CN113141656A - 基于改进的模拟退火的noma跨层功率分配方法和装置 - Google Patents

Abstract

本发明公开了基于改进的模拟退火的NOMA跨层功率分配方法和装置，方法包括：引入数据链路层中的QoS指数，以最大化系统最小有效容量为优化目标进行最优功率分配，得到NOMA系统优化模型；根据NOMA系统优化模型确定用户中最大负有效容量模型；根据NOMA系统优化模型的约束条件以及用户中最大负有效容量模型确定用户中最大负有效容量模型的增广函数；利用改进的模拟退火算法对所述增广函数进行求解，得到最优功率分配方案。本发明能够以更快的收敛速度、更低的复杂度得到与使用FSPA算法相同的最优值，相比于使用FPA算法、FTPA算法，系统达到的有效容量得到了提升。

Description

基于改进的模拟退火的NOMA跨层功率分配方法和装置

技术领域

本发明属于无线通信网络技术领域，具体涉及一种基于改进的模拟退火的NOMA跨层功率分配方法和装置。

背景技术

随着移动通信产业的飞速发展，未来各类智能终端的数量将持续性大规模增长，因此5G通信系统的性能设计也将面临更大的挑战。5G通信系统不仅需要满足支持大规模连接的技术要求，还需要满足更高吞吐量、更低延时、更高可靠性等要求。非正交多址接入(Non-Orthogonal Multiple Access,NOMA)技术作为增强多用户容量的技术方案，已成为学术界的研究热点。NOMA技术引入了功率域的概念，根据用户信道质量的不同，分别在各用户组内为每个用户分配不同的发送功率，在功率域实现多用户复用，从而提高了用户的公平性，扩大了系统容量。现有研究表明，在接收端使用串行干扰消除(SuccessiveInterference Cancellation,SIC)的NOMA系统，比传统正交多址接入(OrthogonalMultiple Access,OMA)系统的频谱效率提高大约30-40％。因此，在现有的多址接入技术中，NOMA被看作是一种极具优势的多址接入方案。

NOMA技术由正交频分复用(Orthogonal Frequency Division Multiplex,OFDM)技术演变而来，NOMA技术在时域与频域上的最小划分与OFDM技术一致，但最小资源单元(Resource Element,RE)不再是由单用户独占，而是通过功率分配算法实现多用户复用。因此，功率分配优化算法一直以来都是NOMA技术的研究热点之一。在现有的功率分配算法中，全搜索功率分配(Full Search Power Allocation,FSPA)算法通过对所有可能的功率分配情况的遍历搜索，最终获得最大化吞吐量的全局最优分配方案；固定功率分配(FixedPower Allocation,FPA)算法提出在系统中固定每个用户所分功率与总功率的比值；分数阶发射功率分配(Fractional Transmit Power Allocation,FTPA)算法综合考虑用户公平性和译码复杂度，提出了一种局部优化方案；注水功率分配(Optimum Water Filling-based Power Allocation,OWFPA)算法以较小的算法复杂度得到了功率分配的次优解。上述功率分配方案仅在物理层进行了优化，无法保证用户对低时延的需求。而5G通信系统在视觉体验导向型服务(如VR、AR和视频流)以及车联网行业应用中的流量需求大规模增长，时延要求不断提高，需要在保证服务质量(Quality of Service,QoS)的前提下进行功率分配优化。因此，对物理层和数据链路层的跨层优化设计显得尤为重要。

但是现有技术的收敛速度有待提升、方法的复杂度更高，因此如何使系统功率方法得到更快的收敛速度和降低算法的复杂度，以使系统达到的有效容量得到提升是本技术领域需要解决的技术问题。

发明内容

本发明旨在针对现有技术中存在的以上技术问题，提供一种基于改进的模拟退火的NOMA跨层功率分配方法和装置。

本发明采用以下技术方案：

一方面，本发明提供一种基于改进的模拟退火的NOMA跨层功率分配方法，包括以下步骤：

引入数据链路层中的QoS指数，以最大化系统最小有效容量为优化目标进行最优功率分配，得到NOMA系统优化模型；

根据NOMA系统优化模型确定用户中最大负有效容量模型；

根据NOMA系统优化模型的约束条件以及用户中最大负有效容量模型确定用户中最大负有效容量模型的增广函数；

利用改进的模拟退火算法对所述增广函数进行求解，得到最优功率分配方案。

进一步地，所述NOMA系统优化模型的表达式如下：

其中

为信道系数h_i的期望值，且1≤i≤N，N表示系统用户总数，表示用户i在当前服务过程的QoS指数，R_i[t]表示用户i可以达到的最大速率，P_max表示基站可以发送的最大功率，p_i表示为用户i分配到的功率值，P为所有用户功率向量，P＝[p₁,p₂,…p_N]。

进一步地，根据用户与基站之间的距离将用户划分为两个用户组，其中近用户组由与基站之间的距离小于预设值的用户组成，远用户组由与基站之间的距离大于等于预设值的用户组成，用户i能够达到的最大速率R_i[t]由其所在的用户组能够达到的最大速率确定。

进一步地，在半双工协作NOMA系统中，用户i能够达到的最大速率为近用户组中用户i1能够达到的最大速率或远用户组i2能够达到的最大速率；

其中近用户组中用户i1能够达到的最大速率表达式如下：

远用户组中用户i2可以达到的最大速率表达式如下：

其中p_k,s为近用户组中的用户k作为中继时发送功率，p_i1为近用户组中用户i1分配到的发送功率，p_i2为远用户组中用户i2分配到的发送功率，h_i1为基站与近用户组中用户i1间的信道系数，l为近用户组中的用户数。h_i2为基站与远用户组中用户i2间的信道系数，p_j为用户j分配到的功率，h_k,i2为近用户组中的用户k与远用户组中用户i2之间的信道系数。

进一步地，在全双工协作NOMA系统中，

用户i能够达到的最大速率为近用户组中用户i1能够达到的最大速率或远用户组i2能够达到的最大速率；

近用户组中用户i1可以达到的最大速率表达式如下：

远用户组中用户i2可以达到的最大速率表达式如下：

其中p_k,s表示近用户组中的用户k作为中继时发送功率，p_i1为近用户组中用户i1分配到的发送功率，p_i2为远用户组中用户i2分配到的发送功率，h_i1为基站与近用户组中用户i1间的信道系数，l为近用户组中的用户数。h_i2为基站与远用户组中用户i2间的信道系数，p_j为用户j分配到的功率，h_k,i2为近用户组中的用户k与远用户组中用户i2之间的信道系数。

需要说明的是，在全双工协作NOMA系统和半双工协作NOMA系统中，系统对所有的用户进行排序，序号是根据基站与用户i之间信道系数h_i从大到小的顺序进行排序，远用户组的h_i肯定都比近用户小，序号排在前面的小于等于l的都是近用户。在计算远用户组中用户i2可以达到的最大速率的公式中采用近用户组中用户i1为与远用户组用户i2顺序对应的近用户组中的用户。

进一步地，用户中最大负有效容量模型的表达式如下：

其中

为信道系数h_i的期望值，且1≤i≤N，N表示系统用户总数，表示用户i在当前服务过程的QoS指数，R_i[t]表示用户i可以达到的最大速率，P_max表示基站可以发送的最大功率，p_i表示为用户i分配到的功率值，P为所有用户功率向量，P＝[p₁,p₂,…p_N]，Θ＝[θ₁,θ₂,…,θ_N]表示不同用户的QoS约束。

再进一步地，所述用户中最大负有效容量模型的增广函数的表达式如下：

F(Θ，P)＝f(Θ，P)+M·G(P)

其中M为惩罚因子为正数，G(P)的表达式为：

G(P)＝|max(g(P)，0)|²

其中

再进一步地，利用改进的模拟退火算法对所述增广函数进行求解的具体方法如下：

步骤1：初始化初始温度T₀、终止温度T_e、每个温度状态下迭代次数L、当前温度迭代次数itr。设定解的取值上限为u，定解的取值下限为l；随机选择初始解P₀并假设当前初始解为最优解P_b；

步骤2：利用邻解生成函数产生新解，设定解的上限u为P_max，下限l为0，设P_cur为当前解，用于生成新解P_new的邻解生成函数表示如下：

P_new＝P_cur+λ·(u-l)

其中，λ为扰动因子，定义如下：

其中，rand为N个由0到1之间的随机数组成的一维向量，T_n为当前温度；

步骤3：计算中间变量E_cur＝F(Θ,P_cur)，E_b＝F(Θ,P_b)与E_new＝F(Θ,P_new)，选择使目标值最小的解作为当前最优解P_b，避免陷入局部最优解。

步骤4：计算中变变量E_new与中间变量E_cur的差值，表达式如下：

ΔE＝E_new-E_cur

若ΔE<0，则接受新解作为当前解，令

P_cur＝P_new

否则，计算概率p：

其中，K为玻尔兹曼常数，用random表示0到1之间不定随机数，判断p>random是否成立，若成立，则接受新解为当前解。令迭代次数itr的值加1，重复执行步骤2到步骤4，直到itr的值达到L。

步骤5：以线性降温准则T_n+1＝α·T_n降低当前温度，α表示温度衰减系数。用大小为V*1的向量B表示与当前温度临近的V个温度下的最优解b₁,b₂,…,b_V，对于给定阈值为ε，判定

若条件成立或当前温度小于等于温度下界，则继续，否则，返回步骤2。

步骤6：输出当前最优解即为最优功率分配方案。

再进一步地，当P_new超出取值范围时重复步骤2。

另一方面，本发明提供了基于改进的模拟退火的NOMA跨层功率分配装置，包括：

NOMA系统优化模型构建模块、增广函数构建模块和增广函数求解模块；

所述NOMA系统优化模型构建模块用于引入数据链路层中的QoS指数，以最大化系统最小有效容量为优化目标进行最优功率分配，得到NOMA系统优化模型；

所述增广函数构建模块用于根据NOMA系统优化模型确定用户中最大负有效容量模型；根据NOMA系统优化模型的约束条件以及用户中最大负有效容量模型确定用户中最大负有效容量模型的增广函数；

所述增广函数求解模块利用改进的模拟退火算法对所述增广函数进行求解，得到最优功率分配方案。

有益技术效果：

本发明提出了一种改进的模拟退火功率分配算法(Improved SimulatedAnnealing Power Allocation，ISAPA)。首先利用罚函数法将最大-最小有效容量的有约束优化问题转化为无约束优化问题，然后使用改进的模拟退火算法寻求协作NOMA系统的最优功率分配方案，分别在半双工和全双工协作NOMA系统中进行仿真。仿真结果表明，使用本发明所提算法能够以更快的收敛速度、更低的复杂度得到与使用FSPA算法相同的最优值，相比于使用FPA算法、FTPA算法，系统达到的有效容量得到了提升。

附图说明

图1为本发明实施例采用的协作NOMA系统下行链路跨层功率分配模型；

图2为本发明实施例不同发射总功率下各功率分配算法的性能对比(半双工协作NOMA系统)；

图3为本发明实施例不同发射总功率下各功率分配算法的性能对比(全双工协作NOMA系统)；

图4为本发明实施例不同用户数下本发明所提算法和其他算法平均消耗时间对比；

图5为本发明实施例不同QoS约束指数对系统的影响；

图6为本发明实施例进行NOMA跨层功率分配技术方案流程图。

具体实施方式

以下将结合附图对本发明各实施例的技术方案进行清楚、完整的描述，显然，所描述发实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施例，都属于本发明所保护的范围。

为了更好地理解本发明技术方案，以下介绍协作NOMA系统下行链路跨层优化模型以及模拟退火算法。协作NOMA系统有两种工作模式，分别为半双工协作NOMA与全双工协作NOMA。以一个基站对应两个用户为例，假设用户1距离基站较近，信道条件较好；用户2距离基站较远，信道条件较差。协作NOMA系统下行链路跨层功率分配模型如图1所示。在具体实施例中用户1代表距离基站较近的用户组，用户2表示距离基站较远的用户组。

传统功率分配方案仅从物理层吞吐量的角度出发进行功率分配优化，而本发明所提方案在进行功率分配时引入了数据链路层中的QoS指数θ_i，实现了跨越数据链路层和物理层的联合优化，如图1所示。根据有效容量理论，θ_i可以表征用户i对当前时延QoS的要求。θ_i越小，表示在当前服务下用户i对时延QoS要求越低，当θ_i趋于0时，表示用户i能够忍受任意长的时延，如进行一些非实时性服务；θ_i越大，表示在当前服务下用户i对时延QoS要求越高，当θ_i趋于无穷时，表示用户i不能忍受任何时延，如车联网系统中近乎为零的时延要求。在系统模型中，假设信道为瑞利衰落，为了保证不同用户的QoS需求，基站每次发送信号时都会基于每个用户的QoS指数θ_i与信道状态信息(Channel State Information,CSI)反馈进行功率的分配。图1中h₁、h₂、h_1,2、h_s分别代表了基站与用户1之间、基站与用户2之间、用户1与用户2之间以及用户1自干扰信道的信道系数。在半双工协作NOMA下行链路中，基站到用户的下行传输过程分为两个阶段，在第一阶段，基站按照传统NOMA传输方式将叠加信号传输给各用户。在第二阶段，为提高用户2的接收性能，信道条件较好的用户1将解码后的信号通过设备间通信方式发送给用户2。与半双工协作NOMA下行链路不同，在全双工协作NOMA下行链路中，由于设备工作在全双工模式下，第一阶段和第二阶段将同时进行。另外，由于同频传输，用户1将受到自干扰信号的影响。

模拟退火算法是一种贪心算法，模拟自然界高温物体的降温过程。在降温的过程中能量状态逐渐降低，温度越低，物体的能量状态越低，当温度下降到一定值，物体的能量状态达到最低值，趋于稳定。在算法执行过程中，每一个温度状态都以一定的概率来接受一个比当前解更差的解，接受概率随着温度的降低而逐渐变小，从而可以跳出局部最优解达到全局最优解。模拟退火算法的一般步骤如下：

1.初始化初始温度和温度下限，初始化初始解，初始化每个温度值下的迭代次数；

2.在当前解的邻域中产生新解；

3.计算当前解和新解的目标值增量；

4.若增量小于0，则接受新解为新的当前解，否则以某种概率接受新解作为新的当前解，重复步骤2-4，直到达到设定的迭代次数；

5.若满足某种终止条件，输出当前解作为最优解，程序结束，否则继续；

6.以某种准则降低当前温度，返回步骤2。

本发明实施例提供基于改进的模拟退火的NOMA跨层功率分配方法，包括：如下步骤：

一、引入数据链路层中的QoS指数，以最大化系统最小有效容量为优化目标进行最优功率分配，得到NOMA系统优化模型；

设R_i[t]表示用户i在t时刻的传输速率，序列{R_i[t],i＝1,2,…,N}是不相关的，用户i的有效容量可以表示为：

其中，

为信道系数h_i的期望值，且1≤i≤N。式(1)表示用户i在当前服务过程的QoS指数θ_i约束下，可以达到的最大速率。

从用户公平性角度出发，为了保证每个用户的QoS需求，以最大化系统最小有效容量为优化目标进行最优功率分配，建立的NOMA系统优化模型表达式如下：

其中

为信道系数h_i的期望值，且1≤i≤N，N表示系统用户总数，表示用户i在当前服务过程的QoS指数，R_i[t]表示用户i可以达到的最大速率，P_max表示基站可以发送的最大功率，p_i表示为用户i分配到的功率值，P为所有用户功率向量，P＝[p₁,p₂,…p_N]。

二、由于目标函数中的速率函数

与

为分式函数，不满足凸函数定义的充分必要条件，因此上述NOMA系统优化模型表示的优化问题不属于凸优化问题，最优解无法直接得到。

考虑使用改进后的模拟退火算法ISAPA进行求解。为避免重复分析，下文中半/全双工协作NOMA系统中用户i的速率均用R_i[t]代替。

令

其中，Θ＝[θ₁,θ₂,…,θ_N]表示不同用户的QoS约束，P＝[p₁,p₂,…,p_N]为发送功率向量，式(2)可转换为：

为了满足使用模拟退火算法的条件，利用罚函数法对约束条件进行加权，将式(4)转化为无约束优化问题。令

G(P)＝|max(g(P)，0)|² (6)

将约束条件C1整合到增广函数F中，将式(4)转化为求以下无约束优化问题：

其中，

F(Θ，P)＝f(Θ，P)+M·G(P) (8)

为增广函数，惩罚因子M为一个足够大的正数，M·G(P)为惩罚项，对于不满足约束条件的P，惩罚项M·G(P)>0。此时未将约束条件C2转化为惩罚项加入增广函数中，是由于在应用ISAPA算法进行求解的过程中，所使用的邻解产生函数可以确保解的非负性。因此，约束条件C2可省略。

三、为求解式(8)的无约束优化问题，本发明对传统模拟退火的算法进行改进，提出ISAPA算法，求解过程如下：

步骤1：初始化初始温度T₀、终止温度T_e、每个温度状态下迭代次数L、当前温度迭代次数itr。设定解的取值上限为u，下限为l。随机选择初始解P₀并假设当前初始解为最优解P_b。

步骤2：利用邻解生成函数产生新解，设定解的上限u为P_max，下限l为0，设P_cur为当前解，用于生成新解P_new的邻解生成函数表示如下：

P_new＝P_cur+λ·(u-l) (9)

其中，λ为扰动因子，定义如下：

其中，rand为N个由0到1之间的随机数组成的一维向量，T_n为当前温度，扰动因子的存在使得当温度降低时，搜索范围减小，从而增强了算法局部搜索特性。为了保证解的非负性，当P_new超出取值范围时重复步骤2。

步骤3：计算E_cur＝F(Θ,P_cur)，E_b＝F(Θ,P_b)与E_new＝F(Θ,P_new)，选择使目标值最小的解作为当前最优解P_b，避免陷入局部最优解。

步骤4：基于蒙特卡洛(Metropolis)概率接受准则，计算

ΔE＝E_new-E_cur (11)

若ΔE<0，则利用新解求得的目标函数值更小，接受新解作为当前解，即令

P_cur＝P_new (12)

否则，计算概率p：

其中，K为玻尔兹曼常数，用random表示0到1之间且不断更新的随机数，判断p>random是否成立？若成立，则接受新解为当前解，执行式(12)。令迭代次数itr的值加1，重复执行步骤2到步骤4，直到itr的值达到L。

步骤5：以线性降温准则T_n+1＝α·T_n降低当前温度，α表示温度衰减系数。用大小为V*1的向量B表示与当前温度临近的V个温度下的最优解b₁,b₂,…,b_V，对于给定误差阈值为ε(误差阈值，在实际应用中根据需要自行定义不同大小的值)，判定

b_K为当前的最优解，若条件成立或当前温度小于等于温度下界，则继续，否则，返回步骤2。

步骤6：输出当前最优解即为最优功率分配方案。

在以上实施方式的基础上，在半双工协作NOMA系统中，优化模型可以表示如下：

其中，P_max表示基站可以发送的最大功率，约束条件C1表示基站发送总功率是有限的，约束条件C2表示每个用户分配到的功率值均是非负的。

在全双工协作NOMA系统中，优化模型可以表示如下：

在半双工协作NOMA的下行链路模型中，假设系统为两用户系统，用户1距离基站较近，信道条件较好，用户2距离基站较远，信道条件较差。

设p_i为基站分配给用户i的发送功率，s_i为发送信号。

在第一阶段，基站通过NOMA技术同时向用户1和用户2发送s₁[2k]和s₂[2k]的叠加信号，由于两阶段不同时进行，在偶数时隙中，用户i的接收信号可以表示如下：

其中，n_i表示用户i的加性噪声。

用户1利用SIC技术对接收信号进行解码。

在第二阶段，用户1将解码后的信号通过设备间通信方式发往用户2，设x[2k+1]表示用户1解码后的信号，p_s表示用户1作为中继时的发送功率。

在奇数时隙中，用户2的接收信号可以表示为：

假设用户2采用最大比合并(Maximal Ratio Combining,MRC)的方式处理接收信号，在半双工协作NOMA系统中，用户2可达最大速率为：

用户1可达最大速率为：

在全双工协作NOMA的下行链路模型中，在第一阶段，基站通过NOMA技术同时向用户1和用户2发送s₁[k]和s₂[k]的叠加信号，用户1利用SIC技术对接收信号进行解码。在第二阶段用户1将解码后的信号x[k]发往用户2。由于两个阶段同时进行，此时用户1将受到自身发送信号的干扰，故用户1的接收信号可以表示为：

其中，h_s表示用户1自干扰信道的信道系数。用户2的接收信号可以表示为：

假设用户2采用MRC方式处理接收信号，在全双工协作NOMA系统中，用户2可达最大速率为：

用户1可达最大速率为：

以下给出本发明具体实施例的仿真结果。假设信道为瑞利衰落，信道增益|h_i|²满足参数为δ_i的指数分布，其中

d为用户到基站之间的距离，β为路径损耗指数。仿真参数如表1所示。

表1系统仿真参数

首先，设置基站不同的发射总功率，分别在半/全双工协作NOMA两用户系统中，应用不同功率分配算法进行仿真分析，仿真结果如图2和图3所示。仿真结果表明，使用本发明所提方法(简称ISAPA算法)，在半/全双工协作NOMA系统中均可以收敛到与使用FSPA算法相同的最优解，即全局最优解。在系统中使用本发明算法得到的最大-最小有效容量高于使用FPA算法、FTPA算法得到的值，并且随着基站发射总功率的增加，有效容量提升更加明显。

其次，图4对比了现有功率分配算法与本发明所提算法的复杂度。图中纵轴表示使用当前功率分配算法和本发明所提算法的平均消耗时间之比。曲线T(FSPA)/T(ISAPA)代表了在基站总功率、当前用户数、用户信道状态等条件均相同的情况下，使用FSPA算法和本发明所提ISAPA算法的平均消耗时间之比。FPA算法与FTPA算法在功率分配时均采取了固定分配因子的策略，虽然算法复杂度低于本发明所提算法，但这两种算法难以得到全局最优的功率分配方案。利用本发明所提算法求解可以得到全局最优功率分配方案，且复杂度低于FSPA算法。尤其当用户数增加时，二分法无法适用于多用户系统，使用本发明所提ISAPA算法能以更快的收敛速度得到最优解，是FSPA算法效率的百倍以上。图5展现了不同大小的QoS约束指数对系统的影响，结果表明，随着时延QoS指数的增大，系统最大-最小有效容量呈下降趋势，即通过放宽对时延QoS的要求可以获取更大的有效容量，当时延QoS要求提高时，系统的有效容量将会减少，因此，若系统处在衰落环境时，将不能很好地支持时延QoS需求非常严格的服务。综上所述，本发明所提方法是一种可以折衷算法复杂度与提高系统有效容量的跨层功率分配算法。

另一实施例，提供了基于改进的模拟退火的NOMA跨层功率分配装置，包括：

NOMA系统优化模型构建模块、增广函数构建模块和增广函数求解模块；

所述NOMA系统优化模型构建模块用于引入数据链路层中的QoS指数，以最大化系统最小有效容量为优化目标进行最优功率分配，得到NOMA系统优化模型；

所述增广函数构建模块用于根据NOMA系统优化模型确定用户中最大负有效容量模型；根据NOMA系统优化模型的约束条件以及用户中最大负有效容量模型确定用户中最大负有效容量模型的增广函数；

所述增广函数求解模块利用改进的模拟退火算法对所述增广函数进行求解，得到最优功率分配方案。

需要说明的是，本实施例中各模块的具体实现方法如上述实施例所提供，这里不赘述。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (10)

1.基于改进的模拟退火的NOMA跨层功率分配方法，其特征在于，包括以下步骤：

引入数据链路层中的QoS指数，以最大化系统最小有效容量为优化目标进行最优功率分配，得到NOMA系统优化模型；

根据NOMA系统优化模型确定用户中最大负有效容量模型；

根据NOMA系统优化模型的约束条件以及用户中最大负有效容量模型确定用户中最大负有效容量模型的增广函数；

利用改进的模拟退火算法对所述增广函数进行求解，得到最优功率分配方案。

2.根据权利要求1所述的基于改进的模拟退火的NOMA跨层功率分配方法，其特征在于，所述NOMA系统优化模型的表达式如下：

C2：p_i≥0

其中

为信道系数h_i的期望值，且1≤i≤N，N表示系统用户总数，θ_i表示用户i在当前服务过程的QoS指数，R_i[t]表示用户i能够达到的最大速率，P_max表示基站可以发送的最大功率，p_i表示为用户i分配到的功率值，P为所有用户功率向量，P＝[p₁,p₂,…p_N]。

3.根据权利要求2所述的基于改进的模拟退火的NOMA跨层功率分配方法，其特征在于，根据用户与基站之间的距离将用户划分为两个用户组，其中近用户组由与基站之间的距离小于预设值的用户组成，远用户组由与基站之间的距离大于等于预设值的用户组成，当前用户i能够达到的最大速率R_i[t]由其所在的用户组能够达到的最大速率确定。

4.根据权利要求3所述基于改进的模拟退火的NOMA跨层功率分配方法，其特征在于，在半双工协作NOMA系统中，用户i能够达到的最大速率为近用户组中用户i1能够达到的最大速率或远用户组i2能够达到的最大速率；

其中近用户组中用户i1能够达到的最大速率表达式如下：

远用户组中用户i2可以达到的最大速率表达式如下：

其中p_k,s为近用户组中的用户k作为中继时发送功率，p_i1为近用户组中用户i1分配到的发送功率，p_i2为远用户组中用户i2分配到的发送功率，h_i1为基站与近用户组中用户i1间的信道系数，l为近用户组中的用户数；h_i2为基站与远用户组中用户i2间的信道系数，p_j为用户j分配到的功率，h_k,i2为近用户组中的用户k与远用户组中用户i2之间的信道系数。

5.根据权利要求3所述基于改进的模拟退火的NOMA跨层功率分配方法，其特征在于，在全双工协作NOMA系统中，用户i能够达到的最大速率为近用户组中用户i1能够达到的最大速率或远用户组i2能够达到的最大速率；

近用户组中用户i1可以达到的最大速率表达式如下：

远用户组中用户i2可以达到的最大速率表达式如下：

其中p_k,s表示近用户组中的用户k作为中继时发送功率，p_i1为近用户组中用户i1分配到的发送功率，p_i2为远用户组中用户i2分配到的发送功率，h_i1为基站与近用户组中用户i1间的信道系数，l为近用户组中的用户数；h_i2为基站与远用户组中用户i2间的信道系数，p_j为用户j分配到的功率，h_k,i2为近用户组中的用户k与远用户组中用户i2之间的信道系数。

6.根据权利要求1所述的基于改进的模拟退火的NOMA跨层功率分配方法，其特征在于，用户中最大负有效容量模型的表达式如下：

C2：p_i≥0

其中

为信道系数h_i的期望值，且1≤i≤N，N表示系统用户总数，表示用户i在当前服务过程的QoS指数，R_i[t]表示用户i可以达到的最大速率，P_max表示基站可以发送的最大功率，p_i表示为用户i分配到的功率值，P为所有用户功率向量，P＝[p₁,p₂,…p_N]，Θ＝[θ₁,θ₂,…,θ_N]表示不同用户的QoS约束。

7.根据权利要求6所述的基于改进的模拟退火的NOMA跨层功率分配方法，其特征在于，所述用户中最大负有效容量模型的增广函数的表达式如下：

F(Θ，P)＝f(Θ，P)+M·G(P)

其中M为惩罚因子，为正数，G(P)的表达式为：

G(P)＝|max(g(P)，0)|²

其中

8.根据权利要求7所述的基于改进的模拟退火的NOMA跨层功率分配方法，其特征在于，利用改进的模拟退火算法对所述增广函数进行求解的具体方法如下：

步骤1：初始化初始温度T₀、终止温度T_e、每个温度状态下迭代次数L、当前温度迭代次数itr；设定解的取值上限为u，定解的取值下限为l；随机选择初始解P₀并假设当前初始解为最优解P_b；

步骤2：利用邻解生成函数产生新解，设定解的上限u为P_max，下限l为0，设P_cur为当前解，用于生成新解P_new的邻解生成函数表示如下：

P_new＝P_cur+λ·(u-l)

其中，λ为扰动因子，定义如下：

其中，rand为N个由0到1之间的随机数组成的一维向量，T_n为当前温度；

步骤3：计算中间变量E_cur＝F(Θ,P_cur)，E_b＝F(Θ,P_b)与E_new＝F(Θ,P_new)，选择使目标值最小的解作为当前最优解P_b，避免陷入局部最优解；

步骤4：计算中变变量E_new与中间变量E_cur的差值，表达式如下：

ΔE＝E_new-E_cur

若ΔE<0，则接受新解作为当前解，令

P_cur＝P_new

否则，计算概率p：

其中，K为玻尔兹曼常数，用random表示0到1之间不定随机数，判断p>random是否成立，若成立，则接受新解为当前解；令迭代次数itr的值加1，重复执行步骤2到步骤4，直到itr的值达到L；

步骤5：以线性降温准则T_n+1＝α·T_n降低当前温度，α表示温度衰减系数；用大小为V*1的向量B表示与当前温度临近的V个温度下的最优解b₁,b₂,…,b_V，对于给定误差阈值为ε，判定

b_K为当前的最优解，若条件成立或当前温度小于等于温度下界，则继续，否则，返回步骤2；

步骤6：输出当前最优解即为最优功率分配方案。

9.根据权利要求8所述的基于改进的模拟退火的NOMA跨层功率分配方法，其特征在于，当P_new超出取值范围时重复步骤2。

10.基于改进的模拟退火的NOMA跨层功率分配装置，其特征在于，包括：

NOMA系统优化模型构建模块、增广函数构建模块和增广函数求解模块；

所述NOMA系统优化模型构建模块用于引入数据链路层中的QoS指数，以最大化系统最小有效容量为优化目标进行最优功率分配，得到NOMA系统优化模型；

所述增广函数构建模块用于根据NOMA系统优化模型确定用户中最大负有效容量模型；根据NOMA系统优化模型的约束条件以及用户中最大负有效容量模型确定用户中最大负有效容量模型的增广函数；

所述增广函数求解模块利用改进的模拟退火算法对所述增广函数进行求解，得到最优功率分配方案。

Images