CN109219122A - 一种发射功率的设置方法及装置 - Google Patents
一种发射功率的设置方法及装置 Download PDFInfo
- Publication number
- CN109219122A CN109219122A CN201710552948.1A CN201710552948A CN109219122A CN 109219122 A CN109219122 A CN 109219122A CN 201710552948 A CN201710552948 A CN 201710552948A CN 109219122 A CN109219122 A CN 109219122A
- Authority
- CN
- China
- Prior art keywords
- node
- particle
- base station
- preset
- station source
- 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.)
- Withdrawn
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/04—TPC
- H04W52/18—TPC being performed according to specific parameters
- H04W52/24—TPC being performed according to specific parameters using SIR [Signal to Interference Ratio] or other wireless path parameters
- H04W52/241—TPC being performed according to specific parameters using SIR [Signal to Interference Ratio] or other wireless path parameters taking into account channel quality metrics, e.g. SIR, SNR, CIR, Eb/lo
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/04—TPC
- H04W52/18—TPC being performed according to specific parameters
- H04W52/24—TPC being performed according to specific parameters using SIR [Signal to Interference Ratio] or other wireless path parameters
- H04W52/242—TPC being performed according to specific parameters using SIR [Signal to Interference Ratio] or other wireless path parameters taking into account path loss
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/04—TPC
- H04W52/18—TPC being performed according to specific parameters
- H04W52/26—TPC being performed according to specific parameters using transmission rate or quality of service QoS [Quality of Service]
- H04W52/267—TPC being performed according to specific parameters using transmission rate or quality of service QoS [Quality of Service] taking into account the information rate
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/04—TPC
- H04W52/38—TPC being performed in particular situations
- H04W52/46—TPC being performed in particular situations in multi hop networks, e.g. wireless relay networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/04—TPC
- H04W52/38—TPC being performed in particular situations
- H04W52/40—TPC being performed in particular situations during macro-diversity or soft handoff
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Biophysics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及无线通信技术,特别涉及一种发射功率的设置方法及装置,用以提高中继接入网的资源分配能力。该方法为:采用遗传粒子群迭代优化算法,不断更新粒子种数,并基于迭代更新的粒子种群,挑选出令系统中断概率达到最优的功率分配因子,从而基于获得的功率分配因子配置基站源节点的发射功率以及配置各个中继节点的发射功率。这样,能够在不断迭代过程中快速获得性能最优的功率分配因子,从而更好地降低了系统中继概率,进而能够更合理、灵活地配置基站源节点和各个中继节点的发射功率,有效提高了中继接入网的资源分配能力,避免了资源浪费的情况发生,同时,还具有收敛速度快,差错率低的优点。
Description
技术领域
本发明涉及无线通信技术,特别涉及一种发射功率的设置方法及装置。
背景技术
随着无线通信技术的发展,无线移动通信网络面临的主要挑战将是如何有效的扩大无线通信的范围,提升系统容量及提高小区边缘用户的传输速率来面对多样化的服务要求。为了应对这一挑战,目前已提出了一种全新的接入网中继网络架构,即将软件定义网络(Software Defined Network,SDN)引入异构接入网,从而提高中继接入网的智能化,更加高效灵活的管理无线资源。
在SDN中,控制平面与数据平面相分离,作为一种全新的网络体系架构,该架构将网络视为完整的操作系统,将应用程序从底层硬件设备中抽取出来,使得与管理相关的功能在集中式的功率控制器中实现。因此,通过集中式的功率控制器可以对全局网络的管理实现网络智能化。
参阅图1所示,以多中继下行场景为例,基站源节点(记为S)位于小区中心,小区中有多个移动终端(记为D)及N(N≥1)个中继节点(记为R),基站源节点通过中继节点为其中一个移动终端服务,其中,假设系统不中断条件的最小数据传输速率为Rmin bit/s/Hz,信道均为瑞利衰落。
为了能够令基站源节点和中继节点均满足上述Rmin bit/s/Hz,需要对基站源节点的发射功率P0和中继节点的发射功率Pr进行相应配置,现有技术下,系统的总发射功率P是预先配置的,通常情况下,SDN中的控制器是基于P,采用资源平均分配的方式配置P0和Pr。
然而,采用这种资源平均分配的方式,并不能根据基站源节点和中继节点的实际业务能力配置最为合适的发射功率,若发射功率配置较大,如,超出基站源节点和中继节点的实际业务能力,则会造成基站源节点和中继节点超负荷运行,而若发射功率配置较小,则会造成基站源节点和中继节点的使用率过低,从而造成系统资源浪费,影响系统吞吐量。
有鉴于此,如何利用SDN的集中控制能力提高中继接入网的资源分配能力受到了越来越多的关注。
发明内容
本发明实施例提供一种发射功率的设置方法及装置,用以提高中继接入网的资源分配能力。
本发明实施例提供的具体技术方案如下:
一种发射功率的设置方法,包括:
针对作为信号接收对象的目的节点,选择目标中继节点;
基于基站源节点、目标中继节点和目的节点中两两节点之间的信号相关参数,获得系统中断概率的表达式,其中,所述信号相关参数至少包含功率分配因子;
按照设定的迭代总次数,循环执行以下操作:
分别针对最新的粒子种群中的每一个粒子,执行以下操作;从所述一个粒子的每一种位置坐标中,选取令所述系统中继概率的表达式取值最小的位置坐标,作为所述一个粒子的个体最优位置,其中,一个粒子的一种位置坐标表示一个功率分配因子的取值;
从所有粒子对应的个体最优位置中,选取令所述系统中继概率的表达式最小的位置坐标,作为所述粒子种群的全局最优位置;
按照预设方式对所述粒子种群进行更新;
采用最终获得的全局最优位置作为功率分配因子,配置基站源节点的发射功率,以及配置各个中继节点的发射功率。
可选的,针对作为信号接收对象的目的节点,选择目标中继节点;
从当前所有中继节点中,筛选出满足以下条件的中继节点组成第一集合:基站源节点到中继节点的信噪比不低于预设的系统最低信噪比;
从第一集合中,选择满足以下条件的中继节点作为目标中继节点:中继节点到目的节点的信噪比最大。
可选的,基于基站源节点、目标中继节点和目的节点中两两节点之间的信号相关参数,获得系统中断概率的表达式,包括
至少基于功率分配因子,预设的最低传输速率,基站源节点和中继节点之间的信道增益的方差,基站源节点和目的节点之间的信道增益的方差,预设的基站源节点和各个中继节点的总发射功率以及系统噪声功率,获得系统中断概率的表达式。
可选的,至少基于功率分配因子,预设的最低传输速率,基站源节点和中继节点之间的信道增益的方差,基站源节点和目的节点之间的信道增益的方差,预设的基站源节点和各个中继节点的总发射功率以及系统噪声功率,获得最小系统中断概率的表达式,包括:
基于功率分配因子,预设的最低传输速率,基站源节点和目的节点之间的信道增益的方差,预设的基站源节点和各个中继节点的总发射功率以及系统噪声功率,获得基站源节点到目的节点之间的第一链路的中断概率的表达式;
基于功率分配因子,预设的最低传输速率,基站源节点和目标中继节点之间的信道增益的方差,预设的基站源节点和各个中继节点的总发射功率以及系统噪声功率,获得基站源节点到目标中继节点之间的第二链路的中断概率的表达式;
基于预设的基站源节点到中断节点的第一系统预设信噪比门限,预设的中继节点到目的节点的第二系统信噪比门限,基站源节点和目标中继节点之间的信道增益的方差、基站源节点和目的节点之间的信道增益的方差,获得所述第二链路不中断条件眄,目标中继节点到目的节点之间的第三链路的中继概率的表达式;
基于所述第一链路的中断概率的表达式,所述第二链路的中断概率的表达式,所述第三链路的中断概率的表达式,获得系统中断概率的表达式。
可选的,按照预设方式对所述粒子种群进行更新:
需要采用预设的惯性因子、预设的学习因子、预设的随机数,以及当前的迭代次数,对各个粒子的速度和位置坐标进行更新;
从当前的粒子种群中选取一定数量的粒子,再基于选取出的粒子更新后的速度和位置坐标,采用预设的交叉算法或/和变异算法生成新的粒子,获得新的粒子种群。
可选的,从当前的粒子种群中选取一定数量的粒子,再基于选取出的粒子更新后的速度和位置坐标,采用预设的交叉算法生成新的粒子,包括:
按照设定的交叉概率从当前的粒子种群中随机选择相应数量的粒子;
基于粒子更新后的速度和位置坐标对选取的粒子执行交叉操作,生成新的粒子。
可选的,从当前的粒子种群中选取一定数量的粒子,再基于选取出的粒子更新后的速度和位置坐标,采用预设的变异算法生成新的粒子,包括:
根据预设的变异概率从当前的粒子种群中随机选择相应数量的粒子个体;
基于粒子更新后的速度和位置坐标对选取的粒子执行变异操作,生成新的粒子个体。
一种发射功率的设置装置,包括:
选择单元,用于针对作为信号接收对象的目的节点,选择目标中继节点;
计算单元,用于基于基站源节点、目标中继节点和目的节点中两两节点之间的信号相关参数,获得系统中断概率的表达式,其中,所述信号相关参数至少包含功率分配因子;
迭代单元,用于按照设定的迭代总次数,循环执行以下操作:
分别针对最新的粒子种群中的每一个粒子,执行以下操作;从所述一个粒子的每一种位置坐标中,选取令所述系统中继概率的表达式取值最小的位置坐标,作为所述一个粒子的个体最优位置,其中,一个粒子的一种位置坐标表示一个功率分配因子的取值;
从所有粒子对应的个体最优位置中,选取令所述系统中继概率的表达式最小的位置坐标,作为所述粒子种群的全局最优位置;
按照预设方式对所述粒子种群进行更新;
配置单元,用于采用最终获得的全局最优位置作为功率分配因子,配置基站源节点的发射功率,以及配置各个中继节点的发射功率。
可选的,针对作为信号接收对象的目的节点,选择目标中继节点时,所述选择单元用于;
从当前所有中继节点中,筛选出满足以下条件的中继节点组成第一集合:基站源节点到中继节点的信噪比不低于预设的系统最低信噪比;
从第一集合中,选择满足以下条件的中继节点作为目标中继节点:中继节点到目的节点的信噪比最大。
可选的,基于基站源节点、目标中继节点和目的节点中两两节点之间的信号相关参数,获得系统中断概率的表达式时,所述计算单元用于
至少基于功率分配因子,预设的最低传输速率,基站源节点和中继节点之间的信道增益的方差,基站源节点和目的节点之间的信道增益的方差,预设的基站源节点和各个中继节点的总发射功率以及系统噪声功率,获得系统中断概率的表达式。
可选的,至少基于功率分配因子,预设的最低传输速率,基站源节点和中继节点之间的信道增益的方差,基站源节点和目的节点之间的信道增益的方差,预设的基站源节点和各个中继节点的总发射功率以及系统噪声功率,获得最小系统中断概率的表达式时,所述计算单元用于:
基于功率分配因子,预设的最低传输速率,基站源节点和目的节点之间的信道增益的方差,预设的基站源节点和各个中继节点的总发射功率以及系统噪声功率,获得基站源节点到目的节点之间的第一链路的中断概率的表达式;
基于功率分配因子,预设的最低传输速率,基站源节点和目标中继节点之间的信道增益的方差,预设的基站源节点和各个中继节点的总发射功率以及系统噪声功率,获得基站源节点到目标中继节点之间的第二链路的中断概率的表达式;
基于预设的基站源节点到中断节点的第一系统预设信噪比门限,预设的中继节点到目的节点的第二系统信噪比门限,基站源节点和目标中继节点之间的信道增益的方差、基站源节点和目的节点之间的信道增益的方差,获得所述第二链路不中断条件眄,目标中继节点到目的节点之间的第三链路的中继概率的表达式;
基于所述第一链路的中断概率的表达式,所述第二链路的中断概率的表达式,所述第三链路的中断概率的表达式,获得系统中断概率的表达式。
可选的,按照预设方式对所述粒子种群进行更新时,所述迭代单元用于:
需要采用预设的惯性因子、预设的学习因子、预设的随机数,以及当前的迭代次数,对各个粒子的速度和位置坐标进行更新;
从当前的粒子种群中选取一定数量的粒子,再基于选取出的粒子更新后的速度和位置坐标,采用预设的交叉算法或/和变异算法生成新的粒子,获得新的粒子种群。
可选的,从当前的粒子种群中选取一定数量的粒子,再基于选取出的粒子更新后的速度和位置坐标,采用预设的交叉算法生成新的粒子时,所述迭代单元用于:
按照设定的交叉概率从当前的粒子种群中随机选择相应数量的粒子;
基于粒子更新后的速度和位置坐标对选取的粒子执行交叉操作,生成新的粒子。
可选的,从当前的粒子种群中选取一定数量的粒子,再基于选取出的粒子更新后的速度和位置坐标,采用预设的变异算法生成新的粒子时,所述迭代单元用于:
根据预设的变异概率从当前的粒子种群中随机选择相应数量的粒子个体;
基于粒子更新后的速度和位置坐标对选取的粒子执行变异操作,生成新的粒子个体。
本发明实施例中,采用遗传粒子群迭代优化算法,不断更新粒子种数,并基于迭代更新的粒子种群,挑选出令系统中断概率达到最优的功率分配因子,从而基于获得的功率分配因子配置基站源节点的发射功率以及配置各个中继节点的发射功率。这样,能够在不断迭代过程中快速获得性能最优的功率分配因子,从而更好地降低了系统中继概率,进而能够更合理、灵活地配置基站源节点和各个中继节点的发射功率,有效提高了中继接入网的资源分配能力,避免了资源浪费的情况发生,同时,还具有收敛速度快,差错率低的优点。
附图说明
图1为现有技术下SDN架构示意图;
图2为本发明实施例中设置发射功率流程图;
图3为本发明实施例中系统中断概率随迭代次数的收敛性能示意图;
图4为本发明实施例中各类算法获得的系统中断概率性能比较示意图;
图5是本发明实施例中在不同信噪比情况下系统中断概率性能对比示意图;
图6为本发明实施例中功率控制器功能结构示意图。
具体实施方式
为了提高SDN接入网的资源分配能力,本发明实施例中,提出一种基于SDN的中继接入网架构的遗传粒子群优化(Genetic Particle Swarm Optimization PowerAllocation,GAPSO-PA)算法以求解最优的功率分配因子,再基于最优的功率分配因子配置基站源节点和中继节点的发射功率,从而最小化中继接入网中断概率。
本发明的技术原理可以描述为:在基于SDN的中继接入网架构下,控制平面和数据平面分离,控制平面通过功率控制器实现整个中继接入网资源配置集中化管理,其中,功率控制器通过本发明提出的GAPSO-PA算法得到最优的功率分配因子,并通过SDN南向接口协议(如,OpenFlow协议)中的控制信息将功率分配因子发送给基站源节点和中继节点,从而最终实现系统中断概率最小化,进而提高系统的服务质量。
下面结合附图对本发明优先的实施方式进行详细说明。
参阅图1所示,仍以多中继下行场景为例,基站源节点(记为S或s)位于小区中心,小区中有多个移动终端(记为D或d)及N(N≥1)个中继节点(记为R或r),基站源节点通过中继节点为其中一个移动终端服务,其中,假设系统不中断条件的最小数据传输速率为Rminbit/s/Hz,信道均为瑞利衰落。
本发明实施例中,首先设置了一种SDN中接入网的系统模式。具体为:
在第一阶段,基站源节点将信号分别发往中继节点和目的节点(即移动终端)。则中继节点接收到的信号表示为公式一,目的节点接收到的信号表示为公式二:
其中,
P0表示基站源节点的发射功率,Hs,r表示基站源节点和中继节点之间的信道增益、Hs,d表示基站源节点和目的节点信道之间的信道增益,Hs,r的取值均值为0,方差为Hs,d的取值均值为0,方差为和均满足复高斯分布。
Ns,r分别表示基站源节点和中继节点之间的加性高斯白噪声(additive whiteGaussian noise,AWGN),Ns,d表示基站源节点和目的节点之间的加性高斯白噪声,Ns,r的取值均值为0,功率谱密度为的,Ns,d的取值均值为0,功率谱密度为
在第二阶段,中继节点将接收到的基站源节点的信号重新编码后发送到目的节点,则目的节点接收到的信号表示为公式三:
其中,Pr为中继节点的发射功率,Hr,d表示中继节点与目的节点之间的信道增益,Hr,d的取值均值为0,方差为满足复高斯分布,为中继节点对在第一阶段从基站源节点接收到的信号处理后得到的信号。
目的节点会对分别从基站源节点和中继节点接收的两个信号进行最大比合并,具体可以采用公式四表示:
Yd=b1Ys,d+b2Yr,d 公式四
其中, 分别为Hs,d、Hr,d的共轭复数,N0为系统噪声功率。
以上为SDN中继接入网的工作原理示意图,下面将对SDN中继接入网中的各个节点的发射功率的过程作出进一步详细介绍。
参阅图2所示,本发明实施例中,设置节点的发射功率的具体流程如下:
步骤200:针对作为信号接收对象的目的节点,选择目标中继节点。
本发明实施例中,以基站源节点和目的节点之间存在一个目标中继节点为例进行说明。
对于时变的无线通信信道,当中继接入网内的单位时间互信息量(以下简称互信息量)I大于系统所要求的最低传输速率Rmin时,中继接入网能够正常工作。
在第一阶段,基站源节点发送信号到中继节点,基站源节点与中继节点之间的互信息量可以采用公式五表示:
其中,M∈{0,1},当中继节点参与通信时M=1,当中继节点不参与通信时M=0,γs,r表示基站源节点到中继节点的信噪比,可以采用公式六表示:
其中,Hs,r为信道功率增益,服从参数为的指数分布。
实际应用中,如果基站源节点到中继节点之间的信道质量较好,则中继接入网的实际传输速率大于系统所要求的最低传输速率Rmin,那么中继接入网能够支持最低传输速率Rmin的数据传输;但当基站源节点到中继节点之间的互信息量小于最低传输速率Rmin时,则中继接入网会发生中断,其中,中继接入网在第一阶段的中断概率可以采用公式七表示:
基站源节点在第一阶段发送信号给中继和目的节点,中继节点在接收到基站源节点发送来的信号后进行解码,信号在经重新编码后转发至目的节点。在实际的通信系统中,基站源节点和中继节点之间的信号传输必须满足系统不中断的条件,中继节点才能成功接收来自基站源节点的信号并重新编码发送出去。
那么,假设定义集合Φ中包括了N个能成功解码编码并将信号发射出去的中继节点,集合Φ中的所有中继节点均满足以下条件:基站源节点到中继节点的信噪比γs,r不低于预设的基站源节点到中断节点的第一系统预设信噪比门限γth1,具体可以采用公式八表示:
根据预设的概率分布密度,集合Φ产生的概率可以采用公式九表示:
其中,
在第二阶段,为使目的节点处的接收信噪比最大化,所以选择中继节点到目的节点的信噪比最大的中继节点作为目标中继节点继续进行信号转发,即可以采用公式十表示:
其中,ropt表示目标中继节点到目的节点的信噪比,γr,d表示任意一个中继节点到目的节点的信噪比。
此时,目的节点接收到的信号包括基站源节点发送到目的节点的信号和基站源节点通过目标中继节点转发到目的节点的信号,最后,目的节点会采用最大比合并方式对接收到的信号进行处理,此时,在目的节点处,合并后的信号的信噪比可以采用公式十一表示:
步骤210:基于基站源节点、目标中继节点和目的节点中两两节点之间的信号相关参数,获得系统中断概率的表达式,其中,信号相关参数至少包含功率分配因子。
假设基站源节点和各个中继节点的总发射功率表示为P,如前所述,基站源节点的发射功率表示为P0,而中继节点的发射功率表示为Pr,则基站源节点和中继节点的发射功率之间的关系可分别采用公式十二和公式十三表示:
p0=αp 公式十二
其中,N为中继节点的数目,α为功率分配因子,0<α<1。
将公式十二和公式十三代入公式十一,可以得到目的节点接收到的信号的信噪比的另一表达式,具体可以采用公式十四表示:
在步骤200中选取了目标中继节点之后,中继接入网的整个通信过程可以通过三条链路进行描述。其中,将基站源节点到目的节点的传输链路称为第一链路,简称链路T1,基站源节点到中继节点的传输链路称为第二链路,简称链路T2,中继节点到目的节点的传输链路称为第三链路,简称链路T3。
若整个中继接入网中断,则表示链路T1中断并且链路T2和链路T3中有一条链路中断,那么,系统中断概率可以采用公式十五表示:
Pout=Ps,d{outage}[Ps,r{outage}+Pr,d{outage}] 公式十五
基于公式十五,基站源节点到目的节点的链路T1的中断概率可以采用公式十六表示:
其中,Ps,d{outage}与Rmin、N0呈正相关,与α、σs,d、P呈负相关。
基于公式十五,基站源节点到中继节点的链路T2的中断概率可以采用公式十七表示:
其中,Ps,r{outage}与Rmin、N0呈正相关,与α、P、σs,r呈负相关。
在集合Φ中所有中继节点可成功解码编码基站源节点发送的信号这一条件下,当集合中Φ中选中的最优中继节点(如,目标中继节点)发生中断,则集合中所有其他中继节点也会发生中断,因此,目标中继节点到目的节点的链路T3的发生中断的条件概率可以采用公式十八表示:
其中,P{outageΦ}与Rmin、N0呈正相关,与σs,d、P、α呈负相关。
因此,基于公式十八,在基站源节点到中继节点的链路T2不发生中断的条件下,目标中继节点到目的节点的链路T3的中断概率可以采用公式十九表示,其中,γth2为预设的中继节点到目的节点的第二系统信噪比门限。
其中,Pr,d{outage}与Rmin、N0呈正相关,与α、P、σs,d、σs,r呈负相关。
那么,基于公式十六、公式十七和公式十九,可以得到总的系统中继概率的表达式,具体如公式二十所示:
与Rmin、N0呈正相关,与α、P、σs,d、σs,r呈负相关。
步骤220:按照设定的迭代总次数,循环执行以下操作:
分别针对最新的粒子种群中的每一个粒子,执行以下操作;从所述一个粒子的每一种位置坐标中,选取令所述系统中继概率的表达式取值最小的位置坐标,作为所述一个粒子的个体最优位置,其中,一个粒子的一种位置坐标表示一个功率分配因子的取值;
从所有粒子对应的个体最优位置中,选取令所述系统中继概率的表达式最小的位置坐标,作为所述粒子种群的全局最优位置;
按照预设方式对所述粒子种群进行更新。
本发明实施例中,从公式二十可以看出,系统中继概率的表达式是一个非线性方程,无法直接求解,可选的,可以利用遗传粒子群优化(Genetic Particle SwarmOptimization,GAPSO)方法来不断地优化系统中断概率的取值,以获得最优位置。简言之,遗传粒子群中的粒子对应功率分配算法中的功率分配因子α,即,一个粒子的一种位置坐标表示一个功率分配因子的取值,这样,在粒子种群不断迭代的过程中,可以不断优化功率分配因子α,最终得到令系统中断概率取值最小的最优位置。
利用GAPSO方法的具体步骤如下:
1)初始化。
如,设定目标的搜索空间维度为D,每个粒子均代表待搜索空间中的一个内点,粒子种群的规模为M,那么,由M个粒子组成的粒子种群可以表示为为X=(x1,...,xi,...xD),其中,第i个粒子的位置坐标可以表示为xi=(xi1,xi2,...,xiD)T,而粒子i的速度为Vi=(vi1,vi2,...,vid...viD)T,即粒子i移动的距离。
由于粒子是在不断运动的,因此,一个粒子可以具有多种位置坐标。
2)搜索寻优。
在粒子i的所有位置坐标中,搜索到令公式二十取值最小的位置坐标,称为局部最优位置,记为pi=(pi1,pi2,...,piD)T。
接着,在整个粒子种群内的所有粒子各自对应的局部最优位置中,搜索到令公式二十取值最小的位置坐标,称为全局最优位置,记为pg=(pg1,pg2,...pgD)T。
这仅为一次全局最优位置的搜索,在整个迭代过程中,会不断地更新粒子种群,从而不断地产生新的局部最优位置和全局最优位置。这样,粒子便会不断地向当前的粒子种群的最优位置靠近。
3)粒子种群更新,即步骤220提及的“按照预设方式对所述粒子种群进行更新”。
首先,需要采用预设的惯性因子、预设的学习因子、预设的随机数,以及当前的迭代次数,对各个粒子的速度和位置坐标进行更新。
可选的,可以采用公式二十一更新粒子的速度,采用公式二十二更新粒子的位置坐标。
xid(gn+1)=xid(gn)+vid(gn+1) 公式二十二
其中,d=1,2,...D,i=1,2,...M,M表示种群规模,gn表示迭代次数,w表示惯性因子,r1,r2表示分布于[0,1]之间的随机数,这两个参数用于保持群体的多样性,c1,c2表示学习因子,使粒子具有自我学习能力,从而不断的根据自身的局部最优位置及粒子种群的全局最优位置不断调整自身的方向。
接着,从当前粒子种群中选取一定数据的粒子,再基于选取出的粒子更新后的速度和位置坐标,采用预设的交叉算法或/和变异算法生成新的粒子个体,从而获得新的粒子种群。
可选的,在生成新的粒子种群时,通常采用交叉操作和/或变异操作,实际应用中还可以采用其他方式,本发明实施例中仅以这两种为例进行说明,下面分别给出介绍。
a、交叉操作。
在每次迭代中,会按照设定的交叉概率从当前的粒子种群中随机选择相应数量的粒子,然后,基于粒子更新后的速度和位置坐标对选取的粒子执行交叉操作,生成新一代的粒子,从而形成新的粒子种群,具体可以采用公式二十三和公式二十四实现:
b、变异操作。
在每次迭代中,会根据预设的变异概率从当前的粒子种群中随机选取相应数量的粒子个体,并基于粒子更新后的速度和位置坐标对选取的粒子执行变异操作,生成新的粒子个体,从而形成新的粒子种群。
在遗传算法中变异操作是指根据变异概率改变个体的局部信息,从而产生新的个体。虽然变异是小概率事件,但对算法的局部搜索能力有着重要的作用。变异操作即是基于变异概率随机选取一个粒子作为变异点,然后采取新的取值覆盖变异位的取值即可,具体可以采用公式二十五实现:
上述交叉操作和变异操作可以择一执行,也可以同期执行,若同期执行,则最终产生的新的粒子种群是两种操作各自产生的新的粒子种群的合集,那么,此时可以继续采用上述“2)搜索寻优”中介绍的方式再次选取出全局最优位置。这样,在不断迭代的过程中,粒子种群得到了不断地更新,而全局最优位置也随之不断更新,最终可以寻找到令系统中继概率表达式最小的全局最优位置,而这一取值便真是最优的功率分配因子的取值。
步骤230:采用最终获得的粒子种群的全局最优位置作为功率分配因子,配置基站源节点的发射功率,以及配置各个中继节点的发射功率。
整个迭代过程将在达到预设的迭代总次数时停止,此时获得的全局最优位置即可以作为最终的。
下面采用一个具体的应用场景对上述实施例的具体实施过程作出进一步详细说明。
表1(系统仿真参数)
假设设置了一批如表1所示的系统仿真参数,而仿真结果如图3、图4和图5所示。
从图3所示的仿真结果可以看出,与普通的粒子群算法(PSO-PA)相比较,本发明实施例中采用遗传粒子群优化算法(GAPSO-PA)迭代速度更快,大致迭代到第12次左右便能够寻得最优解(即最优的系统中继概率),而采用粒子群算法则需要迭代到第36次左右才能得到最优解。因此,本发明实施例提出的技术方案具有迭代速度快的优点。
从图4所示的仿真结果可以看出,与普通的粒子群算法(PSO-PA)和平均功率分配算法(Uniform-PA)算法相比较,本发明实施例采用遗传粒子群优化算法(GAPSO-PA)得到的系统中断概率性能更好(即可以获得更低的系统中断概率),而且随着信噪比的升高优化效果更加明显。
从图5所示的仿真结果可以看出,在不同信噪比情况下,当信噪比低于5dB时,系统中断概率处于较高水平,而随着信噪比的升高,系统中断概率则大幅度降低,显然系统的信噪比对系统中断概率的影响比较大。
基于上述实施例,参阅图6所示,本发明实施例中,功率控制器至少包括选择单元60、计算单元61、迭代单元62和配置单元63,其中,
选择单元60,用于针对作为信号接收对象的目的节点,选择目标中继节点;
计算单元61,用于基于基站源节点、目标中继节点和目的节点中两两节点之间的信号相关参数,获得系统中断概率的表达式,其中,所述信号相关参数至少包含功率分配因子;
迭代单元62,用于按照设定的迭代总次数,循环执行以下操作:
分别针对最新的粒子种群中的每一个粒子,执行以下操作;从所述一个粒子的每一种位置坐标中,选取令所述系统中继概率的表达式取值最小的位置坐标,作为所述一个粒子的个体最优位置,其中,一个粒子的一种位置坐标表示一个功率分配因子的取值;
从所有粒子对应的个体最优位置中,选取令所述系统中继概率的表达式最小的位置坐标,作为所述粒子种群的全局最优位置;
按照预设方式对所述粒子种群进行更新;
配置单元63,用于采用最终获得的全局最优位置作为功率分配因子,配置基站源节点的发射功率,以及配置各个中继节点的发射功率。
可选的,针对作为信号接收对象的目的节点,选择目标中继节点时,选择单元60用于;
从当前所有中继节点中,筛选出满足以下条件的中继节点组成第一集合:基站源节点到中继节点的信噪比不低于预设的系统最低信噪比;
从第一集合中,选择满足以下条件的中继节点作为目标中继节点:中继节点到目的节点的信噪比最大。
可选的,基于基站源节点、目标中继节点和目的节点中两两节点之间的信号相关参数,获得系统中断概率的表达式时,计算单元61用于
至少基于功率分配因子,预设的最低传输速率,基站源节点和中继节点之间的信道增益的方差,基站源节点和目的节点之间的信道增益的方差,预设的基站源节点和各个中继节点的总发射功率以及系统噪声功率,获得系统中断概率的表达式。
可选的,至少基于功率分配因子,预设的最低传输速率,基站源节点和中继节点之间的信道增益的方差,基站源节点和目的节点之间的信道增益的方差,预设的基站源节点和各个中继节点的总发射功率以及系统噪声功率,获得最小系统中断概率的表达式时,计算单元61用于:
基于功率分配因子,预设的最低传输速率,基站源节点和目的节点之间的信道增益的方差,预设的基站源节点和各个中继节点的总发射功率以及系统噪声功率,获得基站源节点到目的节点之间的第一链路的中断概率的表达式;
基于功率分配因子,预设的最低传输速率,基站源节点和目标中继节点之间的信道增益的方差,预设的基站源节点和各个中继节点的总发射功率以及系统噪声功率,获得基站源节点到目标中继节点之间的第二链路的中断概率的表达式;
基于预设的基站源节点到中断节点的第一系统预设信噪比门限,预设的中继节点到目的节点的第二系统信噪比门限,基站源节点和目标中继节点之间的信道增益的方差、基站源节点和目的节点之间的信道增益的方差,获得所述第二链路不中断条件眄,目标中继节点到目的节点之间的第三链路的中继概率的表达式;
基于所述第一链路的中断概率的表达式,所述第二链路的中断概率的表达式,所述第三链路的中断概率的表达式,获得系统中断概率的表达式。
可选的,按照预设方式对所述粒子种群进行更新时,迭代单元62用于:
需要采用预设的惯性因子、预设的学习因子、预设的随机数,以及当前的迭代次数,对各个粒子的速度和位置坐标进行更新;
从当前的粒子种群中选取一定数量的粒子,再基于选取出的粒子更新后的速度和位置坐标,采用预设的交叉算法或/和变异算法生成新的粒子,获得新的粒子种群。
可选的,从当前的粒子种群中选取一定数量的粒子,再基于选取出的粒子更新后的速度和位置坐标,采用预设的交叉算法生成新的粒子时,迭代单元62用于:
按照设定的交叉概率从当前的粒子种群中随机选择相应数量的粒子;
基于粒子更新后的速度和位置坐标对选取的粒子执行交叉操作,生成新的粒子。
可选的,从当前的粒子种群中选取一定数量的粒子,再基于选取出的粒子更新后的速度和位置坐标,采用预设的变异算法生成新的粒子时,迭代单元62用于:
根据预设的变异概率从当前的粒子种群中随机选择相应数量的粒子个体;
基于粒子更新后的速度和位置坐标对选取的粒子执行变异操作,生成新的粒子个体。
综上所述,本发明实施例中,采用遗传粒子群迭代优化算法,不断更新粒子种数,并基于迭代更新的粒子种群,挑选出令系统中断概率达到最优的功率分配因子,从而基于获得的功率分配因子配置基站源节点的发射功率以及配置各个中继节点的发射功率。这样,能够在不断迭代过程中快速获得性能最优的功率分配因子,从而更好地降低了系统中继概率,进而能够更合理、灵活地配置基站源节点和各个中继节点的发射功率,有效提高了中继接入网的资源分配能力,避免了资源浪费的情况发生,同时,还具有收敛速度快,差错率低的优点。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明实施例的精神和范围。这样,倘若本发明实施例的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (14)
1.一种发射功率的设置方法,其特征在于,包括:
针对作为信号接收对象的目的节点,选择目标中继节点;
基于基站源节点、目标中继节点和目的节点中两两节点之间的信号相关参数,获得系统中断概率的表达式,其中,所述信号相关参数至少包含功率分配因子;
按照设定的迭代总次数,循环执行以下操作:
分别针对最新的粒子种群中的每一个粒子,执行以下操作;从所述一个粒子的每一种位置坐标中,选取令所述系统中继概率的表达式取值最小的位置坐标,作为所述一个粒子的个体最优位置,其中,一个粒子的一种位置坐标表示一个功率分配因子的取值;
从所有粒子对应的个体最优位置中,选取令所述系统中继概率的表达式最小的位置坐标,作为所述粒子种群的全局最优位置;
按照预设方式对所述粒子种群进行更新;
采用最终获得的全局最优位置作为功率分配因子,配置基站源节点的发射功率,以及配置各个中继节点的发射功率。
2.如权利要求1所述的方法,其特征在于,针对作为信号接收对象的目的节点,选择目标中继节点;
从当前所有中继节点中,筛选出满足以下条件的中继节点组成第一集合:基站源节点到中继节点的信噪比不低于预设的系统最低信噪比;
从第一集合中,选择满足以下条件的中继节点作为目标中继节点:中继节点到目的节点的信噪比最大。
3.如权利要求1所述的方法,其特征在于,基于基站源节点、目标中继节点和目的节点中两两节点之间的信号相关参数,获得系统中断概率的表达式,包括
至少基于功率分配因子,预设的最低传输速率,基站源节点和中继节点之间的信道增益的方差,基站源节点和目的节点之间的信道增益的方差,预设的基站源节点和各个中继节点的总发射功率以及系统噪声功率,获得系统中断概率的表达式。
4.如权利要求3所述的方法,其特征在于,至少基于功率分配因子,预设的最低传输速率,基站源节点和中继节点之间的信道增益的方差,基站源节点和目的节点之间的信道增益的方差,预设的基站源节点和各个中继节点的总发射功率以及系统噪声功率,获得最小系统中断概率的表达式,包括:
基于功率分配因子,预设的最低传输速率,基站源节点和目的节点之间的信道增益的方差,预设的基站源节点和各个中继节点的总发射功率以及系统噪声功率,获得基站源节点到目的节点之间的第一链路的中断概率的表达式;
基于功率分配因子,预设的最低传输速率,基站源节点和目标中继节点之间的信道增益的方差,预设的基站源节点和各个中继节点的总发射功率以及系统噪声功率,获得基站源节点到目标中继节点之间的第二链路的中断概率的表达式;
基于预设的基站源节点到中断节点的第一系统预设信噪比门限,预设的中继节点到目的节点的第二系统信噪比门限,基站源节点和目标中继节点之间的信道增益的方差、基站源节点和目的节点之间的信道增益的方差,获得所述第二链路不中断条件眄,目标中继节点到目的节点之间的第三链路的中继概率的表达式;
基于所述第一链路的中断概率的表达式,所述第二链路的中断概率的表达式,所述第三链路的中断概率的表达式,获得系统中断概率的表达式。
5.如权利要求1-4任一项所述的方法,其特征在于,按照预设方式对所述粒子种群进行更新:
需要采用预设的惯性因子、预设的学习因子、预设的随机数,以及当前的迭代次数,对各个粒子的速度和位置坐标进行更新;
从当前的粒子种群中选取一定数量的粒子,再基于选取出的粒子更新后的速度和位置坐标,采用预设的交叉算法或/和变异算法生成新的粒子,获得新的粒子种群。
6.如权利要求5所述的方法,其特征在于,从当前的粒子种群中选取一定数量的粒子,再基于选取出的粒子更新后的速度和位置坐标,采用预设的交叉算法生成新的粒子,包括:
按照设定的交叉概率从当前的粒子种群中随机选择相应数量的粒子;
基于粒子更新后的速度和位置坐标对选取的粒子执行交叉操作,生成新的粒子。
7.如权利要求5所述的方法,其特征在于,从当前的粒子种群中选取一定数量的粒子,再基于选取出的粒子更新后的速度和位置坐标,采用预设的变异算法生成新的粒子,包括:
根据预设的变异概率从当前的粒子种群中随机选择相应数量的粒子个体;
基于粒子更新后的速度和位置坐标对选取的粒子执行变异操作,生成新的粒子个体。
8.一种发射功率的设置装置,其特征在于,包括:
选择单元,用于针对作为信号接收对象的目的节点,选择目标中继节点;
计算单元,用于基于基站源节点、目标中继节点和目的节点中两两节点之间的信号相关参数,获得系统中断概率的表达式,其中,所述信号相关参数至少包含功率分配因子;
迭代单元,用于按照设定的迭代总次数,循环执行以下操作:
分别针对最新的粒子种群中的每一个粒子,执行以下操作;从所述一个粒子的每一种位置坐标中,选取令所述系统中继概率的表达式取值最小的位置坐标,作为所述一个粒子的个体最优位置,其中,一个粒子的一种位置坐标表示一个功率分配因子的取值;
从所有粒子对应的个体最优位置中,选取令所述系统中继概率的表达式最小的位置坐标,作为所述粒子种群的全局最优位置;
按照预设方式对所述粒子种群进行更新;
配置单元,用于采用最终获得的全局最优位置作为功率分配因子,配置基站源节点的发射功率,以及配置各个中继节点的发射功率。
9.如权利要求8所述的装置,其特征在于,针对作为信号接收对象的目的节点,选择目标中继节点时,所述选择单元用于;
从当前所有中继节点中,筛选出满足以下条件的中继节点组成第一集合:基站源节点到中继节点的信噪比不低于预设的系统最低信噪比;
从第一集合中,选择满足以下条件的中继节点作为目标中继节点:中继节点到目的节点的信噪比最大。
10.如权利要求8所述的装置,其特征在于,基于基站源节点、目标中继节点和目的节点中两两节点之间的信号相关参数,获得系统中断概率的表达式时,所述计算单元用于
至少基于功率分配因子,预设的最低传输速率,基站源节点和中继节点之间的信道增益的方差,基站源节点和目的节点之间的信道增益的方差,预设的基站源节点和各个中继节点的总发射功率以及系统噪声功率,获得系统中断概率的表达式。
11.如权利要求10所述的装置,其特征在于,至少基于功率分配因子,预设的最低传输速率,基站源节点和中继节点之间的信道增益的方差,基站源节点和目的节点之间的信道增益的方差,预设的基站源节点和各个中继节点的总发射功率以及系统噪声功率,获得最小系统中断概率的表达式时,所述计算单元用于:
基于功率分配因子,预设的最低传输速率,基站源节点和目的节点之间的信道增益的方差,预设的基站源节点和各个中继节点的总发射功率以及系统噪声功率,获得基站源节点到目的节点之间的第一链路的中断概率的表达式;
基于功率分配因子,预设的最低传输速率,基站源节点和目标中继节点之间的信道增益的方差,预设的基站源节点和各个中继节点的总发射功率以及系统噪声功率,获得基站源节点到目标中继节点之间的第二链路的中断概率的表达式;
基于预设的基站源节点到中断节点的第一系统预设信噪比门限,预设的中继节点到目的节点的第二系统信噪比门限,基站源节点和目标中继节点之间的信道增益的方差、基站源节点和目的节点之间的信道增益的方差,获得所述第二链路不中断条件眄,目标中继节点到目的节点之间的第三链路的中继概率的表达式;
基于所述第一链路的中断概率的表达式,所述第二链路的中断概率的表达式,所述第三链路的中断概率的表达式,获得系统中断概率的表达式。
12.如权利要求8-11任一项所述的装置,其特征在于,按照预设方式对所述粒子种群进行更新时,所述迭代单元用于:
需要采用预设的惯性因子、预设的学习因子、预设的随机数,以及当前的迭代次数,对各个粒子的速度和位置坐标进行更新;
从当前的粒子种群中选取一定数量的粒子,再基于选取出的粒子更新后的速度和位置坐标,采用预设的交叉算法或/和变异算法生成新的粒子,获得新的粒子种群。
13.如权利要求12所述的装置,其特征在于,从当前的粒子种群中选取一定数量的粒子,再基于选取出的粒子更新后的速度和位置坐标,采用预设的交叉算法生成新的粒子时,所述迭代单元用于:
按照设定的交叉概率从当前的粒子种群中随机选择相应数量的粒子;
基于粒子更新后的速度和位置坐标对选取的粒子执行交叉操作,生成新的粒子。
14.如权利要求12所述的装置,其特征在于,从当前的粒子种群中选取一定数量的粒子,再基于选取出的粒子更新后的速度和位置坐标,采用预设的变异算法生成新的粒子时,所述迭代单元用于:
根据预设的变异概率从当前的粒子种群中随机选择相应数量的粒子个体;
基于粒子更新后的速度和位置坐标对选取的粒子执行变异操作,生成新的粒子个体。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710552948.1A CN109219122A (zh) | 2017-07-07 | 2017-07-07 | 一种发射功率的设置方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710552948.1A CN109219122A (zh) | 2017-07-07 | 2017-07-07 | 一种发射功率的设置方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109219122A true CN109219122A (zh) | 2019-01-15 |
Family
ID=64991204
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710552948.1A Withdrawn CN109219122A (zh) | 2017-07-07 | 2017-07-07 | 一种发射功率的设置方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109219122A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110753365A (zh) * | 2019-10-30 | 2020-02-04 | 电子科技大学 | 异构蜂窝网络干扰协调方法 |
CN113347683A (zh) * | 2021-05-20 | 2021-09-03 | 珠海格力电器股份有限公司 | 区域控制系统组网方法、装置及区域控制系统 |
CN113497691A (zh) * | 2020-04-07 | 2021-10-12 | 普天信息技术有限公司 | 一种基于无线通信系统的数据传输方法及装置 |
CN117560049A (zh) * | 2023-05-11 | 2024-02-13 | 武汉能钠智能装备技术股份有限公司四川省成都市分公司 | 一种卫星地面站中继转发系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102545992A (zh) * | 2011-12-21 | 2012-07-04 | 北京邮电大学 | Df中继系统的最优中继选择和功率分配方法 |
CN106954268A (zh) * | 2017-05-03 | 2017-07-14 | 北京科技大学 | 一种sdn架构下接入网资源分配方法 |
-
2017
- 2017-07-07 CN CN201710552948.1A patent/CN109219122A/zh not_active Withdrawn
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102545992A (zh) * | 2011-12-21 | 2012-07-04 | 北京邮电大学 | Df中继系统的最优中继选择和功率分配方法 |
CN106954268A (zh) * | 2017-05-03 | 2017-07-14 | 北京科技大学 | 一种sdn架构下接入网资源分配方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110753365A (zh) * | 2019-10-30 | 2020-02-04 | 电子科技大学 | 异构蜂窝网络干扰协调方法 |
CN110753365B (zh) * | 2019-10-30 | 2021-05-04 | 电子科技大学 | 异构蜂窝网络干扰协调方法 |
CN113497691A (zh) * | 2020-04-07 | 2021-10-12 | 普天信息技术有限公司 | 一种基于无线通信系统的数据传输方法及装置 |
CN113347683A (zh) * | 2021-05-20 | 2021-09-03 | 珠海格力电器股份有限公司 | 区域控制系统组网方法、装置及区域控制系统 |
CN113347683B (zh) * | 2021-05-20 | 2022-05-03 | 珠海格力电器股份有限公司 | 区域控制系统组网方法、装置及区域控制系统 |
CN117560049A (zh) * | 2023-05-11 | 2024-02-13 | 武汉能钠智能装备技术股份有限公司四川省成都市分公司 | 一种卫星地面站中继转发系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Optimizing resources allocation for fog computing-based Internet of Things networks | |
Wickramasuriya et al. | Base station prediction and proactive mobility management in virtual cells using recurrent neural networks | |
Chen et al. | Energy-efficiency oriented traffic offloading in wireless networks: A brief survey and a learning approach for heterogeneous cellular networks | |
CN108112037B (zh) | 基于雾计算和协作通信网络的负载均衡方法 | |
CN109219122A (zh) | 一种发射功率的设置方法及装置 | |
CN110521234A (zh) | 使用深度学习进行网络自优化的方法和系统 | |
Hamdi et al. | Resource allocation based on hybrid genetic algorithm and particle swarm optimization for D2D multicast communications | |
Lorenzo et al. | Optimal routing and traffic scheduling for multihop cellular networks using genetic algorithm | |
Shuvo et al. | Energy-efficient scheduling of small cells in 5G: A meta-heuristic approach | |
Valavanis et al. | Base-station location optimization for LTE systems with genetic algorithms | |
Islam et al. | Survey on the state-of-the-art in device-to-device communication: A resource allocation perspective | |
Moysen et al. | Learning-based tracking area list management in 4g and 5g networks | |
Li et al. | An energy-effective network deployment scheme for 5G Cloud Radio Access Networks | |
CN114143814B (zh) | 一种基于异构边缘云架构的多任务卸载方法及系统 | |
Liang et al. | 4G heterogeneous networks base station planning using evolutionary multi-objective algorithm | |
Sett et al. | Effect of optimal cluster head placement in MANET through multi objective GA | |
Murugan et al. | A routing algorithm for extending mobile sensor network's lifetime using connectivity and target coverage | |
Zou et al. | Resource multi-objective mapping algorithm based on virtualized network functions: RMMA | |
CN106954268A (zh) | 一种sdn架构下接入网资源分配方法 | |
Zhou et al. | Context-aware learning-based resource allocation for ubiquitous power IoT | |
Van Truong et al. | System design and optimization of Mobile Edge Computing in the NOMA Wireless Tactile Internet of things Network | |
De Domenico et al. | Backhaul-aware small cell DTX based on fuzzy Q-Learning in heterogeneous cellular networks | |
Zhai et al. | Collaborative computation offloading for cost minimization in hybrid computing systems | |
Mkiramweni et al. | Mean field games for 5G ultra-dense networks: A resource management perspective | |
Daher et al. | Linear ucb for online SON management |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20190115 |