CN110809259B - 一种基于社会关系的noma使能d2d通信资源博弈方法 - Google Patents

Abstract

本发明公开了一种基于社会关系的NOMA使能D2D通信资源博弈方法。该方法将资源分配建模为斯坦伯格博弈，D2D组内采用NOMA技术，实现一对二的数据通信，同时考虑蜂窝用户和D2D用户之间的社会关系因素，促进两者合作以提高系统吞吐量。具体步骤如下：分别定义蜂窝用户和D2D组的效用函数，博弈的领导层为蜂窝用户，从属层为D2D组；领导层通过KM算法对蜂窝用户和D2D组进行信道匹配，为D2D组分配信道；从属层通过基于罚函数的粒子群算法对D2D用户进行功率控制，实现功率的最优分配；设置历史信道分配集合，通过领导层和从属层之间的迭代得到斯坦伯格博弈均衡，根据均衡时的策略更新资源分配。

Description

一种基于社会关系的NOMA使能D2D通信资源博弈方法

技术领域

本发明属于通信技术领域，涉及一种基于社会关系的NOMA使能D2D通信资源博弈方法。

背景技术

随着移动设备数量和多媒体业务的快速增长，人们对于高速率数据流量的需求不断增加，使得频谱资源日益匮乏，核心网压力剧增。D2D通信是一种在蜂窝系统控制下，允许近距离终端用户通过共享小区资源进行直接通信的新技术。在蜂窝网络中引入D2D通信，可以减轻基站负担，减小通信时延。与传统蜂窝通信相比，D2D通信仅占用一半的频谱资源。而且近距离的D2D通信可以减小传输功率，节约能耗，增加手机的续航时间。因此D2D通信被认为是下一代移动通信的关键技术之一。

NOMA技术也是最近被广泛研究的热点之一。NOMA不同于传统的正交传输，在发送端采用非正交发送，主动引入干扰信息，利用不同用户的信号强度不同，使得用户能够利用串行干扰消除技术从混合信号中正确解调出发送给自身的信号，由此允许多个用户在时间和频率域共享相同的资源，从而提高系统吞吐量和能量效率。与正交传输相比，接收机复杂度有所提升，但可以获得更高的频谱效率。因此，将D2D与NOMA相结合可以大大提高移动通信系统的服务质量。

本发明针对NOMA使能的D2D通信系统，在蜂窝网络上行链路场景，将资源分配建模为斯坦伯格博弈，引入社会关系因素，分别定义蜂窝用户和D2D组的效用函数，博弈的领导层为蜂窝用户，从属层为D2D组。领导层通过KM算法对蜂窝用户和D2D组进行信道匹配，为D2D组分配信道，从属层通过基于罚函数的粒子群算法对D2D用户进行功率控制，从而实现各自效用最大化。

发明内容

本发明的目的是给出一种基于社会关系的NOMA使能D2D通信资源博弈方法，加强蜂窝用户和D2D用户之间的社会合作关系，同时保证所有用户的Qos，优化信道分配，实现功率控制，提高系统总吞吐量。

本发明的技术方案是：一种基于社会关系的NOMA使能D2D通信资源博弈方法，在保证所有用户通信质量的基础上，增强蜂窝用户和D2D用户之间的合作以提高系统吞吐量，其具体包括以下步骤：

(1)、定义蜂窝用户集合为{C₁,C₂,...,C_M}，每个蜂窝用户占用一个子信道，各子信道之间相互正交，子信道集合为{SC₁,SC₂,...,SC_M}，假设蜂窝用户C_m使用子信道SC_m，D2D组集合为{D₁,D₂,...,D_N}，一个D2D组由一个D2D发送端DT_n和两个接收端

组成，假设蜂窝用户数量多于D2D组数量，D2D组内采用NOMA进行通信，D2D发送端DT_n的最大发送功率为P_d，功率分配系数设为α_n和β_n，α_n+β_n≤1，即在最大发送功率之内优化发送端发送信号给2个接收端时的功率，定义蜂窝用户和D2D用户之间的社会关系

k∈{1，2}；

(2)、定义蜂窝用户效用函数

相对蜂窝用户，加入D2D通信时激励来源于根据社会关系为D2D组分配功率后得到的报酬，损失为由于D2D产生的干扰会牺牲一部分的吞吐量；

(3)、定义D2D接收端

的效用函数，由此得到D2D组的效用函数

相对于D2D用户，激励来源于复用蜂窝信道后速率的增加，若复用蜂窝信道后速率不会得到提升，此时效用一定小于零，则选择蜂窝方式进行通信；如复用蜂窝信道后速率得以增加，此时损失为此支出的一定的功率费用；

(4)、根据蜂窝用户的效用函数，将蜂窝用户与D2D组进行匹配，为D2D组分配信道；

(5)、根据D2D组的效用函数，在D2D组内为D2D发送端分配发送功率；

(6)、设置历史信道分配集合，重复执行步骤(4)和(5)，持续存入每次的信道分配结果，直至信道分配结果已存在于历史信道分配集合中，即通过领导层和从属层之间的迭代得到斯坦伯格博弈均衡；

在所述步骤(2)中，蜂窝用户效用函数定义为

式中，

和

分别表示蜂窝用户C_m和D2D接收端

的社会关系，V为每单位功率的价格，

表示为每单位功率的实际价格，其与两用户之间的社会关系有关，社会关系越密切，实际价格越低，

为C_m不将信道给D2D组复用时的传输速率：

R_m为C_m将信道给D2D组复用时的速率：R_m＝log₂(1+γ_m)，

其中P_c为蜂窝用户的发射功率，g_m,B和g_n,B分别为蜂窝用户C_m和D2D发送端DT_n到基站的信道增益，η_m,n表示D2D组复用蜂窝信道的情况，如果D_n复用C_m的信道，那么η_m,n＝1，否则η_m,n＝0，N₀表示噪声功率；

在所述步骤(3)中，D2D接收端

的效用函数定义为：

式中，R_n,1和R_n,2为D2D用户以D2D方式复用蜂窝用户信道进行通信时的速率：R_n,1＝log₂(1+γ_n,1)，

R_n,2＝log₂(1+γ_n,2)，

其中，g_n,1和g_m,n,1分别为D2D发送端DT_n和蜂窝用户C_m到

的信道增益，g_n,2和g_m,n,2分别为D2D发送端DT_n和蜂窝用户C_m到

的信道增益，

和

为D2D用户不复用蜂窝用户的信道，以蜂窝方式与基站进行通信时的速率，由此得到D2D组的效用函数：

在所述步骤(4)中，实现蜂窝用户和D2D用户匹配的具体步骤为：

(4.1)、将蜂窝用户与D2D组用户之间的匹配度定义为蜂窝用户的效用，对其中某一特定的蜂窝用户，其最大匹配度取决于能使其获得最大效用的匹配，若蜂窝用户和D2D组匹配后，出现D2D组传输速率下降或两者信干噪比低于门限值的情况，则将他们之间的匹配度置为零；

(4.2)、逐个为蜂窝用户匹配能使其效用最大化的D2D组，若匹配不和其他蜂窝用户的匹配产生冲突，则该蜂窝用户匹配成功；

(4.3)、若匹配产生冲突，则为该蜂窝用户及所有已成功匹配的蜂窝用户重新规划，找到匹配度之和仅次于最大效用之和且不会产生冲突的匹配；

(4.4)、重复步骤(4.2)至(4.3)，直到蜂窝用户和D2D组完全匹配，实现D2D组的信道分配；

在所述步骤(5)中，为D2D组中的D2D发送端分配发送功率的具体步骤为：

(5.1)、以D2D组的效用函数为优化目标进行D2D用户的功率控制，保证信道上每个蜂窝用户和D2D用户的信干噪比大于门限值，并将有约束功率控制问题转换为无约束优化问题：

其中，η和P分别表示信道和功率分配参数，M为罚函数因子，

分别表示蜂窝用户和两个D2D接收端的信干噪比门限；

(5.2)、功率的优化即为功率分配系数对(α_n,β_n)的优化，在α_n和β_n的联合定义域内，初始化N_pop个功率分配系数对，他们的位置X_id的集合表示为

并初始化他们的速度；

(5.3)、根据优化目标计算每个功率分配系数对(α_n,β_n)对应的目标函数值，即为其适应度；

(5.4)、将每个功率分配系数对(α_n,β_n)经历过的历史最优适应度的位置记录为个体最优位置，所有功率分配系数对经历过的历史最优适应度的位置记录为种群最优位置，比较并更新功率分配系数的个体最优位置和种群最优位置；

(5.5)、更新每个功率分配系数对(α_n,β_n)的速度：

V′_id＝ωV_id+C₁random(0,1)(P_id-X_id)+C₂random(0,1)(P_gd-X_id)

其中，ω为惯性因子，决定寻找最优适应度的快慢，C₁和C₂为加速常数，分别表征个体学习因子和种群学习因子，random(0,1)表示[0,1]上的随机数，由于优化参数有α_n和β_n两个，故该优化问题为二维优化问题，P_id表示第i个功率分配系数对(α_n,β_n)在第d维上的个体最优位置，P_gd表示第d维上的种群最优位置；

(5.6)、更新每个功率分配系数对(α_n,β_n)的位置：X′_id＝X_id+V′_id；

(5.7)、重复(5.3)至(5.6)，至所有功率分配系数对(α_n,β_n)收敛至最优适应度位置，实现D2D组的功率分配。

本发明联合优化NOMA使能的D2D场景中的信道分配和功率控制；将资源分配建模为斯坦伯格博弈，引入社会关系因素，分别定义蜂窝用户和D2D组的效用函数，博弈的领导层为蜂窝用户，从属层为D2D组。领导层通过KM算法对蜂窝用户和D2D组进行信道匹配，为D2D组分配信道，从属层通过基于罚函数的粒子群算法对D2D用户进行功率控制，从而实现各自效用最大化。斯坦伯格博弈到达均衡时，实现资源的最优分配，有效利用蜂窝用户和D2D用户之间的社会合作关系，提升了系统吞吐量。

本发明具有的有益效果：

1、引入社会关系分别定义蜂窝用户和D2D组的效用函数，将资源分配建模为斯坦伯格博弈过程，当D2D用户复用蜂窝用户信道进行通信时，他们之间的社会关系会影响D2D用户的信道选择和发送功率，从而加强蜂窝用户和D2D用户之间的合作，增加系统吞吐量；2、斯坦伯格博弈的领导层为蜂窝用户，通过KM算法对蜂窝用户和D2D组进行最大权匹配，使得蜂窝用户的效用最大化，同时保证每个子信道上所有用户的通信质量要求，从而得到蜂窝用户和D2D组的最佳匹配，实现D2D组的信道分配；3、斯坦伯格博弈的从属层为D2D组，通过基于罚函数的粒子群算法对D2D用户的发送功率进行控制，并证明算法的收敛性，实现功率的最优分配。

附图说明

图1为本发明方法的网络模型示意图；

图2为本发明方法的流程示意图；

图3、图4为不同资源分配方案下系统吞吐量的比较图；

图5、图6为不同资源分配方案下蜂窝和D2D用户平均吞吐量的比较图。

具体实施方式

下面结合实例和说明书附图1、2对发明的技术方案进行详细说明：

一种基于社会关系的NOMA使能D2D通信资源博弈方法，在保证所有用户通信质量的基础上，增强蜂窝用户和D2D用户之间的合作以提高系统吞吐量，其具体包括以下步骤：

(1)、定义蜂窝用户集合为{C₁,C₂,...,C_M}，每个蜂窝用户占用一个子信道，各子信道之间相互正交，子信道集合为{SC₁,SC₂,...,SC_M}，假设蜂窝用户C_m使用子信道SC_m，D2D组集合为{D₁,D₂,...,D_N}，一个D2D组由一个D2D发送端DT_n和两个接收端

组成，假设蜂窝用户数量多于D2D组数量，D2D组内采用NOMA进行通信，D2D发送端DT_n的最大发送功率为P_d，功率分配系数设为α_n和β_n，α_n+β_n≤1，即在最大发送功率之内优化发送端发送信号给2个接收端时的功率，定义蜂窝用户和D2D用户之间的社会关系

k∈{1，2}；

(2)、定义蜂窝用户效用函数

相对蜂窝用户，加入D2D通信时激励来源于根据社会关系为D2D组分配功率后得到的报酬，损失为由于D2D产生的干扰会牺牲一部分的吞吐量；

(3)、定义D2D接收端

的效用函数，由此得到D2D组的效用函数

相对于D2D用户，激励来源于复用蜂窝信道后速率的增加，若复用蜂窝信道后速率不会得到提升，此时效用一定小于零，则选择蜂窝方式进行通信；如复用蜂窝信道后速率得以增加，此时损失为此支出的一定的功率费用；

(4)、根据蜂窝用户的效用函数，将蜂窝用户与D2D组进行匹配，为D2D组分配信道；

(5)、根据D2D组的效用函数，在D2D组内为D2D发送端分配发送功率；

(6)、设置历史信道分配集合，重复执行步骤(4)和(5)，持续存入每次的信道分配结果，直至信道分配结果已存在于历史信道分配集合中，即通过领导层和从属层之间的迭代得到斯坦伯格博弈均衡；

在所述步骤(2)中，蜂窝用户效用函数定义为

式中，

和

分别表示蜂窝用户C_m和D2D接收端

的社会关系，V为每单位功率的价格，

表示为每单位功率的实际价格，其与两用户之间的社会关系有关，社会关系越密切，实际价格越低，

为C_m不将信道给D2D组复用时的传输速率：

R_m为C_m将信道给D2D组复用时的速率：R_m＝log₂(1+γ_m)，

其中P_c为蜂窝用户的发射功率，g_m,B和g_n,B分别为蜂窝用户C_m和D2D发送端DT_n到基站的信道增益，η_m,n表示D2D组复用蜂窝信道的情况，如果D_n复用C_m的信道，那么η_m,n＝1，否则η_m,n＝0，N₀表示噪声功率；

所述步骤(3)中，D2D接收端

的效用函数定义为：

式中，R_n,1和R_n,2为D2D用户以D2D方式复用蜂窝用户信道进行通信时的速率：R_n,1＝log₂(1+γ_n,1)，

R_n,2＝log₂(1+γ_n,2)，

其中，g_n,1和g_m,n,1分别为D2D发送端DT_n和蜂窝用户C_m到

的信道增益，g_n,2和g_m,n,2分别为D2D发送端DT_n和蜂窝用户C_m到

的信道增益，

和

为D2D用户不复用蜂窝用户的信道，以蜂窝方式与基站进行通信时的速率，由此得到D2D组的效用函数：

在所述步骤(4)中，实现蜂窝用户和D2D用户匹配的具体步骤为：

(4.1)、将蜂窝用户与D2D组用户之间的匹配度定义为蜂窝用户的效用，对其中某一特定的蜂窝用户，其最大匹配度取决于能使其获得最大效用的匹配，若蜂窝用户和D2D组匹配后，出现D2D组传输速率下降或两者信干噪比低于门限值的情况，则将他们之间的匹配度置为零；

(4.2)、逐个为蜂窝用户匹配能使其效用最大化的D2D组，若匹配不和其他蜂窝用户的匹配产生冲突，则该蜂窝用户匹配成功；

(4.3)、若匹配产生冲突，则为该蜂窝用户及所有已成功匹配的蜂窝用户重新规划，找到匹配度之和仅次于最大效用之和且不会产生冲突的匹配；

(4.4)、重复步骤(4.2)至(4.3)，直到蜂窝用户和D2D组完全匹配，实现D2D组的信道分配；

在所述步骤(5)中，为D2D组中的D2D发送端分配发送功率的具体步骤为：

(5.1)、以D2D组的效用函数为优化目标进行D2D用户的功率控制，保证信道上每个蜂窝用户和D2D用户的信干噪比大于门限值，并将有约束功率控制问题转换为无约束优化问题：

其中，η和P分别表示信道和功率分配参数，M为罚函数因子，

分别表示蜂窝用户和两个D2D接收端的信干噪比门限；

(5.2)、功率的优化即为功率分配系数对(α_n,β_n)的优化，在α_n和β_n的联合定义域内，初始化N_pop个功率分配系数对，他们的位置X_id的集合表示为

并初始化他们的速度；

(5.3)、根据优化目标计算每个功率分配系数对(α_n,β_n)对应的目标函数值，即为其适应度；

(5.4)、将每个功率分配系数对(α_n,β_n)经历过的历史最优适应度的位置记录为个体最优位置，所有功率分配系数对经历过的历史最优适应度的位置记录为种群最优位置，比较并更新功率分配系数的个体最优位置和种群最优位置；

(5.5)、更新每个功率分配系数对(α_n,β_n)的速度：

V′_id＝ωV_id+C₁random(0,1)(P_id-X_id)+C₂random(0,1)(P_gd-X_id)

其中，ω为惯性因子，决定寻找最优适应度的快慢，C₁和C₂为加速常数，分别表征个体学习因子和种群学习因子，random(0,1)表示[0,1]上的随机数，由于优化参数有α_n和β_n两个，故该优化问题为二维优化问题，P_id表示第i个功率分配系数对(α_n,β_n)在第d维上的个体最优位置，P_gd表示第d维上的种群最优位置；

(5.6)、更新每个功率分配系数对(α_n,β_n)的位置：X′_id＝X_id+V′_id；

(5.7)、重复(5.3)至(5.6)，至所有功率分配系数对(α_n,β_n)收敛至最优适应度位置，实现D2D组的功率分配。

本发明的共享蜂窝系统上行链路资源的D2D通信模型如附图1所示，基站位于小区中心，小区半径为R，小区内随机分布着M个蜂窝用户和N个D2D组，蜂窝用户与基站通信，集合为{C₁,C₂,...,C_M}，每个蜂窝用户占用一个子信道，各子信道之间相互正交，子信道集合为{SC₁,SC₂,...,SC_M}，不失一般性，假设蜂窝用户C_m使用子信道SC_m；D2D组集合为{D₁,D₂,...,D_N}，一个D2D组由一个D2D发送端DT_n和两个接收端

组成，D2D接收端随机分布在以其发送端为圆心，半径为L的圆内，D2D用户复用蜂窝用户的上行信道进行通信；与传统的D2D对不同，D2D组内采用NOMA技术，通过串行干扰消除(SIC)技术，使得D2D发送端可以同时给2个D2D接收端发送信息。在蜂窝用户和D2D用户之间引入社会关系因素，将社会关系定义为

k∈{1，2}，社会关系越密切，

越大，用户之间也更愿意合作，蜂窝用户更愿意让D2D用户复用其信道，即允许该D2D用户以较大的发射功率共享它的信道。

本发明假设每个蜂窝用户各自占用一个独立的子信道，一个D2D组只能复用一个蜂窝用户的信道，且一个子信道只能被一个D2D组复用；因此，基站在子信道SC_m上所接收到的信号可以表示为：

其中，P_c和P_d分别为蜂窝用户和D2D发送端的发射功率，g_m,B和g_n,B分别为蜂窝用户C_m和D2D发送端DT_n到基站的信道增益，η_m,n表示D2D组复用蜂窝信道的情况，如果D_n复用C_m的信道，那么η_m,n＝1，否则η_m,n＝0；x_m和x_n分别为蜂窝用户和D2D发送端所发送的信号，ζ_m表示信道SC_m上的加性高斯白噪声；因此，在基站处蜂窝用户C_m的信干噪比和传输速率可以定义为：

R_m＝log₂(1+γ_m) (3)

其中，N₀表示噪声功率。

由于D2D组采用NOMA进行通信，D2D发送端DT_n的功率分配系数设为α_n和β_n，α_n+β_n≤1，即在最大发送功率之内优化发送端给2个接收端的发射功率，则D2D接收端

接收到的信号可以表示为：

其中，

和

分别为发送给D2D接收端

和

的信号，g_n,1和g_m,n,1分别为D2D发送端DT_n和蜂窝用户C_m到

的信道增益，

为

收到的加性高斯白噪声。

在NOMA中，如果D2D接收端

需要通过串行干扰消除技术去除

从而正确解调出

则必须满足以下条件：

其中，g_n,2和g_m,n,2分别为D2D发送端DT_n和蜂窝用户C_m到

的信道增益。

化简后可得：

A(η)＝(P_cg_m,n,2+N₀)g_n,1-(P_cg_m,n,1+N₀)g_n,2≥0 (6)

如上式所示，该式与功率分配系数α_n、β_n无关，只与信道分配参数η_n,m有关，因此可以表示为关于η的函数。

假设在接收端

可以通过串行干扰消除技术完全去除

则D2D接收端

和

的信干噪比和传输速率：

R_n,1＝log₂(1+γ_n,1) (9)

R_n,2＝log₂(1+γ_n,2) (10)

上述结论都基于D2D接收端

去除

从而正确解调

这一假设，而对应的另一种情况，即

去除

从而正确解调

相应的推导与上述类似，不再赘述。

将资源分配问题建立为斯坦伯格博弈，领导层为蜂窝用户，利用KM算法进行信道分配，从属层为D2D组，利用基于罚函数的粒子群算法对最优功率进行求解。

领导层主要解决信道分配问题，也就是蜂窝用户和D2D组的匹配问题。定义蜂窝用户效用函数：

其中，

和

分别表示蜂窝用户C_m和D2D接收端

的社会关系，V为每单位功率的价格，

表示为每单位功率的实际价格，其与两用户之间的社会关系有关，社会关系越密切，实际价格就越低。

为C_m不将信道给D2D组复用时的传输速率，可以表示为：

从属层主要解决功率控制问题，本发明不考虑优化蜂窝用户的功率，仅设其为一定值，故功率控制指的是在D2D组内，优化发送端给两个接收端发送信息时的功率；定义

的效用函数：

其中，

和

为D2D用户不复用蜂窝用户的信道，以蜂窝方式与基站进行通信时的速率，其表达式与式(12)类似，在此不再赘述。由此可以得到D2D组的效用函数：

领导层的优化问题可建模为：

式(16)为优化目标，即通过信道分配使得蜂窝用户的效用最大；式(17)限制了D2D用户带给蜂窝用户的干扰，保证了蜂窝用户的通信质量；式(18)保证了D2D用户的通信质量；式(19)表示使用NOMA串行干扰消除技术必须满足的条件；式(20)表示信道分配的取值只能取1或0，代表复用该信道或不复用；式(21)表示D2D组只能复用一个蜂窝用户的信道；式(22)表示一个蜂窝用户的信道只能给一个D2D组复用。

该优化问题可以转化为加权二分图的最优匹配问题，蜂窝用户和D2D组构成了二分图中的两组顶点，蜂窝用户的效用即为边的权重w_m,n；匹配的原则是每个顶点只能与另一组顶点中的一个顶点匹配，并且每个顶点希望选择权重最大的边进行匹配，因此优化目标可以转换为max∑_m∑_nw_m,n。

KM算法可以用来求解该优化问题，该算法能够求解完备匹配下的最大权匹配；但是，KM算法要求二分图是完全对称的，而本发明中假设D2D组数量不大于蜂窝用户数量，为了使KM算法能够运用于本发明场景，需要在D2D组的顶点中增加M-N个虚拟顶点；另外，可以通过将不满足约束条件(17)(18)(19)要求的匹配权重置零，这样就可以避免产生不符合要求的匹配。而KM算法天生符合约束条件(20)(21)(22)，因此KM算法可以解决领导层的信道分配问题。

从属层的优化问题可建模为：

优化目标为使D2D组的效用最大；式(24)(25)和信道分配时一样保证用户的通信质量；式(26)(27)表示D2D接收端的功率之和不超过可供分配的总功率，且各自不小于0。

考虑到该问题是一个有约束最优化问题，可以通过外罚函数法将其转化为无约束最优化问题，得到增广目标函数：

在上述信道分配的基础上，(28)主要解决的是α_n和β_n的求解。该问题是非凸的NP-hard问题，因此采用粒子群算法(PSO)解决。

根据粒子群算法的基本思想，将粒子的位置表示为X_id，其中，i表示粒子序号，共有N_pop个粒子，d表示维度。(28)主要优化D2D组的功率分配因子α_n和β_n，即每个粒子都表示一组功率分配因子对，共α_n和β_n2个参数，因此维度取2。X_i,d的集合可表示为

集合中的每一个点根据D2D组的效用函数在α_n和β_n的联合定义域上不断调整自己的速度和位置以逼近最优值。

速度更新公式为：

V′_id＝ωV_id+C₁random(0,1)(P_id-X_id)+C₂random(0,1)(P_gd-X_id) (29)

其中，ω为惯性因子，其值非负，ω决定了寻找最优D2D组效用的快慢；C₁和C₂为加速常数，分别表征个体学习因子和社会学习因子；random(0,1)表示[0,1]上的随机数，P_id表示第i个粒子在第d维上的个体最优效用位置，P_gd表示第d维上的种群最优效用位置。

位置更新公式为：

X′_id＝X_id+V′_id (30)

通过速度和位置的不断更新，得到功率分配因子的最优值。

本发明的斯坦伯格博弈领导层首先实现蜂窝用户和D2D组的最优匹配，然后根据从属层的功率控制方法对D2D组用户的功率进行优化，两者迭代，最终收敛到稳定解。

综上所述，本发明针对蜂窝网络上行链路场景，首先建立蜂窝用户和D2D组的系统模型，在该模型中，D2D组通过复用蜂窝用户的信道资源进行通信，同时组内采用NOMA技术，并且设置各用户的信干噪比门限值，保证系统的通信质量；接着，采用斯坦伯格博弈模型，领导层为蜂窝用户，从属层为D2D组，分别定义蜂窝用户和D2D用户的效用函数，从领导层和从属层分别对效用函数进行优化，采用KM算法和基于罚函数的粒子群算法求得最佳匹配和功率；最后，设置历史信道分配集合，通过领导层和从属层之间的迭代得到稳定解。

如附图3、4所示，本发明提出的资源分配方法与文献资源分配方法对比，从图中可以看出本发明方法可以获得更好的系统吞吐量；如附图5、6所示，本发明提出的资源分配方法与文献资源分配方法对比，本发明方法的D2D平均吞吐量高于文献方法，但因此牺牲了部分蜂窝用户的平均吞吐量。

Claims (1)

1.一种基于社会关系的NOMA使能D2D通信资源博弈方法，其特征在于，在保证所有用户通信质量的基础上，增强蜂窝用户和D2D用户之间的合作以提高系统吞吐量，其具体包括以下步骤：

(1)、定义蜂窝用户集合为{C₁,C₂,...,C_M}，每个蜂窝用户占用一个子信道，各子信道之间相互正交，子信道集合为{SC₁,SC₂,...,SC_M}，假设蜂窝用户C_m使用子信道SC_m，D2D组集合为{D₁,D₂,...,D_N}，一个D2D组由一个D2D发送端DT_n和两个接收端

组成，假设蜂窝用户数量多于D2D组数量，D2D组内采用NOMA进行通信，D2D发送端DT_n的最大发送功率为P_d，功率分配系数设为α_n和β_n，α_n+β_n≤1，即在最大发送功率之内优化发送端发送信号给2个接收端时的功率，定义蜂窝用户和D2D用户之间的社会关系

(2)、定义蜂窝用户效用函数

相对蜂窝用户，加入D2D通信时激励来源于根据社会关系为D2D组分配功率后得到的报酬，损失为由于D2D产生的干扰会牺牲一部分的吞吐量；

(3)、定义D2D接收端

的效用函数，由此得到D2D组的效用函数

相对于D2D用户，激励来源于复用蜂窝信道后速率的增加，若复用蜂窝信道后速率不会得到提升，此时效用一定小于零，则选择蜂窝方式进行通信；如复用蜂窝信道后速率得以增加，此时损失为此支出的一定的功率费用；

(4)、根据蜂窝用户的效用函数，将蜂窝用户与D2D组进行匹配，为D2D组分配信道；

(5)、根据D2D组的效用函数，在D2D组内为D2D发送端分配发送功率；

(6)、设置历史信道分配集合，重复执行步骤(4)和(5)，持续存入每次的信道分配结果，直至信道分配结果已存在于历史信道分配集合中，即通过领导层和从属层之间的迭代得到斯坦伯格博弈均衡；

所述步骤(2)中，蜂窝用户效用函数定义为

式中，

和

分别表示蜂窝用户C_m和D2D接收端

的社会关系，V为每单位功率的价格，

表示为每单位功率的实际价格，其与两用户之间的社会关系有关，社会关系越密切，实际价格越低，

为C_m不将信道给D2D组复用时的传输速率：

R_m为C_m将信道给D2D组复用时的速率：R_m＝log₂(1+γ_m)，

其中P_c为蜂窝用户的发射功率，g_m,B和g_n,B分别为蜂窝用户C_m和D2D发送端DT_n到基站的信道增益，η_m,n表示D2D组复用蜂窝信道的情况，如果D_n复用C_m的信道，那么η_m,n＝1，否则η_m,n＝0，N₀表示噪声功率；

在所述步骤(3)中，D2D接收端

的效用函数定义为：

式中，R_n,1和R_n,2为D2D用户以D2D方式复用蜂窝用户信道进行通信时的速率：R_n,1＝log₂(1+γ_n,1)，

R_n,2＝log₂(1+γ_n,2)，

其中，g_n,1和g_m,n,1分别为D2D发送端DT_n和蜂窝用户C_m到

的信道增益，g_n,2和g_m,n,2分别为D2D发送端DT_n和蜂窝用户C_m到

的信道增益，

和

为D2D用户不复用蜂窝用户的信道，以蜂窝方式与基站进行通信时的速率，由此得到D2D组的效用函数：

在所述步骤(4)中，实现蜂窝用户和D2D用户匹配的具体步骤为：

(4.1)、将蜂窝用户与D2D组用户之间的匹配度定义为蜂窝用户的效用，对其中某一特定的蜂窝用户，其最大匹配度取决于能使其获得最大效用的匹配，若蜂窝用户和D2D组匹配后，出现D2D组传输速率下降或两者信干噪比低于门限值的情况，则将蜂窝用户与D2D组用户之间的匹配度置为零；

(4.2)、逐个为蜂窝用户匹配能使其效用最大化的D2D组，若匹配不和其他蜂窝用户的匹配产生冲突，则该蜂窝用户匹配成功；

(4.3)、若匹配产生冲突，则为该蜂窝用户及所有已成功匹配的蜂窝用户重新规划，找到匹配度之和仅次于最大效用之和且不会产生冲突的匹配；

(4.4)、重复步骤(4.2)至(4.3)，直到蜂窝用户和D2D组完全匹配，实现D2D组的信道分配；

在所述步骤(5)中，为D2D组中的D2D发送端分配发送功率的具体步骤为：

(5.1)、以D2D组的效用函数为优化目标进行D2D用户的功率控制，保证信道上每个蜂窝用户和D2D用户的信干噪比大于门限值，并将有约束功率控制问题转换为无约束优化问题：

其中，η和P分别表示信道和功率分配参数，M为罚函数因子，

分别表示蜂窝用户和两个D2D接收端的信干噪比门限；

(5.2)、功率的优化即为功率分配系数对(α_n,β_n)的优化，在α_n和β_n的联合定义域内，初始化N_pop个功率分配系数对，所述初始化N_pop个功率分配系数对的位置X_id的集合表示为

并初始化N_pop个功率分配系数对的速度；

(5.3)、根据优化目标计算每个功率分配系数对(α_n,β_n)对应的目标函数值，即为其适应度；

(5.4)、将每个功率分配系数对(α_n,β_n)经历过的历史最优适应度的位置记录为个体最优位置，所有功率分配系数对经历过的历史最优适应度的位置记录为种群最优位置，比较并更新功率分配系数的个体最优位置和种群最优位置；

(5.5)、更新每个功率分配系数对(α_n,β_n)的速度：

V′_id＝ωV_id+C₁random(0,1)(P_id-X_id)+C₂random(0,1)(P_gd-X_id)

其中，ω为惯性因子，决定寻找最优适应度的快慢，C₁和C₂为加速常数，分别表征个体学习因子和种群学习因子，random(0,1)表示[0,1]上的随机数，由于优化参数有α_n和β_n两个，故该优化问题为二维优化问题，P_id表示第i个功率分配系数对(α_n,β_n)在第d维上的个体最优位置，P_gd表示第d维上的种群最优位置；

(5.6)、更新每个功率分配系数对(α_n,β_n)的位置：X′_id＝X_id+V′_id；

(5.7)、重复(5.3)至(5.6)，至所有功率分配系数对(α_n,β_n)收敛至最优适应度位置，实现D2D组的功率分配。

Images