CN110417496B - 一种基于能效的认知noma网络顽健资源分配方法 - Google Patents

Abstract

本发明请求保护一种基于能效的认知NOMA网络顽健资源分配方法，属于无线网络中的资源分配技术领域。针对无线通信系统信道固有的随机性，引入信道参数摄动影响，考虑次用户发射功率、基于中断概率的干扰和最小数据速率为约束条件，以次用户网络总能效为目标函数，建立多约束条件下的分式规划问题。首先利用连续凸近似和参数变换，将原概率约束非凸问题转换为闭型几何规划问题，接着采用丁克尔巴赫法和拉格朗日对偶法来得到次用户最优传输功率，最后提出了一种基于迭代的最优资源分配方法。仿真结果表明，本方法与现有一些方法相比具有最好的顽健性，同时可以保证良好的实时性。

Description

一种基于能效的认知NOMA网络顽健资源分配方法

技术领域

本发明属于无线网络资源分配技术领域，具体涉及认知NOMA无线网络中基于用户中断概率的顽健资源分配方法。

背景技术

随着近年来移动无线用户数量的快速增长和无线网络应用的日益丰富，对网络的频谱效率、容量以及用户体验等方面提出了更高的要求。因此，非正交多址接入(NOMA)技术应运而生，被认为是下一代无线通信系统的关键技术之一。不同于正交多址接入技术一个子信道只能被一个用户占用，NOMA中的多个用户可以通过分配不同的传输功率电平来有效地使用所有可用频谱资源。因此，NOMA技术可以提供更好的频谱效率及系统容量表现。另一方面，与认知无线电结合的NOMA技术能在进一步提升频谱效率的同时，允许更多的次用户接入。因此，为达到下一代移动无线通信系统更高的性能指标，对认知NOMA 无线网络的研究是十分重要的。

随着用户设备及通信基站部署数量的增加，无线通信系统的能耗日益增加。为满足绿色通信系统发展的要求，学术界和工业界对无线系统网络能效问题的关注和研究也逐步提升。确定网络的资源分配策略，对认知NOMA网络的能效最大化问题十分关键。目前对该问题的研究主要在完美信道状态信息和完美串行干扰消除下对资源分配问题进行研究。然而，由于无线通信信道固有的随机性，频谱感知误差和接收机有限的干扰消除能力，完美的信道状态信息和串行干扰消除是难以准确保证的。因此，研究信道不确定性下的资源分配问题更具现实意义。由于传统的资源分配算法考虑完美信道状态信息，即假设系统对用户信道增益的大小是完全已知的。这样在问题的求解过程中，对信道增益的处理会更简单，约束条件是凸约束，也更容易得到问题的最优解析解。本发明在传统的名义优化模型基础之上，对信道增益引入了信道不确定性(即信道估计误差项)，并基于信道不确定性将传统约束条件转换为基于中断概率的约束条件，通过使用概率论相关理论将两个非凸的约束条件转换成凸约束，再对转换后的凸优化问题进行求解。不完美信道状态下的资源分配问题较传统名义优化问题，所得到的最优资源分配算法可使通信系统具有更强的顽健性，建模和分析求解的过程会相对更有难度。

发明内容

本发明旨在解决以上现有技术的问题。提出了一种具有最好的顽健性，同时可以保证良好的实时性的基于能效的认知NOMA网络顽健资源分配方法。本发明的技术方案如下：

一种基于能效的认知NOMA网络顽健资源分配方法，其包括以下步骤：步骤A、考虑信道不确定性，以最大化次用户总能效为优化目标，引入次用户发射功率约束、基于中断限制的干扰约束和次用户最小传输数据速率约束，对认知NOMA 网络下行传输链路建立网络模型及数学模型，利用连续凸近似和参数变换，将包含中断概率约束的非凸问题转换为闭型几何规划问题，接着利用拉格朗日对偶分解理论得到次用户最优传输功率。顽健性即鲁棒性(Robust)，无线通信系统的信道状况是复杂多变的，顽健性可以理解为通信系统应对较为恶劣的通信条件时的承受能力，顽健性好的系统对用户的服务质量可以由更好的保证。本专利中建模过程最初建立了一个传统的名义优化问题，而之后引入信道不确定性，建立了鲁棒优化问题并求解，这是模型和算法上面的体现。而仿真图图4 中，可以看出鲁棒资源分配算法的中断概率低于非鲁棒资源分配算法，这是数据可可视化层面的体现)

进一步的，当考虑信道不确定性时，以最大化次用户总能效为优化目标，具体包括：将信道增益建模为

其中，主用户、次用户和子信道集合分别为k∈{1，…，K}、m∈{1，…，M}和n∈{1，…，N}，

和

表示系统估计的次用户间数据传输链路和次用户到主用户间干扰链路的信道增益，h_m，n、

分别表示对应的实际信道增益，

和

表示对应的估计误差，

表示次用户基站到次用户对应信道估计误差，

表示次用户对主用户的对应信道估计误差，Δh_m，n和

服从均值为 0，方差分别为

和

的正态分布，因此，干扰温度约束可以重新写为：

其中，

表示对主用户的实际总干扰，p_m，n代表第m个次用户在子信道n上的传输功率，假设M_n个次用户共享同一个子信道n，且有M＝M₁+…+M_N； M表示次用户数，N表示子信道数，I^th表示次用户对主用户的干扰功率门限值， Pr表示数学符号概率probability缩写，常见数学符号，σ_k是每个PU的中断概率门限。

进一步的，引入次用户发射功率约束、基于中断限制的干扰约束和次用户最小传输数据速率约束，对认知NOMA网络下行传输链路建立网络模型及数学模型，利用连续凸近似和参数变换，将包含中断概率约束的非凸问题转换为闭型几何规划问题，具体包括：

为保证在信道不确定参数Δh_m，n下每个次用户的服务质量，次用户数据速率中断概率约束可以表示为：

其中∈_m，n是第m个次用户在子信道n上的中断概率门限；R_m，n＝B log₂(1+r_m，n)是第m 个次用户在子信道n上可实现的数据速率，B表示每个子信道的带宽，

表示第m个次用户在子信道n上的信干噪比。其中，

表示串行干扰消除后的用户间干扰，N_m，n＝I_m，n+σ²表示除次用户传输链路以外的干扰，σ²代表第m个次用户在子信道n上的背景噪声。

是相应的次用户最小数据速率门限值，因此，总数据速率可以表示为：

其中

表示功率分配矩阵，因此顽健资源分配问题可以表示为：

s.t.C₁，(14)，(15)

其中，P_c和P^max分别代表次用户总电路功耗和次用户基站允许的最大传输功率。结合概率论，利用代数转换可将干扰约束(2)转换为：

其中，

表示考虑了信道估计误差的等效信道增益，其

中Q^-1(·)为Q函数的反函数，因此，中断约束的干扰功率变为封闭形式，类似地，数据速率约束(3)可以转换为：

p_m，n≥A_m，nH_m，n (7)

其中，辅助变量

因此，如果次用户可实现的数据速率不小于带有中断概率∈_m，n的最小速率阈值，则每个次用户所需的最小传输功率必须满足上述关系；

因此，将(5)、(6)和(7)三式结合，可以得到闭式顽健优化问题：

s.t.C₁，(19)，(20)

然而，由于非线性目标函数和不确定参数

问题(8)依然是不易求解的，因此，定义考虑了信道估计误差的用户数据速率为：

其中，考虑了信道估计误差的信干噪比

而其中

表示考虑了信道估计误差的等效链路增益。

进一步的，接着利用拉格朗日对偶分解理论得到次用户最优传输功率，具体包括：得到了如下形式的凸优化问题：

s.t.C₁，(19)，(20)

由于问题(10)是具有耦合变量p_m，n的非线性分式规划问题，因此，我们可以采用丁克尔巴赫法对其求解；

定义丁克尔巴赫函数：

其中，θ是一个非负参数；

通过使用拉格朗日函数法，有：

其中，λ≥0、λ_K≥0和λ_m，n≥0分别是最大传输功率约束、跨层干扰约束和中断速率约束相应的拉格朗日乘子；A_m，n辅助变量，

该优化问题可以分解为对应第m个次用户在子信道n上的N×M_n个子问题，通过使用KKT条件，最优传输功率由下式给出：

其中，[x]⁺＝max{0，x}；辅助变量

进一步的，所述步骤A还包括如下具体步骤：

S1：初始化系统参数：主用户数K、次用户数M、子信道数N、子信道带宽B、背景噪声σ²、主用户对次用户的干扰功率I_m，n、次用户基站到次用户的信道增益

及对应信道估计误差方差

次用户对主用户的干扰信道增益

及对应信道估计误差方差

次用户总电路功耗值P_c、次用户基站最大传输功率值P^max、次用户最小数据速率门限值

次用户中断概率阈值∈_m，n、次用户对主用户的干扰功率门限值I^th和主用户中断概率阈值σ_k；以上S1所描述所有参数都需要提前获取，作为算法输入，设定迭代次数T^max，迭代初始化；

S2：计算次用户传输功率p_m，n(t)；

S3：计算次用户网络总能效η_EE(t)；

S4：采用梯度法来更新拉格朗日因子，所述拉格朗日因子包括最大传输功率约束因子λ(t)、干扰功率门限约束因子λ_K(t)、最小速率约束因子λ_m，n(t)；

S5：判断次用户传输功率是否大于等于满足次用户最小数据速率门限所需功率值；若是，则进入S6；否则，进入S7；

S6：计算次用户对主用户的干扰功率，并判断该值是否小于等于干扰功率门限值；若是，则进入S7；否则，进入S8；

S7：判断次用户基站对所有此用户在所有子信道上的传输功率总和是否小于等于次用户基站最大传输功率值；若是，则进入S8；否则，进入下一次迭代，返回S2；

S8：判断当前迭代次数是否大于最大迭代次数，若是，则结束，输出次用户最优传输功率以及次用户网络最优能效；否则，进入下一次迭代，返回S2。

进一步的，所述步骤S4最大传输功率约束拉格朗日因子λ(t)、最小速率约束拉格朗日因子λ_m，n(t)和干扰功率门限约束拉格朗日因子λ_K(t)的更新表达式如下：

λ_m，n(t+1)＝[λ_m，n(t)-d₂×(p_m，n(t)-A_m，nH_m，n)]⁺，

其中，d₁、d₂和d₃分别为λ(t)、λ_m，n(t)和λ_K(t)相应的更新步长；辅助变量

本发明的优点及有益效果如下：

本发明考虑信道不确定性，以最大化次用户总能效为优化目标，引入次用户发射功率约束、基于中断限制的干扰约束和次用户最小传输数据速率约束，对认知NOMA网络下行传输链路建立网络模型及数学模型。利用连续凸近似和参数变换，将包含中断概率约束的非凸问题转换为闭型几何规划问题，接着利用拉格朗日对偶分解理论得到次用户最优传输功率，并提出了一种基于迭代的最优资源分配方法。

创新点主要在于：1.建立的信道不确定下基于能效最大化的认知NOMA网络这个模型本身是新的网络模型；2.对该模型的分析和求解过程也是本专利的突出贡献；3.针对这样的问题求解思路，还提出了一种新型的顽健资源分配方法。该方法的优点在于1.收敛速度快，有很好的实时性，有利于应对实际通信场景复杂多变的物理特性；2.由于问题在建模过程中考虑了信道不确定性的影响，因此，基于该问题求解所得到的资源分配方法能更好地保证用户服务质量，使通信系统具有更好的顽健性。

附图说明

图1是本发明提供优选实施例发明的系统模型图

图2为本发明的算法流程图

图3为本发明算法的功率收敛图

图4为在不同资源分配方法下，中断概率与最小数据速率门限之间的关系图

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。

本发明解决上述技术问题的技术方案是：

如图1所示，本发明考虑下垫式(英文单词underlay的直译，认知无线电方向专业术语)认知NOMA网络下行网络模型，其中一个主用户基站为K个主用户提供服务，一个次用户基站服务M个次用户。次用户通过NOMA方式访问 N个子信道，假设M_n个次用户共享同一个子信道n，且有M＝M₁+…+M_N。定义主用户、次用户和子信道集合分别为k∈{1，…，K}、m∈{1，…，M}和n∈{1，…，N}。假设每个子信道的带宽为BHz。为不失一般性，假设信道增益为h_1，n≤…≤h_m，n。因此，具有完美信道状态信息的能效最大化资源分配问题可以表示为：

其中R_m，n＝B log₂(1+r_m，n)是第m个次用户在子信道n上可实现的数据速率，

是相应的次用户最小数据速率门限值。

表示第m个次用户在子信道n上的信干噪比。其中，

表示串行干扰消除后的用户间干扰， N_m，n＝I_m，n+σ²表示除次用户传输链路以外的干扰。p_m，n和σ²分别代表第m个次用户在子信道n上的传输功率和背景噪声，I_m，n表示主用户对次用户m在子信道n上的干扰功率。P_c和P^max分别代表次用户总电路功耗和次用户基站允许的最大传输功率。

代表第k个主用户接收机的干扰温度门限值，为不失一般性，我们假设每个主用户都有相同的干扰温度门限值

h_m，n和

分别表示次用户间数据传输链路和次用户到主用户间干扰链路的信道增益。C₁是次用户基站传输功率的物理约束。C₂是次用户对主用户的干扰约束，可以保护主用户的服务质量。C₃是次用户最小传输数据速率约束，保证次用户服务质量。显然，上述问题是具有完美信道状态信息的名义优化问题。

对于实际通信场景中的认知NOMA网络，由于存在频谱感测误差、信道估计误差和串行干扰消除残余误差，难以获得完美的信道状态信息。因此，本发明假设信道增益是不确定的，将信道增益建模为

其中

和

表示系统估计的信道增益，

和

表示估计误差，Δh_m，n和

服从均值为0，方差分别为

和

的正态分布。因此，干扰温度约束可以重新写为：

其中，

表示对主用户的实际总干扰，σ_k是每个PU的中断概率门限。

为保证在信道不确定参数Δh_m，n下每个次用户的服务质量，次用户数据速率中断概率约束可以表示为：

其中∈_m，n是第m个次用户在子信道n上的中断概率门限。因此，总数据速率可以表示为：

其中

表示功率分配矩阵。因此顽健资源分配问题可以表示为：

s.t.C₁，(29)，(30)

显然，由于中断概率约束和非线性目标函数，这个问题的解析解很难求得。要求解上述问题，最关键的步骤是转换中断概率约束。结合概率论，利用代数转换可将干扰约束(16)转换为：

其中，

表示考虑了信道估计误差的等效信道增益。其中Q^-1(·) 为Q函数的反函数。因此，中断约束的干扰功率变为封闭形式。类似地，数据速率约束(17)可以转换为：

p_m，n≥A_m，nH_m，n (21)

其中，辅助变量

因此，如果次用户可实现的数据速率不小于带有中断概率∈_m，n的最小速率阈值，则每个次用户所需的最小传输功率必须满足上述关系。

因此，将(19)、(20)和(21)三式结合，可以得到闭式顽健优化问题：

s.t.C₁，(33)，(34)

然而，由于非线性目标函数和不确定参数

问题(22)依然是不易求解的。因此，定义考虑了信道估计误差的用户数据速率为：

其中，考虑了信道估计误差的信干噪比

而其中

表示考虑了信道估计误差的等效链路增益。

至此，得到了如下形式的凸优化问题：

s.t.C₁，(33)，(34)

由于问题(24)是具有耦合变量p_m，n的非线性分式规划问题，因此，我们可以采用丁克尔巴赫法对其求解。

定义丁克尔巴赫函数：

其中，θ是一个非负参数。

通过使用拉格朗日函数法，有：

其中，λ≥0、λ_K≥0和λ_m，n≥0分别是最大传输功率约束、跨层干扰约束和中断速率约束相应的拉格朗日乘子。

该优化问题可以分解为对应第m个次用户在子信道n上的N×M_n个子问题。通过使用KKT条件，最优传输功率由下式给出：

其中，[x]⁺＝max{0，x}；辅助变量

然后可以采用梯度法来更新拉格朗日乘子：

λ_m，n(t+1)＝[λ_m，n(t)-d₂×(p_m，n-A_m，nH_m，n)]⁺， (29)

其中t≥0代表迭代次数，d_i，i∈{1，2，3}是步长。通过选择合适的步长，可以保证拉格朗日算法的收敛性。基于迭代的顽健资源算法由图2给出。

下面结合仿真对本发明的应用效果作详细的描述。

1)仿真条件

仿真参数由表1给出：

表1.仿真参数表

2)仿真结果

在本实施例中，图3给出了本实施例迭代算法功率收敛图。图4给出了在不同资源分配方法下，主用户实际中断概率与次用户最小数据速率门限之间的关系图。其中，图3显示了本发明算法能够很快地取得收敛，这表示该算法有良好的实时性表现，可以很好地应用到实际通信应用场景中。图4显示随着次用户最小速率阈值的增大，各种算法下主用户实际中断概率均随之增大。但是，只有本发明算法可以将主用户实际中断概率控制在中断概率阈值以下。图3和图4的实验结果显示了发明算法在保证实时性的同时，有效地控制了中断概率，保护主用户网络的服务质量，具有良好的顽健性。

以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。

Claims (4)

1.一种基于能效的认知NOMA网络顽健资源分配方法，其特征在于，包括以下步骤：步骤A、考虑信道不确定性，以最大化次用户总能效为优化目标，引入次用户发射功率约束、基于中断限制的干扰约束和次用户最小传输数据速率约束，对认知NOMA网络下行传输链路建立网络模型及数学模型，利用连续凸近似和参数变换，将包含中断概率约束的非凸问题转换为闭型几何规划问题，接着利用拉格朗日对偶分解理论得到次用户最优传输功率；

当考虑信道不确定性时，以最大化次用户总能效为优化目标，具体包括：将信道增益建模为

其中，主用户、次用户和子信道集合分别为k∈{1,…,K}、m∈{1,…,M}和n∈{1,…,N}，

和

表示系统估计的次用户间数据传输链路和次用户到主用户间干扰链路的信道增益，h_m,n、

分别表示对应的实际信道增益，

和

表示对应的估计误差，

表示次用户基站到次用户对应信道估计误差，

表示次用户对主用户的对应信道估计误差，△h_m,n和

服从均值为0，方差分别为

和

的正态分布，因此，干扰温度约束可以重新写为：

其中，

表示对主用户的实际总干扰，p_m,n代表第m个次用户在子信道n上的传输功率，假设M_n个次用户共享同一个子信道n，且有M＝M₁+…+M_N；M表示次用户数，N表示子信道数，I^th表示次用户对主用户的干扰功率门限值，Pr表示数学符号概率probability缩写，σ_k是每个PU的中断概率门限；

引入次用户发射功率约束、基于中断限制的干扰约束和次用户最小传输数据速率约束，对认知NOMA网络下行传输链路建立网络模型及数学模型，利用连续凸近似和参数变换，将包含中断概率约束的非凸问题转换为闭型几何规划问题，具体包括：

为保证在信道不确定参数△h_m,n下每个次用户的服务质量，次用户数据速率中断概率约束可以表示为：

其中∈_m,n是第m个次用户在子信道n上的中断概率门限；R_m,n＝Blog₂(1+r_m,n)是第m个次用户在子信道n上可实现的数据速率，B表示每个子信道的带宽，

表示第m个次用户在子信道n上的信干噪比，其中，

表示串行干扰消除后的用户间干扰，N_m,n＝I_m,n+σ²表示除次用户传输链路以外的干扰，I_m,n表示主用户对次用户的干扰功率，σ²代表第m个次用户在子信道n上的背景噪声，

是相应的次用户最小数据速率门限值，因此，总数据速率可以表示为：

其中

表示功率分配矩阵，因此顽健资源分配问题可以表示为：

其中，P_c和P^max分别代表次用户总电路功耗和次用户基站允许的最大传输功率，结合概率论，利用代数转换可将干扰约束(2)转换为：

其中，

表示考虑了信道估计误差的等效信道增益，其中Q^-1(·)为Q函数的反函数，因此，中断约束的干扰功率变为封闭形式，类似地，数据速率约束(3)可以转换为：

p_m,n≥A_m,nH_m,n (7)

其中，辅助变量

因此，如果次用户可实现的数据速率不小于带有中断概率∈_m,n的最小速率阈值，则每个次用户所需的最小传输功率必须满足上述关系；

因此，将(5)、(6)和(7)三式结合，可以得到闭式顽健优化问题：

然而，由于非线性目标函数和不确定参数

问题(8)依然是不易求解的，因此，定义考虑了信道估计误差的用户数据速率为：

其中，考虑了信道估计误差的信干噪比

而其中

表示考虑了信道估计误差的等效链路增益。

2.根据权利要求1所述的一种基于能效的认知NOMA网络顽健资源分配方法，其特征在于，接着利用拉格朗日对偶分解理论得到次用户最优传输功率，具体包括：得到了如下形式的凸优化问题：

由于问题(10)是具有耦合变量p_m,n的非线性分式规划问题，因此，我们可以采用丁克尔巴赫法对其求解；

定义丁克尔巴赫函数：

其中，θ是一个非负参数；

通过使用拉格朗日函数法，有：

其中，λ≥0、λ_K≥0和λ_m,n≥0分别是最大传输功率约束、跨层干扰约束和中断速率约束相应的拉格朗日乘子；A_m,n为辅助变量；

该优化问题可以分解为对应第m个次用户在子信道n上的N×M_n个子问题，通过使用KKT条件，最优传输功率由下式给出：

其中，[x]⁺＝max{0,x}；辅助变量

3.根据权利要求2所述的一种基于能效的认知NOMA网络顽健资源分配方法，其特征在于，所述步骤A还包括如下具体步骤：

S1：初始化系统参数：主用户数K、次用户数M、子信道数N、子信道带宽B、背景噪声σ²、主用户对次用户的干扰功率I_m,n、次用户基站到次用户的信道增益

及对应信道估计误差方差

次用户对主用户的干扰信道增益

及对应信道估计误差方差

次用户总电路功耗值P_c、次用户基站最大传输功率值P^max、次用户最小数据速率门限值

次用户中断概率阈值∈_m,n、次用户对主用户的干扰功率门限值I^th和主用户中断概率阈值σ_k；以上S1所描述所有参数都需要提前获取，作为算法输入，设定迭代次数T^max，迭代初始化；

S2：计算次用户传输功率p_m,n(t)；

S3：计算次用户网络总能效η_EE(t)；

S4：采用梯度法来更新拉格朗日因子，所述拉格朗日因子包括最大传输功率约束因子λ(t)、干扰功率门限约束因子λ_K(t)、最小速率约束因子λ_m,n(t)；

S5：判断次用户传输功率是否大于等于满足次用户最小数据速率门限所需功率值；若是，则进入S6；否则，进入S7；

S6：计算次用户对主用户的干扰功率，并判断该值是否小于等于干扰功率门限值；若是，则进入S7；否则，进入S8；

S7：判断次用户基站对所有此用户在所有子信道上的传输功率总和是否小于等于次用户基站最大传输功率值；若是，则进入S8；否则，进入下一次迭代，返回S2；

S8：判断当前迭代次数是否大于最大迭代次数，若是，则结束，输出次用户最优传输功率以及次用户网络最优能效；否则，进入下一次迭代，返回S2。

4.根据权利要求3所述的一种基于能效的认知NOMA网络顽健资源分配方法，其特征在于，所述步骤S4最大传输功率约束拉格朗日因子λ(t)、最小速率约束拉格朗日因子λ_m,n(t)和干扰功率门限约束拉格朗日因子λ_K(t)的更新表达式如下：

λ_m,n(t+1)＝[λ_m,n(t)-d₂×(p_m,n(t)-A_m,nH_m,n)]⁺，

其中，d₁、d₂和d₃分别为λ(t)、λ_m,n(t)和λ_K(t)相应的更新步长；辅助变量

Images