CN108601036B - 一种基于逐次凸逼近的车联网资源优化调度方法和装置 - Google Patents

一种基于逐次凸逼近的车联网资源优化调度方法和装置 Download PDF

Info

Publication number
CN108601036B
CN108601036B CN201810333335.3A CN201810333335A CN108601036B CN 108601036 B CN108601036 B CN 108601036B CN 201810333335 A CN201810333335 A CN 201810333335A CN 108601036 B CN108601036 B CN 108601036B
Authority
CN
China
Prior art keywords
optimization function
transmission rate
base station
dual
optimization
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
CN201810333335.3A
Other languages
English (en)
Other versions
CN108601036A (zh
Inventor
田杰
王晶
郭秉义
陆佃杰
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 CN201810333335.3A priority Critical patent/CN108601036B/zh
Publication of CN108601036A publication Critical patent/CN108601036A/zh
Application granted granted Critical
Publication of CN108601036B publication Critical patent/CN108601036B/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
    • H04W24/02—Arrangements for optimising operational condition
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/12—Wireless traffic scheduling
    • H04W72/1263—Mapping of traffic onto schedule, e.g. scheduled allocation or multiplexing of flows
    • 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

Abstract

本发明公开了一种基于逐次凸逼近的车联网资源优化调度方法和装置，该方法引入多数据流载波聚合技术，在最大化车联网下行通信网络传输速率目标下，将资源分配过程统一处理，通过上界算法、凸优化理论以及对偶技术，实现分布式资源调度；由于本发明考虑车辆用户可同时接收不同基站传输的数据，极大提高了系统频谱利用率，并且对于提出的分布式资源优化调度算法，经过若干次迭代，收敛速度快，得到的最优功率分配方案具有一定的实用性，适用于一系列现有的车联网场景架构，且能够在优化网络总效用的同时保障用户的速率需求。

Description

一种基于逐次凸逼近的车联网资源优化调度方法和装置
技术领域
本发明属于无线通信网络领域，具体涉及一种车联网通信系统中基于逐次凸逼近的车联网资源优化调度方法和装置。
背景技术
21世纪以来随着汽车的普及率的迅速提高，道路拥堵程度愈发严重，交通事故也频繁増加。交通智能化，缓解拥堵问题，减少安全事故，出行更具便捷可靠性等愈加成为人们关注的焦点。因此，智能交通系统(ITS)应运而生，为解决交通问题提供了技术支持，并且ITS 具有高效、实时、管理范围大等特点。随着无线通信技术和移动互联网业务的迅速发展，用户对多媒体业务的需求不断增加，但是由于车联网中车辆具有高速移动的特点，使得无线通信网络的设计和优化面临着巨大的挑战。“服务质量”(QoS)为车联网系统的设计提供了标准化的客观指标，也成为无线网络优化的主要目标。在车联网系统中，如何保障网络通信质量进而保证用户业务的服务质量需求提升用户业务体验，已成为车联网通信中亟需解决的关键问题。
车联网内资源优化分配与调度问题己经成为国内外研究和发展智能交通系统的重点方向。为了满足用户的服务需求，在车联网资源优化调度方面，现有的研究仅考虑一个用户最多从一个路边基站获取资源，这样不仅降低了网络资源的利用率同时也无法保障用户越来越高的服务质量需求。为了适应未来新的发展趋势，引入相应能显著提高频带利用率的网络技术成为一种强有力的解决方案。网络能效性能与基站功率分配方法密切相关，最优的功率分配方案也逐渐成为车联网资源优化调度问题中的一大准则。综上所述，在车辆网部署过程中，车联网通信质量的保障以及网络资源优化调度问题,尚缺乏有效的解决方案。
发明内容
为了克服上述现有技术的不足，本发明提供了一种基于逐次凸逼近的车联网资源优化调度方法和装置，实现车联网系统中在能够保障车辆用户服务需求的基础上，利用逐步凸逼近方法和拉格朗日对偶技术实现车联网网络资源的最优调度方案；该方法收敛速度快且计算复杂性低，满足车联网用户需求，实现了车联网功率资源的最优配置。
本发明所采用的技术方案是：
一种基于逐次凸逼近的车联网资源优化调度方法，该方法包括以下步骤：
搭建车联网系统模型；
建立各基站的传输功率模型和传输速率模型，将所有基站的传输速率模型加权求和，得到网络总传输速率模型；
根据网络总传输速率模型，建立最大化网络传输速率的第一优化函数；
对第一优化函数的变量进行整数缓和，采用逐次凸逼近方法以及对偶技术将第一优化函数转换为传输速率对偶凸的第五优化函数；
采用分布式迭代功率分配方法计算第五优化函数的的功率分配最优解。
进一步的，所述车联网系统模型包括U个车辆用户，S个基站，N个正交信道，每个信道分配W Hz带宽，同一基站内部向不同车辆用户传输数据时使用不同的信道，且每个车辆用户同时从不同的基站获取数据。
进一步的，所述基站的传输速率模型的建模方法为：
基于二进制指数变量
Figure RE-GDA0001668700030000021
计算车辆用户u与基站s关联并分配信道n时的信干噪比
Figure RE-GDA0001668700030000022
根据香农容量公式，将车辆用户u与基站s关联并分配信道n时的信干噪比的对数
Figure RE-GDA0001668700030000023
与信道宽带W相乘，得到车辆用户u与基站s关联并分配信道n时传输速率
Figure RE-GDA0001668700030000024
计算N个信号通道和U个车辆用户的传输速率
Figure RE-GDA0001668700030000025
的和，得到第s个基站的传输速率模型 Rs。
进一步的，所述基站的传输功率模型的建模方法为：
基于二进制指数变量
Figure RE-GDA0001668700030000026
计算当车辆用户u与基站s关联并分配信道n时，二进制指数变量
Figure RE-GDA0001668700030000027
和车辆用户u与基站s关联时在分配信道n上的分配功率
Figure RE-GDA0001668700030000028
的乘积
Figure RE-GDA0001668700030000029
将N个信号通道和U个车辆用户的
Figure RE-GDA00016687000300000210
求和，得到第s个基站的传输功率模型Ps。
进一步的，所述对第一优化函数的变量进行整数缓和，采用逐次凸逼近方法以及对偶技术将第一优化函数转换为传输速率对偶凸的第五优化函数的步骤包括：
采用上界算法对第一优化函数的变量进行整数缓和，将第一优化函数转换为第二优化函数；
采用逐次凸逼近方法以及对数变换将第二优化函数转化为具有标准凹结构的第三优化函数；
构建广义拉格朗日函数，将第三优化函数变形为功率优化的第四优化函数；
基于对偶函数，利用拉格朗日对偶性将功率优化的第四优化函数转化为传输速率对偶凸的第五优化函数。
进一步的，所述采用上界算法对第一优化函数的变量进行整数缓和，将第一优化函数转换为第二优化函数的步骤包括：
利用拉格朗日松弛定理将二进制指数变量
Figure RE-GDA0001668700030000031
缓和为位于区间[0，1]内的连续变量
Figure RE-GDA0001668700030000032
计算连续变量
Figure RE-GDA0001668700030000033
与车辆用户u与基站s关联时在分配信道n上的分配功率
Figure RE-GDA0001668700030000034
的乘积，得到车辆用户u与基站s关联时在分配信道n上的分配功率
Figure RE-GDA0001668700030000035
基于车辆用户u与基站s关联时在分配信道n上的分配功率
Figure RE-GDA0001668700030000036
计算车辆用户u与基站 s关联并分配信道n时的传输速率
Figure RE-GDA0001668700030000037
将N个信号通道和U个车辆用户的传输速率
Figure RE-GDA0001668700030000038
求和，得到变量放松后的各个基站的传输速率，
将变量缓和后的各个基站的传输速率进行加权求和，得到第二优化函数。
进一步的，采用逐次凸逼近方法将第二优化函数转换为具有标准凹函数的第三优化函数的步骤包括：
采用逐次凸逼近方法，得到各个基站的传输速率的下界和初始的近似系数；
采用对数变换方法，根据得到的初始的近似系数，将第二优化函数转化为具有标准凹结构的第三优化函数。
进一步的，所述采用分布式迭代功率分配方法计算第五优化函数的功率分配最优解的步骤包括：
(1)初始化迭代轮次、误差值Δ1以及Δ2、功率分配矩阵
Figure RE-GDA0001668700030000039
近似系数向量
Figure RE-GDA00016687000300000310
和
Figure RE-GDA00016687000300000311
以及对偶变量
Figure RE-GDA00016687000300000312
和
Figure RE-GDA00016687000300000313
(2)根据对偶变量的更新公式分别更新对偶变量值；
(3)开始迭代，根据对偶变量值计算功率分配最优解
Figure RE-GDA00016687000300000314
(4)判断对偶变量值是否满足收敛条件
Figure RE-GDA00016687000300000315
若不满足，则返回步骤(2)，否则进入步骤(5)；
(5)计算近似系数向量
Figure RE-GDA0001668700030000041
和
Figure RE-GDA0001668700030000042
判断近似系数值是否满足收敛条件
Figure RE-GDA0001668700030000043
Figure RE-GDA0001668700030000044
若不收敛，则返回步骤(2)，否则进入步骤(6)；
(6)根据功率分配最优解
Figure RE-GDA0001668700030000045
获得最优功率分配向量
Figure RE-GDA0001668700030000046
以及根据近似系数向量
Figure RE-GDA0001668700030000047
和
Figure RE-GDA0001668700030000048
获得最优系数向量
Figure RE-GDA0001668700030000049
和
Figure RE-GDA00016687000300000410
一种计算机装置，用于车联网资源优化调度，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，所述处理器执行所述程序时实现以下步骤，包括：
搭建车联网系统模型；
建立各基站的传输功率模型和传输速率模型，将所有基站的传输速率模型加权求和，得到网络总传输速率模型；
根据网络总传输速率模型，建立最大化网络传输速率的第一优化函数；
对第一优化函数的变量进行整数缓和，采用逐次凸逼近方法和对偶技术将第一优化函数转换为传输速率对偶凸的第五优化函数；
采用分布式迭代功率分配方法计算第五优化函数的的功率分配最优解。
一种计算机可读存储介质，其上存储有用于车联网资源优化调度的计算机程序，该程序被处理器执行时实现以下步骤：
搭建车联网系统模型；
建立各基站的传输功率模型和传输速率模型，将所有基站的传输速率模型加权求和，得到网络总传输速率模型；
根据网络总传输速率模型，建立最大化网络传输速率的第一优化函数；
对第一优化函数的变量进行整数缓和，采用逐次凸逼近方法和对偶技术将第一优化函数转换为传输速率对偶凸的第五优化函数；
采用分布式迭代功率分配方法计算第五优化函数的的功率分配最优解。
与现有技术相比，本发明的有益效果是：
(1)本发明在车辆网系统中能够保障车辆用户服务需求的基础上，利用逐步凸逼近方法和拉格朗日对偶技术实现车联网网络资源的最优调度方案，该方法收敛速度快且计算复杂性低，满足车联网用户需求，实现了车联网功率资源的最优配置；
(2)本发明考虑了车辆用户可以同时从多个基站接收数据，提高了频谱利用率，极大地满足了用户的服务需求；并且本发明利用上界算法以及逐次凸逼近算法将原始问题转化为网络传输速率凸优化问题，且利用KKT条件直接求得功率分配最优解，大大降低了计算复杂度；
(3)本发明设计了分布式迭代凸优化功率分配方法，迭代更新路边基站最优功率分配方案，同时获得对偶最优点，该方法收敛速度快，且显著提高了系统的传输速率，具有较强实用性。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
图1是本发明下行车联网的系统模型图；
图2是基于逐次凸逼近的车联网资源优化调度方法流程图；
图3是基于逐次凸逼近的分布式迭代功率分配算法流程图。
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，本文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。
正如背景技术所介绍的，现有技术中存在仅考虑一个用户最多从一个路边基站获取资源，这样不仅降低了网络资源的利用率同时也无法保障用户越来越高的服务质量需求的不足，为了解决如上的技术问题，本申请提出了一种基于逐次凸逼近的车联网资源优化调度方法和装置，实现车联网系统中在能够保障车辆用户服务需求的基础上，利用逐步凸逼近方法和拉格朗日对偶技术实现车联网网络资源的最优调度方案；该方法收敛速度快且计算复杂性低，满足车联网用户需求，实现了车联网功率资源的最优配置。
本申请的一种典型的实施方式中，如图2所示，提供了一种基于逐次凸逼近的车联网资源优化调度方法，该方法包括以下步骤：
步骤1：如图1所示，建立一个车联网系统模型，包括U个不同车辆用户，S个基站，N个正交信道。每个信道分配WHz带宽，同一基站内部向不同车辆用户传输数据时使用不同的信道，且每个车辆用户可以同时从不同的基站获取数据。
步骤2：以车联网场景中的下行链路传输过程为例，分析并建立网络中任意基站的传输速率模型和发射功率模型，进而得到网络总传输速率模型。
为了构建步骤2中的传输速率模型和输出功率模型，引入一个二进制指数变量
Figure RE-GDA0001668700030000061
Figure RE-GDA0001668700030000062
表示用户u与基站s关联时是否分配信道n，其中
Figure RE-GDA0001668700030000063
表示用户u与基站s 关联时分配信道n。由于同一基站服务区域内信道分配的正交性，所以对于任意基站s，信道n 最多分配给一个用户，即
Figure RE-GDA0001668700030000064
因此，第s个基站的传输功率模型Ps可表示为：
Figure RE-GDA0001668700030000065
由香农容量公式可知，当用户u与基站s关联并分配信道n时可实现的传输速率建模如下：
Figure RE-GDA0001668700030000066
其中，
Figure RE-GDA0001668700030000067
为车辆用户u与基站s关联并分配信道n时的信干噪比，可表示为：
Figure RE-GDA0001668700030000068
其中，
Figure RE-GDA0001668700030000069
表示二进制指数变量，
Figure RE-GDA00016687000300000610
表示车辆用户u与基站s关联时在分配信道n上的分配功率，
Figure RE-GDA00016687000300000611
表示车辆用户u与基站s关联时在分配信道n上的信道功率增益， N0表示噪声密度。
因此，第s个基站的传输速率模型可表示为：
Figure RE-GDA00016687000300000612
因此，网络总传输速率模型为所有基站的传输速率模型加权和，即
Figure RE-GDA00016687000300000613
其中λs(λs≥0) 表示网络运营商预先分配给基站s的权重因子。
步骤3：根据步骤2构建的网络总传输速率模型，最大化网络传输速率问题可建模为如下第一优化函数P1：
P1:
Figure RE-GDA0001668700030000071
其中，三维矩阵
Figure RE-GDA0001668700030000072
功率分配向量
Figure RE-GDA0001668700030000073
表示二进制指数变量，
Figure RE-GDA0001668700030000074
表示车辆用户u与基站s关联时在分配信道n上的分配功率；
Figure RE-GDA0001668700030000075
为网络总传输速率模型；λs为网络运营商预先分配给基站s的权重因子；Rs为第s个基站的传输速率模型。
约束条件为：
Figure RE-GDA0001668700030000076
Figure RE-GDA0001668700030000077
Figure RE-GDA0001668700030000078
Figure RE-GDA0001668700030000079
Figure RE-GDA00016687000300000710
上式中，
Figure RE-GDA00016687000300000711
表示第u个用户最小的速率需求；
Figure RE-GDA00016687000300000712
表示基站s最大的传输速率限制；
Figure RE-GDA00016687000300000713
表示基站s最大的传输功率限制。
约束条件1是为了保障同一基站内信道分配的正交性；约束条件2是为了保障车联网中各车辆用户的服务质量(QoS)需求，即最小速率需求；约束3和约束4分别表示任意基站都有最大回程容量约束和最大传输功率限制；约束5是为了保障当用户u与基站s关联并分配信道n时可实现的传输功率数值的非负性。
步骤4：为了求解步骤3中所建模的第一优化函数，首先利用上界算法对变量进行整数放松，利用拉格朗日松弛定理避免二元变量，将二进制指数变量
Figure RE-GDA00016687000300000714
放松为位于区间[0，1]内的连续变量
Figure RE-GDA00016687000300000715
此时，步骤3所示的第一优化函数P1转换为第二优化函数P2，具体描述如下：
P2：
Figure RE-GDA0001668700030000081
约束条件为：
Figure RE-GDA0001668700030000082
Figure RE-GDA0001668700030000083
Figure RE-GDA0001668700030000084
Figure RE-GDA0001668700030000085
在第二优化函数P2中，车辆用户u与基站s关联时在分配信道n上的分配功率
Figure RE-GDA0001668700030000086
则车辆用户u与基站s关联并分配信道n时的传输速率
Figure RE-GDA0001668700030000087
为：
Figure RE-GDA0001668700030000088
因此，任意基站s的发射功率和传输速率可分别表示为
Figure RE-GDA0001668700030000089
和
Figure RE-GDA00016687000300000810
由于第一优化函数P1中约束条件1的松弛，第二优化函数P2可以看作是第一优化函数 P1的上界。基站s的可改写为如下形式：
Figure RE-GDA00016687000300000811
上述函数为非凹结构，而求解非凸优化问题的最优解一般是较难实现的。
步骤5：根据步骤4中得到的基站s的优化目标传输速率
Figure RE-GDA00016687000300000812
是难以直接获得最优解的非凸优化问题，本发明提出利用逐次凸逼近方法(Successive Convex Approximationmethod)将目标函数近似为一系列凸函数进行求解。
给定
Figure RE-GDA00016687000300000813
的下界：
Figure RE-GDA00016687000300000814
其中，
Figure RE-GDA0001668700030000091
和
Figure RE-GDA0001668700030000092
分别表示近似系数向量；
其中，该不等式近似等于基站传输速率确切值的情况为满足以下两公式：
Figure RE-GDA0001668700030000093
Figure RE-GDA0001668700030000094
当满足
Figure RE-GDA0001668700030000095
时，该不等式近似等于确切值，而
Figure RE-GDA0001668700030000096
和
Figure RE-GDA0001668700030000097
也会在迭代求解资源分配最优值的过程中不断更新，直至其收敛，即当前迭代与上一次迭代中相应值误差不超过最大容忍度Δ1，此时给定近似系数
Figure RE-GDA0001668700030000098
和
Figure RE-GDA0001668700030000099
此时，步骤4中的目标函数可近似为：
Figure RE-GDA00016687000300000910
可以看出此时的函数仍是非凹结构，本发明进一步提出采用对数变换的方法，令
Figure RE-GDA00016687000300000911
即
Figure RE-GDA00016687000300000912
此时上述非凹函数转换为标准的凹结构。
初始给定的
Figure RE-GDA00016687000300000913
和
Figure RE-GDA00016687000300000914
后，步骤4中的第二优化函数转换为具有标准凹结构的第三优化函数，表示如下：
P3：
Figure RE-GDA00016687000300000915
约束条件为：
Figure RE-GDA00016687000300000916
Figure RE-GDA00016687000300000917
Figure RE-GDA00016687000300000918
其中，
Figure RE-GDA00016687000300000919
的表达式为：
Figure RE-GDA0001668700030000101
其具有标准的凹结构。
步骤6：考虑到步骤5中所构建的第三优化函数P3具有标准的凹结构，通过构建广义拉格朗日函数，对第三优化函数P3进行变形：
Figure RE-GDA0001668700030000102
其中，μ、ν和ω是对偶变量；μμ、νs和ωs分别表示用户u、基站s以及基站s分别所对应的对偶变量。
此时步骤5中的第三优化函数P3转化为功率分配的第四优化函数P4，具体描述如下：
P4：
Figure RE-GDA0001668700030000103
此时，其KKT条件，即最优点
Figure RE-GDA0001668700030000104
需满足的条件具体表示如下：
Figure RE-GDA0001668700030000105
Figure RE-GDA0001668700030000106
Figure RE-GDA0001668700030000107
Figure RE-GDA0001668700030000108
Figure RE-GDA0001668700030000109
其中，对于第一个KKT条件进行化简得到
Figure RE-GDA0001668700030000111
然后利用对上式进行转化，可以看出第一个KKT条件中变量
Figure RE-GDA0001668700030000112
易于表达，表达形式如下：
Figure RE-GDA0001668700030000113
此时唯一的功率分配最优解
Figure RE-GDA0001668700030000114
可以由上式得到，表示该求得的最优解也同时满足其他 KKT条件。
步骤7：考虑到步骤6中的功率分配的第四优化函数P4以及μ、ν和ω三个对偶变量，引入对偶函数h(μ，v，ω)，可表示为：
Figure RE-GDA0001668700030000115
可看出对偶函数h(μ，v，ω)是关于变量μ、v和ω的极大值函数，所以该对偶函数定为一凸函数。再根据强对偶性质，如果原始问题是凸优化问题，则其对偶最优解等于原始最优解，利用拉格朗日对偶性将功率优化的第四优化函数转化为对偶凸的第五优化函数，其表示形式如下：
P5：
Figure RE-GDA0001668700030000116
求解优化问题P5时采用分布式迭代功率分配算法求解功率分配策略，其中，k是迭代指数，φμ，φν，φω是足够小的步长，所采用的分布式迭代功率分配算法具体求解步骤如下：
(1)初始化迭代轮次、误差值Δ1以及Δ2、功率分配矩阵
Figure RE-GDA0001668700030000117
近似系数向量
Figure RE-GDA0001668700030000118
和
Figure RE-GDA0001668700030000119
以及对偶变量
Figure RE-GDA00016687000300001110
和
Figure RE-GDA00016687000300001111
(2)开始迭代，根据公式(11)、(12)、(13)分别对偶变量
Figure RE-GDA00016687000300001112
和
Figure RE-GDA00016687000300001113
进行更新；
Figure RE-GDA0001668700030000121
Figure RE-GDA0001668700030000122
Figure RE-GDA0001668700030000123
式中，φμ，φν，φω分别表示三个对偶变量μ、ν和ω所对应的足够小的步长；
(3)开始迭代，根据公式(10)计算功率分配最优解
Figure RE-GDA0001668700030000124
(4)判断对偶变量值是否满足收敛条件
Figure RE-GDA0001668700030000125
若不满足，则返回步骤(2)，重复步骤(3)进行迭代，直到满足迭代终止条件；否则进入步骤(5)，则进入外部循环；
(5)根据公式(6)和公式(7)计算近似系数向量
Figure RE-GDA0001668700030000126
和
Figure RE-GDA0001668700030000127
并判断
Figure RE-GDA0001668700030000128
和
Figure RE-GDA0001668700030000129
是否满足收敛条件
Figure RE-GDA00016687000300001210
若不收敛，则返回步骤(2)，否则进入步骤(6)。退出外部循环；
(6)根据功率分配最优解
Figure RE-GDA00016687000300001211
获得最优功率分配向量
Figure RE-GDA00016687000300001212
以及根据近似系数向量
Figure RE-GDA00016687000300001213
和
Figure RE-GDA00016687000300001214
获得最优系数向量
Figure RE-GDA00016687000300001215
和
Figure RE-GDA00016687000300001216
本发明提出的基于逐次凸逼近的车联网资源优化调度方法，考虑了车辆用户可以同时从多个基站接收数据，提高了频谱利用率，极大地满足了用户的服务需求。并且本发明利用上界算法、逐次凸逼近算法将原始问题转化为网络传输速率凸优化问题，且利用KKT条件直接求得功率分配最优解，大大降低了计算复杂度。
本发明提出的基于逐次凸逼近的车联网资源优化调度方法，还设计了分布式迭代凸优化功率分配方法，迭代更新路边基站最优功率分配方案，同时获得对偶最优点，该方法收敛速度快，且显著提高了系统的传输速率，具有较强实用性。
本申请的另一种典型实施方式，提供了一种计算机装置，用于车联网资源优化调度，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，所述处理器执行所述程序时实现以下步骤，包括：
搭建车联网系统模型；
建立各基站的传输功率模型和传输速率模型，将所有基站的传输速率模型加权求和，得到网络总传输速率模型；
根据网络总传输速率模型，建立最大化网络传输速率的第一优化函数；
对第一优化函数的变量进行整数缓和，采用逐次凸逼近方法以及对偶技术将第一优化函数转换为传输速率对偶凸的第五优化函数；
采用分布式迭代功率分配方法计算第五优化函数的的功率分配最优解。
本申请的又一种典型实施方式，提供了一种计算机可读存储介质，其上存储有用于车联网资源优化调度的计算机程序，该程序被处理器执行时实现以下步骤：
搭建车联网系统模型；
建立各基站的传输功率模型和传输速率模型，将所有基站的传输速率模型加权求和，得到网络总传输速率模型；
根据网络总传输速率模型，建立最大化网络传输速率的第一优化函数；
对第一优化函数的变量进行整数缓和，采用逐次凸逼近方法以及对偶技术将第一优化函数转换为传输速率对偶凸的第五优化函数；
采用分布式迭代功率分配方法计算第五优化函数的的功率分配最优解。
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 (5)

1.一种基于逐次凸逼近的车联网资源优化调度方法，其特征是，包括以下步骤：
搭建车联网系统模型；所述车联网系统模型包括U个车辆用户，S个基站，N个正交信道，每个信道分配W Hz带宽，同一基站内部向不同车辆用户传输数据时使用不同的信道，且每个车辆用户同时从不同的基站获取数据；建立各基站的传输功率模型和传输速率模型，将所有基站的传输速率模型加权求和，得到网络总传输速率模型；所述基站的传输功率模型的建模方法为：
基于二进制指数变量
Figure FDA0002949946750000011
计算当车辆用户u与基站s关联并分配信道n时，二进制指数变量
Figure FDA0002949946750000012
和车辆用户u与基站s关联时在分配信道n上的分配功率
Figure FDA0002949946750000013
的乘积
Figure FDA0002949946750000014
将N个信号通道和U个车辆用户的
Figure FDA0002949946750000015
求和，得到第s个基站的传输功率模型Ps；所述基站的传输速率模型的建模方法为：
基于二进制指数变量
Figure FDA0002949946750000016
计算车辆用户u与基站s关联并分配信道n时的信干噪比
Figure FDA0002949946750000017
根据香农容量公式，将车辆用户u与基站s关联并分配信道n时信干噪比的对数
Figure FDA0002949946750000018
与信道宽带W相乘，得到车辆用户u与基站s关联并分配信道n时传输速率
Figure FDA0002949946750000019
计算N个信号通道和U个车辆用户的传输速率
Figure FDA00029499467500000110
的和，得到第s个基站的传输速率模型Rs；
根据网络总传输速率模型，建立最大化网络传输速率的第一优化函数；
对第一优化函数的变量进行整数缓和，采用逐次凸逼近方法以及对偶技术将第一优化函数转换为传输速率对偶凸的第五优化函数；所述对第一优化函数的变量进行整数缓和，采用逐次凸逼近方法以及对偶技术将第一优化函数转换为传输速率对偶凸的第五优化函数的步骤包括：
采用上界算法对第一优化函数的变量进行整数缓和，将第一优化函数转换为第二优化函数；
采用逐次凸逼近方法以及对数变换将第二优化函数转化为具有标准凹结构的第三优化函数；
构建广义拉格朗日函数，将第三优化函数变形为功率优化的第四优化函数；
基于对偶函数，利用拉格朗日对偶性将功率优化的第四优化函数转化为传输速率对偶凸的第五优化函数；
采用分布式迭代功率分配方法计算第五优化函数的功率分配最优解；
所述采用分布式迭代功率分配方法计算第五优化函数的功率分配最优解的步骤包括：
(1)初始化迭代轮次、误差值Δ1以及Δ2、功率分配矩阵
Figure FDA0002949946750000021
近似系数向量
Figure FDA0002949946750000022
和
Figure FDA0002949946750000023
以及对偶变量
Figure FDA0002949946750000024
和
Figure FDA0002949946750000025
(2)根据对偶变量的更新公式分别更新对偶变量值；
(3)开始迭代，根据对偶变量值计算功率分配最优解
Figure FDA0002949946750000026
(4)判断对偶变量值是否满足收敛条件
Figure FDA0002949946750000027
若不满足，则返回步骤(2)，否则进入步骤(5)；
(5)计算近似系数向量
Figure FDA0002949946750000028
和
Figure FDA0002949946750000029
判断其是否满足收敛条件
Figure FDA00029499467500000210
Figure FDA00029499467500000211
若不收敛，则返回步骤(2)，否则进入步骤(6)；
(6)根据功率分配最优解
Figure FDA00029499467500000212
获得最优功率分配向量
Figure FDA00029499467500000213
以及根据近似系数向量
Figure FDA00029499467500000214
和
Figure FDA00029499467500000215
获得最优系数向量
Figure FDA00029499467500000216
和
Figure FDA00029499467500000217
2.根据权利要求1所述的基于逐次凸逼近的车联网资源优化调度方法，其特征是，所述采用上界算法对第一优化函数的变量进行整数缓和，将第一优化函数转换为第二优化函数的步骤包括：
利用拉格朗日松弛定理将二进制指数变量
Figure FDA0002949946750000031
缓和为位于区间[0，1]内的连续变量
Figure FDA0002949946750000032
计算连续变量
Figure FDA0002949946750000033
与车辆用户u与基站s关联时在分配信道n上的分配功率
Figure FDA0002949946750000034
的乘积，得到车辆用户u与基站s关联时在分配信道n上的分配功率
Figure FDA0002949946750000035
基于车辆用户u与基站s关联时在分配信道n上的分配功率
Figure FDA0002949946750000036
计算车辆用户u与基站s关联并分配信道n时的传输速率
Figure FDA0002949946750000037
将N个信号通道和U个车辆用户的传输速率
Figure FDA0002949946750000038
求和，得到变量放松后的各个基站的传输速率，
将变量缓和后的各个基站的传输速率进行加权求和，得到第二优化函数。
3.根据权利要求1所述的基于逐次凸逼近的车联网资源优化调度方法，其特征是，采用逐次凸逼近方法将第二优化函数转换为具有标准凹函数的第三优化函数的步骤包括：
采用逐次凸逼近方法，得到各个基站的传输速率的下界和初始的近似系数；
采用对数变换方法，根据得到的初始的近似系数，将第二优化函数转化为具有标准凹结构的第三优化函数。
4.一种计算机装置，用于车联网资源优化调度，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如权利要求1-3所述的方法的步骤，包括：
搭建车联网系统模型；所述车联网系统模型包括U个车辆用户，S个基站，N个正交信道，每个信道分配W Hz带宽，同一基站内部向不同车辆用户传输数据时使用不同的信道，且每个车辆用户同时从不同的基站获取数据；
建立各基站的传输功率模型和传输速率模型，将所有基站的传输速率模型加权求和，得到网络总传输速率模型；
根据网络总传输速率模型，建立最大化网络传输速率的第一优化函数；
对第一优化函数的变量进行整数缓和，采用逐次凸逼近方法和对偶技术将第一优化函数转换为传输速率对偶凸的第五优化函数；
采用分布式迭代功率分配方法计算第五优化函数的功率分配最优解。
5.一种计算机可读存储介质，其上存储有用于车联网资源优化调度的计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-3所述方法的步骤：
搭建车联网系统模型；所述车联网系统模型包括U个车辆用户，S个基站，N个正交信道，每个信道分配W Hz带宽，同一基站内部向不同车辆用户传输数据时使用不同的信道，且每个车辆用户同时从不同的基站获取数据；
建立各基站的传输功率模型和传输速率模型，将所有基站的传输速率模型加权求和，得到网络总传输速率模型；
根据网络总传输速率模型，建立最大化网络传输速率的第一优化函数；
对第一优化函数的变量进行整数缓和，采用逐次凸逼近方法和对偶技术将第一优化函数转换为传输速率对偶凸的第五优化函数；
采用分布式迭代功率分配方法计算第五优化函数的功率分配最优解。
CN201810333335.3A 2018-04-13 2018-04-13 一种基于逐次凸逼近的车联网资源优化调度方法和装置 Active CN108601036B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810333335.3A CN108601036B (zh) 2018-04-13 2018-04-13 一种基于逐次凸逼近的车联网资源优化调度方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810333335.3A CN108601036B (zh) 2018-04-13 2018-04-13 一种基于逐次凸逼近的车联网资源优化调度方法和装置

Publications (2)

Publication Number Publication Date
CN108601036A CN108601036A (zh) 2018-09-28
CN108601036B true CN108601036B (zh) 2021-08-17

Family

ID=63622580

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810333335.3A Active CN108601036B (zh) 2018-04-13 2018-04-13 一种基于逐次凸逼近的车联网资源优化调度方法和装置

Country Status (1)

Country Link
CN (1) CN108601036B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109523827A (zh) * 2018-12-24 2019-03-26 广东电网有限责任公司 一种地下车场停车系统
CN111555264B (zh) * 2020-04-03 2021-10-29 浙江工业大学 基于分布式连续凸逼近非凸优化的电力系统经济调度方法
CN111510882B (zh) * 2020-04-07 2022-09-13 江南大学 基于用户体验质量的车联网频谱资源分配方法及系统
CN114245345B (zh) * 2021-11-25 2024-04-19 西安电子科技大学 面向不完美信道状态信息的车联网功率控制方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103501543A (zh) * 2013-10-18 2014-01-08 北京大学 车联网中基于时分多址的资源调度方案
CN107635186A (zh) * 2016-07-12 2018-01-26 中兴通讯股份有限公司 一种车联网资源分配的方法、车联网终端及网络侧设备
CN107682838A (zh) * 2017-11-20 2018-02-09 哈尔滨工业大学 车联网通信联合集中式资源调度和自组织资源分配方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7864697B2 (en) * 2007-08-03 2011-01-04 John Papandriopoulos Adapted method for spectrum management of digital communication systems
US10638478B2 (en) * 2015-04-01 2020-04-28 Huawei Technologies Co., Ltd. Method and system for distributed resource management in vehicular ad-hoc networks

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103501543A (zh) * 2013-10-18 2014-01-08 北京大学 车联网中基于时分多址的资源调度方案
CN107635186A (zh) * 2016-07-12 2018-01-26 中兴通讯股份有限公司 一种车联网资源分配的方法、车联网终端及网络侧设备
CN107682838A (zh) * 2017-11-20 2018-02-09 哈尔滨工业大学 车联网通信联合集中式资源调度和自组织资源分配方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Distributed Channel Allocation and Rate Control for Hybrid FSO/RF Vehicular Ad Hoc Networks;Zhou kai xiong 等;《IEEE/OSA Journal of Optical Communications and Networking 》;20170831;第9卷(第8期);全文 *
基于对车联网中传输调度与资源分配相结合的内容下载研究;张靖雯;《山东工业技术》;20170630;全文 *

Also Published As

Publication number Publication date
CN108601036A (zh) 2018-09-28

Similar Documents

Publication Publication Date Title
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
CN111314889B (zh) 车联网中基于移动边缘计算的任务卸载与资源分配方法
CN109413724B (zh) 一种基于mec的任务卸载和资源分配方案
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
CN109842931B (zh) 一种基于noma的d2d蜂窝系统资源分配方法
CN111372314A (zh) 基于移动边缘计算场景下的任务卸载方法及任务卸载装置
CN106912079B (zh) 一种缓存异构网络中联合用户接入选择及资源分配方法
CN108924796B (zh) 一种资源分配及卸载比例联合决策的方法
CN108495340B (zh) 一种基于异构混合缓存的网络资源分配方法和装置
CN112737842B (zh) 空地一体化车联网中基于最小化时延的任务安全卸载方法
CN111031513A (zh) 一种多无人机辅助物联网通信方法及其系统
CN104159311B (zh) 一种基于凸优化方法的认知异构网络联合资源分配的方法
CN113625751B (zh) 面向空地一体联邦学习的无人机位置与资源联合优化方法
CN111629352B (zh) 一种5G蜂窝网中基于Underlay模式的V2X资源分配方法
Zhu et al. Joint optimal allocation of wireless resource and MEC computation capability in vehicular network
Tan et al. Joint offloading and resource allocation based on UAV-assisted mobile edge computing
CN110602722B (zh) 一种基于noma的联合内容推送和传输的设计方法
CN114153515B (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
CN109831759B (zh) 一种基于软件定义无线网络的三维d2d匹配算法
CN107172574B (zh) 一种d2d用户对与蜂窝用户共享频谱的功率分配方法
CN107835514B (zh) 一种多宿主业务场景下无线网络资源匹配的建模方法
CN112887937B (zh) 一种基于路侧设备辅助的终端设备视频信息协作上传方法
CN113507712B (zh) 一种基于交替方向乘子的资源分配与计算任务卸载方法
CN114501550A (zh) 一种车联网中基于noma的多任务卸载方法
CN113141656A (zh) 基于改进的模拟退火的noma跨层功率分配方法和装置

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