CN109275194B - 一种基于粒子群算法的非正交多址接入联合带宽和速率分配方法 - Google Patents

一种基于粒子群算法的非正交多址接入联合带宽和速率分配方法 Download PDF

Info

Publication number
CN109275194B
CN109275194B CN201811038204.9A CN201811038204A CN109275194B CN 109275194 B CN109275194 B CN 109275194B CN 201811038204 A CN201811038204 A CN 201811038204A CN 109275194 B CN109275194 B CN 109275194B
Authority
CN
China
Prior art keywords
following
mbs
sub
bandwidth
executing
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.)
Active
Application number
CN201811038204.9A
Other languages
English (en)
Other versions
CN109275194A (zh
Inventor
吴远
汪筱鼎
倪克杰
毛浩伟
钱丽萍
黄亮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN201811038204.9A priority Critical patent/CN109275194B/zh
Publication of CN109275194A publication Critical patent/CN109275194A/zh
Application granted granted Critical
Publication of CN109275194B publication Critical patent/CN109275194B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/04—Wireless resource allocation
    • H04W72/044—Wireless resource allocation based on the type of the allocated resource
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/04—Wireless resource allocation
    • H04W72/044—Wireless resource allocation based on the type of the allocated resource
    • H04W72/0453—Resources in frequency domain, e.g. a carrier in FDMA
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/50—Allocation or scheduling criteria for wireless resources
    • H04W72/54—Allocation or scheduling criteria for wireless resources based on quality criteria
    • H04W72/541—Allocation or scheduling criteria for wireless resources based on quality criteria using the level of interference
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

一种基于粒子群算法的非正交多址接入联合带宽和速率分配方法，首先，基站BS通过非正较频分多址接入技术发送数据，为移动终端提供数据流量服务；接着，分析系统特性对问题进行等价转化，并将其分解为为顶层问题和底层问题；根据转化得的底层问题特性设计高效的算法求解，最后将算法输出结果代回顶层问题求得最优的带宽与速率分配值。本发明在无线蜂窝网络中应用NOMA技术进行数据发送，为了实现下行链路非正交多址接入节能传输，将带宽与速率联合考虑，在满足所有MU数据流量需求的前提下联合分配带宽和速率实现最高能效的数据传输。

Description

一种基于粒子群算法的非正交多址接入联合带宽和速率分配 方法
技术领域
本发明涉及无线网络中，一种实现资源使用效率优化的基于粒子群算法的非正交多址接入联合带宽和速率分配方法。
背景技术
在未来十年里，智能移动终端的爆炸式增长，众多的移动终端对移动数据流量的需求成千倍的增加，如何以及时和低成本的方式有效满足这种日益增长的需求，对网络运营商而言是极具挑战性的。在无线电接入网上，频谱资源极度稀缺，然而未来用户又需要超高传输速率，非正交多址接入(Non-Orthogonal Multiple Access,NOMA)技术被提出来，与传统的正交多址接入(Orthogonal Multiple Access,OMA)技术不同，NOMA通过非正交资源分配可以服务更多用户，通过使大量用户同时共享同一频段信道和采用连续干扰消除机制(Successive Interference Cancellation,SIC)消除同频干扰可以明显提高频谱效率，为用户提供超高传输速率。
发明内容
为了克服现有技术的缺点，本发明提供一种实现资源使用效率优化的基于粒子群算法的非正交多址接入联合带宽和速率分配方法，本发明在无线蜂窝网络中应用NOMA技术进行数据发送，为了实现下行链路非正交多址接入节能传输，将带宽与速率联合考虑，在满足所有MU数据流量需求的前提下联合分配带宽和速率实现最高能效的数据传输。
本发明解决其技术问题所采用的技术方案是：
一种基于粒子群算法的非正交多址接入联合带宽和速率分配方法，包括以下步骤：
1)在单个运营商的单个宏蜂窝基站mBS的覆盖范围下总共有I个移动终端MT(Mobile Terminals)，在该情况下，mBS使用非正交多址接入技术NOMA发送数据；考虑到NOMA的技术特性，引入索引集
Figure BDA0001791427840000021
表示I个MT；首先，由于连续干扰消除机制SIC，对mBS到所有MT的信道增益按照从大到小进行排序，故有以下顺序：
gB1>gB2>…>gBi>gBj>…>gBI， (1)
其中gBi表示mBS到第i个MT的信道增益，
Figure BDA0001791427840000022
在接下来的说明中提到的第i个MT或第j个MT均是在索引集
Figure BDA0001791427840000023
中的；
2)在mBS端，每个MT的瞬时信道增益
Figure BDA0001791427840000024
都是已知的；基于NOMA，mBS会将所有的数据叠加在同一频段上发送给每个MT；在MT端，使用SIC消除MT之间的相互干扰；对于MTi，在接收数据中首先解码MT k的数据，k>i即特指MT k排列在MT i后面，然后将解码后的数据从接收数据中删除，操作顺序是k＝I,I-1,I-2,…,i+1，同时将MT j的数据信号视为噪声，j<i即特指MT j排列在MT i前面，根据以上的解码机制，由mBS到MT i的吞吐量为：
Figure BDA0001791427840000025
其中参数定义如下：
pBi：mBS到MT i的发射功率；
Ri：mBS到MT i的数据吞吐量；
WB：服务该组移动终端而分配的带宽量；
n0：背景噪声的功率谱密度；
由此可得mBS到所有移动用户的最小总发射功率表示如下：
Figure BDA0001791427840000031
其中假设gB0是一个足够大的值，因此
Figure BDA0001791427840000032
3)基于上面的最小发射功率表达式，制定以下BS的带宽使用WB和MT的服务吞吐量
Figure BDA0001791427840000033
的联合优化问题：
Figure BDA0001791427840000034
Figure BDA0001791427840000035
Figure BDA0001791427840000036
Figure BDA0001791427840000037
Figure BDA0001791427840000038
其中参数定义如下：
Figure BDA0001791427840000039
mBS的总功率；
Figure BDA00017914278400000310
mBS所具备的总带宽；
Figure BDA00017914278400000311
MT i的最小速率需求；
Figure BDA00017914278400000312
MT i的速率分配上限；
在目标函数中，
Figure BDA00017914278400000313
表示BS在服务MT的流量时的净收益，其中α表示提供MT的流量的边际报酬，β表示占用频率信道的成本，参数p0表示BS的固定功耗，目标函数表示通过 BS的净收益与BS的总功耗之间的比率来测量的能量效率；
4)解决问题(P1)的关键思想是利用其分层结构，引入一个辅助变量η，它表示能效的下限：
Figure BDA0001791427840000041
使用η，可以等效地将问题(P1)转换为：
(P1-E):max η
Figure BDA0001791427840000042
constraints(4),(5),and(6)
Figure BDA0001791427840000043
设η*表示问题(P1-E)的最优解，即η*是原问题(P1)的最大能量效率；问题(P1-E)的目标是要找到可行域内η的最大值，即η*，在给定η条件下，为了确定由约束条件所构造的可行区域是否为非空，只需要考虑：
Figure BDA0001791427840000044
subject to:constraints(4),(5),and(6)
Figure BDA0001791427840000045
基于问题(P1-E-Sub)的Vη输出，解决问题(P1-E)可以找到η*, 如下：
(P1-E-Top):η*＝arg max{η∈[0,ηmax]|Vη≥0},
其中上限
Figure BDA0001791427840000046
然而，问题(P1-E-Sub)仍然是关于WB和
Figure BDA0001791427840000047
的非凸优化，采用更进一层的分解，即除了给定的η之外，进一步假设给出了带宽分配WB，并优化
Figure BDA0001791427840000051
如下：
Figure BDA0001791427840000052
通过将
Figure BDA0001791427840000058
视为WB的函数，继续如下优化WB：
Figure BDA0001791427840000059
Figure BDA0001791427840000053
上述分解能够得出以下结果；
给定η和WB，问题(RA-Sub)是关于
Figure BDA0001791427840000054
的严格凸优化；
对于以上的结论，证明如下：
使用Karush-Kuhn-Tucker(KKT)条件来确定问题(RA-Sub)的最优解，用λ来表示约束(9)的拉格朗日乘子，表达问题的拉格朗日函数(RA-Sub)如下：
Figure BDA0001791427840000055
推导出：
Figure BDA0001791427840000056
式(10)显示：
Figure BDA0001791427840000057
当满足下面条件时：
Figure BDA0001791427840000061
Figure BDA0001791427840000062
至少存在一个MT r使得：
Figure BDA0001791427840000063
基于这一发现，确定关于问题(RA-Sub)的最优解的以下重要结果：
问题(RA-Sub)的最优解决方案可能发生在以下情况之中；
情况1：存在特殊的MT
Figure BDA0001791427840000064
使得
Figure BDA0001791427840000065
对于
Figure BDA0001791427840000066
中MT，有
Figure BDA0001791427840000067
Figure BDA0001791427840000068
与此同时，对于MTr，其
Figure BDA0001791427840000069
根据以下两个可能的子情况来确定；
子情况1：假设λ＝0，
Figure BDA00017914278400000610
由下式决定
Figure BDA00017914278400000611
这里的
Figure BDA00017914278400000612
子情况2：假设λ>0，
Figure BDA00017914278400000613
由下式决定：
Figure BDA00017914278400000614
知道
Figure BDA00017914278400000615
后,λ的值根据
Figure BDA00017914278400000616
确定；
情况2：边界情况
Figure BDA00017914278400000617
情况3：边界情况
Figure BDA00017914278400000618
5)基于上述分析，提出Subroutine-RA算法来计算
Figure BDA00017914278400000619
6)使用Subroutine-RA算法，可以找到每个给定η时的
Figure BDA00017914278400000620
值，问题(BA-Top)是单变量优化问题，采用线性搜索方法来找到
Figure BDA0001791427840000071
提出Subroutine-forEE算法来解决问题(BA-Top)，其核心思想是采取线性搜索的方法，设定一个很小的搜索步长，逐一枚举WB，找到最优的带宽分配；
7)在给定η下，如果Vη≥0则说明构造的可行域非空，否则，说明构造的可行域为空；对于问题(P1-E-Sub)，Vη的值随着η的增大而减小，可行域内η的最大值出现在Vη＝0处，采用二分法来求最大的η，即η*。
进一步，所述步骤5)中，Subroutine-RA算法包括以下步骤：
步骤5.1：初始化种群个数N,初始化N个种群所处的位置 Rini＝{Rn}1≤n≤N，其中
Figure BDA0001791427840000072
其Ri在
Figure BDA0001791427840000073
范围内随机给定；初始化最大迭代次数ger,初始化当前迭代次数iter＝1,惯性权重w,自我学习因子c1,群体学习因子c2，每个个体的历史最佳位置 {smn}0＜n≤N,每个个体的历史最佳适应度{fsmn}0＜n≤N＝0,种群的历史最佳位置ym＝0,种群的历史最佳适应度fym＝-∞,随机初始化种群速度{vn}0＜n≤N，设定更新速度的限制为Δ；
步骤5.2：如果iter≤ger，则执行步骤5.3，否则执行步骤5.18；
步骤5.3：令n＝1；
步骤5.4：如果n≤N，在给定η和WB条件下，利用
Figure BDA0001791427840000074
Figure BDA0001791427840000075
评估Rn的适应度，保存适应度
Figure BDA0001791427840000076
执行步骤6.5，否则执行步骤6.7；
步骤5.5：如果fsmn<Ztemp,则更新fsmn＝Ztemp，smn＝Rn, 执行步骤5.6，否则执行步骤5.7；
步骤5.6：更新n＝n+1，返回步骤5.4；
步骤5.7：如果fym小于{fsmn}0＜n≤N中的最大值fsmn,则更新 fym＝fsmn，ym＝smn,否则直接执行步骤5.8；
步骤5.8：令n＝1；
步骤5.9：如果n≤N,则执行步骤5.10，否则执行步骤5.12；
步骤5.10：更新速度vn＝vn*w+c1*(smn-Rn)+c2*(ym- Rn)；
步骤5.11：更新n＝n+1，返回步骤5.9；
步骤5.12：如果发现vn中vi>Δ,则更新vi＝Δ,否则直接执行步骤 5.13；
步骤5.13：如果发现vn中vi<-Δ,则更新vi＝-Δ,否则直接执行步骤5.14；
步骤5.14：更新种群位置，上一时刻的每个位置Rn加上更新速度 vn，得最新的位置{Rn}0＜n≤N；
步骤5.15：如果Rn中
Figure BDA0001791427840000081
更新
Figure BDA0001791427840000082
得出速率分配Rn, 否则直接执行步骤5.16；
步骤5.16：如果Rn中
Figure BDA0001791427840000083
更新
Figure BDA0001791427840000084
更新速率分配Rn, 否则直接执行步骤5.17；
步骤5.17：更新iter＝iter+1，返回步骤5.2；
步骤5.18：输出
Figure BDA0001791427840000085
再进一步，所述步骤6)中，找到最优的带宽分配过程包括以下步骤：
步骤6.1：设定一个很小的步长Δ，并初始化
Figure BDA0001791427840000086
初始化当前最佳解
Figure BDA0001791427840000091
当前最佳值CBV＝0；
步骤6.2：如果
Figure BDA0001791427840000092
则执行步骤6.3，否则执行步骤6.6；
步骤6.3：给定η，用Subroutine-RA算法来得出
Figure BDA0001791427840000093
步骤6.4：如果
Figure BDA0001791427840000094
那么设定
Figure BDA0001791427840000095
和
Figure BDA0001791427840000096
步骤6.5：更新
Figure BDA0001791427840000097
继续执行步骤6.2；
步骤6.6：输出
Figure BDA0001791427840000098
Vη＝CBV。
更进一步，所述步骤7)中，二分法的过程包括以下步骤：
步骤7.1：设定当前上限ηupp＝ηmax,当前下限ηlow＝0,初始化计算误差的精确度tol；
步骤7.2：如果|ηupp-ηlow|≥tol，则执行步骤7.3，否则执行步骤7.6；
步骤7.3：设定
Figure BDA0001791427840000099
用Subroutine-forEE算法来获得Vη；
步骤7.4：如果Vη<0,设定ηupp＝ηtemp，否则，设定ηlow＝ηtemp；
步骤7.5:回到步骤7.2继续执行；
步骤7.6:输出η*＝ηtemp。
本发明的技术构思为：首先，在无线接入网络中，单个宏蜂窝基站(macro BaseStation,mBS)通过非正交多址接入(NOMA)为I个移动终端(Mobile Terminals,MT)提供接入服务，发送数据。使用NOMA可以提升系统频谱效率。接着，应用连续干扰消除机制(SIC)消除部分同频干扰提升系统数据传输质量。然后，在满足所有移动终端(MT)数据流量需求的基础下最大化系统能效。该问题是一个多变量问题，通过一系列的问题的拆分，将其等价转化为单变量问题，利用其隐藏的凸性，最后设计有效算法来求出最优的带宽和速率分配实现能效最高，进而实现本发明的目标。
本发明的有益效果主要表现在:1、对于整体系统而言，引入 NOMA技术不仅契合未来第五代移动通信技术(5G)的发展要求，同时提升频谱使用效率；2、将带宽分配与功速率分配两个不同的问题联合考虑，实现系统整体能效最大化。
附图说明
图1是无线网络中多个终端MT，单个宏基站BS的场景示意图。
具体实施方式
下面结合附图对于本发明作进一步详细描述。
参照图1，一种基于粒子群算法的非正交多址接入联合带宽和速率分配方法，实行该方法能在同时满足数据需求的前提下，使得系统能效最大，提高整个系统的无线资源利用率。本发明可以应用于无线网络，如图1所示场景中。针对该目标设计对问题的优化方法包括以下步骤：
1)在单个运营商的单个宏蜂窝基站mBS的覆盖范围下总共有I个移动终端(MobileTerminals,MTs)，在该情况下，mBS使用非正交多址接入技术NOMA发送数据；考虑到NOMA的技术特性，引入索引集
Figure BDA0001791427840000101
表示I个MT；首先，由于连续干扰消除机制SIC，对mBS到所有MT的信道增益按照从大到小进行排序，故有以下顺序：
gB1>gB2>…>gBi>gBj>…>gBI， (1)
其中gBi表示mBS到第i个MT的信道增益，
Figure BDA0001791427840000102
在接下来的说明中提到的第i个MT或第j个MT均是在索引集
Figure BDA0001791427840000111
中的；
2)在mBS端，每个MT的瞬时信道增益
Figure BDA0001791427840000112
都是已知的；基于NOMA，mBS会将所有的数据叠加在同一频段上发送给每个MT；在MT端，使用SIC消除MT之间的相互干扰；对于MTi，在接收数据中首先解码MT k的数据，k>i即特指MT k排列在MT i后面，然后将解码后的数据从接收数据中删除，操作顺序是k＝I,I-1,I-2,…,i+1，同时将MT j的数据信号视为噪声，j<i即特指MT j排列在MT i前面，根据以上的解码机制，由mBS到MT i的吞吐量为：
Figure BDA0001791427840000113
其中参数定义如下：
pBi：mBS到MT i的发射功率；
Ri：mBS到MT i的数据吞吐量；
WB：服务该组移动终端而分配的带宽量；
n0：背景噪声的功率谱密度；
由此可得mBS到所有移动用户的最小总发射功率表示如下：
Figure BDA0001791427840000114
其中假设gB0是一个足够大的值，因此
Figure BDA0001791427840000115
3)基于上面的最小发射功率表达式，制定以下BS的带宽使用WB和MT的服务吞吐量
Figure BDA0001791427840000116
的联合优化问题：
Figure BDA0001791427840000117
Figure BDA0001791427840000118
Figure BDA0001791427840000119
Figure BDA0001791427840000121
Figure BDA0001791427840000122
其中参数定义如下：
Figure BDA0001791427840000123
mBS的总功率；
Figure BDA0001791427840000124
mBS所具备的总带宽；
Figure BDA0001791427840000125
MT i的最小速率需求；
Figure BDA0001791427840000126
MT i的速率分配上限；
在目标函数中，
Figure BDA0001791427840000127
表示BS在服务MT的流量时的净收益，其中α表示提供MT的流量的边际报酬，β表示占用频率信道的成本，参数p0表示BS的固定功耗，目标函数表示通过 BS的净收益与BS的总功耗之间的比率来测量的能量效率；
4)解决问题(P1)的关键思想是利用其分层结构，引入一个辅助变量η，它表示能效的下限：
Figure BDA0001791427840000128
使用η，可以等效地将问题(P1)转换为：
Figure BDA0001791427840000129
设η*表示问题(P1-E)的最优解，即η*是原问题(P1)的最大能量效率，问题(P1-E)的目标是要找到可行域内η的最大值，即η*，在给定η条件下，为了确定由约束条件所构造的可行区域是否为非空，只需要考虑：
Figure BDA0001791427840000131
subject to:constraints(4),(5),and(6)
Figure BDA0001791427840000132
基于问题(P1-E-Sub)的Vη输出，解决问题(P1-E)可以找到η*, 如下：
(P1-E-Top):η*＝arg max{η∈[0,ηmax]|Vη≥0},
其中上限
Figure BDA0001791427840000133
然而，问题(P1-E-Sub)仍然是关于WB和
Figure BDA0001791427840000134
的非凸优化，采用更进一层的分解，即除了给定的η之外，进一步假设给出了带宽分配WB，并优化
Figure BDA0001791427840000135
如下：
Figure BDA0001791427840000136
通过将
Figure BDA0001791427840000137
(即，问题(RA-Sub)的输出)视为WB的函数，继续如下优化WB：
Figure BDA0001791427840000139
Figure BDA0001791427840000138
上述分解能够得出以下结果；
给定η和WB，问题(RA-Sub)是关于
Figure BDA0001791427840000141
的严格凸优化；
对于以上的结论，证明如下：
使用Karush-Kuhn-Tucker(KKT)条件来确定问题(RA-Sub)的最优解；具体来说，用λ来表示约束(9)的拉格朗日乘子，因此，可以表达问题的拉格朗日函数(RA-Sub)如下：
Figure BDA0001791427840000142
可以推导出：
Figure BDA0001791427840000143
式(10)显示：
Figure BDA0001791427840000144
当满足下面条件时：
Figure BDA0001791427840000145
Figure BDA0001791427840000146
至少存在一个MT r使得：
Figure BDA0001791427840000147
基于这一发现，确定关于问题(RA-Sub)的最优解的以下重要结果:
问题(RA-Sub)的最优解决方案可能发生在以下情况之中；
情况1：存在特殊的MT
Figure BDA0001791427840000148
使得
Figure BDA0001791427840000151
对于
Figure BDA0001791427840000152
中MT，有
Figure BDA0001791427840000153
Figure BDA0001791427840000154
与此同时，对于MTr，其
Figure BDA0001791427840000155
根据以下两个可能的子情况来确定；
子情况1：假设λ＝0，
Figure BDA0001791427840000156
由下式决定
Figure BDA0001791427840000157
这里的
Figure BDA0001791427840000158
子情况2：假设λ>0，
Figure BDA0001791427840000159
由下式决定：
Figure BDA00017914278400001510
知道
Figure BDA00017914278400001511
后,λ的值根据
Figure BDA00017914278400001512
确定；
情况2：边界情况
Figure BDA00017914278400001513
情况3：边界情况
Figure BDA00017914278400001514
5)基于上述分析，提出Subroutine-RA算法来计算
Figure BDA00017914278400001515
包括以下步骤：
步骤5.1：初始化种群个数N,初始化N个种群所处的位置 Rini＝{Rn}1≤n≤N，其中
Figure BDA00017914278400001516
其Ri在
Figure BDA00017914278400001517
范围内随机给定。初始化最大迭代次数ger,初始化当前迭代次数iter＝1,惯性权重w,自我学习因子c1,群体学习因子c2，每个个体的历史最佳位置 {smn}0＜n≤N,每个个体的历史最佳适应度{fsmn}0＜n≤N＝0,种群的历史最佳位置ym＝0,种群的历史最佳适应度fym＝-∞,随机初始化种群速度{vn}0＜n≤N，设定更新速度的限制为Δ；
步骤5.2：如果iter≤ger，则执行步骤5.3，否则执行步骤5.18；
步骤5.3：令n＝1；
步骤5.4：如果n≤N，在给定η和WB条件下，利用
Figure BDA0001791427840000161
Figure BDA0001791427840000162
评估Rn的适应度，保存适应度
Figure BDA0001791427840000163
执行步骤6.5，否则执行步骤6.7；
步骤5.5：如果fsmn<Ztemp,则更新fsmn＝Ztemp，smn＝Rn, 执行步骤5.6，否则执行步骤5.7；
步骤5.6：更新n＝n+1，返回步骤5.4；
步骤5.7：如果fym小于{fsmn}0＜n≤N中的最大值fsmn,则更新 fym＝fsmn，ym＝smn,否则直接执行步骤5.8；
步骤5.8：令n＝1；
步骤5.9：如果n≤N,则执行步骤5.10，否则执行步骤5.12；
步骤5.10：更新速度vn＝vn*w+c1*(smn-Rn)+c2*(ym- Rn)；
步骤5.11：更新n＝n+1，返回步骤5.9；
步骤5.12：如果发现vn中vi>Δ,则更新vi＝Δ,否则直接执行步骤 5.13；
步骤5.13：如果发现vn中vi<-Δ,则更新vi＝-Δ,否则直接执行步骤5.14；
步骤5.14：更新种群位置，上一时刻的每个位置Rn加上更新速度 vn，得最新的位置{Rn}0＜n≤N；
步骤5.15：如果Rn中
Figure BDA0001791427840000164
更新
Figure BDA0001791427840000165
得出速率分配Rn, 否则直接执行步骤5.16；
步骤5.16：如果Rn中
Figure BDA0001791427840000166
更新
Figure BDA0001791427840000167
更新速率分配Rn, 否则直接执行步骤5.17；
步骤5.17：更新iter＝iter+1，返回步骤5.2；
步骤5.18：输出
Figure BDA0001791427840000171
6)使用Subroutine-RA算法，可以找到每个给定η时的
Figure BDA0001791427840000172
值，因此，可以继续解决问题(BA-Top)，解决问题(BA-Top)的难点在于不能分析地表达
Figure BDA0001791427840000173
这阻止了使用传统的基于梯度的方法；问题(BA-Top)是单变量优化问题，采用线性搜索方法来找到
Figure BDA0001791427840000174
提出Subroutine-forEE算法来解决问题(BA-Top)，其核心思想是采取线性搜索的方法，设定一个很小的搜索步长，逐一枚举WB，找到最优的带宽分配，过程包括以下步骤：
步骤6.1：设定一个很小的步长Δ，并初始化
Figure BDA0001791427840000175
初始化当前最佳解
Figure BDA0001791427840000176
当前最佳值CBV＝0；
步骤6.2：如果
Figure BDA0001791427840000177
则执行步骤6.3，否则执行步骤6.6；
步骤6.3：给定η，用Subroutine-RA算法来得出
Figure BDA0001791427840000178
步骤6.4：如果
Figure BDA0001791427840000179
那么设定
Figure BDA00017914278400001710
和
Figure BDA00017914278400001711
步骤6.5：更新
Figure BDA00017914278400001712
继续执行步骤6.2；
步骤6.6：输出
Figure BDA00017914278400001713
Vη＝CBV；
7)在给定η下，如果Vη≥0则说明构造的可行域非空，否则，说明构造的可行域为空，对于问题(P1-E-Sub)，Vη的值随着η的增大而减小，可行域内η的最大值出现在Vη＝0处；采用二分法来求最大的η (即，η*)，过程包括以下步骤：
步骤7.1：设定当前上限ηupp＝ηmax,当前下限ηlow＝0,初始化计算误差的精确度tol；
步骤7.2：如果|ηupp-ηlow|≥tol，则执行步骤7.3，否则执行步骤7.6；
步骤7.3：设定
Figure BDA0001791427840000181
用Subroutine-forEE算法来获得Vη；
步骤7.4：如果Vη<0,设定ηupp＝ηtemp，否则，设定ηlow＝ηtemp；
步骤7.5:回到步骤7.2继续执行；
步骤7.6:输出η*＝ηtemp。
在本实施案例中，图1是本发明考虑的无线网络中包含有一个宏基站BS和若干移动终端MT的系统。在该系统中，主要考虑的不包括干扰，但是会考虑到1.移动终端MT与基站BS之间的信道环境； 2.移动终端MT的数据需求；3.基站BS对于移动终端MT的资源分配情况；4.移动终端MT的速率需求对于系统消耗的影响。为了使得系统获得一个服务质量有很大保证同时达到能效最大的目标，提出发明实现对于该问题的解决。
本实施例着眼于在满足移动终端MT的服务品质需求QoS的前提下，最大化系统中宏基站BS的能效，利用带宽和速率分配方法，实现无线资源利用率的提高。本发明在实行过程中，得益于优化算法对于计算复杂度的减少。

Claims (2)

1.一种基于粒子群算法的非正交多址接入联合带宽和速率分配方法，其特征在于，所述方法包括以下步骤：
1)在单个运营商的单个宏蜂窝基站mBS的覆盖范围下总共有I个移动终端MT，在该情况下，mBS使用非正交多址接入技术NOMA发送数据；考虑到NOMA的技术特性，引入索引集
Figure FDA0003874115660000015
表示I个MT；首先，由于连续干扰消除机制SIC，对mBS到所有MT的信道增益按照从大到小进行排序，故有以下顺序：
gB1>gB2>…>gBi>gBj>…>gBI， (1)
其中gBi表示mBS到第i个MT的信道增益，
Figure FDA0003874115660000011
在接下来的说明中提到的第i个MT或第j个MT均是在索引集
Figure FDA0003874115660000012
中的；
2)在mBS端，每个MT的瞬时信道增益
Figure FDA0003874115660000013
都是已知的；基于NOMA，mBS会将所有的数据叠加在同一频段上发送给每个MT；在MT端，使用SIC消除MT之间的相互干扰；对于MT i，在接收数据中首先解码MT k的数据，k>i即特指MT k排列在MT i后面，然后将解码后的数据从接收数据中删除，操作顺序是k＝I,I-1,I-2,…,i+1，同时将MT j的数据信号视为噪声，j<i即特指MT j排列在MT i前面，根据以上的解码机制，由mBS到MT i的吞吐量为：
Figure FDA0003874115660000014
其中参数定义如下：
pBi：mBS到MT i的发射功率；
Ri：mBS到MT i的数据吞吐量；
WB：服务该组移动终端而分配的带宽量；
n0：背景噪声的功率谱密度；
由此可得mBS到所有移动用户的最小总发射功率表示如下：
Figure FDA0003874115660000021
其中假设gB0是一个足够大的值，因此
Figure FDA0003874115660000022
3)基于上面的最小发射功率表达式，制定以下BS的带宽使用WB和MT的服务吞吐量
Figure FDA0003874115660000023
的联合优化问题：
Figure FDA0003874115660000024
Figure FDA0003874115660000025
Figure FDA0003874115660000026
Figure FDA0003874115660000027
Figure FDA0003874115660000028
其中参数定义如下：
Figure FDA0003874115660000029
mBS的总功率；
Figure FDA00038741156600000210
mBS所具备的总带宽；
Figure FDA00038741156600000211
MT i的最小速率需求；
Figure FDA00038741156600000212
MT i的速率分配上限；
在目标函数中，
Figure FDA00038741156600000213
表示BS在服务MT的流量时的净收益，其中α表示提供MT的流量的边际报酬，β表示占用频率信道的成本，参数p0表示BS的固定功耗，目标函数表示通过BS的净收益与BS的总功耗之间的比率来测量的能量效率；
4)解决问题(P1)的关键思想是利用其分层结构，引入一个辅助变量η，它表示能效的下限：
Figure FDA0003874115660000031
使用η，可以等效地将问题(P1)转换为：
Figure FDA0003874115660000032
设η*表示问题(P1-E)的最优解，即η*是原问题(P1)的最大能量效率；问题(P1-E)的目标是要找到可行域内η的最大值，即η*，在给定η条件下，为了确定由约束条件所构造的可行区域是否为非空，只需要考虑：
Figure FDA0003874115660000033
subject to：constraints(4)，(5)，and (6)
Figure FDA0003874115660000034
基于问题(P1-E-Sub)的Vη输出，解决问题(P1-E)可以找到η*，如下：
(P1-E-Top)：η*＝arg max{η∈[0，ηmax]Vη≥0}，
其中上限
Figure FDA0003874115660000035
然而，问题(P1-E-Sub)仍然是关于WB和
Figure FDA0003874115660000036
的非凸优化，采用更进一层的分解，即除了给定的η之外，进一步假设给出了带宽分配WB，并优化
Figure FDA0003874115660000041
如下：
Figure FDA0003874115660000042
通过将
Figure FDA0003874115660000043
视为WB的函数，继续如下优化WB：
Figure FDA0003874115660000044
Figure FDA0003874115660000045
上述分解能够得出以下结果；
给定η和WB，问题(RA-Sub)是关于
Figure FDA0003874115660000046
的严格凸优化；
对于以上的结论，证明如下：
使用Karush-Kuhn-Tucker(KKT)条件来确定问题(RA-Sub)的最优解，用λ来表示约束(9)的拉格朗日乘子，表达问题的拉格朗日函数(RA-Sub)如下：
Figure FDA0003874115660000047
推导出：
Figure FDA0003874115660000048
式(10)显示：
Figure FDA0003874115660000049
当满足下面条件时：
Figure FDA0003874115660000051
Figure FDA0003874115660000052
至少存在一个MT r使得：
Figure FDA0003874115660000053
基于这一发现，确定关于问题(RA-Sub)的最优解的以下重要结果：
问题(RA-Sub)的最优解决方案可能发生在以下情况之中；
情况1：存在特殊的
Figure FDA0003874115660000054
使得
Figure FDA0003874115660000055
对于
Figure FDA0003874115660000056
中MT，有
Figure FDA0003874115660000057
Figure FDA0003874115660000058
与此同时，对于MT r，其
Figure FDA0003874115660000059
根据以下两个可能的子情况来确定；
子情况1：假设λ＝0，
Figure FDA00038741156600000510
由下式决定
Figure FDA00038741156600000511
这里的
Figure FDA00038741156600000512
子情况2：假设λ>0，
Figure FDA00038741156600000513
由下式决定：
Figure FDA00038741156600000514
知道
Figure FDA00038741156600000515
后,λ的值根据
Figure FDA00038741156600000516
确定；
情况2：边界情况
Figure FDA00038741156600000517
情况3：边界情况
Figure FDA00038741156600000518
5)基于上述分析，提出Subroutine-RA算法来计算
Figure FDA00038741156600000519
6)使用Subroutine-RA算法，可以找到每个给定η时的
Figure FDA0003874115660000061
值，问题(BA-Top)是单变量优化问题，采用线性搜索方法来找到
Figure FDA0003874115660000062
提出Subroutine-forEE算法来解决问题(BA-Top)，其核心思想是采取线性搜索的方法，设定一个搜索步长，逐一枚举WB，找到最优的带宽分配；
7)在给定η下，如果Vη≥0则说明构造的可行域非空，否则，说明构造的可行域为空；对于问题(P1-E-Sub)，Vη的值随着η的增大而减小，可行域内η的最大值出现在Vη＝0处，采用二分法来求最大的η，即η*；
所述步骤5)中，Subroutine-RA算法包括以下步骤：
步骤5.1：初始化种群个数N,初始化N个种群所处的位置Rini＝{Rn}1≤n≤N，其中
Figure FDA0003874115660000063
其Ri在
Figure FDA0003874115660000064
范围内随机给定；初始化最大迭代次数ger,初始化当前迭代次数iter＝1,惯性权重w,自我学习因子c1,群体学习因子c2，每个个体的历史最佳位置{smn}0<n≤N,每个个体的历史最佳适应度{fsmn}0<n≤N＝0,种群的历史最佳位置ym＝0,种群的历史最佳适应度fym＝-∞,随机初始化种群速度{vn}0<n≤N，设定更新速度的限制为Δ；
步骤5.2：如果iter≤ger，则执行步骤5.3，否则执行步骤5.18；
步骤5.3：令n＝1；
步骤5.4：如果n≤N，在给定η和WB条件下，利用
Figure FDA0003874115660000065
Figure FDA0003874115660000066
评估Rn的适应度，保存适应度
Figure FDA0003874115660000067
执行步骤5.5，否则执行步骤5.7；
步骤5.5：如果fsmn<Ztemp,则更新fsmn＝Ztemp，smn＝Rn,执行步骤5.6，否则执行步骤5.7；
步骤5.6：更新n＝n+1，返回步骤5.4；
步骤5.7：如果fym小于{fsmn}0<n≤N中的最大值fsmn,则更新fym＝fsmn，ym＝smn,否则直接执行步骤5.8；
步骤5.8：令n＝1；
步骤5.9：如果n≤N,则执行步骤5.10，否则执行步骤5.12；
步骤5.10：更新速度vn＝vn*w+c1*(smn-Rn)+c2*(ym-Rn)；
步骤5.11：更新n＝n+1，返回步骤5.9；
步骤5.12：如果发现vn中vi>Δ,则更新vi＝Δ,否则直接执行步骤5.13；
步骤5.13：如果发现vn中vi<-Δ,则更新vi＝-Δ,否则直接执行步骤5.14；
步骤5.14：更新种群位置，上一时刻的每个位置Rn加上更新速度vn，得最新的位置{Rn}0<n≤N；
步骤5.15：如果Rn中
Figure FDA0003874115660000071
更新
Figure FDA0003874115660000072
得出速率分配Rn,否则直接执行步骤5.16；
步骤5.16：如果Rn中
Figure FDA0003874115660000073
更新
Figure FDA0003874115660000074
更新速率分配Rn,否则直接执行步骤5.17；
步骤5.17：更新iter＝iter+1，返回步骤5.2；
步骤5.18：输出
Figure FDA0003874115660000075
所述步骤6)中，找到最优的带宽分配过程包括以下步骤：
步骤6.1：设定一个步长Δ，并初始化
Figure FDA0003874115660000076
初始化当前最佳解
Figure FDA0003874115660000081
当前最佳值CBV＝0；
步骤6.2：如果
Figure FDA0003874115660000082
则执行步骤6.3，否则执行步骤6.6；
步骤6.3：给定η，用Subroutine-RA算法来得出
Figure FDA0003874115660000083
步骤6.4：如果
Figure FDA0003874115660000084
那么设定
Figure FDA0003874115660000085
和
Figure FDA0003874115660000086
步骤6.5：更新
Figure FDA0003874115660000087
继续执行步骤6.2；
步骤6.6：输出
Figure FDA0003874115660000088
Vη＝CBV。
2.如权利要求1所述的一种基于粒子群算法的非正交多址接入联合带宽和速率分配方法，其特征在于，所述步骤7)中，二分法的过程包括以下步骤：
步骤7.1：设定当前上限ηupp＝ηmax,当前下限ηlow＝0,初始化计算误差的精确度tol；
步骤7.2：如果|ηupp-ηlow|≥tol，则执行步骤7.3，否则执行步骤7.6；
步骤7.3：设定
Figure FDA0003874115660000089
用Subroutine-forEE算法来获得Vη；
步骤7.4：如果Vη<0,设定ηupp＝ηtemp，否则，设定ηlow＝ηtemp；
步骤7.5:回到步骤7.2继续执行；
步骤7.6:输出η*＝ηtemp。
CN201811038204.9A 2018-09-06 2018-09-06 一种基于粒子群算法的非正交多址接入联合带宽和速率分配方法 Active CN109275194B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811038204.9A CN109275194B (zh) 2018-09-06 2018-09-06 一种基于粒子群算法的非正交多址接入联合带宽和速率分配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811038204.9A CN109275194B (zh) 2018-09-06 2018-09-06 一种基于粒子群算法的非正交多址接入联合带宽和速率分配方法

Publications (2)

Publication Number Publication Date
CN109275194A CN109275194A (zh) 2019-01-25
CN109275194B true CN109275194B (zh) 2023-01-31

Family

ID=65187736

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811038204.9A Active CN109275194B (zh) 2018-09-06 2018-09-06 一种基于粒子群算法的非正交多址接入联合带宽和速率分配方法

Country Status (1)

Country Link
CN (1) CN109275194B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107509243A (zh) * 2017-08-10 2017-12-22 浙江工业大学 基于下行非正交多址接入系统的带宽与功率联合控制方法
CN108040364A (zh) * 2017-11-07 2018-05-15 浙江工业大学 非正交多址链路中信道带宽与功率联合分配的线性搜索方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101980470B (zh) * 2010-10-03 2013-12-04 鲁东大学 一种基于混沌粒子群优化的ofdm系统资源分配方法
CN108134641B (zh) * 2017-12-22 2021-05-11 南京邮电大学 一种基于scma多址接入机制的基站频谱带宽分配方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107509243A (zh) * 2017-08-10 2017-12-22 浙江工业大学 基于下行非正交多址接入系统的带宽与功率联合控制方法
CN108040364A (zh) * 2017-11-07 2018-05-15 浙江工业大学 非正交多址链路中信道带宽与功率联合分配的线性搜索方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Joint Channel Bandwidth and Power Allocations for Downlink Non-Orthogonal Multiple Access Systems;Yuan Wu;《2017 IEEE 86th Vehicular Technology Conference (VTC-Fall)》;20170930;全文 *

Also Published As

Publication number Publication date
CN109275194A (zh) 2019-01-25

Similar Documents

Publication Publication Date Title
CN109474980B (zh) 一种基于深度增强学习的无线网络资源分配方法
CN110493826B (zh) 一种基于深度强化学习的异构云无线接入网资源分配方法
KR102208117B1 (ko) 무선 자원 관리 방법 및 이를 위한 장치
AlQerm et al. Enhanced machine learning scheme for energy efficient resource allocation in 5G heterogeneous cloud radio access networks
CN107682935B (zh) 一种基于系统稳定性的无线自回传资源调度方法
CN107613556B (zh) 一种基于功率控制的全双工d2d干扰管理方法
CN106714093B (zh) 一种蜂窝d2d通信联合用户接入及切片划分方法
CN104378772B (zh) 一种蜂窝网络中面向小区无定形覆盖的小基站部署方法
CN104703270B (zh) 适用于异构无线蜂窝网络的用户接入和功率分配方法
CN110121212B (zh) 一种面向周期类urllc业务的上行传输方法
CN108965009B (zh) 一种基于势博弈的负载已知用户关联方法
CN115173922B (zh) 基于cmaddqn网络的多波束卫星通信系统资源分配方法
CN108449149B (zh) 一种基于匹配博弈的能量采集小基站资源分配方法
Wang et al. Probability weighted based spectral resources allocation algorithm in Hetnet under Cloud-RAN architecture
Yu et al. Interference coordination strategy based on Nash bargaining for small‐cell networks
CN114867030A (zh) 双时间尺度智能无线接入网切片方法
CN109275163B (zh) 一种基于结构化排序特征的非正交多址接入联合带宽和速率分配方法
CN109104768B (zh) 一种基于模拟退火算法的非正交多址接入联合带宽和速率分配方法
CN112954806B (zh) 异构网络中基于弦图着色的联合干扰对齐与资源分配方法
CN104618934B (zh) 一种基于吞吐量预测的整体优化中继节点选择方法
CN109743736A (zh) 一种以用户为中心的超密集网络用户接入与资源分配方法
CN105764068A (zh) 一种基于禁忌搜索的小基站容量与覆盖优化方法
CN106028345A (zh) 一种基于自适应禁忌搜索的小基站容量与覆盖优化方法
CN117715219A (zh) 基于深度强化学习的空时域资源分配方法
CN110753365B (zh) 异构蜂窝网络干扰协调方法

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
GR01 Patent grant
GR01 Patent grant