CN111970033B - 能效谱效联合优化的大规模mimo多播功率分配方法 - Google Patents

Abstract

本发明公开了一种能效谱效联合优化的大规模MIMO多播功率分配方法，基站配置大规模天线阵列，通过波束赋形生成覆盖整个小区的大规模波束集合，从而与用户进行多播通信，即在相同的时频资源上同时向用户发送多播信号。通过上行链路的信道探测过程，基站获取各用户的统计信道状态信息，并利用权重因子来实施系统资源最优(即最大化能效和谱效的加权和)的多播传输功率分配。本发明实现复杂度低，能够有效对大规模MIMO多播传输的能效和谱效进行权衡以获得最大资源效率。

Description

能效谱效联合优化的大规模MIMO多播功率分配方法

技术领域

本发明属于通信领域，具体涉及一种利用大规模天线阵列和统计信道状态信息的能效谱效联合优化的大规模MIMO播传输功率分配方法。

背景技术

大规模MIMO系统中，基站端布置大规模天线阵列以同时服务多个用户。采用大规模MIMO技术可以有效降低用户间干扰，大幅提高无线通信系统的能效和谱效。大规模MIMO下行链路传输过程中，基站侧通过酉变换将发送信号转换到波束域，在波束域信道进行信号传输，充分利用大规模天线阵列的空间角度分辨率和用户信道在波束域中的集中特性。

多播通信场景下，基站在相同的时频资源上，向同一多播组内所有用户端发送公共的多播信号。传统上，谱效被认为是比能效更重要的设计对象，但为了使无线网络达到所要求的高传输速率，功耗可能会急剧增加。但是，仅以能效为优化目标的能效最优策略有时可能与谱效最优策略冲突。为了权衡通信系统的频谱效率和能源消耗，提出以能效谱效加权和为优化目标函数的问题，从而得到基站侧多播的波束域功率分配矩阵。

传统的能效谱效联合优化问题常基于瞬时信道状态信息，而在大规模MIMO系统中，瞬时信道状态信息的获取有难度，并且当基站侧天线数较大时，求解系统多播速率过程中求期望过程的复杂度很高。对于最大化能效谱效加权和的问题，由于目标函数是分式且分子是非凸函数，求解通常较为困难。为此，本发明提出了一种低复杂度的利用统计信道状态信息的能效谱效联合优化的大规模MIMO多播功率分配方法。

发明内容

发明目的：针对大规模MIMO系统下行通信场景，本发明提供一种利用大规模天线阵列和统计信道状态信息的能效最优的能效谱效联合优化的大规模MIMO多播功率分配方法，能够有效提高系统的能效和谱效，实现能效和谱效的平衡，并降低实现复杂度。

技术方案：为实现上述目的，本发明采用的技术方案为：

一种能效谱效联合优化的大规模MIMO多播功率分配方法，基站配置大规模天线阵列，通过波束赋形生成覆盖整个小区的大规模波束集合，从而与用户进行多播通信，即在相同的时频资源上同时向用户发送多播信号。通过上行链路的信道探测过程，基站获取各用户的统计信道状态信息，并利用权重因子来实施系统资源最优(即最大化能效和谱效的加权和)的多播传输功率分配。具体包括以下步骤：

步骤1、小区基站配置大规模天线阵列，通过波束赋形生成能够覆盖整个小区的大规模波束集合，与用户进行多播通信，并在相同的时频资源上向用户发送多播信号。

步骤2、通过上行链路的信道探测过程，基站获取各用户的统计信道状态信息，并根据统计信道状态信息实施能效谱效联合优化准则下的波束域信号功率分配，其中，能效谱效联合优化的功率分配优化问题的目标函数定义为能效和谱效的加权和，谱效为系统可达遍历和速率，能效为系统可达遍历和速率与总功率消耗的比值。功率分配优化的目标为在满足系统功率约束的情况下最大化能效和谱效的加权和。

能效谱效联合优化的功率分配优化问题为：

s.t.tr{Λ}≤P_max,

Λ≥0,Λdiagonal

其中，

P(Λ)＝ζtr{Λ}+MP_c+P_s

P_tot＝ζP_max+MP_c+P_s

其中，Λ为基站发送给所有用户的波束域多播信号的协方差矩阵，η_SE(Λ)为系统谱效，η_EE(Λ)为系统能效，W为系统带宽，β为权重因子，P_tot为基站最大的总功率约束，tr{Λ}为多播信号发送功率，P_max为基站发送功率约束，diagonal表示为对角矩阵，P(Λ)为系统消耗的总功率，R_mc(Λ)为可达遍历多播速率，R_k(Λ)为第k个UT处的可达遍历多播速率，

表示矩阵的Hadamard乘积，

表示期望运算，max表示取最大值运算，min表示取最小值运算，log表示对数运算，det表示取矩阵的行列式运算，tr{·}表示取矩阵迹的运算，I_Nk表示一个N_k×N_k的单位矩阵，N_k为每个用户的天线数，σ²表示噪声方差，G_k为第k个用户的波束域信道矩阵，(.)^H表示矩阵的共轭转置运算，小区中用户数为K，所有用户的集合为

M为基站天线数，ζ(＞1)为放大系数，P_c为每根天线上耗散的动态功率，P_s为在硬件中耗散的静态电路功率，MP_c+P_s和发送功率无关。

步骤3、通信过程中当用户移动时，基站与各用户之间的统计信道状态信息会发生变化，基站更新各用户的统计信道状态信息，动态实施能效谱效联合优化的大规模MIMO多播波束域功率分配。

优选的：步骤2中能效谱效联合优化的功率分配优化问题的求解步骤如下：

步骤21，基于确定性等同的方法，根据大维随机矩阵理论，计算系统可达遍历多播速率的确定性等同值，进而计算目标函数的确定性等同值，避免求解功率分配问题中的高复杂度期望运算。

步骤22，基于quadratic变换的迭代，引入一个辅助变量将问题转化为一系列凸优化子问题，此辅助变量随着迭代过程不断更新。求解迭代中的凸优化问题，内层迭代过程在相邻两次迭代结果之差小于某个给定阈值时终止，并将此时解出的多播的波束域功率分配矩阵作为能效谱效加权和优化问题的解。

优选的：步骤21中的基于确定性等同的方法包括：

步骤211，依据大维随机矩阵理论，通过用户的波束域统计信道状态信息，迭代计算联合优化目标函数的确定性等同辅助变量直至收敛。

步骤212，利用迭代得到的确定性等同辅助变量计算联合优化目标函数的确定性等同表达。

步骤213，将目标函数的确定性等同表达带入能效谱效联合优化的大规模MIMO波束域功率分配的优化问题中，避免高复杂度的求期望运算。

优选的：步骤22中的基于quadratic变换的迭代方法包括：

步骤221，解决能效谱效联合优化的功率分配问题的目标函数是两个分式函数的和，两个分式函数的分子项表达式相同，且都是关于功率分配矩阵的非凸函数，一个分母是常数，另一个分母是关于功率分配矩阵的线性函数。利用quadratic变换，将问题转化为关于功率分配矩阵的凸优化问题。

步骤222，通过quadratic变换引入一个辅助变量将分式问题转化为一系列迭代求解的问题，其中，每次迭代求解的子问题均为凸优化问题，辅助变量随着迭代过程不断更新。

步骤223，迭代过程在相邻两次迭代结果之差小于某个给定阈值时终止，迭代终止时的优化问题的解，即为波束域功率分配矩阵。

优选的：步骤2中能效谱效联合优化的功率分配优化问题的求解过程如下：

步骤201：初始化发送信号的协方差矩阵Λ⁽⁰⁾，设置迭代次数指示l＝0。在初始化发送信号的协方差矩阵Λ⁽⁰⁾时，根据波束域统计信道状态信息为波束增益最强的N个波束分配功率P_max/N，其中，N利用贪婪算法选取，P_max为基站发送功率约束。

步骤202：计算多播速率R_k(Λ)的确定性等同值，首先引入确定性等同辅助变量：

在迭代过程中，三个辅助变量都会趋于收敛，当辅助变量变化值小于给定阈值时停止迭代；其中，(·)^(l)表示第l次迭代后的矩阵，I_M表示M×M维单位矩阵，

表示M×M维复值向量空间，

和

为第l次迭代后的确定性等同辅助变量，B_k(X)和C_k(X)是对角矩阵，分别为M维和N_k维，其对角线元素表示为：

其中，diag{·}表示生成对角矩阵运算，Ω_k表示波束域信道统计，[A]_m,n表示矩阵A的(m,n)处的元素。

则，R_k(Λ)的确定性等同值

表示为：

其中，

和

为第l次迭代后的确定性等同辅助变量。

步骤203：引入一个辅助变量η^(l)，辅助变量η^(l)通过以下辅助变量迭代更新公式更新迭代：

其中，P(Λ^(l))表示系统消耗的总功率，η_SE(Λ^(l))表示系统谱效。

步骤204：利用quadratic变换将能效谱效联合优化的功率分配优化问题变为如下形式：

s.t.tr{Λ}≤P_max,Λdiagonal,Λ≥0

求解此凸优化问题，得到优化问题本次迭代的解Λ^(l)，其中，

表示R_k(Λ)的确定性等同值。

步骤204：将解出的Λ^(l)和η^(l+1)代入步骤203的辅助变量迭代更新公式中，计算新的辅助变量的值η^(l+1)。将新的辅助变量的值η^(l+1)与第l次迭代得到的结果η^(l)进行比较，如果两次的差|η^(l+1)-η^(l)|小于设定阈值ε，则终止迭代，将步骤4中得到的功率分配矩阵Λ^(l+1)作为最终的解。否则，将迭代次数l加1，即l＝l+1，回到步骤202，重新计算单播和多播速率的确定性等同值，代入新的辅助变量的值重新求解凸优化问题。

优选的：所述步骤1中基站使用相同的酉变换生成覆盖整个小区的大规模波束，每个波束是对空间资源的精确划分。

优选的：通信过程中当用户移动时，基站与各用户之间的统计信道状态信息发生变化，基站根据不同的应用场景以相应时间间隔更新统计信道状态信息，并动态实施基于确定性等同原理和quadratic变换的能效谱效联合优化的多播传输波束域功率分配。

本发明相比现有技术，具有以下有益效果：

1.基站与用户组中各个用户在波束域实施系统能效谱效联合优化的通信，可以与大规模MIMO无线信道的空间特性相匹配，从而获取使用大规模天线阵列所带来的能效和谱效的提升。

2.基站通过稀疏的探测信号获得各用户的波束域统计信道状态信息，并根据统计信道状态信息进行功率分配，从而降低用户间干扰，提高系统的能效和谱效，实现能效和谱效的有效平衡。所提出的方法同时适用于时分双工和频分双工系统。

3.利用确定性等同原理和quadratic变换的迭代算法，进行系统能效谱效联合优化的功率分配，获得逼近最优的功率分配性能，有效平衡系统的能效和谱效，显著降低优化问题求解和物理层实现的复杂度。

附图说明

图1为本发明实施例的方法流程图。

图2为本发明实施例中基于确定性等同原理和quadratic变换的算法流程图。

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。

一种能效谱效联合优化的大规模MIMO多播功率分配方法，如图1所示，包括以下步骤：

1.大规模MIMO波束域多播通信

考虑单小区大规模MIMO非正交单播多播传输场景，基站侧配置M根发送天线的大规模天线阵列(大规模指的是M为10²或10³数量级)。小区中有K个目标用户，属于同一个多播组，每个用户配置N_k根接收天线。

在信道探测阶段，各用户发送上行探测信号，基站根据接收到的探测信号估计各个用户的波束域统计信道状态信息，即

其中，Ω_k为用户的波束域统计信道状态信息，G_k为第k个用户的波束域信道矩阵，⊙表示矩阵的Hadamard乘积，

表示期望运算，(·)^*表示矩阵的共轭运算。

基站将发送给各用户的空间域信号通过统一的酉变换变换到波束域，在波束域上向所有用户发送公共的多播信号，并向每个用户发送专门的单播信号。假设基站发送的波束域多播信号为x，多播信号协方差矩阵为

则系统的谱效，即可达遍历多播速率可以表示为：

其中，σ²表示噪声方差，log表示对数运算，det表示取矩阵的行列式，

表示一个N_k×N_k的单位矩阵，(·)^H表示矩阵的共轭转置运算。系统能效为谱效与总功率消耗的比值，即：

其中，P(Λ)是系统消耗的总功率，且满足P(Λ)＝ζtr{Λ}+MP_c+P_s，tr{Λ}为发送功率，ζ(＞1)为放大系数，P_c为每根天线上耗散的动态功率，P_s为在硬件中耗散的静态电路功率，MP_c+P_s和发送功率无关，tr{·}为取矩阵迹的运算。联合优化问题的目标函数定义为能效和谱效的加权和，即

其中，β是加权因子，控制能效和谱效的平衡，P_tot为基站最大的总功率约束，且满足P_tot＝ξP_max+MP_c+P_s，P_max为基站发送功率约束。

系统的功耗模型为

其中，tr{·}表示取矩阵迹的运算，tr{Λ^m}为多播信号发送功率，

为单播信号发送功率，ζ(＞1)为放大系数，P_c为每根天线上耗散的动态功率，P_s为在硬件中耗散的静态电路功率。

考虑到波束域信道基站侧的低相关性，基站在各个波束上发送相互独立的数据流，即矩阵Λ为对角矩阵。注意到在大规模MIMO下行波束域通信中，为了同时提高系统能效和谱效，实现两者的有效平衡，需要对发送信号的协方差矩阵Λ进行优化，即在基站侧对发送波束进行功率分配。上述能效谱效联合优化的大规模MIMO下行波束域功率分配问题可以表示为如下优化问题：

此问题目标函数非凸，很难得到全局最优解，且实现复杂度很高。为此，本发明提出了一种利用波束域统计信道状态信息的能效谱效联合优化的大规模MIMO多播功率分配方法，该方法包括了基于确定性等同原理和quadratic变换的迭代算法。

2.基于确定性等同原理和quadratic变换的迭代算法

在计算目标函数表达式中的分子项，即系统谱效时，需要对信道进行遍历，计算期望值。由于该期望没有闭式表达式，因而需要Monte-Carlo仿真计算。为了避免高复杂度的求期望运算，本发明利用大维矩阵随机理论计算目标函数的确定性等同表达，降低计算复杂度。确定性等同方法仅利用统计信道状态信息，通过迭代计算确定性等同辅助变量，即可获得目标函数值的逼近结果。同时，由于目标函数是两个分式函数的和，两个分式函数的分子项表达式相同，且都是关于功率分配矩阵Λ的非凸函数，一个分母是常数，另一个分母是关于功率分配矩阵Λ的线性函数。因此可以在基于quadratic变换，同时利用确定性等同方法求解这一问题，将问题转化为关于功率分配矩阵的凸优化问题，图2示出了基于确定性等同原理和quadratic变换的实现过程，算法的详细过程如下：

步骤1：初始化发送信号的协方差矩阵Λ⁽⁰⁾，设置迭代次数指示l＝0。在初始化发送信号的协方差矩阵Λ⁽⁰⁾时，可以根据波束域统计信道状态信息为波束增益最强的N个波束分配功率P_max/N，其中N利用贪婪算法选取，P_max为基站发送功率约束。

步骤2：计算多播速率R_k(Λ)中的确定性等同值，首先引入确定性等同辅助变量

在迭代过程中，三个辅助变量都会趋于收敛，当辅助变量变化值小于给定阈值时停止迭代。其中，B_k(X)和C_k(X)是对角矩阵，分别为M维和N_k维，其对角线元素可以表示为

则，R_k(Λ)的确定性等同值

可表示为

步骤3：引入一个辅助变量η，辅助变量η通过以下方式迭代更新

步骤4：利用quadratic变换将优化问题变为如下形式：

求解此凸优化问题，得到优化问题本次迭代的解Λ^(l)。

步骤5：将解出的Λ^(l)和η^(l+1)代入式(11)中，计算新的辅助变量的值η^(l+1)。将此值与第l次迭代得到的结果η^(l)进行比较，如果两次的差|η^(l+1)-η^(l)|小于某个设定阈值ε，则终止迭代，将步骤4中得到的功率分配矩阵Λ^(l+1)作为最终的解；否则，将迭代次数l加1，即l＝l+1，回到步骤2，重新计算单播和多播速率的确定性等同值，代入新的辅助变量的值重新求解凸优化问题，重复上述步骤。

在各用户移动过程中，随着基站与用户之间的波束域统计信道状态信息的变化，基站侧根据更新后的统计信道状态信息重复前述步骤，进行能效谱效联合优化的大规模MIMO多播传输波束域功率分配，从而实现传输过程的动态更新。波束域统计信道状态信息的变化与具体应用场景有关，其典型统计时间窗是短时传输时间窗的数倍或数十倍，相关的统计信道状态信息的获取也在较大的时间宽度上进行。

本发明利用确定性等同原理和quadratic变换，通过迭代求解一系列凸优化子问题来获得多播的波束域功率分配矩阵。当基站与各用户之间的统计信道信息发生变化时，基站能动态实施资源最优多播传输功率分配。本发明实现复杂度低，能够有效对大规模MIMO多播传输的能效和谱效进行权衡以获得最大资源效率。

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 (6)

1.一种能效谱效联合优化的大规模MIMO多播功率分配方法，其特征在于，包括以下步骤：

步骤1、小区基站配置大规模天线阵列，通过波束赋形生成能够覆盖整个小区的大规模波束集合，与用户进行多播通信，并在相同的时频资源上向用户发送多播信号；

步骤2、通过上行链路的信道探测过程，基站获取各用户的统计信道状态信息，并根据统计信道状态信息实施能效谱效联合优化准则下的波束域信号功率分配，其中，能效谱效联合优化的功率分配优化问题的目标函数定义为能效和谱效的加权和，谱效为系统可达遍历和速率，能效为系统可达遍历和速率与总功率消耗的比值；功率分配优化的目标为在满足系统功率约束的情况下最大化能效和谱效的加权和；

能效谱效联合优化的功率分配优化问题为：

s.t.tr{Λ}≤P_max,

Λ≥0,Λdiagonal

其中，

P(Λ)＝ζtr{Λ}+MP_c+P_s

P_tot＝ζP_max+MP_c+P_s

其中，Λ为基站发送给所有用户的波束域多播信号的协方差矩阵，η_SE(Λ)为系统谱效，η_EE(Λ)为系统能效，W为系统带宽，β为权重因子，P_tot为基站最大的总功率约束，tr{Λ}为多播信号发送功率，P_max为基站发送功率约束，Λ≥0表示Λ为半正定矩阵，Λdiagonal表示Λ为对角矩阵，P(Λ)为系统消耗的总功率，R_mc(Λ)为可达遍历多播速率，R_k(Λ)为第k个UT处的可达遍历多播速率，

表示矩阵的Hadamard乘积，

表示期望运算，max表示取最大值运算，min表示取最小值运算，log表示对数运算，det表示取矩阵的行列式运算，tr{·}表示取矩阵迹的运算，

表示一个N_k×N_k的单位矩阵，N_k为每个用户的天线数，σ²表示噪声方差，G_k为第k个用户的波束域信道矩阵，(.)^H表示矩阵的共轭转置运算，小区中用户数为K，所有用户的集合为

M为基站天线数，ζ为放大系数，P_c为每根天线上耗散的动态功率，P_s为在硬件中耗散的静态电路功率，MP_c+P_s和发送功率无关；

所述步骤2中能效谱效联合优化的功率分配优化问题的求解过程如下：

步骤201：初始化发送信号的协方差矩阵Λ⁽⁰⁾，设置迭代次数指示l＝0；在初始化发送信号的协方差矩阵Λ⁽⁰⁾时，根据波束域统计信道状态信息为波束增益最强的N个波束分配功率P_max/N，其中，N利用贪婪算法选取，P_max为基站发送功率约束；

步骤202：计算第k个UT处的可达遍历多播速率R_k(Λ)的确定性等同值，首先引入确定性等同辅助变量

和

在迭代过程中，三个辅助变量都会趋于收敛，当辅助变量变化值小于给定阈值时停止迭代；其中，(.)^(l)表示第l次迭代后的矩阵，I_M表示M×M维单位矩阵，

表示M×M维复值向量空间，

和

为第l次迭代后的确定性等同辅助变量，B_k(X)和C_k(X)是对角矩阵，分别为M维和N_k维，其对角线元素表示为：

其中，diag{.}表示生成对角矩阵运算，Ω_k表示波束域信道统计，[A]_m,n表示矩阵A的(m,n)处的元素；

则，R_k(Λ)的确定性等同值

表示为：

其中，

和

为第l次迭代后的确定性等同辅助变量；

步骤203：引入一个辅助变量η^(l)，辅助变量η^(l)通过以下辅助变量迭代更新公式更新迭代：

其中，P(Λ^(l))表示系统消耗的总功率；

步骤204：利用quadratic变换将能效谱效联合优化的功率分配优化问题变为如下形式：

s.t.tr{Λ}≤P_max,Λdiagonal,Λ≥0

求解此凸优化问题，得到优化问题本次迭代的解Λ^(l)，其中，

表示R_k(Λ)的确定性等同值；

步骤204：将解出的Λ^(l)和η^(l+1)代入步骤203的辅助变量迭代更新公式中，计算新的辅助变量的值η^(l+1)；将新的辅助变量的值η^(l+1)与第l次迭代得到的结果η^(l)进行比较，如果两次的差|η^(l+1)-η^(l)|小于设定阈值ε，则终止迭代，将步骤4中得到的功率分配矩阵Λ^(l+1)作为最终的解；否则，将迭代次数l加1，即l＝l+1，回到步骤202，重新计算单播和多播速率的确定性等同值，代入新的辅助变量的值重新求解凸优化问题；

步骤3、通信过程中当用户移动时，基站与各用户之间的统计信道状态信息会发生变化，基站更新各用户的统计信道状态信息，动态实施能效谱效联合优化的大规模MIMO多播波束域功率分配。

2.根据权利要求1所述能效谱效联合优化的大规模MIMO多播功率分配方法，其特征在于：步骤2中能效谱效联合优化的功率分配优化问题的求解步骤如下：

步骤21，基于确定性等同的方法，根据大维随机矩阵理论，计算系统可达遍历多播速率的确定性等同值，进而计算目标函数的确定性等同值，避免求解功率分配问题中的高复杂度期望运算；

步骤22，基于quadratic变换的迭代，引入一个辅助变量将问题转化为一系列凸优化子问题，此辅助变量随着迭代过程不断更新；求解迭代中的凸优化问题，内层迭代过程在相邻两次迭代结果之差小于某个给定阈值时终止，并将此时解出的多播的波束域功率分配矩阵作为能效谱效加权和优化问题的解。

3.根据权利要求2所述能效谱效联合优化的大规模MIMO多播功率分配方法，其特征在于：步骤21中的基于确定性等同的方法包括：

步骤211，依据大维随机矩阵理论，通过用户的波束域统计信道状态信息，迭代计算联合优化目标函数的确定性等同辅助变量直至收敛；

步骤212，利用迭代得到的确定性等同辅助变量计算联合优化目标函数的确定性等同表达；

步骤213，将目标函数的确定性等同表达带入能效谱效联合优化的大规模MIMO波束域功率分配的优化问题中，避免高复杂度的求期望运算。

4.根据权利要求3所述能效谱效联合优化的大规模MIMO多播功率分配方法，其特征在于：步骤22中的基于quadratic变换的迭代方法包括：

步骤221，解决能效谱效联合优化的功率分配问题的目标函数是两个分式函数的和，两个分式函数的分子项表达式相同，且都是关于功率分配矩阵的非凸函数，一个分母是常数，另一个分母是关于功率分配矩阵的线性函数；利用quadratic变换，将问题转化为关于功率分配矩阵的凸优化问题；

步骤222，通过quadratic变换引入一个辅助变量将分式问题转化为一系列迭代求解的问题，其中，每次迭代求解的子问题均为凸优化问题，辅助变量随着迭代过程不断更新；

步骤223，迭代过程在相邻两次迭代结果之差小于某个给定阈值时终止，迭代终止时的优化问题的解，即为波束域功率分配矩阵。

5.根据权利要求4所述能效谱效联合优化的大规模MIMO多播功率分配方法，其特征在于：所述步骤1中基站使用相同的酉变换生成覆盖整个小区的大规模波束，每个波束是对空间资源的精确划分。

6.根据权利要求5所述能效谱效联合优化的大规模MIMO多播功率分配方法，其特征在于：通信过程中当用户移动时，基站与各用户之间的统计信道状态信息发生变化，基站根据不同的应用场景以相应时间间隔更新统计信道状态信息，并动态实施基于确定性等同原理和quadratic变换的能效谱效联合优化的多播传输波束域功率分配。

Images