CN116056210A - 一种面向容量覆盖的irs辅助超密集网络资源分配方法 - Google Patents

一种面向容量覆盖的irs辅助超密集网络资源分配方法 Download PDF

Info

Publication number
CN116056210A
CN116056210A CN202310067129.3A CN202310067129A CN116056210A CN 116056210 A CN116056210 A CN 116056210A CN 202310067129 A CN202310067129 A CN 202310067129A CN 116056210 A CN116056210 A CN 116056210A
Authority
CN
China
Prior art keywords
irs
base station
user
sub
channel
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
Application number
CN202310067129.3A
Other languages
English (en)
Inventor
刘俊宇
李瑀萌
盛敏
郑阳
李建东
史琰
常乔伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xidian University
Original Assignee
Xidian University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xidian University filed Critical Xidian University
Priority to CN202310067129.3A priority Critical patent/CN116056210A/zh
Publication of CN116056210A publication Critical patent/CN116056210A/zh
Pending legal-status Critical Current

Links

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
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/22—Traffic simulation tools or models
    • 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
    • H04W72/046—Wireless resource allocation based on the type of the allocated resource the resource being in the space domain, e.g. beams
    • 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

本发明提供一种面向容量覆盖的IRS辅助超密集网络资源分配方法，属于通信网络资源分配技术领域，解决了超密集网络中干扰严重和容量覆盖空洞的问题；包括：S1、初始化系统的各个参数；S2、建立信道模型，并修正估计信道的信息；S3、建立联合优化问题，并将联合优化问题拆分为两个子问题，子问题一为基站与用户关联和子载波分配的优化问题，子问题二为IRS波束设计的优化问题；S4、依据网络链路状态进行用户关联和载波分配，实现干扰管控；S5、在资源分配结果的基础上，依据干扰情况进行波束设计，干扰可感知地实现容量覆盖最大化；本发明实现了干扰管控和系统容量覆盖最大化，以及整改通信网络系统内用户速率之和的最大化。

Description

一种面向容量覆盖的IRS辅助超密集网络资源分配方法
技术领域
本发明属于通信网络资源分配技术领域，应用于超密集网络中，具体为一种面向容量覆盖的IRS辅助超密集网络资源分配方法。
背景技术
为了满足不断提升的通信网络容量需求，超密集网络(Ultra-Dense Network，UDN)技术逐渐成为支撑5G以及未来网络的核心技术；这种技术增加了接入点密度，尤其是热点地区的接入点密度，使小区部署致密化，从而形成了超密集网络，从缩短小区大小和传输距离的角度，获得了频谱效率和功率效率的大幅增益，极大的提高网络吞吐量，使未来网络能够应对复杂多变的新兴业务。
与传统蜂窝系统相比，超密集网络是一种异构网络，各类密集接入的设备造成了更强的干扰强度和复杂度，从而造成了网络中的容量覆盖空洞。智能反射表面技术(Intelligent Reflecting Surface，IRS)是针对未来网络提出的一种新型技术，具有被动反射的特性，可以通过低耗的无源反射单元控制电磁波的反射过程，重新配置无线传播环境；借助IRS技术提升超密集网络性能，弥补由于网络干扰严重造成的容量覆盖空洞，也成为了当前的热点技术。因此，如何充分利用有限资源，如何借助IRS有效配置信号传播环境，针对网络中存在的干扰，提出有效的干扰管控方法，成为超密集网络亟待解决的关键问题。
涉及IRS辅助的通信网络资源分配问题的现有成果中，IRS技术通常用于增强不同通信系统的信号覆盖能力，例如针对全双工无线供电通信网络(FD-WPCN)、认知无线网络(CR)、半免授权传输网络(SGF)等，通过优化功率分配和IRS波束设计，论证了IRS可以在保证信号覆盖的前提下，提升系统频谱效率的能力；或者基于IRS辅助的NOMA网络的特点，优化系统有源和无源波束赋形提升下行链路速率之和。但是在这些现有的研究中，缺乏对于系统容量覆盖空洞弥补问题的考量，也没有针对超密集网络中高强度和复杂度的干扰进行有效管控。
因此，现有技术存在如下缺点：
基于智能反射表面辅助上行系统动态资源分配方法，其中提出了一种动态选择IRS的方案，涉及IRS辅助通信系统的接入规则和IRS的相移设计。该方法的主要步骤是：(1)规定用户的初始接入规则，根据接入方案，对问题进行建模，引入帧的概念；(2)基于李雅普诺夫优化框架的漂移加惩罚算法对建立的长期动态优化问题进行处理，用户接入结果；(3)利用基于拉格朗日对偶理论的分式规划方法，得到功率分配和IRS相移结果，实现功率最小化；(4)迭代上述步骤(2)和(3)，获得最终用户资源分配结果。在该方法中考虑了IRS辅助系统的框架下的用户匹配、功率分配和IRS相移，但是未考虑到多接入点之间的干扰，也未涉此类干扰的干扰消除，在超密集网络的容量覆盖具有局限性。
智能反射表面辅助SM-NOMA系统资源分配方法，其中提出了一种功率分配方案，对于智能反射面辅助的SM-NOMA系统，考虑每个用户的有效信道增益进行动态用户分组。该方法的主要步骤是：(1)首先进行动态用户分组，根据用户信道增益差距进行分组；(2)以最大化系统用户速率之和为目标建立优化问题，采取使SINR最大化的优化方案；(3)拆分上述(4)中优化问题，即通过联合优化用户的功率分配系数和IRS的相移，使用户和速率达到最大。在该方法中考虑了IRS辅助系统框架下的用户速率最大化，但是对于存在严重干扰的超密集网络，该方法缺少网络中的干扰管控。
针对IRS辅助的NOMA通信系统下行链路，还有一种资源分配算法实现最大化系统吞吐量。联合优化信道分配、NOMA用户解码顺序、功率分配和IRS反射系数。在该算法中采用了集中式的IRS反射系数设计方法，场景中的全部信道信息是共享的；但是超密集网络中密集的通信节点造成了大量的信道信息，通常网络无法获知全部信道信息，因此该方法并不适用于超密集网络。
发明内容
为了通过智能反射表面IRS实现超密集网络中的电磁波流动控制，解决由于超密集网络中接入点密集造成的干扰严重，从而导致网络容量覆盖空洞的问题，以及由于信道信息获知有限而导致的干扰管控性能下降问题，本发明提出了一种面向容量覆盖的IRS辅助超密集网络资源分配方法；该方法采用具备外部性条件的多对一匹配模型结合匹配理论和经典盖尔-沙普利匹配算法完成资源分配，实现干扰管控和系统容量覆盖最大化，最终实现整改通信网络系统内用户速率之和的最大化。
本发明采用了以下技术方案来实现目的：
一种面向容量覆盖的IRS辅助超密集网络资源分配方法，包括如下步骤：
S1、初始化IRS辅助通信系统的各个参数；
S2、建立信道模型，并修正估计信道的信息；
S3、以最大化系统用户速率之和为目标，建立联合优化问题，并将联合优化问题拆分为两个子问题，子问题一为基站与用户关联和子载波分配的优化问题，子问题二为IRS波束设计的优化问题；
S4、求解子问题一，依据网络链路状态进行用户关联和载波分配，实现干扰管控；
S5、求解子问题二，在资源分配结果的基础上，依据干扰情况进行波束设计，干扰可感知地实现容量覆盖最大化。
具体的，步骤S1的初始化IRS辅助通信系统参数的过程中，针对存在IRS辅助通信系统的下行链路，系统中存在有多个通信小区以及各个小区相关联的IRS和用户；每个小区的基站配备一个IRS，并采用集中式部署将IRS的所有反射单元均放置在基站侧；所有基站和地面用户配备单天线；对于给定基站和IRS的位置，在给定范围内随机生成用户的位置和IRS波束相移。
进一步的，步骤S2的具体内容如下：
S21、确定用户通过IRS反射经由载波接收到基站的信号；
S22、计算用户得到的接收功率，依据接收功率，得出用户的信道增益；
S23、采取插值的方式还原不完整的信号，得到信道估计内容，该内容中存在估计误差；
S24、依据信道估计内容中的估计值和信道信息的概率关系，修正估计值，从而弥补估计误差；
S25、综合信道信息和修正后估计值的概率分布关系，依据该概率关系和估计值得到修正过的信道系数。
进一步的，步骤S3的具体内容如下：
S31、确定与基站关联的用户在子信道上可达到的速率；
S32、结合用户和基站相对应子信道的关联情况，得到一个基站覆盖的所有用户速率之和；
S33、以最大化系统用户速率之和为目标，建立联合优化问题；
S34、将联合优化问题拆分为两个子问题后，交替优化子问题一和子问题二达到最大迭代次数，得到最终优化结果。
进一步的，步骤S31中，与基站m关联的用户j在第k个子信道上可达到的速率写为下式：
Figure BDA0004062550370000041
式中，Im,j如下：
Figure BDA0004062550370000042
Im,j表示该用户所受到的同频信号干扰；pm,k为基站分配给第k个子载波的传输功率；hj,m,k为基站m通过子载波k到j用户的信道增益；BC为子载波的带宽；系统中的噪声为高斯加性白噪声，噪声功率为σ2；
步骤S32中，所得到的一个基站覆盖的所有用户速率之和Rm，如下式：
Figure BDA0004062550370000043
该式结合了用户j和基站相对应子信道k的关联情况。
进一步的，步骤S33中，采用大小为NBS×Nuser×Nsub的矩阵X来表示基站-用户关联与子信道分配之间的关系；若xm,j,k＝1，表示第j个用户分配到了第m个基站的第k个子信道，否则xm,j,k＝0；
建立的联合优化问题如下：
Figure BDA0004062550370000044
s.t.(1)xm,j,k≤am,j
Figure BDA0004062550370000045
Figure BDA0004062550370000051
(4)Im,j≤Ith
Figure BDA0004062550370000052
(5)θn∈[0,2π)
Figure BDA0004062550370000053
(6)xm,j,k,am,j∈{0,1}
其中，基站、用户、IRS的集合分别表示为M＝[M1…Mm…MNBS]、J＝[J1…Jj…JNuser]和R＝[R1…Rr…RNIRS]；载波集合表示为k＝[K1…Kk…KNsub]；每个反射表面的单元集合为N＝[N1…Nn…NNelement]。
进一步的，步骤S4中，采用一个三维矩阵X存储基站与用户关联和子载波这三组通信元素之间的匹配情况；同时采用带有修改的双边偏好的GS匹配算法求解基站与用户关联和子载波分配的子问题一，具体包括：
S41、定义用户集合、基站集合和子信道集合，确定匹配规则；
S42、确定用户侧匹配的偏好，集中在传输速率大的基站-子信道单元上，选择信道增益较大的单元；
S43、确定基站-子信道集合的匹配偏好；
S44、确定子信道对与每个基站-子信道单元的偏好。
进一步的，步骤S43中，在算法上定义一个偏好矩阵Γj,(m,k)，用来描述其他单元(i,(t,k))对(j,(m,k))的影响，如下式：
Figure BDA0004062550370000054
当
Figure BDA0004062550370000055
时，认为(j1,(m1,k))比(j2,(m2,k))更合适与基站-子信道单元(m,k)匹配；
当
Figure BDA0004062550370000056
时，认为(j2,(m2,k))比(j1,(m1,k))更合适与基站-子信道单元(m,k)匹配；
步骤S44中，对于子信道k，采用：
Figure BDA0004062550370000057
来衡量该信道和(m,k)单元的偏好，具体为，如果：
Figure BDA0004062550370000061
则认为基站m更适合和k1匹配；如果：
Figure BDA0004062550370000062
则认为基站m更适合和k2匹配。
进一步的，步骤S5中，采用基于拉格朗日变化的分式优化变形结合半正定松弛的方法解决IRS波束设计的子问题二，具体包括：
S51、对原问题优化目标进行拉格朗日变换，并更新本轮迭代的α(i)；
S52、对原问题优化目标和干扰约束条件进行变形；
S53、对原问题优化目标进行分式优化的变形，并确定本轮迭代的ε(i)，在此基础上，整理问题形式；
S54、将干扰约束进行变形，最终得出IRS波束设计子问题的变形形式，求解变形后的子问题，得出优化结果。
进一步的，步骤S54中，IRS波束设计子问题的变形形式如下：
Figure BDA0004062550370000063
对于上述子问题的形式，采用半正定松弛的方法进行求解，同时借助CVX得到优化结果。
综上所述，由于采用了本技术方案，本发明的有益效果如下：
1、本发明是IRS辅助的超密集网络中资源分配方法，建立了IRS辅助超密集网络的系统模型，针对超密集网络中干扰较强的特点可感知的实现干扰管控。采用具备外部性条件的多对一匹配模型结合匹配理论和经典盖尔-沙普利匹配算法完成资源分配，实现干扰管控。采用干扰排序的方式衡量各个小区中用户的受干扰情况划分强弱干扰用户类型，并限制强干扰用户受到的干扰对波束设计进行优化。联合优化地面用户和基站关联、基站下行链路载波分配以及IRS波束赋形，实现系统容量覆盖最大化。
2、本发明针对密集网络信道情况复杂，信息获知有限的情况，并针对IRS辅助的场景进行级联信道估计的信息修正。基于此优化系统中的用户基站关联、载波分配以及IRS的波束设计内容，最终实现整个通信系统内用户速率之和的最大化。
3、通过本发明，可以有效提升整个网络的系统容量；相比传统随机资源分配，本发明在用户关联与子载波分配阶段进行一定的干扰管控，有效提升了系统容量；相比无IRS辅助系统，本发明通过IRS波束设计实现干扰管控，也进一步提升了系统容量。
附图说明
图1为本发明的方法的流程示意图；
图2为本发明所涉及的系统的模型示意图；
图3为不同资源分配方案下的性能对比示意图；
图4为采用干扰管控和有效信号增强技术的性能对比示意图；
图5为不同信道估计修正性能对比示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以按各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。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他实施例，都属于本发明保护的范围。
实施例1
如图1所示，一种面向容量覆盖的IRS辅助超密集网络资源分配方法，包括如下步骤：
S1、初始化IRS辅助通信系统的各个参数；
S2、建立信道模型，并修正估计信道的信息；
S3、以最大化系统用户速率之和为目标，建立联合优化问题，并将联合优化问题拆分为两个子问题，子问题一为基站与用户关联和子载波分配的优化问题，子问题二为IRS波束设计的优化问题；
S4、求解子问题一，依据网络链路状态进行用户关联和载波分配，实现干扰管控；
S5、求解子问题二，在资源分配结果的基础上，依据干扰情况进行波束设计，干扰可感知地实现容量覆盖最大化。
本实施例将按顺序详细讲解本方法的实施过程和所涉及的计算参数。
步骤S1、初始化系统各个参数。
针对存在IRS辅助通信系统的下行链路，系统中存在多个通信小区以及各个小区相关联的IRS和用户，如图2所示。每个小区的基站配备一个IRS，由于IRS没有信号放大/再生的能力，为了降低距离路径损耗对其服务范围的影响，采用集中式部署将所有反射单元均放置在基站侧。所有基站和地面用户配备单天线。对于给定基站和IRS的位置，在给定范围内随机生成用户的位置和IRS波束相移。
步骤S2、建立信道模型，修正估计信道的信息，具体如下。
步骤S21：系统中每个基站都关联一个含有N个反射单元的IRS以提升用户的通信质量，用户接收到的信号是来自基站和IRS两路信号的叠加。其中用户j在通过IRS反射经由k载波接收到基站m的信号为：
Figure BDA0004062550370000081
式中，α1n和α2n分别是信号进入和离开IRS的第n个反射单元的路径损耗，ε1和ε2是信号进入和离开该反射单元的相移，xm,k(t)为基站m经过载波k发射的信号。
步骤S22：由基站m到用户j的直射链路也存在信道增益hd，因此该用户得到的接受功率可以表达为：
Prj＝|hrΘg+hd|2·Ptm,k
式中，hr为大小为1×N的向量，由每个反射单元的
Figure BDA0004062550370000091
组成；g为大小为N×1的向量，由每个反射单元的
Figure BDA0004062550370000092
组成；Θ为大小为N×N的对角矩阵，由每个反射单元的
Figure BDA0004062550370000093
组成，在
Figure BDA0004062550370000094
中θn是每个反射单元对信号做出的相移调整，通过相移调整完成波束设计。
则该用户的信道增益为：
hm,j,k＝hrmΘmgm+hdm,j
步骤S23：信道信息复杂的超密集场景下对信道信息的获得能力有限，采取插值的方法还原不完整的信号，得到信道估计内容。这样估计得到的结果往往存在估计误差εm,j,k，即：
Figure BDA0004062550370000095
步骤S24：根据信道估计值和信道信息的概率关系，修正估计值，弥补估计误差。针对IRS所辅助的级联信道与IRS的无源特性，直接估计级联信道的方式可以不用引入额外硬件和能源开销，即：
Figure BDA0004062550370000096
式中，
Figure BDA0004062550370000097
由于直接信道和级联信道的信道信息是不完善的，因此：
Figure BDA0004062550370000098
Figure BDA0004062550370000099
其中
Figure BDA00040625503700000910
和
Figure BDA00040625503700000911
分别为不完全CIS对信道的估计值，εd和εa是服从CSCG的估计误差，则：
Figure BDA00040625503700000912
其中，
Figure BDA00040625503700000913
则：
Figure BDA00040625503700000914
其中由信道估计误差缺乏相关性可得：
Figure BDA0004062550370000101
综合上述信道信息和其估计值的概率分布关系，依据该概率关系和估计值得到修正过的信道系数。
步骤S3、以最大化系统用户速率之和为目标，建立求解联合优化问题。
步骤S31：与基站m关联的用户j在第k个子信道上可达到的速率可以写为：
Figure BDA0004062550370000102
式中，Im,j如下：
Figure BDA0004062550370000103
Im,j表示该用户所受到的同频信号干扰；pm,k为基站分配给第k个子载波的传输功率；hj,m,k为基站m通过子载波k到j用户的信道增益，该信道增益模型在下一小节详细阐述；BC为子载波的带宽；系统中的噪声为高斯加性白噪声，噪声功率为δ2。
步骤S32：结合该用户和基站相对应子信道的关联情况，可以得到一个基站覆盖的所有用户速率之和为：
Figure BDA0004062550370000104
步骤S33：建立求解联合优化问题；采用大小为NBS×Nuser×Nsub的矩阵X来表示基站-用户关联与子信道分配之间的关系。若xm,j,k＝1，则表示第j个用户分配到了第m个基站的第k个子信道，否则xm,j,k＝0。
以最大用户速率之和建立优化问题，问题如下所示：
Figure BDA0004062550370000105
s.t.(1)xm,j,k≤am,j
Figure BDA0004062550370000106
Figure BDA0004062550370000111
Figure BDA0004062550370000112
Figure BDA0004062550370000113
(6)xm,j,k,am,j∈{0,1}
其中，基站、用户、IRS的集合分别表示为M＝[M1…Mm…MNBS]、J＝[J1…Jj…JNuser]和R＝[R1…Rr…RNIRS]；载波集合表示为K＝[K1…Kk…KNsub]；每个反射表面的单元集合为N＝[N1…Nn…NNelemeny]。
约束(1)表示了最大接收功率约束。具体而言，用户选择可以获得最大接收功率的基站去接入网络，其中am,j刻画了基站与用户之间的关联关系；
约束(2)表示了在每个时隙内，每个地面用户只能占用一个地面链路子信道；
约束(3)表示了在每个时隙内，基站的每个链路子信道只能允许一个地面用户使用；
约束(4)表示了在各个小区内用户的干扰应控制在阈值之内，其中Ith＝media{Im,j}j∈Nuserm，即Im,j中的中位数。
步骤S34：将问题拆分为两个子问题，即步骤S4中基站与用户的关联和子载波分配的优化问题和步骤S5中IRS波束设计的优化问题。这两个子问题在实际解决中处于不同的时间维度，在初始化的波束设计结果上联合优化用户关联和载波分配，再在用户关联和载波分配的结果基础上求解波束设计。交替优化步骤S4与步骤S5达到最大迭代次数，得到最终结果。
步骤S4、根据网络链路状态进行用户关联和载波分配，实现干扰管控。
采用一个三维矩阵X存储基站与用户关联和子载波这三组通信元素之间的匹配情况，且用户、基站和子载波之间存在相互影响的关系，采用带有修改的双边偏好的Gale-Shapely(GS)匹配算法的思想求解资源分配子问题。
步骤S41：定义三个集合J，M，K，分别表示用户，基站和子信道。联合考虑基站和子信道，构造基站-子信道集合D＝M×K，其中(m,k)表示一个基站-子信道集的单元。对于j∈J和(m,k)∈D，匹配规则是η满足以下三点：
·η(j)∈D且η(j)≤1；
·η(m,k)∈J且|η(m,k)|≤1；
·当且仅当j∈η(m,k),η(j)∈(m,k)。
步骤S42：依据S41中的集合J和D确定偏好关系，首先确定用户侧匹配的偏好。由于用户对基站传输文件内容未知，用户偏好集中在传输速率较大的基站-子信道单元上，即选择信道增益较大的单元。
步骤S43：确定基站-子信道集合的匹配偏好。由于同信道干扰，该匹配博弈中存在外部性，基站-子信道单元(m,k)的可能受到其他匹配单元的影响，而每一个(j,(m,k))匹配结果也会受到其他单元的影响，在算法上定义一个偏好矩阵Γj,(m,k)用来描述其他单元(i,(t,k))对(j,(m,k))的影响：
Figure BDA0004062550370000121
当
Figure BDA0004062550370000122
时，认为(j1,(m1,k))比(j2,(m2,k))更合适与基站-子信道单元(m,k)匹配；
当
Figure BDA0004062550370000123
时，认为(j2,(m2,k))比(j1,(m1,k))更合适与基站-子信道单元(m,k)匹配。
步骤S44：确定子信道对与每个基站-子信道单元的偏好。对于子信道k采用：
Figure BDA0004062550370000124
衡量该信道和(m,k)单元的偏好，具体为，如果：
Figure BDA0004062550370000125
则认为基站m更适合和k1匹配；如果：
Figure BDA0004062550370000126
则认为基站m更适合和k2匹配。
步骤S5、在步骤S4中资源分配结果的基础上，依据各个小区用户的干扰情况进行波束设计，干扰可感知地实现容量覆盖最大化。
各个IRS之间采取分布式的波束设计策略，实现小区内所有用户速率之和最大化。根据用户受到的干扰情况将用户排序并划分为强干扰用户和弱干扰用户，针对不同干扰类型用户进行干扰管控。针对不同参数的环境配置，需要一个统一的方法进行强弱干扰用户区分，因此将已覆盖用户中干扰功率前50％用户视为强干扰用户，剩下用户为弱干扰用户。
采用基于拉格朗日变化的分式优化变形结合半正定松弛(SDR)的方法解决优化问题。
步骤S51：对原问题优化目标进行拉格朗日变换，并更新本轮迭代的α(i)。
针对优化目标中速率之和表达式，引入松弛变量：
α＝[α1…αj…αNuser]
采用拉格朗日变化，将原问题的优化目标，所有用户速率之和表达为：
Figure BDA0004062550370000131
该表达式对于α＝[α1…αj…αNuser]为一个凹函数，则当目标最大时，通过
Figure BDA0004062550370000132
可以得到：
Figure BDA0004062550370000133
这里αm,j的下标表示的与基站m关联的用户j对应的值。因此在本轮迭代中，优化目标可以表示为：
Figure BDA0004062550370000134
其中，
Figure BDA0004062550370000135
步骤S52：对原问题优化目标和干扰约束条件进行变形。
令
Figure BDA0004062550370000136
则信道增益和功率的乘积表示为：
hm,j,k·Pm,j＝|hrm,jΘmgm+hdm,j|2·Pm,j＝(bm,j+θH·am,j)2
优化问题表示为：
Figure BDA0004062550370000141
干扰约束条件表示为：
Figure BDA0004062550370000142
步骤S53：对原问题优化目标进行分式优化的变形，并确定本轮迭代的ε(i)。
引入松弛变量ε＝[ε1…εj…εNuser]，问题形式可以整理为：
Figure BDA0004062550370000143
该表达式对于ε＝[ε1…εj…εNuser]为一个凹函数，则当目标最大时，通过
Figure BDA0004062550370000144
可以得到：
Figure BDA0004062550370000145
在本轮迭代的ε下，最终将问题整理为如下形式：
f3(θ)＝θHUθ+2Re{θH·v}+C
Figure BDA0004062550370000146
Figure BDA0004062550370000147
Figure BDA0004062550370000148
步骤S54：将干扰约束进行变形：
Figure BDA0004062550370000151
其中，
Figure BDA0004062550370000152
最终对于波束设计子问题的优化问题变形为：
Figure BDA0004062550370000153
对于上述子问题的形式，采用半正定松弛的方法进行求解，同时借助CVX得到优化结果。
实施例2
在实施例1的基础上，为体现所提技术的有益效果，展示了本实施例方法对超密集网络性能带来的增益，同时展示了基于智能反射表面辅助超密集网络的干扰管控对网络容量带来的增益，并与传统方法的网络容量进行对比。本实施例方法仿真实验场景中在400m×400m的场地中部署5个基站，每个基站配备一个IRS进行辅助，并采取集中式的部署方式将该IRS部署在基站端具体的位置的参数如下表1；有100个子载波资源；用户在场地中随机均匀分布；采用城市微蜂窝损耗模型衡量信道情况，并采用瑞丽衰落描述小尺度衰落。
表1各个通信节点分布位置参数表
Figure BDA0004062550370000154
图3为各个采用本实施例的资源分配方法和随机资源分配、无反射表面资源分配的性能对比，可以得出，系统容量随着用户数量在该区域不断增长，即接入终端不断密集化也在不断增长，说明通过本实施例方法，可以有效提升整个网络的系统容量；相比传统随机资源分配，本实施例方法在用户关联与子载波分配阶段进行一定的干扰管控有效提升了系统容量；相比无IRS辅助系统，本实施例方法通过IRS波束设计实现干扰管控有效提升系统容量。
图4为分别采用干扰管控和信号增强对密集场景容量覆盖增益效果的对比，可以看出对于超密集网络，随着该空间内用户数量不断的上升，用户密度过大，此时采取干扰管控的本实施例方法提升系统容量的性能要优于有效信号增强的技术。对于本实施例方法针对的超密集网络，网络通信性能下降的主要原因是用户受到干扰过强，而有效信号功率存在上限，因此增强有效信号的技术性能会在一定用户密度下达到上界便下降，反而采用干扰管控技术可以更好的增强系统容量。
图5为信道信息获知不完全的情况下，对本实施例方法(信道估计结果进行修正)和不修正的结果对比，采用完全获知全部信道信息为其性能的上界，可以得出随着用户数量的增加，总体上采用本实施例方法的性能是优于无修正的性能的。对于超密集网络，用户密度在较为密集的情况下(用户数量在200-500)，本实施例方法对系统容量提升相比于无修正技术有一定优势；但当用户密度过大时，系统内信道情况过于复杂导致性能降低，无修正和本实施例方法的性能逐渐趋同并且接近上界。因此本实施例方法对于较为密集的场景，可以得到较好的系统容量提升。

Claims (10)

1.一种面向容量覆盖的IRS辅助超密集网络资源分配方法，其特征在于，包括如下步骤：
S1、初始化IRS辅助通信系统的各个参数；
S2、建立信道模型，并修正估计信道的信息；
S3、以最大化系统用户速率之和为目标，建立联合优化问题，并将联合优化问题拆分为两个子问题，子问题一为基站与用户关联和子载波分配的优化问题，子问题二为IRS波束设计的优化问题；
S4、求解子问题一，依据网络链路状态进行用户关联和载波分配，实现干扰管控；
S5、求解子问题二，在资源分配结果的基础上，依据干扰情况进行波束设计，干扰可感知地实现容量覆盖最大化。
2.根据权利要求1所述的一种面向容量覆盖的IRS辅助超密集网络资源分配方法，其特征在于：步骤S1的初始化IRS辅助通信系统参数的过程中，针对存在IRS辅助通信系统的下行链路，系统中存在有多个通信小区以及各个小区相关联的IRS和用户；每个小区的基站配备一个IRS，并采用集中式部署将IRS的所有反射单元均放置在基站侧；所有基站和地面用户配备单天线；对于给定基站和IRS的位置，在给定范围内随机生成用户的位置和IRS波束相移。
3.根据权利要求1所述的一种面向容量覆盖的IRS辅助超密集网络资源分配方法，其特征在于，步骤S2的具体内容如下：
S21、确定用户通过IRS反射经由载波接收到基站的信号；
S22、计算用户得到的接收功率，依据接收功率，得出用户的信道增益；
S23、采取插值的方式还原不完整的信号，得到信道估计内容，该内容中存在估计误差；
S24、依据信道估计内容中的估计值和信道信息的概率关系，修正估计值，从而弥补估计误差；
S25、综合信道信息和修正后估计值的概率分布关系，依据该概率关系和估计值得到修正过的信道系数。
4.根据权利要求1所述的一种面向容量覆盖的IRS辅助超密集网络资源分配方法，其特征在于，步骤S3的具体内容如下：
S31、确定与基站关联的用户在子信道上可达到的速率；
S32、结合用户和基站相对应子信道的关联情况，得到一个基站覆盖的所有用户速率之和；
S33、以最大化系统用户速率之和为目标，建立联合优化问题；
S34、将联合优化问题拆分为两个子问题后，交替优化子问题一和子问题二达到最大迭代次数，得到最终优化结果。
5.根据权利要求4所述的一种面向容量覆盖的IRS辅助超密集网络资源分配方法，其特征在于，步骤S31中，与基站m关联的用户j在第k个子信道上可达到的速率写为下式：
Figure FDA0004062550360000021
式中，Im,j如下：
Figure FDA0004062550360000022
Im,j表示该用户所受到的同频信号干扰；pm,k为基站分配给第k个子载波的传输功率；hj,m,k为基站m通过子载波k到j用户的信道增益；BC为子载波的带宽；系统中的噪声为高斯加性白噪声，噪声功率为σ2；
步骤S32中，所得到的一个基站覆盖的所有用户速率之和Rm，如下式：
Figure FDA0004062550360000023
该式结合了用户j和基站相对应子信道k的关联情况。
6.根据权利要求5所述的一种面向容量覆盖的IRS辅助超密集网络资源分配方法，其特征在于，步骤S33中，采用大小为NBS×Nuser×Nsub的矩阵X来表示基站-用户关联与子信道分配之间的关系；若xm,j,k＝1，表示第j个用户分配到了第m个基站的第k个子信道，否则xm,j,k＝0；
建立的联合优化问题如下：
Figure FDA0004062550360000024
S.t.(1)xm，j，k≤am，j
Figure FDA0004062550360000025
Figure FDA0004062550360000031
Figure FDA0004062550360000032
Figure FDA0004062550360000033
(6)xm，j，k，am，j∈{0，1}
其中，基站、用户、IRS的集合分别表示为M＝[M1…Mm…MNBS]、J＝[J1…Jj…JNuser]和R＝[R1…Rr…RNIRS]；载波集合表示为K＝[K1…Kk…KNsub]；每个反射表面的单元集合为N＝[N1…Nn…NNelement]。
7.根据权利要求6所述的一种面向容量覆盖的IRS辅助超密集网络资源分配方法，其特征在于：步骤S4中，采用一个三维矩阵X存储基站与用户关联和子载波这三组通信元素之间的匹配情况；同时采用带有修改的双边偏好的GS匹配算法求解基站与用户关联和子载波分配的子问题一，具体包括：
S41、定义用户集合、基站集合和子信道集合，确定匹配规则；
S42、确定用户侧匹配的偏好，集中在传输速率大的基站-子信道单元上，选择信道增益较大的单元；
S43、确定基站-子信道集合的匹配偏好；
S44、确定子信道对与每个基站-子信道单元的偏好。
8.根据权利要求7所述的一种面向容量覆盖的IRS辅助超密集网络资源分配方法，其特征在于：步骤S43中，在算法上定义一个偏好矩阵Γj,(m,k)，用来描述其他单元(i,(t,k))对(j,(m,k))的影响，如下式：
Figure FDA0004062550360000034
当
Figure FDA0004062550360000035
时，认为(j1,(m1,k))比(j2,(m2,k))更合适与基站-子信道单元(m,k)匹配；
当
Figure FDA0004062550360000036
时，认为(j2,(m2,k))比(j1,(m1,k))更合适与基站-子信道单元(m,k)匹配；
步骤S44中，对于子信道k，采用：
Figure FDA0004062550360000037
来衡量该信道和(m,k)单元的偏好，具体为，如果：
Figure FDA0004062550360000041
则认为基站m更适合和k1匹配；如果：
Figure FDA0004062550360000042
则认为基站m更适合和k2匹配。
9.根据权利要求8所述的一种面向容量覆盖的IRS辅助超密集网络资源分配方法，其特征在于：步骤S5中，采用基于拉格朗日变化的分式优化变形结合半正定松弛的方法解决IRS波束设计的子问题二，具体包括：
S51、对原问题优化目标进行拉格朗日变换，并更新本轮迭代的α()；
S52、对原问题优化目标和干扰约束条件进行变形；
S53、对原问题优化目标进行分式优化的变形，并确定本轮迭代的ε()，在此基础上，整理问题形式；
S54、将干扰约束进行变形，最终得出IRS波束设计子问题的变形形式，求解变形后的子问题，得出优化结果。
10.根据权利要求9所述的一种面向容量覆盖的IRS辅助超密集网络资源分配方法，其特征在于：步骤S54中，IRS波束设计子问题的变形形式如下：
Figure FDA0004062550360000043
Figure FDA0004062550360000044
Figure FDA0004062550360000045
Figure FDA0004062550360000046
对于上述子问题的形式，采用半正定松弛的方法进行求解，同时借助CVX得到优化结果。
CN202310067129.3A 2023-01-18 2023-01-18 一种面向容量覆盖的irs辅助超密集网络资源分配方法 Pending CN116056210A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310067129.3A CN116056210A (zh) 2023-01-18 2023-01-18 一种面向容量覆盖的irs辅助超密集网络资源分配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310067129.3A CN116056210A (zh) 2023-01-18 2023-01-18 一种面向容量覆盖的irs辅助超密集网络资源分配方法

Publications (1)

Publication Number Publication Date
CN116056210A true CN116056210A (zh) 2023-05-02

Family

ID=86121709

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310067129.3A Pending CN116056210A (zh) 2023-01-18 2023-01-18 一种面向容量覆盖的irs辅助超密集网络资源分配方法

Country Status (1)

Country Link
CN (1) CN116056210A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116996891A (zh) * 2023-09-26 2023-11-03 清华大学 基于智能超表面技术的通信广域覆盖系统及方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116996891A (zh) * 2023-09-26 2023-11-03 清华大学 基于智能超表面技术的通信广域覆盖系统及方法
CN116996891B (zh) * 2023-09-26 2023-12-05 清华大学 基于智能超表面技术的通信广域覆盖系统及方法

Similar Documents

Publication Publication Date Title
Venkatesan Coordinating base stations for greater uplink spectral efficiency in a cellular network
US8369791B2 (en) Multi-user beamforming with inter-cell interference suppression
CN109327894B (zh) 基于干扰抑制的多小区mimo-noma最优功率分配方法
Chen et al. Energy efficient resource allocation for IRS assisted CoMP systems
US7983710B2 (en) Method of coordinated wireless downlink transmission
CN111726156A (zh) 一种基于noma的资源分配方法与装置
CN111615202B (zh) 基于noma与波束成型的超密集网络无线资源分配方法
CN111371482A (zh) 基于波束聚合的下行广播链路的毫米波mimo-noma方法
CN113938183A (zh) 多波束卫星系统下基于非正交多址的通信资源分配方法
Xia et al. Large system analysis of resource allocation in heterogeneous networks with wireless backhaul
CN109687896A (zh) 分布式天线系统下行信道稀疏波束形成方法及装置
CN114337976A (zh) 一种联合ap选择与导频分配的传输方法
CN106160806B (zh) 无线通信系统中执行干扰协调的方法和设备
CN110191476B (zh) 一种基于可重构天线阵列的非正交多址接入方法
CN116056210A (zh) 一种面向容量覆盖的irs辅助超密集网络资源分配方法
CN116436502A (zh) 一种智能反射面选择与相位矩阵调整方法
US20220159586A1 (en) Transmission power allocation method based on user clustering and reinforcement learning
Lavdas et al. A machine learning adaptive beamforming framework for 5G millimeter wave massive MIMO multicellular networks
CN111917444B (zh) 一种适用于毫米波mimo-noma系统的资源分配方法
CN111740766A (zh) 一种基于码本的波束设计方法与装置
Chen et al. Hybrid beamforming and data stream allocation algorithms for power minimization in multi-user massive MIMO-OFDM systems
Leng et al. User-level scheduling and resource allocation for multi-beam satellite systems with full frequency reuse
CN113922849B (zh) 一种毫米波mimo-noma系统下的用户分组和功率分配方法
Singh et al. Energy-efficient resource allocation and user grouping for multi-IRS aided MU-MIMO system
Yeganeh et al. Multi-BD symbiotic radio-aided 6G IoT network: Energy consumption optimization with QoS constraint approach

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