CN110769429B - 一种基于无线供能认知微微蜂窝的高能效数据卸载方法 - Google Patents

Abstract

本发明公开了一种基于无线供能认知微微蜂窝的高能效数据卸载方法，整个网络架构中包含一个具备连续干扰消除解码器的宏蜂窝基站和一个不具备连续干扰消除解码器的认知基站，多个宏蜂窝用户和无线供能的认知用户。宏蜂窝用户可以由宏蜂窝基站或认知基站提供服务，而认知用户可从宏蜂窝用户和认知基站的信号中进行无线能量收集，并用于向认知基站传输信息。本发明为宏蜂窝网络用户提供数据卸载服务，并为无线供能的认知微微蜂窝用户提供通信机会，同时在保障宏蜂窝用户服务质量前提下最大化了认知网络的能量效率。

Description

一种基于无线供能认知微微蜂窝的高能效数据卸载方法

技术领域

本发明涉及一种宏蜂窝小区中利用无线供能认知网络进行数据流量卸载的方法，属于移动通信技术领域。

背景技术

现代网络流量空前增加导致蜂窝网络过载，并降低用户服务质量，而数据流量卸载是解决网络过载和提高用户服务质量的有效方法。与此同时，认知网络技术通过允许没有频谱资源的认知用户共享有频谱资源的宏蜂窝用户的资源来解决频谱稀缺问题。能量收集技术可为无线设备提供长期稳定的能量，可与认知网络共同部署，为小型无线设备提供新的能量资源和频谱资源。因此，无线认知网络传输数据给宏蜂窝用户网络时，无线认知网络中的微微蜂窝用户设备可从来自宏蜂窝用户和专用基站的射频信号中收集能量进行数据传输，并保证宏蜂窝用户的用户服务质量，从而达到网络中的各用户间的双赢状态。

发明内容

发明目的：为宏蜂窝网络用户提供数据卸载服务，并为无线供能的认知微微蜂窝用户提供通信机会，提出一种基于无线供能认知微微蜂窝的高能效数据卸载方法，是一种在宏蜂窝小区中利用无线供能认知网络进行数据流量卸载的方法，以达到最大化的认知网络能量效率。该方法在保障宏蜂窝用户服务质量前提下，最大化认知网络的能量效率。

技术方案：为实现上述目的，本发明采用的技术方案为：

一种基于无线供能认知微微蜂窝的高能效数据卸载方法，宏蜂窝小区包括M个宏蜂窝用户和一个具备连续干扰消除解码器的宏蜂窝基站，认知网络包括K个无线供能的认知用户和一个不具备连续干扰消除解码器的认知基站；宏蜂窝用户由宏蜂窝基站服务，或卸载到认知基站进行服务；只要宏蜂窝小区网络的性能得到保证，微微蜂窝小区网络就可利用宏蜂窝小区网络的频谱实现自己通信的目的；包括以下步骤：

步骤一，将传输时长T分为τ₀，τ₁，τ₂三个时隙，用τ_i表示时隙i，i∈{0，1，2}，τ₀为宏蜂窝用户传输时隙，认知用户可在此时隙中从收到的宏蜂窝用户信号中收集能量，τ₁为认知基站以功率

无线广播传输能量到认知用户的时隙，传输时的能量消耗为

不能超过预设最大值

τ₂为认知用户使用从前两个时隙收集到的能量传输数据到认知基站的时隙；

步骤二，考虑到认知用户的电路能耗

第k个认知用户在时隙τ₀和τ₁中收集到的能量为

其中，ζ表示能量收集效率，

表示第m个宏蜂窝用户在时隙τ₀中的传输功率，h_m，k表示第m个宏蜂窝用户到第k个认知用户的信道增益，

为传输时的能量消耗，

表示第k个认知用户和认知基站间的信道增益；得到第k个认知用户在时隙τ₂中消耗的能量不能超过在时隙τ₀和τ₁中收集到的能量，即

其中，

表示第k个认知用户在时隙τ₂中的传输功率，

表示第m个宏蜂窝用户在时隙τ₀中的传输功率；

步骤三，令α_m∈{0，1}，β_m∈{0，1}，分别代表第m个宏蜂窝用户是否接入宏蜂窝基站或卸载接入认知基站，α_m＝1表示接入宏蜂窝基站，反之亦然；β_m＝1表示被卸载接入认知基站，反之亦然，宏蜂窝用户只可接入宏蜂窝基站或认知基站，即有

令α＝[α₁，...，α_M]^T和β＝[β₁，...，β_M]^T，

步骤四，为保证宏蜂窝小区网络的服务质量，宏蜂窝用户的最小总速率需大于或等于所需的门限值R_min，即R_p(τ₀，α，p^p)+R_ps(τ₀，β，p^p)≥R_min，其中，R_p(τ₀，α，p^p)为连到宏蜂窝基站的宏蜂窝用户总速率和，R_ps(τ₀，β，p^p)为卸载到认知基站的宏蜂窝用户总速率和；

由于宏蜂窝基站具有连续干扰消除解码器，而认知基站没有连续干扰消除解码器，则：

所有的认知用户速率和为

其中，

表示第m个宏蜂窝用户到宏蜂窝基站的信道增益，

表示第m个宏蜂窝用户到认知基站的信道增益，

和

p^p和p^s均表示信道增益矩阵，宏蜂窝用户的传输功率限制为

表示

最大门限值，σ表示噪声功率，

表示没有连续干扰消除解码器时宏蜂窝用户到认知基站的总速率和；

步骤五，最大化认知网络在传输时间T内的总能量效率的优化问题如下：

s.t.

τ₀+τ₁+τ₂≤T，τ₀≥0，τ₁≥0，τ₂≥0

其中P_c表示宏蜂窝基站、认知基站和认知用户的总电路功耗。。

优选的：步骤五中最大化认知网络在传输时间T内的总能量效率的优化问题的求解方法如下：

步骤(1)，初始化q＝0，τ_i，p^p，p^s，α，β和

其中，q表示次梯度法计算步长参数；

步骤(2)，初始化F(0)，t＝0，F(0)表示次梯度法计算初始值，t表示循环次数；

步骤(3)，利用单纯形法更新τ₀，τ₁，τ₂的值；

步骤(4)，更新α，β的值，；

步骤(5)，更新p^p，p^s的值；

步骤(6)，更新

的值；

步骤(7)，计算

F(t+1)表示次梯度法计算循环到第t+1次的值；

步骤(8)，如果|F(t+1)-F(t)|≤∈，其中，∈表示精确度，则执行下一步骤，否则令t＝t+1并返回到步骤(3)；

步骤(9)，如果满足|F(t+1)|≤ε，其中ε表示精确度，则算法结束；否则令

并返回到步骤(2)。

优选的：步骤(4)中更新α，β的方法如下：

步骤(4.1)，执行下述步骤(4.2)-(4.5)Q次，选取

值最大的那次的α，β为更新后的α，β的值；

步骤(4.2)，设置集合

并随机打乱集合中的元素顺序，对所有的

设置α_m＝β_m＝0，并对

中的所有元素，顺序执行如下步骤(4.3)-(4.5)；

步骤(4.3)，令α_m＝0，β_m＝1，并计算

值，保存为结果A；

步骤(4.4)，令α_m＝1，β_m＝0，并计算

值，保存为结果B；

步骤(4.5)，比较A和B的值，若A＞B，则设置α_m＝0，β_m＝1，否则设置α_m＝1，β_m＝0；

步骤(4.6)，如果

的值小于R_min，则问题无解，否则输出更新的α，β值。

优选的：步骤(5)中更新p^p，p^s的方法如下：

步骤(5.1)，对所有的k＝1，...，K和m＝1，...，M，初始化

表示

的计算初始值，

表示

的计算初始值，

步骤(5.2)，初始化

F₂(0)＝0，t＝0，

p^s(0)，p^p(0)，

和F₂(0)分别表示p^s，p^p，

和F₂的计算初始值，t表示p^p计算循环次数；

步骤(5.3)，对所有的k＝1，...，K，令

t₁＝0，

表示辅助变量

的计算初始值，t₁表示

计算循环次数，F₁(0)表示F₁的计算初始值；

步骤(5.4)，对所有的k＝1，...，K，顺序计算

的值：

其中，

表示第t₁+1次循环计算时

的值，x_k表示方程

关于

的解，

表示

在

时的值，

表示

在

时的值；

步骤(5.5)，令

步骤(5.6)，计算

F₁(t₁+1)表示第t₁+1次循环计算时F₁的值；

步骤(5.7)，如果满足|F₁(t₁+1)-F₁(t₁)|≤∈，则进行下一步，否则令t₁＝t₁+1并返回步骤(5.4)；

步骤(5.8)，令

步骤(5.9)，对m＝1，...，M，令

t₂＝0，

表示辅助变量

t₂表示

计算循环次数；

步骤(5.10)，对所有的m∈{m|β_m＝1，m＝1，...，M}，顺序计算

的值

其中，

表示第t₂+1次循环时

的值，y_m表示方程

关于

的解，

表示

时

的值，

表示

时

的值；

步骤(5.11)，令

t₂＝t₂+1，t₂表示

计算循环次数，

表示辅助变量矩阵

在第t₂+1次计算循环时的值，

步骤(5.12)，如果满足

则进行下一步，否则返回步骤(5.10)；

步骤(5.13)，令

表示第t+1次循环时pp的矩阵各元素值，

步骤(5.14)，如果不满足

则进行下一步，否则跳到步骤(5.16)；

步骤(5.15)，对所有

令

计算

选择

最大的对应的

为

的值，并返回步骤(5.14)，

表示第t+1次循环时

的值；

步骤(5.16)，令t＝t+1；

步骤(5.17)，计算

F₂(t)表示第t次循环时F₂的值；

步骤(5.18)，如果满足|F₂(t)-F₂(t-1)|≤∈，则进行下一步，否则返回步骤(5.3)；

步骤(5.19)，如果满足

则得到最终解，否则此问题不成立，无解。

优选的：步骤(6)中更新

的方法如下：

步骤(6.1)计算

步骤(6.2)如果满足

和

则输出更新后的

否则算法无解。

本发明相比现有技术，具有以下有益效果：

1.本发明提出宏蜂窝小区中利用无线供能认知网络进行数据流量卸载的方法，通过数据流量卸载控制，在保障宏蜂窝用户服务质量前提下最大化了认知网络的能量效率。

2.本发明的数据卸载方法可充分利用宏蜂窝网络中有限的频谱资源，为无线供能的认知用户提供传输机会。

附图说明

图1为本发明系统模型示意图

图2为本发明流程图。

具体实施方式

下面结合附图和具体实施例，进一步阐明本发明，应理解这些实例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

一种基于无线供能认知微微蜂窝的高能效数据卸载方法，如图1所示，宏蜂窝小区包括M个宏蜂窝用户和一个具备连续干扰消除解码器的宏蜂窝基站，所述的认知网络包括K个无线供能的认知用户和一个不具备连续干扰消除解码器的认知基站。宏蜂窝用户可由宏蜂窝基站服务，或卸载到认知基站进行服务。只要宏蜂窝小区网络的性能得到保证，微微蜂窝小区网络就可利用宏蜂窝小区网络的频谱实现自己通信的目的，

表示第m个宏蜂窝用户到宏蜂窝基站的信道增益，

表示第k个认知用户和认知基站间的信道增益，

表示第m个宏蜂窝用户到认知基站的信道增益，h_m，k表示第m个宏蜂窝用户到第k个认知用户的信道增益。

T表示传输时长，可分为τ₀，τ₁，τ₂三个时隙。τ₀为宏蜂窝用户传输时隙，认知用户可在此时隙中从收到的宏蜂窝用户信号中收集能量。τ₁为认知基站以功率

无线广播传输能量到认知用户的时隙，传输时的能量消耗为

不能超过预设最大值

τ₂为认知用户使用从前两个时隙收集到的能量传输数据到认知基站的时隙。

表示第m个宏蜂窝用户在时隙τ₀中的传输功率，

表示第k个认知用户在时隙τ₂中的传输功率。令

和

宏蜂窝用户的传输功率限制为

考虑到宏蜂窝基站的电路能耗P_c和第k个认知用户的电路能耗

第k个认知用户在时隙τ₀和τ₁中收集到的能量为

其中ζ表示能量收集效率。由此，第k个认知用户在时隙τ₂中消耗的能量不能超过在时隙τ₀和τ₁中收集到的能量，即

令α_m∈{0，1}，β_m∈{0，1}，分别代表第m个宏蜂窝用户是否接入宏蜂窝基站或卸载接入认知基站，α_m＝1表示接入宏蜂窝基站，反之亦然；β_m＝1表示被卸载接入认知基站，反之亦然。宏蜂窝用户只可接入宏蜂窝基站或认知基站，即有

令α＝[α₁，...，α_M]^T和β＝[β₁，...，β_M]^T。

为保证宏蜂窝小区网络的服务质量，宏蜂窝用户的最小总速率需大于或等于所需的门限值R_min，即R_p(τ₀，α，p^p)+R_ps(τ₀，β，p^p)≥R_min，其中R_p(τ₀，α，p^p)为连到宏蜂窝基站的宏蜂窝用户总速率和，R_ps(τ₀，β，p^p)为卸载到认知基站的宏蜂窝用户总速率和。

由于宏蜂窝基站具有连续干扰消除解码器，而认知基站没有连续干扰消除解码器，则

所有的认知用户速率和为

最大化认知网络在传输时间T内的总能量效率的优化问题如下：

s.t.

τ₀+τ₁+τ₂≤T，τ₀≥0，τ₁≥0，τ₂≥0

如图2所示，求解方法包括以下步骤：

1)初始化q＝0，τ_i，p^p，p^s，α，β和

2)初始化F(0)，t＝0。

3)利用单纯形法更新τ₀，τ₁，τ₂的值。

更新τ₀，τ₁，τ₂的值的问题为：

s.t.

T-τ₀-τ₁-τ₂≥0，τ₀≥0，τ₁≥0，τ₂≥0

其中

此问题为线性规划问题，可用单纯形法求解。

4)更新α，β的值。

更新α，β的值的问题为：

s.t.

由于原问题目标函数不包括α，β，故简化问题为：

s.t.

上述问题的目标函数值如果大于R_min，则原问题有解，否则无解。更新α，β的算法步骤如下：

(4.1)执行下述步骤Q次，选取

值最大的那次的α，β为更新后的α，β的值。

(4.2)设置集合

并随机打乱集合中的元素顺序。对所有的

设置α_m＝β_m＝0，并对

中的所有元素，顺序执行如下步骤4.3)-4.5)

(4.3)令α_m＝0，β_m＝1，并计算

值，保存为结果A

(4.4)令α_m＝1，β_m＝0，并计算

值，保存为结果B

(4.5)比较A和B的值，若A＞B，则设置α_m＝0，β_m＝1，否则设置α_m＝1，β_m＝0。

(4.6)如果

的值小于R_min，则问题无解，否则输出更新的α，β值。

5)更新p^p，p^s的值。

更新p^p，p^s的值的问题为：

s.t.

更新p^p，p^s的算法步骤如下：

(5.1)对所有的k＝1，...，K和m＝1，...，M，初始化

(5.2)初始化

F₂(0)＝0，t＝0。

(5.3)对所有的k＝1，...，K，令

t₁＝0，F₁(0)＝0。

(5.4)对所有的k＝1，...，K，顺序计算

的值

(5.5)令

(5.6)计算

(5.7)如果满足|F₁(t₁+1)-F₁(t₁)|≤∈，则进行下一步，否则令t₁＝t₁+1并返回步骤5.4)

(5.8)令

(5.9)对m＝1，...，M，令

t₂＝0

(5.10)对所有的m∈{m|β_m＝1，m＝1，...，M}，顺序计算

的值

(5.11)令

t₂＝t₂+1，

(5.12)如果满足

则进行下一步，否则返回步骤5.10)

(5.13)令

(5.14)如果不满足

则进行下一步，否则跳到步骤5.16)

(5.15)对所有

令

计算

选择

最大的对应的

为

的值，并返回步骤5.14)

(5.16)令t＝t+1

(5.17)计算

(5.18)如果满足|F₂(t)-F₂(t-1)|≤∈，则进行下一步，否则返回步骤5.3)，

(5.19)如果满足

则得到最终解，否则此问题不成立，无解。

6)更新

的值。

更新

的值的问题为：

s.t.

更新

的算法步骤如下：

(6.1)计算

(6.2)如果满足

和

则输出更新后的

否则算法无解。

7)计算

8)如果|F(t+1)-F(t)|≤∈，其中∈表示精确度，则执行下一步骤，否则令t＝t+1并返回到步骤3)。

9)如果满足|F(t+1)|≤ε，其中ε表示精确度，则算法结束；否则令

并返回到步骤2)。

本发明能够为宏蜂窝网络用户提供数据卸载服务，并为无线供能的认知微微蜂窝用户提供通信机会，整个网络架构中包含一个具备连续干扰消除解码器的宏蜂窝基站和一个不具备连续干扰消除解码器的认知基站，多个宏蜂窝用户和无线供能的认知用户。宏蜂窝用户可以由宏蜂窝基站或认知基站提供服务，而认知用户可从宏蜂窝用户和认知基站的信号中进行无线能量收集，并用于向认知基站传输信息。本发明在保障宏蜂窝用户服务质量前提下最大化了认知网络的能量效率。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (5)

1.一种基于无线供能认知微微蜂窝的高能效数据卸载方法，其特征在于，宏蜂窝小区包括M个宏蜂窝用户和一个具备连续干扰消除解码器的宏蜂窝基站，认知网络包括K个无线供能的认知用户和一个不具备连续干扰消除解码器的认知基站；宏蜂窝用户由宏蜂窝基站服务，或卸载到认知基站进行服务；只要宏蜂窝小区网络的性能得到保证，微微蜂窝小区网络就可利用宏蜂窝小区网络的频谱实现自己通信的目的；包括以下步骤：

步骤一，将传输时长T分为τ₀,τ₁,τ₂三个时隙，用τ_i表示时隙i，i∈{0,1,2}，τ₀为宏蜂窝用户传输时隙，认知用户可在此时隙中从收到的宏蜂窝用户信号中收集能量，τ₁为认知基站以功率

无线广播传输能量到认知用户的时隙，传输时的能量消耗为

不能超过预设最大值

τ₂为认知用户使用从前两个时隙收集到的能量传输数据到认知基站的时隙；

步骤二，考虑到认知用户的电路能耗

第k个认知用户在时隙τ₀和τ₁中收集到的能量为

其中，ζ表示能量收集效率，

表示第m个宏蜂窝用户在时隙τ₀中的传输功率，h_m,k表示第m个宏蜂窝用户到第k个认知用户的信道增益，

为传输时的能量消耗，

表示第k个认知用户和认知基站间的信道增益；得到第k个认知用户在时隙τ₂中消耗的能量不能超过在时隙τ₀和τ₁中收集到的能量，即

其中，

表示第k个认知用户在时隙τ₂中的传输功率，

表示第m个宏蜂窝用户在时隙τ₀中的传输功率；

步骤三，令α_m∈{0,1},β_m∈{0,1}，分别代表第m个宏蜂窝用户是否接入宏蜂窝基站或卸载接入认知基站，α_m＝1表示接入宏蜂窝基站，反之亦然；β_m＝1表示被卸载接入认知基站，反之亦然，宏蜂窝用户只可接入宏蜂窝基站或认知基站，即有

令α＝[α₁,…,α_M]^T和β＝[β₁,…,β_M]^T，

步骤四，为保证宏蜂窝小区网络的服务质量，宏蜂窝用户的最小总速率需大于或等于所需的门限值R_min，即R_p(τ₀,α,p^p)+R_ps(τ₀,β,p^p)≥R_min，其中，R_p(τ₀,α,p^p)为连到宏蜂窝基站的宏蜂窝用户总速率和，R_ps(τ₀,β,p^p)为卸载到认知基站的宏蜂窝用户总速率和；

由于宏蜂窝基站具有连续干扰消除解码器，而认知基站没有连续干扰消除解码器，则：

所有的认知用户速率和为

其中，

表示第m个宏蜂窝用户到宏蜂窝基站的信道增益，

表示第m个宏蜂窝用户到认知基站的信道增益，令

和

p^p和p^s均表示信道增益矩阵，宏蜂窝用户的传输功率限制为

表示

最大门限值，σ表示噪声功率，

表示没有连续干扰消除解码器时宏蜂窝用户到认知基站的总速率和；

步骤五，最大化认知网络在传输时间T内的总能量效率的优化问题如下：

s.t.

τ₀+τ₁+τ₂≤T,τ₀≥0,τ₁≥0,τ₂≥0

其中，P_c表示宏蜂窝基站、认知基站和认知用户的总电路功耗。

2.根据权利要求1所述基于无线供能认知微微蜂窝的高能效数据卸载方法，其特征在于：步骤五中最大化认知网络在传输时间T内的总能量效率的优化问题的求解方法如下：

步骤(1)，初始化q＝0，τ_i，p^p,p^s,α,β和

其中，q表示次梯度法计算步长参数；

步骤(2)，初始化F(0),t＝0，F(0)表示次梯度法计算初始值，t表示循环次数；

步骤(3)，利用单纯形法更新τ₀,τ₁,τ₂的值；

步骤(4)，更新α,β的值；

步骤(5)，更新p^p,p^s的值；

步骤(6)，更新

的值；

步骤(7)，计算

F(t+1)表示次梯度法计算循环到第t+1次的值；

步骤(8)，如果|F(t+1)-F(t)|≤∈，其中，∈表示精确度，则执行下一步骤，否则令t＝t+1并返回到步骤(3)；

步骤(9)，如果满足|F(t+1)|≤ε，其中ε表示精确度，则算法结束；否则令

并返回到步骤(2)。

3.根据权利要求2所述基于无线供能认知微微蜂窝的高能效数据卸载方法，其特征在于：步骤(4)中更新α,β的方法如下：

步骤(4.1)，执行下述步骤(4.2)-(4.5)Q次，选取

值最大的那次的α,β为更新后的α,β的值；

步骤(4.2)，设置集合

并随机打乱集合中的元素顺序，对所有的

设置α_m＝β_m＝0，并对

中的所有元素，顺序执行如下步骤(4.3)-(4.5)；

步骤(4.3)，令α_m＝0,β_m＝1，并计算

值，保存为结果A；

步骤(4.4)，令α_m＝1,β_m＝0，并计算

值，保存为结果B；

步骤(4.5)，比较A和B的值，若A>B，则设置α_m＝0,β_m＝1，否则设置α_m＝1,β_m＝0；

步骤(4.6)，如果

的值小于R_min，则问题无解，否则输出更新的α,β值。

4.根据权利要求3所述基于无线供能认知微微蜂窝的高能效数据卸载方法，其特征在于：步骤(5)中更新p^p,p^s的方法如下：

步骤(5.1)，对所有的k＝1,…,K和m＝1,…,M，初始化

表示

的计算初始值，

表示

的计算初始值，

步骤(5.2)，初始化

F₂(0)＝0,t＝0，

p^s(0)，p^p(0)，

和F₂(0)分别表示p^s，p^p，

和F₂的计算初始值，t表示p^p计算循环次数；

步骤(5.3)，对所有的k＝1,…,K，令

t₁＝0，F₁(0)＝0,

表示辅助变量

的计算初始值，t₁表示

计算循环次数，F₁(0)表示F₁的计算初始值；

步骤(5.4)，对所有的k＝1,…,K，顺序计算

的值：

其中，

表示第t₁+1次循环计算时

的值，x_k表示方程

关于

的解，

表示

在

时的值，

表示

在

时的值；

步骤(5.5)，令

步骤(5.6)，计算

F₁(t₁+1)表示第t₁+1次循环计算时F₁的值；

步骤(5.7)，如果满足|F₁(t₁+1)-F₁(t₁)|≤∈，则进行下一步，否则令t₁＝t₁+1并返回步骤(5.4)；

步骤(5.8)，令

步骤(5.9)，对m＝1,…,M，令

t₂＝0，

表示辅助变量

t₂表示

计算循环次数；

步骤(5.10)，对所有的m∈{m|β_m＝1,m＝1,…,M}，顺序计算

的值

其中，

表示第t₂+1次循环时

的值，y_m表示方程

关于

的解，

表示

时

的值，

表示

时

的值；

步骤(5.11)，令

t₂＝t₂+1，t₂表示

计算循环次数，

表示辅助变量矩阵

在第t₂+1次计算循环时的值，

步骤(5.12)，如果满足

则进行下一步，否则返回步骤(5.10)；

步骤(5.13)，令

p^p(t+1)表示第t+1次循环时p^p的矩阵各元素值，

步骤(5.14)，如果不满足

则进行下一步，否则跳到步骤(5.16)；

步骤(5.15)，对所有

令

计算

选择

最大的对应的

为

的值，并返回步骤(5.14)，

表示第t+1次循环时

的值；

步骤(5.16)，令t＝t+1；

步骤(5.17)，计算

F₂(t)表示第t次循环时F₂的值；

步骤(5.18)，如果满足|F₂(t)-F₂(t-1)|≤∈，则进行下一步，否则返回步骤(5.3)；

步骤(5.19)，如果满足

则得到最终解，否则此问题不成立，无解。

5.根据权利要求4所述基于无线供能认知微微蜂窝的高能效数据卸载方法，其特征在于：步骤(6)中更新

的方法如下：

步骤(6.1)计算

步骤(6.2)如果满足

和

则输出更新后的

否则算法无解。

Images