CN109743736A - 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 - Google Patents

Abstract

本发明公开了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，包含以下步骤：根据接入点的分布，使用k‑means算法确定簇首与簇成员，分为m个簇；计算簇首间的信道增益，近似得到用户k的总簇间干扰；更新用户k在子信道s中的速率；更新用户的最大发射功率与接入点的最大传输功率，转化为使用单纯形法解决整数规划问题；使用MAPEL算法解决子信道分配与功率控制问题；判断网络容量最大化问题是否无法获得可行解，若是，实现功率最小化，在容量最大化问题所的解的基础上解决子信道分配与功率分配问题，若否，结束。本发明频谱效率性能要优于以小区为中心的超密集网络的频谱效率性能且所需功率更小。

Description

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

技术领域

本发明涉及一种用户接入与资源分配方法，特别是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。

背景技术

随着无线通信系统用户连接数的持续增加与不断出现的新型智能终端业务，移动流量增长迅速，特别是在用户密集分布的区域。超密集网络通过在室内外热点区域密集部署低功率小基站提升频谱空间复用度来满足密集分布用户的通信需求。由于在很大程度上提升了频谱使用效率，因此超密集组网技术被认为是5G系统的一种关键技术。然而，在该场景下，低功率基站较小的覆盖范围将导致较高移动速度的用户频繁切换，从而使用户体验速率大大降低。另外，超密集组网虽然通过减小传输距离、降低路径损耗的方式增大了网络吞吐量，但同时也增大了小区间干扰信号，从而降低用户通信质量。与此同时，在以小区为中心的传统结构中，小区的分布密集且信号重叠覆盖严重，小区间干扰严重，因此常常伴随着复杂的资源管理问题与较高的信令开销。另外，由于小区部署的不规则形状，导致部分用户处于小区边缘甚至是没有信号覆盖的区域，严重影响了其正常通信，从而减少了系统的容量，降低了用户的通信速率。

在此背景下，以用户为中心的网络模式打破了传统的以小区为中心的结构，转变为网络服务用户的网络结构，为用户提供稳定接入和业务服务。在以用户为中心的网络中，基站为用户的接入点，系统智能地感知用户的无线环境，为每个用户组建接入点群，用户根据基站的负载情况、信号质量等因素选择与多个基站同时通信。当用户处于移动状态时，接入点群动态变化，这相当于用户随时都被一个子网跟随，从而保证了用户业务质量，改善了边缘用户的通信性能，并能够均衡不同基站的负载协调网络资源。与此同时，全双工(FD)技术由于其在提高频谱利用率上的优势受到业界的认可。FD模式下的通信允许数据在通信对端同时、同频传输，从根本上避免了半双工通信中由于信号收发之间的正交性所造成的频谱资源浪费，从而理论上可实现通信系统信道容量的倍增。将FD技术与超密集网络相结合能够进一步提升网络容量，同时以用户为中心的网络结构能够有效提升用户通信质量、降低管理复杂度，因而具备FD通信模式的以用户为中心的超密集网络是一种具有很好应用前景和研究价值的新型网络。

在以用户为中心的网络中由于基站分布复杂、用户数目众多及FD模式引入的自干扰的存在，干扰环境复杂，干扰协调和资源管理仍然具有挑战性。现有工作仅针对超密集网络或FD网络的无线资源管理提出一些方案，尚未对FD超密集网络尤其是以用户为中心的FD超密集网络展开深入研究，尚未有具体的无线资源管理方案提出。基于此，本发明研究以用户为中心的FD超密集网络中的无线资源管理机制，以实现FD超密集网络中网络管理的优化、频谱资源的合理共享和网络容量的提升。

发明内容

本发明所要解决的技术问题是提供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。

为解决上述技术问题，本发明所采用的技术方案是：

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，其特征在于包含以下步骤：

步骤一：根据接入点的分布，使用k-means算法确定簇首与簇成员，分为m个簇；

步骤二：计算簇首间的信道增益，近似得到用户k的总簇间干扰；

步骤三：计算用户k在子信道s中的速率；

步骤四：解决网络容量最大化问题，使用单纯形法解决用户接入问题，使用MAPEL算法解决子信道分配与功率控制问题；

步骤五：若网络容量最大化问题无法获得可行解，则解决功率最小化问题，在容量最大化问题用户接入解的基础上解决子信道分配与功率分配问题。

进一步地，所述步骤四具体为

在簇内进行资源分配，以实现网络容量最大化，优化问题构建为

s.t.C1,C2,C3,C4,C5,C6,C7,C8,C9,C10；

求解容量最大化问题的步骤包含用户接入、子信道分配和功率控制。

进一步地，所述用户接入具体为

采用用户在所有子信道中增益的平均值计算信道增益，同时将和更新为用户k的最大发射功率和接入点n的最大传输功率在所有接入用户间的平均值，则用户接入问题构建为一个整数规划问题，采用单纯形法解决，单纯形法的求解过程包括

1.1把优化问题的约束方程组表达成典范型方程组，所有变量为非负变量，将问题统一为求极大值并将不等式转化为等式，而后解出基本可行解，列出初始单纯形表；

1.2将基本可行解看作初始基可行解，并看作起点，将目标函数与各约束条件转化为拉格朗日函数，然后得到KKT条件，即最优性条件；根据最优性条件和可行性条件，引入非基变量取代基变量，寻找目标函数值更优的另一基本可行解；

1.3按1.2进行迭代，直到对应求解值满足最优性条件，即得到问题的最优解；

1.4迭代过程中发现问题的目标函数值无界，则终止迭代。

进一步地，所述子信道分配与功率控制问题具体为

子信道分配与功率控制问题为包含整数和连续变量的非凸问题，即

s.t.C1,C2,C3,C4,C5,C9

采用MAPEL算法解决此问题，并同时判断是否有可行解。

进一步地，所述MAPEL算法在变量数为2时具体为

2.1将容量表达式变换为

C＝log₂(z₁*z₂)

其中分别为任意两个接入点的功率，

将对数相加变为相乘从而降低计算复杂度；

2.2取向量目标是找到与对应的坐标点；将以p₁和p₂为坐标轴的二维平面转化为以z₁和z₂为坐标轴的二维平面，与之对应的可行域从一个长方形变为一个扇形；

2.3将向量对应的顶点与原点相连，与扇形可行域边界的交点u₁为可行域上的投影点；

2.4将该投影点进行分解，分别沿水平和竖直方向作线段，得到新的坐标点z₁₁、z₁₂，然后将两点分别与原点相连，得到新的投影点u₂₁和u₂₂；

2.5依照上面步骤迭代进行，直到坐标点与投影点距离的差值在许可范围内，则所得投影点为目标函数最大值。

进一步地，当优化问题为包含多个优化变量的复杂优化问题时，采用如下变换，而后采用MAPEL算法进行解决；

采用K_m和S分别表示簇的用户集和子信道集合，定义

此时改变目标函数的形式，子信道分配与功率控制问题可改写为

s.t.a∈A,p^up∈P^up,p^dw∈P^dw,

其中

A，P^up和P^dw分别为子信道分配变量的可行解集合以及上、下行链路的可行解集合；

此时，引入新变量，子信道分配与功率控制问题可改写为

其中

使用MAPEL算法解决子信道分配与功率控制问题，将向量的维数扩展为多维，通过在可行域迭代地寻找优化变量的投影来得到最优解；如果能够得到最优解，则同时确定限制条件可行，反之不可行，则解决功率最小化问题，最优解得到后通过z_k,s,d可确定a_k,s，和的值。

进一步地，所述步骤五具体为

功率最小化问题的解决过程同样分为用户接入步骤与子信道分配、功率控制为节省计算量，在功率最小化问题的解决过程中使用网络容量最大化问题的用户接入结果；

实现基于功率最小化的簇内资源分配，也就是解决在用户速率约束下的用户接入与子信道分配、功率控制问题，即

s.t.C3,C4,C5,C6,C7,C8,C9,C10

由于容量最大化问题的用户接入结果被应用到解决功率最小化问题中，因此只需解决子信道分配和功率控制问题，表达式转为

s.t.C3,C4,C5,C9

由于约束C3、C4是非凸的，因此该问题是一个非凸优化问题；为了获得低复杂度的解决方案，采用启发式方法，假设分配给每个用户同样数目的子信道，并且在每个用户对应的所有子信道中平均分配速率，上、下行链路的平均速率需求分别为和因此功率最小化问题的限制条件更新为

其中，为每个用户的最大平均子信道数；

将约束C1和C2改写为

此时满足

因此功率最小化问题转变为一个线性混合优化问题，为解决此问题，先将整数变量松弛为连续变量，然后使用拉格朗日对偶法，找到功率最小化问题表达式的对偶式，最大化对偶功率，所解得的解即为功率最小化问题的解。

本发明与现有技术相比，具有以下优点和效果：

1、本发明随着单个用户可接入的基站数增加，频谱效率越来越高；同时，在上、下行功率限制的情况下，以用户为中心的超密集网络的频谱效率性能要优于以小区为中心的超密集网络的频谱效率性能；

2、本发明在上下行速率限制条件下，以用户为中心的超密集网络所需功率明显低于以小区为中心的网络。

附图说明

图1是本发明的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的流程图。

图2是本发明的实施例的一种网络结构示意图。

图3是本发明的实施例的一种解决子信道分配与功率控制问题的流程图。

具体实施方式

下面通过实施例对本发明作进一步的详细说明，以下实施例是对本发明的解释而本发明并不局限于以下实施例。

如图2所示，本发明给出的实施例的具体场景为一个半径为500米的宏小区，系统的子信道带宽为2MHz。场景的路径损耗公式为140.7+36.7log₁₀(d/1000),d为传输距离。场景的对数正态阴影模型被表示成标准差为8dB的随机变量。另外，自干扰增益设置为一单位均值为10^-7的随机变量。场景的加性高斯白噪声功率谱密度为-120dBm/Hz。

在一个全双工模式的、以用户为中心的超密集网络系统中，有S个带宽为B的子信道。信道衰落包括路径衰落、阴影衰落和频率选择瑞利衰落。在同一个子信道内信道衰落为常数，而在不同的子信道中信道衰落值不同。该系统内有N个接入点与k个用户，每个用户均可接入多个接入点。用户数据传输过程受到的干扰包括接入点之间的干扰、用户的自干扰以及加性高斯白噪声。为了提高用户的数据传输质量(特别是处于信号覆盖边缘地区的用户)，下行链路中多个接入点同时向一个用户传输同样的数据，这样与从不同接入点向用户传输不同的数据相比减少了数据分包和重组，减小了开销；由于上行链路中如果向每个基站发送相同信息会造成信息传输浪费，因此用户只接入一个接入点。由此可以得到用户k在子信道s中的上、下行速率分别为

在此基础上得到总的网路容量为

用a_k,s表示信道分配变量，a_k,s＝1表示子信道s被分配给用户k，没有分配则a_k,s＝0。而变量等式表示上行链路中用户k传输数据给接入点n，表示下行链路中用户k传输数据给接入点n。加入变量后网络总传输功率为联合优化问题为

如果事件A为真则取值为1，否则为0，而F＝0表示传输功率和速率的需求约束不可行，1为可行。上述问题中的约束C5表示至少有一个子信道被分配给每条链路，C6表示每个用户接入的接入点数目不大于N_max(最大允许值)，而C7和C8表示上行链路中用户在已接入的接入点中只选择一个接入点来进行数据传输。

如图1所示，本发明的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，包含以下步骤：

步骤一：根据接入点的分布，使用k-means算法确定簇首与簇成员，分为m个簇；为避免资源分配过程中的高计算量，先根据接入点的分布，使用k-means算法确定簇首与簇成员，并将接入点分为m个簇。在每个簇中，一个信道仅被一个用户使用；而在其他的簇中子信道可复用。

步骤二：计算簇首间的信道增益，近似得到用户k的总簇间干扰；

步骤三：计算用户k在子信道s中的速率；

步骤四：解决网络容量最大化问题，使用单纯形法解决用户接入问题，使用MAPEL算法解决子信道分配与功率控制问题；

在簇内进行资源分配，以实现网络容量最大化，优化问题构建为

s.t.C1,C2,C3,C4,C5,C6,C7,C8,C9,C10。

若网络容量最大化问题无法获得可行解，则转为解决功率最小化问题。求解容量最大化问题的步骤可分为用户接入与子信道分配、功率控制。

用户接入：采用用户在所有子信道中增益的平均值计算信道增益，同时将和更新为用户k的最大发射功率和接入点n的最大传输功率在所有接入用户间的平均值，则用户接入问题构建为一个整数规划问题，采用单纯形法解决。单纯形法的求解过程包括：

1)把优化问题的约束方程组表达成典范型方程组，所有变量为非负变量，将问题统一为求极大值并将不等式转化为等式。而后解出基本可行解，列出初始单纯形表。

2)将基本可行解看作初始基可行解，并看作起点，将目标函数与各约束条件转化为拉格朗日函数，然后得到KKT条件，即最优性条件。根据最优性条件和可行性条件，引入非基变量取代基变量，寻找目标函数值更优的另一基本可行解。

3)按步骤2)进行迭代，直到对应求解值满足最优性条件(这时目标函数值不能再改善)，即得到问题的最优解。

4)迭代过程中发现问题的目标函数值无界，则终止迭代。

子信道分配与功率控制问题为包含整数和连续变量的非凸问题，即

s.t.C1,C2,C3,C4,C5,C9。

采用MAPEL算法解决此问题，并同时判断是否有可行解。

当上述优化问题仅包含两个优化变量，即K_m＝1，S＝1满足时，MAPEL算法过程如示意图三所示，包括：

A、将容量表达式变换为

C＝log₂(z₁*z₂)

其中分别为任意两个接入点的功率，

将对数相加变为相乘从而降低计算复杂度。

B、取向量目标是找到与对应的坐标点。将以p₁和p₂为坐标轴的二维平面(称之为坐标系1)转化为以z₁和z₂为坐标轴的二维平面(称之为坐标系2)，与之对应的可行域从一个长方形变为一个扇形。

C、将向量对应的顶点与原点相连，与扇形可行域边界的交点u₁为可行域上的投影点。

D、将该投影点进行“分解”，分别沿水平和竖直方向作线段，得到新的坐标点z₁₁、z₁₂，然后将两点分别与原点相连，得到新的投影点u₂₁和u₂₂。

E、依照上面步骤迭代进行，直到坐标点与投影点距离的差值在许可范围内，则所得投影点为目标函数最大值。

当优化问题为包含多个优化变量的复杂优化问题时，采用如下变换，而后采用MAPEL算法进行解决。采用K_m和S分别表示簇的用户集和子信道集合。定义

此时改变目标函数的形式，子信道分配与功率控制问题可改写为

s.t.a∈A,p^up∈P^up,p^dw∈P^dw,

其中

A，P^up和P^dw分别为子信道分配变量的可行解集合以及上、下行链路的可行解集合。

此时，引入新变量，子信道分配与功率控制问题可改写为

其中

使用MAPEL算法解决子信道分配与功率控制问题。将向量的维数扩展为多维，通过在可行域迭代地寻找优化变量的投影来得到最优解。如果能够得到最优解，则同时确定限制条件可行，反之不可行，则解决功率最小化问题。最优解得到后通过z_k,s,d可确定a_k,s，和的值。

步骤五：判断网络容量最大化问题是否无法获得可行解，若是，实现功率最小化，在容量最大化问题所的解的基础上解决子信道分配与功率分配问题，若否，结束。

功率最小化问题的解决过程同样分为用户接入步骤与子信道分配、功率控制为节省计算量，在功率最小化问题的解决过程中使用网络容量最大化问题的用户接入结果。

实现基于功率最小化的簇内资源分配，也就是解决在用户速率约束下的用户接入与子信道分配、功率控制问题，即

s.t.C3,C4,C5,C6,C7,C8,C9,C10

由于容量最大化问题的用户接入结果被应用到解决功率最小化问题中，因此只需解决子信道分配和功率控制问题，表达式转为

s.t.C3,C4,C5,C9

由于约束C3、C4是非凸的，因此该问题是一个非凸优化问题。为了获得低复杂度的解决方案，这里采用启发式方法。假设分配给每个用户同样数目的子信道，并且在每个用户对应的所有子信道中平均分配速率。上、下行链路的平均速率需求分别为和因此功率最小化问题的限制条件更新为

其中，为每个用户的最大平均子信道数。

将约束C1和C2改写为

此时满足

因此功率最小化问题转变为一个线性混合优化问题，为解决此问题，先将整数变量松弛为连续变量，然后使用拉格朗日对偶法，找到功率最小化问题表达式的对偶式，最大化对偶功率，所解得的解即为功率最小化问题的解。

本说明书中所描述的以上内容仅仅是对本发明所作的举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种修改或补充或采用类似的方式替代，只要不偏离本发明说明书的内容或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims (7)

1.一种以用户为中心的超密集网络用户接入与资源分配方法，其特征在于包含以下步骤：

步骤一：根据接入点的分布，使用k-means算法确定簇首与簇成员，分为m个簇；

步骤二：计算簇首间的信道增益，近似得到用户k的总簇间干扰；

步骤三：计算用户k在子信道s中的速率；

步骤四：解决网络容量最大化问题，使用单纯形法解决用户接入问题，使用MAPEL算法解决子信道分配与功率控制问题；

步骤五：若网络容量最大化问题无法获得可行解，则解决功率最小化问题，在容量最大化问题用户接入解的基础上解决子信道分配与功率分配问题。

2.根据权利要求1所述的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，其特征在于：所述步骤四具体为

在簇内进行资源分配，以实现网络容量最大化，优化问题构建为

s.t.C1,C2,C3,C4,C5,C6,C7,C8,C9,C10；

求解容量最大化问题的步骤包含用户接入、子信道分配和功率控制。

3.根据权利要求2所述的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，其特征在于：所述用户接入具体为

采用用户在所有子信道中增益的平均值计算信道增益，同时将和更新为用户k的最大发射功率和接入点n的最大传输功率在所有接入用户间的平均值，则用户接入问题构建为一个整数规划问题，采用单纯形法解决，单纯形法的求解过程包括

1.1把优化问题的约束方程组表达成典范型方程组，所有变量为非负变量，将问题统一为求极大值并将不等式转化为等式，而后解出基本可行解，列出初始单纯形表；

1.2将基本可行解看作初始基可行解，并看作起点，将目标函数与各约束条件转化为拉格朗日函数，然后得到KKT条件，即最优性条件；根据最优性条件和可行性条件，引入非基变量取代基变量，寻找目标函数值更优的另一基本可行解；

1.3按1.2进行迭代，直到对应求解值满足最优性条件，即得到问题的最优解；

1.4迭代过程中发现问题的目标函数值无界，则终止迭代。

4.根据权利要求2所述的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，其特征在于：所述子信道分配与功率控制问题具体为

子信道分配与功率控制问题为包含整数和连续变量的非凸问题，即

s.t.C1,C2,C3,C4,C5,C9

采用MAPEL算法解决此问题，并同时判断是否有可行解。

5.根据权利要求4所述的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，其特征在于：所述MAPEL算法在变量数为2时具体为

2.1将容量表达式变换为

C＝log₂(z₁*z₂)

其中分别为任意两个接入点的功率，

将对数相加变为相乘从而降低计算复杂度；

2.2取向量目标是找到与对应的坐标点；将以p₁和p₂为坐标轴的二维平面转化为以z₁和z₂为坐标轴的二维平面，与之对应的可行域从一个长方形变为一个扇形；

2.3将向量对应的顶点与原点相连，与扇形可行域边界的交点u₁为可行域上的投影点；

2.4将该投影点进行分解，分别沿水平和竖直方向作线段，得到新的坐标点z₁₁、z₁₂，然后将两点分别与原点相连，得到新的投影点u₂₁和u₂₂；

2.5依照上面步骤迭代进行，直到坐标点与投影点距离的差值在许可范围内，则所得投影点为目标函数最大值。

6.根据权利要求5所述的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，其特征在于：

当优化问题为包含多个优化变量的复杂优化问题时，采用如下变换，而后采用MAPEL算法进行解决；

采用K_m和S分别表示簇的用户集和子信道集合，定义

此时改变目标函数的形式，子信道分配与功率控制问题可改写为

s.t.a∈A,p^up∈P^up,p^dw∈P^dw,

其中

A，P^up和P^dw分别为子信道分配变量的可行解集合以及上、下行链路的可行解集合；

此时，引入新变量，子信道分配与功率控制问题可改写为

其中

使用MAPEL算法解决子信道分配与功率控制问题，将向量的维数扩展为多维，通过在可行域迭代地寻找优化变量的投影来得到最优解；如果能够得到最优解，则同时确定限制条件可行，反之不可行，则解决功率最小化问题，最优解得到后通过z_k,s,d可确定a_k,s，和的值。

7.根据权利要求1所述的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，其特征在于：所述步骤五具体为

功率最小化问题的解决过程同样分为用户接入步骤与子信道分配、功率控制为节省计算量，在功率最小化问题的解决过程中使用网络容量最大化问题的用户接入结果；

实现基于功率最小化的簇内资源分配，也就是解决在用户速率约束下的用户接入与子信道分配、功率控制问题，即

s.t.C3,C4,C5,C6,C7,C8,C9,C10

由于容量最大化问题的用户接入结果被应用到解决功率最小化问题中，因此只需解决子信道分配和功率控制问题，表达式转为

s.t.C3,C4,C5,C9

由于约束C3、C4是非凸的，因此该问题是一个非凸优化问题；为了获得低复杂度的解决方案，采用启发式方法，假设分配给每个用户同样数目的子信道，并且在每个用户对应的所有子信道中平均分配速率，上、下行链路的平均速率需求分别为和因此功率最小化问题的限制条件更新为

其中，为每个用户的最大平均子信道数；

将约束C1和C2改写为

此时满足

因此功率最小化问题转变为一个线性混合优化问题，为解决此问题，先将整数变量松弛为连续变量，然后使用拉格朗日对偶法，找到功率最小化问题表达式的对偶式，最大化对偶功率，所解得的解即为功率最小化问题的解。