CN109041196B - Noma携能通信系统中基于能效最大化的资源联合分配方法 - Google Patents

Abstract

本发明公开了一种NOMA携能通信系统中基于能效最大化的资源联合分配方法，包括以下步骤：1)基站通过非正交多址接入技术发送数据，为移动用户端提供数据服务；2)移动用户端同时配备信息接收机和能量接收机，采用时间切换的方式实现信息和能量的接收；3)分析系统特性并建立基于能效最大化的数学优化问题；4)分析优化问题并设计双层迭代算法以求解最优的功率与时隙联合分配方案。所述方法既能够保障移动用户端数据率及采集能量需求，同时能够最大化系统总能源效率，以优化系统资源配置，提高资源利用率。

Description

NOMA携能通信系统中基于能效最大化的资源联合分配方法

技术领域

本发明涉及无线通信技术领域，具体涉及一种NOMA携能通信系统中基于能效最大化的资源联合分配方法，属于绿色通信的范畴。

背景技术

随着移动通信的普及和发展，日益增长的流量需求成为第5代移动通信系统(5G)设计应当考虑的关键问题之一，同时，这所需的巨大功耗与日益短缺的资源问题之间的矛盾不可忽视。因此，5G移动通信系统必须兼顾大容量、低消耗两方面的问题。

基于NOMA(Non-orthogonal Multiple Access，非正交多址接入)技术的移动通信网络，允许多个移动用户端共享相同的时间、频谱等资源，使得其具备提高系统容量的特点，这使得NOMA技术成为下一代移动通信多址技术的热门候选之一。而SWIPT(Simultaneous Wireless Information and Power Transfer，无线携能通信)技术，充分利用射频信号同时携带信息和能量的特点，在实现无线信息传递的同时，具备收集射频信号中不携带信息的能量并给移动终端充电的功能，从而在一方面避免了能量资源的浪费，另一方面可以延长能量受限网络的使用周期，实现节能减排、降低功耗的绿色通信。

现有研究大部分是单独针对NOMA系统或者SWIPT系统的能效优化问题，或者假设系统中SWIPT接收机都是相同的使得每个移动用户端之间的时隙分配也都是相同的，无法根据用户信道条件的差异进行调整，从实际应用的角度看，这种方案需要进一步改善以提高系统能效。

发明内容

本发明的目的是针对现有技术的不足，提供了一种NOMA携能通信系统中基于能效最大化的资源联合分配方法，既保障了移动用户端数据率及采集能量需求，同时最大化了系统总能源效率，优化了系统资源配置，提高了资源利用率。

本发明的目的可以通过如下技术方案实现：

一种NOMA携能通信系统中基于能效最大化的资源联合分配方法，所述方法包括：

在NOMA携能通信系统中部署一个基站BS和K个移动用户端：U₁,U₂,…,U_K，引入索引集

表示K个用户；基站与所有移动用户端都配备单天线；

基站BS采用NOMA技术给K个用户发送数据；不失一般性，假设基站与用户之间信道增益满足：g₁≤g₂≤…≤g_K，其中，

表示基站BS与第k个用户之间的信道增益；假设在基站BS端，每个用户的信道增益

都是已知的；

在NOMA携能通信系统中，基站BS在同一频段、同一时间给所有用户发送数据，为避免用户在接收数据时相互干扰，在用户端解码时采用串行干扰消除SIC技术消除用户之间的相互干扰；用户解码顺序按照信道增益递增的顺序，即U₁→U₂→…→U_K，信道条件差的用户先解码，信道条件好的用户后解码，以使系统获得更大的数据率；根据SIC解码机制，第k个用户可达的数据率为：

其中，P_k表示基站BS发射给第k个用户的功率；B为系统带宽；σ²为噪声功率(假设为加性高斯白噪声AWGN)；

所建立的NOMA携能通信系统模型中，每个移动用户端都配备一个信息接收机和一个能量接收机，能够在同个时隙中实现信息和能量的接收；对于第k个用户，假设一个时隙中，分配给信息接收的部分表示为α_k，因而分配给能量接收的部分表示为1-α_k；在这种情况下，第k个用户所获得的数据率重新表示为：

系统总数据率表示为：

第k个用户所采集到的功率为：

其中η表示能量接收机的电能转化效率，与传统通信系统不同，在NOMA携能通信系统中，系统实际的功率消耗减少了用户端所采集到的部分，表示为：

其中，P_total表示系统实际消耗的功率，P_C表示系统中硬件电路消耗的功率，因此，系统能效能够表示为：

将所述NOMA携能通信系统中，在保证满足每个移动用户端数据率及采集功率需求的情况下最大化系统能效的数学优化问题记为P1：

P1：

其中，P1.1中R_req表示每个用户的最低数据率要求，P1.2中E_req表示每个用户最低的功率采集需求，P1.3中P_budget表示基站所提供的最大发射功率；

该优化问题是一个功率和时隙的联合分配问题，问题的最优解也就是在满足每个移动用户端数据率和采集功率最低要求的情况下使能效最大化的功率与时隙分配；

所述优化问题P1包含两组优化变量P＝{P₁,P₂,…,P_K}和α＝{α₁,α₂,…,α_K}，且优化目标函数P1.0是非凸的分式形式，因而是一个非线性且非凸的分式规划问题，难以直接求得最优解；因此，通过设计一个双层迭代算法，分别处理两个优化变量以获得最优的联合分配方案。

进一步地，在所述双层迭代算法的内层，把时隙分配α看成是常向量，求使得系统能效λ_EE最大化的最优功率分配P^*；在双层迭代算法的外层，先将功率分配固定为在内层算法所求得的最优功率分配P^*，然后求得最优的时隙分配α^*；内层算法和外层算法交替迭代，直到系统能效λ_EE不再增加为止，以获得最优的联合分配方案。

进一步地，在所述双层迭代算法的内层，把时隙分配α看成是常向量，因此优化变量只有功率分配P，优化问题记为P2：

P2：

P2所示优化问题即为功率分配问题，尽管在处理P2时把α看成是常向量，但是复杂的分式形式的目标函数P2.0使得问题仍然既不是线性规划也不是凸规划的，这里采用Dinkelbach的方法将其分式形式转化为减式形式得到等价的优化问题P3，通过迭代的方式不断更新Dinkelbach参数q并求相应的最优功率分配P^*以及最大系统能效

等价的优化问题P3表示如下：

P3：

其中，

在双层迭代算法的外层，将功率分配固定为在内层算法所求得的最优功率分配P^*，并处理优化变量只有时隙分配α的优化问题，记为P4：

P4：

其中，

优化问题P4中目标函数P4.0仍然是分式形式，这里再一次利用Dinkelbach的方法对其进行转换，得到等价的优化问题，记为P5：

P5：

通过迭代的方式不断更新Dinkelbach参数β并求响应的最优时隙分配方案α^*以及最大系统能效

内层算法和外层算法交替迭代，直到系统能效λ_EE不再增加为止。

进一步地，所述优化问题P2的求解包括以下几个步骤：

①、对于给定的Dinkelbach参数，等价的优化问题P3的目标函数P3.0关于功率分配P是凸函数，证明如下：

令

且θ_K+1＝0；因此，P3.0能够重新表示为：

求得Λ_EE(P)的一阶导数和二阶导数分别表示如下：

其中，j＝min{m,l}，m,l分别表示梯度分量的下标；

令

根据上式得到：

因此，目标函数Λ_EE(P)的Hessian矩阵能够表示为：

令Q＝-H，得到矩阵Q的k阶顺序主子式为：

其中，能够得到：

而且当2≤i≤K时，能够得到：

上述不等式成立的理由如下：根据P3.2及

的表达式，由于每个移动用户端都有相同的采集功率约束，当g₁≤g₂≤…≤g_K时，有α₁≤α₂≤…≤α_K，从而能够得到H_i-1-H_i≥0；因此，矩阵Q的任意k阶顺序主子式Q_k≥0，Q＝-H≥0，H≤0，Λ_EE(P)关于功率分配P是凸函数得证；

②优化问题P3的约束条件P3.1能够转化为：

能够看出，上述约束条件关于功率分配P是线性的；此外，约束条件P3.2和P3.3关于P也是线性的；因此，优化问题P3的可行域是一个凸集且目标函数是凸函数，从而P3为凸优化问题；

③对于凸优化问题P3采用拉格朗日对偶理论，结合梯度下降法，通过迭代的方式，最终能够求得Dinkelbach参数为q的情况下对应的最优功率分配P^*；

④更新Dinkelbach参数

返回步骤③求解新的P^*，直到以下条件成立：

此时，P^*和q^*分别为固定时隙α的情况下，优化问题P2的最优功率分配和最大能效。

进一步地，所述优化问题P4的求解包括以下几个步骤：

(a)等价的优化问题P5关于时隙分配α是线性规划问题，根据线性函数的解析性质，求得当功率分配P固定时，给定Dinkelbach参数β，最优的时隙分配能够表示为：

其中，

为Λ_EE(α)关于α_k的一阶导数；

(b)更新Dinkelbach参数

返回步骤(a)求解新的α^*，直到以下条件成立：

此时，α^*和β^*分别为固定功率分配P的情况下，优化问题P4的最优时隙分配和最大能效。

本发明与现有技术相比，具有如下优点和有益效果：

本发明结合了非正交多址方案和无线携能通信技术在提高频谱效率和能量效率方面的优点，提出了一种非正交多址携能通信系统中，在满足用户服务需求的情况下，最大化系统能效的资源联合分配方法；并通过设计一个双层迭代算法，分别在内外层算法中采用Dinkelbach方法，从而实现系统能效最大化的功率与时隙的联合优化。

附图说明

图1为本发明方法中的非正交多址携能通信系统模型图。

图2为本发明方法提供的关于优化问题P1的求解方案流程图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

实施例：

参照图1，本实施例提供了一种非正交多址携能通信系统中基于能效最大化的资源联合分配方法，使用该方法能够在满足所以移动用户数据率和采集能量需求的前提下，最大化系统能效，以优化系统资源配置，提高资源利用率。本发明应用于无线通信网络中(如图1所示)，基站BS使用NOMA技术发送数据，引入SIC技术消除部分用户之间的干扰，每个移动用户端都配备一个信息接收机和功率接收机，考虑同时满足所有用户数据率及采集能量的需求并提高系统能效的问题，针对该问题提出的资源联合分配方法(也即数学优化问题P1的求解方案，如图2所示)有如下步骤：

(1)优化问题P1如下：

包含两组优化变量P＝{P₁,P₂,…,P_K}和α＝{α₁,α₂,…,α_K}，且优化目标函数(P1.0)是非凸的分式形式，因而是一个非线性且非凸的分式规划问题，难以直接求得最优解；因此，通过设计一个双层迭代算法，分别处理两个优化变量以获得最优的联合分配方案；

(2)在双层迭代算法的内层，把时隙分配α看成是常向量，因此优化变量只有功率分配P，优化问题可以表示为P2：

P2所示优化问题即为功率分配问题。尽管在处理P2是把α看成是常向量，但是复杂的分式形式的目标函数(P2.0)使得问题仍然既不是线性规划也不是凸规划的，这里采用Dinkelbach的方法将其分式形式转化为减式形式得到等价的优化问题P3，通过迭代的方式不断更新Dinkelbach参数q并求相应的最优功率分配P^*以及最大系统能效

。等价的优化问题P3表示如下：

其中，

优化问题P2的求解包括以下几个步骤：

①对于给定的Dinkelbach参数，等价的优化问题P3的目标函数(P3.0)关于功率分配P是凸函数，证明如下：

令

且θ_K+1＝0。因此，(P3.0)可以重新表示为：

求得Λ_EE(P)的一阶导数和二阶导数分别表示如下：

其中，j＝min{m,l}。

令

根据上式容易得到：

因此，目标函数Λ_EE(P)的Hessian矩阵可以表示为：

令Q＝-H，我们可以得到矩阵Q的k阶顺序主子式为：

其中，我们可以得到：

而且当2≤i≤K时，根据上文可得：

上述不等式成立的理由如下：根据(P3.2)及

的表达式，由于每个移动用户端都有相同的采集功率约束，当g₁≤g₂≤…≤g_K时，有α₁≤α₂≤…≤α_K，从而可以可到H_i-1-H_i≥0。因此，矩阵Q的任意k阶顺序主子式Q_k≥0，Q＝-H≥0，H≤0，Λ_EE(P)关于功率分配P是凸函数得证。

②优化问题P3的约束条件(P3.1)可以转化为：

容易看出，上述约束条件关于功率分配P是线性的；此外，约束条件(P3.2)和(P3.3)关于P也是线性的；因此，优化问题P3的可行域是一个凸集且目标函数是凸函数，从而P3为凸优化问题；

③对于凸优化问题P3采用拉格朗日对偶理论，结合梯度下降法，通过迭代的方式，最终可以求得Dinkelbach参数为q的情况下对应的最优功率分配P^*；

④更新Dinkelbach参数

返回步骤③求解新的P^*，直到以下条件成立：

此时，P^*和q^*分别为固定时隙α的情况下，优化问题P2的最优功率分配和最大能效。

(3)在双层迭代算法的外层，我们将功率分配固定为在内层算法所求得的最优功率分配P^*，并处理优化变量只有时隙分配α的优化问题，表示如下(记为P4)：

优化问题P4中目标函数(P4.0)仍然是分式形式，这里我们再一次利用Dinkelbach的方法对其进行转换，得到等价的优化问题，表示如下(记为P5)：

求解优化问题P4的求解包括以下几个步骤：

①容易看出，等价的优化问题P5关于时隙分配α是线性规划问题。根据线性函数的解析性质，容易求得当功率分配P固定时，给定Dinkelbach参数β，最优的时隙分配可以表示为：

其中，

为Λ_EE(α)关于α_k的一阶导数。

②更新Dinkelbach参数

返回步骤(a)求解新的α^*，直到以下条件成立：

此时，α^*和β^*分别为固定功率分配P的情况下，优化问题P4的最优时隙分配和最大能效。

因此通过本发明的算法成功解决了非正交多址携能通信系统中基于能效最大化的资源联合分配问题。

本实施例着眼于同时满足所有移动用户数据率和采集功率需求的前提下，最大化系统能效，优化系统配置。本发明的工作可以使无线通信网络中的移动用户获得所需的数据流量服务，同时也可以采集一定的功率避免了资源的浪费并达到续航的目的，从而实现整个通信系统的资源配置更优化，利用率更高。

以上所述，仅为本发明专利较佳的实施例，但本发明专利的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明专利所公开的范围内，根据本发明专利的技术方案及其发明专利构思加以等同替换或改变，都属于本发明专利的保护范围。

Claims (3)

1.NOMA携能通信系统中基于能效最大化的资源联合分配方法，其特征在于，所述方法包括：

在NOMA携能通信系统中部署一个基站BS和K个移动用户端：U₁,U₂,…,U_K，引入索引集

表示K个用户；基站与所有移动用户端都配备单天线；

基站BS采用NOMA技术给K个用户发送数据；假设基站与用户之间信道增益满足：g₁≤g₂≤…≤g_K，其中，

表示基站BS与第k个用户之间的信道增益；假设在基站BS端，每个用户的信道增益

都是已知的；

在NOMA携能通信系统中，基站BS在同一频段、同一时间给所有用户发送数据，为避免用户在接收数据时相互干扰，在用户端解码时采用串行干扰消除SIC技术消除用户之间的相互干扰；用户解码顺序按照信道增益递增的顺序，即U₁→U₂→…→U_K，信道条件差的用户先解码，信道条件好的用户后解码，以使系统获得更大的数据率；根据SIC解码机制，第k个用户可达的数据率为：

其中，P_k表示基站BS发射给第k个用户的功率；B为系统带宽；σ²为噪声功率；

所建立的NOMA携能通信系统模型中，每个移动用户端都配备一个信息接收机和一个能量接收机，能够在同个时隙中实现信息和能量的接收；对于第k个用户，假设一个时隙中，分配给信息接收的部分表示为α_k，因而分配给能量接收的部分表示为1-α_k；在这种情况下，第k个用户所获得的数据率重新表示为：

系统总数据率表示为：

第k个用户所采集到的功率为：

其中η表示能量接收机的电能转化效率，与传统通信系统不同，在NOMA携能通信系统中，系统实际的功率消耗减少了用户端所采集到的部分，表示为：

其中，P_total表示系统实际消耗的功率，P_C表示系统中硬件电路消耗的功率，因此，系统能效能够表示为：

将所述NOMA携能通信系统中，在保证满足每个移动用户端数据率及采集功率需求的情况下最大化系统能效的数学优化问题记为P1：

P1：

其中，P1.1中P_req表示每个用户的最低数据率要求，P1.2中E_req表示每个用户最低的功率采集需求，P1.3中P_budget表示基站所提供的最大发射功率；

所述优化问题P1包含两组优化变量P＝{P₁,P₂,…,P_K}和α＝{α₁,α₂,…,α_K}，且优化目标函数P1.0是非凸的分式形式，因而是一个非线性且非凸的分式规划问题，难以直接求得最优解；因此，通过设计一个双层迭代算法，分别处理两个优化变量以获得最优的联合分配方案；

在所述双层迭代算法的内层，把时隙分配α看成是常向量，求使得系统能效λ_EE最大化的最优功率分配P^*；在双层迭代算法的外层，先将功率分配固定为在内层算法所求得的最优功率分配P^*，然后求得最优的时隙分配α^*；内层算法和外层算法交替迭代，直到系统能效λ_EE不再增加为止，以获得最优的联合分配方案；

在所述双层迭代算法的内层，把时隙分配α看成是常向量，因此优化变量只有功率分配P，优化问题记为P2：

P2：

P2所示优化问题即为功率分配问题，尽管在处理P2时把α看成是常向量，但是复杂的分式形式的目标函数P2.0使得问题仍然既不是线性规划也不是凸规划的，这里采用Dinkelbach的方法将其分式形式转化为减式形式得到等价的优化问题P3，通过迭代的方式不断更新Dinkelbach参数q并求相应的最优功率分配P^*以及最大系统能效

等价的优化问题P3表示如下：

P3：

其中，

Λ_EE(P)为目标函数；

在双层迭代算法的外层，将功率分配固定为在内层算法所求得的最优功率分配P^*，并处理优化变量只有时隙分配α的优化问题，记为P4：

P4：

其中，

优化问题P4中目标函数P4.0仍然是分式形式，这里再一次利用Dinkelbach的方法对其进行转换，得到等价的优化问题，记为P5：

P5：

通过迭代的方式不断更新Dinkelbach参数β并求响应的最优时隙分配方案α^*以及最大系统能效

内层算法和外层算法交替迭代，直到系统能效λ_EE不再增加为止。

2.根据权利要求1所述的NOMA携能通信系统中基于能效最大化的资源联合分配方法，其特征在于，所述优化问题P2的求解包括以下几个步骤：

①、对于给定的Dinkelbach参数，等价的优化问题P3的目标函数P3.0关于功率分配P是凸函数，证明如下：

令

且θ_K+1＝0；因此，P3.0能够重新表示为：

求得Λ_EE(P)的一阶导数和二阶导数分别表示如下：

其中，j＝min{m,l}，m,l分别表示梯度分量的下标；

令

根据上式得到：

因此，目标函数Λ_EE(P)的Hessian矩阵能够表示为：

令Q＝-H，得到矩阵Q的k阶顺序主子式为：

其中，能够得到：

而且当2≤i≤K时，能够得到：

上述不等式成立的理由如下：根据P3.2及

的表达式，由于每个移动用户端都有相同的采集功率约束，当g₁≤g₂≤…≤g_K时，有α₁≤α₂≤…≤α_K，从而能够得到H_i-1-H_i≥0；因此，矩阵Q的任意k阶顺序主子式Q_k≥0，

Λ_EE(P)关于功率分配P是凸函数得证；

②优化问题P3的约束条件P3.1能够转化为：

能够看出，上述约束条件关于功率分配P是线性的；此外，约束条件P3.2和P3.3关于P也是线性的；因此，优化问题P3的可行域是一个凸集且目标函数是凸函数，从而P3为凸优化问题；

③对于凸优化问题P3采用拉格朗日对偶理论，结合梯度下降法，通过迭代的方式，最终能够求得Dinkelbach参数为q的情况下对应的最优功率分配P^*；

④更新Dinkelbach参数

返回步骤③求解新的P^*，直到以下条件成立：

此时，P^*和q^*分别为固定时隙α的情况下，优化问题P2的最优功率分配和最大能效。

3.根据权利要求1所述的NOMA携能通信系统中基于能效最大化的资源联合分配方法，其特征在于，所述优化问题P4的求解包括以下几个步骤：

(a)等价的优化问题P5关于时隙分配α是线性规划问题，根据线性函数的解析性质，求得当功率分配P固定时，给定Dinkelbach参数β，最优的时隙分配能够表示为：

其中，

为Λ_EE(α)关于α_k的一阶导数；

(b)更新Dinkelbach参数

返回步骤(a)求解新的α^*，直到以下条件成立：

此时，α^*和β^*分别为固定功率分配P的情况下，优化问题P4的最优时隙分配和最大能效。

Images