CN112637907A - 毫米波网络中用户多关联和下行功率分配的联合优化方法 - Google Patents

毫米波网络中用户多关联和下行功率分配的联合优化方法 Download PDF

Info

Publication number
CN112637907A
CN112637907A CN202011504091.4A CN202011504091A CN112637907A CN 112637907 A CN112637907 A CN 112637907A CN 202011504091 A CN202011504091 A CN 202011504091A CN 112637907 A CN112637907 A CN 112637907A
Authority
CN
China
Prior art keywords
millimeter wave
user
wave base
base station
users
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202011504091.4A
Other languages
English (en)
Other versions
CN112637907B (zh
Inventor
唐震洲
蔡雪冰
胡倩
金可仲
陈爱玲
陈龙
李胜昌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wenzhou University
Original Assignee
Wenzhou University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wenzhou University filed Critical Wenzhou University
Priority to CN202011504091.4A priority Critical patent/CN112637907B/zh
Publication of CN112637907A publication Critical patent/CN112637907A/zh
Application granted granted Critical
Publication of CN112637907B publication Critical patent/CN112637907B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W28/00Network traffic management; Network resource management
    • H04W28/02Traffic management, e.g. flow control or congestion control
    • H04W28/08Load balancing or load distribution
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W52/00Power management, e.g. TPC [Transmission Power Control], power saving or power classes
    • H04W52/04TPC
    • H04W52/06TPC algorithms
    • H04W52/14Separate analysis of uplink or downlink
    • H04W52/143Downlink power control
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02DCLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00Reducing energy consumption in communication networks
    • Y02D30/70Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明提供一种毫米波网络中用户多关联和下行功率分配的联合优化方法,包括获取毫米波网络中用户及毫米波基站的位置,并确定各用户与相应毫米波基站之间的关联性,且进一步计算出用户的可达速率和毫米波基站的发射功率;构建出基于用户关联和毫米波基站发射功率为决策变量,以最大化系统整体能源效率、最小化所有用户可达速率的标准差和最小化所有毫米波基站负载速率的标准差为目标的多目标优化函数;采用预设的NSGA‑II算法,对决策变量求最优解;根据决策变量最优解,得到多目标优化函数最终解并输出。实施本发明,不仅考虑用户多关联性,还在实现最大系统整体能源效率的同时,平衡所有用户的可达速率和所有毫米波基站的负载速率。

Description

毫米波网络中用户多关联和下行功率分配的联合优化方法
技术领域
本发明涉及无线局域网技术领域,尤其涉及一种毫米波网络中用户多关联和下行功率分配的联合优化方法。
背景技术
随着频谱资源日益短缺,第五代移动通信中引入了毫米波(mmWave)频谱。毫米波波段提供了巨大的频谱资源,通过多种多路复用技术可以大大提高信道容量。但是,毫米波波段的信号由于频率极高,路径损耗严重,容易受到建筑物、大气、雨水等障碍物的影响,导致接收端信号强度迅速下降。因此,在实际的毫米波网络中,建议采用高度密集部署以补偿显著的路径损失。
近年来,在超密集毫米波网络中,用户关联(UA)与性能的联合优化一直是一个热点问题。例如,Nguyen,H.T等学者提出超密集毫米波网络中联合优化用户关联和功率分配(UA-PA)的方法,在保证每个用户终端的服务质量约束的同时,最大限度地提高了系统能效。又如,以网络效用最大化为目标,张海军等学者在开发一种基于超密集网络优化框架中,提出了一种感知负载的节能用户关联和功率分配(UA-PA)算法。又如,Wang,K等学者在非正交多址多小区的网络研究中,利用博弈论对非正交多址多小区网络中的UA和资源分配进行了联合优化。又如,Khalili,A.等学者研究异构网络上行链路中的联合用户关联(UA)和资源分配中,已考虑UA的联合优化问题,子信道分配、天线选择和功率控制的上行异构网络的数据速率小区用户可以最大化而宏单元用户的保护是在跨越层的干扰设定一个阈值。还有一些处理用户多关联(MCUA)的工作。例如,Giordani 等人在一个有效的上行多连接方案5G毫米波控制平面应用中,提出了上行测量系统,表明基于上行的多连接性方法能够实现稳定的小区选择和调度决策。又如,Liu,R.等学者在超密集毫米波网络用户多关联中,提出了一种多标记分类方法来最大化系统吞吐量。又如,Saimler,M.等学者在基于多连接性的5G异构网络上行/下行解耦节能用户关联(UA)的研究中,已经将多连接性纳入到5G异构云无线接入网络总功率消耗的优化中。又如,Simsek,G.等学者在研究小蜂窝网络中,提出了一种启发式解决方案来解决多连通性问题,使下行UA在小蜂窝网络中最大化整体吞吐量。
但是,上述用户关联(UA)与性能的联合优化方法均存在不足之处,其不足之处在于,仅考虑用户多关联性(MCUA),却未考虑所有用户之间的服务质量均衡以及多个毫米波基站(mBS)之间的负载均衡。
发明内容
本发明实施例所要解决的技术问题在于,提供一种毫米波网络中用户多关联和下行功率分配的联合优化方法,不仅考虑用户多关联性,还考虑所有用户之间的服务质量均衡以及多个毫米波基站之间的流量负载均衡,同时实现最大系统整体能源效率。
为了解决上述技术问题,本发明实施例提供了一种毫米波网络中用户多关联和下行功率分配的联合优化方法,所述方法包括以下步骤:
步骤S1、获取毫米波网络中用户及毫米波基站的位置,并确定各用户与相应毫米波基站之间的关联性,且进一步结合各用户天线波束内外单位增益及其与关联毫米波基站之间的信号传输功率、信号传输距离、信号波长、带宽和噪声功率,计算出各用户的可达速率及其相应关联的毫米波基站的发射功率;
步骤S2、基于所有用户的总可达速率和所有毫米波基站的总发射功率,构建系统整体能源效率函数,并结合所有用户可达速率的标准差和所有毫米波基站负载速率的标准差,构建出基于用户关联和毫米波基站发射功率为决策变量,以最大化系统整体能源效率、最小化所有用户可达速率的标准差和最小化所有毫米波基站负载速率的标准差为目标的多目标优化函数;
步骤S3、采用预设的NSGA-II算法,对所述多目标优化函数中决策变量求最优解;
步骤S4、根据所求的决策变量的最优解,得到所述多目标优化函数的最终解并输出。
其中,所述步骤S1具体包括:
获取毫米波网络中的N个用户和M个毫米波基站;其中,毫米波基站集合为
Figure BDA0002844458790000031
用户集合表示为
Figure BDA0002844458790000032
确定各用户与相应毫米波基站之间的关联性;其中,设置二元变量xij表示为关联变量;若xij=1,则表示
Figure BDA0002844458790000033
Figure BDA0002844458790000034
相关联;否则xij=0,表示
Figure BDA0002844458790000035
Figure BDA0002844458790000036
不相关联;
根据公式
Figure BDA0002844458790000037
确定各用户天线波束内外单位增益;其中,天线阵列的每个毫米波节点有
Figure BDA0002844458790000038
天线波束宽度,Ga(θ)=1表示天线在波束内实现单位增益,Ga(θ)=0表示天线在波束外实现零增益;
确定各用户与关联毫米波基站之间的信号传输功率、信号传输距离、信号波长,以及根据公式
Figure BDA0002844458790000039
计算出各用户相应关联的毫米波基站的接收功率;其中,
Figure BDA00028444587900000310
表示第i个用户ui对应关联的第j个毫米波基站mBSj的发射功率;dij表示第i个用户ui与第j个毫米波基站mBSj之间的信号传输距离;λ表示信号波长;α表示路径损耗指数,hij表示均值为零和方差为一的瑞利衰落系数;
确定噪声功率σ2,以及根据公式
Figure BDA00028444587900000311
计算出第i个用户ui与第j个毫米波基站mBSj之间的信号噪声比,再根据公式
Figure BDA00028444587900000312
计算出各用户的可达速率;其中,Rij表示与第j个毫米波基站mBSj关联的第i 个用户ui的可达速率;W表示带宽。
其中,所述步骤S2具体包括:
确定所有用户的总可达速率的函数为
Figure BDA0002844458790000041
以及确定所有毫米波基站的总发射功率的函数为
Figure BDA0002844458790000042
构建系统整体能源效率函数为
Figure BDA0002844458790000043
确定所有用户可达速率的标准差
Figure BDA0002844458790000044
以及确定所有毫米波基站负载速率的标准差为
Figure BDA0002844458790000045
构建基于用户关联和毫米波基站发射功率为决策变量,以最大化系统整体能源效率、最小化所有用户可达速率的标准差和最小化所有毫米波基站负载速率的标准差为目标的多目标优化函数;
其中,所述多目标优化函数为:
P1:maxX,P EE,-σR,user,-σR,mBS
C1:
Figure BDA0002844458790000046
C2:
Figure BDA0002844458790000047
C3:
Figure BDA0002844458790000048
C4:
Figure BDA0002844458790000049
C5:
Figure BDA00028444587900000410
C6:
Figure BDA00028444587900000411
X={xij},j∈ImBS,i∈Iuser表示用户关联向量;
Figure BDA00028444587900000412
表示发射功率向量;{X,P}表示决策变量向量。
其中,所述步骤S3具体包括:
步骤S31、将{X,P}设置为计算变量,并初始化种群规模Npop、最大迭代数Ngen、交叉概率Prc和突变概率Prm
步骤S32、随机创建种群规模Npop大小的种群
Figure BDA0002844458790000052
Figure BDA0002844458790000053
其中,{X,P}t,k表示第t代第k个个体,
Figure BDA0002844458790000054
且进一步的,对种群
Figure BDA0002844458790000055
中每个个体进行实数编码,得到实数向量
Figure BDA0002844458790000056
其中,
Figure BDA0002844458790000057
表示实数编码操作;U表示上界向量;L表示下界向量;
步骤S33、获取当前迭代数
Figure BDA0002844458790000058
步骤S34、通过公式
Figure BDA0002844458790000059
模拟二进制交叉,以及通过公式ct=pt+θ(ui-li),进行多项式变异,产生子代种群
Figure BDA00028444587900000510
并组成新的种群
Figure BDA00028444587900000511
其中,第t代子代ct,1和ct,2是由第t代父代pt,1,pt,2执行交叉计算产生的;
Figure BDA00028444587900000512
u∈[0,1)表示均匀分布的随机数;η表示分布指数,且η=1;
其中,ct是第t代子代,pt是第t代父代;u和l分别代表进化中实数变量的上
Figure BDA0002844458790000061
下界;
Figure BDA0002844458790000062
γm是指数分布;
步骤S35、使用带有约束惩罚的非支配排序方法和拥挤度距离,将
Figure BDA0002844458790000063
划分等级,具体包括:
首先,用非支配排序方法将
Figure BDA0002844458790000064
的解划分等级,即
Figure BDA0002844458790000065
如果i<j,
Figure BDA0002844458790000066
中任何一个个体支配
Figure BDA0002844458790000067
中所有的个体,而
Figure BDA0002844458790000068
中任何一个个体不受约束支配同一层中的任何其他个体;
然后,
Figure BDA0002844458790000069
中所有的个体进入下一代
Figure BDA00028444587900000610
其中l满足以下条件:1)
Figure BDA00028444587900000611
2)
Figure BDA00028444587900000612
如果
Figure BDA00028444587900000613
那么
Figure BDA00028444587900000614
否则,从
Figure BDA00028444587900000615
中选择
Figure BDA00028444587900000616
个个体,按照拥挤距离公式降序排序进入下一代;
步骤S36、根据划分的非支配等级和拥挤度距离,从
Figure BDA00028444587900000617
选取Npop个个体构成
Figure BDA00028444587900000618
步骤S37、t=t+1;若t≤Ngen,则返回步骤S33;否则,迭代结束;
步骤S38、将最后得到
Figure BDA00028444587900000619
Figure BDA00028444587900000620
中的个体作为最优解输出,即得到{X,P}的最优解。
实施本发明实施例,具有如下有益效果:
本发明针对多连接的用户关联及其下行功率分配进行联合优化,包括能量有效性最大化,用户服务质量平衡和毫米波基站业务平衡,从而解决了现有技术所存在未考虑所有用户之间的服务质量均衡以及多个毫米波基站(mBS)之间的流量负载均衡的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,根据这些附图获得其他的附图仍属于本发明的范畴。
图1为本发明实施例提供的毫米波网络中用户多关联和下行功率分配的联合优化方法的流程图;
图2为本发明实施例提供的毫米波网络中用户多关联和下行功率分配的联合优化方法的应用场景中毫米波基站和用户的位置分布图;
图3为本发明实施例提供的毫米波网络中用户多关联和下行功率分配的联合优化方法的应用场景中基于4个毫米波基站和10个用户的最终优化结果分布图;
图4为本发明实施例提供的毫米波网络中用户多关联和下行功率分配的联合优化方法的应用场景中基于4个毫米波基站和15个用户的最终优化结果分布图;
图5为本发明实施例提供的毫米波网络中用户多关联和下行功率分配的联合优化方法的应用场景中基于4个毫米波基站和20个用户的最终优化结果分布图;
图6为本发明实施例提供的毫米波网络中用户多关联和下行功率分配的联合优化方法的应用场景中基于三种不同解决方案的能源效率柱状图;其中,每个场景下第一列柱状图表示能源效率最高的解决方案下能源效率数值;
图7为用户速率最平衡的解决方案和基站速率最平衡的解决方案的用户速率箱型图;其中,7a为用户速率最平衡的解决方案的用户速率箱型图;7b为基站速率最平衡的解决方案的用户速率箱型图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述。
如图1所示,为本发明实施例中,提出的一种毫米波网络中用户多关联和下行功率分配的联合优化方法,所述方法包括以下步骤:
步骤S1、获取毫米波网络中用户及毫米波基站的位置,并确定各用户与相应毫米波基站之间的关联性,且进一步结合各用户天线波束内外单位增益及其与关联毫米波基站之间的信号传输功率、信号传输距离、信号波长、带宽和噪声功率,计算出各用户的可达速率及其相应关联的毫米波基站的发射功率;
具体过程为,首先,获取毫米波网络中的N个用户和M个毫米波基站;其中,毫米波基站集合为
Figure BDA0002844458790000081
用户集合表示为
Figure BDA0002844458790000082
应当说明的是,所有用户和毫米波基站都配备了大规模的天线阵列,采用混合波束形成技术,同时支持多个毫米波传输链路。
其次,确定各用户与相应毫米波基站之间的关联性;其中,设置二元变量xij表示为关联变量;若xij=1,则表示
Figure BDA0002844458790000083
Figure BDA0002844458790000084
相关联;否则xij=0,表示
Figure BDA0002844458790000085
Figure BDA0002844458790000086
不相关联。
然后,根据公式(1),确定各用户天线波束内外单位增益;
Figure BDA0002844458790000087
其中,天线的每个毫米波节点有
Figure BDA0002844458790000088
天线波束宽度,Ga(θ)=1表示天线在波束内实现单位增益,Ga(θ)=0表示天线在波束外实现零增益;
接着,确定各用户与关联毫米波基站之间的信号传输功率、信号传输距离、信号波长,根据公式(2),计算出各用户相应关联的毫米波基站的接收功率,即毫米波基站的发射功率;
Figure BDA0002844458790000089
其中,
Figure BDA00028444587900000810
表示第i个用户ui对应关联的第j个毫米波基站mBSj的发射功率;
Figure BDA0002844458790000091
表示第i个用户ui与第j个毫米波基站mBSj之间的信号传输功率,dij表示第i 个用户ui与第j个毫米波基站mBSj之间的信号传输距离;λ表示信号波长;α表示路径损耗指数,hij表示均值为零方差为一的瑞利衰落系数;
最后,确定噪声功率σ2,根据公式,ui接收到mBSj的信噪比SINR表达式如下;
Figure BDA0002844458790000092
确定带宽,再根据公式(3),计算出各用户的可达速率;
Figure BDA0002844458790000093
其中,Rij表示与第j个毫米波基站mBSj关联的第i个用户ui的可达速率;W 表示带宽。
步骤S2、基于所有用户的总可达速率和所有毫米波基站的总发射功率,构建系统整体能源效率函数,并结合所有用户可达速率的标准差和所有毫米波基站的负载速率的标准差,构建出基于用户关联和毫米波基站发射功率为决策变量,以最大系统整体能源效率、最小所有用户的可达速率的标准差和最小所有毫米波基站负载速率的标准差为目标的多目标优化函数;
具体过程为,首先,确定所有用户的总可达速率的函数,如公式(4)所示:
Figure BDA0002844458790000094
以及,确定所有毫米波基站的总发射功率的函数,如公式(5)所示:
Figure BDA0002844458790000095
构建系统整体能源效率函数,如公式(6)所示:
Figure BDA0002844458790000101
其次,确定所有用户可达速率的标准差,如公式(7)所示:
Figure BDA0002844458790000102
以及,确定所有毫米波基站的总负载速率的标准差,如公式(8)所示:
Figure BDA0002844458790000103
最后,构建基于用户关联和毫米波基站发射功率为决策变量,以最大系统整体能源效率、最小所有用户可达速率的标准差和最小所有毫米波基站负载速率的标准差为目标的多目标优化函数;
其中,多目标优化函数,如公式(9)所示:
P1:maxX,P EE,-σR,user,-σR,mBS
C1:
Figure BDA0002844458790000104
C2:
Figure BDA0002844458790000105
C3:
Figure BDA0002844458790000106
C4:
Figure BDA0002844458790000107
C5:
Figure BDA0002844458790000108
C6:
Figure BDA0002844458790000109
其中,X={xij},j∈ImBS,i∈Iuser表示用户关联向量;
Figure BDA00028444587900001010
表示发射功率向量;{X,P}表示决策变量向量。此时,C3和C4确保每个用户应该与至少关联一个mBS和每个mBS至少连接一个用户,C5、C6保证了每个用户的QoS 标准和每个mBS的最大总传输功率。
步骤S3、采用预设的NSGA-II算法,对所述多目标优化函数中决策变量求最优解;
具体过程为,定义在公式(9)中的用户关联变量为二元整数,即
Figure BDA0002844458790000111
而传输功率的变量为实数。
为了使决策变量具有相同的类型,便于编码,将xij放宽为实数
Figure BDA0002844458790000112
具体地说,xij放宽为
Figure BDA0002844458790000113
且约束条件为
Figure BDA0002844458790000114
此时∈0是一个足够小的数。因此,可以将式(9)中的问题转化为如下式(10)所示:
P2:
Figure BDA0002844458790000115
C1:
Figure BDA0002844458790000116
C2:
Figure BDA0002844458790000117
C3:
Figure BDA0002844458790000118
C4:
Figure BDA0002844458790000119
C5:
Figure BDA00028444587900001110
C6:
Figure BDA00028444587900001111
C7:
Figure BDA00028444587900001112
该式(10)的优化问题是一个MOOP,它是一个混合整数规划问题,非凸且NP-hard。考虑到这一点,利用NSGA-II来解决优化问题。
利用NSGA-II来解决优化问题的过程,具体如下:
步骤S31、将{X,P}设置为计算变量,并初始化种群规模Npop、最大迭代数Ngen、交叉概率Prc和突变概率Prm
步骤S32、随机创建种群规模Npop大小的种群
Figure BDA00028444587900001113
Figure BDA00028444587900001114
其中,{X,P}t,k表示第t代第k个个体,
Figure BDA00028444587900001115
且进一步的,对种群
Figure BDA00028444587900001116
中每个个体进行实数编码,得到实数向量
Figure BDA00028444587900001117
其中,
Figure BDA00028444587900001118
表示实数编码操作;U表示上界向量;L表示下界向量;
步骤S33、获取当前迭代数
Figure BDA0002844458790000121
步骤S34、通过公式
Figure BDA0002844458790000122
模拟二进制交叉,以及通过公式ct=pt+θ(ui-li),进行多项式变异,产生子代种群
Figure BDA0002844458790000123
并组成新的种群
Figure BDA0002844458790000124
其中,第t代子代ct,1和ct,2是由第t代父代pt,1,pt,2执行交叉计算产生的;
Figure BDA0002844458790000125
u∈[0,1)表示均匀分布的随机数;η表示分布指数,且η=1;
其中,ct是第t代子代,pt是第t代父代;u和l分别代表进化中实数变量的上
Figure BDA0002844458790000126
下界;
Figure BDA0002844458790000127
γm是指数分布;
步骤S35、使用带有约束惩罚的非支配排序方法和拥挤度距离,将
Figure BDA0002844458790000128
划分等级,具体包括:
首先,用非支配排序方法将
Figure BDA0002844458790000129
的解划分等级,即
Figure BDA00028444587900001210
如果i<j,
Figure BDA00028444587900001211
中任何一个个体支配
Figure BDA00028444587900001212
中所有的个体,而
Figure BDA00028444587900001213
中任何一个个体不受约束支配同一层中的任何其他个体;
然后,
Figure BDA00028444587900001214
中所有的个体进入下一代
Figure BDA00028444587900001215
其中l满足以下条件:1)
Figure BDA00028444587900001216
2)
Figure BDA00028444587900001217
如果
Figure BDA00028444587900001218
那么
Figure BDA00028444587900001219
否则,从
Figure BDA00028444587900001220
中选择
Figure BDA00028444587900001221
个个体,按照拥挤距离公式降序排序进入下一代;
步骤S36、根据划分的非支配等级和拥挤度距离,从
Figure BDA0002844458790000131
选取Npop个个体构成
Figure BDA0002844458790000132
步骤S37、t=t+1;若t≤Ngen,则返回步骤S33;否则,迭代结束;
步骤S38、将最后得到
Figure BDA0002844458790000133
Figure BDA0002844458790000134
中的个体作为最优解输出,即得到{X,P}的最优解。
步骤S4、根据所求的决策变量的最优解,得到所述多目标优化函数的最终解并输出。
具体过程为,将步骤S3中得到的{X,P}的最优解代入多目标优化函数式(9) 中,得到最终解并输出,即用户服务质量平衡和毫米波基站业务平衡时,实现最大整体能源效率。
如图2所示,为本发明实施例提供的毫米波网络中用户多关联和下行功率分配的联合优化方法的应用场景。假设场景面积为D1 x D2,M个mBSs预先分布好位置,N个用户随机分布在区域内。具体的,我们设置了三种不同的场景,面积为20m x 20m,分别涉及4mBSs和10、15、20个用户。mBSs位于预设位置,用户随机分布在区域内。我们用30万个随机点证明所用方法求得的目标优于随机点,如图3至图5所示。
我们从Pareto front中选取三种不同的解决方案,1能源效率最高的解决方案;2:用户速率最平衡的解决方案;3:基站总速率最平衡的解决方案,采用方案1 得到能源效率最高的统计图,采用方案2和3得到不同解决方案的用户速率箱型图;其中,图6为三个不同用户数场景下,每个场景对应三个解决方案下能源效率统计值,图中Sol1、Sol2 Sol3对应上述三个解决方案;7a为用户速率最平衡的解决方案的用户速率箱型图;7b为基站总速率最平衡的解决方案的用户速率箱型图。
实施本发明实施例,具有如下有益效果:
本发明针对多连接的用户关联及其下行功率分配进行联合优化,包括系统能源效率最大化,用户服务质量平衡和毫米波基站业务平衡,从而解决了现有技术所存在未考虑所有用户之间的服务质量均衡以及多个毫米波基站(mBS)之间的流量负载均衡的问题。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,所述的程序可以存储于一计算机可读取存储介质中,所述的存储介质,如ROM/RAM、磁盘、光盘等。
以上所揭露的仅为本发明一种较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。

Claims (4)

1.一种毫米波网络中用户多关联和下行功率分配的联合优化方法,其特征在于,所述方法包括以下步骤:
步骤S1、获取毫米波网络中用户及毫米波基站的位置,并确定各用户与相应毫米波基站之间的关联性,且进一步结合各用户天线波束内外单位增益及其与关联毫米波基站之间的信号传输功率、信号传输距离、信号波长、带宽和噪声功率,计算出各用户的可达速率及其相应关联的毫米波基站的发射功率;
步骤S2、基于所有用户的总可达速率和所有毫米波基站的总发射功率,构建系统整体能源效率函数,并结合所有用户可达速率的标准差和所有毫米波基站负载速率的标准差,构建出基于用户关联和毫米波基站发射功率为决策变量,以最大化系统整体能源效率、最小化所有用户可达速率的标准差和最小化所有毫米波基站负载速率的标准差为目标的多目标优化函数;
步骤S3、采用预设的NSGA-II算法,对所述多目标优化函数中决策变量求最优解;
步骤S4、根据所求的决策变量的最优解,得到所述多目标优化函数的最终解并输出。
2.如权利要求1所述的毫米波网络中用户多关联和下行功率分配的联合优化方法,其特征在于,所述步骤S1具体包括:
获取毫米波网络中的N个用户和M个毫米波基站;其中,毫米波基站集合为
Figure FDA0002844458780000011
用户集合表示为
Figure FDA0002844458780000012
确定各用户与相应毫米波基站之间的关联性;其中,设置二元变量xij表示为关联变量;若xij=1,则表示
Figure FDA0002844458780000013
相关联;否则xij=0,表示
Figure FDA0002844458780000014
Figure FDA0002844458780000015
不相关联;
根据公式
Figure FDA0002844458780000016
确定各用户天线波束内外单位增益;其中,天线阵列的每个毫米波节点有
Figure FDA0002844458780000021
天线波束宽度,Ga(θ)=1表示天线在波束内实现单位增益,Ga(θ)=0表示天线在波束外实现零增益;
确定各用户与关联毫米波基站之间的信号传输功率、信号传输距离、信号波长,以及根据公式
Figure FDA0002844458780000022
计算出用户关联毫米波基站的接收功率;其中,
Figure FDA0002844458780000023
表示第i个用户ui对应关联的第j个毫米波基站mBSj的发射功率;
Figure FDA0002844458780000024
表示第i个用户ui与第j个毫米波基站mBSj之间的信号接收功率,dij表示第i个用户ui与第j个毫米波基站mBSj之间的信号传输距离;λ表示信号波长;α表示路径损耗指数,hij表示均值为零和方差为一的瑞利衰落系数;
确定噪声功率σ2,根据公式
Figure FDA0002844458780000025
计算出第i个用户ui与第j个毫米波基站mBSj之间的信号噪声比,再根据公式
Figure FDA0002844458780000026
计算出各用户的可达速率;其中,Rij表示与第j个毫米波基站mBSj关联的第i个用户ui的可达速率;W表示带宽。
3.如权利要求2所述的毫米波网络中用户多关联和下行功率分配的联合优化方法,其特征在于,所述步骤S2具体包括:
确定所有用户的总可达速率的函数为
Figure FDA0002844458780000027
以及确定所有毫米波基站的总发射功率的函数为
Figure FDA0002844458780000028
构建系统整体能源效率函数为
Figure FDA0002844458780000029
确定所有用户可达速率的标准差
Figure FDA0002844458780000031
以及确定所有毫米波基站负载速率的标准差为
Figure FDA0002844458780000032
构建基于用户关联和毫米波基站发射功率为决策变量,以最大化系统整体能源效率、最小化所有用户可达速率的标准差和最小化所有毫米波基站负载速率的标准差为目标的多目标优化函数;
其中,所述多目标优化函数为:
P1:maxX,P EE,-σR,user,-σR,mBS
Figure FDA0002844458780000033
Figure FDA0002844458780000034
Figure FDA0002844458780000035
Figure FDA0002844458780000036
Figure FDA0002844458780000037
Figure FDA0002844458780000038
X={xij},j∈ImBS,i∈Iuser表示用户关联向量;
Figure FDA0002844458780000039
表示发射功率向量;{X,P}表示决策变量向量。
4.如权利要求3所述的毫米波网络中用户多关联和下行功率分配的联合优化方法,其特征在于,所述步骤S3具体包括:
步骤S31、将{X,P}设置为计算变量,并初始化种群规模Npop、最大迭代数Ngen、交叉概率Prc和突变概率Prm
步骤S32、随机创建种群规模Npop大小的种群
Figure FDA00028444587800000310
Figure FDA0002844458780000041
其中,{X,P}t,k表示第t代第k个个体,
Figure FDA0002844458780000042
且进一步的,对种群
Figure FDA0002844458780000043
中每个个体进行实数编码,得到实数向量
Figure FDA0002844458780000044
其中,
Figure FDA0002844458780000045
表示实数编码操作;U表示上界向量;L表示下界向量;
步骤S33、获取当前迭代数
Figure FDA0002844458780000046
步骤S34、通过公式
Figure FDA0002844458780000047
模拟二进制交叉,以及通过公式ct=pt+θ(ui-li),进行多项式变异,产生子代种群
Figure FDA0002844458780000048
并组成新的种群
Figure FDA0002844458780000049
其中,第t代子代ct,1和ct,2是由第t代父代pt,1,pt,2执行交叉计算产生的;
Figure FDA00028444587800000410
表示均匀分布的随机数;η表示分布指数,且η=1;
其中,ct是第t代子代,pt是第t代父代;u和l分别代表进化中实数变量的上下界;
Figure FDA00028444587800000411
γm是指数分布;
步骤S35、使用带有约束惩罚的非支配排序方法和拥挤度距离,将
Figure FDA00028444587800000412
划分等级,具体包括:
首先,用非支配排序方法将
Figure FDA00028444587800000413
的解划分等级,即
Figure FDA00028444587800000414
如果i<j,
Figure FDA00028444587800000415
中任何一个个体支配
Figure FDA00028444587800000416
中所有的个体,而
Figure FDA00028444587800000417
中任何一个个体不受约束支配同一层中的任何其他个体;
然后,
Figure FDA0002844458780000051
中所有的个体进入下一代
Figure FDA0002844458780000052
其中l满足以下条件:1)
Figure FDA0002844458780000053
2)
Figure FDA0002844458780000054
如果
Figure FDA0002844458780000055
那么
Figure FDA0002844458780000056
否则,从
Figure FDA0002844458780000057
中选择
Figure FDA0002844458780000058
个个体,按照拥挤距离公式降序排序进入下一代;
步骤S36、根据划分的非支配等级和拥挤度距离,从
Figure FDA0002844458780000059
选取Npop个个体构成
Figure FDA00028444587800000510
步骤S37、t=t+1;若t≤Ngen,则返回步骤S33;否则,迭代结束;
步骤S38、将最后得到
Figure FDA00028444587800000511
Figure FDA00028444587800000512
中的个体作为最优解输出,即得到{X,P}的最优解。
CN202011504091.4A 2020-12-18 2020-12-18 毫米波网络中用户多关联和下行功率分配的联合优化方法 Active CN112637907B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011504091.4A CN112637907B (zh) 2020-12-18 2020-12-18 毫米波网络中用户多关联和下行功率分配的联合优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011504091.4A CN112637907B (zh) 2020-12-18 2020-12-18 毫米波网络中用户多关联和下行功率分配的联合优化方法

Publications (2)

Publication Number Publication Date
CN112637907A true CN112637907A (zh) 2021-04-09
CN112637907B CN112637907B (zh) 2022-07-12

Family

ID=75316968

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011504091.4A Active CN112637907B (zh) 2020-12-18 2020-12-18 毫米波网络中用户多关联和下行功率分配的联合优化方法

Country Status (1)

Country Link
CN (1) CN112637907B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112996051A (zh) * 2021-04-27 2021-06-18 融智通科技(北京)股份有限公司 一种微波回传的方法、交换机及计算机可读存储介质
CN113271603A (zh) * 2021-05-19 2021-08-17 东南大学 一种适用于异构通信网络的缓存使能用户关联方法
CN113473245A (zh) * 2021-06-11 2021-10-01 吉林大学 基于可再生能源und视频流等待时间优化方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103997775A (zh) * 2014-06-03 2014-08-20 东南大学 频分复用多用户mimo能效优化方法
CN108282822A (zh) * 2018-01-22 2018-07-13 重庆邮电大学 用户关联与功率控制在异构蜂窝网络中的协同优化算法
CN108965009A (zh) * 2018-07-19 2018-12-07 广东南方电信规划咨询设计院有限公司 一种基于势博弈的负载已知用户关联方法
CN111083786A (zh) * 2019-11-20 2020-04-28 青岛科技大学 一种移动多用户通信系统的功率分配优化方法
KR20200047421A (ko) * 2018-10-26 2020-05-07 인제대학교 산학협력단 밀리미터파 초고밀도 네트워크를 위한 사용자 연계 및 전력 할당 방법
CN111447620A (zh) * 2020-03-19 2020-07-24 重庆邮电大学 一种毫米波异构网络资源分配联合优化方法
CN111726156A (zh) * 2020-06-06 2020-09-29 郑州大学 一种基于noma的资源分配方法与装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103997775A (zh) * 2014-06-03 2014-08-20 东南大学 频分复用多用户mimo能效优化方法
CN108282822A (zh) * 2018-01-22 2018-07-13 重庆邮电大学 用户关联与功率控制在异构蜂窝网络中的协同优化算法
CN108965009A (zh) * 2018-07-19 2018-12-07 广东南方电信规划咨询设计院有限公司 一种基于势博弈的负载已知用户关联方法
KR20200047421A (ko) * 2018-10-26 2020-05-07 인제대학교 산학협력단 밀리미터파 초고밀도 네트워크를 위한 사용자 연계 및 전력 할당 방법
CN111083786A (zh) * 2019-11-20 2020-04-28 青岛科技大学 一种移动多用户通信系统的功率分配优化方法
CN111447620A (zh) * 2020-03-19 2020-07-24 重庆邮电大学 一种毫米波异构网络资源分配联合优化方法
CN111726156A (zh) * 2020-06-06 2020-09-29 郑州大学 一种基于noma的资源分配方法与装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
HAIJUN ZHANG等: "Energy Efficient User Association and Power Allocation in Millimeter-Wave-Based Ultra Dense Networks With Energy Harvesting Base Stations", 《IEEE JOURNAL ON SELECTED AREAS IN COMMUNICATIONS》 *
ZHENZHOU TANG等: "Energy-Efficient Multi-Objective Power Allocation for Multi-User AF Cooperative Networks", 《IEEE WIRELESS CONFERENCE AND NETWORKING CONFERENCE》 *
肖海林等: "混合能源基站的用户关联与资源分配", 《电子科技大学学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112996051A (zh) * 2021-04-27 2021-06-18 融智通科技(北京)股份有限公司 一种微波回传的方法、交换机及计算机可读存储介质
CN113271603A (zh) * 2021-05-19 2021-08-17 东南大学 一种适用于异构通信网络的缓存使能用户关联方法
CN113473245A (zh) * 2021-06-11 2021-10-01 吉林大学 基于可再生能源und视频流等待时间优化方法
CN113473245B (zh) * 2021-06-11 2022-04-08 吉林大学 基于可再生能源und视频流等待时间优化方法

Also Published As

Publication number Publication date
CN112637907B (zh) 2022-07-12

Similar Documents

Publication Publication Date Title
CN112637907B (zh) 毫米波网络中用户多关联和下行功率分配的联合优化方法
CN110430613B (zh) 多载波非正交多址接入系统基于能效的资源分配方法
CN110493804B (zh) 一种毫米波系统的波束和功率分配方法
CN111182511B (zh) 一种mMTC场景中基于AGA的NOMA资源分配方法
CN111555795A (zh) 一种基于用户分组调度的网络资源分配方法和装置
Cai et al. Joint optimal multi-connectivity enabled user association and power allocation in mmWave networks
CN106131939B (zh) 一种数能一体化通信网络的功率控制最优化方法
CN115866787A (zh) 融合终端直传通信和多接入边缘计算的网络资源分配方法
CN113473580A (zh) 异构网络中基于深度学习的用户关联联合功率分配策略
CN116089091A (zh) 基于物联网边缘计算的资源分配和任务卸载方法
CN114143814A (zh) 一种基于异构边缘云架构的多任务卸载方法及系统
Ha et al. Intelligent reflecting surface assisted RF energy harvesting mobile edge computing NOMA networks: Performance analysis and optimization
CN108260193B (zh) 一种异构网络中基于信道聚合的联合资源分配方法及装置
CN103945388B (zh) 一种异构网络中基于遗传算法的用户接入网络方法
CN113301576B (zh) 一种基于改进遗传算法的蜂窝网络资源分配方法
CN113518457B (zh) 基于一维深度卷积神经网络的功率分配策略
CN107733488A (zh) 一种大规模mimo系统中注水功率分配改进方法及系统
Xia et al. Delay-based user association in heterogeneous networks with Backhaul
Aljumaily et al. Mobility speed effect and neural network optimization for deep MIMO beamforming in mmWave networks
Gül et al. Application of intelligent optimization techniques to spectral and energy efficiencies in massive MIMO systems at different circuit power levels
Singh et al. An energy efficient resource allocation and transmit antenna selection scheme in mm-wave using massive MIMO technology
CN111935829A (zh) 一种基于异构网络d2d通信的资源管理算法
Prodromos et al. Dynamic Bandwidth Allocation in MIMO 5G Networks
Zhang et al. Deep Learning Based Resource Allocation for Full-duplex Device-to-Device Communication
CN117119573B (zh) 超密集网络中基于凝聚式层次聚类算法的资源优化方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant