CN115334614A - 一种无线携能中继系统长期平均通信容量优化方法 - Google Patents

Abstract

本发明涉及一种无线携能中继系统长期平均通信容量优化方法，其为中继节点与目的节点的电池能量构建两个虚拟队列，并通过构造一个包含原目标函数和长期平均约束的漂移加罚函数，将全局最大系统通信容量的能量管理问题转化为一个以漂移加罚函数为目标且不受长期平均约束的全局优化问题。通过用上界表达式替换目标函数，将新的全局优化问题进一步转化为局部优化问题，目标和约束都只涉及当前时隙，然后使用基于Lyapunov优化的长期平均通信容量优化算法求解当前时隙的局部优化问题从而在线确定中继节点的传输功率。本发明得到的系统长期平均通信容量较优，并且可通过调整各算法参数调整算法性能。

Description

一种无线携能中继系统长期平均通信容量优化方法

技术领域

本发明涉及无线携能通信领域，具体涉及一种基于Lyapunov优化的在线能量分配算法，用于最大化能量受限的无线携能中继系统的长期平均通信容量。

背景技术

无线传感器网络(WSNs)的发展促进了无处不在和小型化无线节点的应用，但是无线通信信道的随机衰落限制了通信效率，尤其是在深衰落情况下会造成严重的中断。而使用协作通信(中继通信)技术可以通过利用分集增益有效地提高源-目的节点的通信容量。WSNs中的另一个重要问题是无线通信节点的能量补充。由于传统用于为节点供电的电池的容量有限，能量限制问题一直是WSNs的一个具有挑战性的问题。虽然更换电池可以延长节点的寿命，但频繁更换电池会不可避免地导致高昂的成本。通过使用相同的射频(RF)信号同时传输能量和信息，无线携能通信(SWIPT)技术能够灵活地传输能量与信息，被认为是一种可能的解决方案。

目前有许多的研究通过SWIPT技术增强无线中继通信，这些工作主要可以分为两部分：一部分主要侧重于分析各种信道条件下的系统性能，另一部分则致力于通过优化各种控制变量来优化系统性能。由于基于SWIPT的中继通信系统对于能量流和信息流之间共享RF信号的竞争关系以及从RF信号获取能量的不可预测性导致了该系统的能量管理问题极具挑战性，而基于SWIPT的中继通信系统的工作环境决定了该系统需要长期稳定工作，以往的功率分配方案如基于注水法与基于马尔科夫决策过程(MDP)的算法已不再适用。基于注水法的算法无法长期优化基于SWIPT的中继通信系统，而基于MDP的算法在预测空间和状态空间较大时，其计算成本也会十分高昂，不适用于WSNs节点。

发明内容

针对现有技术存在的问题，本发明的目的在于提供了一种无线携能中继系统长期平均通信容量优化方法，其通过在每一时隙前确定节点状态并通过节点状态信息计算得出中继节点的最优传输功率，计算简单且复杂度低。

为实现上述目的，本发明采用的技术方案是：

一种无线携能中继系统长期平均通信容量优化方法，所述无线携能中继系统包括均配备单天线PS接收机结构的源节点S、中继节点R和目的节点D，源节点S通过直连链路SD或中继链路SRD向目的节点发送能量与信息；

所述无线携能中继系统以时隙模式工作，每个时隙的长度为τ；时隙索引从0开始，每个时隙都分为长度τ/2的两部分；

在时隙t的第一部分，源节点S以功率P_S广播信号，中继节点R和目的节点D都从该信号中获取能量并接收信息；对于目的节点D，若用于信息接收的信号的信噪比大于阈值γ_th，则成功从此信号中解码信息；否则，目的节点D将在时隙t第二部分等待中继节点R的中继信号；

在时隙t的第二部分，中继节点R放大在第一部分中接收到的信号，并以选定的功率P_R(t)将其转发给目的节点D；所述选定的功率P_R(t)求取如下：

步骤1、为保证系统的长期稳定运行并支持紧急情况下的临时能耗需求，同时最大化系统长期平均通信容量，构建优化模型，优化模型为全局最大系统通信容量的能量管理模型；该优化模型的目标函数为最大化长期平均系统通信容量，约束为中继节点R与目的节点D的长期平均电池能量约束、中继节点R与目的节点D的电池电量约束以及t时隙R节点的可用能量约束；

步骤2、为中继节点R与目的节点D的电池能量构建两个虚拟队列，并通过构造一个包含原目标函数和长期平均约束的漂移加罚函数，将全局最大系统通信容量的能量管理模型转化为一个以漂移加罚函数为目标且不受长期平均约束的全局优化模型，该全局优化模型中存在不涉及未来时隙变量的上界表达式；

步骤3、用上界表达式替换全局优化问题的目标函数，将新的全局优化问题进一步转化为局部优化问题，目标和约束都只涉及当前时隙，然后使用基于Lyapunov优化的长期平均通信容量优化算法求解当前时隙的局部优化问题，从而在线确定时隙t第二部分中继节点R的传输功率P_R(t)。

所述无线携能中继系统的节点以收集-存储-使用能量使用模式；中继节点R与目的节点D的电池能量更新公式与接收到的能量计算公式分别为：

其中，W_R(t)＝P_R(t)τ/2和W_D(t)＝P_D(t)τ分别是中继节点R和目的节点D在时隙t中消耗的能量，κ是路径损耗指数；β_R和β_D分别为中继节点R和目的节点D的功率分割因子；η_R、η_D分别为R、D的能量转换系数，h_SR(t)、h_SD(t)与h_RD(t)分别为链路SR、链路SR与链路RD在时隙t时的信道系数，d_SR、d_SD与d_RD分别为SR、SD与RD之间的距离。

所述步骤1中，中继节点R与目的节点D的长期平均电池能量约束具体为：

其中，θ与δ分别为预先设置的R电池能量阈值与D电池能量阈值；

中继节点R与目的节点D的电池电量约束与t时隙R节点的可用能量约束具体为：

0≤W_R(t)≤b_R(t)+E_R(t)

其中，b_R(t)、b_D(t)与W_R(t)分别为R与D在t时隙时的电池电量与R节点的可用能量，

分别是R与D的最大电池容量；

t时隙的系统通信容量为：

C(t)＝C₁(t)*P₁+C₂(t)*P₂

其中，C₁(t)与C₂(t)分别为t时隙链路SD与链路SRD的信息传输容量，P₁与P₂分别为γ_SD(t)≥γ_th与γ_SD(t)＜γ_th的概率；

所述步骤1中构造的优化模型为：

(P1)

s.t.C₁:

C₂:

C₃:

C₄:

C₅:0≤W_R(t)≤b_R(t)+E_R(t)。

所述步骤2中，中继节点R与目的节点D的电池能量构建的两个虚拟队列具体为：

B_R(t+1)＝max{B_R(t)+θ-b_R(t+1),0}

B_D(t+1)＝max{B_D(t)+δ-b_D(t+1),0}

采用Lyapunov优化框架，将优化模型P1转化为一个以Lyapunov漂移加罚函数为目标且不受长期平均约束的全局优化模型P2，具体为：

定义的Lyapunov函数为：

定义的Lyapunov惩罚性漂移函数为：

ΔΘ(t)＝L(Θ(t+1))-L(Θ(t))

定义的Lyapunov漂移加罚函数为：

ΔΘ(t)-V*C(t)

其中，系数V(V≥0)是Lyapunov惩罚因子，它反映了与约束相比，最大化系统容量目标的相对重要性；

通过上述定义，优化模型P1中的约束C₁和C₂被包含到Lyapunov漂移加罚函数中，优化模型P1转化为优化模型P2，具体为：

(P2)

s.t.C₃,C₄,C₅。

所述优化模型P2展开如下：

其中，

B₂＝2B_R(t)(θ-b_R(t))+2B_D(t)(δ-b_D(t))是在每个时隙开始时就确定的常数；

所以，新的局部优化模型具体为：

(P3)

s.t.C₃,C₄,C₅。

使用基于Lyapunov优化的长期平均通信容量优化算法求解当前时隙的局部优化问题的具体为：

输入θ，δ，V，γ_th，梯度阈值ε；

a)初始化t＝0，B_R(t)＝0，B_D(t)＝0，b_R(t)＝0，b_D(t)＝0；

b)循环：

i)X_L为R节点当前时隙所能使用的最小能量，X_H为R节点当前时隙所能使用的最大能量，令X_M＝(X_L+X_H)/2；

ii)采用二分法不断计算J(W_R(t))在W_R(t)＝X_M的梯度(记为G(X_M))直至|X_H-X_L|≤ε成立；

iii)输出R节点在时隙t的最优传输功率：

iv)更新b_R(t+1)，b_D(t+1)，B_R(t+1)和B_D(t+1)；

v)t＝t+1；

上述优化算法在线运行，在每个时隙开始时确定中继节点R的最优传输功率

采用上述方案后，本发明在源节点能量不受限，单AF中继节点与目的节点能量受限且配备容量有限的可充电电池的无线SWIPT中继通信系统中，中继节点根据当前时隙自身与目的节点的可用能量、电池长期平均水平与信道状态调整传输功率，在保证中继节点与目的节点长期稳定运行的前提下最大化系统的长期平均通信容量。使用Lyapunov优化框架，为源节点与目的节点的电池电量构建虚拟队列，将节点长期稳定运行的约束转化为虚拟队列稳定性约束，并用过Lyapunov优化理论保证系统在运行过程中虚拟队列的稳定性。通过定义Lyapunov函数、惩罚性漂移函数与漂移加罚函数，将原长期优化问题转化为最小化漂移加罚函数的全局优化问题。通过将该全局优化问题的目标函数替换为其上界表达式，原全局优化问题转化为一个只涉及当前时隙的局部优化问题，且该局部优化问题为凸优化问题。

本发明能够在线地根据节点当前电池电量、虚拟电池队列值、当前信道状态得出中继节点的最优传输功率，计算复杂度较低。且相比于传统的功率控制算法如注水法与基于MDP的算法，本发明所提方案能够得到更优的长期平均系统通信容量，具有实际价值。

附图说明

图1为本发明的通信系统模型。

图2为本发明的通信系统中节点所采用的PS接收机结构图。

图3为采用本发明提出的算法可实现的长期平均系统容量与采用其他方案可实现的长期平均系统容量。

图4为本发明提出的算法的R节点实际电池电量与虚拟电池队列值的时间轨迹图。

图5为电池阈值对平均系统通信容量的影响。

图6为Lyapunov惩罚因子V与功率切割因子β对平均系统通信容量的影响。

图7为能量转换系数η与信噪比阈值γ_th对平均系统通信容量的影响。

具体实施方式

下面将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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。

参照图1所示，基于SWIPT的无线中继通信系统，系统由三个节点构成，分别为源节点S、中继节点R与目的节点D，R将S发生的信息与能量转发至D，每个节点均配备单天线，且采用如图2所示的PS接收机。考虑中继节点R、目的节点D均为能量受限的节点，都配备容量有限的可充电电池，且它们所配备的PS接收机天线能够从环境中收集RF信号的能量并从中获取信息与能量。

该通信系统以时隙长度为τ的时隙模式工作，每个时隙都分为长度τ/2的两部分。在时隙t的第一部分，S以功率P_S(t)＝P_S广播信号，中继节点R和目的节点D都从该信号中获取能量并接收信息，中继节点R和目的节点D的功率分割因子分别为β_R和β_D。

对于目的节点D，如果用于信息接收的信号的信噪比大于阈值γ_th，则可以成功从此信号中解码信息。否则，它将在第二部分等待中继节点R的中继信号，以从中获取能量和接收信息。在第二部分中，中继节点R放大在第一部分中接收到的信号，并以选定的功率将其转发给目的节点D。在这两部分中，目的节点D使用相同的功率切割因子β_D。

假设链路SD、SR和RD分别是平均增益为λ_SD、λ_SR和λ_RD的独立瑞利衰落信道，且信道状态在一个时隙内保持不变。

通信系统中的节点以收集-存储-使用(HSU)能量使用模式。中继节点R与目的节点D的电池能量更新公式与接收到的能量计算公式分别为：

其中，W_R(t)＝P_R(t)τ/2和W_D(t)＝P_D(t)τ分别是中继节点R和目的节点D在时隙t中消耗的能量，κ是路径损耗指数；β_R和β_D分别为中继节点R和目的节点D的功率分割因子；η_R、η_D分别为R、D的能量转换系数，h_SR(t)、h_SD(t)与h_RD(t)分别为链路SR、链路SR与链路RD在时隙t时的信道系数，d_SR、d_SD与d_RD分别为SR、SD与RD之间的距离。

链路SD处的接收信噪比公式为：

其中N₀为噪声方差。

为了确保系统的正常运行并支持紧急情况下的临时能耗需求，本发明为R与D的平均电池能量分别设置一个约束，即：

其中，θ与δ为预先设置的电池阈值。

本发明的目的是在保证系统长期稳定运行的前提下，最大化长期平均系统通信容量，在上述通信模型下，系统通信容量可由下式计算：

C(t)＝C₁(t)*P₁+C₂(t)*P₂

其中C₁(t)、C₂(t)分别为链路SD与链路SRD的信道容量，P₁、P₂分别为γ_SD(t)≥γ_th的概率与γ_SD(t)＜γ_th的概率。

因此，构建优化模型如下：

(P1)

s.t.C₁:

C₂:

C₃:

C₄:

C₅:0≤W_R(t)≤b_R(t)+E_R(t).

P1中的目标函数和一些约束条件涉及随时间趋于无穷大的长期平均表达式，用传统优化方法较难求解。因此，本发明采用Lyapunov优化框架进行求解。

为了处理P1中的长期平均约束C1与C2，构建两个虚拟电池队列如下：

B_R(t+1)＝max{B_R(t)+θ-b_R(t+1),0}

B_D(t+1)＝max{B_D(t)+δ-b_D(t+1),0}

上述虚拟队列的值的实际意义为中继节点R和目的节点D之前时隙传输所消耗的过量能量的度量，即若虚拟队列的值在当前时隙变大，说明节点为了满足前一时隙的传输，消耗了过量的能量。通过组合上述两个虚拟队列，得到Θ(t)＝[B_R(t),B_D(t)]，定义Lyapunov函数：

定义Lyapunov惩罚性漂移函数：

ΔΘ(t)＝L(Θ(t+1))-L(Θ(t))

定义Lyapunov漂移加罚(drift-plus-penalty)函数：

ΔΘ(t)-V*C(t)

上式中系数V(V≥0)是Lyapunov惩罚因子，它反映了与约束相比，最大化系统容量目标的相对重要性，即V越大意味着系统越倾向于最大化系统容量的目标，而V越小则意味着满足约束比最大化系统容量更为重要。

通过上述定义，P1中的约束C₁和C₂被包含到Lyapunov漂移加罚函数中，问题P1可以近似为下式中的优化模型P2：

(P2)

s.t.C₃,C₄,C₅.

将Lyapunov漂移加罚函数展开，可得ΔΘ(t)-V*C(t)存在一个不涉及未来时隙变量的上界表达式：

其中，B₁、B₂为时隙t开始时就可以确定的常数。故可将优化模型P2的目标函数替换为上述上界表达式，得到新的局部优化模型P3:

(P3)

s.t.C₃,C₄,C₅.

通过对优化模型P3的目标函数求二次导可得：d²J(W_R(t))/dW_R(t)²＞0，即上述优化模型为凸优化模型。

因此，可采用如下的LTCOL算法进行求解。具体如下：

a)输入θ，δ，V，γ_th，梯度阈值ε；

b)初始化t＝0，B_R(t)＝0，B_D(t)＝0，b_R(t)＝0，b_D(t)＝0；

c)循环：

i)X_L为R节点当前时隙所能使用的最小能量，X_H为R节点当前时隙所能使用的最大能量，令X_M＝(X_L+X_H)/2；

ii)采用二分法不断计算J(W_R(t))在W_R(t)＝X_M的梯度直至|X_H-X_L|≤ε成立；

iii)输出R节点在时隙t的最优传输功率：

iv)更新b_R(t+1)，b_D(t+1)，B_R(t+1)和B_D(t+1)；

v)t＝t+1；

TOCOL算法逐时隙运行，在每个时隙开始时得到中继节点R的最优传输功率。

本发明能够在线地根据节点当前电池电量、虚拟电池队列值、当前信道状态得出中继节点的最优传输功率，计算复杂度较低。且相比于传统的功率控制算法如注水法与基于MDP的算法，本发明所提方案能够得到更优的长期平均系统通信容量，具有实际价值。

下面将结合附图，对本发明进行进一步的详细说明。除非在另有说明，否则所有的仿真模拟参数设置如下：P_S＝1W，d_SD＝3m，d_SR＝2m，d_RD＝1.5m，κ＝2，B＝1000kHz，

θ＝10J，δ＝12J，P_D＝0.02W，N₀＝0.02W，η＝η_R＝η_D＝0.2，β＝β_R＝β_D＝0.7，γ_th＝30dB，V＝1000。

为了验证本发明算法的性能，将其与基于MDP的算法、注水算法、Greedy算法与Greedy-ROT(GreedywithRely-OnlyTransmission)算法进行比较，其中，基于MDP的算法与注水算法是两种EH中继通信系统中的典型算法，在Greedy算法中，中继节点将在每个时隙中耗尽其所能使用的所有能量，用于在当前时隙中转发能量与信息。Greedy-ROT算法假设只有SRD链路启用了SWIPT技术，除此之外与Greedy算法相同。

图3给出了各种算法进行40轮模拟所得到的长期平均系统容量，每次模拟运行3*10⁴个时隙，对于每轮模拟仿真，各种算法的系统容量在3*10⁴个时隙中取平均，以获得最终结果。如图3所示，Greedy-ROT算法在五种算法中性能最低，使用该算法所得到的平均系统容量大致稳定在4*10⁵bps。Greedy算法的对应值约为5.7*10⁵bps，这两种基于贪心的算法的性能皆低于基于MDP的算法、注水法和LTCOL算法。基于贪心的算法在每一时隙使用所有可用的能量进行传输，完全忽略当前的信道条件，因此通常会导致较差的长期系统容量。基于MDP的算法与注水法得到的平均系统容量大致为7.8*10⁵bps与8.3*10⁵bps，低于基于Lyapunov优化的LTCOL算法的10*10⁵bps。LTCOL算法确保节点的长期平均电池能量高于某个阈值，这种约束能够使节点较为灵活地在信道条件较差时保存能量并在信道条件转好时使用这些能量，从而获得更好的长期系统通信容量。

图4展示了中继节点R在运行LTCOL算法时前100个时隙中的电池能量和电池虚拟队列的变化情况。如图4所示，当中继节点R的电池电量下降到阈值θ以下时，虚拟队列的值迅速增加，但随后会下降。这是因为当虚拟队列的值太大时，中继节点R将被约束降低其传输功率以节省能量，从而降低其虚拟队列的值。当其电池能量远大于阈值θ时，虚拟队列的值将减小。由于本文为中继节点R设置的电池约束是长期平均约束，中继节点R就能灵活地使用能量，当其信道处于良好状态时，中继节点R可以增加其传输功率，甚至在短时间内牺牲其能量阈值限制，从而导致其虚拟队列的增加。

图5(a)展示了θ对平均系统容量的影响，通过固定δ＝12J并使θ从1J增大到30J来进行仿真实验。结果表明，随着θ的增大，平均系统容量迅速减小。这是因为增加θ迫使R采取更保守的能量管理策略，即在当前时隙分配更少的能量用于传输，从而导致了较小的平均系统容量。5(b)展示了δ对平均系统容量的影响，通过固定θ＝10J，让δ从1J增大到30J来进行仿真实验。结果表明，随着δ的增大，平均系统容量先呈下降趋势，然后保持不变。增加δ迫使D节点采取更为保守的能量管理策略，它需要保存更多的能量，而使用更少的能量用于信息接收，导致平均系统容量下降。随着δ进一步增大，为了帮助D节点保持其虚拟队列的稳定性，无论信道条件如何，R都需要将其所有能量传输给D。因此，平均系统容量将大致收敛到一个常数值。

图6给出了惩罚因子V与β对平均系统容量的影响。随着惩罚因子V从从10³增加到10⁴，R节点选取了能够得到更大平均系统容量的决策，因此系统容量增加。仿真结果还显示了β对平均系统容量的影响，增加β会降低解码信息的能量比例，从而导致平均系统容量的降低。

图7给出了η与γ_th对平均系统容量的影响。结果表明，系统平均容量随γ_th的增加而减小。这是因为随着γ_th的增加，D节点从SD链路获得的信息量将下降，转而倾向于从SRD链路获取信息。这种行为有两个影响：(1)SD链路的等效容量下降；(2)节点D将不得不从R转发的信号获得能量，这导致用于信息解码的能量比例减少，最终导致系统平均容量变小。这两种影响都会导致平均系统容量变小。能量转换效率η的增加会使系统获得更大的平均系统容量，这是因为随着η的增加，节点接收到的RF信号中用于能量收集的比例会降低，从而使更大比例的RF信号用于信息传输，导致系统能够获得更大的平均系统容量。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (6)

1.一种无线携能中继系统长期平均通信容量优化方法，其特征在于：所述无线携能中继系统包括均配备单天线PS接收机结构的源节点S、中继节点R和目的节点D，源节点S通过直连链路SD或中继链路SRD向目的节点发送能量与信息；

所述无线携能中继系统以时隙模式工作，每个时隙的长度为τ；时隙索引从0开始，每个时隙都分为长度τ/2的两部分；

在时隙t的第一部分，源节点S以功率P_S广播信号，中继节点R和目的节点D都从该信号中获取能量并接收信息；对于目的节点D，若用于信息接收的信号的信噪比大于阈值γ_th，则成功从此信号中解码信息；否则，目的节点D将在时隙t第二部分等待中继节点R的中继信号；

在时隙t的第二部分，中继节点R放大在第一部分中接收到的信号，并以选定的功率P_R(t)将其转发给目的节点D；所述选定的功率P_R(t)求取如下：

步骤1、为保证系统的长期稳定运行并支持紧急情况下的临时能耗需求，同时最大化系统长期平均通信容量，构建优化模型，优化模型为全局最大系统通信容量的能量管理模型；该优化模型的目标函数为最大化长期平均系统通信容量，约束为中继节点R与目的节点D的长期平均电池能量约束、中继节点R与目的节点D的电池电量约束以及t时隙R节点的可用能量约束；

步骤2、为中继节点R与目的节点D的电池能量构建两个虚拟队列，并通过构造一个包含原目标函数和长期平均约束的漂移加罚函数，将全局最大系统通信容量的能量管理模型转化为一个以漂移加罚函数为目标且不受长期平均约束的全局优化模型，该全局优化模型中存在不涉及未来时隙变量的上界表达式；

步骤3、用上界表达式替换全局优化问题的目标函数，将新的全局优化问题进一步转化为局部优化问题，目标和约束都只涉及当前时隙，然后使用基于Lyapunov优化的长期平均通信容量优化算法求解当前时隙的局部优化问题，从而在线确定时隙t第二部分中继节点R的传输功率P_R(t)。

2.根据权利要求1所述的一种无线携能中继系统长期平均通信容量优化方法，其特征在于：所述无线携能中继系统的节点以收集-存储-使用能量使用模式；中继节点R与目的节点D的电池能量更新公式与接收到的能量计算公式分别为：

b_R(t+1)＝min{b_R(t)+E_R(t)-W_R(t),b_R ^max}

b_D(t+1)＝min{b_D(t)+E_D(t)-W_D(t),b_R ^max}

其中，W_R(t)＝P_R(t)τ/2和W_D(t)＝P_D(t)τ分别是中继节点R和目的节点D在时隙t中消耗的能量，κ是路径损耗指数；β_R和β_D分别为中继节点R和目的节点D的功率分割因子；η_R、η_D分别为R、D的能量转换系数，h_SR(t)、h_SD(t)与h_RD(t)分别为链路SR、链路SR与链路RD在时隙t时的信道系数，d_SR、d_SD与d_RD分别为SR、SD与RD之间的距离。

3.根据权利要求2所述的一种无线携能中继系统长期平均通信容量优化方法，其特征在于：所述步骤1中，中继节点R与目的节点D的长期平均电池能量约束具体为：

其中，θ与δ分别为预先设置的R电池能量阈值与D电池能量阈值；

中继节点R与目的节点D的电池电量约束与t时隙R节点的可用能量约束具体为：

0≤W_R(t)≤b_R(t)+E_R(t)

其中，b_R(t)、b_D(t)与W_R(t)分别为R与D在t时隙时的电池电量与R节点的可用能量，

分别是R与D的最大电池容量；

t时隙的系统通信容量为：

C(t)＝C₁(t)*P₁+C₂(t)*P₂

其中，C₁(t)与C₂(t)分别为t时隙链路SD与链路SRD的信息传输容量，P₁与P₂分别为γ_SD(t)≥γ_th与γ_SD(t)＜γ_th的概率；

所述步骤1中构造的优化模型为：

(P1)

C₅:0≤W_R(t)≤b_R(t)+E_R(t)。

4.根据权利要求3所述的一种无线携能中继系统长期平均通信容量优化方法，其特征在于：所述步骤2中，中继节点R与目的节点D的电池能量构建的两个虚拟队列具体为：

B_R(t+1)＝max{B_R(t)+θ-b_R(t+1),0}

B_D(t+1)＝max{B_D(t)+δ-b_D(t+1),0}

采用Lyapunov优化框架，将优化模型P1转化为一个以Lyapunov漂移加罚函数为目标且不受长期平均约束的全局优化模型P2，具体为：

定义的Lyapunov函数为：

定义的Lyapunov惩罚性漂移函数为：

ΔΘ(t)＝L(Θ(t+1))-L(Θ(t))

定义的Lyapunov漂移加罚函数为：

ΔΘ(t)-V*C(t)

其中，系数V(V≥0)是Lyapunov惩罚因子，它反映了与约束相比，最大化系统容量目标的相对重要性；

通过上述定义，优化模型P1中的约束C₁和C₂被包含到Lyapunov漂移加罚函数中，优化模型P1转化为优化模型P2，具体为：

(P2)

s.t.C₃,C₄,C₅。

5.根据权利要求4所述的一种基于无线携能中继系统长期平均通信容量优化方法，其特征在于：所述优化模型P2展开如下：

其中，

B₂＝2B_R(t)(θ-b_R(t))+2B_D(t)(δ-b_D(t))是在每个时隙开始时就确定的常数；

所以，新的局部优化模型具体为：

(P3)

s.t.C₃,C₄,C₅。

6.根据权利要求5所述的一种无线携能中继系统长期平均通信容量优化方法，其特征在于：使用基于Lyapunov优化的长期平均通信容量优化算法求解当前时隙的局部优化问题的具体为：

输入θ，δ，V，γ_th，梯度阈值ε；

a)初始化t＝0，B_R(t)＝0，B_D(t)＝0，b_R(t)＝0，b_D(t)＝0；

b)循环：

i)X_L为R节点当前时隙所能使用的最小能量，X_H为R节点当前时隙所能使用的最大能量，令X_M＝(X_L+X_H)/2；

ii)采用二分法不断计算J(W_R(t))在W_R(t)＝X_M的梯度(记为G(X_M))直至|X_H-X_L|≤ε成立；

iii)输出R节点在时隙t的最优传输功率：

iv)更新b_R(t+1)，b_D(t+1)，B_R(t+1)和B_D(t+1)；

v)t＝t+1；

上述优化算法在线运行，在每个时隙开始时确定中继节点R的最优传输功率

Images