CN108430103B - 一种软件定义雾车联网资源分配方法及其系统 - Google Patents

一种软件定义雾车联网资源分配方法及其系统 Download PDF

Info

Publication number
CN108430103B
CN108430103B CN201810163714.2A CN201810163714A CN108430103B CN 108430103 B CN108430103 B CN 108430103B CN 201810163714 A CN201810163714 A CN 201810163714A CN 108430103 B CN108430103 B CN 108430103B
Authority
CN
China
Prior art keywords
state
power
function
average field
interference
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
CN201810163714.2A
Other languages
English (en)
Other versions
CN108430103A (zh
Inventor
张海君
张耀敏
隆克平
董江波
皇甫伟
杨扬
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.)
University of Science and Technology Beijing USTB
Original Assignee
University of Science and Technology Beijing USTB
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 University of Science and Technology Beijing USTB filed Critical University of Science and Technology Beijing USTB
Priority to CN201810163714.2A priority Critical patent/CN108430103B/zh
Publication of CN108430103A publication Critical patent/CN108430103A/zh
Application granted granted Critical
Publication of CN108430103B publication Critical patent/CN108430103B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • H04W52/241—TPC being performed according to specific parameters using SIR [Signal to Interference Ratio] or other wireless path parameters taking into account channel quality metrics, e.g. SIR, SNR, CIR, Eb/lo
    • 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
    • H04W72/04—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

Landscapes

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

Abstract

本发明提供一种软件定义雾车联网资源分配方法，包括：初始化小基站以及车辆用户端的各项参数及状态并据此计算路损增益和信干噪比；构造三维状态空间并更新下一时刻平均场值；判断车辆用户端在下一能量状态的功率值是否等于零；如果等于零，则下一时刻下一状态下的平均场值与当前时刻当前状态时的平均场值相同，否则，下一时刻下一状态下的平均场值为零；更新拉格朗日算子和功率；将更新后的功率迭代进入前述步骤以获取最优功率；将最优功率带入代价函数中进行计算并取出计算后的数据。本发明还提供一种软件定义雾车联网资源分配系统。本发明提供的技术方案在保证用户服务质量和低时延的前提下，能满足剧增的车辆用户和数据需求。

Description

一种软件定义雾车联网资源分配方法及其系统
技术领域
本发明涉及移动通信领域，尤其涉及一种软件定义雾车联网资源分配方法及其系统。
背景技术
随着无线通信技术快速发展，用户终端类型不断趋于多样化，逐渐形成一个万物相连的网络，即物联网。作为物联网在交通领域的典型应用，车载网已成为提高交通效率、保障交通安全、减少交通事故、缓解交通拥挤的理想方案。然而，相对于一般网络，车联网对网络时延和可靠性具有极高的指标要求。并且，随着新兴业务的不断涌现，车辆用户的体验度要求也不断提高。因此，如何在保证用户服务质量和低时延的前提下，能满足剧增的车辆用户和数据需求一直是业界亟需改进的目标。
发明内容
有鉴于此，本发明的目的在于提供一种软件定义雾车联网资源分配方法及其系统，旨在解决如何在保证用户服务质量和低时延的前提下，能满足剧增的车辆用户和数据需求的技术问题。
本发明提出一种软件定义雾车联网资源分配方法，其中，所述方法包括：
步骤一：初始化小基站以及车辆用户端的各项参数及状态；
步骤二：根据所述各项参数及状态计算每一个车辆用户端到每一个小基站的路损增益和信干噪比；
步骤三：根据系统模型推导出FPK等式和HJB等式，并构造时间状态、能量状态、干扰状态的三维状态空间；
步骤四：根据当前时刻平均场值和当前状态更新下一时刻平均场值；
步骤五：判断所述车辆用户端在下一能量状态的功率值是否等于零；
步骤六：如果所述车辆用户端在下一能量状态的功率值等于零，则下一时刻下一状态下的平均场值与当前时刻当前状态时的平均场值相同，否则，下一时刻下一状态下的平均场值为零；
步骤七：更新拉格朗日算子和功率；
步骤八：将所述步骤七中更新后的功率迭代进入所述步骤四，并重复步骤四到步骤七以获取最优功率；
步骤九：将所述步骤八中获取的所述最优功率带入代价函数中进行计算并取出计算后的数据。
优选的，在步骤一中，所述各项参数及状态具体包括：
发射功率P、所述小基站的能量状态函数e和干扰状态函数β、所述小基站的缓存caching、空间状态函数state＝[e,βinterf]、对于每个时刻t以及每个状态state的初始化平均场函数m(t,state)。
优选的，在步骤一中，利用平均场博弈模型将每一个小基站视为具有平等竞争关系的智能体，并使其达到纳什均衡以求得最优目标。
优选的，在步骤二中，所述信干噪比的计算公式为：
Figure BDA0001583805770000031
其中，
Figure BDA0001583805770000032
表示所述小基站到内部用户的信道增益，
Figure BDA0001583805770000033
表示所述小基站到其它基站用户的信道增益，
Figure BDA0001583805770000034
和
Figure BDA0001583805770000035
分别代表宏基站和其它小基站对当前用户的干扰，σ2表示高斯噪声。
优选的，在步骤四中，更新下一时刻平均场值的更新公式为：
Figure BDA0001583805770000036
其中，Δt、Δe、Δβ分别表示时间、能量、干扰步长，分别表示t时刻时在能量水平为j、干扰状态为k状态下的平均场值、功率、干扰增益因子。
优选的，在步骤七中，通过将拉格朗日函数对平均场函数求导来更新拉格朗日算子并通过对功率函数求导来更新功率
Figure BDA0001583805770000039
其中，
Figure BDA00015838057700000310
Figure BDA00015838057700000311
优选的，在步骤九中，将所述代价函数作为联合有限差分算法的评价函数，其中，所述代价函数的公式为：c(t)＝(γ(t)-γth(t))2+ωp(t)-caching。
另一方面，本发明还提供一种软件定义雾车联网资源分配系统，包括：
初始化模块，用于初始化小基站以及车辆用户端的各项参数及状态；
计算模块，用于根据所述各项参数及状态计算每一个车辆用户端到每一个小基站的路损增益和信干噪比；
构造模块，用于根据系统模型推导出FPK等式和HJB等式，并构造时间状态、能量状态、干扰状态的三维状态空间；
第一更新模块，用于根据当前时刻平均场值和当前状态更新下一时刻平均场值；
判断模块，用于判断所述车辆用户端在下一能量状态的功率值是否等于零，如果所述车辆用户端在下一能量状态的功率值等于零，则下一时刻下一状态下的平均场值与当前时刻当前状态时的平均场值相同，否则，下一时刻下一状态下的平均场值为零；
第二更新模块，用于更新拉格朗日算子和功率；
迭代模块，用于将更新后的功率迭代进入所述第一更新模块，并重复所述第一更新模块、所述判断模块、所述第二更新模块以获取最优功率；
输出模块，用于将获取的所述最优功率带入代价函数中进行计算并取出计算后的数据。
优选的，在所述初始化模块中，所述各项参数及状态具体包括：
发射功率P、所述小基站的能量状态函数e和干扰状态函数β、所述小基站的缓存caching、空间状态函数state＝[e,βinterf]、对于每个时刻t以及每个状态state的初始化平均场函数m(t,state)。
优选的，在所述计算模块中，所述信干噪比的计算公式为：
其中，
Figure BDA0001583805770000052
表示所述小基站到内部用户的信道增益，
Figure BDA0001583805770000053
表示所述小基站到其它基站用户的信道增益，和
Figure BDA0001583805770000055
分别代表宏基站和其它小基站对当前用户的干扰，σ2表示高斯噪声。
优选的，在所述第一更新模块中，更新下一时刻平均场值的更新公式为：
其中，Δt、Δe、Δβ分别表示时间、能量、干扰步长，
Figure BDA0001583805770000057
分别表示t时刻时在能量水平为j、干扰状态为k状态下的平均场值、功率、干扰增益因子。
优选的，在所述第二更新模块中，通过将拉格朗日函数对平均场函数求导来更新拉格朗日算子并通过对功率函数求导来更新功率
Figure BDA0001583805770000059
其中，
Figure BDA00015838057700000510
Figure BDA00015838057700000511
优选的，在所述输出模块中，将所述代价函数作为联合有限差分算法的评价函数，其中，所述代价函数的公式为：c(t)＝(γ(t)-γth(t))2+ωp(t)-caching。
本发明提供的技术方案主要针对基于软件定义和雾计算的车联网络未来发展，提出一种新颖资源分配机制，并且提出了将平均场理论应用到功率控制中，通过联合有限差分算法实现代价函数的最小化，提高网络容量。本发明提出了车联网新的发展方向，新的机制，在保证用户服务质量和低时延的前提下，满足剧增的车辆用户和数据需求。同时，本发明以最小化每个小基站的代价为目标，综合考虑两层车联网络中的同层干扰、跨层干扰和基站缓存，将功率控制问题构建为平均场模型，采用联合有限差分算法不断调整小基站的发射功率，最终达到纳什均衡，最大限度地减少小基站的代价，使结果大限度接近理想值。
附图说明
图1为本发明一实施方式中软件定义雾车联网资源分配方法流程图；
图2为本发明一实施方式中同时包括小基站与宏基站同频部署的系统应用架构示意图；
图3为本发明一实施方式中软件定义雾车联网资源分配系统10的结构示意图。
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，以下结合附图及实施例，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。
以下将对本发明所提供的一种软件定义雾车联网资源分配方法进行详细说明。
请参阅图1，为本发明一实施方式中软件定义雾车联网资源分配方法流程图。
在本实施方式中，为了解决如何在保证用户服务质量和低时延的前提下，能满足剧增的车辆用户和数据需求的技术问题，本发明将软件定义网络的概念以及雾计算技术融合到车联网中。利用软件定义网络将控制平面与数据平面进行分离，减轻网络压力，实现网络资源的统一管理和整合。利用雾计算是云计算的衍生技术，属于边缘计算的一种，它将计算功能和数据分析应用扩展到网络边缘，使得终端用户能够在本地进行存储、分析和管理数据，使数据传输具有更低时延，基于此，本发明提出一种基于软件定义和雾计算的车联网资源分配优化方案。
在步骤S1中，步骤一：初始化小基站F-SBSs以及车辆用户端F-VUs的各项参数及状态。
在本实施方式中，在步骤一中，所述各项参数及状态具体包括：
发射功率P、所述小基站的能量状态函数e和干扰状态函数β、所述小基站的缓存caching、空间状态函数state＝[e,βinterf]、对于每个时刻t以及每个状态state的初始化平均场函数m(t,state)。
在本实施方式中，每个小基站F-SBSs只允许一个用户接入，初始化1个宏基站、100个小基站和以每个小基站为中心分布1个车辆用户端F-VUs的位置。
在本实施方式中，在步骤一中，利用平均场博弈模型将每一个小基站视为具有平等竞争关系的智能体，并使其达到纳什均衡以求得最优目标。
在步骤S2中，步骤二：根据所述各项参数及状态计算每一个车辆用户端F-VUs到每一个小基站F-SBSs的路损增益和信干噪比。
在本实施方式中，在步骤二中，所述信干噪比的计算公式为：
Figure BDA0001583805770000081
其中，
Figure BDA0001583805770000082
表示所述小基站到内部用户的信道增益，
Figure BDA0001583805770000083
表示所述小基站到其它基站用户的信道增益，
Figure BDA0001583805770000084
和
Figure BDA0001583805770000085
分别代表宏基站和其它小基站对当前用户的干扰，σ2表示高斯噪声。
在步骤S3中，步骤三：根据系统模型推导出FPK等式和HJB等式，并构造时间状态、能量状态、干扰状态的三维状态空间。
在本实施方式中，根据平均场博弈理论将问题分解为平均场和功率控制两种策略，分别对应求解FPK等式和HJB等式。构造三维状态空间，分别为时间状态、能量状态、干扰状态。
在步骤S4中，步骤四：根据当前时刻平均场值和当前状态更新下一时刻平均场值。
在本实施方式中，利用松弛-弗里德里克斯(Lax-Friedrichs)方法，根据当前时刻平均场值和当前状态state更新下一时刻平均场值。
在本实施方式中，在步骤四中，更新下一时刻平均场值的更新公式为：
Figure BDA0001583805770000091
其中，Δt、Δe、Δβ分别表示时间、能量、干扰步长，
Figure BDA0001583805770000092
分别表示t时刻时在能量水平为j、干扰状态为k状态下的平均场值、功率、干扰增益因子。
在步骤S5中，步骤五：判断所述车辆用户端在下一能量状态的功率值是否等于零。
在步骤S6中，步骤六：如果所述车辆用户端在下一能量状态的功率值等于零，则下一时刻下一状态下的平均场值与当前时刻当前状态时的平均场值相同，否则，下一时刻下一状态下的平均场值为零。
在步骤S7中，步骤七：更新拉格朗日算子和功率。
在本实施方式中，在步骤七中，通过将拉格朗日函数对平均场函数求导来更新拉格朗日算子
Figure BDA0001583805770000093
并通过对功率函数求导来更新功率
Figure BDA0001583805770000094
其中，
Figure BDA0001583805770000095
Figure BDA0001583805770000096
在步骤S8中，步骤八：将所述步骤七中更新后的功率迭代进入所述步骤四，并重复步骤四到步骤七以获取最优功率。
在步骤S9中，步骤九：将所述步骤八中获取的所述最优功率带入代价函数中进行计算并取出计算后的数据。
在本实施方式中，在步骤九中，将所述代价函数作为联合有限差分算法的评价函数，其中，所述代价函数的公式为：c(t)＝(γ(t)-γth(t))2+ωp(t)-caching。
本发明提供的一种软件定义雾车联网资源分配方法，主要针对基于软件定义和雾计算的车联网络未来发展，提出一种新颖资源分配机制，并且提出了将平均场理论应用到功率控制中，通过联合有限差分算法实现代价函数的最小化，提高网络容量。本发明提出了车联网新的发展方向，新的机制，在保证用户服务质量和低时延的前提下，满足剧增的车辆用户和数据需求。同时，本发明以最小化每个小基站的代价为目标，综合考虑两层车联网络中的同层干扰、跨层干扰和基站缓存，将功率控制问题构建为平均场模型，采用联合有限差分算法不断调整小基站的发射功率，最终达到纳什均衡，最大限度地减少小基站的代价，使结果大限度接近理想值。
以下将对本发明所提供的一种软件定义雾车联网资源分配系统10进行详细说明。
请参阅图2，所示为本发明一实施方式中同时包括小基站与宏基站同频部署的系统应用架构示意图。如图2所示，其中包含一个宏基站，若干小基站及其车辆用户、宏车辆用户。
请参阅图3，所示为本发明一实施方式中软件定义雾车联网资源分配系统10的结构示意图。
在本实施方式中，软件定义雾车联网资源分配系统10，主要包括初始化模块11、计算模块12、构造模块13、第一更新模块14、判断模块15、第二更新模块16、迭代模块17和输出模块18。
初始化模块11，用于初始化小基站以及车辆用户端的各项参数及状态。
在本实施方式中，在所述初始化模块11中，所述各项参数及状态具体包括：
发射功率P、所述小基站的能量状态函数e和干扰状态函数β、所述小基站的缓存caching、空间状态函数state＝[e,βinterf]、对于每个时刻t以及每个状态state的初始化平均场函数m(t,state)。
计算模块12，用于根据所述各项参数及状态计算每一个车辆用户端到每一个小基站的路损增益和信干噪比。
在本实施方式中，在所述计算模块12中，所述信干噪比的计算公式为：
其中，
Figure BDA0001583805770000112
表示所述小基站到内部用户的信道增益，
Figure BDA0001583805770000113
表示所述小基站到其它基站用户的信道增益，和
Figure BDA0001583805770000115
分别代表宏基站和其它小基站对当前用户的干扰，σ2表示高斯噪声。
构造模块13，用于根据系统模型推导出FPK等式和HJB等式，并构造时间状态、能量状态、干扰状态的三维状态空间。
第一更新模块14，用于根据当前时刻平均场值和当前状态更新下一时刻平均场值。
在本实施方式中，在所述第一更新模块14中，更新下一时刻平均场值的更新公式为：
Figure BDA0001583805770000121
其中，Δt、Δe、Δβ分别表示时间、能量、干扰步长，
Figure BDA0001583805770000122
分别表示t时刻时在能量水平为j、干扰状态为k状态下的平均场值、功率、干扰增益因子。
判断模块15，用于判断所述车辆用户端在下一能量状态的功率值是否等于零，如果所述车辆用户端在下一能量状态的功率值等于零，则下一时刻下一状态下的平均场值与当前时刻当前状态时的平均场值相同，否则，下一时刻下一状态下的平均场值为零。
第二更新模块16，用于更新拉格朗日算子和功率。
在本实施方式中，在第二更新模块16中，通过将拉格朗日函数对平均场函数求导来更新拉格朗日算子并通过对功率函数求导来更新功率其中，
Figure BDA0001583805770000125
迭代模块17，用于将更新后的功率迭代进入第一更新模块14，并重复第一更新模块14、判断模块15、第二更新模块16以获取最优功率。
输出模块18，用于将获取的所述最优功率带入代价函数中进行计算并取出计算后的数据。
在本实施方式中，在所述输出模块18中，将所述代价函数作为联合有限差分算法的评价函数，其中，所述代价函数的公式为：c(t)＝(γ(t)-γth(t))2+ωp(t)-caching。
本发明提供的一种软件定义雾车联网资源分配系统10，主要针对基于软件定义和雾计算的车联网络未来发展，提出一种新颖资源分配机制，并且提出了将平均场理论应用到功率控制中，通过联合有限差分算法实现代价函数的最小化，提高网络容量。本发明提出了车联网新的发展方向，新的机制，在保证用户服务质量和低时延的前提下，满足剧增的车辆用户和数据需求。同时，本发明以最小化每个小基站的代价为目标，综合考虑两层车联网络中的同层干扰、跨层干扰和基站缓存，将功率控制问题构建为平均场模型，采用联合有限差分算法不断调整小基站的发射功率，最终达到纳什均衡，最大限度地减少小基站的代价，使结果大限度接近理想值。
本发明中，提出一种车联网中平均场功率控制模型以及一种实现代价最大限度减小的算法，小基站将选择最佳的车辆用户以获得最小代价。并假设所有的基站和用户都具有网络存储功能，并且每个小基站只服务一个车辆用户。小基站的代价函数最小化需要通过合理地选择所服务车辆用户以及功率的合理分配来实现。为了实现资源的合理分配，并且同时保证服务节点代价的最小化，本发明采用平均场理论对问题进行分析，采用松弛-弗里德里克斯(Lax-Friedrichs)方法来确定平均场策略，采用联合松弛-弗里德里克斯(Lax-Friedrichs)方法与拉格朗日算法来解决功率控制问题，然后，通过对平均场策略和功率控制交互迭代来最大限度地减小代价，提高网络容量。
值得注意的是，上述实施例中，所包括的各个单元只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
另外，本领域普通技术人员可以理解实现上述各实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，相应的程序可以存储于一计算机可读取存储介质中，所述的存储介质，如ROM/RAM、磁盘或光盘等。
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。

Claims (5)

1.一种软件定义雾车联网资源分配方法，其特征在于，所述方法包括：
步骤一：初始化小基站以及车辆用户端的各项参数及状态；
步骤二：根据所述各项参数及状态计算每一个车辆用户端到每一个小基站的路损增益和信干噪比；
步骤三：根据平均场博弈理论将问题分解为平均场和功率控制两种策略，分别对应求解FPK等式和HJB等式，并构造时间状态、能量状态、干扰状态的三维状态空间；
步骤四：根据当前时刻平均场值和当前状态更新下一时刻平均场值；
步骤五：判断所述车辆用户端在下一能量状态的功率值是否等于零；
步骤六：如果所述车辆用户端在下一能量状态的功率值等于零，则下一时刻下一状态下的平均场值与当前时刻当前状态时的平均场值相同，否则，下一时刻下一状态下的平均场值为零；
步骤七：更新拉格朗日算子和功率；
步骤八：将所述步骤七中更新后的功率迭代进入所述步骤四，并重复步骤四到步骤七以获取最优功率；
步骤九：将所述步骤八中获取的所述最优功率带入代价函数中进行计算并取出计算后的数据；
在步骤一中，所述各项参数及状态具体包括：
发射功率P、所述小基站的能量状态函数e和干扰状态函数β、所述小基站的缓存caching、空间状态函数state＝[e,βinterf]、对于每个时刻t以及每个状态state的初始化平均场函数m(t,state)；
在步骤四中，更新下一时刻平均场值的更新公式为：
Figure FDA0002266462170000011
其中，Δt、Δe、Δβ分别表示时间、能量、干扰步长，
Figure FDA0002266462170000012
分别表示t时刻时在能量水平为j、干扰状态为k状态下的平均场值、功率、干扰增益因子；
在步骤七中，通过将拉格朗日函数对平均场函数求导来更新拉格朗日算子
Figure FDA0002266462170000021
并通过对功率函数求导来更新功率
Figure FDA0002266462170000022
其中，
Figure FDA0002266462170000023
Figure FDA0002266462170000024
在步骤九中，将所述代价函数作为联合有限差分算法的评价函数，其中，所述代价函数的公式为：c(t)＝(γ(t)-γth(t))2+ωp(t)-caching。
2.如权利要求1所述的软件定义雾车联网资源分配方法，其特征在于，在步骤一中，利用平均场博弈模型将每一个小基站视为具有平等竞争关系的智能体，并使其达到纳什均衡以求得最优目标。
3.如权利要求1所述的软件定义雾车联网资源分配方法，其特征在于，在步骤二中，所述信干噪比的计算公式为：
Figure FDA0002266462170000025
其中，表示所述小基站到内部用户的信道增益，
Figure FDA0002266462170000027
表示所述小基站到其它基站用户的信道增益，
Figure FDA0002266462170000028
和
Figure FDA0002266462170000029
分别代表宏基站和其它小基站对当前用户的干扰，σ2表示高斯噪声。
4.一种软件定义雾车联网资源分配系统，其特征在于，所述系统包括：
初始化模块，用于初始化小基站以及车辆用户端的各项参数及状态；
计算模块，用于根据所述各项参数及状态计算每一个车辆用户端到每一个小基站的路损增益和信干噪比；
构造模块，用于根据平均场博弈理论将问题分解为平均场和功率控制两种策略，分别对应求解FPK等式和HJB等式，并构造时间状态、能量状态、干扰状态的三维状态空间；
第一更新模块，用于根据当前时刻平均场值和当前状态更新下一时刻平均场值；
判断模块，用于判断所述车辆用户端在下一能量状态的功率值是否等于零，如果所述车辆用户端在下一能量状态的功率值等于零，则下一时刻下一状态下的平均场值与当前时刻当前状态时的平均场值相同，否则，下一时刻下一状态下的平均场值为零；
第二更新模块，用于更新拉格朗日算子和功率；
迭代模块，用于将更新后的功率迭代进入所述第一更新模块，并重复所述第一更新模块、所述判断模块、所述第二更新模块以获取最优功率；
输出模块，用于将获取的所述最优功率带入代价函数中进行计算并取出计算后的数据；
在所述初始化模块中，所述各项参数及状态具体包括：
发射功率P、所述小基站的能量状态函数e和干扰状态函数β、所述小基站的缓存caching、空间状态函数state＝[e,βinterf]、对于每个时刻t以及每个状态state的初始化平均场函数m(t,state)；
在第一更新模块中，更新下一时刻平均场值的更新公式为：
Figure FDA0002266462170000031
其中，Δt、Δe、Δβ分别表示时间、能量、干扰步长，
Figure FDA0002266462170000032
分别表示t时刻时在能量水平为j、干扰状态为k状态下的平均场值、功率、干扰增益因子；
在第二更新模块中，通过将拉格朗日函数对平均场函数求导来更新拉格朗日算子
Figure FDA0002266462170000033
并通过对功率函数求导来更新功率
Figure FDA0002266462170000034
其中，
Figure FDA0002266462170000035
Figure FDA0002266462170000041
在输出模块中，将所述代价函数作为联合有限差分算法的评价函数，其中，所述代价函数的公式为：c(t)＝(γ(t)-γth(t))2+ωp(t)-caching。
5.如权利要求4所述的软件定义雾车联网资源分配系统，其特征在于，在所述计算模块中，所述信干噪比的计算公式为：
Figure FDA0002266462170000042
其中，表示所述小基站到内部用户的信道增益，表示所述小基站到其它基站用户的信道增益，和分别代表宏基站和其它小基站对当前用户的干扰，σ2表示高斯噪声。
CN201810163714.2A 2018-02-27 2018-02-27 一种软件定义雾车联网资源分配方法及其系统 Active CN108430103B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810163714.2A CN108430103B (zh) 2018-02-27 2018-02-27 一种软件定义雾车联网资源分配方法及其系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810163714.2A CN108430103B (zh) 2018-02-27 2018-02-27 一种软件定义雾车联网资源分配方法及其系统

Publications (2)

Publication Number Publication Date
CN108430103A CN108430103A (zh) 2018-08-21
CN108430103B true CN108430103B (zh) 2020-02-07

Family

ID=63157309

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810163714.2A Active CN108430103B (zh) 2018-02-27 2018-02-27 一种软件定义雾车联网资源分配方法及其系统

Country Status (1)

Country Link
CN (1) CN108430103B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110166980B (zh) * 2019-05-15 2022-04-15 南京邮电大学 高铁场景下分布式天线系统缓存约束的功率优化方法
CN111372216B (zh) * 2020-02-28 2021-10-01 中南大学 一种面向智能网联汽车的资源调度方法、系统及存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106358308A (zh) * 2015-07-14 2017-01-25 北京化工大学 一种超密集网络中的强化学习的资源分配方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106358308A (zh) * 2015-07-14 2017-01-25 北京化工大学 一种超密集网络中的强化学习的资源分配方法

Also Published As

Publication number Publication date
CN108430103A (zh) 2018-08-21

Similar Documents

Publication Publication Date Title
CN111132077B (zh) 车联网环境下基于d2d的多接入边缘计算任务卸载方法
CN107846714B (zh) 一种可见光通信与WiFi异构系统的切换方法及设备
CN109068391B (zh) 基于边缘计算和Actor-Critic算法的车联网通信优化算法
CN109951869B (zh) 一种基于云雾混合计算的车联网资源分配方法
CN107613555B (zh) 非正交多址接入蜂窝和终端直通密集网络资源管控方法
CN110505644B (zh) 用户任务卸载与资源分配联合优化方法
CN107613556B (zh) 一种基于功率控制的全双工d2d干扰管理方法
CN110753319B (zh) 异构车联网中面向异质业务的分布式资源分配方法及系统
TW201414330A (zh) 建構於適應性網路模糊推論系統之三層串接式認知引擎之方法及裝置
CN110058928B (zh) 异构车联网中基于鞅理论的计算任务分配方法
CN108901075A (zh) 一种基于gs算法的资源分配方法
CN108430103B (zh) 一种软件定义雾车联网资源分配方法及其系统
CN107302801B (zh) 一种5G混合场景下面向QoE的双层匹配博弈方法
CN113596785A (zh) 基于深度q网络的d2d-noma通信系统资源分配方法
CN112512121A (zh) 基于强化学习算法的无线电频谱动态分配方法及装置
CN108601036B (zh) 一种基于逐次凸逼近的车联网资源优化调度方法和装置
Qiu et al. Maintaining links in the highly dynamic fanet using deep reinforcement learning
CN114153515A (zh) 一种基于5g毫米波通信的高速公路车联网任务卸载算法
Wang et al. Computation offloading based on game theory in MEC-assisted V2X networks
CN104618934B (zh) 一种基于吞吐量预测的整体优化中继节点选择方法
CN115866787A (zh) 融合终端直传通信和多接入边缘计算的网络资源分配方法
CN116634500A (zh) 基于超图匹配计算与通信容量增强的d2d计算卸载方法
CN114189521B (zh) 在f-ran架构中协作计算卸载的方法
Wang et al. Joint offloading decision and resource allocation in vehicular edge computing networks
Wang et al. Optimization of time–frequency resource management based on probabilistic graphical models in railway Internet-of-Things networking

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