CN113423134B - 一种移动网络中基于能量自采集的能效优化方法 - Google Patents
一种移动网络中基于能量自采集的能效优化方法 Download PDFInfo
- Publication number
- CN113423134B CN113423134B CN202110625526.9A CN202110625526A CN113423134B CN 113423134 B CN113423134 B CN 113423134B CN 202110625526 A CN202110625526 A CN 202110625526A CN 113423134 B CN113423134 B CN 113423134B
- Authority
- CN
- China
- Prior art keywords
- energy efficiency
- relay
- ops
- strategy
- noma
- 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.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/04—TPC
- H04W52/18—TPC being performed according to specific parameters
- H04W52/26—TPC being performed according to specific parameters using transmission rate or quality of service QoS [Quality of Service]
- H04W52/267—TPC being performed according to specific parameters using transmission rate or quality of service QoS [Quality of Service] taking into account the information rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/04—TPC
- H04W52/18—TPC being performed according to specific parameters
- H04W52/26—TPC being performed according to specific parameters using transmission rate or quality of service QoS [Quality of Service]
- H04W52/265—TPC being performed according to specific parameters using transmission rate or quality of service QoS [Quality of Service] taking into account the quality of service QoS
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/04—TPC
- H04W52/30—TPC using constraints in the total amount of available transmission power
- H04W52/34—TPC management, i.e. sharing limited amount of power among users or channels or data types, e.g. cell loading
- H04W52/346—TPC management, i.e. sharing limited amount of power among users or channels or data types, e.g. cell loading distributing total power among users or channels
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/04—TPC
- H04W52/38—TPC being performed in particular situations
- H04W52/46—TPC being performed in particular situations in multi hop networks, e.g. wireless relay networks
-
- Y—GENERAL 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Radio Relay Systems (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种移动网络中基于能量自采集的能效优化方法,本发明将原始问题转化为关于具有多天线的中继节点处的发射协方差矩阵、NOMA分配系数和OPS策略中的分割系数的三个子问题,并给出一种半确定松弛方法来求解关于发射协方差矩阵的非凸子问题,同时分别采用函数的单调性确定方法和遗传方法对NOMA系数和分割系数进行求解,并对子问题的最优解采用多目标迭代方法联合优化。本方法提高了系统的能量效率,中继节点可以采集部分自身转发的信号能量。本方法采用OPS能量采集策略,考虑中继节点采集能量受限和次用户服务质量的约束,以安全能效最大化为目标对系统的资源进行优化分配。
Description
技术领域
本发明涉及一种移动网络中基于能量自采集的能效优化方法,属于通信技术领域。
背景技术
无线通信过程中的信号传输会受到路径损耗、信道衰落以及阴影效应等因素的影响,从而导致信号通信的有效性和可靠性的降低。协作中继网络通过引入中继节点为小区边缘用户转发信号,可以有效解决无线蜂窝系统中小区边缘用户弱覆盖的问题,提高用户服务质量并能够提供良好的分集增益NOMA是下一代无线通信系统的关键技术,与时频资源只能被一个用户占用的OMA相比,允许多个用户共享时频资源的NOMA技术具有明显的性能优势,可以有效改善系统的频谱利用率,提升传输质量。因此,结合两种技术的协作NOMA系统可以很好地结合两种技术的优势,在有效提升系统频谱效率的同时保障了小区边缘用户的信号传输质量。
由于协作中继网络中设备大都采用电池供电,而电池供电容量有限、更换不方便的缺陷大大限制了系统性能的发挥。能量采集作为近年来出现的一种先进技术,通过对周围环境中的可再生资源进行收集以提供给节点必要的工作能源,延长能量受限的无线网络的生存时间,从而达到实现绿色通信的目的。除了从可再生能源,如太阳能、风能、地热能等中采集能量外,能量采集设备还可以从射频无线信号中采集能量,由此诞生一种在传输信号的同时采集信号能量的技术SWIPT,可以有效解决系统中节点的能量受限问题。
发明内容
本发明所要解决的技术问题是克服现有技术的缺陷,提供一种移动网络中基于能量自采集的能效优化方法,研究了基于SWIPT的双向中继CR-NOMA系统,为了提高系统的能量效率,中继节点的采集部分自身转发的信号能量。在采集能量受限和服务质量的约束下,将以能效最大化为优化目标的优化问题转化为关于中继发射信号协方差矩阵,NOMA系数和分割系数的三个子问题,并给出一种半确定松弛方法来求解关于发射协方差矩阵的非凸子问题,采用黄金分割方法NOMA系数进行求解,采用遗传方法对分割系数进行求解,并对子问题的最优解采用多目标迭代方法联合优化。
为达到上述目的,本发明提供一种移动网络中基于能量自采集的能效优化方法,通过不断迭代优化并更新优化具有多天线的中继节点处的发射协方差矩阵、NOMA分配系数和OPS策略中的分割系数,使双向中继CR-NOMA系统能效达到最大化,包括:
(1)定义双向中继CR-NOMA系统的能效函数ηEE为双向中继CR-NOMA系统容量Rtot与双向中继CR-NOMA系统能耗Etot的商,双向中继CR-NOMA系统容量Rtot定义为四个次用户SUi的信息速率之和与窃听速率Re的差值,其中i=1,2,3,4,双向中继CR-NOMA系统能耗Etot定义为双向中继CR-NOMA系统消耗的能量与次用户和中继节点采集到的能量之和的差值,假设双向中继CR-NOMA系统中的两组用户与中继节点的信道条件一致,只考虑一组用户SU1和SU2,两组用户包括SU1和SU2组成的第一组用户以及SU3和SU4组成的第二组用户;
(2)固定能效函数ηEE中的NOMA分配系数b1、OPS策略中的分割系数ρ和OPS策略中的分割系数λ为常量,以能效最大化为目标优化变量中继发射信号协方差矩阵Q1和中继发射信号协方差矩阵Q2,得到最优中继发射信号协方差矩阵Q1 *和最优中继发射信号协方差矩阵Q2*;
固定能效函数ηEE中的中继发射信号协方差矩阵Q1、中继发射信号协方差矩阵Q2、OPS策略中的分割系数ρ和OPS策略中的分割系数λ为常量,以能效最大化为目标优化变量NOMA分配系数b1,得到最优NOMA分配系数b1*;
固定能效函数ηEE中的中继发射信号协方差矩阵Q1、中继发射信号协方差矩阵Q2和NOMA分配系数b1为常量,以能效最大化为目标优化变量OPS策略中的分割系数ρ和OPS策略中的分割系数λ,得到最优OPS策略中的分割系数ρ*和最优OPS策略中的分割系数λ*;
(3)根据最优中继发射信号协方差矩阵Q1 *、最优中继发射信号协方差矩阵Q2*、最优NOMA分配系数、最优OPS策略中的分割系数ρ*和最优OPS策略中的分割系数λ*,计算双向中继CR-NOMA系统的最优能效,重复执行步骤(2),直至能效函数收敛于一定值,此时中继发射信号协方差矩阵Q1、中继发射信号协方差矩阵Q2、NOMA分配系数、OPS策略中的分割系数ρ和OPS策略中的分割系数λ都达到最优值;
步骤(2)中,固定能效函数ηEE中的NOMA分配系数b1、OPS策略中的分割系数ρ和OPS策略中的分割系数λ为常量,以能效最大化为目标优化变量中继发射信号协方差矩阵Q1和中继发射信号协方差矩阵Q2,得到最优中继发射信号协方差矩阵和最优中继发射信号协方差矩阵Q2*,包括:
(3.1)采用DinkelBach方法将分数目标函数转换为分子和分母的减法形式:
FU(Ξ)-qFL(Ξ),
其中FU(Ξ)是分数形式目标函数的分子,FL(Ξ)是分数形式目标函数的分母,q=FU(Ξ)/FL(Ξ),Ξ是NOMA分配系数b1、OPS策略中的分割系数ρ和OPS策略中的分割系数λ的联合变量;
其中,Δ=diag(p1,...,pt),m=1,2,3,…,t,v为水准值,t=min{N,M},θ1,...,θt为的特征值,为对进行奇异值分解获得的右奇异变量,ψ1为引入的参数矩阵,其中Λ=diag(θ1,...,θt),U1为左奇异变量;
(3.3)步骤(3.2)得到的最优中继发射信号协方差矩阵代入能效函数计算得到能效,并将公式(4)中的能效更新为该能效,重复步骤(3.2)直至能效函数收敛于一定值;
固定能效函数ηEE中的中继发射信号协方差矩阵Q1、中继发射信号协方差矩阵Q2、OPS策略中的分割系数ρ和OPS策略中的分割系数λ为常量,以能效最大化为目标优化变量NOMA分配系数b1,得到最优NOMA分配系数b1*,包括:
(4.1)采用DinkelBach方法将分数目标函数转换为分子和分母的减法形式,并根据分数目标函数满足的约束条件获得b1的范围,b1的范围为max(0,(D1-D2)/D3)≤b1≤min(D4/D5,0.5),其中D1=Ps/(2λ/1-λ+ρ),
(4.2)赋值剩余变量Q1、Q2、ρ、λ、常数项η、常数项N和常数项M,令β=0.618,α=0.382,初始区间为[a,b],其中a=max(0,(D1-D2)/D3),b=min(D4/D5,0.5);
(4.3)计算黄金分割方法中的左试点为t1=a+α(b-a),右试点为t2=a+β(b-a),比较两个试点的函数值,若ηEE(t2)<ηEE(t1),那么缩小搜索区间,区间的左右端点a、b分别变更为a=a,b=t2,反之则区间左右端点变更为a=t1,b=b;
(4.4)重复步骤(4.3)直至区间长度小于一设定的定值,此时的NOMA分配系数为最优NOMA分配系数b1*,最优NOMA分配系数b1*为区间左右端点的平均值;
(4.5)将步骤(4.4)得到的最优NOMA分配系数b1*代入能效函数计算得到能效,并将步骤(4.3)中能效更新为该能效,重复步骤(4.3)和(4.4)直至能效函数收敛于一定值;
固定能效函数ηEE中的中继发射信号协方差矩阵Q1、中继发射信号协方差矩阵Q2和NOMA分配系数b1为常量,以能效最大化为目标优化变量OPS策略中的分割系数ρ和OPS策略中的分割系数λ,得到最优OPS策略中的分割系数ρ*和最优OPS策略中的分割系数λ*,包括:
(5.1)采用DinkelBach方法将分数目标函数转换为分子和分母的减法形式:
(5.2)在ρ和λ的联合定义域内,初始化M个分割系数对,计算每个分割系数ρ和λ对应的分数目标函数,得到适应度;
(5.3)每个分割系数对个体的适应度与种群中所有个体的所有适应度之和的比例,作为选中每个个体的概率,根据每个个体的概率降序排序,依次选择出M/2对母体;
(5.4)根据预先设定的交叉概率Pc,每对母体将编码后的个体随机选择一个位置,并将相应位置上的码字进行交换,根据预先设定的突变概率Pm决定是否对该码字取否产生M个新个体,并将这M个新个体作为一个新的种群;
(5.5)重复步骤(5.2)至(5.4),直至迭代次数达到预先设定的次数G,此时种群中适应度最高的个体为最优的OPS策略中的分割系数ρ*和最优的OPS策略中的分割系数λ*;
(5.6)步骤(5.5)得到的最优OPS策略中的分割系数ρ*和最优OPS策略中的分割系数λ*代入能效函数计算得到能效,并将该能效代入步骤(5.2)中,重复步骤(5.2)至(5.5)直至能效函数收敛于一定值,此时的能效即为最优能效。
优先地,步骤(1)中,能效函数定义为:
s.t.RP≥ith
R1→2≥rth
约束条件为:Ptot≥Ps (1)
0≤ρ≤1,0≤λ≤1
0≤b1≤0.5,b2=1-b1
式中,Rtot为双向中继CR-NOMA系统容量,Etot为双向中继CR-NOMA系统能耗;Rtot=2(R1+R2-Re),式中,Re为窃听用户的窃听速率,R1为中继节点转发信号至次用户SU1处的信息速率,R2为中继节点转发信号至次用户SU2处的信息速率;RP为主用户接收端在第二个时隙接收到的信号速率,ith为主用户接收端的信息速率门限,R1→2为在次用户SU1处解码信号2的信息速率,rth是满足SU1和SU2解码出强信号的信干噪比的最小信息速率,Ptot为次用户发送功率的总和,Ps为Ptot门限;
其中,I为单位矩阵,HR1、HR2∈HRi,为TWR到SUi的链路信道增益,为N×M维矩阵,上标H为原矩阵的共轭转置,N为发射端处的天线数目,M为中继处的天线数目;n1和n2∈ni,ni为SUi处的高斯白噪声;Etot=Pl+2tr(Q1+Q2)T2-2(E1+E2+ER),He1为窃听信道链路增益,
式中,T2为第二时隙长度,Pl为电路功率损耗,Ei(i=1,2)为次用户SUi采集到的能量,ER为中继节点自采集获得的能量,tr()为矩阵迹的计算函数;
其中,自采集的效率和用户采集的效率均为η,T为时隙长度,j=1,2,Ho1为TWR处的自信道链路增益。
优先地,证明过程如下:
矩阵的迹满足交换律为:
本发明所达到的有益效果:
本发明研究了基于SWIPT的双向中继CR-NOMA系统,为了提高系统的能量效率,中继可以采集部分自身转发的信号能量。在采集能量受限和服务质量的约束下,以安全能效最大化为优化目标,公开了一种优化方法。该方法将以能效最大化为优化目标的优化问题转化为关于发射协方差矩阵,NOMA系数和分割系数的三个子问题,并给出一种半确定松弛方法来求解关于发射协方差矩阵的非凸子问题,采用黄金分割方法NOMA系数进行求解,采用遗传方法对分割系数进行求解,并对子问题的最优解采用多目标迭代方法联合优化;
将针对信号协方差矩阵的目标函数根据DinkelBach方法转换后,在保证目标函数满足用户QoS和采集能量受限的约束下,通过对目标函数进行泰勒级数展开和半正定松弛方法转变为凸优化问题,并利用Hadamard不等式获得最优信号协方差矩阵,并通过外层的DinkelBach方法迭代保证能效的收敛性和最优性;2、将针对NOMA分配系数的目标函数根据DinkelBach方法转换后,通过对目标函数采用单变量优化的黄金分割方法获得最优NOMA分配系数,并通过外层的DinkelBach方法迭代保证能效的收敛性和最优性;3、将针对分割系数的目标函数根据DinkelBach方法转换后,通过多变量优化的遗传方法获得最优分割系数,并通过外层的DinkelBach方法迭代保证能效的收敛性和最优性。
附图说明
图1为本发明方法的模型图;
图2为本发明方法采用OPS策略模型示意图;
图3为本发明方法的流程图;
图4为不同采集策略下的能效的比较图;
图5为是否采用自采集的能效的比较图;
图6为双向和单向中继的能效的比较图;
图7为天线数不同时的能效的比较图。
具体实施方式
以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
一种移动网络中基于能量自采集的能效优化方法,通过不断迭代优化并更新优化具有多天线的中继节点处的发射协方差矩阵、NOMA分配系数和OPS策略中的分割系数,使双向中继CR-NOMA系统能效达到最大化,包括:
(1)定义双向中继CR-NOMA系统的能效函数ηEE为双向中继CR-NOMA系统容量Rtot与双向中继CR-NOMA系统能耗Etot的商,双向中继CR-NOMA系统容量Rtot定义为四个次用户SUi(i=1,2,3,4)的信息速率之和与窃听速率Re的差值,双向中继CR-NOMA系统能耗Etot定义为双向中继CR-NOMA系统消耗的能量与次用户和中继节点采集到的能量之和的差值,假设双向中继CR-NOMA系统中的两组用户与中继节点的信道条件一致,只考虑一组用户SU1和SU2,两组用户包括SU1和SU2组成的第一组用户以及SU3和SU4组成的第二组用户;
(2)固定能效函数ηEE中的NOMA分配系数b1、OPS策略中的分割系数ρ和OPS策略中的分割系数λ为常量,以能效最大化为目标优化变量中继发射信号协方差矩阵Q1和中继发射信号协方差矩阵Q2,得到最优中继发射信号协方差矩阵和最优中继发射信号协方差矩阵Q2*;
固定能效函数ηEE中的中继发射信号协方差矩阵Q1、中继发射信号协方差矩阵Q2、OPS策略中的分割系数ρ和OPS策略中的分割系数λ为常量,以能效最大化为目标优化变量NOMA分配系数b1,得到两个信号的最优NOMA分配系数b1*和NOMA分配系数b2*;
固定能效函数ηEE中的中继发射信号协方差矩阵Q1、中继发射信号协方差矩阵Q2和NOMA分配系数b1为常量,以能效最大化为目标优化变量OPS策略中的分割系数ρ和OPS策略中的分割系数λ,得到最优OPS策略中的分割系数ρ*和最优OPS策略中的分割系数λ*;
(3)根据最优中继发射信号协方差矩阵最优中继发射信号协方差矩阵Q2*、最优NOMA分配系数、最优OPS策略中的分割系数ρ*和最优OPS策略中的分割系数λ*,计算双向中继CR-NOMA系统的最优能效,重复执行步骤(2),直至能效函数收敛于一定值,此时中继发射信号协方差矩阵Q1、中继发射信号协方差矩阵Q2、NOMA分配系数、OPS策略中的分割系数ρ和OPS策略中的分割系数λ都达到最优值。
进一步地,本实施例中步骤(1)中,能效函数定义为:
s.t.RP≥ith
R1→2≥rth
约束条件为:Ptot≥Ps (1)
0≤ρ≤1,0≤λ≤1
0≤b1≤0.5,b2=1-b1
式中,Rtot为双向中继CR-NOMA系统容量,Etot为双向中继CR-NOMA系统能耗;Rtot=2(R1+R2-Re),式中,Re为窃听用户的窃听速率,R1为中继节点转发信号至次用户SU1处的信息速率,R2为中继节点转发信号至次用户SU2处的信息速率;RP为主用户接收端在第二个时隙接收到的信号速率,ith为主用户接收端的信息速率门限,R1→2为在次用户SU1处解码信号2的信息速率,rth是满足SU1和SU2解码出强信号的信干噪比的最小信息速率,Ptot为次用户发送功率的总和,Ps为Ptot门限;
其中,I为单位矩阵,HR1、HR2∈HRi,为TWR到SUi的链路信道增益,为N×M维矩阵,上标H为原矩阵的共轭转置,N为发射端处的天线数目,M为中继处的天线数目;n1和n2∈ni,ni为SUi处的高斯白噪声;Etot=Pl+2tr(Q1+Q2)T2-2(E1+E2+ER),He1为窃听信道链路增益,
式中,T2为第二时隙长度,Pl为电路功率损耗,Ei(i=1,2)为次用户SUi采集到的能量,ER为中继节点自采集获得的能量,tr()为矩阵迹的计算函数;
其中,自采集的效率和用户采集的效率均为η,T为时隙长度,j=1,2,Ho1为TWR处的自信道链路增益。
进一步地,本实施例中步骤(2)中,固定能效函数ηEE中的NOMA分配系数b1、OPS策略中的分割系数ρ和OPS策略中的分割系数λ为常量,以能效最大化为目标优化变量中继发射信号协方差矩阵Q1和中继发射信号协方差矩阵Q2,得到最优中继发射信号协方差矩阵Q1 *和最优中继发射信号协方差矩阵Q2*,包括:
(3.1)采用DinkelBach方法将分数目标函数转换为分子和分母的减法形式:
FU(Ξ)-qFL(Ξ),
其中FU(Ξ)是分数形式目标函数的分子,FL(Ξ)是分数形式目标函数的分母,q=FU(Ξ)/FL(Ξ),Ξ是NOMA分配系数b1、OPS策略中的分割系数ρ和OPS策略中的分割系数λ的联合变量;
其中,Δ=diag(p1,...,pt),m=1,2,3,...,t,v为水准值,t=min{N,M},θ1,...,θt为的特征值,为对进行奇异值分解获得的右奇异变量,ψ1为引入的参数矩阵,其中Λ=diag(θ1,...,θt),U1为左奇异变量;
(3.3)步骤(3.2)得到的最优中继发射信号协方差矩阵代入能效函数计算得到能效,并将公式(4)中的能效更新为该能效,重复步骤(3.2)直至能效函数收敛于一定值。
进一步地,本实施例中证明过程如下:
矩阵的迹满足交换律为:
进一步地,本实施例中固定能效函数ηEE中的中继发射信号协方差矩阵Q1、中继发射信号协方差矩阵Q2、OPS策略中的分割系数ρ和OPS策略中的分割系数λ为常量,以能效最大化为目标优化变量NOMA分配系数b1,得到最优NOMA分配系数b1*,包括:
(4.1)采用DinkelBach方法将分数目标函数转换为分子和分母的减法形式,并根据分数目标函数满足的约束条件获得b1的范围,b1的范围为max(0,(D1-D2)/D3)≤b1≤min(D4/D5,0.5),其中D1=Ps/(2λ/1-λ+ρ),
(4.2)赋值剩余变量Q1、Q2、ρ、λ、常数项η、常数项N和常数项M,令β=0.618,α=0.382,初始区间为[a,b],其中a=max(0,(D1-D2)/D3),b=min(D4/D5,0.5);
(4.3)计算黄金分割方法中的左试点为t1=a+α(b-a),右试点为t2=a+β(b-a), 比较两个试点的函数值,若ηEE(t2)<ηEE(t1),那么缩小搜索区间,区间的左右端点a、b分别变更为a=a,b=t2,反之则区间左右端点变更为a=t1,b=b;
(4.4)重复步骤(4.3)直至区间长度小于一设定的定值,此时的NOMA分配系数为最优NOMA分配系数b1*,最优NOMA分配系数b1*为区间左右端点的平均值;
(4.5)将步骤(4.4)得到的最优NOMA分配系数b1*代入能效函数计算得到能效,并将步骤(4.3)中能效更新为该能效,重复步骤(4.3)和(4.4)直至能效函数收敛于一定值。
进一步地,本实施例中固定能效函数ηEE中的中继发射信号协方差矩阵Q1、中继发射信号协方差矩阵Q2和NOMA分配系数b1为常量,以能效最大化为目标优化变量OPS策略中的分割系数ρ和OPS策略中的分割系数λ,得到最优OPS策略中的分割系数ρ*和最优OPS策略中的分割系数λ*,包括:
(5.1)采用DinkelBach方法将分数目标函数转换为分子和分母的减法形式:
(5.2)在ρ和λ的联合定义域内,初始化M个分割系数对,计算每个分割系数ρ和λ对应的分数目标函数,得到适应度;
(5.3)每个分割系数对个体的适应度与种群中所有个体的所有适应度之和的比例,作为选中每个个体的概率,根据每个个体的概率降序排序,依次选择出M/2对母体;
(5.4)根据预先设定的交叉概率Pc,每对母体将编码后的个体随机选择一个位置,并将相应位置上的码字进行交换,根据预先设定的突变概率Pm决定是否对该码字取否产生M个新个体,并将这M个新个体作为一个新的种群;
(5.5)重复步骤(5.2)至(5.4),直至迭代次数达到预先设定的次数G,此时种群中适应度最高的个体为最优的OPS策略中的分割系数ρ*和最优的OPS策略中的分割系数λ*;
(5.6)步骤(5.5)得到的最优OPS策略中的分割系数ρ*和最优OPS策略中的分割系数λ*代入能效函数计算得到能效,并将该能效代入步骤(5.2)中,重复步骤(5.2)至(5.5)直至能效函数收敛于一定值,此时的能效即为最优能效。
在本发明的能效优化问题中,中继发射信号协方差矩阵影响中继节点发送信号的和信息速率和能量消耗,优化中继发射信号协方差矩阵可以达到系统能效最大化,也是步骤(2)所解决的问题。本发明的系统是一个综合应用中继技术、NOMA技术和能量采集技术的系统,优化该系统中可以调控的变量来达到系统能效的最大化。
对于基于能量自采集的协作CR-NOMA系统模型,NOMA分配系数即为NOMA方案分配给两个用户的功率分配系数,在本发明的能效优化问题中,这是可以控制的变量,该变量影响中继节点发送信号的和信息速率和能量消耗,优化该变量可以达到系统能效最大化,也是步骤(3)所解决的问题。
对于基于能量自采集的协作CR-NOMA系统模型,分割系数即为该系统的能量采集策略对发射信号进行能量采集和信号传输的比例,详见附图2,在本发明的能效优化问题中,这是可以控制的变量,该变量影响中继节点发送信号的和信息速率和能量消耗,优化该变量可以达到系统能效最大化,也是步骤(4)所解决的问题。
本发明首先将原优化问题在固定其余变量为常量的基础上分解为三个子优化问题,并分别求解,并将每一变量求解后的值更新进入下一变量的求解过程,然后不断循环这一过程,保证结果的收敛性和最优性,实现能效最大化。
综上所述,本发明针对基于SWIPT的双向中继CR-NOMA网络,首先建立网络中用户和OPS策略的系统模型,在用户系统模型中,用户先采用上行NOMA方式向中继节点发送信号,然后中继节点采用下行NOMA的方式将四个用户两两分组发送信号,在OPS策略系统模型中,中继节点和用户在第二时隙对转发信号的能量进行了采集;接着,在采集能量受限和服务质量的约束下,以安全能效最大化为优化目标,公开了一种优化方法。该方法将原始问题转化为关于发射协方差矩阵,NOMA系数和分割系数的三个子问题,并给出一种半确定松弛方法来求解关于发射协方差矩阵的非凸子问题,同时分别采用黄金分割方法和遗传方法对NOMA系数和分割系数进行求解,并对子问题的最优解采用多目标迭代方法联合优化获得优化问题的最优解。
如附图4所示,本发明提出的基于OPS策略的资源分配方法与TS策略和PS策略的能效优化方法具有更高的能效;如附图5所示,本发明提出的能效优化方法中的中继节点具备自采集能力,相对于不具备自采集能力的系统可以达到更高的能效;如图6所示,本发明中系统为双向中继,相对于单向中继可提供更高的能效;如图7所示,本发明提出的能效优化方法中天线的数目变化会对系统能效产生一定的影响,控制数目为8时可达到最高的能效。
高斯白噪声英文缩写为AWGN。
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,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (3)
1.一种移动网络中基于能量自采集的能效优化方法,其特征在于,通过不断迭代优化并更新优化具有多天线的中继节点处的发射协方差矩阵、NOMA分配系数和OPS策略中的分割系数,使双向中继CR-NOMA系统能效达到最大化,包括:
(1)定义双向中继CR-NOMA系统的能效函数ηEE为双向中继CR-NOMA系统容量Rtot与双向中继CR-NOMA系统能耗Etot的商,双向中继CR-NOMA系统容量Rtot定义为四个次用户SUi的信息速率之和与窃听速率Re的差值,其中i=1,2,3,4,双向中继CR-NOMA系统能耗Etot定义为双向中继CR-NOMA系统消耗的能量与次用户和中继节点采集到的能量之和的差值,假设双向中继CR-NOMA系统中的两组用户与中继节点的信道条件一致,只考虑一组用户SU1和SU2,两组用户包括SU1和SU2组成的第一组用户以及SU3和SU4组成的第二组用户;
(2)固定能效函数ηEE中的NOMA分配系数b1、OPS策略中的分割系数ρ和OPS策略中的分割系数λ为常量,以能效最大化为目标优化变量中继发射信号协方差矩阵Q1和中继发射信号协方差矩阵Q2,得到最优中继发射信号协方差矩阵和最优中继发射信号协方差矩阵Q2*;
固定能效函数ηEE中的中继发射信号协方差矩阵Q1、中继发射信号协方差矩阵Q2、OPS策略中的分割系数ρ和OPS策略中的分割系数λ为常量,以能效最大化为目标优化变量NOMA分配系数b1,得到最优NOMA分配系数b1*;
固定能效函数ηEE中的中继发射信号协方差矩阵Q1、中继发射信号协方差矩阵Q2和NOMA分配系数b1为常量,以能效最大化为目标优化变量OPS策略中的分割系数ρ和OPS策略中的分割系数λ,得到最优OPS策略中的分割系数ρ*和最优OPS策略中的分割系数λ*;
(3)根据最优中继发射信号协方差矩阵最优中继发射信号协方差矩阵Q2*、最优NOMA分配系数、最优OPS策略中的分割系数ρ*和最优OPS策略中的分割系数λ*,计算双向中继CR-NOMA系统的最优能效,重复执行步骤(2),直至能效函数收敛于一定值,此时中继发射信号协方差矩阵Q1、中继发射信号协方差矩阵Q2、NOMA分配系数、OPS策略中的分割系数ρ和OPS策略中的分割系数λ都达到最优值;
步骤(2)中,固定能效函数ηEE中的NOMA分配系数b1、OPS策略中的分割系数ρ和OPS策略中的分割系数λ为常量,以能效最大化为目标优化变量中继发射信号协方差矩阵Q1和中继发射信号协方差矩阵Q2,得到最优中继发射信号协方差矩阵和最优中继发射信号协方差矩阵Q2*,包括:
(3.1)采用DinkelBach方法将分数目标函数转换为分子和分母的减法形式:
FU(Ξ)-qFL(Ξ),
其中FU(Ξ)是分数形式目标函数的分子,FL(Ξ)是分数形式目标函数的分母,q=FU(Ξ)/FL(Ξ),Ξ是NOMA分配系数b1、OPS策略中的分割系数ρ和OPS策略中的分割系数λ的联合变量;
(3.2)赋值剩余变量b1、ρ、λ、常数项η、常数项N和常数项M,通过对分数形式目标函数进行泰勒级数展开和半正定松弛方法,并根据证明得到满足最大能效的最优中继发射信号协方差矩阵的闭式表达式:
其中,Δ=diag(p1,...,pt),m=1,2,3,…,t,v为水准值,t=min{N,M},θ1,...,θt为的特征值,为对进行奇异值分解获得的右奇异变量,ψ1为引入的参数矩阵,其中Λ=diag(θ1,...,θt),U1为左奇异变量;HR1为TWR到SU1的链路信道增益;
(3.3)步骤(3.2)得到的最优中继发射信号协方差矩阵代入能效函数计算得到能效,并将公式(4)中的能效更新为该能效,重复步骤(3.2)直至能效函数收敛于一定值;
固定能效函数ηEE中的中继发射信号协方差矩阵Q1、中继发射信号协方差矩阵Q2、OPS策略中的分割系数ρ和OPS策略中的分割系数λ为常量,以能效最大化为目标优化变量NOMA分配系数b1,得到最优NOMA分配系数b1*,包括:
(4.1)采用DinkelBach方法将分数目标函数转换为分子和分母的减法形式,并根据分数目标函数满足的约束条件获得b1的范围,b1的范围为max(0,(D1-D2)/D3)≤b1≤min(D4/D5,0.5),其中D1=Ps/(2λ/1-λ+ρ),
Ps为Ptot门限,HR1、HR2∈HRi,为TWR到SUi的链路信道增益,rth是满足SU1和SU2解码出强信号的信干噪比的最小信息速率,Ho1为TWR处的自信道链路增益;b2=1-b1,n1、n2分别为SU1、SU2处的高斯白噪声;
(4.2)赋值剩余变量Q1、Q2、ρ、λ、常数项η、常数项N和常数项M,令β=0.618,α=0.382,初始区间为[a,b],其中a=max(0,(D1-D2)/D3),b=min(D4/D5,0.5);
(4.3)计算黄金分割方法中的左试点为t1=a+α(b-a),右试点为t2=a+β(b-a),比较两个试点的函数值,若ηEE(t2)<ηEE(t1),那么缩小搜索区间,区间的左右端点a、b分别变更为a=a,b=t2,反之则区间左右端点变更为a=t1,b=b;
(4.4)重复步骤(4.3)直至区间长度小于一设定的定值,此时的NOMA分配系数为最优NOMA分配系数b1*,最优NOMA分配系数b1*为区间左右端点的平均值;
(4.5)将步骤(4.4)得到的最优NOMA分配系数b1*代入能效函数计算得到能效,并将步骤(4.3)中能效更新为该能效,重复步骤(4.3)和(4.4)直至能效函数收敛于一定值;
固定能效函数ηEE中的中继发射信号协方差矩阵Q1、中继发射信号协方差矩阵Q2和NOMA分配系数b1为常量,以能效最大化为目标优化变量OPS策略中的分割系数ρ和OPS策略中的分割系数λ,得到最优OPS策略中的分割系数ρ*和最优OPS策略中的分割系数λ*,包括:
(5.1)采用DinkelBach方法将分数目标函数转换为分子和分母的减法形式:
(5.2)在ρ和λ的联合定义域内,初始化M个分割系数对,计算每个分割系数ρ和λ对应的分数目标函数,得到适应度;
(5.3)每个分割系数对个体的适应度与种群中所有个体的所有适应度之和的比例,作为选中每个个体的概率,根据每个个体的概率降序排序,依次选择出M/2对母体;
(5.4)根据预先设定的交叉概率Pc,每对母体将编码后的个体随机选择一个位置,并将相应位置上的码字进行交换,根据预先设定的突变概率Pm决定是否对该码字取否产生M个新个体,并将这M个新个体作为一个新的种群;
(5.5)重复步骤(5.2)至(5.4),直至迭代次数达到预先设定的次数G,此时种群中适应度最高的个体为最优的OPS策略中的分割系数ρ*和最优的OPS策略中的分割系数λ*;
(5.6)步骤(5.5)得到的最优OPS策略中的分割系数ρ*和最优OPS策略中的分割系数λ*代入能效函数计算得到能效,并将该能效代入步骤(5.2)中,重复步骤(5.2)至(5.5)直至能效函数收敛于一定值,此时的能效即为最优能效。
2.根据权利要求1所述的一种移动网络中基于能量自采集的能效优化方法,其特征在于,步骤(1)中,能效函数定义为:
约束条件为:
式中,Rtot为双向中继CR-NOMA系统容量,Etot为双向中继CR-NOMA系统能耗;Rtot=2(R1+R2-Re),式中,Re为窃听用户的窃听速率,R1为中继节点转发信号至次用户SU1处的信息速率,R2为中继节点转发信号至次用户SU2处的信息速率;RP为主用户接收端在第二个时隙接收到的信号速率,ith为主用户接收端的信息速率门限,R1→2为在次用户SU1处解码信号2的信息速率,rth是满足SU1和SU2解码出强信号的信干噪比的最小信息速率,Ptot为次用户发送功率的总和,Ps为Ptot门限;
其中,I为单位矩阵,HR1、HR2∈HRi,为TWR到SUi的链路信道增益,为N×M维矩阵,上标H为原矩阵的共轭转置,N为发射端处的天线数目,M为中继处的天线数目;n1和n2∈ni,ni为SUi处的高斯白噪声;Etot=Pl+2tr(Q1+Q2)T2-2(E1+E2+ER),He1为窃听信道链路增益,
式中,T2为第二时隙长度,Pl为电路功率损耗,Ei为次用户SUi采集到的能量,i=1,2,ER为中继节点自采集获得的能量,tr()为矩阵迹的计算函数;
其中,自采集的效率和用户采集的效率均为η,T为时隙长度,j=1,2,Ho1为TWR处的自信道链路增益。
3.根据权利要求1所述的一种移动网络中基于能量自采集的能效优化方法,其特征在于,证明过程如下:
矩阵的迹满足交换律为:
定义根据Hadamard不等式,对进行奇异值分解获得其右奇异变量V1,最优值该等式两侧消去参数矩阵得到式(4)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110625526.9A CN113423134B (zh) | 2021-06-04 | 2021-06-04 | 一种移动网络中基于能量自采集的能效优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110625526.9A CN113423134B (zh) | 2021-06-04 | 2021-06-04 | 一种移动网络中基于能量自采集的能效优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113423134A CN113423134A (zh) | 2021-09-21 |
CN113423134B true CN113423134B (zh) | 2023-04-07 |
Family
ID=77713886
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110625526.9A Active CN113423134B (zh) | 2021-06-04 | 2021-06-04 | 一种移动网络中基于能量自采集的能效优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113423134B (zh) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090147728A1 (en) * | 2007-12-05 | 2009-06-11 | Atia George K | Wireless Cooperative Relay Network Transmitting Data using Imperfect CSI |
CN107769823A (zh) * | 2016-08-18 | 2018-03-06 | 中山大学 | 一种基于认知双向中继网络的信息能量协作波束成形方法 |
WO2018119673A1 (zh) * | 2016-12-27 | 2018-07-05 | 深圳先进技术研究院 | 中继携能通信系统及其传输速率优化方法和装置 |
CN110602777B (zh) * | 2019-08-28 | 2022-04-26 | 华北电力大学(保定) | 一种cr-noma双向中继自干扰能量回收传输方法 |
-
2021
- 2021-06-04 CN CN202110625526.9A patent/CN113423134B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113423134A (zh) | 2021-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108495337B (zh) | 基于noma的无线携能通信系统最大安全速率优化方法 | |
CN107172705B (zh) | 无线携能异构网络的波束优化方法及系统 | |
CN104600873B (zh) | 面向大规模天线阵列的无线能量信息传输网络功控方法 | |
CN105246142A (zh) | 基于能效最优的单用户大规模天线中继系统功率分配方法 | |
Dai et al. | Energy-efficient resource allocation for energy harvesting-based device-to-device communication | |
CN111586646B (zh) | 一种蜂窝网络中联合上下信道的d2d通信的资源分配方法 | |
CN109168197B (zh) | 基于异构小蜂窝网络能量采集效率最大化的功率分配方法 | |
Bhardwaj et al. | On the performance of multihop THz wireless system over mixed channel fading with shadowing and antenna misalignment | |
CN110933757B (zh) | 基于时间反演的wpcn系统的抗干扰资源分配方法 | |
CN111918320B (zh) | 时分双工下非正交多址接入的无线通信资源优化分配方法 | |
CN104601297A (zh) | 协作无线能量传输方法和系统 | |
Hu et al. | Security optimization for an AF MIMO two-way relay-assisted cognitive radio nonorthogonal multiple access networks with SWIPT | |
Yang et al. | Beamforming optimization for RIS-aided SWIPT in cell-free MIMO networks | |
Wang et al. | Optimal beamforming in MIMO two-way relay channels | |
CN113194492A (zh) | 一种基于α公平性的安全D2D通信资源分配方法 | |
Zhao et al. | Energy efficient full-duplex communication systems with reconfigurable intelligent surface | |
CN115696437A (zh) | 基于irs的无线能量传输网络的用户总速率最大化方法 | |
Kim et al. | User selection and power allocation scheme with SINR-based deep learning for downlink NOMA | |
CN112261662B (zh) | 一种提升noma协作通信系统能量效率的传输方法 | |
CN113423134B (zh) | 一种移动网络中基于能量自采集的能效优化方法 | |
CN110601736B (zh) | 一种多天线全双工认知无线电能量捕获与信息传输方法 | |
CN111465108A (zh) | 一种能量获取d2d异构网络中频效能效优化方法 | |
Li et al. | Resource allocation in power-beacon-assisted IoT networks with nonorthogonal multiple access | |
CN106330608A (zh) | 在数能一体化通信网络中上行用户吞吐量公平性优化方法 | |
CN114520989B (zh) | 多载波数能同传noma网络能效最大化方法 |
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 |