CN111787571B - 一种网络用户关联和资源分配的联合优化方法 - Google Patents

Abstract

本发明公开了一种网络用户关联和资源分配的联合优化方法，包括以下步骤：基于休假队列理论建立时延模型，将时延转换为数据传输速率，用于平衡LAA网络平均队列延时；求子载波k上的传输速率，根据LAA网络平均队列延时约束，得子载波k上的传输速率约束；将LAA网络JUARA优化问题规划为P1、P2两个子问题；将问题P2转化为用户关联和资源分配联合优化问题P3，引入额外的最小化问题并与问题P3合并得到问题P4，并求解；通过用户关联缩减策略，重新求解问题P4，重复该过程直至用户关联和资源分配结果满足优化问题P1的所有约束条件。本发明以最大化系统可服务用户数，同时最小化总功率为优化目标，能够满足平均队列时延要求。

Description

一种网络用户关联和资源分配的联合优化方法

技术领域

本发明涉及无线通信技术领域，更具体的，涉及一种网络用户关联和资源分配的联合优化方法。

背景技术

随着无线通信业务种类和业务需求的日益增多，LTE/LTE-Advanced(以下统称LTE)授权频谱逐渐成为稀缺资源。针对此种现状，人们在致力于提高授权频谱利用率的同时，开始逐渐探索免授权频谱的合理使用。免授权频谱是指不需要得到监管部门的许可就可以直接使用的频谱，目前得到商用的主要有2.4GHz的工业、科学和医疗(Industrial，Scientific and Medical，ISM)频段，以及5GHz的免授权国家信息基础设施(UnlicensedNational Information Infrastructure，U-NII)频段。其中5GHz频段主要供Wi-Fi设备使用，拥堵较少，成为免授权LTE(Unlicensed LTE，U-LTE)部署的主要频段。为确保与Wi-Fi系统的公平友好共存，第三代合作伙伴计划(3rd Generation Partner Project，3GPP)在Release13中提出了LAA技术^[1]3GPP,“Technical specification group radio accessnetwork,study on licensed-assisted access to unlicensed spectrum(Release13),”TR 36.889,Jun.2015，为LTE在免授权频段的部署提供了统一架构和技术规范。

受5GHz频段通信距离限制，LAA通常适用于小基站(Small Cell Base Station，SBS)部署。此外，LAA基于载波聚合(Carrier Aggregation，CA)技术，将使用免授权频段的辅小区(Secondary Cell，SCell)和使用授权频段的主小区(Primary Cell，PCell)聚合在一起，以保证信令信息以及高优先级业务的可靠传输。进而在有限覆盖范围内部署多个基站，成为LAA的一种典型应用场景^[1]3GPP,“Technical specification group radioaccess network,study on licensed-assisted access to unlicensed spectrum(Release 13),”TR 36.889,Jun.2015。在该场景下，合理设计用户关联和资源分配机制，不仅可以提高LAA网络使用效率，而且能够抑制其对Wi-Fi等共存设备造成的干扰，从而为U-LTE在免授权频段公平、高效的应用提供重要技术保证。

鉴于此，文献^[2]R.Liu,Q.Chen,and G.Yu,“Joint user association andresource allocation for unlicensed LTE systems,”in 2018IEEE InternationalConference on Communications(ICC),Jul.2018,pp.1-6提出了一种U-LTE系统吞吐量最大化的用户关联机制，但未能综合考虑资源分配带来的系统性能提升。对此，结合功率资源的最优化设计，文献^[3]M.Ali,A.Qaisar,M.Naeem,and S.Mumtaz,“Joint userassociation and power allocation for licensed and unlicensed spectrum in 5Gnetworks,”in 2017IEEE Global Communications Conference(GLOBECOM),Dec.2017,pp.1-6给出了一种用户关联和功率分配的联合优化方案；综合考虑功率和频谱资源，文献^[4]J.Tan,S.Xiao,S.Han,Y.Liang,and V.C.M.Leung,“QoS-aware user associationand resource allocation in LAA-LTE/WiFi coexistence systems,”IEEETransactions on Wireless Communications,Vol.15,No.4,Mar.2019,pp.2415–2430.给出了一种满足系统吞吐量和时延要求的用户关联和资源分配方案。然而，现有方案的设计都是基于满缓冲器的假设来实现的，并不适用于现实情况中数据包突发性到达的场景。

当数据包突发性到达时，队列时延(Queueing Delay)成为一项重要考核指标。不同于以专有方式独享信道的LTE传输，LAA一般建议采用先听后说(Listen-Before-Talk，LBT)的传输机制，当有数据需要传输时，需要通过空闲信道评估(Clear ChannelAssessment，CCA)判断当前信道是否可以接入。因此，在LAA的队列时延分析中需要考虑信道接入时延(Channel Access Delay)所带来的影响。信道接入时延与Wi-Fi负载情况有关，在负载较高的频段，由于LAA传输机会相应减少，使用现有的用户关联和资源分配机制，短期内LAA用户得到的传输速率或许较高，但是长期来看，系统可能无法满足其队列时延要求。因此，结合数据包突发性到达情况下的队列时延要求，建立用户关联和资源分配机制，是适应LAA网络实际应用场景的一种普遍需求。

发明内容

本发明针对现有技术无法满足LAA网络数据包突发到达场景下时延要求的现状的问题，提供一种网络用户关联和资源分配的联合优化方法，其以最大化系统可服务用户数，同时最小化总功耗为优化目标，能够满足平均队列时延要求。

为实现上述本发明目的，采用的技术方案如下：一种网络用户关联和资源分配的联合优化方法，所述的联合优化方法包括以下步骤：

S1：基于休假队列理论建立时延模型，将时延转换为数据传输速率，利用数据传输速率进行LAA网络平均队列延时约束；

S2：考虑资源分配，基于香农公式求基站中基站用户的子载波k上的传输速率，并结合LAA网络平均队列延时约束，得到子载波k上的传输速率约束；

S3：基于步骤S2得到的子载波k上的传输速率约束，将LAA网络JUARA优化问题规划为两个子问题，分别用P1和P2表示；其中P1主要关注用户和基站的关联问题，实现系统服务用户数的最大化；P2着重处理资源分配问题，针对每个小基站实现发射功率的最小化；

S4：将问题P2转化为用户关联和资源分配联合优化问题P3，基于迭代重加权最小化的并行优化方法，引入额外的最小化问题并与问题P3合并得到问题P4，并求解；

S5：通过用户关联缩减策略，从当前的关联用户中逐渐剔除违反约束条件的解，并重新求解问题P4，重复该过程直至用户关联和资源分配结果满足优化问题P1的所有约束条件。

本发明的有益效果如下：

本方法基于休假队列理论建立时延模型，在此模型基础上构造用户关联和资源分配联合优化问题，进而提出了一种基于迭代重加权最小化的并行优化方法。相比现有文献中的方案，在数据包突发性到达场景下，系统能够承载更多的满足队列时延要求的用户，具备较高的用户容量；同时，系统总功耗相对较小，适应免授权频段发射功率受限的技术要求；进一步地，并行方法的使用可以使多个小基站相互协调，进一步实现网络性能最优化。

附图说明

图1是实施例1所述的联合优化方法的流程图。

图2是实施例1基于时延考虑的LAA网络系统模型。

图3是实施例1满足时延要求的LAA网络用户关联和资源分配联合方法流程图。

图4是实施例1不同优化方法下的功耗随T_max的变化图。

图5是实施例1不同优化方法下的服务用户数随T_max的变化图。

具体实施方式

下面结合附图和具体实施方式对本发明做详细描述。

实施例1

如图1所示，一种网络用户关联和资源分配的联合优化方法，所述的联合优化方法包括以下步骤：

S1：基于休假队列理论建立时延模型，将时延转换为数据传输速率，利用数据传输速率进行LAA网络平均队列延时约束；

S2：考虑资源分配，基于香农公式求基站中基站用户的子载波k上的传输速率，并结合LAA网络平均队列延时约束，得到子载波k上的传输速率约束；

S3：基于步骤S2得到的子载波k上的传输速率约束，将LAA网络JUARA优化问题规划为两个子问题，分别用P1和P2表示；其中P1主要关注用户和基站的关联问题，实现系统服务用户数的最大化；P2着重处理资源分配问题，针对每个小基站实现发射功率的最小化；

S4：将问题P2转化为用户关联和资源分配联合优化问题P3，基于迭代重加权最小化的并行优化方法，引入额外的最小化问题并与问题P3合并得到问题P4，并求解；

S5：通过用户关联缩减策略，从当前的关联用户中逐渐剔除违反约束条件的解，并重新求解问题P4，重复该过程直至用户关联和资源分配结果满足优化问题P1的所有约束条件。

在一个具体的实施例中，考虑如图2所示的LAA网络下行通信场景，在同一运营商部署下，系统中包括M个小基站SBS和N个SBS用户(SBS User Equipment，SUE)，分别用m和n代表其索引。基于一定的载波选择机制，SBS m部署在免授权频段的某个载波上，每载波包含K个子载波，子载波索引用k表示，鉴于免授权频段频谱资源丰富，通常有K≥N。

M个SBS通过有线链路与宏站相连，因此可以根据链路服务质量及用户时延要求互相协调，实现网络性能最优化。为了体现时延对系统性能的影响，以下基于休假队列理论建立时延模型，进而通过将时延转换为数据传输速率，然后利用数据传输速率来衡量LAA网络平均队列时延。

本实施例以LTE网络SBS和5GHz频段Wi-Fi网络进行详细说明。

在SBS m对应的载波上，假设Wi-Fi接入点在该载波上为U_m个Wi-Fi用户提供服务。Wi-Fi用户以分布式方式接入免授权频段，为减少用户之间的碰撞，Wi-Fi系统采用二值指数退避机制，即当发生碰撞时，退避窗大小增加一倍，从而降低下一次发生碰撞的概率。为确保公平共存，LAA网络同样采用二值指数退避，即第4类LBT机制。

S101：在二值指数退避机制下，LAA网络和Wi-Fi的数据发送概率分别为：

其中，i^LA和i^WiFi为最大重传次数，

和

表示在第i个退避阶段的竞争窗大小，w^LAA和w^WiFi是初始竞争窗大小，j^LAA和j^WiFi为最大退避阶段，

和

分别为LAA和Wi-Fi的碰撞概率，基于公式(1)可以描述为

公式(1)和(2)中的四个未知量

可以通过联立方程组进行求解。

S102：基于

和

的结果，计算得到LAA在免授权信道上的成功传输概率η_m，如下

其中，Um表示载波上通信网络用户的数量；

S103：当获得一次成功传输时，LAA的信道占用时间为t^LAA，相应地，对应一次成功传输，LAA保持空闲的时间为

S104：基于休假队列理论中的M/M/1非空竭服务单休假模型，假设数据包呈泊松到达，并将v_m看做服务台的一段休假时间，进而给出LAA系统的平均队列时延

其中，λ_n是SUE n上的数据包到达速率(单位：包/秒)，r_m,n为通过SBS m为SUE n提供服务的包传输速率(单位：包/秒)，考虑平稳队列场景，有r_m,n＞λ_n，因此max(r_m,n-λ_n,0)＝r_m,n-λ_n。

S105：令T_max为系统允许的最大平均队列时延，存在时延约束条件d_m≤T_max，结合公式(5)可转换为对传输速率的约束，即

S106：将(3)、(4)代入(6)，得到

通过公式(7)，LAA网络中的平均队列时延约束可以使用传输速率进行描述，进而增加了时延的可分析性，为用户关联和资源分配联合优化提供了便利条件。

在一个具体的实施例中，公式(7)是针对整个载波的速率约束，考虑资源分配，定义SBS m中SUE n的子载波k上的传输速率为r_m,k,n，基于香农公式有

其中，p_m,k,n为发射功率，g_m,k,n表示路损和信道衰落带来的功率增益，B和σ²分别为子载波带宽和噪声功率，L代表数据包大小。

定义：

并将(8)代入公式(7)，有

式(10)是子载波k上的传输速率约束。

在一个具体的实施例中，LAA网络JUARA优化问题可以规划为两个子问题，分别用P1和P2表示。其中P1主要关注用户和基站的关联问题，实现系统服务用户数的最大化；P2着重处理资源分配问题，针对每个SBS实现发射功率的最小化。下面详细介绍本实施例提出的P1和P2两个问题的解决方案。

定义β_m,n∈{0,1}为用户关联指示因子，β_m,n＝1表示SUE n与SBS m相关联，β_m,n＝0表示不关联，P1规划为

其中P_tot和P_max分别为SBS总功率和子载波最大功率，C1和C2分别表示确保时延(传输速率)要求的用户关联机制以及每个SUE最多只与1个SBS相关联，C3反映用户关联对功率的影响，当β_m,n＝0时，有p_m,k,n＝0,

在此功率影响下，每SBS的总功率受C4约束。

问题P1的求解可以通过在每SBS上最大化可服务用户数来实现，由于SBS功率受限(C4)，这里考虑一个当所有给定用户时延(传输速率)要求都得到满足时，所需的最小功率问题，即问题P2，可以描述为

P2:对于任意给定m

其中Θ_m表示与SBS m相关联的给定用户集合，初始定义为Θ_m＝{1,...,N}。α_m,k,n为子载波分配指示因子，α_m,k,n＝1表示子载波k被分配给SUE n使用，α_m,k,n＝0表示不分配。P1中，C1′和C3′分别为用户关联对队列时延(传输速率)的要求和对功率的影响，与P1中的C1和C3有关；C5和C6表示子载波分配的二值特性以及每个子载波仅供1个SUE使用；C7反映资源分配对功率的影响，当α_m,k,n＝0时，有p_m,k,n＝0。

在一个具体的实施例中，根据以上可以看到，P1和P2均为混合整数非线性规划(Mixed Integer Nonlinear Programming，MINLP)问题，不易求解。考虑到两个子问题存在相关性，本实施例首先将问题P2转化为用户关联和资源分配联合(JUARA)优化问题，进而提出一种基于迭代重加权最小化IRM的并行优化方法，考虑在问题P2中同时实现服务用户数最多和功耗最小，有如下联合优化问题

P3:对于任意给定m

其中，常数δ_n≥R_m,n，联合优化权重因子ρ∈[0,1]。考虑到用户数最大化这一优化目标具有较高优先级，这里ρ取一个较小值。值得注意的是，这里通过C1″对P1中C1和P2中C1′进行近似转换，实现对二值整数变量β_m,n的松弛。

对于整数变量α_m,k,n，采用IRM方法进行松弛。该方法需要引入一个额外的最小化问题，所述的最小化问题如下：

其中，α_m,k,n满足P3中的C5、C6当且仅当α_m,k,n是这个最小化问题的解，ω_m,k,n为迭代重加权系数；

令迭代次数κ＝0，迭代重加权最小化方法需要给定初始值

利用该值计算(14)的解

然后，根据

更新加权系数并重复上述过程直至算法收敛，其中μ∈(0,1)，ε≥0。

将问题(14)与P3合并，有

P4:对于任意给定m

其中γ＞0为子载波分配权重因子，注意到(14)中的C5′隐含在C7中。可以看到，P4具备规范的凸优化(Disciplined Convex Programming，DCP)形式，可以使用CVX工具箱进行求解。

在一个具体的实施例中，鉴于基于IRM的并行优化方法得到的结果中可能存在违反P1约束条件的解，本实施例给出两种缩减策略，采用逐渐缩减的方法逼近P1最优解。

根据使用CVX工具箱进行求解得到问题P4的解，下面基于该结果求解P1。用

表示问题P4的解，可以计算SBS m的总发射功率为

由于缺少约束，这个值可能大于P_tot，即不满足问题P1中的限制条件C4。此外，由于采用基于IRM的并行处理方式在每SBS上分别实现服务用户数的最大化，系统中可能存在一个SUE与多个SBS相关联的情况，即不满足P1中的限制条件C2。

针对上述情况，本实施例给出两种用户关联缩减策略，采用逐渐缩减的方法逼近P1的最优解。两种策略分别如下：

策略一：在SBS

上，

为相应的关联用户候选集合，当通过P2得到的发射功率大于P_tot时，从

中选择一个效用最低的关联用户SUE

将其索引从

中排除，即

其中，

通过将

代入公式(8)求得。

策略二：对于SUE

当其与多个SBS相关联时，从

中选择一个效用最低的SBS

将其SUE索引从

中排除，即

其中，

通过将

代入公式(8)求得。

基于以上两个策略，从当前的关联用户中逐步剔除违反约束条件C2、C4的解，并重新求解问题P4，重复该过程直至用户关联和资源分配结果满足优化问题P1的所有约束条件。

根据以上过程，图3给出了本发明满足时延要求的LAA网络用户关联和资源分配联合方法流程图。

为了更充分地阐述本实施例所具有的有益效果，以下结合相关的仿真结果及分析，进一步对本实施例的有效性和先进性予以说明。

仿真基于MATLAB平台实现，在LAA网络覆盖范围内部署2个SBS和10个SUE，其中SBS间距为100m，SUE均匀分布在距离2个SBS连线中点50m范围内。未授权频段载波带宽20MHz，包含10个子载波，每个载波上都存在活跃的Wi-Fi用户。其他的仿真参数依据背景技术中的文献^[1]设置，并在表1中给出。

表1.基于时延考虑的LAA网络仿真参数

为提供较好的资源分配性能，IRM算法中的ε采用自适应更新，取初始值为ε^[0]＝1×10^-4，有

其中

为

中第二大的数，同时，在加权系数

中，令μ＝0.8。

对应不同的时延约束，图4、图5给出了系统总功耗和可服务用户数的性能曲线。其中对比方法一(Method 1)采用背景技术中的文献[4]中的方法，利用对偶分解求解资源分配子问题P2，然后通过逐渐缩减方法求解P1；对比方法二(Method 2)采用J.Lin,Y.Li,andQ.Peng,“A green cellular network with maximum user number based on joint basestation assignment and power allocation,”2013International Conference onCommunications,Circuits and systems(ICCCAS),Nov.2013,pp.5-9.中的方法，先基于效用函数实现用户关联，然后在每SBS上实现资源分配最优化。图4、图5中，当T_max小于0.25时，随着时延约束的放松，系统逐渐能容纳更多的SUE，相应地，系统功耗随用户数的增加而增加；当T_max大于0.25时，受总功率P_tot限制，系统容纳用户数逐渐趋于饱和，此时功耗随着时延约束的放松而逐渐减少。可以看到，相比于两种对比方法，本实施例提出的方法可以实现功耗和用户数的联合最优。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (10)

1.一种网络用户关联和资源分配的联合优化方法，其特征在于：所述的联合优化方法包括以下步骤：

S1：基于休假队列理论建立时延模型，将时延转换为数据传输速率，利用数据传输速率进行LAA网络平均队列延时约束；

S2：考虑资源分配，基于香农公式求基站中基站用户的子载波k上的传输速率，并结合LAA网络平均队列延时约束，得到子载波k上的传输速率约束；

S3：基于步骤S2得到的子载波k上的传输速率约束，将LAA网络JUARA优化问题规划为两个子问题，分别用P1和P2表示；其中P1主要关注用户和基站的关联问题，实现系统服务用户数的最大化；P2着重处理资源分配问题，针对每个小基站实现发射功率的最小化；

S4：将问题P2转化为用户关联和资源分配联合优化问题P3，基于迭代重加权最小化的并行优化方法，引入额外的最小化问题并与问题P3合并得到问题P4，并求解；

S5：通过用户关联缩减策略，从当前的关联用户中逐渐剔除违反约束条件的解，并重新求解问题P4，重复该过程直至用户关联和资源分配结果满足优化问题P1的所有约束条件。

2.根据权利要求1所述的网络用户关联和资源分配的联合优化方法，其特征在于：步骤S1，考虑LAA网络下行通信场景，在同一运营商部署下，系统中包括M个小基站SBS和N个小基站用户SUE，分别用m和n代表其索引，基于载波选择机制，SBS m部署在免授权频段的某个载波上，每载波包含K个子载波，子载波索引用k表示，有K≥N；

在SBS m对应的载波上，假设网络接入点在该载波上为Um个网络用户提供服务，网络用户以分布式方式接入免授权频段，为了减少用户之间的碰撞，用户的通信网络系统采用二值指数退避机制，LAA网络也采用二值指数退避机制；

S101：在二值指数退避机制下，求得LAA网络的数据发送概率为

和通信网络的数据发送概率为

S102：根据

计算得到LAA在免授权信道上的成功传输概率η_m，如下：

其中，Um表示载波上通信网络用户的数量；

S103：当获得一次成功传输时，LAA的信道占用时间为t^LAA，相应地，对应一次成功传输，LAA保持空闲的时间为：

S104：基于休假队列理论中的M/M/1非空竭服务单休假模型，假设数据包呈泊松到达，并将v_m看做服务台的一段休假时间，进而得到LAA系统的平均队列时延：

其中，λ_n表示SUE n上的数据包到达速率，r_m,n表示通过SBS m为SUE n提供服务的包传输速率，考虑平稳队列场景，有r_m,n＞λ_n，因此max(r_m,n-λ_n,0)＝r_m,n-λ_n；

S105：令T_max为系统允许的最大平均队列时延，存在时延约束条件d_m≤T_max，结合公式(5)可转换为对传输速率的约束，即

3.根据权利要求2所述的网络用户关联和资源分配的联合优化方法，其特征在于：为了增加时延的可分析性，为用户关联和资源分配联合优化提供了便利条件，将式(3)、(4)代入(6)，得到

通过式(7)，LAA网络中的平均队列时延约束可以使用传输速率进行描述。

4.根据权利要求3所述的网络用户关联和资源分配的联合优化方法，其特征在于：步骤S2，考虑资源分配，定义SBS m中SUE n的子载波k上的传输速率为r_m,k,n，基于香农公式有：

其中，p_m,k,n为发射功率，g_m,k,n表示路损和信道衰落带来的功率增益，B为子载波带宽，σ²为噪声功率，L代表数据包大小；

定义：

并将(8)代入公式(7)，有

式(10)是子载波k上的传输速率约束。

5.根据权利要求4所述的网络用户关联和资源分配的联合优化方法，其特征在于：步骤S3，对于问题P1，具体地，定义β_m,n∈{0,1}为用户关联指示因子，β_m,n＝1表示SUE n与SBS m相关联，β_m,n＝0表示不关联，P1规划为

其中，P_tot为SBS总功率，P_max为子载波最大功率，C1表示确保传输速率要求的用户关联机制，C2表示每个SUE最多只与1个SBS相关联，C3反映用户关联对功率的影响，当β_m,n＝0时，有

在此功率影响下，每SBS的总功率受C4约束。

6.根据权利要求5所述的网络用户关联和资源分配的联合优化方法，其特征在于：问题P1的求解可以通过在每SBS上最大化可服务用户数来实现，由于SBS功率受限，当所有给定用户传输速率要求都得到满足时，所需的最小功率问题，即问题P2，可以描述为：

P2:对于任意给定m

其中，Θ_m表示与SBS m相关联的给定用户集合，初始定义为Θ_m＝{1,...,N}；α_m,k,n为子载波分配指示因子，α_m,k,n＝1表示子载波k被分配给SUE n使用，α_m,k,n＝0表示不分配；P1中，C1′和C3′分别为用户关联对队列传输速率的要求和对功率的影响，与P1中的C1和C3有关；C5和C6表示子载波分配的二值特性以及每个子载波仅供1个SUE使用；C7反映资源分配对功率的影响，当α_m,k,n＝0时，有p_m,k,n＝0。

7.根据权利要求6所述的网络用户关联和资源分配的联合优化方法，其特征在于：步骤S4，考虑在问题P2中同时实现服务用户数最多和功耗最小，将问题P2转化为用户关联和资源分配联合优化问题P3，如下：

P3:对于任意给定m

其中，常数δ_n≥R_m,n，联合优化权重因子ρ∈[0,1]；通过C1″对P1中C1和P2中C1′进行近似转换，实现对二值整数变量β_m,n的松弛。

8.根据权利要求7所述的网络用户关联和资源分配的联合优化方法，其特征在于：步骤S4中，基于迭代重加权最小化的并行优化方法，引入额外的最小化问题并与问题P3合并得到问题P4，并求解，具体如下：

所述的最小化问题如下：

其中，α_m,k,n满足P3中的C5、C6当且仅当α_m,k,n是这个最小化问题的解，ω_m,k,n为迭代重加权系数，令迭代次数κ＝0，迭代重加权最小化方法需要给定初始值

利用该值计算式(14)的解

然后，根据

更新加权系数并重复上述过程直至算法收敛，其中μ∈(0,1)，ε≥0；

将问题(14)与P3合并，有

P4:对于任意给定m

其中，γ＞0为子载波分配权重因子，式(14)中的C5′隐含在C7中；P4具备规范的凸优化形式，可以进行求解，用

表示P4的解，可以计算SBS m的总发射功率为

由于缺少约束，这个值可能大于P_tot，即不满足P1中的限制条件C4。

9.根据权利要求8所述的网络用户关联和资源分配的联合优化方法，其特征在于：步骤S5，所述的用户关联缩减策略具体如下：

在

上，

为相应的关联用户候选集合，当通过P2得到的发射功率大于P_tot时，从

中选择一个效用最低的关联用户

将其索引从

中排除，即

其中

通过将

代入公式(8)求得；

通过式(16)能从当前的关联用户中逐渐剔除违反约束条件C2、C4的解，并重新求解问题P4，重复该过程直至用户关联和资源分配结果满足优化问题P1的所有约束条件。

10.根据权利要求9所述的网络用户关联和资源分配的联合优化方法，其特征在于：步骤S5，还可以采用如下用户关联缩减策略：

对于

当其与多个SBS相关联时，从

中选择一个效用最低的

将其SUE索引从

中排除，即

其中

通过将

代入公式(8)求得；

通过式(17)能从当前的关联用户中逐渐剔除违反约束条件C2、C4的解，并重新求解问题P4，重复该过程直至用户关联和资源分配结果满足优化问题P1的所有约束条件。

Images