CN115334631A - 一种基于猎人猎物优化的d2d通信功率控制方法 - Google Patents
一种基于猎人猎物优化的d2d通信功率控制方法 Download PDFInfo
- Publication number
- CN115334631A CN115334631A CN202210960504.2A CN202210960504A CN115334631A CN 115334631 A CN115334631 A CN 115334631A CN 202210960504 A CN202210960504 A CN 202210960504A CN 115334631 A CN115334631 A CN 115334631A
- Authority
- CN
- China
- Prior art keywords
- user
- prey
- hunter
- users
- cellular
- 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
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
- H04W52/24—TPC being performed according to specific parameters using SIR [Signal to Interference Ratio] or other wireless path parameters
- H04W52/241—TPC being performed according to specific parameters using SIR [Signal to Interference Ratio] or other wireless path parameters taking into account channel quality metrics, e.g. SIR, SNR, CIR, Eb/lo
-
- 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
- H04W52/24—TPC being performed according to specific parameters using SIR [Signal to Interference Ratio] or other wireless path parameters
- H04W52/242—TPC being performed according to specific parameters using SIR [Signal to Interference Ratio] or other wireless path parameters taking into account path loss
-
- 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
- H04W52/24—TPC being performed according to specific parameters using SIR [Signal to Interference Ratio] or other wireless path parameters
- H04W52/243—TPC being performed according to specific parameters using SIR [Signal to Interference Ratio] or other wireless path parameters taking into account interferences
- H04W52/244—Interferences in heterogeneous networks, e.g. among macro and femto or pico cells or other sector / system interference [OSI]
-
- 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
- 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
- H04W52/36—TPC using constraints in the total amount of available transmission power with a discrete range or set of values, e.g. step size, ramping or offsets
- H04W52/367—Power values between minimum and maximum limits, e.g. dynamic range
-
- 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
- H04W52/383—TPC being performed in particular situations power control in peer-to-peer links
-
- 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
Abstract
本发明公开了一种基于猎人猎物优化的D2D通信功率控制方法,涉及无线通信技术领域,采用一种猎人猎物优化算法进行求解,猎人猎物优化算法能够大大提高解决混合整数非线性规划问题的能力,猎人猎物种群元素是根据D2D发射功率边界随机产生的,随机选择猎人猎物且猎人围绕猎物作随机运动,所以陷入局部最优几率低,其次该算法以D2D平均发射功率为猎物来进行搜索,随着不断迭代猎人会自适应的减少与平均发射功率的距离,以保证算法的收敛性,且每次迭代猎人或者猎物会与当前最优解进行比较并更新,最后在优化过程中猎人会向最佳的猎物位置调整,同时会指引猎物到搜索空间中有希望逃生的位置,保证了搜索与开发之间的平衡。
Description
技术领域
本发明属于无线通信技术领域,具体涉及一种基于猎人猎物优化的D2D通信功率控制方法。
背景技术
随着现代通信技术的不断发展,D2D通信干扰抑制的研究已经成为热点。D2D通信引入蜂窝网络系统既可以提高频谱利用率和减少干扰,又可以更进一步的提高系统总吞吐量。但是需要注意的是,在一个蜂窝小区中存在多个DUE用户对和CUE用户时,彼此之间会造成相互干扰,对蜂窝网络系统的性能产生一定的影响。
早期的研究中主要使用集中式算法来抑制干扰,例如:基于图论的算法、基于超图理论的算法,这类算法虽然效果良好,但是算法复杂度高和BS负载压力大。后来考虑到通过功率控制来对D2D用户对之间以及CUE与DUE之间造成的干扰进行抑制会出现目标函数及约束条件可能是非凸的情况,于是存在得到的最优解并不是全局最优解而是局部最优解的问题。对于这个问题研究者们给出了不同的解决方案,一类是采用全局优化算法来解决,其思路是通过迭代得到不同的局部最优解,然后再从局部最优解中选择一个最佳的解作为近似的全局最优解,主要有遗传算法,模拟退火算法,粒子群优化算法等,已有文献提出了一种基于改进遗传算法的资源分配方案,该算法提高了遗传算法的多样性,避免了多重算子的变异,具有更好的系统吞吐量和干扰抑制性能,但是算法复杂度高和寻优精度低。已有提出了一种基于模拟退火算法的资源管理方案,模拟退火算法在一定程度上提高了吞吐量,但没有考虑D2D用户的能耗问题。已有文献介绍了一种基于粒子群优化的功率控制算法,该算法虽然降低了干扰,但是由于粒子多样性太低容易造成局部收敛。另一类解决方案是利用博弈论来设计功率控制方法,已有文献介绍了一种通过采用博弈论思想来进行资源分配的算法,这种算法提高了系统用户吞吐量,但是计算复杂度高,得到的纳什均衡点并不总是最好的。
发明内容
针对现有技术的不足,本发明的目的在于提供一种基于猎人猎物优化的D2D通信功率控制方法,解决了现有技术中无法同时实现系统用户吞吐量最大化和降低蜂窝用户干扰的技术问题。
本发明的目的可以通过以下技术方案实现:一种基于猎人猎物优化的D2D通信功率控制方法,方法包括以下步骤:
对D2D功率控制变量和相关约束条件进行建模;
分别对复用模式下D2D用户和蜂窝用户的吞吐量进行建模,以最大化D2D通信网络的吞吐量为目标,将D2D功率控制问题构建为混合整数非线性规划问题Φ;
采用猎人猎物优化算法对混合整数非线性规划问题Φ进行求解,得到D2D最优发射功率,进而实现系统用户吞吐量最大化和降低蜂窝用户干扰。
优选地,所述建模的过程包括以下步骤:
设置蜂窝用户最大发射功率为Pcmax,D2D用户产生最大干扰门限为Intermax,D2D通信用户最大发射功率为PDmax,最小发射功率为PDmin,DUE用户的最小信噪比为SINRDmin;
设小区内有X个D2D通信用户{DUE(1),DUE(2),…,DUE(X)},Y个蜂窝用户{CUE(1),CUE(2),…,CUE(Y)},系统所有用户的路损增益模型为:
PR=PsKd-α (1)
其中K为路径损耗常数,α为路径损耗指数,d为用户间距离,Ps为发射功率,PR为接收功率;
当第i对DUE用户复用第j个CUE用户频谱资源时,DUE用户对蜂窝用户产生的干扰为:
PD(i)表示第i对DUE的发射功率,di,bs表示第i对DUE用户到基站的距离;CUE用户对DUE用户产生的干扰为:
其中Pc(j)表示第j个CUE用户的发射功率,di,j表示第j个CUE用户到第i对DUE用户接收端的距离;
此时DUE用户的信噪比为:
N0为高斯白噪声功率,此时,根据香农公式,第i个DUE用户的吞吐量为:
上式中B表示系统带宽,SINRD(i)表示第i对DUE用户的信噪比。
优选地,所述构建为混合整数非线性规划问题Φ的过程包括以下步骤:
式(6)是系统总吞吐量计算公式,前半部分是D2D用户的吞吐量,后半部分是蜂窝用户的吞吐量;di表示第i对D2D用户之间的距离,i从1到X,表示第i对D2D用户,dj,bs表示第j个蜂窝用户到基站的距离;式(7)是D2D发射功率上下边界;式(8)表示D2D用户的信噪比下限;式(9)是指D2D用户对蜂窝用户产生干扰上限;式(10)中所述表示一对DUE用户只能复用一个蜂窝用户并且一个蜂窝用户的资源只能被一对DUE用户复用。其中ηi,j是指第i对DUE用户复用第j个用户的频谱资源,为了避免D2D用户对之间的干扰,规定ηi,j=1表示DUE(i)用户与CUE(j)用户共享频谱资源,否则ηi,j=0。
优选地,所述得到D2D最优发射功率的过程包括以下步骤:
初始化参数,猎人猎物位置种群大小为nPop,最大迭代数为lmax,设定调节参数为β=0.1;
初始化猎人猎物种群HPO,其元素为D2D用户发射功率,并用目标函数对元素进行评估,其中Rtotal(·)为式(6)表示系统总吞吐量计算公式,Interc(·)为式(2)表示蜂窝用户受到的干扰,D2D通信用户的最大发射功率为PDmax,D2D通信用户的最小发射功率为PDmin,X表示D2D用户数,rand(1)表示0到1之间的一个随机数,PDj(i)表示第j个种群第i个D2D用户的发射功率;
Hj={PDj(1),PDj(2),...,PDj(i),...PDj(X)},i∈(1,X)
PDj(i)∈[PDmax,PDmin],PDj(i)=PDmin+rand(1)*(PDmax-PDmin) (12)
通过对Rtotal(HPO)进行排序得到系统总吞吐量最大值maxRtotal,它对应的位置为最优位置Hbest∈(H1,HnPop),设当前迭代次数为l,引入平衡参数C和自适应参数Z,并且C值在迭代过程中从1减少到0.02,它们的计算公式如下所示:
P=rand(1)<C;IDX=(P==0)
Z=rand(1)*IDX+rand(1)*(~IDX) (14)
若rand(1)<β,则当前Hj被视为猎人,猎人向猎物移动,首先计算出所有元素的平均值即D2D平均发射功率随后计算出μ到Hj之间的欧几里得距离并进行排序得到Dist,选择距离D2D平均发射功率最大的Hj作为猎物Ppos,且Ppos=Dist(Kbest),其中Kbest=round(C*nPop),于是猎人位置更新公式如下所示:
Hnew=Hj+0.5*[(2*CZPpos-Hj)+(2(1-C)Zμ-H(j))] (15)
若rand(1)≥β,则当前Hj被视为猎物,猎物更新公式如下:
Hnew=Hbest+CZcos(2π*r4)*(Hbest-Hj) (16)
其中r4=-1+2*rand(1),
若Rtotal(Hnew)优于Rtotal(Hbest)且Interc(Hnew)优于Interc(Hbest),则更新Hbest,然后不断迭代直至达到最大迭代次数,会得到一个最优D2D发射功率。
优选地,所述β是0到1之间的任意数值。
本发明的有益效果:
本发明D2D功率控制问题属于混合整数非线性规划问题(MINLP),于是采用一种基于种群的元启发式算法—猎人猎物优化算法进行求解,猎人猎物优化算法能够大大提高解决MINLP问题的能力,这是因为首先猎人猎物种群元素是根据D2D发射功率边界随机产生的,又因为随机选择猎人猎物且猎人围绕猎物作随机运动,所以陷入局部最优几率低,其次该算法以D2D平均发射功率为猎物来进行搜索,随着不断迭代猎人会自适应的减少与平均发射功率的距离,以保证算法的收敛性,且每次迭代猎人或者猎物会与当前最优解进行比较并更新,最后在优化过程中猎人会向最佳的猎物位置调整,同时会指引猎物到搜索空间中有希望逃生的位置,保证了搜索与开发之间的平衡。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明单一D2D网络小区系统模型示意图;
图2是本发明不同算法系统用户吞吐量对比示意图;
图3是本发明不同算法蜂窝用户总干扰对比示意图;
图4是本发明不同算法系统用户吞吐量累积分布CDF对比示意图;
图5是本发明不同算法蜂窝用户总干扰累积分布CDF对比示意图。
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。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
如图1-5所示,一种基于猎人猎物优化的D2D通信功率控制方法,方法包括以下步骤:
对D2D功率控制变量和相关约束条件进行建模;
分别对复用模式下D2D用户和蜂窝用户的吞吐量进行建模,以最大化D2D通信网络的吞吐量为目标,将D2D功率控制问题构建为混合整数非线性规划问题Φ;
采用猎人猎物优化算法对混合整数非线性规划问题Φ进行求解,得到D2D最优发射功率,进而实现系统用户吞吐量最大化和降低蜂窝用户干扰。
图1是一个包含有中心基站的单一D2D网络小区系统,在该系统中有两种采用不同通信方式的用户均匀分布,分别是D2D通信用户对DUE和蜂窝用户CUE,其中DUE包括DUE发射端和DUE接收端。值得注意的是,DUE用户对有专用模式和复用模式两种工作模式,而本发明只考虑在复用模式下的功率控制问题。当DUE用户复用CUE用户频谱资源时蜂窝用户会受到来自DUE用户发射端的同频干扰,同时DUE用户接收端也会受到蜂窝用户的干扰,其系统参数如表1所示。
表1小区系统参数
基于上述系统模型和仿真参数,本发明提供的基于猎人猎物优化的D2D功率控制及干扰管理方法流具体的实现步骤如下:
初始化参数,猎猎物位置种群大小为nPop=30,最大迭代数为lmax=100,设定调节参数为β=0.1(注意β可以是0到1之间的任意数值)。
初始化猎人猎物种群HPO,其元素为D2D用户发射功率,并用目标函数对元素进行评估,其中Rtotal(·)为式(6)表示系统总吞吐量计算公式,Interc(·)为式(2)表示蜂窝用户受到的干扰,D2D通信用户最大发射功率为PDmax,最小发射功率为PDmin,X表示D2D用户数,PDj(i)表示第j个种群第i个D2D用户的发射功率,需要注意的是,目标函数评估中只考虑D2D发射功率是变量。
Hj={PDj(1),PDj(2),...,PDj(i),...PDj(X)},i∈(1,X)
PDj(i)∈[PDmax,PDmin],PDj(i)=PDmin+rand(1)*(PDmax-PDmin) (12)
通过对Rtotal(HPO)进行排序得到系统总吞吐量最大值maxRtotal,它对应的位置即是最优位置Hbest∈(H1,HnPop),然后假设当前迭代次数为l,为了维持探索和开发之间的平衡,引入平衡参数C和自适应参数Z,并且C值在迭代过程中从1减少到0.02,它们的计算公式如下所示:
若rand(1)<β,则当前Hj被视为猎人,猎人向猎物移动,首先计算出所有元素的平均值即D2D平均发射功率随后计算出μ到Hj之间的欧几里得距离并进行排序得到Dist,选择距离D2D平均发射功率最大的Hj作为猎物Ppos,但是这样的话,会导致该算法具有延迟收敛性。为了避免这个问题,从狩猎场景考虑一种递减机制即Ppos=Dist(Kbest),其中Kbest=round(C*nPop),于是猎人位置更新公式如下所示:
Hnew=Hj+0.5*[(2*CZPpos-Hj)+(2(1-C)Zμ-H(j))] (15)
若rand(1)≥β,则当前Hj被视为猎物,猎物更新公式如下:
Hnew=Hbest+CZcos(2π*r4)*(Hbest-Hj) (16)
其中r4=-1+2*rand(1)。
若Rtotal(Hnew)优于Rtotal(Hbest)且Interc(Hnew)优于Interc(Hbest),则更新Hbest,然后不断迭代直至达到最大迭代次数,会得到一个最佳D2D发射功率。
基于以上设置的系统参数以及算法步骤,本发明验证了所提算法的有效性及优越性。
其中图2,图3,图4,图5中所述的和声搜索算法(Harmony search algorithm,HS)源自音乐创作,是由Geem等人在2001年提出。在演奏音乐的过程中,音乐家会根据自己的记忆去反复调整每个乐器产生的音调,使其产生一个最美和声,其工作原理为:首先随机产生若干个和声元素放入和声记忆库,然后根据和声记忆库考虑概率产生新解,随后通过音调微调概率对新解进行微调,微调值由音调微调幅度决定,最后对新解进行评估,若新解优于和声记忆库中最差解,则用新解更新最差解,然后不断迭代直至达到最大迭代次数。而自适应全局最优和声搜索算法(self-adaptive global best harmony search algorithm,SGHS)是为了避免陷入局部最优而在HS算法上改进的一种算法,由PanQK等人于2010年提出。相比较经典HS算法,它会通过观察和声记忆库中和声元素的历史记录来生成自适应参数,并根据自适应参数更新和声记忆库中的和声元素。它们与HPO算法的性能比较如图2,图3,图4,图5所示。
从图2可以看出三种功率控制算法的系统吞吐量都随着D2D通信用户数量增加呈上升趋势,并且可以知道本文所提的猎人猎物优化算法与HS算法和SGHS算法相比较,系统吞吐量分别提高了26%和27.1%。图3说明了随着D2D用户对数量的增加,蜂窝用户受到的总干扰也是不断增加的,且三种算法在相同条件下,其降低干扰的能力是HPO算法最优,SGHS算法次之,HS算法最差,本文所提算法分别比HS算法和SGHS算法的蜂窝用户总干扰降低了50.2%和52.6%的干扰。图4反映了系统吞吐量的累积分布情况,可以看出在同一CDF的条件下本文算法的系统吞吐量高于其他两种算法,并且可以看出HS算法和SGHS算法系统吞吐量小于2*104dBm的比例达到100%。而图5表示蜂窝用户总干扰的累积分布状况,可以看出使用HPO算法时,蜂窝用户总干扰小于1*105dBm的比例已经达到100%,而此时其他算法的比例较低。综上所述,本文所提的猎人猎物优化算法明显优于其他两种算法,能够有效提高系统吞吐量并降低干扰。
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内容。
Claims (8)
1.一种基于猎人猎物优化的D2D通信功率控制方法,其特征在于,方法包括以下步骤:
对D2D功率的控制变量和相关约束条件进行建模;
分别对复用模式下D2D用户和蜂窝用户的吞吐量进行建模,以最大化D2D通信网络的吞吐量为目标,将D2D功率控制问题构建为混合整数非线性规划问题Φ;
采用猎人猎物优化算法对混合整数非线性规划问题Φ进行求解,得到最优的D2D发射功率,进而实现系统用户吞吐量最大化和降低蜂窝用户干扰。
2.根据权利要求1所述的一种基于猎人猎物优化的D2D通信功率控制方法,其特征在于,所述建模的过程包括以下步骤:
设置蜂窝用户最大发射功率为Pcmax,D2D用户产生最大干扰门限为Intermax,D2D通信用户最大发射功率为PDmax,最小发射功率为PDmin,DUE用户的最小信噪比为SINRDmin;
设小区内有X个D2D通信用户对{DUET(1),DUER(1);DUET(2),DUER(2)…DUET(i),DUER(i);DUET(X),DUER(X)},其中DUET(i)表示第i个D2D通信用户发射端,DUER(i)表示第i个D2D通信用户接收端,i由到X,Y个蜂窝用户{CUE(1),CUE(2),…,CUE(Y)},系统所有用户的路损增益模型为:
PR=PsKd-α (1)
其中K为路径损耗常数,α为路径损耗指数,d为用户间距离,Ps为发射功率,PR为接收功率;
当第i对DUE用户复用第j个CUE用户频谱资源时,DUE用户对蜂窝用户产生的干扰为:
PD(i)表示第i对DUE的发射功率,di,bs表示第i对DUE用户到基站的距离;CUE用户对DUE用户产生的干扰为:
其中Pc(j)表示第j个CUE用户的发射功率,di,j表示第j个CUE用户到第i对DUE用户接收端的距离;
此时DUE用户的信噪比为:
N0为高斯白噪声功率,此时,根据香农公式,第i个DUE用户的吞吐量为:
上式中B表示系统带宽,SINRD(i)表示第i对DUE用户的信噪比。
3.根据权利要求1所述的一种基于猎人猎物优化的D2D通信功率控制方法,其特征在于,所述构建为混合整数非线性规划问题Φ的过程包括以下步骤:
式(6)是系统总吞吐量计算公式,前半部分是D2D用户的吞吐量,后半部分是蜂窝用户的吞吐量;di表示第i对D2D用户之间的距离,i从1到X,表示第i对D2D用户,dj,bs表示第j个蜂窝用户到基站的距离,j从1到Y,表示第j个蜂窝用户;式(7)是D2D发射功率上下边界;式(8)表示D2D用户的信噪比下限;式(9)是指D2D用户对蜂窝用户产生干扰上限;式(10)中所述表示一对DUE用户只能复用一个蜂窝用户并且一个蜂窝用户的资源只能被一对DUE用户复用。其中ηi,j是指第i对DUE用户复用第j个用户的频谱资源,为了避免D2D用户对之间的干扰,规定ηi,j=1表示DUE(i)用户与CUE(j)用户共享频谱资源,否则ηi,j=0。
5.根据权利要求1所述的一种基于猎人猎物优化的D2D通信功率控制方法,其特征在于,所述得到最优的D2D发射功率的过程包括以下步骤:
初始化参数,猎人猎物位置种群大小为nPop,最大迭代数为lmax,设定调节参数为β=0.1;
初始化猎人猎物种群HPO,其元素为D2D用户发射功率,并用目标函数对元素进行评估,其中Rtotal(·)为式(6)表示系统总吞吐量计算公式,Interc(·)为式(2)表示蜂窝用户受到的干扰,D2D通信用户的最大发射功率为PDmax,D2D通信用户的最小发射功率为PDmin,X表示D2D用户数,rand(1)表示0到1之间的一个随机数,PDj(i)表示第j个种群第i个D2D用户的发射功率;
Hj={PDj(1),PDj(2),...,PDj(i),...PDj(X)},i∈(1,X)
PDj(i)∈[PDmax,PDmin],PDj(i)=PDmin+rand(1)*(PDmax-PDmin) (12)
通过对Rtotal(HPO)进行排序得到系统总吞吐量最大值maxRtotal,它对应的位置为最优位置Hbest∈(H1,HnPop),设当前迭代次数为l,引入平衡参数C和自适应参数Z,并且C值在迭代过程中从1减少到0.02,它们的计算公式如下所示:
P=rand(1)<C;IDX=(P==0)
Z=rand(1)*IDX+rand(1)*(~IDX) (14)
若rand(1)<β,则当前Hj被视为猎人,猎人向猎物移动,首先计算出所有元素的平均值即D2D平均发射功率随后计算出μ到Hj之间的欧几里得距离并进行排序得到Dist,选择距离D2D平均发射功率最大的Hj作为猎物Ppos,且Ppos=Dist(Kbest),其中Kbest=round(C*nPop),于是猎人位置更新公式如下所示:
Hnew=Hj+0.5*[(2*CZPpos-Hj)+(2(1-C)Zμ-H(j))] (15)
若rand(1)≥β,则当前Hj被视为猎物,猎物更新公式如下:
Hnew=Hbest+CZcos(2π*r4)*(Hbest-Hj) (16)
其中r4=-1+2*rand(1),
若Rtotal(Hnew)优于Rtotal(Hbest)且Interc(Hnew)优于Interc(Hbest),则更新Hbest,然后不断迭代直至达到最大迭代次数,会得到一个最优的D2D发射功率。
6.根据权利要求1所述的一种基于猎人猎物优化的D2D通信功率控制方法,其特征在于,所述β是0到1之间的任意数值。
7.一种设备,其特征在于,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-6中任一所述的一种基于猎人猎物优化的D2D通信功率控制方法。
8.一种包含获取机可执行指令的存储介质,其特征在于,所述获取机可执行指令在由获取机处理器执行时用于执行如权利要求1-6中任一所述的一种基于猎人猎物优化的D2D通信功率控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210960504.2A CN115334631A (zh) | 2022-08-11 | 2022-08-11 | 一种基于猎人猎物优化的d2d通信功率控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210960504.2A CN115334631A (zh) | 2022-08-11 | 2022-08-11 | 一种基于猎人猎物优化的d2d通信功率控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115334631A true CN115334631A (zh) | 2022-11-11 |
Family
ID=83921620
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210960504.2A Pending CN115334631A (zh) | 2022-08-11 | 2022-08-11 | 一种基于猎人猎物优化的d2d通信功率控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115334631A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115577755A (zh) * | 2022-11-28 | 2023-01-06 | 中环服(成都)科技有限公司 | 机器人位姿矫正方法、装置、计算机设备和存储介质 |
CN115907238A (zh) * | 2023-02-27 | 2023-04-04 | 南京邮电大学 | 基于改进猎食者优化算法的多目标应急物资中心选址方法 |
-
2022
- 2022-08-11 CN CN202210960504.2A patent/CN115334631A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115577755A (zh) * | 2022-11-28 | 2023-01-06 | 中环服(成都)科技有限公司 | 机器人位姿矫正方法、装置、计算机设备和存储介质 |
CN115907238A (zh) * | 2023-02-27 | 2023-04-04 | 南京邮电大学 | 基于改进猎食者优化算法的多目标应急物资中心选址方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115334631A (zh) | 一种基于猎人猎物优化的d2d通信功率控制方法 | |
Zhang et al. | Energy-efficient resource allocation in uplink NOMA systems with deep reinforcement learning | |
Wei et al. | Joint user scheduling and content caching strategy for mobile edge networks using deep reinforcement learning | |
CN108848561A (zh) | 一种基于深度强化学习的异构蜂窝网络联合优化方法 | |
Zhang et al. | Power allocation in multi-cell networks using deep reinforcement learning | |
Zhang et al. | Deep reinforcement learning for multi-agent power control in heterogeneous networks | |
Wang et al. | Joint interference alignment and power control for dense networks via deep reinforcement learning | |
Zhou et al. | Joint power and rate control in cognitive radio networks: A game-theoretical approach | |
CN106231610B (zh) | Femtocell双层网络中基于分簇的资源分配方法 | |
JP2013506375A (ja) | 通信システムにおけるユーザスケジューリング及び送信電力制御方法、及び装置 | |
CN110233755B (zh) | 一种物联网中雾计算的计算资源和频谱资源分配方法 | |
CN109714786B (zh) | 基于Q-learning的毫微微小区功率控制方法 | |
Qian et al. | Distributed nonconvex power control using Gibbs sampling | |
CN114641076A (zh) | 一种超密集网络中基于动态用户满意度的边缘计算卸载方法 | |
Giannopoulos et al. | WIP: Demand-driven power allocation in wireless networks with deep Q-learning | |
Nguyen et al. | Deep reinforcement learning for collaborative offloading in heterogeneous edge networks | |
AlSobhi et al. | QoS-aware resource allocation of two-tier HetNet: A Q-learning approach | |
Gao et al. | Reinforcement learning based resource allocation in cache-enabled small cell networks with mobile users | |
Zhang et al. | Computation offloading and resource allocation in F-RANs: A federated deep reinforcement learning approach | |
Zhao et al. | Partial expert-based adversarial relay learning strategy for underwater acoustic sensor networks | |
Nguyen et al. | Utility optimization for blockchain empowered edge computing with deep reinforcement learning | |
CN107087279B (zh) | 一种基于稳定接入关系的基站激活和波束成形方法 | |
CN107682934A (zh) | Ofdm多用户系统中一种自适应资源改进分配方案 | |
CN108260199B (zh) | 异构蜂窝网络基站中功率控制方法 | |
CN108901074B (zh) | 一种基于布谷鸟搜索算法的移动用户频谱分配方法 |
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 |