CN108834173B - 一种无线多跳网络的集中式优化分配方法 - Google Patents

Abstract

本发明公开了一种无线多跳网络的集中式优化分配方法。该方法包括初始化阶段、信息收集阶段、模型建立阶段、模型求解阶段、集合投影阶段、控制消息分发阶段和重启动阶段。该方法在网络中业务流路由确知的情况下，以最大化网络效用为目标，利用原始对偶内点法对模型进行求解，获得原始及对偶变量的牛顿方向用于迭代更新。由于在牛顿方向的更新过程中需要使用到全局的诸如节点功率、源节点发送速率等信息，所以需要在控制中心节点处统一计算处理。

Description

一种无线多跳网络的集中式优化分配方法

技术领域

本发明属于通信技术领域，具体涉及一种无线多跳网络的集中式优化分配方法。

背景技术

无线多跳网络具有自组织、低成本和容易部署等优点，可以用于拓展网络覆盖范围和提高网络容量，其中，网络性能的一个重要指标是数据传输速率，但是由于受到网络的无线资源的限制，如信道，速率，功率，时隙等，高效率的无线多跳网络的跨层资源分配成为研究的热点。

无线网络的网络效用受拥塞控制、功率分配、路由选择、信道分配等影响，在网络数据通信业务日益增大的形势下，网络节点会因为无法及时处理和转发数据而造成严重的网络拥塞问题，降低网络吞吐量。同时，从绿色通信的角度来说，需要尽可能的降低多跳网络的能量消耗。所以需要考虑设计一类联合拥塞控制和功率分配的方法。目前已有很多专家对无线多跳网络的跨层资源优化展开研究，并取得了较好的结果，但是现有的方法都局限在一阶方法中，这类方法普遍收敛速度慢，难以适应网络拓扑的动态变化。

基于现有技术中存在的上述缺陷和实际需求，本发明公开了一种无线多跳网络的集中式优化分配方法，即联合拥塞控制和功率分配的集中式二阶方法。

发明内容

本发明公开了一种无线多跳网络的集中式优化分配方法。该方法在网络中业务流路由确知的情况下，以最大化网络效用为目标，利用原始对偶内点法对模型进行求解，获得原始及对偶变量的牛顿方向用于迭代更新。由于在牛顿方向的更新过程中需要使用到全局的诸如节点功率、源节点发送速率等信息，所以需要在控制中心节点处统一计算处理。本发明方法的步骤如下：

步骤一：初始化阶段。控制中心节点通过周期性“Hello”消息的交换，获得本网络的拓扑信息，并根据最短路径路由算法周期性更新本网络路由表；

步骤二：信息收集阶段。控制中心节点周期性收集网络中所有节点的基本配置信息，包括信道带宽、是否业务流的源节点以及节点功率上界等，并根据所获取的参数信息整理成已知参数库，更新源速率和功率更新可行域；

步骤三：模型建立阶段。控制中心节点建立系统优化模型；

步骤四：模型求解阶段。控制中心节点运用原始对偶内点法分别求得：

1)由业务流速率和链路功率构成的原始变量的更新公式；2)由链路拥塞价格和节点功率价格构成的对偶变量的更新公式；

步骤五：集合投影阶段。若步骤四中的更新结果超出了可行域，则根据集合投影的方法对结果进行调整。

步骤六：控制消息分发阶段：当原始变量与对偶变量更新至收敛后，控制中心节点将计算结果发送给网络中的各节点，各节点按照要求分配业务流速率和链路功率；

步骤七：重启动阶段：若网络拓扑发生改变或者有新的业务流加入，重新开始进入步骤一初始化阶段；否则，一直按照当前分配值运行系统。

进一步地，所述步骤一的具体步骤如下：

通过HELLO包交互获得邻居信息，并且计算出节点间链路的信噪比，以及交换彼此的操作权限信息；

通过GPS定位获得本节点位置信息；

通过相邻节点交互来获得其他节点位置信息，并计算相互之间的距离；

节点根据最短路径路由算法周期性更新本网络路由表。

进一步地，所述步骤二的具体步骤如下：

各个节点通过周期性地发送控制信息将基本配置信息：信道带宽、是否为业务流的源节点以及节点功率上界等发送给控制中心；

控制中心根据所获取的参数信息整理成已知参数库，更新源速率和功率更新可行域。

进一步地，所述步骤三优化模型为：

约束条件为式(2)、(3)、(4)和(5)：

其中，U(f_s)为效用函数，表示业务流的源速率为f_s时，业务流s获得的效用；约束条件：(2)为链路信道容量约束，流经链路的业务流速率之和不能超过它的信道容量；(3)为节点功率约束，节点分配给输出链路的功率之和不能超过节点最大传输功率；(4)为业务流速率和链路功率的非负性约束；(5)为信道容量定义式，假设所有的信道都用带有路径损耗指数α的大尺度衰落和小尺度瑞利衰落建模；那么链路l的信噪比可以写为

式中，d_l为链路l的距离， h_l为信道增益系数，p_l表示链路l的发送功率，|h_l|²服从均值为1的指数分布；

其中，n和l分别表示网络节点集合与链路集合，网络中有S个端到端的业务流，c_l(p_l)为链路l发送功率为p_l时的信道容量，B为信道带宽。

进一步地，所述步骤四的具体步骤为：定义原始变量y＝[f₁，...，f_s，p1，...，p_L]^T表示所有的业务流速率和链路功率变量，利用障碍函数法将优化问题转化为无约束的优化问题，得到重构的最小化问题：

为障碍目标函数，其表达式为：

其中μ为障碍函数惩罚因子，用于调整与原优化问题的近似程度，μ越大，重构的优化问题的最优解与原问题的最优解越接近；

对障碍目标函数

进行求导，并令导数为0得到：

其中，当链路l在业务流f_s的路由上时，1_s(l)＝1，否则为0.

根据原始对偶内点法，定义对偶变量

和

分别表示链路拥塞价格和节点功率价格；用向量

表示所有的链路拥塞价格，

表示所有的节点功率价格，

表示全部的对偶变量。得到重构优化问题的扰动KKT条件：平稳性(ST)，原始可行性(PF)，对偶可行性(DF)以及扰动互补松弛 (CS)条件(1表示全1向量，维度结合上下文确定)：

(PF)：y＞0，My-e＜0 (11)

(DF)：λ＞0 (12)

(CS)：-Diag{My-e}λ＝1 (13)

其中，

为定义的目标增强函数；

下面进一步用牛顿法处理由扰动KKT条件构成的非线性系统，求解出原始及对偶变量的牛顿方向。

根据牛顿法，原始变量y和对偶变量λ的迭代求解策略如下：

其中，π_[t]表示迭代步长，Δy_[t]表示原始变量的牛顿方向，Δλ_[t]表示对偶变量的牛顿方向；

通过求解(10)和(13)组成的非线性系统得到：

其中，

表示f_μ(y_[t])的梯度矩阵，

表示f_μ(y_[t])的Hessian 矩阵，

Λ_[t]＝Diag{λ_[t]}，Q_[t]＝Diag{My_[t]-e_[t]}，Diag{*} 表示对角化，I表示单位矩阵，维数结合上下文决定。

由上式可进一步求解得到原始变量及对偶变量的牛顿方向为：

其中

所以在时隙t，控制中心节点通过式(17)(18)计算原始及对偶变量的牛顿方向，然后通过式(15)完成对由业务流速率和链路功率构成的原始变量y的更新，以及由链路拥塞价格和节点功率价格构成的对偶变量λ的更新。

进一步地，所述步骤五中集合投影方法为：

其中π∈(0，1]，为固定步长，

是可行域集合，

表示(y，λ)在集合

上的投影结果，ε是一个趋近于0的任意正数，M是根据网络实际资源状况预设的一个大于0的常数，用来抑制突发性。

本发明公开的方法具有以下优点：

(1)该方法实现了无线多跳网络中业务流速率和节点发送功率的二阶分配方法，使网络达到最大效用值。

(2)该方法通过采用集合投影技术，简化了步长选择难度，减弱了不同步长对方法收敛性及最终网络效用值的影响。

(3)该方法集中式实现，对非中心控制节点的计算能力要求不大，所以非中心节点能耗较少，适用于存在数据处理中心的网络。

附图说明

图1为本发明的流程示意图。

图2为网络示例图以及最终业务流速率分配结果。

图3为本方法与未考虑功率分配的二阶方法网络效用对比图。

图4为本方法与未考虑功率分配的二阶方法能量效用对比图。

具体实施方式

下面结合附图对本发明实施例作详细说明，流程示意图见图1。

本方法考虑一个简单的无线多跳网络，网络拓扑G＝{N，L}，N，L分别表示网络节点集合与链路集合，网络节点数目|N|＝N，网络链路数目|L|＝L。网络中有S 个端到端的业务流，流速率集合F＝{f₁，...，f_s，...，f_s}，每个业务流都有对应的源节点与目的节点，分别用Src(s)和Dst(s)表示，且Src(s)不等于Dst(s)，目的节点数目为D。网络中的链路是双向的，业务流的源节点可以通过多跳将数据传输至目的节点，且路由确知。具体由图2所示，在400*400的区域内我们随机产生 15个网络节点，设定网关节点序号为1，其余节点作为源节点，产生的业务流最终都汇聚到网关节点并离开网络，网络中有14条业务流，其路由已知。

定义路由矩阵R∈R^L×S和去掉目的节点后的节点链路矩阵T∈R^(N-D)×L：

我们假设所有的信道都用带有路径损耗指数α的大尺度衰落和小尺度瑞利衰落建模。那么链路l的信噪比可以写为

式中，d_l为链路l的距离， h_l为信道增益系数，p_l表示链路l的发送功率，|h_l|²服从均值为1的指数分布。为了方便计算，该式对噪声功率进行了归一化处理。因此链路l的信道容量为

任意时隙，网络中所有流经链路l的业务流速率之和不能超过它的信道容量，即存在信道容量的限制：

其中L(s)表示业务流s的传输路径。

由于网络中节点功率有限，因此对于网络中的任一节点n，满足

式中p_l表示链路l的发送功率，

表示节点n具有的最大发送功率，O(n)表示节点n的输出链路集。

定义效用函数U(f_s)，表示业务流的源速率为f_s时，业务流s获得的效用，U(*) 是一个单调递增的严格凹函数，并且连续可微。我们以最大化网络整体效用为目标函数，得到联合拥塞控制和功率分配的二阶方法的优化模型为：

用y＝[f₁，...，f_s，p₁，...，p_L]^T表示所有的源速率和链路功率变量，

表示网络的路由信息和拓扑信息，

表示链路信道容量和节点发送功率的限制(不包括目的节点)。C_l表示链路l的信道容量，0表示全零矩阵，维数结合上下文确定。于是约束条件(1)和(2)表示成矩阵形式：

My≤e (5)

为了求解原问题，我们首先利用障碍函数法将优化问题转化为无约束的优化问题，得到重构的最小化问题：

为障碍目标函数，其表达式为：

其中μ为障碍函数惩罚因子，用于调整与原优化问题的近似程度，μ越大，重构的优化问题的最优解与原问题的最优解越接近。

对障碍目标函数

进行求导，并令导数为0得到：

其中，当链路l在业务流f_s的路由上时，1_s(l)＝1，否则为0.

根据原始对偶内点法，定义对偶变量

和

分别表示链路拥塞价格和节点功率价格；用向量

表示所有的链路拥塞价格，

表示所有的节点功率价格，

表示全部的对偶变量。得到重构优化问题的扰动KKT条件：包括平稳性(ST)，原始可行性(PF)，对偶可行性(DF)以及扰动互补松弛(CS)条件(1表示全1向量，维度结合上下文确定)：

(PF)：y＞0，My-e＜0 (11)

(DF)：λ＞0 (12)

(CS)：-Diag{My-e}λ＝1 (13)

其中，

为定义的目标增强函数；

下面进一步用牛顿法处理由扰动KKT条件构成的非线性系统，求解出原始及对偶变量的牛顿方向。

根据牛顿法，原始变量y和对偶变量λ的迭代求解策略如下：

其中，π_[t]表示迭代步长，Δy_[t]表示原始变量的牛顿方向，Δλ_[t]表示对偶变量的牛顿方向。

通过求解(10)和(13)组成的非线性系统得到：

其中，

表示f_μ(y_[t])的梯度矩阵，

表示f_μ(y_[t])的Hessian矩阵，

Λ_[t]＝Diag{λ_[t]}，Q_[t]＝Diag{My_[t]-e_[t]}，Diag{*}表示对角化，t为时隙下标，I表示单位矩阵，维数结合上下文决定。

求解式(16)得到原始变量及对偶变量的牛顿方向为：

其中

在时隙t，我们可以通过式(17)(18)计算原始及对偶变量的牛顿方向，然后通过式(15)完成对原始变量和对偶变量的更新。

若更新结果超过网络实际资源的限制，可以通过如下集合投影运算将更新值投影到我们的可行域内：

其中π∈(0，1]，为固定步长，

是根据网络实际资源制定的可行域集合，

表示(y，λ)在集合

上的投影结果，ε是一个趋近于0的任意正数，M是根据网络实际资源状况预设的一个大于0的常数，用来抑制突发性。集合投影算法的使用，使得算法初始值的选取可以为任意集合，并不要求其在可行集内，因此，我们选择固定步长π∈(0，1]作为迭代步长。

基于式(17)到(21)，我们得到了业务流速率的最终分配结果以及各条链路上的速率，如图1所示。

图3进一步说明了该集中式二阶算法在动态功率分配和固定功率分配策略下的网络效用曲线。图4给出了能量效用曲线。在该仿真中，动态功率分配时节点所负责的链路的发送功率之和要小于

而固定功率分配策略给每条链路的固定功率即为

由于采用的信噪比建模中(式(4))，节点的接收信噪比只取决于链路自身的发送功率，而不受周围链路功率分配的影响，因而链路的信道容量也仅与自身的发送功率有关。未考虑功率分配的二阶算法中，每条链路上分配的功率均为发送节点所拥有的最大功率，这样，每条链路的信道容量都是最大的。最终，受上行传输过程瓶颈链路的限制，如图3所示，两种算法达到相同的网络效用。但是由图4可以进一步分析出，采用固定功率分配策略浪费了大量的能量，而动态功率分配的二阶算法在链路传输遇到瓶颈时，会调大瓶颈链路的功率，并且同时调节这条链路上所有业务流的源速率，进一步的根据源速率的大小调整源节点的发送功率，使信道容量满足传输的要求，而不会过大造成功率的浪费，所以具有更高的能量效用。

以上对本发明的优选实施例及原理进行了详细说明，对本领域的普通技术人员而言，依据本发明提供的思想，在具体实施方式上会有改变之处，而这些改变也应视为本发明的保护范围。

Claims (3)

1.一种无线多跳网络的集中式优化分配方法，其特征在于，该方法的步骤如下：

步骤一：初始化阶段：控制中心节点通过周期性“HELLO”消息的交换，获得本网络的拓扑信息，并根据最短路径路由算法周期性更新本网络路由表；

步骤二：信息收集阶段：控制中心节点周期性收集网络中所有节点的基本配置信息，包括信道带宽、是否业务流的源节点以及节点功率上界，并根据所获取的参数信息整理成已知参数库，更新源速率和功率更新可行域；

步骤三：模型建立阶段：控制中心节点建立系统优化模型；

步骤四：模型求解阶段：控制中心节点运用原始对偶内点法分别求得：

1)由业务流速率和链路功率构成的原始变量的更新公式；2)由链路拥塞价格和节点功率价格构成的对偶变量的更新公式；

步骤五：集合投影阶段：若步骤四中的更新结果超出了可行域，则根据集合投影的方法对结果进行调整；

步骤六：控制消息分发阶段：当原始变量与对偶变量更新至收敛后，控制中心节点将计算结果发送给网络中的各节点，各节点按照要求分配业务流速率和链路功率；

步骤七：重启动阶段：若网络拓扑发生改变或者有新的业务流加入，重新开始进入步骤一初始化阶段；否则，一直按照当前分配值运行系统；

所述步骤三的优化模型为：

约束条件为式(2)、(3)、(4)和(5)：

其中，U(f_s)为效用函数，表示业务流的源速率为f_s时，业务流s获得的效用；n和l分别表示网络节点集合与链路集合，网络中有S个端到端的业务流，c_l(p_l)为链路l发送功率为p_l时的信道容量，B为信道带宽，L(s)表示业务流s的传输路径，O(n)表示节点n的输出链路集；

约束条件：(2)为链路信道容量约束，流经链路的业务流速率之和不能超过链路的信道容量；(3)为节点功率约束，节点分配给输出链路的功率之和不能超过节点具有的最大发送功率

(4)为业务流速率和链路功率的非负性约束；(5)为信道容量定义式，假设所有的信道都用带有路径损耗指数α的大尺度衰落和小尺度瑞利衰落建模；那么链路l的信噪比可以写为

式中，d_l为链路l的距离，h_l为信道增益系数，p_l表示链路l的发送功率，|h_l|²服从均值为1的指数分布；

所述步骤四的具体步骤为：定义原始变量y＝[f₁,...,f_S,p₁,...,p_L]^T表示所有的业务流速率和链路功率变量，利用障碍函数法将优化问题转化为无约束的优化问题，得到重构的最小化问题：

为障碍目标函数，其表达式为：

其中μ为障碍函数惩罚因子，用于调整与原优化问题的近似程度，μ越大，重构的优化问题的最优解与原问题的最优解越接近；

对障碍目标函数

进行求导，并令导数为0得到：

其中，当链路l在业务流f_s的路由上时，1_s(l)＝1，否则为0；

根据原始对偶内点法，定义对偶变量

和

分别表示链路拥塞价格和节点功率价格；用向量

表示所有的链路拥塞价格，

表示所有的节点功率价格，

表示全部的对偶变量，得到重构优化问题的扰动KKT条件：平稳性(ST)，原始可行性(PF)，对偶可行性(DF)以及扰动互补松弛(CS)条件，其中，1表示全1向量，维度结合上下文确定：

(PF):y＞0,My-e＜0 (11)

(DF):λ＞0 (12)

(CS):-Diag{My-e}λ＝1 (13)

其中，

为定义的目标增强函数，M表示网络的路由信息和拓扑信息，e表示链路信道容量和节点发送功率的限制；

然后进一步用牛顿法处理由扰动KKT条件构成的非线性系统，求解出原始及对偶变量的牛顿方向；

根据牛顿法，原始变量y和对偶变量λ的迭代求解策略如下：

其中，π_[t]表示迭代步长，Δy_[t]表示原始变量的牛顿方向，Δλ_[t]表示对偶变量的牛顿方向；

通过求解(10)和(13)组成的非线性系统得到：

其中，

表示f_μ(y_[t])的梯度矩阵，

表示f_μ(y_[t])的Hessian矩阵，

Λ_[t]＝Diag{λ_[t]}，Q_[t]＝Diag{My_[t]-e_[t]}，Diag{*}表示对角化，I表示单位矩阵，维数结合上下文决定；

由上式可进一步求解得到原始变量及对偶变量的牛顿方向为：

其中

所以在时隙t，控制中心节点通过式(17)(18)计算原始及对偶变量的牛顿方向，然后通过式(15)完成对由业务流速率和链路功率构成的原始变量y的更新，以及由链路拥塞价格和节点功率价格构成的对偶变量λ的更新；

所述步骤五中集合投影方法为：

其中π∈(0,1]，为固定步长，

是可行域集合，

表示(y,λ)在集合

上的投影结果，ε是一个趋近于0的任意正数，

是根据网络实际资源状况预设的一个大于0的常数，用来抑制突发性。

2.根据权利要求1所述的一种无线多跳网络的集中式优化分配方法，其特征在于，所述步骤一的具体步骤如下：

通过HELLO包交互获得邻居信息，并且计算出节点间链路的信噪比，以及交换彼此的操作权限信息；

通过GPS定位获得本节点位置信息；

通过相邻节点交互来获得其他节点位置信息，并计算相互之间的距离；

节点根据最短路径路由算法周期性更新本网络路由表。

3.根据权利要求1所述的一种无线多跳网络的集中式优化分配方法，其特征在于，所述步骤二的具体步骤如下：

各个节点通过周期性地发送控制信息将基本配置信息：信道带宽、是否业务流的源节点以及节点功率上界发送给控制中心；控制中心根据所获取的参数信息整理成已知参数库，更新源速率和功率更新可行域。

Images