CN108712746A - 一种部分重叠信道聚合博弈模型及学习算法 - Google Patents

Abstract

本发明公开了一种部分重叠信道聚合博弈模型及学习算法。该模型为：考虑正则网络中异构业务需求的用户，将部分重叠信道模型和信道聚合技术相结合，构建相应的干扰模型，通过调整信道聚合策略，优化网络吞吐量。算法为：构建局部合作博弈模型，参与者是网络内所有用户；各用户将其他用户划分为邻居用户和非邻居用户；各用户随机选择一个信道聚合策略进行接入，计算所有能够选择的信道聚合策略对应的效用函数，用户选择能带来最优效用的信道聚合策略进行接入；循环迭代，直至所有用户的信道选择实现收敛或者达到设定的迭代次数；循环结束后计算全网吞吐量。本发明有效地减少了用户之间的干扰，提高了网络的数据吞吐量。

Description

一种部分重叠信道聚合博弈模型及学习算法

技术领域

本发明属于无线通信技术领域，特别是一种部分重叠信道聚合博弈模型及学习算法。

背景技术

频谱资源的短缺和业务流量的增加已经成为通信领域中的一个重要问题，这使得无线网络中如何实现频谱资源的高效利用的变得越来越重要。针对这个问题，有人提出了一个部分重叠信道的无线接入模型(参考文献：Yong Cui,Wei Li,Xiuzhen Cheng,“Partially Overlapping Channel Assignment Based on Node Orthogonality for802.11Wireless Networks,”Proc.2012IEEE INFOCOM,pp.361-365,2012.)来提高频谱资源利用率；有人提出了在正交信道的场景下提出了信道聚合(参考文献：Shaunak Joshi,Przemyslaw Pawelczak,Danijela Cabric,John Villasenor,“When Channel Bonding isBeneficial for Opportunistic Spectrum Access Networks”,IEEE Transactions onWireless Communications,vol.11,no.11,pp.3942-3956,2012.)的接入方式，增加用户的接入速率。然而，目前关于部分重叠信道的研究较少，现有的研究大部分都只是关注用户功率的控制和单信道场景下的信道选择，没有在考虑用户业务需求的情况下将工作扩展到多信道。

目前关于部分重叠信道的研究中，有相关研究(参考文献：Yuhua Xu,Qihui Wu,Jinlong Wang,Liang Shen,and Alagan Anpalagan,“Opportunistic Spectrum AccessUsing Partially Overlapping Channels:Graphical Game and Uncoupled Learning,”IEEE Transactions on Communications,vol.61,no.9,September,2013.)将部分重叠信道应用于机会频谱接入场景中；有研究工作(参考文献：Pei Huang,Xi Yang,Li Xiao,“Dynamic Channel Bonding:Enabling Flexible Spectrum Aggregation”,IEEETransactions on Mobile Computing,vol.15,no.12,pp.3042-3056,2016.)关注了动态信道聚合的问题。但目前少有研究人员将部分重叠信道和信道聚合结合后干扰模型和频谱资源优化进行研究，因此用户之间存在很多干扰，网络吞吐量较小。

发明内容

本发明的目的在于提供一种部分重叠信道聚合博弈模型及学习算法，在部分重叠信道场景下面向业务需求，通过信道聚合技术提高网络吞吐量。

实现本发明目的的技术解决方案为：一种部分重叠信道聚合博弈模型，对于无线网络中具有频谱资源需求的任意节点，将其他用户按照通信范围分为邻居用户和非邻居用户；在用户信道接入时，通过调整用户的信道聚合策略和信道选择策略，使用户满足通信业务需求，从而达到用户与其邻居用户吞吐量之和最大的目标。

一种基于部分重叠信道聚合博弈模型的学习算法，包括以下步骤：

步骤1，将用户的信道聚合和选择问题建模为局部合作博弈模型，博弈的参与者是网络内所有具有频谱资源需求的用户；

步骤2，针对选中用户，将其他用户按照通信范围是否在一跳范围内，分为邻居用户和非邻居用户，并定义效用函数；

步骤3，随机选择一个用户，根据其业务需求情况确定信道聚合策略，然后根据邻居用户的信道选择情况，利用效用函数计算选中用户接入各个信道的效用函数值；选中用户在能够满足业务需求的信道中，选择使该用户和邻居用户吞吐量之和最大的信道进行接入；

步骤4，循环步骤3，用户通过探索学习进行信道接入选择，直至所有用户的信道选择实现收敛，或者达到设定的迭代次数。

进一步地，步骤1所述的将用户信道聚合选择问题建模为局部合作博弈模型，该博弈模型定义为：

其中中包含四个组成部分，其中，为参与博弈的用户集合，为用户n的可选择联盟策略空间，为用户n一跳范围内的邻居用户，u_n为用户n的效用函数。

进一步地，步骤3所述的随机选择一个用户，根据其业务需求情况确定信道聚合策略，然后根据邻居用户的信道选择情况，利用效用函数计算选中用户接入各个信道的效用函数值，具体如下：

定义用户n的邻居集合为用户n的信道聚合策略为 其中s_n为用户n的信道聚合策略，c_ni为连续的信道编号；设定用户n总功率为P，在各个信道上功率相同，则用户i在信道j上的功率为为P_i ^j；用户n和用户i的物理距离为d_in，衰落系数为α，则用户n在信道c_nl上受到的干扰是：

其中，a_-n为其他用户的策略，s_i为用户i的信道聚合数目；

其中，H(c_nl,c_ij)为信道距离衰落因子，且：

用户n受到的所有干扰为：

其中，l＝1,...,s_n为用户n选择的信道编号，s_n为信道聚合策略；

用户n的吞吐量为：

其中，B为带宽，N₀为噪声功率，D_range为用户发射端到接收端的距离，用户n在信道l上的功率为 为用户n在l信道上受到的干扰之和；

从而得到网络全局的吞吐量：

博弈的优化目标：定义全网吞吐量R为优化目标U，通过调整信道策略，以式(3)的效用函数r_n进行信道选择接入，使得全网吞吐量得到最大：

(P1):max U (5)

利用局部合作博弈模型，优化式(4)、(5)，得到用户效用函数和目标函数如下：

其中，r_k(a_n,a_-n)为用户k的吞吐量。

进一步地，步骤3所述的选中用户在可以满足业务需求的信道中，选择可以使该用户和邻居用户吞吐量之和最大的信道进行接入，具体如下：

(1)初始化，第j＝0个时隙，每个用户n∈N随机选择一个信道接入策略；

(2)探测：对于选中的用户n，利用公式(3)计算它选择不同信道的效用值；

(3)信道接入选择：用户n根据效用值对选择最大化效用函数的信道接入。

进一步地，步骤4所述的循环步骤3，用户通过探索学习进行信道接入选择，直至所有用户的信道接入选择实现收敛，或者达到设定的迭代次数，具体如下：

(1)所有的用户在邻居间进行信息交互；

(2)每次迭代都随机选择一个用户n进行操作；

(3)其他所有的用户重复之前的信道选择，即a_k(j+1)＝a_k(j)，k∈J_n，即其余用户k在j+1时刻的信道策略与j时刻相同。

本发明与现有技术相比，其显著优点在于：(1)在无线正则网络中，充分考虑了对信道资源的利用，将部分重叠信道和信道聚合相结合，有效地减少了用户之间地干扰，提升了网络吞吐量；(2)通过引入局部合作博弈模型，将信道聚合博弈构建为势能博弈，证明了纳什均衡的存在性，为算法的设计提供了理论支持；(3)提出的部分重叠信道聚合算法通过局部信息交互，探测并达到全局最优，适用于大规模次级用户网络。

附图说明

图1是本发明部分重叠信道聚合博弈模型中经典的正则网络的示意图。

图2是本发明中不同信道聚合策略下的用户干扰示意图。

图3是本发明实施例中模型方法与现有方法在用户数目增加时的平均吞吐量对比图。

图4是本发明实施例中模型方法在不同信道聚合数目上限条件下的平均吞吐量对比图。

具体实施方式

对于正则网络中的任意N个拥有频谱资源需求的用户，其他用户被分为邻居用户和非邻居用户。图1所示为经典的正则网络示意图。在图1中，不同的用户拥有不同的通信需求。用户可以选择将多个连续的信道聚合在一起，通过增加传输带宽来提高传输速率。在将多个信道聚合的同时，由于总功率的限制，单个信道上分配的功率变小，从另一方面减小了用户间相互干扰。

本发明所述的部分重叠信道聚合博弈模型，对于无线网络中具有频谱资源需求的任意节点，将其他用户按照通信范围分为邻居用户和非邻居用户；在用户信道接入时，通过调整用户的信道聚合策略和信道选择策略，使用户满足通信业务需求，从而达到用户与其邻居用户吞吐量之和最大的目标。

本发明基于联盟选择策略和网络全局效用的关系，通过求解局部最优来达到全局最优，从而达到最大化全局效用，即最小化频谱资源获取开销的目的。

本发明基于部分重叠信道聚合博弈模型的学习算法，包括以下步骤：

步骤1，将用户的信道聚合和选择问题建模为局部合作博弈模型，博弈的参与者是网络内所有具有频谱资源需求的用户；

步骤2，针对选中用户，将其他用户按照通信范围是否在一跳范围内，分为邻居用户和非邻居用户，并定义效用函数；

步骤3，随机选择一个用户，根据其业务需求情况确定信道聚合策略，然后根据邻居用户的信道选择情况，利用效用函数计算选中用户接入各个信道的效用函数值；选中用户在能够满足业务需求的信道中，选择使该用户和邻居用户吞吐量之和最大的信道进行接入；

步骤4，循环步骤3，用户通过探索学习进行信道接入选择，直至所有用户的信道选择实现收敛，或者达到设定的迭代次数。

本发明的具体实施如下：

一、步骤1所述的将用户信道聚合选择问题建模为局部合作博弈模型，该博弈模型定义为：

其中中包含四个组成部分，其中，为参与博弈的用户集合，为用户n的可选择联盟策略空间，为用户n一跳范围内的邻居用户，u_n为用户n的效用函数。

二、步骤3所述的随机选择一个用户，根据其业务需求情况确定信道聚合策略，根据邻居用户的信道选择情况，利用效用函数计算选中用户接入各个信道的效用函数值，具体如下：

定义用户n的邻居集合为用户n的信道聚合策略为 其中s_n为用户n的信道聚合策略，c_ni为连续的信道编号；设定用户n总功率为P，在各个信道上功率相同，则用户i在信道j上的功率为为P_i ^j；用户n和用户i的物理距离为d_in，衰落系数为α，则用户n在信道c_nl上受到的干扰是：

其中，a_-n为其他用户的策略，s_i为用户i的信道聚合数目；

其中，H(c_nl,c_ij)为信道距离衰落因子，且：

用户n受到的所有干扰为：

其中，l＝1,...,s_n为用户n选择的信道编号，s_n为信道聚合策略；

用户n的吞吐量为：

其中，B为带宽，N₀为噪声功率，D_range为用户发射端到接收端的距离，用户n在信道l上的功率为 为用户n在l信道上受到的干扰之和；

从而得到网络全局的吞吐量：

博弈的优化目标：定义全网吞吐量R为优化目标U，通过调整信道策略，以式(3)的效用函数r_n进行信道选择接入，使得全网吞吐量得到最大：

(P1):max U (5)

利用局部合作博弈模型，优化式(4)、(5)，得到用户效用函数和目标函数如下：

其中，r_k(a_n,a_-n)为用户k的吞吐量。

三、步骤3所述的选中用户在可以满足业务需求的信道中，选择可以使该用户和邻居用户吞吐量之和最大的信道进行接入，具体如下：

(1)初始化，第j＝0个时隙，每个用户n∈N随机选择一个信道接入策略；

(2)探测：对于选中的用户n，利用公式(3)计算它选择不同信道的效用值；

(3)信道接入选择：用户n根据效用值对选择最大化效用函数的信道接入。

四、步骤4所述的循环步骤3，用户通过探索学习进行信道接入，直至所有用户的信道接入选择实现收敛，或者达到设定的迭代次数，具体如下：

(1)所有的用户在邻居间进行信息交互；

(2)每次迭代都随机选择一个用户n进行操作；

(3)其他所有的用户重复之前的信道选择，即a_k(j+1)＝a_k(j)，k∈J_n，即其余用户k在j+1时刻的信道策略与j时刻相同。

对于构建的博弈模型，可以证明其为势能博弈，至少存在一个纳什均衡解。且利用势能博弈的有限改进性质，可以设计符合该性质的算法求解纳什均衡解。

实施例1

本发明的一个具体实施例如下描述：系统仿真采用Matlab软件，参数设定不影响一般性；N个用户随机布设在一个150m×150m的网络场景中，用户最大信道聚合个数为3，网络中信道数为11。用户间一跳距离为60，噪声功率为-110dBm，用户总功率为0.1W。所示仿真结果为100次仿真后的平均值。

本发明面向需求的部分重叠信道聚合博弈模型的算法，具体过程如下：

步骤1：初始化，设置迭代次数j＝0，每个用户n∈N选择一个随机的信道聚合策略。

步骤2：信道聚合策略更新(循环)：

①所有的用户进行信息交互。

②每次迭代都随机选择一个用户n进行操作。

③其他所有的用户重复之前的信道聚合策略，即a_k(j+1)＝a_k(j)，k∈J_n。对于选中的用户n，利用公式计算它选择不同信道接入的效用函数值，选择使得效用函数最大化的信道聚合策略。

步骤3：当所有用户的信道聚合策略实现收敛，或者达到一定的迭代次数时，算法停止。

步骤4：全局效用：计算网络中所有用户的吞吐量，并计算全网吞吐量。

图2是本发明中不同信道聚合策略下的用户干扰示意图，图3为随用户数目增加时全网吞吐量的仿真图。对比算法为只考虑部分重叠信道模型下信道接入算法(参考文献：Yuhua Xu,Qihui Wu,Jinlong Wang,Liang Shen,and Alagan Anpalagan,“OpportunisticSpectrum Access Using Partially Overlapping Channels:Graphical Game andUncoupled Learning,”IEEE Transactions on Communications,vol.61,no.9,September,2013.)。可以看出结合信道聚合的模型下算法能够获得比不考虑信道聚合的场景能够取得更好的吞吐量性能。

考虑调整信道聚合策略的影响，当用户数目增加时，全网吞吐量的仿真见图4。由图可知，当信道聚合策略为3时，用户能够获得更高的吞吐量性能。

综上，本发明提出的面向业务需求的部分重叠信道聚合博弈模型及学习算法，充分地考虑到了信道聚合对部分重叠信道的干扰建模影响，利用局部信息的交互进行求解从而接近全局最优，并通过信道聚合，降低了用户之间的相互干扰，从而提升了传输速率，提高了频谱利用率。通过与基于单纯的部分重叠信道接入算法对比，仿真结果表明所提的部分重叠信道聚合模型能够进一步增加用户减小干扰水平，能够针对用户的需求，合理配置频谱资源，利用势能博弈的特性，接近全网最优解。

Claims (6)

1.一种部分重叠信道聚合博弈模型，其特征在于，对于无线网络中具有频谱资源需求的任意节点，将其他用户按照通信范围分为邻居用户和非邻居用户；在用户信道接入时，通过调整用户的信道聚合策略和信道选择策略，使用户满足通信业务需求，从而达到用户与其邻居用户吞吐量之和最大的目标。

2.一种基于部分重叠信道聚合博弈模型的学习算法，其特征在于，包括以下步骤：

步骤1，将用户的信道聚合和选择问题建模为局部合作博弈模型，博弈的参与者是网络内所有具有频谱资源需求的用户；

步骤2，针对选中用户，将其他用户按照通信范围是否在一跳范围内，分为邻居用户和非邻居用户，并定义效用函数；

步骤3，随机选择一个用户，根据其业务需求情况确定信道聚合策略，然后根据邻居用户的信道选择情况，利用效用函数计算选中用户接入各个信道的效用函数值；选中用户在能够满足业务需求的信道中，选择使该用户和邻居用户吞吐量之和最大的信道进行接入；

步骤4，循环步骤3，用户通过探索学习进行信道接入选择，直至所有用户的信道选择实现收敛，或者达到设定的迭代次数。

3.根据权利要求2所述的基于部分重叠信道聚合博弈模型的学习算法，其特征在于，步骤1所述的将用户信道聚合选择问题建模为局部合作博弈模型，该博弈模型定义为：

其中中包含四个组成部分，其中，为参与博弈的用户集合，为用户n的可选择联盟策略空间，为用户n一跳范围内的邻居用户，u_n为用户n的效用函数。

4.根据权利要求2所述的基于部分重叠信道聚合博弈模型的学习算法，其特征在于，步骤3所述的随机选择一个用户，根据其业务需求情况确定信道聚合策略，然后根据邻居用户的信道选择情况，利用效用函数计算选中用户接入各个信道的效用函数值，具体如下：

定义用户n的邻居集合为用户n的信道聚合策略为 其中s_n为用户n的信道聚合策略，c_ni为连续的信道编号；设定用户n总功率为P，在各个信道上功率相同，则用户i在信道j上的功率为为P_i ^j；用户n和用户i的物理距离为d_in，衰落系数为α，则用户n在信道c_nl上受到的干扰是：

其中，a_-n为其他用户的策略，s_i为用户i的信道聚合数目；

其中，H(c_nl,c_ij)为信道距离衰落因子，且：

用户n受到的所有干扰为：

其中，l＝1,...,s_n为用户n选择的信道编号，s_n为信道聚合策略；

用户n的吞吐量为：

其中，B为带宽，N₀为噪声功率，D_range为用户发射端到接收端的距离，用户n在信道l上的功率为 为用户n在l信道上受到的干扰之和；

从而得到网络全局的吞吐量：

博弈的优化目标：定义全网吞吐量R为优化目标U，通过调整信道策略，以式(3)的效用函数r_n进行信道选择接入，使得全网吞吐量得到最大：

(P1):max U (5)

利用局部合作博弈模型，优化式(4)、(5)，得到用户效用函数和目标函数如下：

其中，r_k(a_n,a_-n)为用户k的吞吐量。

5.根据权利要求4所述的基于部分重叠信道聚合博弈模型的学习算法，其特征在于，步骤3所述的选中用户在可以满足业务需求的信道中，选择可以使该用户和邻居用户吞吐量之和最大的信道进行接入，具体如下：

(1)初始化，第j＝0个时隙，每个用户n∈N随机选择一个信道接入策略；

(2)探测：对于选中的用户n，利用公式(3)计算它选择不同信道的效用值；

(3)信道接入选择：用户n根据效用值对选择最大化效用函数的信道接入。

6.根据权利要求2、3或4所述的基于部分重叠信道聚合博弈模型的学习算法，其特征在于，步骤4所述的循环步骤3，用户通过探索学习进行信道接入选择，直至所有用户的信道接入选择实现收敛，或者达到设定的迭代次数，具体如下：

(1)所有的用户在邻居间进行信息交互；

(2)每次迭代都随机选择一个用户n进行操作；

(3)其他所有的用户重复之前的信道选择，即a_k(j+1)＝a_k(j)，k∈J_n，即其余用户k在j+1时刻的信道策略与j时刻相同。