CN115835358A - 一种上行链路noma系统用户分组和功率分配的联合优化方法 - Google Patents

Abstract

本发明公开了一种上行链路NOMA系统用户分组和功率分配的联合优化方法，属于无线通信多址接入领域。本发明通过联合优化用户分组与功率分配，首先，构建系统模型，并在此基础上将问题公式化。其次，根据用户间信道增益的差异，通过信道均衡匹配的分组算法对用户进行分组。最后，引入基于混沌映射的自适应粒子群优化算法，得到功率分配矩阵，对系统用户功率进行分配，完成上行链路NOMA系统的性能优化。本发明进一步提高了系统的吞吐性能与吞吐量，并且相较于同等条件下的粒子群算法，本发明具有更快的收敛速度和寻优能力。

Description

一种上行链路NOMA系统用户分组和功率分配的联合优化方法

技术领域

本发明属于无线通信多址接入领域，具体涉及一种上行链路NOMA系统用户分组和功率分配的联合优化方法。

背景技术

由于频谱资源的日渐稀缺，正交多址接入技术会存在诸多限制，非正交多址接入(Non-Orthogonal Multiple Access，NOMA)技术不仅能够支持大规模用户接入，而且还可以很大程度上提升频谱效率。目前，学术界对于NOMA系统上行链路优化研究方法较少，而且这些方法或只考虑了用户功率分配忽略了用户分组带来的性能提升，或是采用简单用户分组方案忽略了用户增益差距不大情境下的性能优化，或者是两者都考虑，但是寻找最优解的能力较低。因此缺乏一个综合考虑用户分组和功率分配且复杂度较低的联合优化方法。

发明内容

针对上述问题，本发明提出了一种基于上行链路NOMA系统的用户分组和功率分配的联合优化方法。本发明通过联合优化用户分组与功率分配，首先根据用户间信道增益的差异对用户进行分组，然后引入基于混沌映射的自适应粒子群优化算法，对用户功率进行分配。自适应算法根据粒子与最优点的距离进行动态调整，增强粒子群算法寻优能力，混沌映射的随机性和遍历性加强了粒子群算法的全局搜索能力，避免了陷入局部最优的困境。

本发明包含以下步骤：

S1，构建系统模型

考虑单个小区上行链路NOMA系统，假设该系统有N个子信道和N×K个用户，分别用集合N1＝{1,2,…,n,…,N}和M1＝{1,2,…,m,…,M}表示，其中K为每个子信道最多包含的用户数。当不同用户通过NOMA技术发送消息到基站，同子信道用户间存在干扰。为了避免信道复用产生的严重干扰导致用户的通信质量降低，所以需要对每个子信道最多包含的用户数K进行限制。根据上行传输场景中的连续干扰消除(successive interferencecancellation，SIC)技术方案，基站首先解码具有较高信道增益的用户信号，并把其他用户的信号视作干扰，然后将解码信号从其他用户的干扰项中去除。假设子信道n增益排列顺序定义为H_n＝{h_n,1≥h_n,2≥…≥h_n,K}，那么，子信道n上的用户k的信干燥比为：

其中，p_n是为子信道n分配的发送功率，α_n,k是用户功率分配系数，h_n,k表示用户k在基站子信道n上的信道增益，σ²表示加性高斯白噪声(AWGN)的功率。

根据香农公式，第n个子信道的用户k的上行链路数据速率表示为：

R_n,k＝Blog₂(1+SINR_n,k) (2)

其中，B表示每个子信道的固定带宽。

由公式(2)推导得，第n个子信道的所有用户和数据速率为：

S2，问题公式化

上行链路NOMA系统联合用户分组和功率分配优化最大化系统和速率问题的目标函数可以描述为：

其中，约束C1为子信道n上的总分配功率限制，约束C2为用户功率系数最小值的约束，约束C3为保证所有用户分配功率和小于总功率最大值，其中P_tot表示所有用户总发射功率的最大值。

S3，用户分组方案

考虑边缘用户的效益，并综合系统总吞吐量，在上行链路NOMA系统中构建一个PF比例公平表达式：

其中，Γ_m表示用户m的累计平均速率，t_c为平均时间间隔。

假设Γ_m初始值为0，定义用户m在子信道n的增益因子为G_m＝R_n,m/Γm。根据实际NOMA系统情况设定用户信道增益差异的基准值

判断

与用户之间增益因子差

的大小关系，若

则两用户信道增益差异较小，相互匹配效益较低。

以子信道用户数K＝2为例，分组算法如下：

(1)首先对所有用户的增益因子G_m降序排列，选取增益因子差异最大的两个用户m₁，m₂计算增益因子差，若

则表示用户m₁与用户m₂之间有较大的信道增益差异，将用户m₁和m₂分为一组放入子信道n并将其从用户集合M1中去除，更新Γ_m，执行(3)；若

则表示用户m₁与m₂之间信道增益差异较小，选择二者较大的一个放入子信道n，并将其从用户集合M1中去除，更新Γ_m，执行(2)。

(2)为子信道n选择另一个用户配对，从用户集合M1中随机选取一个用户，根据公式(3)计算子信道n的所有用户和数据速率，选取使其和速率最大的用户放入子信道n，并将该用户从用户集合M1中去除，更新Γ_m。

(3)令n＝n+1，若n>N，则算法结束，输出用户分组方案；反之则跳转执行(1)。

S4，联合用户分组的系统用户功率分配方案

粒子群算法基本思想是利用各粒子在迭代过程中通过学习自己运动轨迹，也学习其他粒子的运动轨迹的最优值来达到最优值导向的算法。粒子在运动过程中的自我认识，自我优化，将这一过程公式化为：

V_i＝wV_i+c₁r₁(pbest-P_i)+c₂r₂(gbest-P_i) (6)

P_i＝P_i+V_i (7)

式(6)可称为粒子运动的步长，P_i为第i个粒子的位置信息，也即功率分配矩阵。w称为惯性因子，表示上一次运动步长对本次的影响。c₁、c₂为加速因子，分别表示粒子在运动过程中受自身历史轨迹和种群历史轨迹的影响程度。参数r₁、r₂为两个(0,1)之间的随机数。将式(4)定义为适应度函数，通过每个粒子的适应度值大小来决定粒子的好坏，取某个粒子截至目前迭代过程中适应度值最大的位置记作个体最优值pbest，取种群截至目前迭代过程中适应度最大的位置记作全局最优值gbest。

式(7)表示粒子迭代过程中的位置更新，基于用户发射总功率的限制，每次粒子的位置更新后均需要判断是否超过用户总发射功率，若超过总发射功率，则需要进行同比例缩小，其公式如下：

本发明构建一个自适应算法，使惯性因子不仅随着迭代次数的增加而递减，还随着离全局最优点距离的增加而递增，即惯性因子会随着迭代次数的增加而动态变化。惯性因子公式如下：

其中，w_max和w_min分别表示惯性因子的最大值和最小值，f_avg和f_max分别表示当前种群对于适应值函数值的平均值和最大值。

本发明提出一种基于Logistic方程的混沌粒子群优化算法(CPSO)，在自适应权重粒子群算法基础上，添加上混沌扰动算子，使算法能在接近最优解的附近小邻域内局部搜索，更全面覆盖近似最优解附近的解，避免最优解的遗失。添加混沌扰动算子的粒子位置更新可由下式表示：

P_i＝P_i+V_i+μP_i(1-P_i) (10)

其中，μ为控制变量，通常将其设置为4，此时该混沌扰动算子的随机性最好。

基于混沌粒子群的功率分配算法如下：

(1)初始化粒子群大小L、算法最高迭代次数T、加速因子等相关参数。

(2)对粒子群的位置进行初始化，即系统的功率分配矩阵。同时初始化每个粒子的初始运动步长。

(3)根据适应度函数计算每个粒子适应度值，根据适应度值更新个体最优值pbest和种群最优值gbest。

(4)判断当前的迭代次数t是否小于最大迭代次数T，若是，则继续执行，若否，则执行(8)。

(5)根据式(9)设定惯性因子w。

(6)根据式(6)式(10)更新每个粒子的运动步长和空间位置。

(7)更新迭代次数t＝t+1，跳转执行(3)。

(8)算法结束，输出功率分配矩阵。

S5，根据S3得到的用户分组与S4得到的最优功率分配矩阵，带入目标函数式(4)得到系统和速率的最优值，完成上行链路NOMA系统的性能优化。

本发明的有益效果是：

1、相较于只考虑功率分配的算法来说，本发明联合优化了用户分组与功率分配，进一步提高了系统的吞吐性能。

2、相对于简单远近配对来说，考虑了信道增益差别不大用户的配对情况，在同等算法复杂度的前提下，进一步提高了系统的吞吐量。

3、基于混沌映射的自适应粒子群算法优化功率分配，使用自适应算法动态调节惯性因子，又基于混沌映射的遍历性和随机性使算法更全面覆盖最优解附近的解，相较于同等条件下的粒子群算法，本发明具有更快的收敛速度和寻优能力。

附图说明

图1为本发明具体流程图。

具体实施方式

为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施例仅用于说明和解释本发明，但并不用于限定本发明。

由于NOMA系统是同一时频资源上传输多个用户的信号，这就会带来同子信道用户间的干扰，合理的子信道用户分组和用户的功率分配不仅会减小用户间干扰提升系统吞吐量，而且还会降低基站接收机解码的复杂度，因此对同子信道上传输用户的选择和功率分配的研究十分必要。

具体流程详细见图1：本发明提供了一种上行链路NOMA系统用户分组和功率分配的联合优化方法，步骤如下：

S1：将小区N×K个用户分成N簇，每簇包含K个用户。分别用集合N1＝{1,2,…,n,…,N}和M1＝{1,2,…,m,…,M}表示子信道簇数和总用户数。同一子信道上的K个用户共享同一时频资源，不同子信道之间相互正交。假设K个用

222户在子信道n上传输的信道增益满足条件h_n,1≥h_n,2≥…≥h_n,K，那么，该小区子信道n上第k个用户的信干燥比为：

其中，p_n是为子信道n分配的发送功率，α_n,k是用户功率分配系数，h_n,k表示用户k在基站子信道n上的信道增益，σ²表示加性高斯白噪声(AWGN)的功率。

根据香农公式，第n个子信道的用户k的上行链路数据速率表示为：

R_n,k＝Blog₂(1+SINR_n,k) (2)

其中，B表示每个子信道的固定带宽。

由公式(2)推导得，第n个子信道的所有用户和数据速率为：

S2：本发明将通过用户分组和功率分配来优化系统总吞吐量，从式(3)可知，要想提高系统和速率，要考虑两方面，一方面是用户分组，另一方面是功率分配。因此上行NOMA系统联合用户分组和功率分配优化最大系统和速率问题的目标函数可描述为：

其中，约束C1为子信道n上的总分配功率限制，约束C2为用户功率系数的最小值约束，约束C3为保证所有用户分配功率和小于总功率最大值，其中P_tot表示所有用户总发射功率的最大值。

S3：确定各子信道用户分配关系。由步骤1知子信道用户间信道增益差异决定了NOMA系统性能上限，信道增益差异越大接收端SIC接收机的设计就越简单，根据这一特点再综合考虑边缘用户的效益，本发明提出一种信道均衡匹配的分组算法。

在NOMA系统中构建一个PF公平准则表达式：

其中，Γ_m为用户m的累计平均速率，t_c为平均时间间隔。

假设Γ_m初始值为0，定义用户m在子信道n的增益因子为G_m＝R_n,m/Γ_m。根据实际NOMA系统情况设定用户信道增益差异的基准值

判断

与用户之间增益因子差

的大小关系，若

则两用户信道增益差异较小，相互匹配效益较低。

以子信道用户数K＝2为例，本步骤可以分为以下子步骤：

(1)首先对所有用户的增益因子G_m降序排列，选取增益因子差异最大的两个用户m₁，m₂计算增益因子差，若

则表示用户m₁与用户m₂之间有较大的信道增益差异，将用户m₁和m₂分为一组放入子信道n并将其从用户集合M1中去除，更新Γ_m，执行(3)；若

则表示用户m₁与m₂之间信道增益差异较小，选择二者较大的一个放入子信道n，并将其从用户集合M1中去除，更新Γ_m，执行(2)。

(2)为子信道n选择另一个用户配对，从用户集合M1中随机选取一个用户，根据公式(3)计算子信道n的所有用户和数据速率，选取使其和速率最大的用户放入子信道n，并将该用户从用户集合M1中去除，更新Γ_m。

(3)令n＝n+1，若n>N，则算法结束，输出用户分组方案；反之则跳转执行(1)。

S4：确定系统用户功率分配方案

在NOMA系统中，在发送端完成对用户与子信道分组匹配之后，需要为复用在子信道上的用户分配功率。合适的功率分配使NOMA分组内用户形成功率差，进而降低接收端解调用户信号的干扰，提高SIC性能和系统吞吐能力。本发明考虑基于混沌映射自适应粒子群算法，以用户功率分配矩阵为种群初始位置，进行全局搜索优化。

粒子群算法基本思想是利用各粒子在迭代过程中通过学习自己运动轨迹，也学习其他粒子的运动轨迹的最优值来达到最优值导向的算法。基于混沌映射的自适应粒子群的功率分配算法详细介绍如下：

首先初始化大小为L的粒子群、算法最高迭代次数T、加速因子等相关参数，粒子群P＝{P₁,P₂,…,P_l,…,P_L}，其中P_l为第l个粒子的位置信息，也即功率分配矩阵，基站为每个用户分配的功率就是一个粒子，根据目标函数式(4)作为适应度函数，通过计算每个粒子适应度值的大小来判断粒子的好坏。将某粒子截至目前迭代过程适应度的最大值定义为个体最优值pbest，对应的适应度值记为R_l，这表示粒子自我认知的过程。将截至目前迭代过程的所有粒子个体最优值的最大值定义为群体最优值gbest，对应适应度值记为R_g，即R_g＝max{R₁,R₂,…,R_L}。

其次，在下次迭代开始，每个粒子根据pbest和gbest搜索自己下一个位置信息，这个优化过程可表示为：

V_i＝wV_i+c₁r₁(pbest-P_i)+c₂r₂(gbest-P_i) (6)

P_i＝P_i+V_i (7)

式(6)可称为粒子运动的步长，P_i为第i个粒子的位置信息，也即功率分配矩阵。w称为惯性因子，表示上一次运动步长对本次的影响。c₁、c₂为加速因子，分别表示粒子在运动过程中受自身历史轨迹和种群历史轨迹的影响程度。参数r₁、r₂为两个(0，1)之间的随机数。将式(4)定义为适应度函数，通过每个粒子的适应度值大小来决定粒子的好坏，取某个粒子截至目前迭代过程中适应度值最大的位置记作个体最优值pbest，取种群截至目前迭代过程中适应度最大的位置记作全局最优值gbest。

式(7)表示粒子迭代过程中的位置更新，基于用户发射总功率的限制，每次粒子的位置更新后均需要判断是否超过用户总发射功率，若超过总发射功率，则需要进行同比例缩小，其公式如下：

通过公式(6)得知，若想算法快速收敛，需要将惯性因子w调大，但是这样可能导致算法出现“早熟”现象，过早陷入局部最优。为了避免这一缺点，本发明构建一个自适应算法，使惯性因子不仅随着迭代次数的增加而递减，还随着离全局最优点距离的增加而递增，即惯性因子会随着迭代次数的增加而动态变化。惯性因子公式如下：

其中，w_max和w_min分别表示惯性因子的最大值和最小值，f_avg和f_max分别表示当前种群对于适应值函数值的平均值和最大值。

自适应权重粒子群算法比粒子群算法性能有所提高，但仍然可能陷入局部最优。基于这种情况，本发明提出一种基于Logistic方程的混沌粒子群优化方案(CPSO)，在自适应权重粒子群算法基础上，添加上混沌扰动算子，使算法能在接近最优解的附近小邻域内局部搜索，更全面覆盖近似最优解附近的解，避免最优解的遗失。添加混沌扰动算子的粒子位置更新可由下式表示：

P_i＝P_i+V_i+μP_i(1-P_i) (10)

其中，μ为控制变量，通常将其设置为4，此时该混沌扰动算子的随机性最好。

最后，每个粒子在进行迭代时，当根据式(6)(10)确定自己的位置信息后，计算适应度值并比较当前值与之前最优值大小来更新pbest，当所有粒子确定位置并更新pbest后，会对群体最优值gbest更新。如此循环迭代直到迭代终止时，gbest即为寻找的最优解。

S5：根据S3得到的用户分组与S4得到的最优功率分配矩阵，带入目标函数式(4)得到系统和速率的最优值，完成上行链路NOMA系统的性能优化。

本发明从S3开始介绍用户分组和功率分配的联合优化算法，采用信道增益算法进行用户分组，在用户信道增益相差较大时选择远近分组方法，对于信道增益相差不大的用户，选择当前信道增益最大的用户加入指定子信道，然后选择使当前子信道性能最好的用户与之分组。获得一个使整个系统和速率最大的用户分组。采用一种自适应混沌粒子群功率分配算法，本算法中粒子位置变化结合一种根据粒子位置动态变化的自适应算法，使惯性因子不仅随着迭代次数的增加而递减，还随着离最优解距离的增大而增大。另外，针对于可能陷入局部最优的情况，本发明在位置变化时结合上Logistic映射的混沌序列，混沌序列的遍历性和随机性，避免了陷入局部最优的困境。

具体实现步骤：为了降低NOMA系统在接收端SIC解调的复杂度，假设每个用户只能分配一个子信道，每个子信道分配两个用户。输入初始化参数，包含子信道数、用户数、噪声功率、系统带宽、小区半径、用户发射总功率、粒子群规模、迭代次数等。

在对用户分组时，在用户数为6，子信道数位3，且子信道最大叠加用户数为2时，本发明分组算法在迭代11次后收敛，迭代次数远低穷举搜索算法。另外，对本发明分组算法与远近分组方案系统性能对比，假设两者功率分配均采用子信道间等功率分配的分数阶功率分配方案(FTPA)，传统的远近分组简单的根据用户信道增益差异大小配对，当用户信道增益差距不大时，对系统性能造成干扰。与之相比，当信道增益差距不大时，本发明以最大化子信道性能为目标进行分组，可以获得更好的系统性能。参照系统和速率变化，不同用户数量下，本发明分组算法系统和速率都高于远近分组。

在进行功率分配时，采用了NOMA技术，每个子信道叠加俩用户，相较于正交频分多址(OMA)系统，系统吞吐量得到显著提升。假设小区半径为1000m，用户总功率为40dBm，用户数为20。本发明提出的自适应混沌粒子群功率分配算法在迭代30次左右接近收敛，而传统粒子群功率分配算法需要迭代40次左右接近收敛。本发明提出功率分配算法收敛速度更快，寻优能力更强。

应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，而做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (6)

1.一种上行链路NOMA系统用户分组和功率分配的联合优化方法，其特征在于包含以下步骤：

S1，构建系统模型；

考虑单个小区上行链路NOMA系统，假设该系统有N个子信道和N×K个用户，分别用集合N1＝{1,2,…,n,…,N}和M1＝{1,2,…,m,…,M}表示，其中K为每个子信道最多包含的用户数；

S2，问题公式化；

将上行链路NOMA系统，联合用户分组和功率分配优化最大化系统以及速率问题的目标函数描述为：

其中，约束C1为子信道n上的总分配功率限制，R_n为第n个子信道的所有用户和数据速率，α_n,k是用户功率分配系数，约束C2为用户功率系数的最小值约束，约束C3为保证所有用户分配功率和小于总功率最大值，p_n是为子信道n分配的发送功率，P_tot表示所有用户总发射功率的最大值；

S3，用户分组方案；

考虑边缘用户的效益，并综合系统总吞吐量，在上行链路NOMA系统中构建一个PF比例公平表达式：

其中，Γ_m表示用户m的累计平均速率，R_n,m为第n个子信道的用户m的上行链路数据速率，t_c为平均时间间隔；

假设Γ_m初始值为0，定义用户m在子信道n的增益因子为G_m＝R_n,m/Γ_m；

根据实际上行链路NOMA系统情况设定用户信道增益差异的基准值

判断

与用户之间增益因子差

的大小关系，完成分组；

以子信道用户数K＝2为例，分组算法如下：

(1)首先对所有用户的增益因子G_m降序排列，选取增益因子差异最大的两个用户m₁，m₂计算增益因子差，若

表示用户m₁与用户m₂之间有较大的信道增益差异，将用户m₁和m₂分为一组放入子信道n并将其从用户集合M1中去除，更新Γ_m，执行(3)；若

表示用户m₁与m₂之间信道增益差异较小，选择二者较大的一个放入子信道n，并将其从用户集合M1中去除，更新Γ_m，执行(2)；

(2)为子信道n选择另一个用户配对，从用户集合M1中随机选取一个用户，计算子信道n的所有用户和数据速率，选取使其和数据速率最大的用户放入子信道n，并将该用户从用户集合M1中去除，更新Γ_m；

(3)令n＝n+1，若n>N，则算法结束，输出用户分组方案；反之则跳转执行(1)；

S4，联合用户分组的系统用户功率分配，基于混沌粒子群的功率分配算法如下：

(1)初始化粒子群大小L、算法最高迭代次数T以及加速因子；

(2)对粒子群的位置进行初始化，即系统的功率分配矩阵，同时初始化每个粒子的初始运动步长；

(3)根据适应度函数计算每个粒子适应度值，根据适应度值更新个体最优值pbest和种群最优值gbest；

(4)判断当前的迭代次数t是否小于最大迭代次数T，若是，则继续执行，若否，则执行(8)；

(5)设定惯性因子w；

(6)更新每个粒子的运动步长和空间位置；

(7)更新迭代次数t＝t+1，跳转执行(3)；

(8)算法结束，输出功率分配矩阵；

S5，根据S3得到的用户分组与S4得到的最优功率分配矩阵，带入目标函数式(4)得到系统和速率的最优值，完成上行链路NOMA系统的性能优化。

2.根据权利要求1所述的一种上行链路NOMA系统用户分组和功率分配的联合优化方法，其特征在于：在步骤1中，假设子信道n增益排列顺序定义为H_n＝{h_n,1≥h_n,2≥…≥h_n,K}，子信道n上的用户k的信干燥比为：

其中，p_n是为子信道n分配的发送功率，α_n,k是用户功率分配系数，h_n,k表示用户k在基站子信道n上的信道增益，σ²表示加性高斯白噪声的功率；

根据香农公式，第n个子信道的用户k的上行链路数据速率表示为：

R_n,k＝Blog₂(1+SINR_n,k) (2)

其中，B表示每个子信道的固定带宽；

由公式(2)推导得，第n个子信道的所有用户和数据速率为：

3.根据权利要求1所述的一种上行链路NOMA系统用户分组和功率分配的联合优化方法，其特征在于：在步骤4中，粒子在运动过程中的自我认识，自我优化，将这一过程公式化为：

V_i＝wV_i+c₁r₁(pbest-P_i)+c₂r₂(gbest-P_i) (6)

P_i＝P_i+V_i (7)

式(6)称为粒子运动的步长，式(7)表示粒子迭代过程中的位置更新，P_i为第i个粒子的位置信息，即功率分配矩阵，w称为惯性因子，表示上一次运动步长对本次的影响，c₁、c₂为加速因子，分别表示粒子在运动过程中受自身历史轨迹和种群历史轨迹的影响程度，参数r₁、r₂为两个(0,1)之间的随机数；将式(4)定义为适应度函数，取某个粒子截至目前迭代过程中适应度值最大的位置记作个体最优值pbest，取种群截至目前迭代过程中适应度最大的位置记作全局最优值gbest；

在自适应权重粒子群算法基础上，添加上混沌扰动算子，添加混沌扰动算子的粒子位置更新由下式表示：

P_i＝P_i+V_i+μP_i(1-P_i) (10)

其中，μ为控制变量。

4.根据权利要求3所述的一种上行链路NOMA系统用户分组和功率分配的联合优化方法，其特征在于：构建自适应算法，使惯性因子w随着迭代次数的增加而动态变化，惯性因子公式如下：

其中，w_max和w_min分别表示惯性因子的最大值和最小值，f_avg和f_max分别表示当前种群对于适应值函数值的平均值和最大值。

5.根据权利要求3所述的一种上行链路NOMA系统用户分组和功率分配的联合优化方法，其特征在于：式(7)表示粒子迭代过程中的位置更新，基于用户发射总功率的限制，每次粒子的位置更新后均判断是否超过用户总发射功率，若超过总发射功率，则进行同比例缩小，其公式如下：

6.根据权利要求3所述的一种上行链路NOMA系统用户分组和功率分配的联合优化方法，其特征在于：式(10)中，将控制变量μ设置为4。

Images