CN114521023A - Swipt辅助noma-mec系统资源分配建模方法 - Google Patents
Swipt辅助noma-mec系统资源分配建模方法 Download PDFInfo
- Publication number
- CN114521023A CN114521023A CN202210166464.4A CN202210166464A CN114521023A CN 114521023 A CN114521023 A CN 114521023A CN 202210166464 A CN202210166464 A CN 202210166464A CN 114521023 A CN114521023 A CN 114521023A
- Authority
- CN
- China
- Prior art keywords
- resource allocation
- swipt
- energy
- mec
- time
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 206010042135 Stomatitis necrotising Diseases 0.000 title claims abstract description 46
- 201000008585 noma Diseases 0.000 title claims abstract description 46
- 238000013468 resource allocation Methods 0.000 title claims abstract description 38
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 42
- 238000005457 optimization Methods 0.000 claims abstract description 23
- 230000002068 genetic effect Effects 0.000 claims abstract description 16
- 238000011478 gradient descent method Methods 0.000 claims abstract description 6
- 230000005540 biological transmission Effects 0.000 claims description 23
- 238000005265 energy consumption Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000003306 harvesting Methods 0.000 claims description 7
- 230000035772 mutation Effects 0.000 claims description 6
- 210000000349 chromosome Anatomy 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 239000000654 additive Substances 0.000 claims description 2
- 230000000996 additive effect Effects 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 230000009977 dual effect Effects 0.000 claims description 2
- 238000005562 fading Methods 0.000 claims description 2
- 238000013178 mathematical model Methods 0.000 claims description 2
- 230000004044 response Effects 0.000 claims description 2
- 238000001228 spectrum Methods 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 11
- 238000011160 research Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/04—Wireless resource allocation
- H04W72/044—Wireless resource allocation based on the type of the allocated resource
- H04W72/0473—Wireless resource allocation based on the type of the allocated resource the resource being transmission power
-
- 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
- H04W52/18—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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/04—Wireless resource allocation
- H04W72/044—Wireless resource allocation based on the type of the allocated resource
- H04W72/0446—Resources in time domain, e.g. slots or frames
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/50—Allocation or scheduling criteria for wireless resources
- H04W72/53—Allocation or scheduling criteria for wireless resources based on regulatory allocation policies
-
- 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)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种SWIPT辅助NOMA‑MEC系统资源分配建模方法，针对智能家居、智慧城市等新型应用场景，考虑智能终端设备的服务质量要求、终端设备的最大发射功率以及可用能量的有限性，提出以最大化系统中卸载任务总数为目标，联合优化发射功率和时间切换系数的问题；为了解决所建模的含多个变量的混合整数规划问题，将问题分解为两个子问题：在给定时间切换系数时的功率分配问题以及时间切换系数的优化问题；利用连续凸逼近、拉格朗日乘子法、梯度下降法构建迭代的功率分配算法；构建基于遗传算法的资源分配算法，联合优化发射功率和时间切换系数，从而获得智能终端设备的能量收集和数据卸载联合资源分配模型，保证SWIPT辅助NOMA‑MEC系统中能量资源的高效利用。
Description
技术领域
本发明涉及移动设备计算的技术领域，尤其涉及一种SWIPT辅助NOMA-MEC系统资源分配建模方法。
背景技术
在智慧城市的背景下，预计将部署数百亿物联网设备用于实现社会运作的自动化以及周围环境的智能化；并且由于移动互联网与物联网的深度融合，智能家居等新型应用场景快速涌现，加快了城市智能化的速度。在此类新型应用中，智能终端的计算能力和可用能量受到限制，难以有效地支撑智慧城市中涌现的新型应用场景。
为了有效解决移动设备的计算能力限制问题，学者们提出了移动边缘计算(Mobile Edge Computing，MEC)的概念。MEC在移动网络边缘提供计算、存储、网络和通信资源，因为靠近用户，从而可以减少网络操作和服务交付的时延，提升用户服务体验。同时，移动设备可以将计算任务卸载到边缘服务器，这也将延长移动设备的电池寿命，从而保证移动设备的服务质量。基于MEC系统提出的几个系统如下：
1.SWIPT辅助的MEC系统
在给设备供电方面，传统的电池供电方式存在由于电池耗尽之后移动应用程序将会终止的难题，虽然能够通过增大电池或者定期给电池充电来克服，但是这样将会增加硬件成本以及引起很多不便。针对移动通信系统中巨大的能量消耗，学者们提出了无线携能传输(Simultaneous Wireless Information and Power Transfer，SWIPT)技术，该技术可以充分利用射频信号具有同时携带数据信息和电磁能量的特点，同时进行数据传输和能量收集(Energy Harvesting，EH)，从而延长通信设备的在网运行寿命。
为了克服由于智能终端设备能量限制和低计算能力而导致较低的服务质量，学者们将SWIPT和MEC技术集成，并针对SWIPT辅助的MEC系统中资源分配与计算卸载方案开展研究。SWIPT辅助的MEC系统由一个接入点(Access Point，AP)、多个单天线低功耗设备和一个MEC服务器组成，AP通过SWIPT同时向设备发送控制信号与能量，设备通过收集到能量解码控制信息，并进行本地计算或将任务卸载至MEC服务器。
2.基于NOMA的MEC系统
考虑到在无线通信中频谱资源短缺的问题，学者们在MEC网络中采用非正交多址接入技术同时卸载任务，从而达到提高频谱效率、降低能耗、避免任务传输延迟的目的。NOMA通过发射机的叠加编码技术和接收机的串行干扰消除技术，可以保证多个设备在同时同频的资源块中高效通信，从而提升通信系统的用户容量，提升系统频谱效率。
3.SWIPT辅助的NOMA系统
SWIPT辅助的NOMA系统通过将SWIPT技术与NOMA技术相结合，多个设备使用相同的时频资源块传输信息，且使用SWIPT技术从基站发送的信号中收集能量，从而达到提高系统频谱效率、降低能耗、延长终端设备使用寿命的目的。
上述系统中均存在一定的应用缺陷，具体为：
1.SWIPT辅助的MEC系统
现有工作主要聚焦于正交多址接入(Orthogonal Multiple Access，OMA)的MEC场景，设备使用正交的通信资源将任务卸载至MEC服务器，通过优化卸载决策和资源分配来降低系统能耗或提高系统计算卸载的成功概率。故其只适用于频谱资源充足的场景，无法适用于频谱资源短缺的大规模接入场景。
2.基于NOMA的MEC系统
在MEC网络中采用非正交多址接入技术同时卸载任务，可以达到提高频谱效率、降低能耗、避免任务传输延迟的目的。但是，现有的NOMA-MEC系统中的资源分配与计算卸载方案大多只考虑传输速率、发射功率的约束，忽略了在智慧城市、智能家居等新型应用场景中，智能终端的能量是有限的，缺乏对系统性能与能量收集的联合优化研究。
3.SWIPT辅助的NOMA系统
在SWIPT辅助的NOMA系统中，大多只考虑了通信时的能耗与干扰问题，没有考虑终端设备的任务计算问题，不适用于智慧城市、智能家居等新型应用中终端设备计算能力受限的场景。
因此，本发明在SWIPT辅助的MEC系统中采用NOMA技术进行计算卸载，相比于正交多址接入方式，非正交多址接入技术可以在相同通信资源的条件下服务更多的用户，SWIPT辅助的NOMA-MEC系统不仅可以避免严重的时延，还可以降低能耗，提高频谱利用率。然而，由于不同用户服务质量要求、新的频谱接入模式以及可用能量约束的影响，现有的资源分配方案无法直接应用于新场景中。因此，迫切需要针对服务质量要求和能量受限等约束，为SWIPT辅助的NOMA-MEC系统设计一种新的资源分配方案。
发明内容
本发明的目的是提供一种SWIPT辅助NOMA-MEC系统资源分配建模方法，联合考虑系统资源受限与终端设备能量受限问题，在SWIPT辅助NOMA-MEC场景中，以最大化系统的卸载任务总数为目标，提出一种基于遗传算法的联合能量收集和任务卸载的优化方案。在频谱短缺、设备可用能量受限以及计算资源受限的情况下，该方案能够保证智能终端设备利用从接入点处收集的能量高效地将计算任务卸载至MEC服务器，从而支撑智能家居等新型应用场景的高效运行。
为了实现上述目的，本发明提供如下技术方案：
本发明提供的一种SWIPT辅助NOMA-MEC系统资源分配建模方法，包括以下步骤：
S1、考虑智能终端设备的服务质量要求、终端设备的最大发射功率以及可用能量的有限性，提出以最大化系统中卸载任务总数为目标，联合优化发射功率和时间切换系数的问题；
S2、为了解决所建模的含多个变量的混合整数规划问题，将问题分解为两个子问题：在给定时间切换系数时的功率分配问题以及时间切换系数的优化问题；
S3、利用连续凸逼近、拉格朗日乘子法、梯度下降法构建迭代的功率分配算法；
S4、构建基于遗传算法的资源分配算法，联合优化发射功率和时间切换系数，从而获得智能终端设备的能量收集和数据卸载联合资源分配模型。
与现有技术相比，本发明的有益效果为：
本发明的SWIPT辅助NOMA-MEC系统资源分配建模方法，联合考虑了智慧城市、智能家居等新型应用场景中通信时的实际瓶颈，即系统资源受限与终端设备能量与计算能力受限问题，而现有技术的研究只考虑其中的一部分问题。由于不同用户服务质量要求、新的频谱接入模式以及可用能量约束的影响，现有的资源分配方案无法直接应用于新场景中。因此，本发明针对智能终端设备计算任务多、通信时能量消耗大、频谱短缺的问题，提出以最大化系统中卸载任务总数为目标，将SWIPT辅助NOMA-MEC系统的收益优化问题建模为一个含多个变量的混合整数规划问题，将问题分解为两个子问题：在给定时间切换系数时的功率分配问题以及时间切换系数的优化问题，利用连续凸逼近、拉格朗日乘子法、梯度下降法提出了一种迭代的功率分配算法，并且在此基础上，提出一种基于遗传算法的联合优化发射功率和时间切换系数的资源分配算法，从而保证SWITP辅助NOMA-MEC系统中能量资源的高效利用，获得高效的智能终端设备的能量收集和数据卸载联合调度模型，保证SWIPT辅助NOMA-MEC系统中能量资源的高效利用。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例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中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的SWITP辅助NOMA-MEC系统架构图；
图2为本发明实施例提供的基于时间切换的SWIPT方案。
具体实施方式
下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提出的适用于SWIPT辅助NOMA-MEC系统的SWIPT辅助NOMA-MEC系统资源分配建模方法，其构建过程包括以下步骤：
首先，针对智慧城市、智能家居等新型应用场景，联合考虑实际通信中频谱资源受限、终端设备能量与计算能力受限的问题，将NOMA技术用于SWIPT辅助的MEC系统。为研究SWIPT辅助NOMA-MEC系统的收益优化问题，联合考虑了智能终端设备的服务质量要求、终端设备的最大发射功率以及可用能量的有限性，以最大化SWIPT辅助NOMA-MEC系统中的卸载任务总数为目标，建模了一个混合整数规划问题。
其次，为了有效解决系统卸载任务总数最大化的优化问题，将联合优化发射功率和时间切换系数的混合整数规划问题分解为两个子问题：在给定时间切换系数时的功率分配问题以及时间切换系数的优化问题，其中在给定时间切换系数时的功率分配问题是一个非凸问题。
再次，在功率分配子问题中，利用连续凸逼近、拉格朗日乘子法、梯度下降法提出了一种迭代的功率分配算法。
最后，提出一种高效的基于遗传算法的联合优化发射功率和时间切换系数的资源分配与计算卸载的方法，从而保证SWIPT辅助NOMA-MEC系统中能量资源的高效利用。
1、系统模型
本发明采用的是一个无线携能传输辅助的非正交多址接入移动边缘计算(SWIPT辅助NOMA-MEC)系统，如图1所示，系统由一个AP、K个智能终端设备和一个MEC服务器组成。由于智能终端设备的计算能力有限，假设设备选择将计算密集型、时延敏感型且不可分割的任务卸载到MEC服务器。每个设备都采用解码转发的模式，并使用基于时隙切换(TimeSwitching，TS)的SWIPT技术接收来自AP的能量和控制信息。系统的目标是将终端设备的部分本地计算任务卸载到MEC服务器。假设所有设备都配备一根天线，用k∈{1,2,…,K}表示智能终端设备。此外，假设系统以时隙方式工作且信道是准静态的，即信道系数在每个时隙内保持不变。将信道建模为瑞利衰落信道，信道响应服从独立的复高斯分布。因此，信道增益可以表示为
其中ζ表示与距离相关的信号衰减系数，di,j表示发射器i和接收器j之间的距离，γ是路径损耗指数。
在上述系统中，用T表示每个时隙的持续时间，如图2所示。假设每个设备都能够使用TS-SWIPT技术进行信息解码和能量收集。因此，每个时隙分为三个阶段。第一阶段为AP到设备的能量传输，第二阶段进行信息解码(Information Decoding，ID)，第三个阶段将卸载任务到MEC服务器。我们假设能量收集的持续时间为(1-αk-βk)T，其中每个设备可以收集来自AP的射频信号的能量并将其用于完成后两个阶段的任务：信息解码和计算任务卸载。设备在αkT的持续时间内进行信息解码，在βkT的时间内向MEC服务器卸载任务，其中0＜βk＜1。当βk＝0时，意味着有没有任务卸载到MEC服务器。不失一般性，假设时隙T归一化为1。
1)能量收集模型：在能量收集阶段，每个设备在(1-αk-βk)T的时间内从AP收集能量。设AP的发射功率为Ps，则设备k收集的能量表示为：
其中0＜η＜1表示设备的能量转换效率，hs,k表示设备k与AP间的信道增益。
2)信息解码模型：在信息解码阶段，AP将控制消息传递给每个设备，使用时分多址(Time Division Multiple Access，TDMA)协议处理计算和卸载任务。设备将收集能量的一部分用于信息解码。设备k可实现的数据速率表示为：
其中，N0表示设备处的加性白高斯噪声，hs,k表示设备k与AP间的信道增益。
解码过程的功耗可以近似为数据速率的线性函数。因此，每个设备在信息解码阶段的能耗可以表示为：
其中，ε(Joule/bit)是一个基于能量收集解码器的常数。
3)卸载模型：假设AP有全局的信道状态信息(Channel State Information，CSI)并对卸载过程进行决策。在信息解码阶段后，终端设备使用收集的能量将任务卸载到MEC服务器。假设信道带宽为单位带宽，且每个设备的信道增益满足h1≥…≥hk≥…≥hK，其中hk表示设备k与MEC服务器间的信道增益。
在NOMA方案中，首先对信道增益较高的设备进行解码，并将信道增益较低的设备发送的信号作为干扰。因此，设备k卸载计算任务的可达传输速率为：
其中，pk表示设备k的发射功率。
在任务卸载时采用TDMA协议，每个设备使用相同的卸载时间，即每个设备在
的时间内将任务卸载至MEC服务器。每个设备的卸载过程的能耗为：
此外，我们假设MEC服务器具有较高的计算能力，因此忽略了MEC服务器的任务计算和返回过程。假设任务的大小是相同的，并标准化为1。因此，在tk时间内，设备k可以卸载的比特数为：
Lk＝tkRk (12)
2、问题表述
基于上述方程，我们的目标是最大化系统中所有终端设备的卸载任务之和(简称问题(7))。最大化问题应考虑服务质量要求、所收集的能量有限及最大发射功率约束。在不失一般性的情况下，假设每个设备的最小传输速率相等的。因此，所建模的优化问题如下：
其中，约束(7b)表示每个设备最小传输速率的服务质量要求。约束(7c)确保每个设备在解码信息和卸载任务所消耗的能量不超过其所收集的能量。约束(7d)保证每个设备卸载任务时的发射功率不超过最大发射功率。(7e)给出了时间切换系数的可行性约束条件。
问题(7)是一个联合优化αk，βk和pk等参数的混合整数规划问题，是一个NP-hard问题，很难解决。由于每个设备时间切换系数的优化可直接在能量收集设备上进行，与发射功率分配问题相独立。因此，针对上述优化问题，我们采用了一种基于遗传算法(GeneticAlgorithm，GA)的由两个子算法组成的资源分配算法。
3.问题分解
在发明中，我们提出了一种新的基于遗传算法的资源分配算法，来解决时间切换系数和发射功率的联合优化问题。为了解决问题(7)，我们将该问题分解为两个子问题。首先，在时间切换系数固定时，我们建立数学模型来求解每个设备的最优发射功率。在此基础上，我们利用遗传算法得到了最优的时间切换系数。
a)发射功率的优化
在本小节中，在假设设备k的时间切换系数已知的条件下，讨论(7)中涉及的传输功率pk的计算：
由于速率函数的影响，问题(8)显然是一个非凸问题。应用连续凸逼近方法，将基于信噪比的速率函数近似为：
其中参数
的初始值对应于系统参数的初始化。
因此，这个问题可以简化为：
很明显，所有发射功率pk上的线性约束都是凸的。通过证明目标函数在pk上的Hessian矩阵是正半定的，确定目标函数的凸性。然后，我们使用经典的拉格朗日乘子法来求解优化问题。基于上述描述，拉格朗日函数的定义如下：
其中λk，μk和θk是拉格朗日乘子，且满足λk≥0，μk≥0和θk≥0。基于拉格朗日对偶方法将问题(9)转化为：
它可以分解为两层优化问题。内层问题为最大化拉格朗日函数值，外层问题为最小化对偶间隙。根据KKT条件，可以得到最优的发射功率：
其中[x]+＝max{0,x}。在外层循环中根据梯度下降原理更新拉格朗日乘子：
θk(l+1)＝[θk(l)+s3(l)(pmax-pk)]+ (15)
其中l为迭代次数，s1(l)，s2(l)和s3(l)为正的迭代步长。
为了保证算法收敛，该参数需要精心设计。接着提出了一种迭代的功率分配算法，如算法1所示。
b)时间切换系数的优化
首先，重复执行算法1以获得最优的发射功率分配方案。基于此，本发明提出一种基于遗传算法的资源分配算法(算法2)。基于遗传算法的资源分配算法分为六个阶段：初始化、评估、选择、交叉、突变和进化。在遗传算法中，适应度函数的选择和遗传算子的设计非常关键。因此，我们将每一个体i的适应度函数定义为卸载任务之和：
其中，通过算法1获得发射功率
我们采用轮盘赌策略来确定自然选择中的自适应交叉和突变过程。算法2的具体过程为：
初始化：初始化可行的种群P0，种群大小为Np，种群最大代数为Ng。我们设置个体的染色体数量Nc＝2，对应时间切换系数αk，βk。
评价：基于由算法1得到的发射功率
我们通过公式(16)计算种群中每个个体的适应度函数值F(i)。
选择：选择父辈中适应度函数值F最高的个体。然后根据轮盘赌策略让父辈进入下一代。
交叉：以一定的交叉概率，选择两个亲本进行单点交叉，得到两个新的后代，并将后代纳入下一代种群。
突变：选择一定数量的个体进行突变操作。随机选择个体的一个染色体进行突变。这样就产生了新一代的种群。
进化：再一次根据适应度函数(16)计算新一代种群中每个个体的适应度函数值F(i+1)。如果|F(i+1)-F(i)|＜Δ，则表示该函数收敛，选择最大适应度函数值作为最优的适应度函数值。
此时的个体便对应最优的时间切换系数αk和βk。否则，重复上述步骤，直到算法收敛或达到最大迭代次数Ng。
本发明技术针对智能终端设备计算任务多、通信时能量消耗大、频谱短缺的问题，以最大化系统的卸载任务总数为目标，将SWIPT辅助NOMA-MEC系统的收益优化问题建模为一个混合整数规划问题，并且在此基础上，提出一种基于遗传算法的联合优化发射功率和时间切换系数的资源分配方案，从而保证SWITP辅助NOMA-MEC系统中能量资源的高效利用。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例、电子设备实施例、计算机可读存储介质实施例和计算机程序产品实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特殊进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种SWIPT辅助NOMA-MEC系统资源分配建模方法，其特征在于，包括以下步骤：
S1、考虑智能终端设备的服务质量要求、终端设备的最大发射功率以及可用能量的有限性，提出以最大化系统中卸载任务总数为目标，联合优化发射功率和时间切换系数的问题；
S2、为了解决所建模的含多个变量的混合整数规划问题，将问题分解为两个子问题：在给定时间切换系数时的功率分配问题以及时间切换系数的优化问题；
S3、利用连续凸逼近、拉格朗日乘子法、梯度下降法构建迭代的功率分配算法；
S4、构建基于遗传算法的资源分配算法，联合优化发射功率和时间切换系数，从而获得智能终端设备的能量收集和数据卸载联合资源分配模型。
2.根据权利要求1所述的SWIPT辅助NOMA-MEC系统资源分配建模方法，其特征在于，所述的SWIPT辅助NOMA-MEC系统由一个AP、K个智能终端设备和一个MEC服务器组成，其中，智能终端设备选择将计算密集型、时延敏感型且不可分割的任务卸载到MEC服务器，每个设备都采用解码转发的模式，并使用基于时隙切换的SWIPT技术接收来自AP的能量和控制信息，系统以时隙方式工作且信道是准静态的，即信道系数在每个时隙内保持不变，将信道建模为瑞利衰落信道，信道响应服从独立的复高斯分布，每个时隙分为三个阶段：第一阶段为AP到设备的能量传输，第二阶段进行信息解码，第三个阶段将卸载任务到MEC服务器，设备在αkT的持续时间内进行信息解码，在βkT的时间内向MEC服务器卸载任务，其中0＜βk＜1，T表示每个时隙的持续时间，时隙T归一化为1。
3.根据权利要求2所述的SWIPT辅助NOMA-MEC系统资源分配建模方法，其特征在于，在能量收集阶段，每个设备在(1-αk-βk)T的时间内从AP收集能量，设AP的发射功率为Ps，则设备k收集的能量表示为：
其中0＜η＜1表示设备的能量转换效率，hs,k表示设备k与AP间的信道增益。
4.根据权利要求3所述的SWIPT辅助NOMA-MEC系统资源分配建模方法，其特征在于，在信息解码阶段，AP将控制消息传递给每个设备，使用时分多址协议处理计算和卸载任务，设备将收集能量的一部分用于信息解码，设备k的数据速率表示为：
其中，N0表示设备处的加性白高斯噪声；
每个设备在信息解码阶段的能耗表示为：
其中，ε是基于能量收集解码器的常数。
5.根据权利要求4所述的SWIPT辅助NOMA-MEC系统资源分配建模方法，其特征在于，在信息解码阶段后，终端设备使用收集的能量将任务卸载到MEC服务器，假设信道带宽为单位带宽，且每个设备的信道增益满足h1≥…≥hk≥…≥hK，其中hk表示设备k与MEC服务器间的信道增益；
首先对信道增益较高的设备进行解码，并将信道增益较低的设备发送的信号作为干扰，设备k卸载计算任务的可达传输速率为：
其中，pk表示设备k的发射功率；
在任务卸载时采用TDMA协议，每个设备使用相同的卸载时间，即每个设备在
的时间内将任务卸载至MEC服务器，每个设备的卸载过程的能耗为：
Lk＝tkRk (6)
其中，Lk是在tk时间内设备k卸载的比特数。
6.根据权利要求5所述的SWIPT辅助NOMA-MEC系统资源分配建模方法，其特征在于，步骤S2以系统卸载任务总数最大化为目标，优化问题表示如下：
其中，约束(7b)表示每个设备最小传输速率的服务质量要求，约束(7c)确保每个设备在解码信息和卸载任务所消耗的能量不超过其所收集的能量，约束(7d)保证每个设备卸载任务时的发射功率不超过最大发射功率，(7e)给出了时间切换系数的可行性约束条件。
7.根据权利要求6所述的SWIPT辅助NOMA-MEC系统资源分配建模方法，其特征在于，步骤S2中，针对在给定时间切换系数时的功率分配问题，通过建立数学模型来求解每个设备的最优发射功率，具体方法如下：
在假设设备k的时间切换系数已知的条件下，传输功率pk的计算公式为：
应用连续凸逼近方法，将基于信噪比的速率函数表示为：
其中参数
的初始值对应于系统参数的初始化；
公式(8)简化为：
使用拉格朗日乘子法来求解优化问题，拉格朗日函数的定义如下：
其中λk，μk和θk是拉格朗日乘子，且满足λk≥0，μk≥0和θk≥0；
基于拉格朗日对偶方法将公式(9)转化为：
它可以分解为两层优化问题，内层问题为最大化拉格朗日函数值，外层问题为最小化对偶间隙，根据KKT条件，得到最优的发射功率：
其中[x]+＝max{0,x}；
在外层循环中根据梯度下降原理更新拉格朗日乘子：
θk(l+1)＝[θk(l)+s3(l)(pmax-pk)]+, (15)
其中l为迭代次数，s1(l)，s2(l)和s3(l)为正的迭代步长。
8.根据权利要求7所述的SWIPT辅助NOMA-MEC系统资源分配建模方法，其特征在于，步骤S3所述的迭代的功率分配算法具体如下：
初始化时间切换系数αk、βk，定义迭代精度Δ，初始化拉格朗日因子λ0，μ0和θ0，初始化梯度下降法的迭代步长s1(0),s2(0)和s3(0)，定义l＝1，k＝1；
循环1(k)：计算每一个终端设备的发射功率；
循环2(l)：更新拉格朗日因子；
将时间切换系数αk、βk，拉格朗日因子λk，μk和θk带入式子(12)求得最优的发射功率
利用式子(13)(14)(15)更新拉格朗日因子；
l＝l+1；
直到|Fk(l+1)-Fk(l)|＜Δ，其中Fk(l)＝[λk(l),μk(l),θk(l)]T，则拉格朗日因子收敛，结束循环2；
当k＝K时，结束循环1；
利用式子(6)计算当设备的发射功率最优时系统的卸载任务总数。
9.根据权利要求8所述的SWIPT辅助NOMA-MEC系统资源分配建模方法，其特征在于，基于遗传算法的资源分配算法分为六个阶段：初始化、评估、选择、交叉、突变和进化，采用轮盘赌策略来确定自然选择中的自适应交叉和突变过程，每一个体i的适应度函数定义为卸载任务之和：
其中，
为迭代功率分配算法得到的发射功率。
10.根据权利要求9所述的SWIPT辅助NOMA-MEC系统资源分配建模方法，其特征在于，步骤S4所述的基于遗传算法的资源分配算法的具体过程为：
定义最大迭代次数Ng、种群大小Np、染色体数量Nc＝2，初始化发射功率pk，初始化迭代次数i＝1；
生成包含Np个个体的初始的种群集合S(i)；
循环；
计算种群内每个个体在时间切换系数αk、βk及给定的条件下最优的发射功率
根据式子(16)计算个体的适应度函数F(i)；
选择适应度函数F(i)最大的个体作为父辈，根据轮盘赌策略让父辈进入下一代，以一定交叉概率选择两个父辈进行交叉，选择一定数量的个体进行染色体变异操作；
i＝i+1，生成新的种群集合S(i+1)；
当适应度函数收敛或达到最大迭代次数时，结束循环；
F*＝max(F(i))，输出最优的时间切换系数αk、βk与最优的发射功率
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210166464.4A CN114521023A (zh) | 2022-02-23 | 2022-02-23 | Swipt辅助noma-mec系统资源分配建模方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210166464.4A CN114521023A (zh) | 2022-02-23 | 2022-02-23 | Swipt辅助noma-mec系统资源分配建模方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114521023A true CN114521023A (zh) | 2022-05-20 |
Family
ID=81598388
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210166464.4A Pending CN114521023A (zh) | 2022-02-23 | 2022-02-23 | Swipt辅助noma-mec系统资源分配建模方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114521023A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115277567A (zh) * | 2022-06-29 | 2022-11-01 | 北京科技大学 | 一种智能反射面辅助的车联网多mec卸载方法 |
| CN116016502A (zh) * | 2022-12-01 | 2023-04-25 | 厦门大学 | Vr系统卸载成本最小化的通信和计算资源的联合分配方法 |
-
2022
- 2022-02-23 CN CN202210166464.4A patent/CN114521023A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115277567A (zh) * | 2022-06-29 | 2022-11-01 | 北京科技大学 | 一种智能反射面辅助的车联网多mec卸载方法 |
| CN115277567B (zh) * | 2022-06-29 | 2024-01-16 | 北京科技大学 | 一种智能反射面辅助的车联网多mec卸载方法 |
| CN116016502A (zh) * | 2022-12-01 | 2023-04-25 | 厦门大学 | Vr系统卸载成本最小化的通信和计算资源的联合分配方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Guo et al. | Online learning based computation offloading in MEC systems with communication and computation dynamics | |
| Iqbal et al. | Double deep Q-network-based energy-efficient resource allocation in cloud radio access network | |
| Liu et al. | Energy-efficient space–air–ground integrated edge computing for internet of remote things: A federated DRL approach | |
| Gong et al. | Deep reinforcement learning for backscatter-aided data offloading in mobile edge computing | |
| CN114521023A (zh) | Swipt辅助noma-mec系统资源分配建模方法 | |
| CN113613273A (zh) | 一种智能超表面辅助无线供电网络的稳健能效优化方法 | |
| Xie et al. | Backscatter-assisted computation offloading for energy harvesting IoT devices via policy-based deep reinforcement learning | |
| CN111446992B (zh) | 无线供电大规模mimo网络中的最大化最小能效资源分配方法 | |
| CN113727362B (zh) | 一种基于深度强化学习的无线供电系统的卸载策略方法 | |
| Salh et al. | Smart packet transmission scheduling in cognitive IoT systems: DDQN based approach | |
| Zhang et al. | Joint optimization of caching placement and power allocation in virtualized satellite-terrestrial network | |
| Lee et al. | Multi-Agent Reinforcement Learning in Controlling Offloading Ratio and Trajectory for Multi-UAV Mobile Edge Computing | |
| CN115633033A (zh) | 融合射频能量采集的协同节能计算迁移方法 | |
| CN117614520B (zh) | 基于无人机-卫星协作的去蜂窝大规模mimo资源优化方法 | |
| Zhang et al. | Toward intelligent resource allocation on task-oriented semantic communication | |
| Liu et al. | Learning-based multi-UAV assisted data acquisition and computation for information freshness in WPT enabled space-air-ground PIoT | |
| Giri et al. | Deep Q-learning based optimal resource allocation method for energy harvested cognitive radio networks | |
| Gao et al. | SWIPT-based energy scheduling for solar-powered WSN in full-duplex mode | |
| CN113821346A (zh) | 基于深度强化学习的边缘计算中计算卸载与资源管理方法 | |
| Bariah et al. | Deep Q-learning-based resource allocation in NOMA visible light communications | |
| Chang et al. | Collaborative multi-BS power management for dense radio access network using deep reinforcement learning | |
| Yu et al. | Task delay minimization in wireless powered mobile edge computing networks: A deep reinforcement learning approach | |
| CN117135588A (zh) | 一种拓扑规模自适应的能量分簇方法和系统 | |
| CN115460710B (zh) | 基于深度强化学习的车辆边缘计算场景中的智能计算卸载方法 | |
| Cui et al. | Hierarchical learning approach for age-of-information minimization in wireless sensor networks |
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 |