CN107426773A - 无线异构网络中面向能效的分布式资源分配方法和装置 - Google Patents

无线异构网络中面向能效的分布式资源分配方法和装置 Download PDF

Info

Publication number
CN107426773A
CN107426773A CN201710675441.5A CN201710675441A CN107426773A CN 107426773 A CN107426773 A CN 107426773A CN 201710675441 A CN201710675441 A CN 201710675441A CN 107426773 A CN107426773 A CN 107426773A
Authority
CN
China
Prior art keywords
base station
user
network
power
efficiency
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.)
Granted
Application number
CN201710675441.5A
Other languages
English (en)
Other versions
CN107426773B (zh
Inventor
田杰
王晶
巩文静
陆佃杰
刘弘
郑向伟
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.)
Shandong Normal University
Original Assignee
Shandong Normal University
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 Shandong Normal University filed Critical Shandong Normal University
Priority to CN201710675441.5A priority Critical patent/CN107426773B/zh
Publication of CN107426773A publication Critical patent/CN107426773A/zh
Application granted granted Critical
Publication of CN107426773B publication Critical patent/CN107426773B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/02—Traffic management, e.g. flow control or congestion control
    • H04W28/08—Load balancing or load distribution
    • 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
    • H04W52/02—Power saving arrangements
    • H04W52/0203—Power saving arrangements in the radio access network or backbone network of wireless communication networks
    • H04W52/0206—Power saving arrangements in the radio access network or backbone network of wireless communication networks in access points, e.g. base stations
    • 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
    • H04W52/26—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
    • H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
    • H04W52/04—TPC
    • H04W52/30—TPC using constraints in the total amount of available transmission power
    • H04W52/34—TPC management, i.e. sharing limited amount of power among users or channels or data types, e.g. cell loading
    • H04W52/346—TPC management, i.e. sharing limited amount of power among users or channels or data types, e.g. cell loading distributing total power among users or channels
    • 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
    • H04W52/38—TPC being performed in particular situations
    • H04W52/42—TPC being performed in particular situations in systems with time, space, frequency or polarisation diversity
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W84/00—Network topologies
    • H04W84/02—Hierarchically pre-organised networks, e.g. paging networks, cellular networks, WLAN [Wireless Local Area Network] or WLL [Wireless Local Loop]
    • H04W84/04—Large scale networks; Deep hierarchical networks
    • H04W84/042—Public Land Mobile systems, e.g. cellular systems
    • H04W84/045—Public Land Mobile systems, e.g. cellular systems using private Base Stations, e.g. femto Base Stations, home Node B
    • 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
    • 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
    • H04W72/52—Allocation or scheduling criteria for wireless resources based on load
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

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

Abstract

本发明公开了一种无线异构网络中面向能效的分布式资源分配方法，包括以下步骤：构建两层无线异构网络，包括一个中心的宏基站和均匀分布的多个毫微微基站，网络中用户随机分布，所有用户共享网络频谱资源；分析网络中每个基站的功耗，建立功耗模型与基站业务负载模型，进而构建网络能效模型；建模最大化网络能效优化问题；求解所述最大化网络能效优化问题：首先利用基于学习策略的用户和基站关联方法保障网络负载均衡并减少基站能量消耗；然后在所提关联策略基础上，采用基于分数规划方法的分布式迭代功率分配方案。实验结果表明采用本发明的技术方案，能够在降低算法复杂度的同时有效提升网络能量效率，且易于在实际系统中实现。

Description

无线异构网络中面向能效的分布式资源分配方法和装置
技术领域
本发明涉及无线通信技术，尤其涉及两层无线异构网络中面向能效的分布式资源分配方法和装置。
背景技术
随着无线通信技术的快速发展和物联网技术及各种智能设备不断的推动，人们对无线网络容量的需求呈爆炸式增长。为了满足人们对无线通信的需求，现有的一些技术大多是通过增加宏基站的数目来满足更高的发射功率。然而，由于基站能耗占总能耗的大部分，所以依靠大规模部署宏基站来满足用户需求的方法，在浪费资源的同时也对环境造成了无法弥补的损害。为了适应未来新的发展趋势，部署异构无线网络成为一种强有力的解决方案。宏基站、微基站、毫微微基站等不同种类、不同功耗的节点均可包含于异构无线网络，因此这种异构部署方式下的网络性能可以从根本上得以提升。
在异构网络的部署环境下，宏基站与毫微微基站的负载能力和发射功率相差较大。为了使它们充分发挥各自的优势，实现用户与基站能够最优连接，用户如何选择合适的基站进行关联起着十分重要的作用。另外，网络能效性能还受异构网络中各种不同类型基站的功率分配方法的影响。更为重要的是，随着可持续发展观念不断增强，绿色通信成为网络设计需要考虑的重要方面，能量效率逐渐成为网络设计追求的一大准则。因此，目前需要本领域技术人员迫切解决的一个技术问题是如何对异构网络中用户与基站进行有效关联以及资源的优化配置，在满足用户服务质量需求的同时提升系统的能量效率。
发明内容
为了解决上述问题，本发明通过建立宏基站与毫微微基站混合分布的两层无线异构网络模型，提出一种基于学习策略的用户基站关联机制以有效均衡不同类型基站间的负载，在此基础上对用户业务负载到达情况进行建模提出了基站业务负载模型，并提出了网络中所有基站的功率消耗模型，基于上述模型，将最佳用户关联和功率分配问题建模为在满足用户服务质量需求的前提下最大化网络能量效率的优化问题。为求解上述优化问题，本发明提出了分布式求解方法，所述分布式求解方法包括两步，首先基于给定的用户功率分配方案，设计最优的用户与基站关联机制；然后，基于第一步中获取的用户与基站的最优关联方案，设计了一种分布式功率分配方法以最大化系统能效。上述所提方法在满足用户服务质量的同时有效提升了系统的能量效率。
为了实现上述目的，本发明采用如下技术方案：
一种无线异构网络中面向能效的分布式无线资源分配方法，包括以下步骤：
步骤1：构建两层无线异构网络，包括宏基站和均匀分布在宏基站覆盖范围内的多个毫微微基站，网络中用户随机分布，所有用户共享网络频谱资源；
步骤2：分析网络中每个基站的功耗，建立功耗模型与基站业务负载模型，进而构建网络能效模型；
步骤3：建模最大化网络能效优化问题；
步骤4：求解所述最大化网络能效优化问题：首先利用基于学习策略的用户和基站关联方法保障网络负载均衡并减少基站能量消耗；然后在所提关联策略基础上，采用基于分数规划方法的分布式迭代功率分配方案。
所述步骤3最大化网络能效优化问题描述如下：
P1：
subject to：
问题P1中的优化向量为：用户关联向量和功率分配向量 和分别表示宏基站和毫微微基站的集合，表示所有基站的集合用，即 表示所有用户的集合；约束条件1和2是为了保障一个用户仅与一个基站关联；约束条件3是为了保障网络中每个用户的服务质量需求即最小速率需求；约束条件4和5分别表示任意宏基站和微基站的总功率约束即分配给与其关联的用户的总的功率之和不大于基站总的发送功率；Rj，u(t)表示在时刻t时用户u与基站j关联时的数据传输速率；表示基站j消耗的总功率。
进一步地，其中Pj，u(t)表示时刻t基站j向与其关联的用户u传输数据时分配给用户u的发送功率，Pj RF、Pj BB、Pj Cool分别表示射频模块、基带发动机以及冷却系统消耗的功率。
所述步骤4中基于学习策略的用户和基站关联方法表示为：
其中，表示在时间t用户u根据基站预测的负载情况进行选择的最佳关联基站，其中的负载估计为其中β表示基站进行负载估计的学习速率指数。每个基站j通过上述学习策略来估计其负载情况Lj(t)并广播其预计负载情况；每个用户根据其自身的功率、基站估计的负载情况及信道状况来选择一个使其自身效用最大的基站进行关联。
所述步骤4中基于分数规划方法的分布式迭代功率分配方案具体包括：
基于用户关联方案确定和后，所述优化问题转换为功率分配子问题P2，具体描述如下：
P2：
subject to：
采用分布式功率分配方法求解该问题，即求解每个基站单独求解最大化其自身能效的问题P3，P3表示如下:
P3：
subject to：
采用分数规划问题进行分布式迭代求解优化问题P3，步骤如下：
①初始化迭代终止条件参数Δ，和ηj；
②开始迭代过程：求解
③如果成立，迭代结束；否则更新重复步骤②进行迭代，直到满足迭代终止条件。
④最终获得优化问题P3的最优功率分配值。
对网络中所有基站通过分布式迭代方法执行步骤7所提的算法，最终获得优化问题P2的一个次优解。
根据本发明的另一方面，本发明还提供了一种无线异构网络中面向能效的分布式无线资源分配装置，其特征在于，所述无线异构网络包括宏基站和均匀分布的多个毫微微基站，网络中用户随机分布，所有用户共享网络频谱资源；所述装置包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现以下步骤：
分析网络中每个基站的功耗，建立功耗模型与基站业务负载模型，进而构建网络能效模型；建模最大化网络能效优化问题；
求解所述最大化网络能效优化问题：首先利用基于学习策略的用户和基站关联方法保障网络负载均衡并减少基站能量消耗；然后在所提关联策略基础上，采用基于分数规划方法的分布式迭代功率分配方案。
所述最大化网络能效优化问题描述如下：
P1：
subject to：
问题P1中的优化向量为：用户关联向量和功率分配向量 和分别表示宏基站和毫微微基站的集合，表示所有基站的集合用，即 表示所有用户的集合；约束条件1和2是为了保障一个用户仅与一个基站关联；约束条件3是为了保障网络中每个用户的服务质量需求即最小速率需求；约束条件4和5分别表示任意宏基站和微基站的总功率约束即分配给与其关联的用户的总的功率之和不大于基站总的发送功率；Rj，u(t)表示在时刻t时用户u与基站j关联时的数据传输速率；表示基站j消耗的总功率。
进一步地，其中Pj，u(t)表示时刻t基站j向与其关联的用户u传输数据时分配给用户u的发送功率，Pj RF、Pj BB、Pj Cool分别表示射频模块、基带发动机以及冷却系统消耗的功率。
所述基于学习策略的用户和基站关联方法表示为：
其中，表示在时间t用户u根据基站预测的负载情况进行选择的最佳关联基站，其中的负载估计为其中β表示基站进行负载估计的学习速率指数。每个基站j通过上述学习策略来估计其负载情况Lj(t)并广播其预计负载情况；每个用户根据其自身的功率、基站估计的负载情况及信道状况来选择一个使其自身效用最大的基站进行关联。
所述基于分数规划方法的分布式迭代功率分配方案具体包括：
基于用户关联方案确定和后，所述优化问题转换为功率分配子问题P2，具体描述如下：
P2：
subject to：
采用分布式功率分配方法求解该问题，即求解每个基站单独求解最大化其自身能效的问题P3，P3表示如下:
P3：
subject to：
采用分数规划问题进行分布式迭代求解优化问题P3，步骤如下：
①初始化迭代终止条件参数Δ，和ηj；
②开始迭代过程：求解
③如果成立，迭代结束；否则更新重复步骤②进行迭代，直到满足迭代终止条件。
④最终获得优化问题P3的最优功率分配值。
对网络中所有基站通过分布式迭代方法执行步骤7所提的算法，最终获得优化问题P2的一个次优解。
本发明的有益效果：
1、本发明将异构网络中资源分配问题分为用户关联子问题和功率分配子问题两部分，将基于学习的思想引入用户关联方案，该关联方案能够根据用户自身特点与基站负荷情况寻找最优的关联策略，因此本发明具有自学习特点，能够在用户与设备关联、以及功率分配层面上联合优化资源配置。
2、本发明提出分布式迭代功率分配方法，在给定用户关联策略基础上，设计了基于分数规划算法的分布式迭代功率分配方法，该方法在降低算法复杂度的同时可使系统的能量效率有所提高，易于实现。
附图说明
图1是本发明两层异构网络系统模型图；
图2是本发明方法实现流程图；
图3是分布式迭代算法流程图；
图4是宏基站给定不同最小传输速率门限时每个用户的平均速率；
图5是相同功率分配算法不同用户关联方案的总能效对比图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
本发明的方案要点包括：针对一个两层的无线异构网络，提出了一个基于学习策略的用户关联方案和分布式迭代功率分配方法。假设所有基站共享频谱资源，以提升整个系统的资源利用率。同时假设系统中所有用户均使用开放式关联模式，每个用户既可以接入宏基站也可以接入豪微微基站，但同一时刻一个用户仅能选择一个基站，每个用户具有最低传输速率服务质量需求，在满足用户服务质量需求的同时提升系统能效。
下面以两层异构网络为例介绍具体所提方案的实施方式。如图1所示，在该两层无线异构网络中存在一系列基站，包括1个宏基站MBS(记为集合)，以及毫微微基站FBS，也称家庭基站(记为集合)。假设对于每一个圆形的蜂窝小区，都有一个部署在小区中心的宏基站MBS和一定数量均匀分布的家庭基站FBSs。此外，假设系统中所有用户均采用开放式关联模式，即用户允许同任何一类基站相连，但是每一时刻每个用户只能同一个基站相连。同时，我们假设所有基站共享带宽资源以提升频谱资源利用效率。以下行链路能效分析为例，由于共享频谱因此用户之间将会相互干扰，包括宏基站与毫微微基站之间的跨层干扰和宏基站或毫微微基站内部用户间的同层干扰。传统用户关联方案往往选择离用户最近或信号强度最大的宏基站进行关联，由于宏基站发射功率远大于豪微微基站，因此传统关联方法忽略了网络能量消耗及不同类型基站间的负载均衡。因此，急需提出高效的用户关联策略和功率分配方法在满足用户需求的前提下提升网络能量效率。我们将网络中所有用户的集合用表示，总带宽记为W，所有基站的集合记为
基站与用户通信过程中存在正态阴影衰落和大规模路径损耗，由于正态阴影衰落是小尺度衰落，在这里我们将其忽略不计，只考虑路径损耗，即信道增益可以表示为另外在通信过程中，由于上行链路的干扰和能量与下行链路相比微乎其微，故我们只考虑下行链路也就是基站到用户的传输。
实施例一
本实施案例提供了一种无线异构网络中基于学习的分布式资源分配方法，具体包括以下步骤：
步骤1：构建两层无线异构网络，包括宏基站和均匀分布在宏基站覆盖范围内的毫微微基站，网络中用户随机分布，所有用户共享网络频谱资源，不失一般性，假定所有基站和用户都配置单天线，宏基站和毫微微基站的集合分别用和表示，所有基站的集合用表示，其中所有用户的集合用表示；
步骤2：考虑网络下行链路传输过程，分析并建模网络中任意基站的业务负载模型与功率消耗模型，进而提出网络能效模型。
为构建步骤2所述的业务负载模型和功率消耗模型，引入一个二进制指数变量 表示在时刻t时用户u和基站的关联状态，其中表示在时刻t时用户u和基站j关联。在时刻t任一用户仅选择一个基站进行关联，即：在时刻t与基站j关联的所有用户的集合表示为任一基站的在时刻t的负载情况Lj(t)建模如下：其中表示在时刻t与基站j关联的用户u在基站j处产生的归一化负载，表示为其中，u(t)表示在时刻t时用户u到达的业务比特数，Rj，u(t)表示在时刻t时用户u与基站j关联时的数据传输速率。
网络中任一基站j消耗的功率主要包括传输功耗和基站电路部分消耗的功率(如基带模块和射频模块能耗等)，建模如下：其中Rj，u(t)表示时刻t基站j向与其关联的用户u传输数据时分配给用户u的发送功率，Pj RF、Pj BB、Pj Cool分别表示射频模块、基带发动机以及冷却系统消耗的功率。
步骤2中所述的网络能效模型的建模方法如下：任意基站的能量效率建模为与其关联通信的所有用户的速率之和与基站j消耗的总功率的比值，即：因此，网络能效模型建模为网络中所有基站的能效之和，用η(t)表示即：其中，与基站j关联的u获得的传输速率Rj，u(t)可表示为：
Rj，u(t)＝W log2(1+SINRj，u(t))，
其中W为信道带宽，其中SINRj，u(t)表示与宏基站或毫微微基站关联的用户u的信干噪比(SINR)。令32为用户接收端的高斯白噪声，Gj，u(t)表示在时刻t基站j与用户u之间的信道增益，当用户u与宏基站关联时即可用表示如下：
步骤3：根据步骤2所建立的网络能效模型，最大化网络能效问题可建模如下：
P1：
subject to：
问题P1中的优化向量为：用户关联向量和功率分配向量约束条件1和2是为了保障一个用户仅与一个基站关联；约束条件3是为了保障网络中每个用户的服务质量需求即最小速率需求；约束条件4和5分别表示任意宏基站和微基站的总功率约束即分配给与其关联的用户的总的功率之和不大于基站总的发送功率。
步骤4：根据步骤3所建模的优化问题，为求解上述优化问题，将优化问题P1分为两个子问题进行分布式求解，即用户关联子问题和功率分配子问题。
步骤5：针对用户关联子问题，本发明提出一种基于学习策略的用户基站关联方法，该方法可使每个基站j通过学习策略来估计其负载情况Lj(t)并广播其预计负载情况；每个用户根据其自身的功率、基站估计的负载情况及信道状况来选择一个使其自身效用最大的基站进行关联。
根据步骤2所述的基站业务负载模型，步骤5所采用的负载估计方法如下：其中β表示基站进行负载估计的学习速率指数。进一步地，根据基于学习策略的负载估计方法，所提的基于学习的用户关联方法可表示为：
其中，表示在时间t用户u根据基站预测的负载情况进行选择的最佳关联基站。
步骤6：采用步骤5提出的用户关联方案确定和后，步骤3所示优化问题P1转换为功率分配子问题P2，具体描述如下：
P2：
subject to：
步骤7：考虑到上述功率分配优化问题P2为非线性非凸问题，为求解该问题，本发明提出一种分布式功率分配方法，即每个基站单独求解最大化其自身能效的问题P3，P3可表示如下：
P3：
subject to：
优化问题P可利用分数规划问题进行分布式迭代求解，以时刻t时求解为例(下文省略t)，具体求解步骤如下：
①初始化迭代终止条件参数Δ，和ηj；
②开始迭代过程：求解
③如果成立，迭代结束；否则更新重复步骤②进行迭代，直到满足迭代终止条件。
④最终获得优化问题P3的最优功率分配值。
步骤8：网络中所有基站通过分布式迭代方法执行步骤7所提的算法，最终获得优化问题P2的一个次优解。
在具体执行过程中，上述联合用户关联和功率分配的方案具体流程图如图3所示，基本思想如下：
初始化迭代轮次，宏基站和毫微微基站的发射功率矩阵和系统的能量效率，迭代次数以及迭代误差值；开始迭代循环过程，首先根据学习策略的用户关联机制获得用户基站关联矩阵其次每个基站同时并行求解优化问题P3获得本次迭代其自身的最佳功率分配向量；更新系统功率分配矩阵再根据步骤7中所示的分数规划方法进行迭代求解；然后判断算法是否满足退出循环的条件，若不满足则继续重复上述迭代过程，若满足则退出循环，此时获得的功率分配向量为最优分配向量。
实施例二
基于上述资源分配方法，本实施例提供了一种无线异构网络中面向能效的分布式无线资源分配装置，其特征在于，所述无线异构网络包括一个中心的宏基站和均匀分布的多个毫微微基站，网络中用户随机分布，所有用户共享网络频谱资源；所述装置包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现以下步骤：
分析网络中每个基站的功耗，建立功耗模型与基站业务负载模型，进而构建网络能效模型；建模最大化网络能效优化问题；
求解所述最大化网络能效优化问题：首先利用基于学习策略的用户和基站关联方法保障网络负载均衡并减少基站能量消耗；然后在所提关联策略基础上，采用基于分数规划方法的分布式迭代功率分配方案。
所最大化网络能效优化问题描述如下：
P1：
subject to：
问题P1中的优化向量为：用户关联向量和功率分配向量约束条件1和2是为了保障一个用户仅与一个基站关联；约束条件3是为了保障网络中每个用户的服务质量需求即最小速率需求；约束条件4和5分别表示任意宏基站和微基站的总功率约束即分配给与其关联的用户的总的功率之和不大于基站总的发送功率；Rj，u(t)表示在时刻t时用户u与基站j关联时的数据传输速率；表示基站j消耗的总功率。
所述功耗模型为其中Pj，u(t)表示时刻t基站j向与其关联的用户u传输数据时分配给用户u的发送功率，Pj RF、Pj BB、Pj Cool分别表示射频模块、基带发动机以及冷却系统消耗的功率。
所述基于学习策略的用户和基站关联方法表示为：
其中，表示在时间t用户u根据基站预测的负载情况进行选择的最佳关联基站，其中的负载估计为其中β表示基站进行负载估计的学习速率指数。每个基站j通过上述学习策略来估计其负载情况Lj(t)并广播其预计负载情况；每个用户根据其自身的功率、基站估计的负载情况及信道状况来选择一个使其自身效用最大的基站进行关联。
所述基于分数规划方法的分布式迭代功率分配方案具体包括：
基于用户关联方案确定和后，所述优化问题转换为功率分配子问题P2，具体描述如下：
P2：
subject to：
采用分布式功率分配方法求解该问题，即求解每个基站单独求解最大化其自身能效的问题P3，P3表示如下:
P3：
subject to：
采用分数规划问题进行分布式迭代求解优化问题P3，步骤如下：
①初始化迭代终止条件参数Δ，和ηj；
②开始迭代过程：求解
③如果成立，迭代结束；否则更新重复步骤②进行迭代，直到满足迭代终止条件。
④最终获得优化问题P3的最优功率分配值。
对网络中所有基站通过分布式迭代方法执行步骤7所提的算法，最终获得优化问题P2的一个次优解。
实验验证
本发明进行了多次仿真实验试验，以图1所示网络场景为例说明仿真结果，仿真参数如表1所示，以验证本发明方法的有效性和优越性，并将本发明的仿真结果与传统的与最近基站关联的方案性能进行了对比。图4是分布式迭代功率分配方法的收敛性说明，图5是本发明提出的联合用户关联和功率分配方法与传统用户关联平均功率分配方法的网络能效性能对比。
表1
参数 值
高斯白噪声 -154dbm(/Hz)
宏基站最大发送功率 40dBM
微基站最大发送功率 25dBM
路径损耗指数 2
带宽W 15MHz
用户最小速率需求 3M bps
物理链路类型 下行链路
MBS小区半径 250m
FBS小区半径 40m
业务达到平均速率 1500Kbps
参见图4所示，给出了不同基站的能效收敛性曲线。从图中可以看出本发明所提方案能够几乎经过5或6次迭代后就能收敛。由此可见本发明所提方法具有较低的复杂度，在实际应用中便于实现。
参见图5所示，本发明所提方法的网络能量效率明显优于传统与最近基站关联且平均分配功率方案。通过将采用本发明和传统方法两种方法的能效性能进行对比，可以看出本发明所提方案的能量效率明显优于传统发明方法。当毫微微基站数目不断增多时，网络的整体能量效用不断增大。由图可以得出，这两种方案相比之下，本发明更有利于系统能量效率的显著提高。
本领域技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.一种无线异构网络中面向能效的分布式无线资源分配方法，其特征在于，包括以下步骤：
步骤1：构建两层无线异构网络，包括宏基站和均匀分布的多个毫微微基站，网络中用户随机分布，所有用户共享网络频谱资源；
步骤2：分析网络中每个基站的功耗，建立功耗模型与基站业务负载模型，进而构建网络能效模型；
步骤3：建模最大化网络能效优化问题；
步骤4：求解所述最大化网络能效优化问题：首先利用基于学习策略的用户和基站关联方法保障网络负载均衡并减少基站能量消耗；然后在所提关联策略基础上，采用基于分数规划方法的分布式迭代功率分配方案。
2.如权利要求1所述的一种无线异构网络中面向能效的分布式无线资源分配方法，其特征在于，所述步骤3最大化网络能效优化问题描述如下：
P1：
subject to：
<mrow> <msubsup> <mi>a</mi> <mrow> <mi>j</mi> <mo>,</mo> <mi>u</mi> </mrow> <mi>t</mi> </msubsup> <mo>&amp;Element;</mo> <mo>{</mo> <mn>0</mn> <mo>,</mo> <mn>1</mn> <mo>}</mo> <mo>;</mo> </mrow>
问题P1中的优化向量为：用户关联向量和功率分配向量 和分别表示宏基站和毫微微基站的集合，表示所有基站的集合用，即 表示所有用户的集合；约束条件1和2是为了保障一个用户仅与一个基站关联；约束条件3是为了保障网络中每个用户的服务质量需求即最小速率需求；约束条件4和5分别表示任意宏基站和微基站的总功率约束即分配给与其关联的用户的总的功率之和不大于基站总的发送功率；Rj，u(t)表示在时刻t时用户u与基站j关联时的数据传输速率；表示基站j消耗的总功率。
3.如权利要求2所述的一种无线异构网络中面向能效的分布式无线资源分配方法，其特征在于，其中Pj，u(t)表示时刻t基站j向与其关联的用户u传输数据时分配给用户u的发送功率，Pj RF、Pj BB、Pj Cool分别表示射频模块、基带发动机以及冷却系统消耗的功率。
4.如权利要求1所述的一种无线异构网络中面向能效的分布式无线资源分配方法，其特征在于，所述步骤4中基于学习策略的用户和基站关联方法表示为：
其中，表示在时间t用户u根据基站预测的负载情况进行选择的最佳关联基站，其中的负载估计为其中β表示基站进行负载估计的学习速率指数。每个基站j通过上述学习策略来估计其负载情况Lj(t)并广播其预计负载情况；每个用户根据其自身的功率、基站估计的负载情况及信道状况来选择一个使其自身效用最大的基站进行关联。
5.如权利要求1所述的一种无线异构网络中面向能效的分布式无线资源分配方法，其特征在于，所述步骤4中基于分数规划方法的分布式迭代功率分配方案具体包括：
基于用户关联方案确定和后，所述优化问题转换为功率分配子问题P2，具体描述如下：
P2：
subject to：
采用分布式功率分配方法求解该问题，即求解每个基站单独求解最大化其自身能效的问题P3，P3表示如下：
P3：
subject to：
采用分数规划问题进行分布式迭代求解优化问题P3，步骤如下：
①初始化迭代终止条件参数Δ，和ηj；
②开始迭代过程：求解
③如果成立，迭代结束；否则更新重复步骤②进行迭代，直到满足迭代终止条件。
④最终获得优化问题P3的最优功率分配值。
对网络中所有基站通过分布式迭代方法执行步骤7所提的算法，最终获得优化问题P2的一个次优解。
6.一种无线异构网络中面向能效的分布式无线资源分配装置，其特征在于，所述无线异构网络包括一个中心的宏基站和均匀分布的多个毫微微基站，网络中用户随机分布，所有用户共享网络频谱资源；所述装置包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现以下步骤：
分析网络中每个基站的功耗，建立功耗模型与基站业务负载模型，进而构建网络能效模型；建模最大化网络能效优化问题；
求解所述最大化网络能效优化问题：首先利用基于学习策略的用户和基站关联方法保障网络负载均衡并减少基站能量消耗；然后在所提关联策略基础上，采用基于分数规划方法的分布式迭代功率分配方案。
7.如权利要求6述的一种无线异构网络中面向能效的分布式无线资源分配装置，其特征在于，所最大化网络能效优化问题描述如下：
P1：
subject to：
<mrow> <msubsup> <mi>a</mi> <mrow> <mi>j</mi> <mo>,</mo> <mi>u</mi> </mrow> <mi>t</mi> </msubsup> <mo>&amp;Element;</mo> <mo>{</mo> <mn>0</mn> <mo>,</mo> <mn>1</mn> <mo>}</mo> <mo>;</mo> </mrow>
问题P1中的优化向量为：用户关联向量和功率分配向量 和分别表示宏基站和毫微微基站的集合，表示所有基站的集合用，即 表示所有用户的集合；约束条件1和2是为了保障一个用户仅与一个基站关联；约束条件3是为了保障网络中每个用户的服务质量需求即最小速率需求；约束条件4和5分别表示任意宏基站和微基站的总功率约束即分配给与其关联的用户的总的功率之和不大于基站总的发送功率；Rj，u(t)表示在时刻t时用户u与基站j关联时的数据传输速率；表示基站j消耗的总功率。
8.如权利要求7述的一种无线异构网络中面向能效的分布式无线资源分配装置，其特征在于，其中Pj，u(t)表示时刻t基站j向与其关联的用户u传输数据时分配给用户u的发送功率，Pj RF、Pj BB、Pj Cool分别表示射频模块、基带发动机以及冷却系统消耗的功率。
9.如权利要求6述的一种无线异构网络中面向能效的分布式无线资源分配装置，其特征在于，所述基于学习策略的用户和基站关联方法表示为：
其中，表示在时间t用户u根据基站预测的负载情况进行选择的最佳关联基站，其中的负载估计为其中β表示基站进行负载估计的学习速率指数。每个基站j通过上述学习策略来估计其负载情况Lj(t)并广播其预计负载情况；每个用户根据其自身的功率、基站估计的负载情况及信道状况来选择一个使其自身效用最大的基站进行关联。
10.如权利要求1所述的一种无线异构网络中面向能效的分布式无线资源分配装置，其特征在于，所述基于分数规划方法的分布式迭代功率分配方案具体包括：
基于用户关联方案确定和后，所述优化问题转换为功率分配子问题P2，具体描述如下：
P2：
subject to：
采用分布式功率分配方法求解该问题，即求解每个基站单独求解最大化其自身能效的问题P3，P3表示如下：
P3：
subject to：
采用分数规划问题进行分布式迭代求解优化问题P3，步骤如下：
①初始化迭代终止条件参数Δ，和ηj；
②开始迭代过程：求解
③如果成立，迭代结束；否则更新重复步骤②进行迭代，直到满足迭代终止条件。
④最终获得优化问题P3的最优功率分配值。
对网络中所有基站通过分布式迭代方法执行步骤7所提的算法，最终获得优化问题P2的一个次优解。
CN201710675441.5A 2017-08-09 2017-08-09 无线异构网络中面向能效的分布式资源分配方法和装置 Active CN107426773B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710675441.5A CN107426773B (zh) 2017-08-09 2017-08-09 无线异构网络中面向能效的分布式资源分配方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710675441.5A CN107426773B (zh) 2017-08-09 2017-08-09 无线异构网络中面向能效的分布式资源分配方法和装置

Publications (2)

Publication Number Publication Date
CN107426773A true CN107426773A (zh) 2017-12-01
CN107426773B CN107426773B (zh) 2020-01-31

Family

ID=60437852

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710675441.5A Active CN107426773B (zh) 2017-08-09 2017-08-09 无线异构网络中面向能效的分布式资源分配方法和装置

Country Status (1)

Country Link
CN (1) CN107426773B (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108235356A (zh) * 2017-12-28 2018-06-29 广东南方电信规划咨询设计院有限公司 一种异构网络中用户关联的ga-bpnn方法
CN110545209A (zh) * 2019-09-24 2019-12-06 苏州浪潮智能科技有限公司 一种基于云计算资源优化的智能传输方法和装置
CN110972165A (zh) * 2019-12-06 2020-04-07 金陵科技学院 一种基于本地缓存和预下载的双层优化能效最优方法
CN111787579A (zh) * 2020-06-24 2020-10-16 南京工程学院 一种基于能效和负载的异构蜂窝网络用户与基站关联方法
CN112261683A (zh) * 2019-07-22 2021-01-22 中国移动通信有限公司研究院 基站功耗节能效果测试方法、装置、设备及存储介质
CN113473629A (zh) * 2021-06-30 2021-10-01 华南师范大学 用户自适应连接基站进行通信的方法、装置、介质及设备
CN113905430A (zh) * 2021-12-10 2022-01-07 广东安恒电力科技有限公司 双层异构网络基站的节能控制方法及系统
CN113923693A (zh) * 2021-11-03 2022-01-11 重庆理工大学 一种仿真混合供能的异构网络能效优化方法及装置
CN115334541A (zh) * 2022-07-12 2022-11-11 中国地质大学（武汉） 一种参数迭代式LoRa网络能效优化方法及系统
CN115802362A (zh) * 2022-08-18 2023-03-14 电子科技大学 基于自主学习的无人机辅助无线网络部署方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102546059A (zh) * 2012-01-04 2012-07-04 中国人民解放军理工大学 认知自组织网络中基于无监督聚类的分布式合作频谱感知方法
CN102970734A (zh) * 2012-11-02 2013-03-13 北京交通大学 基于跨层设计的异构融合网络能耗最小设计方法
US20150111594A1 (en) * 2013-10-21 2015-04-23 At&T Mobility Ii Llc Network based speed dependent load balancing
CN104768185A (zh) * 2015-04-24 2015-07-08 江苏科技大学 两层异构网络的干扰消除与能量采集折中方法
CN106454850A (zh) * 2016-10-14 2017-02-22 重庆邮电大学 蜂窝异构网络能效优化的资源分配方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102546059A (zh) * 2012-01-04 2012-07-04 中国人民解放军理工大学 认知自组织网络中基于无监督聚类的分布式合作频谱感知方法
CN102970734A (zh) * 2012-11-02 2013-03-13 北京交通大学 基于跨层设计的异构融合网络能耗最小设计方法
US20150111594A1 (en) * 2013-10-21 2015-04-23 At&T Mobility Ii Llc Network based speed dependent load balancing
CN104768185A (zh) * 2015-04-24 2015-07-08 江苏科技大学 两层异构网络的干扰消除与能量采集折中方法
CN106454850A (zh) * 2016-10-14 2017-02-22 重庆邮电大学 蜂窝异构网络能效优化的资源分配方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
郑向伟: ""一种多样性引导的两阶段多目标微粒群算法"", 《山东大学学报(理学版)》 *

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108235356B (zh) * 2017-12-28 2021-05-28 广东南方电信规划咨询设计院有限公司 一种异构网络中用户关联的ga-bpnn方法
CN108235356A (zh) * 2017-12-28 2018-06-29 广东南方电信规划咨询设计院有限公司 一种异构网络中用户关联的ga-bpnn方法
CN112261683A (zh) * 2019-07-22 2021-01-22 中国移动通信有限公司研究院 基站功耗节能效果测试方法、装置、设备及存储介质
CN112261683B (zh) * 2019-07-22 2024-05-24 中国移动通信有限公司研究院 基站功耗节能效果测试方法、装置、设备及存储介质
CN110545209B (zh) * 2019-09-24 2022-12-27 苏州浪潮智能科技有限公司 一种基于云计算资源优化的智能传输方法和装置
CN110545209A (zh) * 2019-09-24 2019-12-06 苏州浪潮智能科技有限公司 一种基于云计算资源优化的智能传输方法和装置
CN110972165A (zh) * 2019-12-06 2020-04-07 金陵科技学院 一种基于本地缓存和预下载的双层优化能效最优方法
CN110972165B (zh) * 2019-12-06 2022-10-14 金陵科技学院 一种基于本地缓存和预下载的双层优化能效最优方法
CN111787579A (zh) * 2020-06-24 2020-10-16 南京工程学院 一种基于能效和负载的异构蜂窝网络用户与基站关联方法
CN113473629A (zh) * 2021-06-30 2021-10-01 华南师范大学 用户自适应连接基站进行通信的方法、装置、介质及设备
CN113473629B (zh) * 2021-06-30 2023-10-31 华南师范大学 用户自适应连接基站进行通信的方法、装置、介质及设备
CN113923693A (zh) * 2021-11-03 2022-01-11 重庆理工大学 一种仿真混合供能的异构网络能效优化方法及装置
CN113923693B (zh) * 2021-11-03 2023-09-22 重庆理工大学 一种仿真混合供能的异构网络能效优化方法及装置
CN113905430A (zh) * 2021-12-10 2022-01-07 广东安恒电力科技有限公司 双层异构网络基站的节能控制方法及系统
CN115334541A (zh) * 2022-07-12 2022-11-11 中国地质大学（武汉） 一种参数迭代式LoRa网络能效优化方法及系统
CN115334541B (zh) * 2022-07-12 2024-04-16 中国地质大学（武汉） 一种参数迭代式LoRa网络能效优化方法及系统
CN115802362A (zh) * 2022-08-18 2023-03-14 电子科技大学 基于自主学习的无人机辅助无线网络部署方法
CN115802362B (zh) * 2022-08-18 2024-05-24 电子科技大学 基于自主学习的无人机辅助无线网络部署方法

Also Published As

Publication number Publication date
CN107426773B (zh) 2020-01-31

Similar Documents

Publication Publication Date Title
CN107426773A (zh) 无线异构网络中面向能效的分布式资源分配方法和装置
Zhang et al. Incomplete CSI based resource optimization in SWIPT enabled heterogeneous networks: A non-cooperative game theoretic approach
Zhang et al. Joint computation offloading and resource allocation optimization in heterogeneous networks with mobile edge computing
Qian et al. Joint uplink base station association and power control for small-cell networks with non-orthogonal multiple access
CN109729528A (zh) 一种基于多智能体深度强化学习的d2d资源分配方法
Feng et al. BOOST: Base station on-off switching strategy for green massive MIMO HetNets
Hao et al. On the energy and spectral efficiency tradeoff in massive MIMO-enabled HetNets with capacity-constrained backhaul links
Luo Delay-oriented QoS-aware user association and resource allocation in heterogeneous cellular networks
CN109600774B (zh) 一种LTE网络中基于联盟博弈的WiFi卸载方法
CN106358308A (zh) 一种超密集网络中的强化学习的资源分配方法
CN106507393B (zh) 一种基于综合开销函数的接入选择方法
CN103338455B (zh) 通信资源分配方法、系统、终端及网络侧设备
CN105392161B (zh) 协作异构网络中的用户接入与功率控制联合优化方法
Liu et al. Nash bargaining solution based user association optimization in HetNets
CN108965009B (zh) 一种基于势博弈的负载已知用户关联方法
CN104703270A (zh) 适用于异构无线蜂窝网络的用户接入和功率分配方法
CN104640185A (zh) 一种基于基站协作的小区休眠节能方法
Han et al. Power allocation for device-to-device underlay communication with femtocell using stackelberg game
CN105764068B (zh) 一种基于禁忌搜索的小基站容量与覆盖优化方法
CN104579444B (zh) 一种异构蜂窝网络中干扰对齐方法
Yu et al. Interference coordination strategy based on Nash bargaining for small‐cell networks
CN104080091B (zh) 分层异构网络中基于负载预测分组的家庭基站频谱分配方法
Liu et al. Game-theoretic hierarchical resource allocation in ultra-dense networks
CN105578482B (zh) 一种蜂窝异构网络资源分配方法
CN106028345A (zh) 一种基于自适应禁忌搜索的小基站容量与覆盖优化方法

Legal Events

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