CN108282822A - 用户关联与功率控制在异构蜂窝网络中的协同优化算法 - Google Patents

Abstract

本发明涉及一种用户关联与功率控制在异构蜂窝网络中的协同优化算法，属于移动通信技术领域。该算法具体包括：S1：利用拉格朗日函数和凸优化工具找出最佳的用户与基站间的关联指数；S2：利用牛顿方法和回馈直线搜索方法为基站分配合适的发射功率；S3：双层迭代方案：在外层循环寻找最佳的用户关联矩阵，在内层循环找出基站最佳的传输功率，通过反复的迭代找出最终的用户关联矩阵和基站的传输功率。本发明能够提升系统的能效和负载均衡，减少干扰，同时降低了算法的复杂度。

Description

用户关联与功率控制在异构蜂窝网络中的协同优化算法

技术领域

本发明属于移动通信技术领域，特别是在异构Macro-pico蜂窝网络中，涉及一种用户关联与功率控制联合的能效优化方法。

背景技术

随着移动互联网的发展，增加系统容量和提高数据速率已经成为蜂窝网络急需解决的问题。异构Macro-pico蜂窝网络是一种在传统的宏蜂窝网络内部署微微基站(Picocell)的新型架构网络，这种网络架构能够将一部分用户从宏基站卸载到微微基站中，以较低的发射功率满足用户的通信质量要求，异构蜂窝网络架构能够提高系统容量和提高数据速率。另一方面，节能减排正在成为全球的热点，绿色通信越来越受到人们的关注，考虑到整个移动通信网络的能耗主要来自基站端，异构蜂窝网络中能效优化问题是未来移动通信重要的研究方向之一。

能效表示为系统吞吐量与基站端功耗的比值，一种用户关联策略常被用来提高系统能效，用户关联策略有以下几种：(1)最大SINR关联策略，该策略根据用户接收到的最大SINR将用户关联到合适的基站，但是由于宏基站发射功率大于微基站，该策略会使大量用户关联到宏基站，导致整个系统负载不均衡，微基站的无线资源不能被充分利用，系统吞吐量收到极大限制，并且大量的用户关联到宏基站会增加系统能耗，导致系统能效偏低。(2)基于偏置值的用户关联策略，由于宏基站发射功率较大，为微基站发射功率添加一定的偏置值来减小与宏基站发射功率的差值，通过调整微基站的偏置值执行用户关联，该策略能在一定程度上使更多用户关联到微基站，但是为每个微基站寻找一个合适的偏置值在实际系统中很难实现。(3)在固定功率下基于最大效用函数的用户关联策略，该策略将用户关联到能效最优的基站中，这种方式是以能效最优为前提，提高了系统的能效，但是该策略是以基站最大发射功率为前提，并未对基站进行功率控制，除此之外，该策略没有考虑用户对数据速率需求的不同，虽然高速率要求的用户能够按照能效最优的方式关联到基站中，但是这类用户并不一定能得到应有的服务质量。大多数研究都集中在异构蜂窝网络上行链路，基于以上考虑，在下行链路中，需要一种用户关联与功率控制在异构Macro-pico蜂窝网络中的协同优化算法，在基于最大效用函数的用户关联策略基础上，为用户的有效速率添加相应的权重，并且将用户关联与功率控制联合优化系统能效。

发明内容

有鉴于此，本发明的目的在于提供一种用户关联与功率控制在异构蜂窝网络中的协同优化算法，该算法能够减少干扰，能有效的提高系统能效和负载均衡，同时降低算法的复杂度。

为达到上述目的，本发明提供如下技术方案：

一种用户关联与功率控制在异构蜂窝网络中的协同优化算法，该算法通过将问题分解为两个子问题，在用户关联子问题中求得最佳用户关联矩阵和带权重的有效速率值，保证用户以能效最优的方式关联到基站中，在功率控制子问题求得最佳传输功率，利用功率控制技术降低系统间的干扰，最后利用迭代的方法求得系统的能效值。

该算法具体包括以下步骤：

S1：利用拉格朗日函数和凸优化工具找出最佳的用户与基站间的关联指数；

S2：利用牛顿方法和回馈直线搜索方法为基站分配合适的发射功率；

S3：双层迭代方案：在外层循环寻找最佳的用户关联矩阵，在内层循环找出基站最佳的传输功率，通过反复的迭代找出最终的用户关联矩阵和基站的传输功率，使系统能效最优。

进一步，所述步骤S1中，首先初始化用户与基站间的关联矩阵和基站的传输功率，具体包括：

S11：初始化用户关联矩阵，计算出带权重的有效速率和朗格朗日因子，完成对带权重的有效速率和拉格朗日因子的初始化；初始化计算公式如下：

其中，表示在第t₁次迭代时的拉格朗日因子，它表示为能效问题的数学模型中速率限制条件的拉格朗日因子，表示在第t₁次迭代时的带权重的有效速率；表示第t₁次迭代时的用户关联指数，w_k和分别表示用户的有效速率权重和用户的有效速率，n代表基站，k代表用户；U＝{1，2，3，...,k}表示所有用户的集合；

S12：当用户选择其中的一些基站时，利用一种使效用函数值最大的原则找出最佳的用户关联矩阵，数学表达式如下：

其中，B＝{1,2,3,...,N}表示所有基站的集合，该网络中一共有N个基站；利用凸优化工具找出最佳的用户关联矩阵；

S13：找出最佳的用户关联矩阵后，然后再调整最终得到本次迭代中最佳的用户关联矩阵X、拉格朗日因子λ_nk和带权重的有效速率ω_nk。

进一步，所述步骤S2中，利用牛顿方法和回馈直线搜索方法分别求出搜索方向和步长，具体包括：

S21：利用牛顿方法求得功率更新的搜索方向；

S22：利用回馈直线搜索方法求得功率更新的步长；

S23：利用为基站分配合适的功率，其中表示第t+1次迭代中基站的传输功率，σ(t)表示步长，Δp_n表示搜索的方向。

进一步，所述步骤S3中，利用双层迭代的方案求得最终的能效值，具体包括：首先，在步骤S1中求得本次迭代的最佳用户关联矩阵，求得用户关联矩阵后，在步骤S2为基站重新分配最佳的传输功率，完成一次迭代，求得本次迭代的能效值；但此时的能效值并不是最佳的能效值，在算法没有收敛或者还没有达到最大迭代次数时，反复执行步骤S1和步骤S2，寻找最佳的用户关联矩阵与功率分配方案，将每次迭代的能效值进行比较，直到最算法收敛或者达到最大迭代次数，最后得到的能效值即是最大的能效。

本发明的有益效果在于：本发明在基于最大效用函数的用户关联策略基础上，为用户的有效速率添加相应的权重，并且将用户关联与功率控制联合优化系统能效。能够减少干扰，能有效的提高系统能效和负载均衡，同时降低算法的复杂度。

附图说明

为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：

图1为本发明的系统模型示意图；

图2为本发明的流程示意图。

具体实施方式

下面将结合附图，对本发明的优选实施例进行详细的描述。

图1是由宏基站和微微基站组成的双层异构蜂窝网络架构，其中用户和微基站随机分布在传统的宏蜂窝网络中，所有的基站使用相同的频谱资源，在这种场景下，微小区边缘用户会受到宏基站强烈的干扰，由于宏基站发射功率大于微微基站，传统的用户关联策略会使大部分用户会关联到宏基站中，因为宏基站以较高的发射功率满足用户的通信质量要求，并且微微基站的无线资源没有得到充分利用，系统吞吐量受到限制，所以系统能效不能进一步得到提升，利用功率控制可以减小干扰，利用本发明用户关联策略可以让用户以能效最高的形式关联到基站中。在只考虑异构蜂窝网络的下行链路时，其能效的数学模型为：

其中，B＝{1,2,3,...,N}表示所有基站的集合，该网络中一共有N个基站，U＝{1，2，3，...,K}表示所有用户的集合，该网络中有K个用户，x_nk表示基站n与用户k的关联指数，当用户k关联到基站n时，此时有x_nk＝1，否则x_nk＝0。X表示所有用户与基站之间的关联矩阵，是一个k行n列的矩阵。W＝{w₁,w₂,w₃,...,w_k,k∈U}表示不同用户的有效数据速率权重。表示用户k与基站n关联时的有效数据速率，其中r_nk＝log₂(1+SINR_nk)，表示用户k接收到来自于基站n的信干噪比，p_n表示基站n的发射功率，σ_n表示基站n的功率放大系数，表示基站中电路消耗的固有功率。

基于图1的系统模型，本发明公开了一种用户关联与功率控制的协同优化方法，如图2所示，基于用户关联与功率控制的协同优化方案包括以下步骤：

步骤一：利用拉格朗日函数和凸优化工具找出最佳的用户与基站间的关联指数，首先，初始化用户关联矩阵，计算出带权重的有效速率和朗格朗日因子，完成对带权重的有效速率和拉格朗日因子的初始化。初始化计算公式如下：

其中，表示在第t₁次迭代时的拉格朗日因子，它表示为能效问题的数学模型中速率限制条件的拉格朗日因子，表示在第t₁次迭代时的带权重的有效速率；表示第t₁次迭代时的用户关联指数，w_k和分别表示用户的有效速率权重和用户的有效速率，n代表基站，k代表用户。

其次，当用户选择其中的一些基站时，利用一种使效用函数值最大的原则找出最佳的用户关联矩阵，数学表达式如下：

利用凸优化工具找出最佳的用户关联矩阵。

当用户关联矩阵变化后，然后再调整最终得到本次迭代中最佳的用户关联矩阵X、拉格朗日因子λ_nk和带权重的有效速率ω_nk。

步骤二：利用牛顿方法和回馈直线搜索方法分别求出搜索方向和步长，具体来说，首先利用牛顿方法求得功率更新的搜索方向，然后利用回馈直线搜索方法求得功率更新的步长，最后利用式子为基站分配合适的功率，其中表示第t+1次迭代中基站的传输功率，σ(t)表示步长，Δp_n表示搜索的方向。

步骤三：利用双层迭代的方案求得最终的能效值，首先，对功率初始化，在步骤一中求得本次迭代的最佳的用户关联矩阵，求得用户关联矩阵后，在步骤二为基站重新分配最佳的传输功率，这样就完成了一次迭代，求得本次迭代的能效值，但此时的能效值并不是最佳的能效值，在算法没有收敛或者还没有达到最大迭代次数时，反复执行步骤一和步骤二寻找最佳的用户关联矩阵与功率分配方案，直到最后算法收敛或者达到最大迭代次数，最后得到的能效值即是最大的能效。

最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。

Claims (4)

1.一种用户关联与功率控制在异构蜂窝网络中的协同优化算法，其特征在于，该算法通过将问题分解为两个子问题，在用户关联子问题中求得最佳用户关联矩阵和带权重的有效速率值，保证用户以能效最优的方式关联到基站中，在功率控制子问题求得最佳传输功率，利用功率控制技术降低系统间的干扰，最后利用迭代的方法求得系统的能效值；

该算法具体包括以下步骤：

S1：利用拉格朗日函数和凸优化工具找出最佳的用户与基站间的关联指数；

S2：利用牛顿方法和回馈直线搜索方法为基站分配合适的发射功率；

S3：双层迭代方案：在外层循环寻找最佳的用户关联矩阵，在内层循环找出基站最佳的传输功率，通过反复的迭代找出最终的用户关联矩阵和基站的传输功率，使系统能效最优。

2.根据权利要求1所述的一种用户关联与功率控制在异构蜂窝网络中的协同优化算法，其特征在于，所述步骤S1中，首先初始化用户与基站间的关联矩阵和基站的传输功率，具体包括：

S11：初始化用户关联矩阵，计算出带权重的有效速率和朗格朗日因子，完成对带权重的有效速率和拉格朗日因子的初始化；初始化计算公式如下：

其中，表示在第t₁次迭代时的拉格朗日因子，它表示为能效问题的数学模型中速率限制条件的拉格朗日因子，表示在第t₁次迭代时的带权重的有效速率；表示第t₁次迭代时的用户关联指数，w_k和分别表示用户的有效速率权重和用户的有效速率，n代表基站，k代表用户；U＝{1，2，3，…,k}表示所有用户的集合；

S12：当用户选择其中的一些基站时，利用一种使效用函数值最大的原则找出最佳的用户关联矩阵，数学表达式如下：

其中，B＝{1,2,3,…,N}表示所有基站的集合，该网络中一共有N个基站；利用凸优化工具找出最佳的用户关联矩阵；

S13：找出最佳的用户关联矩阵后，然后再调整最终得到本次迭代中最佳的用户关联矩阵X、拉格朗日因子λ_nk和带权重的有效速率ω_nk。

3.根据权利要求1所述的一种用户关联与功率控制在异构蜂窝网络中的协同优化算法，其特征在于，所述步骤S2中，利用牛顿方法和回馈直线搜索方法分别求出搜索方向和步长，具体包括：

S21：利用牛顿方法求得功率更新的搜索方向；

S22：利用回馈直线搜索方法求得功率更新的步长；

S23：利用为基站分配合适的功率，其中表示第t+1次迭代中基站的传输功率，σ(t)表示步长，Δp_n表示搜索的方向。

4.根据权利要求1所述的一种用户关联与功率控制在异构蜂窝网络中的协同优化算法，其特征在于，所述步骤S3中，利用双层迭代的方案求得最终的能效值，具体包括：首先，在步骤S1中求得本次迭代的最佳用户关联矩阵，求得用户关联矩阵后，在步骤S2为基站重新分配最佳的传输功率，完成一次迭代，求得本次迭代的能效值；但此时的能效值并不是最佳的能效值，在算法没有收敛或者还没有达到最大迭代次数时，反复执行步骤S1和步骤S2，寻找最佳的用户关联矩阵与功率分配方案，将每次迭代的能效值进行比较，直到最算法收敛或者达到最大迭代次数，最后得到的能效值即是最大的能效。