CN113068262A - 基于智能反射面辅助上行系统的动态资源分配方法 - Google Patents

Abstract

本发明属于通信技术领域，具体来说涉及一种基于智能反射面辅助上行系统的动态资源分配方法。本发明涉及智能反射面辅助通信系统、李雅普诺夫优化理论框架、漂移加惩罚算法等知识。提出了一种动态选择智能反射面的方案，在每一帧的开始时刻，用户可以选择某个IRS来辅助通信或者选择直接与基站进行通信。同时，研究了该动态系统性能的长期稳定性和约束的长期满足性。此外，采用了基于拉格朗日对偶变换的分式规划方法迭代地优化用户的功率分配和智能反射面的相移。总体上，所提方法有很好的收敛性和有效性。与其他选择方案相比，所提的选择方案在能效方面具有明显优势。

Description

基于智能反射面辅助上行系统的动态资源分配方法

技术领域

本发明属于通信技术领域，具体来说涉及一种基于智能反射面辅助上行系统的动态资源分配方法。

背景技术

智能反射面(Intelligent Reflecting Surface，简称IRS)是由大量小的、低成本的、无源的单元组成的平面阵列，每个单元都可以由无线网络运营商通过智能软件控制器直接控制。通过设计每个单元的形状、大小、方向、排布，智能反射面可以相应地在入射电磁波上独立诱导一定的相移来改变其信号响应。实际中，通过使用PIN二极管(Positive-Intrinsic-Negative diodes，简称PIN)、微机电系统开关(Micro-electromechanicalSystems，简称MEMS)等电子元件实现对响应信号的实时调整。因此智能反射面具有复杂度很低的硬件结构，能够大规模的实现。另一方面，与现有的其他技术相比，如放大转发(Amplify and Forward，简称AF)，智能反射面在不使用任何功率放大器的情况下转发入射信号，不会产生额外的功率消耗。此外，智能反射面结构通常是低轮廓、轻重量的，使得它可以很容易地嵌入到传播环境中，例如，建筑物外墙、天花板、笔记本电脑外壳等，甚至可以被集成到人体服装上来适应空间和时间变化的无线环境。

智能反射面辅助通信系统指的是用户终端设备或者基站终端通过智能反射面来中继终端源数据的通信系统。智能反射面部署在现有的通信系统中不需要更改系统的标准和硬件，而只需要对通信协议进行修改即可。通常用于用户与基站之间的直接链路被障碍物严重阻碍或者小区边缘用户收到严重的信道干扰和信道衰减的情况。用户与部署基站通过智能反射面的反射信号绕过障碍物，从而在它们之间创建虚拟视线(Line of Sight，简称LoS)链路。在多个智能反射面辅助的通信系统中，用户可以根据自己的位置、信道条件、传输数据等来决定选择哪一个智能反射面来辅助通信。

发明内容

本发明考虑了多个智能反射面辅助的上行动态通信系统，提出了用户动态选择智能反射面的方案并给出了用于优化动态过程的算法。该算法基于李雅普诺夫优化框架，能够通过联合优化用户的功率分配和智能反射面的相位信息来提高通信系统整体通信性能的同时，使系统的性能趋于稳定。更具体地说，用户在变化的通信环境中移动，如信道状态、用户位置、需要传输数据量等都是时变的，用户可以选择不同的智能反射面来辅助自身通信。借助动态优化算法的惩罚机制，用户的功率和可达速率不仅要满足一定的约束，还要使得系统性能长期保持稳定。

动态优化算法将李雅普诺夫优化框架应用于智能反射面通信系统中，并且引入相关的奖罚机制以维持系统的稳定性。具体地，考虑一个上行的智能反射面辅助通信系统，具有一个带有全向天线的基站(Base Station，简称BS)，K个单天线的用户，N个智能反射面，其中每个智能反射面的单元数量为M。假设整个上行频谱被划分为N+1个相等大小的子频谱，每个智能反射面分配到的带宽为B_n,n∈{1,2,...,N}，基站分配到的带宽为B_N+1，且各个带宽之间相互正交。接入同一智能反射面或者基站的用户使用相同的带宽进行通信，因此，用户受到的干扰来自接入同一个智能反射面或者同时接入基站的其他用户的干扰，智能反射面和基站之间相互不存在干扰。

S1、首先制定接入方案，假设一个智能反射面可以同时服务多个用户，而一个用户只能选择一个智能反射面或者基站接入。用户根据当前时刻的位置信息选择接入的智能反射面，具体为：

(1)若用户位于两个智能反射面覆盖的交叠的领域，用户选择最近的智能反射面接入；

(2)若用户位于一个智能反射面覆盖的区域但非交叠区域，用户选择该智能反射面接入；

(3)若用户位于非智能反射面覆盖的区域，用户选择基站直接接入。

S2、制定接入方案后，对问题进行建模。为了研究长期的动态系统，引入帧的概念，定义为单位时间长度。针对(1)(2)中用户选择智能反射面的情况，假设在帧t时，一组用户通过智能反射面n来与基站通信，那么经由反射面n辅助通信的用户k在基站处可达到的速率表示为：

其中

为基站与智能反射面n在帧t时的信道矢量，

为智能反射面n的相移对角矩阵；

为用户k与智能反射面n的信道矢量；

为用户k发射功率，

为用户i发射功率，i≠k；σ²为热噪声功率；

为帧t开始时用户k的接入选择指示量，定义如下

同理，针对(3)中用户接入基站的情况，假设在帧为t时，一组用户直接接入基站，那么直接与基站通信的用户k在基站处可达到的速率表示为：

其中

表示用户k与基站在帧t时的直接信道，

为帧t开始时用户k是否接入基站的指示量，定义如下：

用户k的速率可以表示为：

定义系统效用函数为：

通常用户对短期性能的瞬时波动不敏感，更关心长期性能的稳定性。因此，假设帧总数为τ，定义长期动态系统效用函数的帧平均期望为：

定义用户k功率消耗的帧平均期望为：

类似地，定义用户k可达速率的帧平均期望为：

在帧t开始时，假设用户k到达的、需要传输的数据量为A_k(t)，其帧平均期望为：

定义长期动态优化问题为：

其中P＝[p(0),p(1),…,p(τ-1)]表示由功率向量组成的功率分配矩阵，

表示所有智能反射面相移矩阵的组合；

表示用户k的长期平均功率约束；

表示用户k的峰值功率约束。为了保证长期动态系统的无差错传输和稳定性，要求每个用户长期内的帧平均可达速率大于等于其帧平均到达数据速率。考虑到单个帧，由于有限的硬件条件或外部环境规则，每个用户的功率开销受到峰值功率预算的限制；长期来看，通常试图在有限的能量资源下延长系统寿命，因此考虑了帧平均功率约束。

S3、长期帧平均约束使各个帧相互关联，形成一个动态的过程。因此，基于李雅普诺夫优化算法框架的动态优化理论用来解决该动态问题。针对每个用户k定义功率和速率队列分别为：

当约束不能长期满足时，队列堆积会越来越多，迫使系统对用户进行资源分配时优先满足队列较长的用户。当用户的队列都趋于0时，系统状态趋于稳定。

定义李雅普诺夫函数为

李雅普诺夫函数的单帧漂移△L(t)满足

△L(t)的期望满足

其中

U(t)＝{U₁(t),U₂(t),...,U_K(t)}，Z(t)＝{Z₁(t),Z₂(t),...,Z_K(t)}.

基于李雅普诺夫优化框架的漂移加惩罚算法(drift-plus-penalty，简称DPP)设计目的是使受峰值功率约束的单帧漂移界和惩罚项的总和最小。在不等式(14)的两边加上惩罚项-VF(t)，其中V为权衡系数：

在给定常数C≥0的情况下，可以找到功率和相移策略的C加性近似。定义

则有

假设在每一帧上实现C加性近似使(15)最小，可以通过联合设计功率分配和相移来优化下面的问题。

S4、利用基于拉格朗日对偶理论的分式规划方法，迭代求(17)的最小值，然后在每次迭代中导出功率和相移的闭式解。去掉无关常数项，(17)中的目标函数可以等价地写成：

其中

为用户k在帧t时的信干噪比(Signal to Interference plus NoiseRatio，简称SINR)。通过引入辅助变量并进行拉格朗日对偶转换，(18)可以等价地转换为

其中

为辅助变量集。当Ω(t)固定时，最优

可以由f₁对

求导得到

给定γ(t)，优化功率和相移的目标函数转化为

其中

S5、下面将分别讨论每一个用户k选择BS和IRS时问题的解决方案。具体来说，当用户k与BS直接通信时，只需要优化功耗；否则需要同时优化功耗和相移，利用迭代方法，先固定相移优化功率，再固定功率消耗来优化相移。

S51、若用户k通过IRS辅助通信。首先，固定相移

并且定义

那么此时用户k的信干噪比表示为：

(22)代入(21)，目标函数化为

利用二次转换可得

其中

为辅助变量集。当p(t)固定，最优

为

固定β(t)，最优

为

由f₄分别对

和

求导得到。

接下来固定功率优化相移。定义

那么用户k的信干噪比可以表示为：

其中

应用二次转化，目标函数转化为

其中

为辅助变量。固定

最优

为

固定ε(t)，最优

为

和

分别由f₅对

和

求导得到。

S52、若用户k与基站直接通信，只需要优化功率。用户k的信干噪比可以表示为

(31)代入(21)，并应用二次转化，新的目标函数转化为

固定功率，最优

为

固定β(t)，最优功率为

本发明的有益效果为，本发明所提方法有很好的收敛性和有效性，与其他选择方案相比，所提的选择方法在能效方面具有明显优势。

附图说明

图1显示了权衡系数V对系统平均速率性能的影响；

图2比较了在不同权衡系数V下速率约束满足的情况；

图3比较了在不同权衡系数V下功率约束满足的情况；

图4比较了不同接入选择方案下随时间变化的系统目标值；

图5比较了不同接入选择方案下随时间变化的功率消耗；

图6比较了不同接入选择方案下随时间变化的能量效率；

具体实施方式

下面结合附图和实例，详细描述本发明的技术方案：

本例考虑一个半径为400m宏小区，基站为坐标原点。K＝30个用户在距离基站300–400m的环形区域内随机移动。N＝3个IRS均匀放置在距离基站100m处，坐标分别为

每个IRS覆盖区域的半径为310m，因而存在重叠区域。在不失一般性的前提下，所有用户的到达数据都服从参数为λ＝200kbps的泊松分布，并且所有用户具有相同的峰值功率

和平均功率约束

用户的移动采用高斯-马尔科夫移动模型(GMMM)，信道具有小尺度衰落加大尺度衰落。若无特别说明，其他参数设置如下：每个IRS元素个数M＝50；帧个数τ＝2000；载波频率f_c＝2.3GHz；每个IRS(BS)带宽B_n＝1MHz,n∈{1,2,...,N+1}；噪声功率谱密度σ²＝-90dBm/Hz；用户-基站：路径衰落指数为2.8，信道增益为-50dB，瑞利衰落标准差10dB；用户-IRS-基站：路径衰落指数2，信道增益为-30dB,瑞利衰落标准差6dB。

图1说明了参数V对优化问题中用户帧平均速率的影响。观察到，系统的平均速率首先随着权衡参数V的增加而增加，然后在小范围内轻微波动，这是由所提出的交替优化功率和相移的迭代算法引起的。迭代算法可能会得到近似解而不是最优解，因此收敛趋势不是理想的，而是在收敛值周围浮动。

图2说明了编号为k＝28的用户帧平均速率逐渐收敛到约束0.2Mbps,并且V越大，收敛速度越快。目标函数中的权衡参数V在系统目标满足与约束满足之间起着平衡作用。当V较小时，系统目标的影响减弱，约束满足的重要性增加。

图3说明了编号为k＝28的用户功率约束满足情况。观察到，随着时间的推移，平均功率收敛到其约束0.002W,V值越小收敛速度越快。与图2的分析过程相似，V越小，表示越满足平均功率约束。

图4-6分别比较了不同接入选择方案下系统目标值、功率消耗、能量效率随时间变化的关系。对于所有的方案，系统的目标值总是可以在时间推移中很快达到一个稳定状态。本发明所提出的接入选择方案的系统目标值高于Baseline1和Baseline3，低于Baseline2。在Baseline2中，由于用户被平均分配给所有IRS和BS，即每个用户受到相同数量用户的干扰，实现了用户间干扰均衡，这是一种比较理想的情况。然而在实际情况中，用户可能会因为从众、活动或其他因素聚集在一起。因此，本发明所提的接入方案将在功率分配上进行权衡，以尽可能平衡用户间干扰。然而本发明所提方案比Baseline2节省能量。此外本发明所提的方案在系统目标值、能源效率方面优于Baseline1。这在本质上归因于由所提方案和Baseline1引起的信道差异，为了补偿信道对性能的影响，Baseline1将消耗更多的能量。Baseline3关于系统目标值和能量效率表现出了最差的性能。这是由于用户的聚类特性以及缺少直接接入基站链路导致IRS负载增加造成的，具体地说，接入IRS用户的数量导致了用户间干扰的增加，性能较差。

Claims (1)

1.基于智能反射面辅助上行系统的动态资源分配方法，在智能反射面辅助上行系统中，包括一个带有全向天线的基站，K个单天线的用户，N个智能反射面，其中每个智能反射面的单元数量为M；假设整个上行频谱被划分为N+1个相等大小的子频谱，每个智能反射面分配到的带宽为B_n,n∈{1,2,...,N}，基站分配到的带宽为B_N+1，且各个带宽之间相互正交；假设接入同一智能反射面或者基站的用户使用相同的带宽进行通信，因此，用户受到的干扰来自接入同一个智能反射面或者同时接入基站的其他用户的干扰，智能反射面和基站之间相互不存在干扰；其特征在于，所述动态资源分配方法包括：

S1、定义接入方案，假设一个智能反射面可以同时服务多个用户，而一个用户只能选择一个智能反射面或者基站接入，用户根据当前时刻的位置信息选择接入的智能反射面，具体为：

(1)若用户位于两个智能反射面覆盖的交叠的领域，用户选择最近的智能反射面接入；

(2)若用户位于一个智能反射面覆盖的区域，用户选择该智能反射面接入；

(3)若用户位于非智能反射面覆盖的区域，用户选择基站直接接入；

S2、根据步骤S1定义的接入方案，对问题进行建模，引入帧的概念，定义为单位时间长度，针对用户选择智能反射面接入的情况，假设在帧t时，一组用户通过智能反射面n来与基站通信，经由反射面n辅助通信的用户k在基站处可达到的速率表示为：

其中

为基站与智能反射面n在帧t时的信道矢量；

为智能反射面n的相移对角矩阵；

为用户k与智能反射面n的信道矢量；

为用户k发射功率，

为用户i发射功率，i≠k；σ²为热噪声功率；

为帧t开始时用户k的接入选择指示量，定义如下

同理，针对用户接入基站的情况，假设在帧t时，一组用户直接接入基站，直接与基站通信的用户k在基站处可达到的速率表示为：

其中

表示用户k与基站在帧t时的直接信道，

为帧t开始时用户k是否接入基站的指示量，定义如下：

任一用户k的速率表示为：

定义系统效用函数为：

假设帧总数为τ，则长期动态优化问题为：

其中，

为长期动态系统效用函数的帧平均期望：

为户k功率消耗的帧平均期望：

为用户k可达速率的帧平均期望：

为在帧t开始时，假设用户k到达的、需要传输的数据量为A_k(t)的帧平均期望：

P＝[p(0),p(1),…,p(τ-1)]表示由功率向量组成的功率分配矩阵，

表示所有智能反射面相移矩阵的组合；

表示用户k长期平均功率约束，

表示用户k的峰值功率约束。

S3、基于李雅普诺夫优化框架的漂移加惩罚算法对步骤S2建立的长期动态优化问题进行处理，得到目标函数：

其中

-VF(t)为惩罚项；V为权衡系数，用来权衡目标值和约束满足之间的关系；U_k(t)为用户k的速率约束队列，定义为

U_k(t+1)＝max{U_k(t)+A_k(t)-R_k(t),0}

Z_k(t)为用户k的功率约束队列，定义为

当约束不能长期满足时，对列堆积越来越多，U_k(t)，Z_k(t)数值越来越大，迫使系统对用户进行资源分配时优先满足队列较长的用户；当用户的队列都趋于0时，系统状态趋于稳定；

S4、利用基于拉格朗日对偶理论的分式规划方法，迭代求步骤S3中目标函数的最小值，然后在每次迭代中导出功率和相移的闭式解，去掉无关常数项，目标函数等价为：

其中

为用户k在帧t时的信干噪比，通过引入辅助变量并进行拉格朗日对偶转换，转换为：

其中

为辅助变量集，当Ω(t)固定时，最优

由f₁对

求导得到

给定γ(t)，得到优化功率和相移的目标函数：

其中

S5、基于步骤S4得到的优化功率和相移的目标函数进行动态资源分配，判断用户k是否通过IRS辅助通信，若是，则进入步骤S51，否则进入步骤S52：

S51、用户k通过IRSn辅助通信，需联合优化相移和功率分配。固定相移

并且定义

此时用户k的信干噪比表示为：

将用户k的信干噪比比代入优化功率和相移的目标函数：

利用二次转换得：

其中

为辅助变量集，当p(t)固定，最优

为

固定β(t)，最优功率

为

由f₄分别对

和

求导得到。

定义

用户k的信干噪比可以表示为：

其中

应用二次转化，优化功率和相移的目标函数转化为：

其中

为辅助变量，固定

最优

为

固定ε(t)，最优

为

和

分别由f₅对

和

求导得到；

S52、用户k与基站直接通信，只需要优化功率，用户k的信干噪比可以表示为

将用户k的信干噪比代入优化功率和相移的目标函数，并应用二次转化：

固定功率，最优

为

固定β(t)，最优功率

为

Images