CN110337148A

CN110337148A - 基于非正交多址接入的认知无线电能效资源分配方法

Info

Publication number: CN110337148A
Application number: CN201910341828.6A
Authority: CN
Inventors: 李云; 周梦园; 吴广富; 蔡丽娟; 鲜永菊
Original assignee: Chongqing University of Post and Telecommunications
Current assignee: Yunnan Yundian Information Communication Co ltd
Priority date: 2019-04-26
Filing date: 2019-04-26
Publication date: 2019-10-15
Anticipated expiration: 2039-04-26
Also published as: CN110337148B

Abstract

本发明属于移动通信技术领域，特别涉及一种基于非正交多址接入的认知无线电能效优化资源分配方法；所述方法包括根据理想信道条件信息，构建混合整数非线性优化问题模型；根据次用户基站最大最小可用功率，次用户最低服务质量和次用户公平性以及每个子信道最大可复用次用户数约束，构造系统能效优化问题；根据双边匹配理论，基于次用户公平性，采用用户调度算法为次用户分配子信道；引入下界函数和辅助变量，采用Dinkelbach方法和对偶问题迭代求解子信道最优功率分配值。本发明在保证主用户的最大可忍受功率限制和次用户的服务质量和次用户间公平性前提下，本发明的资源分配方法的平均能效性能优于分数阶功率分配方法。

Description

基于非正交多址接入的认知无线电能效资源分配方法

技术领域

本发明属于移动通信技术领域，特别涉及一种基于非正交多址接入(non-orthogonal multiple access，NOMA)的认知无线电能效优化资源分配方法。

背景技术

随着各种移动设备的大范围使用，当前的无线网络面临着进一步提升网络容量和可用频谱资源短缺的问题。然而到目前为止，静态的频谱资源分配导致严重的频谱短缺问题。因此为满足移动业务和用户连接的大量增长，因此提出了认知无线电技术。认知无线电技术通过允许次用户(未授权用户)以某种方式接入主用户(已授权用户)的频谱进一步地提高系统性能。

当前，全世界整体能量消耗中，信息与通信技术所消耗的能量约占5％，能耗问题正成为社会经济发展的主要问题之一，所以如何在无线网络中提高能效成为一个重要的问题。在下一代通信中，非正交多址(non-orthogonal multiple access，NOMA)有望成为最有潜力的一种接入技术。因此，将认知无线电与NOMA技术相结合并进行讨论是一种必然的趋势。为了进一步提高认知无线电网络的能效，在理想信道状态条件下，将NOMA技术应用到频谱共享接入模式下的认知无线电网络中，其中次用户以NOMA的方式的复用到主用户所在的子信道上。由于NOMA是一种通过功率域复用的多址技术，复用用户可通过不同的功率值在接收端区分目标信号和干扰信号，所以可通过合适的用户分配算法和功率分配算法进一步提高基于NOMA的认知无线电网络能效。

目前主要采用的功率分配方法主要包括全搜索算法，固定功率分配和分数阶功率分配算法。全搜索算法性能最优，但是复杂度极高；固定功率算法和分数阶功率分配算法则以较低的算法性能换取较低的算法复杂度。

而用户配对的传统算法包括随机配对，首尾配对，信道增益间隔配对。随机配对算法计算复杂度最低，但是算法性能较差；首尾配算法和信道增益间隔计算复杂度不高，但仅适用于固定复用用户数场景，不能根据具体信道状态信息随机分配复用用户数。

发明内容

针对上述问题，本发明提出一种基于非正交多址的认知无线电能效的资源分配算法，包括:

S1、在理想信道状态信息条件下，以最大化系统能效为优化目标，以满足次用户基站最大最小可用功率，次用户最低服务质量，次用户公平性和每个子信道最大可复用次用户数为要求，从而建立出系统能效优化模型；并将系统能效优化模型分解为能效用户调度问题和能效功率分配问题；

S2、对能效用户调度问题，根据双边匹配理论，基于次用户公平性，采用用户调度算法为次用户分配子信道；

S3、对于给定的用户调度算法结果，可通过引入一个辅助变量和一个下界函数将能效功率分配问题转化为分子为凹函数，分母为凸函数的分数规划问题；

S4、采用Dinkelbach算法将分数规划问题等效转化为凸优化问题；

S5、采用对偶方法对凸优化问题进行求解，内层采用次梯度法求解出子信道最优功率分配系数，外层采用Dinkelbach方法求解子信道最优能效值。

进一步的，所述系统能效优化模型包括：

s.t.

C1:

C2:

C3:

C4:

C5:

C6:

其中，a_i,m＝1表示第i个次用户被分配到子信道m上，反之，a_i,m＝0；R_i,m表示第i个次用户的吞吐量；p_i,m是在子信道m上基站分配给第i个次用户的功率分配值；p_c表示电路消耗功率；M表示主用户个数；L表示次用户个数；p_m是在子信道m上基站所能够分配的功率分配值；β是权重系数；R_min表示复用在子信道m上的第i个次用户的最小吞吐量；P^min为次用户基站最小可用功率；P^max为次用户基站最大可用功率；d_max表示复用在子信道m^*上的最大次用户数；

约束条件C1表示认知无线电网络基站最大最小功率约束，约束条件C2表示每个次用户的最小吞吐量限制，约束条件C3表示次用户间的公平性约束，约束条件C5表示一个次用户最多复用一个子信道，约束条件C6表示一个子信道最多可复用的用户数。

进一步的，所述步骤S2包括以下步骤：

步骤1)基于用户和子信道信息，构建出等效信道增益矩阵H＝|H_n,m|_N×M；

步骤2)初始化U_un为未分配子信道的次用户集，U_un＝{1,2,...,N}；初始化H_match(m)为调度到子信道m的次用户集，H_match(m)为空集；

步骤3)为每一个尚未分配到子信道的用户n选择使其等效信道增益最大的子信道m^*，即

步骤4)如果复用在子信道m^*上的用户数小于d_max，则将用户n分配到该子信道m^*，并将用户n从用户集U_un中删除；否则进行步骤5；

步骤5)如果复用在子信道m^*上的次用户数等于d_max，则从当前子信道候选次用户集U_possible，U_possible＝{H_match(m^*),n}，中选择使子信道调度准则最大的用户集U_accept，然后将U_accept中的所有次用户分配到该子信道，并拒绝U_possible中剩余的次用户U_reject分配到该子信道；

步骤6)更新次用户集U_un。从U_un中删除被接受的次用户集U_accept，并添加被拒绝的次用户到U_un。即，U_un←U_un\U_accept∪U_reject；

步骤7)更新信道增益矩阵H，将被拒绝的用户U_reject所在行的第m^*列置零；

步骤8)判断U_un是否为空集，若为空集，则终止算法，否则，返回步骤3；

其中，H_n表示矩阵H的第n列元素；d_max表示复用在子信道m^*上的最大次用户数。

进一步的，所述子信道调度准则如下：

其中，p_c表示电路消耗功率；为子信道m^*的功率，P_tot表示认知网络基站总功率；是比例公平系数；是子信道m^*的吞吐量；U是集合U_possible的子集，且|U|＝d_max；表示子信道m^*上的第i个次用户的等效信道增益。

进一步的，所述子信道调度准则也即是如下：

其中，p_c表示电路消耗功率；为子信道m^*的功率，是比例公平系数；是子信道m^*的吞吐量；U是集合U_possible的子集，且|U|＝d_max。

本发明的有益效果：

本发明在认知NOMA网络中基于能效的资源分配算法与分数阶功率分配方法相比，在保证主用户的最大可忍受功率限制和次用户的服务质量前提下，本发明的资源分配方法的平均能效性能优于分数阶功率分配方法。本发明的用户调度方法与普通的方法相比，本发明在提高系统能效的同时，能够避免信道增益相近的用户复用到同一子信道内，并且提高次用户间的公平性。

附图说明

图1为本发明的基于NOMA的认知无线电能效资源分配算法下行链路模型图；

图2为本发明的一种基于非正交多址接入的认知无线电能效资源分配方法的流程图；

图3为本发明平均能效和认知基站总功率的关系图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。

实施例

如图1所示，在本发明实施例中，考虑在认知NOMA网络中次用户以频谱共享模式接入主用户频谱，次用户基站以单天线的方式在M主用户(Primary Users，PUs)已授权的子信道上传输N次用户(Cognitve Users，CUs)的信号，在次用户的接收端执行连续干扰消除(Successine Interfereence Cancellation，SIC)，在本实施例中，将i作次用户i的索引，i∈{1,2,...,L}，将m作主用户m的索引，m∈{1,2,...,M}，认知网络基站总功率为P_tot。为了便于理解，假设各个子信道已经提前分配给对应的PUs，如子信道m分配给PU_m。假设有L个次用户同时以NOMA方式复用在同一子信道m上，其中，L≤L_max≤N，L_max为子信道m允许的最大复用用户数。则在子信道m上，次用户基站所发送的信号为：

其中，a_i,m＝1表示次用户SU_i被分配到子信道m上，反之，a_i,m＝0，x_i为次用户i信号，p_i,m是在子信道m上基站分配给SU_i的功率分配值。在接收端，次用户SU_i接收到的信号为：

其中，g_i,m为次用户基站到次用户SU_i的信道增益，h_p为主用户基站到次用户SU_i的信道增益，p_p为主用户基站发送PU_m信号的发射功率，为主用户基站发送的PU_m信号，n_i,m为SU_i在接收处的噪声，该噪声为均值为0，方差为σ²的高斯白噪声。不失一般性，所有复用在子信道m上的次用户按照等效信道增益降序排列可表示为：g_1,m≥g_2,m≥...≥g_L,m。

在NOMA系统中，次用户基站通过为多个用户分配不同的功率值，并将多个用户复用在同一子信道。为了简化符号，令z_i,m表示接收端总噪声功率，z_i,m＝|h_p|²p_p+σ²，SU_i接收到的信干噪比为：

为了保证次用户的通信质量，将吞吐量作为通信质量衡量标准。假设复用在子信道m上的SU_i的最小吞吐量为R_min，则要求SU_i的吞吐量要大于等于最小吞吐量，即：

由于NOMA的特性要求，信道增益弱的次用户分配较多的功率，信道增益强的次用户分配较少的功率。因此为了有效地执行SIC和保证用户间的公平性，复用在子信道m上的不同次用户的功率大小关系可以表示为：

其中，H_i,m为等效信道增益，H_i,m＝|g_i,m|²/z_i,m；为归一化的相邻次用户等效信道增益差；β是权重系数。从上式中可以看出，当相邻次用户的信道增益差越大时，基站分配给信道增益弱的次用户功率就越大，从而保证次用户之间的公平性。

另一方面，因为使用频谱共享模式接入技术，所以需要保障PU_m的通信质量。因此，要求所有复用在子信道m上的次用户对PU_m造成的总干扰要小于干扰功率限制值I_m。假设次用户基站到PU_m的信道增益为g_s,m，则认知基站在子信道m上的发送功率应该限制为：

除了受到主用户干扰功率的限制外，基站分配给给子信道的功率还受到基站总功率的约束。基站最大可用功率可表示为：

同理，由于每个次用户受到最小吞吐量的约束，而最小吞吐量约束可以等效写为最小功率约束。因此，基站最小功率约束可以表示为：

其中，z_m,i表示接收端总噪声功率。

根据香农公式，子信道m上用户SU_i的吞吐量表示为：

R_i,m＝log₂(1+r_i,m)；

在本发明中，所消耗的功率可分为两部分：实际消耗功率和电路消耗功率p_c。定义系统能效为系统吞吐量与所消耗功率之比，故系统能效优化问题可以表示为：

s.t.C1:

C2:

C3:

C4:

C5:

C6:

其中，约束条件C1表示认知无线电网络基站最大最小功率约束，约束条件C2表示每个次用户的最小吞吐量限制，约束条件C3表示次用户间的公平性约束，约束条件C5表示一个次用户最多复用一个子信道，约束条件C6表示一个子信道最多可复用的用户数。由于约束条件C4的存在，所以该问题是一个非线性的混合整数规划问题。为了求解该问题，将原始优化问题分解成两个子问题，用户调度问题和子信道功率分配问题。

为了解决本发明的能效问题，本发明采用了如图2所示的方法，包括建立系统能效优化模型，并将模型分为用户调度模型和功率分配问题；对能效用户调度问题，根据双边匹配理论，基于次用户公平性，采用用户调度算法为次用户分配子信道；通过引入下界函数和辅助变量，将用户调度的非凸性问题进一步等效转化为分子为凹函数，分母为凸函数的分数规划问题；采用Dinkelbach算法将分数规划问题等效转化问题凸问题；采用对偶方法对凸优化问题进行求解，采用内层次梯度法求解出子信道最优功率分配系数，外层采用Dinkelbach方法求解系统最优能效值。

下面给出基于能效优化资源分配策略的具体步骤：

1、基于双边匹配理论，提出一种次优的用户调度算法

进一步的，所述子信道调度准则如下：

2、构建能效优化功率分配问题模型

对于给定的用户分配算法结果，功率分配问题可以看作是非线性的分数规划问题，功率分配问题可以写为：

s.t.

C1:

C2:

C3:

由于该优化问题的目标函数是一个分数规划问题，所以上述问题是一个非线性的分数规划问题，也是非凸问题。

3、通过引入下界函数和辅助变量，将非凸性问题进一步等效转化为分子为凹函数，分母为凸函数的分数规划问题

为了解决步骤2的问题，本发明使用对数函数的下界迭代获得最优解，下界函数如下：

其中，当且R_i,m和的一阶偏导数在处相等时，下界函数是紧的。同时，定义为用户SU_i最后一次迭代的信干噪比。最后，令则子信道m上SU_i的吞吐量公式可以等效写为：

因此，EE下界可以写为：

而对于约束条件C1至C3，通过一系列数学操作分别可以等效写为：

C1:

C2:

C3:

因此，功率分配问题内部优化问题可以重新写为：

s.t.

C1:

C2:

C3:

其中，q＝[q_i,m]_L×M。由于约束集合是关于q_i,m的凸集，而通过凸优化理论可以得知，上述问题目标函数的分子是关于q_i,m的凹函数，分母是关于q_i,m的仿射函数，可以看作是凸函数。因此，上述问题是一个约束条件为凸集，分子为凹函数，分母为凸函数的分数规划问题。

4、采用Dinkelbach算法将分数规划问题等效转化问题凸问题

采用Dinkelbach算法将上述分数规划问题等效转化为含参数的减法问题。因此优化问题重新改写为：

s.t.C1,C2,C3

其中，t是用来衡量一个小区总消耗功率权重的参数，同时也表示为小区最优能效值。当f(q^*)-t^*g(q^*)＝0时，t达到最优值，此处公式中右上角的*表示其对应的最优值。对于给定的t，此问题为一个凸优化问题。采用对偶方法求解复用用户的最优功率值

基于步骤4，对于给定的t，此优化问题的拉格朗日函数可以写为：

其中，λ、κ、μ和ω为拉格朗日乘子。为了简化表示，拉格朗日函数可以重新写为：

其中，

采用对偶问题解决该问题。因此，对于给定的t，此问题的对偶问题可以写为：

s.t.λ≥0,κ≥0,μ≥0,ω≥0,q≥0

对偶问题可以由内外两层进行优化。对于给定的能效值，内层次梯度法求解出子信道最优功率分配系数，而外层则采用Dinkelbach方法求解子信道最优能效值。通过对L_m(q,t,λ,μ,ω,ν)求关于的一阶偏导数，再经过一系列数学操作，则最优的功率分配值可表示为：

为了进一步说明认知NOMA网络中基于能效的功率分配算法性能由于分数阶功率分配算，下面对本发明的能效优化功率分配方法进行仿真验证，如图3所示，本发明在Matlab环境下本发明平均能效与认知基站总功率的关系，其中，仿真参数设置如下：信道模型为频率选择性瑞利衰落信道，信道的功率分布为[0，-8.69，-17.37，-26.06，-34.74，-43.43]dB，最大多普勒频移为5.55Hz，系统带宽为1Hz，噪声密度为-75dBm/Hz，主用户最大可忍受干扰功率阈值为-35dbm，信道估计为理想状态，路径损耗指数为3，认知基站总功率范围为15dbm到40dbm，电路损耗为30dbm。仿真结果表明，所提功率分配算法性能要优于分数阶功率分配算法。随着次用户基站总功率的增加，系统平均能效也随之逐渐增大；但是当次用户基站总功率超过一定值时，所提算法能效趋某个稳定值，而分数阶功率分配算法性能逐渐下降。这是因为使用分数阶功率分配算法时，基站使用全功率进行发送，即实际消耗功率等于基站分配功率，而所提算法只使用部分功率进行发送，一直保持最大能效值。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：ROM、RAM、磁盘或光盘等。

以上所举实施例，对本发明的目的、技术方案和优点进行了进一步的详细说明，所应理解的是，以上所举实施例仅为本发明的优选实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内对本发明所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims

1.一种基于非正交多址接入的认知无线电能效资源分配方法，其特征在于，所述方法包括以下步骤：

S3、对于给定的次用户调度算法结果，通过引入一个辅助变量和一个下界函数将能效功率分配问题转化为分子为凹函数，分母为凸函数的分数规划问题；

S4、采用Dinkelbach算法将分式规划问题等效转化为凸优化问题；

S5、采用对偶方法对凸优化问题进行求解，内层采用次梯度法求解出子信道最优功率分配系数，外层采用Dinkelbach方法求解系统最优能效值。

2.根据权利要求1所述的一种基于非正交多址接入的认知无线电能效资源分配方法，其特征在于，所述系统能效优化模型包括：

s.t.

其中，EE表示系统能效；a_i,m＝1表示第i个次用户被分配到子信道m上，a_i,m＝0表示第i个次用户未被分配到子信道m上；R_i,m表示第i个次用户的吞吐量；p_i,m是在子信道m上基站分配给第i个次用户的功率分配值；p_c表示电路消耗功率；M表示可用主用户个数，同时也表示可用子信道个数；L表示次用户个数；P^min为次用户基站最小可用功率；P^max为次用户基站最大可用功率；R_min表示复用在子信道m上的第i个次用户的最小吞吐量；β是权重系数；H_i,m表示子信道m上的第i个次用户的等效信道增益；d_max表示复用在子信道m^*上的最大次用户数；m^*表示未分配到子信道的次用户n对应的等效信道增益最大的子信道；

约束条件C1表示认知无线电网络基站最大最小功率约束，约束条件C2表示每个次用户的最小吞吐量限制，约束条件C3表示次用户间的公平性约束，约束条件C5表示一个次用户最多复用一个子信道，约束条件C6表示一个子信道最多可复用的次用户数。

3.根据权利要求1所述的一种基于非正交多址接入的认知无线电能效资源分配方法，其特征在于，所述步骤S2包括以下步骤：

步骤1)基于次用户和子信道信息，构建出N×M大小的等效信道增益矩阵H＝|H_n,m|_N×M；

步骤3)为每一个未分配到子信道的次用户n选择使其等效信道增益最大的子信道m^*，即

步骤4)如果复用在子信道m^*上的次用户数小于d_max，则将次用户n分配到该子信道m^*，并将次用户n从次用户集U_un中删除；否则进行步骤5；

步骤5)如果复用在子信道m^*上的次用户数等于d_max，则从当前子信道候选次用户集U_possible，U_possible＝{H_match(m^*),n}，中选择使子信道调度准则最大的次用户集U_accept，然后将U_accept中的所有次用户分配到该子信道，并拒绝U_possible中剩余的次用户U_reject分配到该子信道；

步骤6)更新次用户集U_un，从U_un中删除被接受的次用户集U_accept，并添加被拒绝的次用户到U_un，即，U_un←U_un\U_accept∪U_reject；

步骤7)更新信道增益矩阵H，将被拒绝的次用户U_reject所在行的第m^*列置零；

其中，H_n表示矩阵H的第n列元素；N表示未分配子信道的次用户个数；M表示表示可用主用户个数，同时也表示可用子信道个数；d_max表示复用在子信道m^*上的最大次用户数。

4.根据权利要求3所述的一种基于非正交多址接入的认知无线电能效资源分配方法，其特征在于，所述子信道调度准则如下：

其中，表示子信道m^*的调度准则；p_c表示电路消耗功率；为子信道m^*的功率，P_tot表示认知网络基站总功率；是比例公平系数；是子信道m^*的吞吐量；U是集合U_possible的子集，且|U|＝d_max；表示子信道m^*上的第i个次用户的等效信道增益。