是超密集无线网络也带来了诸多挑战，宏蜂窝与小小区共存的网络环境中，跨层干扰十分严重。随着用户对数据业务的高速要求，未来在网中小蜂窝节点部署的密度将继续增加，达到现在的10倍以上，用户收到的来自非服务小小区的同层干扰将更加严重。超密集无线网络小基站部署密度的增大，需要交互处理的信息也变得海量，处理复杂难度急剧增加以及各种类型节点之间信息交流带来海量的信令开销都对网中无线资源的分配造成巨大的影响。
因此，本发明提出一种基于干扰协调的能效资源分配算法，解决超密集无线网络中簇内与簇间干扰以及能量效率资源分配的问题。
发明内容
技术问题：本发明的目的是在超密集无线网络中提供一种基于干扰协调的能效资源分配算法，有效地解决了超密集无线网络簇间与簇内干扰，提高网络能量效率的问题。
技术方案：本发明在超密集无线网络中提供一种基于干扰协调的能效资源分配方法，包括以下步骤：
1.基于成簇的超密集无线网络模型
基于成簇的超密集无线网络，由一个宏基站MBS和密集的家庭基站FBS构成，如家庭基站已经C个分簇，不考虑来邻区宏基站的干扰。MBS处于宏蜂窝的中心位置，覆盖半径为RM，最大发射功率为PM，宏小区随机分布着UM个宏用户。宏蜂窝覆盖范围内随机分布着F个家庭基站，半径为Rf，最大发射功率为Pf,每个家庭基站采用半开放式的用户接入方式，即首先保证本家庭基站注册用户的权益，再考虑接入其他用户。系统总带宽W分为等宽的L个子信道，子信道带宽为Δf＝W/L。由于同一小区下使用相同子信道的用户会产生强干扰，所以为了降低干扰同一小区下，信道与用户的关系为n:1，即一个信道在同一时刻只能分配给单个用户。
2.能效优化模型
与传统的资源分配最大化吞吐量不同，本发明所提出的超密集无线网络基于干扰协调的能效资源分配算法关注的是能效的最大化，目的是为了以更少的能量传递更多的数据业务。能量效率EE(Energy Efficient，EE)的定义为总传输速率与总的能量消耗的比值，如下：
Figure GDA0002155638030000021
其中，Rsum为超密集无线网络家庭基站总的传输速率，Psum为网中消耗的总功率，包括电子元器件的消耗与发射功率消耗，e为平均误码率。
网络总的传输速率表示为：
Figure GDA0002155638030000022
其中，
Figure GDA0002155638030000031
表示信道使用因子，满足
Figure GDA0002155638030000032
当
Figure GDA0002155638030000033
表示家庭基站f没采用子信道l的信息，反之，采用。其中，信道l上用户u的传输速率为
Figure GDA0002155638030000034
Figure GDA0002155638030000035
表示家庭基站在信道l上用户u的信干燥比：
Figure GDA0002155638030000036
其中，
Figure GDA0002155638030000037
和
Figure GDA0002155638030000038
分别表示家庭基站与宏基站在信道l上发射功率。系统总能耗可以表示为：
Figure GDA0002155638030000039
式中，
Figure GDA00021556380300000310
为家庭基站总的累计传输功率，
Figure GDA00021556380300000311
为功放器的倒数。Pe＝F*pe为电子元器件的消耗的总功率，单个家庭基站消耗为固定值pe。
本发明所优化目标是在发射功率限制、终端用户业务传输速率和簇间、簇内干扰制约的条件下最大化网络的能量效率，优化模型可以表示为：
Figure GDA00021556380300000312
其中，
Figure GDA00021556380300000313
表示用户u使用第f个家庭基站第l个信道的信干比；
Figure GDA00021556380300000314
表示第M个宏基站对用户u在第l个信道产生的信干比；
Figure GDA00021556380300000315
表示宏基站对家庭基站产生的跨层干扰的上限值；Pf表示家庭基站的最大发射功率；C1和C2分别代表了用户的最低业务速率和家庭基站发射功率的限制；C3和C4分别表示信道只有被用户使用和未被使用两种状态与每个小小区内信道只能分给一个用户；C5是宏基站对家庭基站的跨层干扰做了限制。本发明能量效率优化的主要目的是在最大功率限制、用户最低业务速率制约和干扰制约的前提下最大化ηEE的值；。
2.簇间与簇内干扰协调
A.簇间干扰协调
由于基于成簇的超密集无线网络簇间采用频率复用技术，将造成簇间的边缘家庭基站存在严重的干扰。为解决簇间干扰，本发明基于图论着色原理对簇进行归类，并以此提出新型簇间时域调度方案。对簇按照图论着色理论进行着色，由于图论着色算法可知最少需要四种颜色，地图上的任何互相相邻区域不能涂一样的颜色，用绿、黄、红和白色对C个簇进行着色，将簇分为四类且相邻簇间颜色不同。把每一个染色后的簇看成统一协调的共同体，对簇与簇之间按照着色分簇进行时域调度:
步骤一:根据颜色数量，将8个调度帧分为四类，与之对应的是簇的四种颜色，即：着绿色的簇对应帧1和5，着黄色的簇对应帧2和6，着红色的簇对应帧3和7，着白色的簇对应帧4和8。
步骤二:某个颜色调度的时候,与之对应的该颜色的簇称作干扰簇(InterferenceCluster，IC)，其它的簇称作守护簇(Protected Cluster，PC)。并且干扰簇内的FBS要减功率发送，及各自覆盖范围内的用户不参与调度，而在调度帧守护簇的FBS以分配的满功率发送且所有边缘用户都可得到调度。簇的功率衰减公式如下：
Figure GDA0002155638030000041
其中，δ满减因子；CI指干扰簇索引，PI指守护簇索引。
3-B)簇内干扰协调
超密集无线网络中，通过宏基站、簇内家庭基站都通过簇头CH(cluster head，CH)基站协作优化无线资源分配，尤其是干扰较大的终端用户信道链路信息，可以限制彼此干扰大的家庭基站使用不同信道。但是，高密度部署家庭基站的情况，若每个基站都去广播发送与接收彼此的链路状态信息，会造大量的开销浪费和负载量，更会造成能量效率下降。因此，通过回传链路统一发送给CH，并对其收集到的信息采取干扰协调：
步骤一：簇内家庭基站信息回传到CH
Figure GDA0002155638030000042
公式(7)中，
Figure GDA0002155638030000051
表示用户u使用第f个家庭基站第l个信道的信道增益；greq为信道链路状态门限阈值，区分宏基站与家庭基站阈值，若某信道链路状态小于门限值，则其干扰置零。否则，CH进行干扰协调处理。
步骤二：高密度家庭基站部署，人流分布不均，极其容易出现簇内家庭基站负载不均衡，若某个家庭基站用户偏多，需要用到更多的子信道，则CH采用如下策略：
Figure GDA0002155638030000052
其中，
Figure GDA0002155638030000053
表示其他使用相同子信道的家庭基站对该用户的干扰集合，并按照倒序排位，Imax为干扰集中对用户最大的干扰项，
Figure GDA0002155638030000054
表示排除最大干扰项后的用户数据速率。
Figure GDA0002155638030000055
表示用户u使用第f个家庭基站第l个信道的速率，
Figure GDA0002155638030000056
表示排除最大干扰项的家庭基站后的用户数据速率。终端用户的传输速率满足最低需求
Figure GDA0002155638030000057
则不需要协调；若不满足，则让最大干扰项的家庭基站禁止使用该信道，并重新更新
Figure GDA0002155638030000058
若更新后用户速率还不满足需求，为了终端用户之间的公平性则抛弃此用户。通过上述两步方法实现簇间与簇内的干扰的协调。
4.基于干扰协调能效资源分配算法
本发明所提出得一种基于干扰协调的能效资源分配算法，形成半分布式的资源分配算法来缓解簇间与簇内干扰、降低计算复杂度、提高能量效率。超密集无线网络中家庭基站通过K-means算法进行分簇。将基于干扰协调的资源分配问题分解成两个优化子问题，分别利用最大最小算法和优化改进的粒子群算法对子信道和功率进行优化分配。其中，为了避免粒子群优化陷入局部解缺陷，引进阻尼震动与适应度变异对粒子群优化算法进行改进。
A.基于干扰协调的最大最小算法的信道分配
当给定子信道分配与电子元器件的消耗比例后，系统的能量效率必然存在下限值，即ηEE不小于用户能量效率的最低值，表示为：
Figure GDA0002155638030000061
因此，只要让具有最低的能效值的终端用户的能效提升，就可以让系统能效进一步提高。pe表示单个家庭基站器件所消耗的功率，pu表示用户u分配的功率。定义用户质量体验函数
Figure GDA0002155638030000062
当e＜1时，表明用户对数据速率体验不满意，e≥1表示体验满意，且越大越满意，
Figure GDA0002155638030000063
表示用户u使用信道f时的速率。而且为了保证用户之间的公平性，e越小则具有更高的子信道分配优先级。基于干扰协调的子信道分配算法描述如下：
(1)初始化。每个子信道均分功率为
Figure GDA0002155638030000064
(2)初分配子信道。对终端用户按照业务速率
Figure GDA0002155638030000065
进行正排序，家庭基站按照排序优先级给用户分配子信道，计算每个用户的初始化传输速率Ru；
(3)再分配。计算每个终端用户的质量体验函数
Figure GDA0002155638030000066
并以倒排序放入用户质量体验队列Tf中，并以此次序对子信道进行再一次分配，并更新再分配后的
Figure GDA0002155638030000067
和eu。不断重复此步骤，直到所有的终端用户质量体验函数eu＞1；
(4)(1)-(3)后终端全部用户都达到了各自要求的基本业务速率。倒排序取出值最低的用户，轮询qf中剩下子信道Lremain，找到可以让最低值能效提升的子信道即
Figure GDA0002155638030000068
重复步骤(4)，直剩余子信道Lremain不能再让
Figure GDA0002155638030000069
提升。
B.基于干扰协调的改进的粒子群优化算法的功率分配
在CH对簇内干扰协调与子信道分配结果的基础上，首先将优化模型(5)化为约束性粒子群优化的标准形式：
Figure GDA0002155638030000071
其中，pm描述了每一个粒子m的发射功率，是一个L维的向量。Rsum(pm)表示每一个粒子m的发射功率是pm时的速率和，Psum(pm)表示每一个粒子m的发射功率是pm时的发射功率和。将(10)转化为无约束问题：
Figure GDA0002155638030000072
公式中，hmax(pm)＝max[h1(pm),h2(pm),...,h4(pm)]，适应度函数为h(pm)。由于非约束性粒子群算法容易出现早熟现象，因此引入了群体适应度方差的概念，定义为:
Figure GDA0002155638030000073
其中，σ2表示为适应度变异方差，h(pm)和havg分别为粒子m的适应度和群体的平均适应度。σ2越小越趋近收敛；反之，趋近随机收敛。M表示所有粒子的和，m是其中的一个粒子的索引。群体(或者临近域)所有粒子M最优位置
Figure GDA0002155638030000074
变异的概率定义为
Figure GDA0002155638030000075
其中，i∈[0.2,0.7]，
Figure GDA0002155638030000076
阀值与实际问题有关，一般
Figure GDA0002155638030000077
依照公式(4.10)可以得到粒子的位置和飞行速度的更新公式如下：
Figure GDA0002155638030000081
其中，
Figure GDA0002155638030000082
和
Figure GDA0002155638030000083
分别表示粒子m当前的位置(当前发射功率)和速度(飞行变化趋势)，针对传统粒子全优化算法的惯性权重ω进行改进，更好的平衡局部和全局搜索权重。c1、
Figure GDA0002155638030000084
c2、
Figure GDA0002155638030000085
都是常数，c1是对个体经验的学习因子，c2是对群体经验的学习因子，
Figure GDA0002155638030000086
在表示t时刻的调节因子，一般情况下，c1＝c2＝2，
Figure GDA0002155638030000087
取[0,1]内的随机数。引入DW对ω进行逐步周期性衰减改进：
Figure GDA0002155638030000088
式中，ωmax和ωmin分别为ω的上限与下限值，通常取ωmin＝0.1，ωmax＝0.9；Tmax为迭代的最大次数；A为t＝0时ω的振幅；Tped为惯性权重因子振幅变化的周期。
回归公式(14)，
Figure GDA0002155638030000089
是单个粒子m最优的发射功率分配，
Figure GDA00021556380300000810
表示整个族群最优的发射功率分配，
Figure GDA00021556380300000811
是单个粒子m在j时刻的发射功率分配,其中0≤j≤t；
Figure GDA00021556380300000812
是单个粒子m在t时刻的发射功率分配。分别通过下面公式更新：
Figure GDA00021556380300000813
根据以上对功率分配过程，分配迭代过程表述如下，
(1)初始化粒子群。
(2)粒子群粒子表示为Π＝{1,...,M}，然后他们的位置和速度分别被初始化为
Figure GDA00021556380300000814
和
Figure GDA00021556380300000815
迭代次数表示为Tmax；
(3)接收子信道分配结果。
(4)初始化个体最优位置
Figure GDA00021556380300000816
(5)初始化全局最优位置
Figure GDA00021556380300000817
(6)粒子群寻找全局最优
(7)当迭代次数t≤Tmax，根据阻尼震动ω(t)＝|ωmaxexp(1/Tmax)ln(A/ωmax)tcos((π/Tped)t)|+ωmin来更新
Figure GDA00021556380300000818
和
Figure GDA00021556380300000819
(8)对于每一个粒子
Figure GDA00021556380300000820
计算个体适应度和群体适应度方差
Figure GDA0002155638030000091
和
Figure GDA0002155638030000092
如果
Figure GDA0002155638030000093
则
Figure GDA0002155638030000094
否则
Figure GDA0002155638030000095
(9)更新
Figure GDA0002155638030000096
(10)如果
Figure GDA0002155638030000097
则
Figure GDA0002155638030000098
否则
Figure GDA0002155638030000099
(11)重复(7)-(11)步骤直至迭代结束或收敛；
(12)输出最优位置信息
Figure GDA00021556380300000910
作为最优的功率分配结果。
有益效果
本发明具有以下优点：
①提出了基于成簇的超密集无线网络模型，根据网络模型分别解决簇间与簇内干扰。
②提出了能效优化模型，根据成簇后的超密集无线网络模型、信道使用因子、用户最低业务需求形成多维资源分配的能效优化模型。
③提出了超密集无线网络中簇间与簇内干扰协调方案。方案首先根据图论着色原理对簇间干扰进行协调；其次，CH根据部分信息交互对簇内各家庭基站进行干扰协调。
④提出了超密集无线网络中一种基于干扰协调能效资源分配算法。形成半分布式的资源分配算法来缓解簇间与簇内干扰、降低计算复杂度、提高能量效率。超密集无线网络中家庭基站通过K-means算法进行分簇。首先，将基于干扰协调的资源分配问题分解成两个优化子问题，分别利用最大最小算法和优化改进的粒子群算法对子信道和功率进行优化分配。其中，为了避免粒子群优化陷入局部解缺陷，引进阻尼震动与适应度变异对粒子群优化算法进行改进。
附图说明
图1是基于成簇的超密集无线网络模型。
图2是调度帧划分图。
图3是超密集无线网络中一种基于干扰协调能效资源分配算法图。
具体实施方式
本发明设计出超密集无线网络中一种基于干扰协调的能效资源分配算法。分析并给出了基于成簇的超密集无线网络，提出了簇间与簇内干扰协调策略：采用图论着色原理进行簇间干扰协调和部分信息交互方式对簇内干扰进行协调。提出了超密集无线网络中一种基于干扰协调的能效资源分配算法，该算法对超密集无线网络子信道和功率进行联合优化。首先，利用用户质量体验函数和最大最小算法对子信道进行分配；其次，优化改进的粒子群算法对功率进行优化分配。其中，为了避免粒子群优化陷入局部解缺陷，引进阻尼震动与适应度变异对粒子群优化算法进行改进。
1.基于成簇的超密集无线网络模型
本发明提出一个基于成簇的超密集无线无线网络模型，如图1所示。基于成簇的超密集无线网络，由一个宏基站MBS和密集的家庭基站FBS构成，如家庭基站已经C个分簇，不考虑来邻区宏基站的干扰。MBS处于宏蜂窝的中心位置，覆盖半径为RM，最大发射功率为PM，宏小区随机分布着UM个宏用户。宏蜂窝覆盖范围内随机分布着F个家庭基站，半径为Rf，最大发射功率为Pf,每个家庭基站采用半开放式的用户接入方式，即首先保证本家庭基站注册用户的权益，再考虑接入其他用户。系统总带宽W分为等宽的L个子信道，子信道带宽为Δf＝W/L。由于同一小区下使用相同子信道的用户会产生强干扰，所以为了降低干扰同一小区下，信道与用户的关系为n:1，即一个信道在同一时刻只能分配给单个用户。
2.能量效率优化模型
与传统的资源分配最大化吞吐量不同，本发明所提出的超密集无线网络基于干扰协调的能效资源分配算法关注的是能效的最大化，目的是为了以更少的能量传递更多的数据业务。能量效率EE(Energy Efficient，EE)的定义为总传输速率与总的能量消耗的比值，如下所示：
Figure GDA0002155638030000101
其中，Rsum为超密集无线网络家庭基站总的传输速率，Psum为网中消耗的总功率，包括电子元器件的消耗与发射功率消耗，e为平均误码率。
网络总的传输速率表示为：
Figure GDA0002155638030000102
其中，
Figure GDA0002155638030000103
表示信道使用因子，满足
Figure GDA0002155638030000104
当
Figure GDA0002155638030000105
表示家庭基站f没采用子信道l的信息，反之，采用。其中，信道l上用户u的传输速率为
Figure GDA0002155638030000111
Figure GDA0002155638030000112
表示家庭基站在信道l上用户u的信干燥比：
Figure GDA0002155638030000113
其中，
Figure GDA0002155638030000114
和
Figure GDA0002155638030000115
分别表示家庭基站与宏基站在信道l上发射功率；
Figure GDA0002155638030000116
表示第j个家庭基站在信道l上发射功率；
Figure GDA0002155638030000117
分别表示第f个家庭基站在信道l的信道增益、第j个家庭基站在信道l的信道增益、第M个宏基站在信道l的信道增益；
Figure GDA0002155638030000118
表示信道使用因子，当
Figure GDA0002155638030000119
表示宏基站M没采用子信道l，反之，则没采用；N0表示信道噪声功率谱密度。系统总能耗可以表示为：
Figure GDA00021556380300001110
式中，
Figure GDA00021556380300001111
为家庭基站总的累计传输功率，
Figure GDA00021556380300001112
为功放器的倒数。Pe＝F*pe为电子元器件的消耗的总功率，单个家庭基站消耗为固定值pe。
本发明所优化目标是在发射功率限制、终端用户业务传输速率和簇间簇内干扰制约的条件下最大化网络的能量效率，优化模型可以表示为：
Figure GDA00021556380300001113
其中，
Figure GDA00021556380300001114
表示用户u使用第f个家庭基站第l个信道的信干比；
Figure GDA00021556380300001115
表示第M个宏基站对用户u在第l个信道产生的信干比；
Figure GDA00021556380300001116
表示宏基站对家庭基站产生的跨层干扰的上限值；Pf表示家庭基站的最大发射功率；C1和C2分别代表了用户的最低业务速率和家庭基站发射功率的限制；C3和C4分别表示信道只有被用户使用和未被使用两种状态与每个小小区内信道只能分给一个用户；C5是宏基站对家庭基站的跨层干扰做了限制。本发明能量效率优化的主要目的是在最大功率限制、用户最低业务速率制约和干扰制约的前提下最大化ηEE的值。
3.簇间与簇内干扰协调
A.簇间干扰协调
由于基于成簇的超密集无线网络簇间采用频率复用技术，将造成簇间的边缘家庭基站基站存在严重的干扰。为解决簇间干扰，本发明基于图论着色原理对簇进行归类，并以此提出新型簇间时域调度方案。首先，对簇按照图论着色理论进行着色，由于图论着色算法可知最少需要四种颜色，地图上的任何互相相邻区域不能涂一样的颜色，用绿、黄、红和白色对C个簇进行着色，将簇分为四类且相邻簇间颜色不同。把每一个染色后的簇看成统一协调的共同体，对簇与簇之间按照着色分簇进行时域调度。
步骤一:，如图2所示,根据颜色数量，将8个调度帧分为四类，与之对应的是簇的四种颜色，即：着绿色的簇对应帧1和5，着黄色的簇对应帧2和6，着红色的簇对应帧3和7，着白色的簇对应帧4和8。
步骤二:某个颜色调度的时候,与之对应的该颜色的簇称作干扰簇(InterferenceCluster，IC)，其它的簇称作守护簇(Protected Cluster，PC)。并且干扰簇内的FBS要减功率发送，及各自覆盖范围内的用户不参与调度，而在调度帧守护簇的FBS以分配的满功率发送且所有边缘用户都可得到调度。簇的功率衰减公式:
Figure GDA0002155638030000121
其中，δ满减因子；CI指干扰簇索引，PI指守护簇索引。
B.簇内干扰协调
超密集无线网络中，通过宏基站、簇内家庭基站都通过簇头CH(cluster head，CH)基站协作优化无线资源分配，尤其是干扰较大的终端用户信道链路信息，可以限制彼此干扰大的家庭基站使用不同信道。如果家庭基站是全向天线的，则用户之间的干扰可简化为基站点之间的干扰。但是，高密度部署家庭基站的情况，若每个基站都去广播发送与接收彼此的链路状态信息，会造大量的开销浪费和负载量，更会造成能量效率下降。因此，通过回传链路统一发送给CH，并对其收集到的信息采取干扰协调：
步骤一：簇内家庭基站信息回传到CH
Figure GDA0002155638030000131
公式(7)中，
Figure GDA0002155638030000132
表示用户u使用第f个家庭基站第l个信道的信道增益；greq为信道链路状态门限阈值，区分宏基站与家庭基站基站阈值，若某信道链路状态小于门限值，则其干扰置零。否则，CH进行干扰协调处理。
步骤二：高密度家庭基站部署，人流分布不均，极其容易出现簇内家庭基站负载不均衡，若某个家庭基站用户偏多，需要用到更多的子信道，则CH采用如下策略：
Figure GDA0002155638030000133
其中，
Figure GDA0002155638030000134
表示其他使用相同子信道的家庭基站对该用户的干扰集合，并按照倒序排位，Imax为干扰集中对用户最大的干扰项，
Figure GDA0002155638030000135
表示排除最大干扰项后的用户数据速率。
Figure GDA0002155638030000136
表示用户u使用第f个家庭基站第l个信道的速率，
Figure GDA0002155638030000137
表示排除最大干扰项的家庭基站后的用户数据速率。终端用户的传输速率满足最低需求
Figure GDA0002155638030000138
则不需要协调；若不满足，则让最大干扰项的家庭基站禁止使用该信道，并重新更新
Figure GDA0002155638030000139
若更新后用户速率还不满足需求，为了终端用户之间的公平性则抛弃此用户。通过上述两步方法实现簇间与簇内的干扰的协调。
4.基于干扰协调能效资源分配算法
首先，将基于干扰协调的资源分配问题分解成两个优化子问题，分别利用最大最小算法和优化改进的粒子群算法对子信道和功率进行优化分配。其中，为了避免粒子群优化陷入局部解缺陷，引进阻尼震动与适应度变异对粒子群优化算法进行改进。
A.基于干扰协调的最大最小算法的信道分配
当给定子信道分配与电子元器件的消耗比例后，系统的能量效率必然存在下限值，即ηEE不小于用户能量效率的最低值，表示为：
Figure GDA0002155638030000141
因此，只要让具有最低的能效值的终端用户的能效提升，就可以让系统能效进一步提高。pe表示单个家庭基站器件所消耗的功率，pu表示用户u分配的功率。定义用户质量体验函数
Figure GDA0002155638030000142
当e＜1时，表明用户对数据速率体验不满意，e≥1表示体验满意，且越大越满意。
Figure GDA0002155638030000143
表示用户u使用信道f时的速率。而且为了保证用户之间的公平性，e越小则具有更高的子信道分配优先级。基于干扰协调的子信道分配算法描述如下：
(1)初始化。假设每个子信道均分功率为
Figure GDA0002155638030000144
(2)初分配子信道。对终端用户按照业务速率
Figure GDA0002155638030000145
进行正排序，家庭基站按照排序优先级给用户分配子信道，计算每个用户的初始化传输速率Ru。
(3)再分配。计算每个终端用户的质量体验函数
Figure GDA0002155638030000146
并以倒排序放入用户质量体验队列Tf中，并以此次序对子信道进行再一次分配，并更新再分配后的
Figure GDA0002155638030000147
和eu。不断重复此步骤，直到所有的终端用户质量体验函数eu＞1。
(4)(1)-(3)后终端全部用户都达到了各自要求的基本业务速率。倒排序取出值最低的用户，轮询qf中剩下子信道Lremain，根据公式(4.9)找到可以让最低值能效提升的子信道即
Figure GDA0002155638030000148
重复步骤(4)，直剩余子信道Lremain不能再让
Figure GDA0002155638030000149
提升。
B.基于干扰协调的改进的粒子群优化算法的功率分配
在CH对簇内干扰协调与子信道分配结果的基础上，首先将优化模型(4.5)化为约束性粒子群优化的标准形式：
Figure GDA0002155638030000151
其中，pm描述了每一个粒子m的发射功率，是一个L维的向量；Rsum(pm)表示每一个粒子m的发射功率是pm时的速率和，Psum(pm)表示每一个粒子m的发射功率是pm时的发射功率和。将(5)转化为无约束问题：
Figure GDA0002155638030000152
公式中，hmax(pm)＝max[h1(pm),h2(pm),...,h4(pm)]，适应度函数为h(pm)。由于非约束性粒子群算法容易出现早熟现象，因此引入了群体适应度方差的概念，定义为:
Figure GDA0002155638030000153
其中，σ2表示为适应度变异方差，h(pm)和havg分别为粒子m的适应度和群体的平均适应度。σ2越小越趋近收敛；反之，趋近随机收敛。；M表示所有粒子的和，m是其中的一个粒子的索引。群体(或者临近域)所有粒子M最优位置
Figure GDA0002155638030000154
变异的概率定义为
Figure GDA0002155638030000155
其中，i∈[0.2,0.7]，
Figure GDA0002155638030000156
阀值与实际问题有关，一般
Figure GDA0002155638030000157
可以得到粒子的位置和飞行速度的更新公式如下：
Figure GDA0002155638030000161
其中，
Figure GDA0002155638030000162
和
Figure GDA0002155638030000163
分别表示粒子m当前的位置(当前发射功率)和速度(飞行变化趋势)，针对传统粒子全优化算法的惯性权重ω进行改进，更好的平衡局部和全局搜索权重。c1、
Figure GDA0002155638030000164
c2、
Figure GDA0002155638030000165
都是常数，c1是对个体经验的学习因子，c2是对群体经验的学习因子，
Figure GDA0002155638030000166
在表示t时刻的调节因子，一般情况下，c1＝c2＝2，
Figure GDA0002155638030000167
取[0,1]内的随机数。引入DW对ω进行逐步周期性衰减改进：
Figure GDA0002155638030000168
式中，ωmax和ωmin分别为ω的上限与下限值，通常取ωmin＝0.1，ωmax＝0.9；Tmax为迭代的最大次数；A为t＝0时ω的振幅；Tped为惯性权重因子振幅变化的周期。
Figure GDA0002155638030000169
是单个粒子m最优的发射功率分配，
Figure GDA00021556380300001610
表示整个族群最优的发射功率分配，
Figure GDA00021556380300001611
是单个粒子m在j时刻的发射功率分配,其中0≤j≤t，
Figure GDA00021556380300001612
是单个粒子m在t时刻的发射功率分配。分别通过下面公式更新：
Figure GDA00021556380300001613
根据以上对功率分配过程，分配迭代过程表述如下，
(1)初始化粒子群。
(2)粒子群粒子表示为Π＝{1,...,M}，然后他们的位置和速度分别被初始化为
Figure GDA00021556380300001614
和
Figure GDA00021556380300001615
迭代次数表示为Tmax；
(3)接收子信道分配结果。
(4)初始化个体最优位置
Figure GDA00021556380300001616
(5)初始化全局最优位置
Figure GDA00021556380300001617
(6)粒子群寻找全局最优
(7)当迭代次数t≤Tmax，更新
Figure GDA00021556380300001618
和
Figure GDA00021556380300001619
(8)对于每一个粒子
Figure GDA00021556380300001620
如果
Figure GDA00021556380300001621
则
Figure GDA00021556380300001622
否则
Figure GDA0002155638030000171
(9)更新
Figure GDA0002155638030000172
(10)如果
Figure GDA0002155638030000173
则
Figure GDA0002155638030000174
否则
Figure GDA0002155638030000175
(11)重复(7)-(10)步骤直至迭代结束或收敛；
(12)输出最优位置信息
Figure GDA0002155638030000176
作为最优的功率分配结果。
因此，超密集无线网络中基于干扰协调的能效资源分配算法流程如图3所示。

Claims (2)

1.超密集无线网络基于干扰协调的能效资源分配方法，其特征在于，具体包括：
1)基于成簇的超密集无线网络模型
基于成簇的超密集无线网络，由一个宏基站MBS和密集的家庭基站FBS构成，如家庭基站已经C个分簇，不考虑来邻区宏基站的干扰；MBS处于宏蜂窝的中心位置，覆盖半径为RM，最大发射功率为PM，宏小区随机分布着UM个宏用户；宏蜂窝覆盖范围内随机分布着F个家庭基站，半径为Rf，最大发射功率为Pf,每个家庭基站采用半开放式的用户接入方式，即首先保证本家庭基站注册用户的权益，再考虑接入其他用户；系统总带宽W分为等宽的L个子信道，子信道带宽为Δf＝W/L；由于同一小区下使用相同子信道的用户会产生强干扰，为了降低干扰同一小区下，信道与用户的关系为n:1，即一个信道在同一时刻只能分配给单个用户；
2)能效优化模型
能量效率EE即Energy Efficient的定义为总传输速率与总的能量消耗的比值，如下：
Figure FDA0002298730710000011
其中，Rsum为超密集无线网络家庭基站总的传输速率，Psum为网中消耗的总功率，包括电子元器件的消耗与发射功率消耗，e为平均误码率；
网络总的传输速率表示为：
Figure FDA0002298730710000012
其中，
Figure FDA0002298730710000013
表示信道使用因子，满足
Figure FDA0002298730710000014
当
Figure FDA0002298730710000015
表示家庭基站f没采用子信道l的信息，反之，采用；其中，信道l上用户u的传输速率为
Figure FDA0002298730710000016
Figure FDA0002298730710000017
表示家庭基站在信道l上用户u的信干燥比：
Figure FDA0002298730710000021
其中，
Figure FDA0002298730710000022
和
Figure FDA0002298730710000023
分别表示家庭基站与宏基站在信道l上发射功率；
Figure FDA0002298730710000024
表示第j个家庭基站在信道l上发射功率；
Figure FDA0002298730710000025
分别表示第f个家庭基站在信道l的信道增益、第j个家庭基站在信道l的信道增益、第M个宏基站在信道l的信道增益；
Figure FDA0002298730710000026
表示信道使用因子，当
Figure FDA0002298730710000027
表示宏基站M没采用子信道l，反之，则没采用；N0表示信道噪声功率谱密度；系统总能耗表示为：
Figure FDA0002298730710000028
式中，
Figure FDA0002298730710000029
为家庭基站总的累计传输功率，
Figure FDA00022987307100000210
为功放器的倒数Pe＝F*pe为电子元器件的消耗的总功率，单个家庭基站消耗为固定值pe；
优化目标在发射功率限制、终端用户业务传输速率和簇间、簇内干扰制约的条件下最大化网络的能量效率，优化模型表示为：
Figure FDA00022987307100000211
其中，
Figure FDA00022987307100000212
表示用户u使用第f个家庭基站第l个信道的信干比；
Figure FDA00022987307100000213
表示第M个宏基站对用户u在第l个信道产生的信干比；
Figure FDA00022987307100000214
表示宏基站对家庭基站产生的跨层干扰的上限值；Pf表示家庭基站的最大发射功率；C1和C2分别代表了用户的最低业务速率和家庭基站发射功率的限制；C3和C4分别表示信道只有被用户使用和未被使用两种状态与每个小小区内信道只能分给一个用户；C5是宏基站对家庭基站的跨层干扰做了限制；目的是在最大功率限制、用户最低业务速率制约和干扰制约的前提下最大化ηEE的值；
3)簇间与簇内干扰协调
3-A)簇间干扰协调
由于基于成簇的超密集无线网络簇间采用频率复用技术，将造成簇间的边缘家庭基站存在严重的干扰，为解决簇间干扰，基于图论着色原理对簇进行归类，并以此提出新型簇间时域调度方案；对簇按照图论着色理论进行着色；由于图论着色算法可知最少需要四种颜色，地图上的任何互相相邻区域不能涂一样的颜色，用绿、黄、红和白色对C个簇进行着色，将簇分为四类且相邻簇间颜色不同；把每一个染色后的簇看成统一协调的共同体，对簇与簇之间按照着色分簇进行时域调度:
3-A-1):根据颜色数量，将8个调度帧分为四类，与之对应的是簇的四种颜色，即：着绿色的簇对应帧1和5，着黄色的簇对应帧2和6，着红色的簇对应帧3和7，着白色的簇对应帧4和8；
3-A-2):某个颜色调度的时候,与之对应的该颜色的簇称作干扰簇InterferenceCluster即IC，其它的簇称作守护簇Protected Cluster即PC，并且干扰簇内的FBS要减功率发送，及各自覆盖范围内的用户不参与调度，而在调度帧守护簇的FBS以分配的满功率发送且所有边缘用户都得到调度；簇的功率衰减公式如下：
Figure FDA0002298730710000031
其中，δ满减因子；CI指干扰簇索引，PI指守护簇索引；
3-B)簇内干扰协调
超密集无线网络中，通过宏基站、簇内家庭基站都通过簇头cluster head即CH基站协作优化无线资源分配，尤其是干扰较大的终端用户信道链路信息，限制彼此干扰大的家庭基站使用不同信道；而高密度部署家庭基站的情况，若每个基站都去广播发送与接收彼此的链路状态信息，会造大量的开销浪费和负载量，更会造成能量效率下降，因此，通过回传链路统一发送给CH，并对其收集到的信息采取干扰协调：
3-B-1)：簇内家庭基站信息回传到CH
Figure FDA0002298730710000041
公式(7)中，
Figure FDA0002298730710000042
表示用户u使用第f个家庭基站第l个信道的信道增益；greq为信道链路状态门限阈值，区分宏基站与家庭基站阈值，若某信道链路状态小于门限值，则其干扰置零；否则，CH进行干扰协调处理；
3-B-2)：高密度家庭基站部署，人流分布不均，极其容易出现簇内家庭基站负载不均衡，若某个家庭基站用户偏多，需要用到更多的子信道，则CH采用如下策略：
Figure FDA0002298730710000043
其中，
Figure FDA0002298730710000044
表示其他使用相同子信道的家庭基站对该用户的干扰集合，并按照倒序排位，Imax为干扰集中对用户最大的干扰项，
Figure FDA0002298730710000045
表示排除最大干扰项后的用户数据速率；
Figure FDA0002298730710000046
表示用户u使用第f个家庭基站第l个信道的速率，
Figure FDA0002298730710000047
表示排除最大干扰项的家庭基站后的用户数据速率；终端用户的传输速率满足最低需求
Figure FDA0002298730710000048
则不需要协调；若不满足，则让最大干扰项的家庭基站禁止使用该信道，并重新更新
Figure FDA0002298730710000049
若更新后用户速率还不满足需求，为了终端用户之间的公平性则抛弃此用户；通过上述两步方法实现簇间与簇内的干扰的协调；
4)基于干扰协调能效资源分配算法
将基于干扰协调的资源分配问题分解成两个优化子问题，分别利用最大最小算法和优化改进的粒子群算法对子信道和功率进行优化分配；其中，为了避免粒子群优化陷入局部解缺陷，引进阻尼震动与适应度变异对粒子群优化算法进行改进；
4-A)基于干扰协调的最大最小算法的信道分配
当给定子信道分配与电子元器件的消耗比例后，系统的能量效率必然存在下限值，即ηEE不小于用户能量效率的最低值，表示为：
Figure FDA0002298730710000051
因此，只要让具有最低的能效值的终端用户的能效提升，就让系统能效进一步提高；pe表示单个家庭基站器件所消耗的功率，pu表示用户u分配的功率；定义用户质量体验函数
Figure FDA0002298730710000052
当e＜1时，表明用户对数据速率体验不满意，e≥1表示体验满意，且越大越满意；，
Figure FDA0002298730710000053
表示用户u使用信道f时的速率，而且为了保证用户之间的公平性，e越小则具有更高的子信道分配优先级；基于干扰协调的子信道分配算法描述如下：
(4-A-1)初始化，每个子信道均分功率为
Figure FDA0002298730710000054
(4-A-2)初分配子信道，对终端用户按照业务速率
Figure FDA0002298730710000055
进行正排序，家庭基站按照排序优先级给用户分配子信道，计算每个用户的初始化传输速率Ru；
(4-A-3)再分配，计算每个终端用户的质量体验函数
Figure FDA0002298730710000056
并以倒排序放入用户质量体验队列Tf中，并以此次序对子信道进行再一次分配，并更新再分配后的
Figure FDA0002298730710000057
和eu；不断重复此步骤，直到所有的终端用户质量体验函数eu＞1；
(4-A-4)经过步骤(4-A-1)到步骤(4-A-3)后终端全部用户都达到了各自要求的基本业务速率；倒排序取出值最低的用户，轮询qf中剩下子信道Lremain，找到让最低值能效提升的子信道即
Figure FDA0002298730710000058
重复步骤(4-A-4)，直剩余子信道Lremain不能再让
Figure FDA0002298730710000059
提升；
4-B)基于干扰协调的改进的粒子群优化算法的功率分配
在CH对簇内干扰协调与子信道分配结果的基础上，首先将优化模型(5)化为约束性粒子群优化的标准形式：
Figure FDA0002298730710000061
其中，pm描述了每一个粒子m的发射功率，是一个L维的向量；Rsum(pm)表示每一个粒子m的发射功率是pm时的速率和，Psum(pm)表示每一个粒子m的发射功率是pm时的发射功率和；将(10)转化为无约束问题：
Figure FDA0002298730710000062
公式中，hmax(pm)＝max[h1(pm),h2(pm),...,h4(pm)]，适应度函数为h(pm)；由于非约束性粒子群算法容易出现早熟现象，因此引入了群体适应度方差的概念，定义为:
Figure FDA0002298730710000063
其中，σ2表示为适应度变异方差，h(pm)和havg分别为粒子m的适应度和群体的平均适应度；σ2越小越趋近收敛；反之，趋近随机收敛；M表示所有粒子的和，m是其中的一个粒子的索引；群体或者临近域所有粒子M最优位置
Figure FDA0002298730710000064
变异的概率定义为
Figure FDA0002298730710000065
其中，i∈[0.2,0.7]，
Figure FDA0002298730710000066
阀值与实际问题有关，一般
Figure FDA0002298730710000067
依照公式(4)和公式(10)得到粒子的位置和飞行速度的更新公式如下：
Figure FDA0002298730710000071
其中，
Figure FDA0002298730710000072
和
Figure FDA0002298730710000073
分别表示粒子m当前的位置即当前发射功率和速度即飞行变化趋势，针对传统粒子全优化算法的惯性权重ω进行改进，更好的平衡局部和全局搜索权重；c1、r1 t、c2、
Figure FDA0002298730710000074
都是常数，c1是对个体经验的学习因子，c2是对群体经验的学习因子，r1 t、
Figure FDA0002298730710000075
在表示t时刻的调节因子，一般情况下，c1＝c2＝2，r1 t、
Figure FDA0002298730710000076
取[0,1]内的随机数；针对初期迭代局部解空间搜索能力较差的缺点，引入DW对ω进行逐步周期性衰减改进：
Figure FDA0002298730710000077
式中，ωmax和ωmin分别为ω的上限与下限值，通常取ωmin＝0.1，ωmax＝0.9；Tmax为迭代的最大次数；A为t＝0时ω的振幅；Tped为惯性权重因子振幅变化的周期；
回归公式(14)，
Figure FDA0002298730710000078
是单个粒子m最优的发射功率分配，
Figure FDA0002298730710000079
表示整个族群最优的发射功率分配，
Figure FDA00022987307100000710
是单个粒子m在j时刻的发射功率分配,其中0≤j≤t，
Figure FDA00022987307100000711
是单个粒子m在t时刻的发射功率分配，分别通过下面公式更新：
Figure FDA00022987307100000712
2.依据权利要求1所述的方法，其特征在于，所述功率分配过程，其分配迭代过程表述如下：
(1)初始化粒子群；
(2)粒子群粒子表示为Π＝{1,...,M}，然后他们的位置和速度分别被初始化为
Figure FDA00022987307100000713
和
Figure FDA00022987307100000714
迭代次数表示为Tmax；
(3)接收子信道分配结果；
(4)初始化个体最优位置
Figure FDA00022987307100000715
(5)初始化全局最优位置
Figure FDA0002298730710000081
(6)粒子群寻找全局最优；
(7)当迭代次数T≤Tmax，根据阻尼震动ω(t)＝|ωmaxexp(1/Tmax)ln(A/ωmax)tcos((π/Tped)t)|+ωmin来更新
Figure FDA0002298730710000082
和
Figure FDA0002298730710000083
(8)对于每一个粒子
Figure FDA0002298730710000084
计算个体适应度和群体适应度方差
Figure FDA0002298730710000085
和
Figure FDA0002298730710000086
如果
Figure FDA0002298730710000087
则
Figure FDA0002298730710000088
否则
Figure FDA0002298730710000089
(9)更新
Figure FDA00022987307100000810
(10)如果
Figure FDA00022987307100000811
则
Figure FDA00022987307100000812
否则
Figure FDA00022987307100000813
(11)重复(7)-(11)步骤直至迭代结束或收敛；
(12)输出最优位置信息
Figure FDA00022987307100000814
作为最优的功率分配结果。
CN201710102229.XA 2017-02-24 2017-02-24 超密集无线网络基于干扰协调的能效资源分配方法 Active CN106954227B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710102229.XA CN106954227B (zh) 2017-02-24 2017-02-24 超密集无线网络基于干扰协调的能效资源分配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710102229.XA CN106954227B (zh) 2017-02-24 2017-02-24 超密集无线网络基于干扰协调的能效资源分配方法

Publications (2)

Publication Number Publication Date
CN106954227A CN106954227A (zh) 2017-07-14
CN106954227B true CN106954227B (zh) 2020-04-24

Family

ID=59466527

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710102229.XA Active CN106954227B (zh) 2017-02-24 2017-02-24 超密集无线网络基于干扰协调的能效资源分配方法

Country Status (1)

Country Link
CN (1) CN106954227B (zh)

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107333333B (zh) * 2017-08-10 2019-10-08 北京邮电大学 一种基于用户业务流的资源分配方法
CN107734700B (zh) * 2017-08-23 2021-09-14 南京邮电大学 超密集网络中保障用户QoS需求的网络资源分配方法
CN108123828B (zh) * 2017-12-04 2020-12-29 东南大学 一种基于接入用户移动性预测的超密集网络资源分配方法
CN108012275A (zh) * 2017-12-14 2018-05-08 重庆邮电大学 超密集网络中基于动态分簇的小基站用户资源分配方法
CN108512618B (zh) * 2018-01-19 2021-01-26 南京邮电大学 一种基于随机几何的密集蜂窝网认知干扰协调方法
CN108449149B (zh) * 2018-03-26 2020-12-15 南京邮电大学 一种基于匹配博弈的能量采集小基站资源分配方法
CN108632943A (zh) * 2018-03-30 2018-10-09 重庆邮电大学 5g超密集网络中基于小基站部署密度的分簇方法
CN108738028B (zh) * 2018-05-25 2022-05-24 西安邮电大学 一种超密集组网下的分簇方法
CN108924878B (zh) * 2018-07-04 2020-11-03 北京邮电大学 一种基于图着色理论的共存无线体域网间干扰消除方法
CN109120552B (zh) * 2018-08-15 2021-10-19 大连大学 一种aos中面向qos的带宽和功率多目标跨层优化方法
CN109743736A (zh) * 2019-03-22 2019-05-10 东莞理工学院 一种以用户为中心的超密集网络用户接入与资源分配方法
CN110248386B (zh) * 2019-07-10 2022-09-02 中通服咨询设计研究院有限公司 一种面向大规模密集无线网络的分层式负载均衡方法
CN110380808B (zh) * 2019-07-24 2021-06-08 南京邮电大学 以用户设备为中心的微小区半分簇干扰协调方法
CN110519776B (zh) * 2019-08-07 2021-09-17 东南大学 一种雾计算系统中的均衡聚类和联合资源分配方法
CN111615202B (zh) * 2020-04-30 2022-06-24 东莞理工学院 基于noma与波束成型的超密集网络无线资源分配方法
CN111615111B (zh) * 2020-04-30 2023-07-25 西北工业大学 一种面向小小区网络的分布式稳健安全资源分配方法
CN112188564B (zh) * 2020-08-21 2022-12-27 西安空间无线电技术研究所 一种基于簇的无线网络频谱资源分配方法及装置
CN113595599B (zh) * 2021-09-30 2021-12-10 华东交通大学 面向5g的群簇协作通信异构系统和干扰抑制的方法
CN116347452A (zh) * 2021-12-17 2023-06-27 中兴通讯股份有限公司 小区的干扰协调方法、装置、服务器和存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104185184A (zh) * 2014-09-01 2014-12-03 东南大学 一种基于max-min公平的多小区资源分配方法
CN104581845A (zh) * 2015-02-15 2015-04-29 南京邮电大学 一种5g系统中基于成簇的超密集小网络移动性管理办法
CN104796902A (zh) * 2015-05-14 2015-07-22 东南大学 一种超密集网络中基于图着色的频域资源分配方法
WO2016019507A1 (en) * 2014-08-05 2016-02-11 Telefonaktiebolaget L M Ericsson (Publ) Method and apparatus for determining threshold for interference coordination
CN106358300A (zh) * 2015-07-16 2017-01-25 中国人民解放军理工大学 一种微蜂窝网络中的分布式资源分配方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016019507A1 (en) * 2014-08-05 2016-02-11 Telefonaktiebolaget L M Ericsson (Publ) Method and apparatus for determining threshold for interference coordination
CN104185184A (zh) * 2014-09-01 2014-12-03 东南大学 一种基于max-min公平的多小区资源分配方法
CN104581845A (zh) * 2015-02-15 2015-04-29 南京邮电大学 一种5g系统中基于成簇的超密集小网络移动性管理办法
CN104796902A (zh) * 2015-05-14 2015-07-22 东南大学 一种超密集网络中基于图着色的频域资源分配方法
CN106358300A (zh) * 2015-07-16 2017-01-25 中国人民解放军理工大学 一种微蜂窝网络中的分布式资源分配方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
超密集小蜂窝网中基于干扰协调的小区分簇和功率分配算法;朱晓荣，朱蔚然;《电子与信息学报》;20160515;第38卷(第5期);全文 *

Also Published As

Publication number Publication date
CN106954227A (zh) 2017-07-14

Similar Documents

Publication Publication Date Title
CN106954227B (zh) 超密集无线网络基于干扰协调的能效资源分配方法
Liang et al. A cluster-based energy-efficient resource management scheme for ultra-dense networks
Li et al. Cluster‐based resource allocation scheme with QoS guarantee in ultra‐dense networks
CN107172682A (zh) 基于动态分簇的超密集网络无线资源分配方法
CN107708157A (zh) 基于能效的密集小蜂窝网络资源分配方法
CN108965009B (zh) 一种基于势博弈的负载已知用户关联方法
CN107333333B (zh) 一种基于用户业务流的资源分配方法
CN110798851B (zh) 无线异构网络的能量效率和负载均衡的联合优化方法
CN105722205A (zh) 一种超密集异构网络能量有效资源分配方法
Zhao et al. D2D communication channel allocation and resource optimization in 5G network based on game theory
Zhou et al. Multi-scale dynamic allocation of licensed and unlicensed spectrum in software-defined HetNets
CN105554771B (zh) 基于密集分布的毫微微用户资源分配方法
Elhattab et al. Opportunistic device association for heterogeneous cellular networks with H2H/IoT co-existence under QoS guarantee
An et al. Trajectory optimization and power allocation algorithm in MBS-assisted cell-free massive MIMO systems
Zhang et al. Dynamic user-centric clustering for uplink cooperation in multi-cell wireless networks
Zhou et al. Multi-server federated edge learning for low power consumption wireless resource allocation based on user QoE
CN107517464B (zh) 一种异构网络中的干扰管理和资源分配方法
CN105490794A (zh) Ofdma毫微微小区双层网络基于分组的资源分配方法
Xiang et al. Energy-efficient and fair power allocation approach for NOMA in ultra-dense heterogeneous networks
CN106209336B (zh) 一种软件定义移动网络中的资源分配方法
CN110139281A (zh) 一种基于K-means的全双工D2D分簇资源分配的方法
Wu et al. Heterogeneity-aware energy saving and energy efficiency optimization in dense small cell networks
Zhang et al. Game-based power control for downlink non-orthogonal multiple access in HetNets
Li et al. Resource sharing for cellular-assisted D2D communications with imperfect CSI: a many-to-many strategy
CN107613565B (zh) 一种全双工超密集网络中的无线资源管理方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20201016

Address after: 210042, 699-22, Xuanwu Avenue, Xuanwu District, Jiangsu, Nanjing, 18

Patentee after: CERTUSNET Corp.

Address before: 210003 new model road 66, Nanjing, Nanjing, Jiangsu

Patentee before: NANJING University OF POSTS AND TELECOMMUNICATIONS