CN108833183B - 一种多时隙能量采集多归属异构网络的功率分配方法 - Google Patents

Abstract

本发明属于能量采集技术领域，具体的说是一种多时隙能量采集多归属异构网络的功率分配方法。本发明的基本思路是将能量采集技术在多时隙的多归属异构网络中进行分析，并且以网络的能效作为优化目标建立相应的分数规划模型，考虑连接的损耗。本发明的有益效果为，本发明将能量采集技术引入到异构网络模型中，同时在网络模型中加入多归属技术，弥补能量采集技术不稳定的特性。

Description

一种多时隙能量采集多归属异构网络的功率分配方法

技术领域

本发明属于能量采集(Energy Harvesting)技术领域，具体涉及一种采用能量采集技术的多归属(multi-homing)异构网络(Herterogeneous)的优化接入方法。

背景技术

在通信行业重视能量采集之前，能量采集主要是指把大自然中的一些能源收集起来转化为电能给系统供电，这些能量主要包括动能、光能、电磁能、热能的收集。而通信行业将其与无线通信进行结合，即通过利用能量采集到的能源进行无线通信。这样就实现了通信设备可以随时随地的有能量供给，不再因电池能量不足而困扰。同时，也解决了废弃电池对环境的污染，是绿色通信研究的一个重要研究课题。

在异构网络中，移动终端可以装备多个功能的系统模块，如声音，图像和数据处理模块。特别地，移动终端能够通过多个无线接口和使用多归属特性，与基站进行通信，同时，通过接入点接入不同的网络。将能量采集技术加入到异构网络中，即网络中每一个基站具有能量采集系统，可以从自然界采集能量。

在单时隙能量采集的多归属异构网络最大吞吐量问题的研究中，由于采用能量采集技术，使得在每个时隙进行传输时受到了能量的限制，并且在每个时隙传输数据的多少就会受到此时隙能量采集的限制，而在每个时隙的结束采集的能量都将使用完。这使得当采集能量过少时，可能会无法进行传输。这样就不能体现出能量采集的优势性，只能说是在每个利用贪婪的思想达到最大，但并不是最优的功率分配方式。所以将单个时隙扩大到多个时隙进行分析，并且为了简化模型，假设基站配备有容量无限大的电池，避免因电池容量不足而浪费了能量。同时，为了弥补能量采集不稳定的因素引进了多归属技术，而在优化目标仍然沿用最大化吞吐量。而对于网络系统，多数是以能效来比较网络的性能，所以以能效为优化目标进行优化。为了更贴近实际模型，在与基站进行连接通信时，加入了连接损耗，从而也尽可能的降低了用户在一些基站之间的连续切换，降低了对基站系统的损耗。

将能量采集技术和多重归属技术一起应用在异构网络中，因为异构网络允许同时接入多层网络，当某层基站的采集能量不足时，因为用户是接入多层网络，所以可以间接从其他层的基站中获得吞吐量保持系统的稳定性。

发明内容

本发明将能量采集技术引入到异构网络模型中，同时在网络模型中加入多归属技术弥补能量采集技术不稳定的特性。将能量采集技术在多时隙的多归属异构网络中进行分析，并且以网络的能效作为优化目标建立相应的分数规划模型，考虑连接的损耗。因为是否连接使得模型引入0-1变量，为了降低采用遍历算法的复杂度，本发明采用交叉熵算法来确定0-1变量。

本发明的技术方案是：

首先介绍系统模型：

假设一共有N层网络，在每层网络中有S个基站，并设在整个异构网络系统中有I个用户。因为本发明考虑的是多时隙能量采集系统，所以假设一共有J个时隙。为了保证用户的QoS，每个用户存在一个传输速率的下限值

同时，由于用户所使用的时隙的不同，本发明假设用户在不同时隙传输速率的下限值也会随时间随机变化，所以第i个用户在第j个时隙所要求的下限值记为R_ij。所以对于任何用户和任何时隙对于服务质量的约束条件为

其中r_nsij为在第j个时隙第n层网络中的第s个基站传输给第i个用户的速率。

因为能量采集所到达的能量是随机的，所以当用户在传输数据时会受到能量多少的限制，并且由于时间的约束，采集的能量可以在余留一部分能量提供为未来时隙使用。综上所述，系统的能量因果约束为：

其中，t_j表示第j个时隙的时长；同样仿照前文能量采集对于时隙的定义，即每个能量采集的时刻到下一个能量采集时刻之间的时长记为一个时隙。p_nsij表示在第j个时隙时，第n层网络第s个基站对于第i个用户的分配功率。

表示在第j个时隙时，第n层网络第s个基站采集的能量。C_nsij为在第j个时隙时，第n层网络第s个基站与第i个用户进行通信链接产生的损耗。

链接的损耗分为两种情况，一种是第j-1时隙第n层网络第s个基站与第i个用户并没有链接，在第j时隙两者进行链接，此时的损耗为α；第二种是第j-1时隙第n层网络第s个基站与第i个用户链接，在第j时隙两者依旧保持链接，此时的损耗为β。具体C_nsij的表达式为

C_nsij＝αδ(p_nsij-1)H(p_nsij)+βH(p_nsij-1)H(p_nsij)

其中，δ(·)为狄拉克函数，即

H(·)为阶跃函数，定义为

因为本发明采用多归属技术是为了在一定程度上弥补能量采集不稳定的性质，但是与单纯的能量采集供能相比，由于能量采集技术对通信系统引进的能量受限的约束，所以如果只是单纯对吞吐量进行对比多归属技术必然存在一定的优势。进而，为了可以充分体现在网络模型中引入能量采集技术和多归属技术系统的优势，以能效作为优化目标，即单位能量传输的吞吐量为目标，体现系统的高效性，具体的优化模型表达为：

其中，r_nsij为在第j个时隙第n层网络中的第s个基站传输给第i个用户的速率，并且r_nsij＝0.5log(1+hp_nsij)。为了简化模型，假设基站与用户之间的信道为常数h。

具体的功率分配模型分析与算法如下：

根据上文对于多时隙能量采集多归属异构网络中约束条件以及优化目标的分析，以最大化网络能效的目标的优化模型为：

这是一个经典的分数规划问题。首先η分子的对数函数为凹函数；当所有功率分配是否为是已知的情况下，η分母的第二项和第三项是常数，分子就只剩下p_nsij为变量，则为线性函数，即为凸函数。所以问题是一个凹凸分数规划(concave-convex fractionalprogram)。对于凹凸分数规划问题，使用参数方法,给定一个参数λ。参数λ决定了优化问题中分配功率的最优值，而参数λ的最优值可以通过迭代算法获得。为了使得优化问题为凹凸分数规划模型，上文假设已知分配功率p_nsij是否为0，进而使得两个链接损耗项为常数，所以本发明这里假设两个链接损耗项为常数，下文将提出相应算法来解决如何判断分配功率是否为0的问题。

首先，设定参数λ＝R/P，优化目标转化为：

其中，

当F(λ)＝0时，优化模型的最优解可以求解出来，具体的可以使用Dinkelbach-type算法进行求解。

当λ确定后，优化模型的目标函数为凹函数，约束条件为凸函数，模型为凸优化模型。所以，在已知分配功率p_nsij在各个时隙是否为0的情况下，采用求解标准凹凸分数规划的参数求解算法，其中涉及的凸优化问题的求解采用梯度算法。

对于分配功率在各个时隙是否为0可以先引入一个函数，具体表达式为

因为功率分配p_nsij≥0，所以上式只有两种情况。将参数l_nsij考虑进去后，优化目标可以重新写为：

其中，

最为简单的方式来确定分配功率p_nsij各个时隙是否为0的情况为采用遍历的方式。根据分配功率的个数，算法一共需要遍历2^N×S×I×J种情况。但是随着用户量、层数和时隙数的增加，遍历的情况快速增加，从而整个复杂度较高。

对于变量l_nsij来看，优化模型则为组合优化问题(Combinatiorial Optimiza-tion Problem,COP)。对于COP问题，可以通过使用不断变化概率结构的采用交叉熵算法(Cross-Entropy-Based Solution,CE)来求解，进而降低整个算法的复杂度。

综上所述，对于该优化问题的算法流程步骤如下：

步骤1：先随机初始化每个l_nsij的概率。

步骤2：根据步骤1得到的概率，采用CE算法确定分配功率p_nsij各个时隙是否为0。

步骤3：对于不为0的功率随机产生一个每个基站对于每个用户的分配功率p_nsij，然后使用Dinkelbach-type算法判断F(λ)是否为0。

步骤4：采用梯度算法对优化模型进行求解，并将功率分配结果跳转到步骤3。

步骤5：根据CE算法，更新相关参数。当算法中的条件满足时，终止算法；否则，跳转到步骤2。

本发明的有益效果为，本发明将能量采集技术引入到异构网络模型中，同时在网络模型中加入多归属技术，弥补能量采集技术不稳定的特性。

附图说明

图1为多归属异构网络通信系统示意图。

具体实施方式

发明内容部分已经对本发明的方案进行了详细描述，在此不再赘述。

Claims (1)

1.一种多时隙能量采集多归属异构网络的功率分配方法，设异构网络系统中共有N层网络，在每层网络中有S个基站，共有I个用户，J个时隙，且第i个用户在第j个时隙的传输速率下限为R_ij；其特征在于，所述功率分配方法包括以下步骤：

S1、建立目标功率分配模型：

设定任意用户和任意时隙对于网络服务质量的约束条件为：

其中r_nsij为在第j个时隙第n层网络中的第s个基站传输给第i个用户的速率；

系统的能量因果约束为：

其中，t_j表示第j个时隙的时长，p_nsij表示在第j个时隙时，第n层网络第s个基站对于第i个用户的分配功率，

表示在第j个时隙时，第n层网络第s个基站采集的能量，C_nsij为在第j个时隙时，第n层网络第s个基站与第i个用户进行通信链接产生的损耗；

将通信链接产生的损耗定义为：第j-1时隙第n层网络第s个基站与第i个用户并没有链接，在第j时隙两者进行链接，此时的损耗为α；第j-1时隙第n层网络第s个基站与第i个用户链接，在第j时隙两者依旧保持链接，此时的损耗为β；则：

C_nsij＝αδ(p_nsij-1)H(p_nsij)+βH(p_nsij-1)H(p_nsij)

其中，δ(·)为狄拉克函数，即：

H(·)为阶跃函数，定义为：

结合上述约束条件，以最大化网络能效为目标，建立目标功率分配模型为：

其中，设定r_nsij＝0.5log(1+hp_nsij)，基站与用户之间的信道为常数h；

S2、求解建立的目标功率分配模型，具体为：

设定参数λ＝R/P，将目标转化为：

其中，

当F(λ)＝0时，使用Dinkelbach-type算法获得模型的最优解，当λ确定后，目标函数为凹函数，约束条件为凸函数，模型为凸优化模型，假设已知分配功率p_nsij在各个时隙是否为0，采用求解标准凹凸分数规划的参数求解算法即可。

Images