CN113382428B - 无线供能物联网全双工基站关联与缓存联合分配方法 - Google Patents

Abstract

本发明提供了无线供能物联网全双工基站关联与缓存联合分配方法，包括：利用斯塔克伯格博弈模型对网络供能激励问题、全双工基站关联与缓存资源分配问题进行联合建模。然后通过回溯法对博弈模型求解，利用模型结构特点将其分解为双层背包问题，并通过约束条件对求解空间进行压缩，进而通过交替迭代得到优化结果。该方法能有效降低无线供能物联网的供能和回程传输成本，提高网络运营商收益，适用于具有缓存功能的无线供能蜂窝物联网。

Description

无线供能物联网全双工基站关联与缓存联合分配方法

技术领域

本发明属于无线通信与物联网技术领域，尤其涉及无线供能物联网全双工基站关联与缓存联合分配方法。

背景技术

蜂窝物联网由于其具有覆盖广、链路稳定、时延短等优点，已经成为物联网主要的接入网络。为了降低蜂窝网的回程传输成本，近年来，全双工无线回程技术被应用于小蜂窝基站，大大增强了网络灵活性和经济性。

另一方面，随着物联网业务的不断发展，节点数量大大增加，使得节点的能量供应问题日益突出。无线能量收集技术通过在网络中部署一定数量的能量传输装置，利用无线信号的广播特性向所有节点供能，是一种高效率、低成本的解决方案。此外，网络缓存技术通过预先在网络边缘缓存传感节点的文件，可以降低节点能耗。

在蜂窝物联网中同时引入全双工自回程、无线供能和缓存，可以有效降低网络成本，提高能效。该方面的研究已在开展，如专利[全双工缓存中继系统多用户调度方法及系统，上海交通大学，授权公告日：2020-07-14]发明了一种全双工缓存中继系统多用户调度方法，通过利用缓存进行队列优化，有效提高了系统的吞吐量。然而，该方法未涉及无线供能技术，且只考虑了单个中继节点，因此无法直接用来解决无线供能物联网中多个全双工基站与节点的关联问题、以及缓存分配问题。

发明内容

发明目的：针对无线供能物联网中全双工基站与节点的关联、以及缓存分配问题，本发明提出了一种无线供能物联网全双工基站关联与缓存联合分配方法，该方法利用斯塔克伯格博弈模型对网络供能激励问题、全双工基站关联与缓存资源分配问题进行联合建模，然后通过回溯法对博弈模型求解，利用模型结构特点将其分解为双层背包问题，并通过约束条件对求解空间进行压缩，进而通过交替迭代得到优化结果。该方法能有效降低无线供能物联网的供能和回程传输成本，提高网络运营商收益。

技术方案：本发明采用如下技术方案：

一种无线供能物联网全双工基站关联与缓存联合分配方法，包括以下步骤：

步骤1，针对蜂窝物联网通过小蜂窝基站回传传感节点的监测数据场景，利用小蜂窝基站的全双工自回程、缓存增益、基站关联以及节点能量供应激励建立网络运营商效用最大化模型，利用节点能量供应收益和代价差建立能量传输装置效用最大化模型，进而将两者的相互影响关系建模为斯塔克伯格博弈模型；

步骤2，根据回溯法推导出能量传输装置效用最大化模型的最优解表达式；

步骤3，依据求解结果对网络运营商效用最大化模型进行简化，利用模型结构特点将其分解为双层背包问题，并通过约束条件对求解空间进行压缩，进而通过交替迭代得到优化结果；

步骤4，依据步骤3的优化结果，对网络资源进行配置。

步骤1包括：

所述斯塔克伯格博弈模型包括网络运营商效用最大化模型和能量传输装置效用最大化模型，其中网络运营商作为领导者，能量传输装置作为跟随者；

所述网络运营商效用最大化模型，如下所示：

目标函数：

约束条件：

其中，α表示速率收益系数，J表示全双工自回程小蜂窝基站集合，集合中的单个小蜂窝基站用j表示；I表示传感节点集合，集合中的单个传感器节点用i表示；E表示能量传输装置集合，集合中的单个能量传输装置用e表示；λ_i表示用户需求传感器节点i文件的概率；二进制变量x_i表示传感器节点i文件是否存入缓存，x_i＝1表示传感器节点i文件存入缓存，x_i＝0表示传感器节点i文件不存入缓存；二进制变量y_i,j表示传感节点i和全双工自回程小蜂窝基站j之间的关联关系，y_i,j＝1表示传感节点i连接到小蜂窝基站j，y_i,j＝0表示传感节点i没有连接到小蜂窝基站j；R_i,j表示传感节点i到小蜂窝基站j的可达速率，表示为其中B表示小蜂窝基站的频带宽度，η表示传感节点能量收集效率，h_i,j表示传感节点i到小蜂窝基站j的信道增益，P_e表示能量传输装置e的发送功率，h_e,i表示能量传输装置e到传感节点i的信道增益，N₀表示背景噪声的功率谱密度；R表示缓存的回程传输速率；ψ₁表示全双工回程传输成本系数，ψ₂表示能量供应激励成本系数，c_e表示网络运营商支付给能量传输装置m的单位功率报酬，l_i表示传感节点i文件数据量，L表示缓存容量；R_j表示小蜂窝基站j到宏蜂窝的可达速率，表示为/>其中δ表示全双工自回程的干扰残留，θ表示来自其他小蜂窝基站的干扰；P_max表示能量传输装置的最大发送功率；

所述能量传输装置效用最大化模型，如下所示：

目标函数：

约束条件：

其中，β表示能量传输装置的能量代价系数。

步骤2包括：

步骤2-1、利用回溯法求解斯塔克伯格博弈模型，先设定c_e为定值，根据库恩塔克条件将能量传输装置效用最大化模型的拉格朗日函数表示为其中μ_e表示约束(2-A)的拉格朗日乘子；根据库恩塔克条件对拉格朗日函数中的变量P_e求导并令导数为0，得到最优解c_e＝2βP_e；

步骤2-2、将得到的最优解带入目标函数(1)，消去c_e，得到简化后的模型。

步骤3包括：

步骤3-1、设定变量P_e为定值，并设y_i,j＝1，带入步骤2-2的简化模型，得到如下背包问题：

约束条件：(1-A)、(1-D)；

步骤3-2、针对背包问题(3)，利用迭代算法求得x_i、缓存文件集合Φ1＝{i|x_i＝1,i∈I}和待传输文件集合Φ2＝{i|x_i＝0,i∈I}；

步骤3-2包括：

步骤3-2-1，将Φ1,Φ2初始化为空集；

步骤3-2-2，对集合I中的元素进行如下排序：

更新Φ1←Φ1+{i}，更新L←L-l_i；

步骤3-2-3，如果L≥0，返回步骤3-2-2，如果L<0，停止迭代，输出Φ1；

步骤3-2-4，Φ2←I-Φ1，将Φ1中元素i对应的x_i设为1，将Φ2中元素i对应的x_i设为0，输出x_i，Φ1,Φ2；

步骤3-3、利用约束(1-C)，将缓存文件集合Φ1中每个元素i对应的y_i,j设为0，将待传输文件集合Φ2和已求得的x_i带入步骤2-2的简化模型，得到如下背包问题：

约束条件：(1-B)、

步骤3-4、针对背包问题(4)，利用迭代算法求得y_i,j和关联基站集合Φ3＝{j|y_i,j＝1,i∈Φ2,j∈J}，然后将得到的x_i、y_i,j、Φ2、Φ3带入原问题(1)，化简得到：

约束条件：(1-G)；

步骤3-4包括：

步骤3-4-1，将Φ3初始化为空集；

步骤3-4-2，对集合J中的元素进行如下排序：

更新Φ3←Φ3+{j}，更新R_j←R_j-R_i,j；

步骤3-4-3，如果R_j≥0，返回步骤3-4-2，如果R_j<0，停止迭代，输出Φ3；

步骤3-4-4，将Φ2中元素i、Φ3中元素j对应的y_i,j设为1，将其余y_i,j设为0，输出Φ3和y_i,j；

步骤3-5、基于模型(5)，其对应的拉格朗日函数表示为

其中γ_e和κ_e是对应于(1-G)的拉格朗日乘子；利用约束最优化问题的必要性条件即库恩-塔克条件KKT得到如下方程组：

其中κ_e和γ_e是对应于约束条件(1-G)的拉格朗日乘子；通过迭代求解上述方程组，得到P_e；

步骤3-5包括：

步骤3-5-1、通过求解KKT方程组得到如下关系式：

其中N₀是背景噪声功率谱密度，h_e,i表示能量传输装置e到传感节点i的信道增益；

步骤3-5-2、令T表示迭代停止次数，T＝0，令t为迭代序号，t＝1；为第t次迭代后的取值，/>

步骤3-5-3、

步骤3-5-4、如果

步骤3-5-5如果T≤t，则t←t+1，转入步骤3-5-3，否则，迭代停止，输出

步骤3-6、将P_e带入步骤2-1得到c_e，将x_i,y_i,j,c_e,P_e作为结果输出；

步骤4包括：

根据x_i的值将相应的传感器节点文件存入宏基站缓存，根据y_n,j的值确定传感器节点和全双工小蜂窝的连接关系，根据c_e的值设置网络运营商对能量传输装置的激励，根据P_e设定能量传输装置的发射功率。

有益效果：本发明公开的无线供能物联网全双工基站关联与缓存联合分配方法，能够综合解决无线供能蜂窝物联网中全双工基站与节点的关联、以及缓存分配问题，为能量传输装置、全双工小蜂窝基站资源分配、缓存资源分配提供统一的优化框架，能有效降低小蜂窝基站回程传输成本，提高网络资源利用率；本发明公开的方法利用模型结构特点推导出的双层背包问题框架能以较低的复杂度求解模型均衡解，并且利用约束条件对求解空间进行压缩，进一步降低了复杂度，可以为无线供能物联网全双工基站关联与缓存联合分配提供低复杂度的调度备选算法，具有良好的工程实用性。

附图说明

下面结合附图和具体实施方式对本发明做更进一步的具体说明，本发明的上述和/或其他方面的优点将会变得更加清楚。

图1为无线供能蜂窝物联网中全双工基站关联与缓存联合分配模型示意图；

图2为仿真实验中本发明方法与传统方法的运营商效用性能对比图；

图3为仿真实验中本发明方法与传统方法的能量传输装置效用性能对比图。

具体实施方式

本发明提供了一种无线供能物联网全双工基站关联与缓存联合分配方法，包括如下步骤：

步骤1、如图1所示，为无线供能蜂窝物联网中全双工基站关联与缓存联合分配模型，一个由宏基站和若干个全双工小基站组成的蜂窝物联网，负责接入传感网节点的数据。同时，网络中有若干个能量传输装置，每个能量传输装置通过发送无线信号向网络中的传感节点供能。J表示全双工自回程小蜂窝基站集合，集合中的单个小蜂窝基站用j表示，I表示传感节点集合，集合中的单个传感器节点用i表示，E表示能量传输装置集合，集合中的单个能量传输装置用e表示。传感节点分布于监测区域，收集监测数据，同时收集能量传输装置发射的无线信号来为自身储备能量。缓存位于宏基站，用来存储传感节点数据。如果一个传感节点的数据已存入缓存，则当用户请求该节点文件时，直接通过缓存发送。如果传感节点数据没有存入缓存，则当用户请求该节点文件时，该节点利用收集的能量发送文件。这里用二进制变量x_i表示传感器节点i文件是否存入缓存，x_i＝1表示传感器节点i文件存入缓存，x_i＝0表示传感器节点i文件不存入缓存。λ_i表示用户需求传感器节点i文件的概率。当传感节点需要自己传输文件时，首先需要与网络中的一个全双工小基站进行关联，通过小基站的中继将文件传输到宏基站，这里用二进制变量y_i,j表示传感节点i和全双工自回程小蜂窝基站j之间的关联关系，y_i,j＝1表示传感节点i连接到小蜂窝基站j，y_i,j＝0表示传感节点i没有连接到小蜂窝基站j。这样，设传感节点i到小蜂窝基站j的可达速率为R_i,j，则有其中B表示小蜂窝基站的频带宽度，η表示传感节点能量收集效率，h_i,j表示传感节点i到小蜂窝基站j的信道增益，P_e表示能量传输装置e的发送功率，h_e,i表示能量传输装置e到传感节点i的信道增益，N₀表示背景噪声的功率谱密度。而每个小蜂窝基站会将所有与自己关联的传感节点数据接收并汇聚发送给宏基站，这里由于采用了全双工技术，发送和接受是在同一频段和同一时间进行的，设小蜂窝基站j到宏蜂窝的可达速率为R_j，则有/>其中δ表示全双工自回程的干扰残留，θ表示来自其他小蜂窝基站的干扰。

这样，将网络运营商和能量传输装置的效用互作用关系建模成斯塔克伯格博弈模型。其中，网络运营商效用最大化模型，如下所示：

目标函数：

约束条件：

ψ₁表示全双工回程传输成本系数，ψ₂表示能量供应激励成本系数，c_e表示网络运营商支付给能量传输装置e的单位功率报酬，l_i表示传感节点i文件数据量，L表示缓存容量。

目标函数(1)表示网络运营商的效用，其中第一项表示运营商获得传感节点文件所得到的收益，包括两部分，一部分是由传感节点自身传输的，用表示，另一部分是由缓存直接传输的，用x_iR表示。第二项表示回程传输成本，用功率带宽积表征。第三项是供能支出，与能量传输装置的发射功率成正比。约束(1-A)和约束(1-B)表示变量x_i和y_i,j只能取0和1整数值。约束(1-C)表示如果任意一个节点的文件存入缓存，则该节点将不能与小基站进行关联，如果任意一个节点的文件没有存入缓存，则其最多只能和一个小基站关联。约束(1-D)表示存入缓存的文件数据量之和不能超过缓存容量。约束(1-E)表示任意一个全双工小蜂窝基站发送的信息量必须大于与其关联的所有节点发送信息量的总和。约束(1-F)表示网络运营商提供给能量传输装置的激励为正向激励。约束(1-G)表示任一能量传输装置的发送功率最大不超过P_max。

目标函数：

约束条件：

β表示能量传输装置的能量代价系数。目标函数(2)表示任一能量传输装置e的效用，其中第一项表示e从网络运营商得到的收入，该收入与其发射功率成正比，第二项表示其支付给供电方的代价。

采用上述博弈模型的优势在于，将传感节点文件是否存入缓存所带来的效用差异、全双工回程代价、基站关联所产生的速率增益建模到了模型中，使得缓存和全双工自回程带来的节能和成本优势能够在博弈双方效用互相影响时得以体现，所获得的优化结果能够与物联网业务特性匹配。

步骤2，包括：

步骤2-1、利用回溯法求解斯塔克伯格博弈模型，先假设模型中的c_e为定值，根据库恩塔克条件将能量传输装置效用最大化模型的拉格朗日函数表示为其中μ_e和/>表示约束(2-A)的拉格朗日乘子；根据库恩塔克条件对拉格朗日函数中的变量P_e求导并令导数为0，得到最优解c_e＝2βP_e；

步骤2-2、将得到的最优解带入目标函数(1)，消去c_e。

将c_e＝2βP_e带入目标函数(1)消去c_e的优势在于，可以减少模型(1)的优化变量，降低模型复杂度。

步骤3，包括：

步骤3-1、假设变量P_e为定值，并设y_i,j＝1，带入步骤2-2的简化模型，得到如下背包问题

约束条件：(1-A)、(1-D)；

化简为模型(3)的优势在于，该模型属于背包问题，可以通过迭代高效求解。

步骤3-2、针对背包问题(3)，利用迭代算法求得x_i、缓存文件集合Φ1＝{i|x_i＝1,i∈I}和待传输文件集合Φ2＝{i|x_i＝0,i∈I}；

步骤3-2所述的迭代算法包括：

步骤3-2-1，将Φ1,Φ2初始化为空集；

步骤3-2-2，对集合I中的元素进行如下排序：

更新Φ1←Φ1+{i}，更新L←L-l_i；

步骤3-2-3，如果L≥0，返回步骤3-2-2，如果L<0，停止迭代，输出Φ1；

步骤3-2-4，Φ2←I-Φ1，将Φ1中元素i对应的x_i设为1，将Φ2中元素i对应的x_i设为0，输出x_i，Φ1,Φ2；

使用上述迭代的优势在于，可以快速获得高质量的背包问题解。

步骤3-3、利用约束(1-C)，将缓存文件集合Φ1中每个元素i对应的y_i,j设为0，将待传输文件集合Φ2和已求得的x_i带入步骤2-2的简化模型，得到如下背包问题

约束条件：(1-B)、

这里，利用约束(1-C)对Φ1中元素进行赋值的优势在于，可以压缩变量空间，降低求解复杂度。

步骤3-4、针对背包问题(4)，利用迭代算法求得y_i,j和关联基站集合Φ3＝{j|y_i,j＝1,i∈Φ2,j∈J}，然后将得到的x_i、y_i,j、Φ2、Φ3带入原问题(1)，化简得到

约束条件：(1-G)；

步骤3-4所述的迭代包括：

步骤3-4-1，将Φ3初始化为空集；

步骤3-4-2，对集合J中的元素进行如下排序：

更新Φ3←Φ3+{j}，更新R_j←R_j-R_i,j；

步骤3-4-3，如果R_j≥0，返回步骤3-4-2，如果R_j<0，停止迭代，输出Φ3；

步骤3-4-4，将Φ2中元素i、Φ3中元素j对应的y_i,j设为1，将其余y_i,j设为0，输出Φ3和y_i,j；

使用上述迭代的优势在于，可以快速获得高质量的背包问题解。

步骤3-5、基于模型(5)，其对应的拉格朗日函数表示为

其中γ_e和κ_e是对应于(1-G)的拉格朗日乘子；利用KKT条件得到如下方程组

通过迭代求解上述方程组，得到P_e；

步骤3-5所述迭代包括：

步骤3-5-1、通过求解KKT方程组得到关系式

步骤3-5-2、令T表示迭代停止次数，令t为迭代序号，t＝1,为第t次迭代后的取值，/>

步骤3-5-3、

步骤3-5-4、如果

步骤3-5-5如果T≤t，则t←t+1，转入步骤3-5-3，否则，迭代停止，输出

通过上述迭代求解的优势在于，依靠步骤3-5-3的半解析公式进行迭代，有效降低了复杂度。

步骤3-6、将P_e带入步骤2-1得到c_e，将x_i,y_i,j,c_e,P_e作为结果输出；

步骤4，依据步骤3的优化结果，对网络资源进行配置，包括：

跟据x_i的值将相应的传感器节点文件存入宏基站缓存，根据y_n,j的值确定传感器节点和全双工小蜂窝的连接关系，根据c_e的值设置网络运营商对能量传输装置的激励，根据P_e设定能量传输装置的发射功率。

实施例

下面结合仿真实验对本发明的效果做进一步说明。

1.实验条件

为了说明本方法的有效性，采用模型(1)的最优解和无缓存算法作为对比算法。最优解是指采用CPLEX求解器对模型(1)求解，得到求解器输出后再按照步骤四恢复。无缓存算法指在每个节点关联与自己最近的小蜂窝基站，当有用户请求到来时，节点直接利用收集的能量传输自己的文件。假设在一个1000m×1000m区域部署有一个异构蜂窝物联网，由一个宏基站和30个全双工小蜂窝基站组成，其中宏基站分布在区域中心，并带有容量为500M bits的缓存，小蜂窝基站随机均匀分布在整个区域。有20个能量传输装置，随机均匀分布在该区域。全双工小蜂窝基站的发射功率P_j＝31dB，背景噪声功率N₀＝1.6×10^-12w/Hz，ψ₁＝ψ₂＝0.1，β＝0.5，δ＝0.5，l_i＝3M bits，频带宽度B＝10MHz。采用路径损耗模型31.5+20log₁₀d，其中d表示两点间距离。

2.实施过程

依据上述实验条件给出的参数可得，全双工小蜂窝基站集合J＝{1,2,…,30}，能量传输装置集合E＝{1,2,…,20}，物联网传感节点集合I＝{1,2,…,500}。根据每个全双工小蜂窝基站和宏蜂窝基站的坐标计算信道增益，例如在一次仿真中，小蜂窝基站的随机坐标为(38.1，47.3)，宏蜂窝基站坐标(500，500)，则由上述坐标计算出两者之间的距离带入路径损耗模型31.5+20log₁₀d，得到信道增益H_j＝-86.13dB，然后和P_j＝31dB，N₀＝1.6×10^-12w/Hz，B＝10MHz一同带入/>计算R_j＝6.38Mbps。类似的，由每个小蜂窝基站和每个传感节点的坐标，计算出两者之间的距离d，带入路径损耗模型得到信道增益h_i,j。由每个传感节点和每个无线能量发射装置的坐标，计算出两者之间的距离d，带入路径损耗模型得到信道增益h_e,i。将h_i,j和h_e,i，以及δ＝0.5，/>带入R_i,j的计算公式得到只包含优化变量P_e的R_i,j(P_e)。这样，将J＝{1,2,…,30}，E＝{1,2,…,20}，I＝{1,2,…,500}，R_j＝6.38Mbps，ψ₁＝ψ₂＝0.1，R_i,j(P_e)以及l_i＝3Mbits带入模型(1)将其实例化，比如(1-E)实例化为/>然后根据步骤2将β＝0.5带入模型(2)将其实例化，并将c_e＝P_e带入模型(1)消去c_e，然后根据步骤3-1假设P_e＝1，并设y_i,j＝1，将模型(1)实例化为

约束条件：(1-A)、(1-D)；

然后针对上述实例化的模型，按照步骤3-2将Φ1,Φ2初始化为空集，利用公式对集合I中的元素进行排序，更新Φ1←Φ1+{i}，更新L←L-l_i。排序完成后，停止迭代，输出Φ1，然后利用Φ2←I-Φ1计算得到Φ2，将Φ1中元素i对应的x_i设为1，将Φ2中元素i对应的x_i设为0，输出x_i，Φ1,Φ2。之后，利用约束(1-C)，将缓存文件集合Φ1中每个元素i对应的y_i,j设为0，将待传输文件集合Φ2和已求得的x_i带入步骤2-2的简化模型，得到实例化的背包问题

约束条件：(1-B)、

基于上述实例化的模型，根据步骤3-4将Φ3初始化为空集，然后利用公式对集合J中的元素进行排序，更新Φ3←Φ3+{j}，更新R_j←R_j-R_i,j。排序完成后，停止迭代，输出Φ3，将Φ2中元素i、Φ3中元素j对应的y_i,j设为1，将其余y_i,j设为0，输出Φ3和y_i,j，并带回实例化模型，得到其对应的拉格朗日函数表示为

然后根据步骤3-5，通过求解KKT方程组得到关系式令T表示迭代停止次数，T＝0，令t为迭代序号，t＝1,/>为第t次迭代后的取值，/>计算如果/>如果T≤t，则t←t+1，重新进入该迭代，否则迭代停止，输出/>作为P_e，将P_e带入步骤2-1得到c_e，将x_i,y_i,j,c_e,P_e作为结果输出。最后，根据步骤4，根据x_i的值将相应的传感器节点文件存入宏基站缓存，根据y_n,j的值确定传感器节点和全双工小蜂窝的连接关系，根据c_e的值设置网络运营商对能量传输装置的激励，根据P_e设定能量传输装置的发射功率。

3.实验结果分析

图2为本发明方法与对比方案的网络运营商效用性能对比图。从图中可以看出，相比于无缓存算法，本发明方法能够有效提升网络运营商的收益。这主要是由于通过本发明方法将缓存高效利用、避免了传感节点的传输，并且与全双工自回程所产生的增益共同纳入了博弈模型，减少了网络运营商的开销。该开销的减少通过所建立的博弈模型进一步传导到能量传输装置的激励上，使得网络运营商的收益增加，网络资源利用率得到提高。另外，本发明方法与最优解的差距比较小，说明获得的解质量较高。

图3为本发明方法与对比方案的能量传输装置效用性能对比图。从图中结果可知，相比于无缓存算法，本发明方法下能量传输装置获得的效用更少，因为在本发明方法下，网络运营商通过对缓存的优化利用，可以节约开销，提高收益，这会导致相应的能量传输装置激励会减少，最终导致能量传输装置的效用下降。该结果从能量传输装置的角度验证了本发明方法通过优化利用缓存所产生的增益，以及提高网络运营商效用的有效性。

本发明提供了无线供能物联网全双工基站关联与缓存联合分配方法，具体实现该技术方案的方法和途径很多，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。本实施例中未明确的各组成部分均可用现有技术加以实现。

Claims (5)

1.无线供能物联网全双工基站关联与缓存联合分配方法，其特征在于，包括以下步骤：

步骤1，针对蜂窝物联网通过小蜂窝基站回传传感节点的监测数据场景，建立网络运营商效用最大化模型和能量传输装置效用最大化模型，将网络运营商效用最大化模型和能量传输装置效用最大化模型的相互影响关系建模为斯塔克伯格博弈模型；

步骤2，根据回溯法推导出能量传输装置效用最大化模型的最优解表达式；

步骤3，对网络运营商效用最大化模型进行简化，得到优化结果；

步骤4，依据步骤3的优化结果，对网络资源进行配置；

步骤1包括：

所述网络运营商效用最大化模型，如下所示：

目标函数：

约束条件：

其中，α表示速率收益系数，J表示全双工自回程小蜂窝基站集合，集合中的单个小蜂窝基站用j表示；I表示传感节点集合，集合中的单个传感器节点用i表示；E表示能量传输装置集合，集合中的单个能量传输装置用e表示；λ_i表示用户需求传感器节点i文件的概率；二进制变量x_i表示传感器节点i文件是否存入缓存，x_i＝1表示传感器节点i文件存入缓存，x_i＝0表示传感器节点i文件不存入缓存；二进制变量y_i,j表示传感节点i和全双工自回程小蜂窝基站j之间的关联关系，y_i,j＝1表示传感节点i连接到小蜂窝基站j，y_i,j＝0表示传感节点i没有连接到小蜂窝基站j；R_i,j表示传感节点i到小蜂窝基站j的可达速率，表示为其中B表示小蜂窝基站的频带宽度，η表示传感节点能量收集效率，h_i,j表示传感节点i到小蜂窝基站j的信道增益，P_e表示能量传输装置e的发送功率，h_e,i表示能量传输装置e到传感节点i的信道增益，N₀表示背景噪声的功率谱密度；R表示缓存的回程传输速率；ψ₁表示全双工回程传输成本系数，ψ₂表示能量供应激励成本系数，c_e表示网络运营商支付给能量传输装置m的单位功率报酬，l_i表示传感节点i文件数据量，L表示缓存容量；R_j表示小蜂窝基站j到宏蜂窝的可达速率，表示为/>其中δ表示全双工自回程的干扰残留，θ表示来自其他小蜂窝基站的干扰；P_max表示能量传输装置的最大发送功率；

步骤1中，所述能量传输装置效用最大化模型，如下所示：

目标函数：

约束条件：

其中，β表示能量传输装置的能量代价系数；

步骤2包括：

步骤2-1、利用回溯法求解斯塔克伯格博弈模型，先设定c_e为定值，根据库恩塔克条件将能量传输装置效用最大化模型的拉格朗日函数表示为其中μ_e表示约束(2-A)的拉格朗日乘子；根据库恩塔克条件对拉格朗日函数中的变量P_e求导并令导数为0，得到最优解c_e＝2βP_e；

步骤2-2、将得到的最优解带入目标函数(1)，消去c_e，得到简化后的模型；

步骤3包括：

步骤3-1、设定变量P_e为定值，并设y_i,j＝1，带入步骤2-2的简化模型，得到如下背包问题：

约束条件：(1-A)、(1-D)；

步骤3-2、针对背包问题(3)，利用迭代算法求得x_i、缓存文件集合Φ1＝{i|x_i＝1,i∈I}和待传输文件集合Φ2＝{i|x_i＝0,i∈I}；

步骤3-3、利用约束(1-C)，将缓存文件集合Φ1中每个元素i对应的y_i,j设为0，将待传输文件集合Φ2和已求得的x_i带入步骤2-2的简化模型，得到如下背包问题：

约束条件：(1-B)、

步骤3-4、针对背包问题(4)，利用迭代算法求得y_i,j和关联基站集合Φ3＝{j|y_i,j＝1,i∈Φ2,j∈J}，然后将得到的x_i、y_i,j、Φ2、Φ3带入原问题(1)，化简得到：

约束条件：(1-G)；

步骤3-5、基于模型(5)，其对应的拉格朗日函数表示为：

其中γ_e和κ_e是对应于(1-G)的拉格朗日乘子；

利用约束最优化问题的必要性条件即库恩-塔克条件KKT得到如下方程组：

其中κ_e和γ_e是对应于约束条件(1-G)的拉格朗日乘子；通过迭代求解上述方程组，得到P_e；

步骤3-6、将P_e带入步骤2-1得到c_e，将x_i,y_i,j,c_e,P_e作为结果输出。

2.如权利要求1所述的方法，其特征在于，步骤3-2包括：

步骤3-2-1，将Φ1,Φ2初始化为空集；

步骤3-2-2，对集合I中的元素进行如下排序：

更新Φ1←Φ1+{i}，更新L←L-l_i；

步骤3-2-3，如果L≥0，返回步骤3-2-2，如果L<0，停止迭代，输出Φ1；

步骤3-2-4，Φ2←I-Φ1，将Φ1中元素i对应的x_i设为1，将Φ2中元素i对应的x_i设为0，输出x_i，Φ1,Φ2。

3.如权利要求2所述的方法，其特征在于，步骤3-4包括：

步骤3-4-1，将Φ3初始化为空集；

步骤3-4-2，对集合J中的元素进行如下排序：

更新Φ3←Φ3+{j}，更新R_j←R_j-R_i,j；

步骤3-4-3，如果R_j≥0，返回步骤3-4-2，如果R_j<0，停止迭代，输出Φ3；步骤3-4-4，将Φ2中元素i、Φ3中元素j对应的y_i,j设为1，将其余y_i,j设为0，输出Φ3和y_i,j。

4.如权利要求3所述的方法，其特征在于，步骤3-5包括：

步骤3-5-1、通过求解方程组得到如下关系式：

其中N₀是背景噪声功率谱密度，h_e,i表示能量传输装置e到传感节点i的信道增益；步骤3-5-2、令T表示迭代停止次数，T＝0，令t为迭代序号，t＝1；为第t次迭代后的取值，/>

步骤3-5-3、

步骤3-5-4、如果

步骤3-5-5如果T≤t，则t←t+1，转入步骤3-5-3，否则，迭代停止，输出

5.如权利要求4所述的方法，其特征在于，步骤4包括：

根据x_i的值将相应的传感器节点文件存入宏基站缓存，根据y_n,j的值确定传感器节点和全双工小蜂窝的连接关系，根据c_e的值设置网络运营商对能量传输装置的激励，根据P_e设定能量传输装置的发射功率。