CN106973440A - 面向无线供电网络的时间分配优化方法 - Google Patents

Abstract

本发明公开了一种面向无线供电网络的时间分配优化方法，属于无线网络资源分配技术领域，包括以下步骤：实时获取通信网络系统的状态，根据数据队列积压以及能量队列积压来决策分配给每个用户向中继节点传输数据的时间与能量，并结合惩罚函数决策每个用户采集数据的速率，通过多次迭代后，使得无线网络的数据吞吐量效用最大；该面向无线供电网络的时间分配优化方法，可实现通信网络系统中源速率采集效用的最优分配，并保证整个网络队列积压稳定，取得更快的收敛速度，并实现真正意义上的分布式算法。

Description

面向无线供电网络的时间分配优化方法

技术领域

本发明涉及无线网络资源分配技术领域，具体为面向无线供电网络的时间分配的分布式优化方法。

背景技术

有限的设备电池寿命这一问题一直制约着现代无线通信技术的发展。而射频无线能量传输技术(RF-enabled WET)的出现为该问题的解决提供了一种可行的途径，而后依托于此技术出现了一种称为无线供能的通信网络(Wireless Powered CommunicationNetwork,WPCN)的通信架构。在此架构中无线设备使用收获的能量来传输信息，其对于充分利用宝贵的数据、能量等资源具有非常重要的实际意义。本发明正是基于此WPCN技术提出的。

发明内容

本发明的目的在于根据现有研究的不足，提供一种面向无线供电网络的时间、源速率、能量等资源分配的分布式优化方法。

本发明的目的是通过以下的技术方案来实现的，一种面向无线供电网络的时间分配的分布式优化方法，包括以下步骤：

第一步：获取网络状态信息，包括：用户i在帧r下的实际数据队列积压用户i在帧r下的实际能量队列积压用户i在帧r下的虚拟数据队列积压Q_i[r]；用户i在帧r下的虚拟能量队列积压Z_i[r]；用户i在帧r下H-AP节点的信道增益g_i[r]；来自于自于高斯白噪声的信噪比差距Γ；循环对称负高斯分布的方差σ²；用户i在帧r下从自然界采集的能量ε_i[r]；每一帧下H-AP用于给每个用户无线充电的时间τ₀，其最大值不能超过τ_max；用户i在帧r下在τ₀时间内从H-AP节点获取的电能E_i[r]；用户i在帧r下传输给H-AP节点的数据量R_i[r]；用户i在帧r下的传输功率P_i[r]，其最大值不能超过P_max；

对于分配给每个用户用于向H-AP传输数据的时间τ_i[r]、每个用户向H-AP传输数据所消耗掉的自身能量η_i[r]以及每个用户从自然界获取数据的速率λ_i[r]，有以下的吞吐量最大化问题：

0≤λ_i[r]≤λ_max,i＝1,2,3...k

0≤P_i[r]≤P_max,i＝1,2,3...k

0<τ_i[r]<τ_max,i＝1,2,3...k

其中：

f(τ_i[r],η_i[r])＝Z_i[r]η_i[r]+Q_i[r]R_i[r]，

g(λ_i[r])＝Q_i[r]λ_i[r]-VU(λ_i[r])，

V表示李亚普诺夫算法惩罚参数，U(λ_i[r])表示效用函数，这个函数是递增的且二次可导，满足严格凹函数，并且初始有界满足U(0)＝0，用效用函数来描述吞吐速率，效用函数表示为U(x)＝log₂(1+x)；

第二步：取初始k值为1，为q^k取定初始范围q^k∈[q_min,q_max]，q_min为大于等于0的常数，为q^k赋值q^k＝(q_min+q_max)/2,，并令qk与比较大小，sup{A}表示取A上确界，则有以下问题：

0≤λ_i[r]≤λ_max,i＝1,2,3...k

0≤P_i[r]≤P_max,i＝1,2,3...k

0<τ_i[r]<τ_max,i＝1,2,3...k

其中：q^*表示q^k范围内的任一解；

第三步：第二步中的问题由三个变量λ_i[r]、τ_i[r]与η_i[r]组成，由于这三个变量之间不具有耦合性，则可以将第二步中的问题分解为两个子问题：

子问题P1：

0≤P_i[r]≤P_max,i＝1,2,3...k

0<τ_i[r]<τ_max,i＝1,2,3...k

子问题P2：

而由于每个用户之间不存在耦合干扰，则可以将子问题P1与子问题P2分解为对每个用户i均有：

maximize f(τ_i[r],η_i[r])-q^*τ_i[r]

子问题P3：

0≤P_i[r]≤P_max,i＝1,2,3...k

0<τ_i[r]<τ_max,i＝1,2,3...k

子问题P4：

第四步：获取第三步所求出的每个用户i在帧r下的λ_i[r]、τ_i[r]与η_i[r]，然后代入若则令q_max＝q^k，k＝k+1，并回到第二步；若则令q_min＝q^k，k＝k+1，并回到第二步；一般情况下，由于各种因素，可能达不到理想状况，即达不到的状态，所以若视为最优值，则继续第五步，其中κ为设定的精度值，通常可以取值为10^-5；

第五步：通过以上步骤获取每个用户i在帧r下的λ_i[r]、τ_i[r]与η_i[r]，并更新用户i在帧r下的数据队列：

更新用户i在帧r下的能量队列：

并将r+1的网络队列积压信息传输到网络状态中，重复以上步骤直至系统稳定且数据吞吐量效用函数达到收敛。

本发明的有益效果是：本发明采用分布式用户时间分配策略，根据每个用户自身的能量剩余与数据积压情况相应的分配一段时间用于向中继节点传输数据，不仅使得整个通信系统的时间平均吞吐量达到最大，同时采用的分布式思想减少了基站间信令开销。

附图说明

图1通信网络系统拓扑图；

图2数据采集效用函数收敛图。

具体实施方式

为了让本发明的上述和其他目的、特征和优点更加明显，下文将作进一步详细的说明。

在网络系统模型中，用户节点N_i与H-AP节点装备单天线，从H-AP到用户节点N_i下行链路和相应的从N_i到用户节点H-AP的下行链路的链路状态分别用复杂的随机变量来表示。信道功率增益分别用来表示，这两者在同一帧内保持不变，但不同的帧之间可以产生变化。

在每一帧内，会有一部分的固定时间用于下行链路中的H-AP通过广播无限能量给各个用户N_i进行充电，这部分时间表示为τ₀。在当前帧内分配给每个用户用来在上行链路中传输数据给H-AP节点的时间用τ_i[r]来表示，当一个用户正在向H-AP节点传输数据的时候其他节点不允许向H-AP节点传输数据。则在帧r内传输能量与数据所消耗的时间为k表示用户N_i的数量。

在下行链路中H-AP节点在当前帧的基带传输信号用|x_A|表示。我们假设|x_A|是一个任意复杂随机信号并满足E{|x_A|²}＝P_A，其中P_A表示H-AP节点的传输功率。则每个用户N_i所接收到的能量可以表示为其中表示每个用户N_i的能量接受效率。

每个用户N_i在帧r内的上行链路给H-AP节点传输数据所消耗的能量用η_i[r]表示。则相应的平均传输功率可以表示为η_i[r]应该不大于用户N_i的能量队列的当前值，即存在约束：

在每一帧内每个用户N_i可以从自然界获取能量，用ε_i[r]表示。则每个用户N_i的能量队列可以表示为：

每个用户N_i在帧r内的上行链路给H-AP节点传输数据可以表示为：

其中Γ代表了一个信号信噪比差距，Γ是由于使用了一个特殊的调制编码方案而产生的额外的高斯白噪声信道容量。

在每一帧r内每个用户N_i所能够接收到的数据量为λ_i[r]，则每个用户N_i的数据队列可以表示为：

定义

则时间平均速率可以表示为：

如果我们想使数据队列以及能量队列稳定，则平均入速率必须小于平均出速率，也就是必须要满足以下的不等式约束：

其中α_i≤0,β_i≤0。

我们的目标是最大化所有用户入速率总和，且满足约束：

0≤λ_i[r]≤λ_max

0≤τ_i[r]≤τ_max

以及约束(1)(2)(3)则有：

0≤τ_i[r]≤τ_max (4)

0≤λ_i[r]≤λ_max

将上述问题写成如下形式的分布式迭代算法。在第r次迭代时:

第一步：获取网络状态信息，包括：用户i在帧r下的实际数据队列积压用户i在帧r下的实际能量队列积压用户i在帧r下的虚拟数据队列积压Q_i[r]；用户i在帧r下的虚拟能量队列积压Z_i[r]；用户i在帧r下H-AP节点的信道增益g_i[r]；来自于自于高斯白噪声的信噪比差距Γ；循环对称负高斯分布的方差σ²；用户i在帧r下从自然界采集的能量ε_i[r]；每一帧下H-AP用于给每个用户无线充电的时间τ₀，其最大值不能超过τ_max；用户i在帧r下在τ₀时间内从H-AP节点获取的电能E_i[r]；用户i在帧r下传输给H-AP节点的数据量R_i[r]；用户i在帧r下的传输功率P_i[r]，其最大值不能超过P_max；

对于分配给每个用户用于向H-AP传输数据的时间τ_i[r]、每个用户向H-AP传输数据所消耗掉的自身能量η_i[r]以及每个用户从自然界获取数据的速率λ_i[r]，有以下的吞吐量最大化问题：

0≤λ_i[r]≤λ_max,i＝1,2,3...k

0≤P_i[r]≤P_max,i＝1,2,3...k

0<τ_i[r]<τ_max,i＝1,2,3...k

其中：

f(τ_i[r],η_i[r])＝Z_i[r]η_i[r]+Q_i[r]R_i[r]，

g(λ_i[r])＝Q_i[r]λ_i[r]-VU(λ_i[r])，

V表示李亚普诺夫算法惩罚参数,表示效用函数U(λ_i[r])，这个函数是递增的且二次可导，满足严格凹函数，并且初始有界满足U(0)＝0,我们用效用函数来描述吞吐速率，效用函数表示为U(x)＝log₂(1+x)；

第二步：取初始k值为1，为q^k取定初始范围q^k∈[q_min,q_max]，q_min为大于等于0的常数，为q^k赋值q^k＝(q_min+q_max)/2,，并令q^k与比较大小，sup{A}表示取A上确界，则有以下问题：

0≤λ_i[r]≤λ_max,i＝1,2,3...k

0≤P_i[r]≤P_max,i＝1,2,3...k

0<τ_i[r]<τ_max,i＝1,2,3...k

其中：q^*表示q^k范围内的任一解；

第三步：第二步中的问题由三个变量λ_i[r]、τ_i[r]与η_i[r]组成，由于这三个变量之间不具有耦合性，则可以将第二步中的问题分解为两个子问题：

子问题P1：

0≤P_i[r]≤P_max,i＝1,2,3...k

0<τ_i[r]<τ_max,i＝1,2,3...k

子问题P2：

而由于每个用户之间不存在耦合干扰，则可以将子问题P1与子问题P2分解为对每个用户i均有：

maximize f(τ_i[r],ηi[r])-q^*τ_i[r]

子问题P3：

0≤P_i[r]≤P_max,i＝1,2,3...k

0<τ_i[r]<τ_max,i＝1,2,3...k

子问题P4：

第四步：获取第三步所求出的每个用户i在帧r下的λ_i[r]、τ_i[r]与η_i[r]，然后代入若则令q_max＝q^k，k＝k+1，并回到第二步；若则令q_min＝q^k，k＝k+1，并回到第二步；一般情况下，由于各种因素，可能达不到理想状况，即达不到的状态，所以若视为最优值，则继续第五步，其中κ为设定的精度值，通常可以取值为10^-5；

第五步：通过以上步骤获取每个用户i在帧r下的λ_i[r]、τ_i[r]与η_i[r]，并更新用户i在帧r下的数据队列：

更新用户i在帧r下的能量队列：

并将r+1的网络队列积压信息传输到网络状态中，重复以上步骤直至系统稳定且数据吞吐量效用函数达到收敛。

我们通过仿真来分析数据采集效用函数的变化情况，V的取值为V＝[1，10，20，30，40，50，60，70，80，90，100]，每个V下的时隙(帧)最大取值为300，我们取每个V下系统稳定之后的时隙(帧)平均效用值来绘制此仿真图(如附图2)，通过该图我们可以发现目标函数的值随着V的增加而逐步增大，且增幅越来越小，当V的值与其他参数值相比变得相对大的时候逐渐逼近效用函数的上界，在该模型中(如附图1)我们可以通过调整参数V的值来调整效用值大小，已达到最优。

本发明不仅局限于上述具体实施方式，本领域一般技术人员根据本发明公开的内容，可以采用其它多种具体实施方案实施本发明。因此，凡是采用本发明的设计结构和思路，做一些简单的变化或更改的设计，都落入本发明保护范围。

Claims (1)

1.一种面向无线供电网络的时间分配优化方法，其特征在于，包括以下步骤：

第一步：获取网络状态信息，包括：用户i在帧r下的实际数据队列积压用户i在帧r下的实际能量队列积压用户i在帧r下的虚拟数据队列积压Q_i[r]；用户i在帧r下的虚拟能量队列积压Z_i[r]；用户i在帧r下H-AP节点的信道增益g_i[r]；来自于自于高斯白噪声的信噪比差距Γ；循环对称负高斯分布的方差σ²；用户i在帧r下从自然界采集的能量ε_i[r]；每一帧下H-AP用于给每个用户无线充电的时间τ₀，其最大值不能超过τ_max；用户i在帧r下在τ₀时间内从H-AP节点获取的电能E_i[r]；用户i在帧r下传输给H-AP节点的数据量R_i[r]；用户i在帧r下的传输功率P_i[r]，其最大值不能超过P_max；

对于分配给每个用户用于向H-AP传输数据的时间τ_i[r]、每个用户向H-AP传输数据所消耗掉的自身能量η_i[r]以及每个用户从自然界获取数据的速率λ_i[r]，有以下的吞吐量最大化问题：

$\begin{array}{cc}\underset{\{\mathrm{\&lambda;},\mathrm{\&eta;},\mathrm{\&tau;}\}}{\max imize}& \frac{E\left(\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}f\right({\mathrm{\&tau;}}_i\&lsqb;r\&rsqb;,{\mathrm{\&eta;}}_i\&lsqb;r\&rsqb;)-g({\mathrm{\&lambda;}}_i\&lsqb;r\&rsqb;\left)\right)}{E({\mathrm{\&tau;}}_0+\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}{\mathrm{\&tau;}}_i\&lsqb;r\&rsqb;)}\end{array}$

$\begin{array}{cc}subjectto& 0\&le;R_i\&lsqb;r\&rsqb;\&le;Q_i^D\&lsqb;r\&rsqb;,i=1,2,3...k\end{array}$

$0\&le;{\mathrm{\&eta;}}_i\&lsqb;r\&rsqb;\&le;Q_i^E\&lsqb;r\&rsqb;,i=1,2,3...k$

0≤λ_i[r]≤λ_max,i＝1,2,3...k

0≤P_i[r]≤P_max,i＝1,2,3...k

0<τ_i[r]<τ_max,i＝1,2,3...k

其中：

f(τ_i[r],η_i[r])＝Z_i[r]η_i[r]+Q_i[r]R_i[r]，

g(λ_i[r])＝Q_i[r]λ_i[r]-VU(λ_i[r])，

V表示李亚普诺夫算法惩罚参数，U(λ_i[r])表示效用函数，这个函数是递增的且二次可导，满足严格凹函数，并且初始有界满足U(0)＝0，用效用函数来描述吞吐速率，效用函数表示为U(x)＝log₂(1+x)；

第二步：取初始k值为1，为q^k取定初始范围q^k∈[q_min,q_max]，q_min为大于等于0的常数，为q^k赋值q^k＝(q_min+q_max)/2,，并令q^k与比较大小，sup{A}表示取A上确界，则有以下问题：

$\begin{array}{cc}\max imize& \&lsqb;E\left(\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}f\right({\mathrm{\&tau;}}_i\&lsqb;r\&rsqb;,{\mathrm{\&eta;}}_i\&lsqb;r\&rsqb;)-g({\mathrm{\&lambda;}}_i\&lsqb;r\&rsqb;\left)\right)-q^{*}E({\mathrm{\&tau;}}_0+\underset{i=1}{\overset{k}{\&Sigma;}}{\mathrm{\&tau;}}_i\&lsqb;r\&rsqb;)\&rsqb;\end{array}$

$\begin{array}{cc}subjectto& 0\&le;R_i\&lsqb;r\&rsqb;\&le;Q_i^D\&lsqb;r\&rsqb;,i=1,2,3...k\end{array}$

$0\&le;{\mathrm{\&eta;}}_i\&lsqb;r\&rsqb;\&le;Q_i^E\&lsqb;r\&rsqb;,i=1,2,3...k$

0≤λ_i[r]≤λ_max,i＝1,2,3...k

0≤P_i[r]≤P_max,i＝1,2,3...k

0<τ_i[r]<τ_max,i＝1,2,3...k

其中：q^*表示q^k范围内的任一解；

第三步：第二步中的问题由三个变量λ_i[r]、τ_i[r]与η_i[r]组成，由于这三个变量之间不具有耦合性，则可以将第二步中的问题分解为两个子问题：

子问题P1：

子问题P2：

而由于每个用户之间不存在耦合干扰，则可以将子问题P1与子问题P2分解为对每个用户i均有：

子问题P3：

子问题P4：

第四步：获取第三步所求出的每个用户i在帧r下的λ_i[r]、τ_i[r]与η_i[r]，然后代入若则令q_max＝q^k，k＝k+1，并回到第二步；若则令q_min＝q^k，k＝k+1，并回到第二步；一般情况下，由于各种因素，可能达不到理想状况，即达不到的状态，所以若视为最优值，则继续第五步，其中κ为设定的精度值；

第五步：通过以上步骤获取每个用户i在帧r下的λ_i[r]、τ_i[r]与η_i[r]，并更新用户i在帧r下的数据队列：

$Q_i^D\&lsqb;r+1\&rsqb;={(Q_i^D\&lsqb;r\&rsqb;-R_i\&lsqb;r\&rsqb;+{\mathrm{\&lambda;}}_i\&lsqb;r\&rsqb;)}^{+},i=1,2,...,k,$

更新用户i在帧r下的能量队列：

$Q_i^E\&lsqb;r+1\&rsqb;={(Q_i^E\&lsqb;r\&rsqb;-{\mathrm{\&eta;}}_i\&lsqb;r\&rsqb;)}^{+}+E_i\&lsqb;r+1\&rsqb;+{\mathrm{\&epsiv;}}_i\&lsqb;r+1\&rsqb;,i=1,2,...,k,$

并将r+1的网络队列积压信息传输到网络状态中，重复以上步骤直至系统稳定且数据吞吐量效用函数达到收敛。