CN116155329A - 基于元启发算法的mMIMO-NOMA系统的用户分簇和功率分配方法 - Google Patents
基于元启发算法的mMIMO-NOMA系统的用户分簇和功率分配方法 Download PDFInfo
- Publication number
- CN116155329A CN116155329A CN202310436619.6A CN202310436619A CN116155329A CN 116155329 A CN116155329 A CN 116155329A CN 202310436619 A CN202310436619 A CN 202310436619A CN 116155329 A CN116155329 A CN 116155329A
- Authority
- CN
- China
- Prior art keywords
- user
- cluster
- algorithm
- clustering
- meta
- 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.)
- Granted
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/0413—MIMO systems
- H04B7/0456—Selection of precoding matrices or codebooks, e.g. using matrices antenna weighting
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/0413—MIMO systems
- H04B7/0426—Power distribution
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/0413—MIMO systems
- H04B7/0452—Multi-user MIMO systems
-
- 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元启发算法的mMIMO‑NOMA系统的用户分簇和功率分配方法,该方法包括以下步骤:步骤一,构建毫米波mMIMO‑NOMA系统,构建毫米波信道模型;步骤二,采用基于簇头选择的用户分簇算法,对所有用户进行分簇,得到用户分簇结果;步骤三,针对获得的簇头信道进行混合预编码,消除簇间的用户干扰;步骤四,使用基于融合PSO‑SCSO的元启发算法进行功率分配,提高系统的频谱效率和能量效率。本发明适用于多用户毫米波mMIMO‑NOMA系统,可以有效提升系统的频谱效率和能量效率。
Description
技术领域
本发明属于毫米波通信技术领域,具体涉及一种基于元启发算法的mMIMO-NOMA系统的用户分簇和功率分配方法。
背景技术
目前,无线通信系统以正交多址接入方式为主,在此方式下,频谱效率较低,用户接入数受到限制。毫米波技术可以提供更加丰富的频谱资源;大规模多输入多输出(massive multiple input multiple output, mMIMO)技术利用空分复用提高频谱效率的同时也可以弥补毫米波的路径损耗;非正交多址接入(non-orthogonal multiple access,NOMA)技术通过串行干扰消除技术实现功率域复用,让多个用户共享同一时频资源,可以有效提升系统同时连接数。因此将毫米波MIMO与NOMA相结合,即毫米波mMIMO-NOMA系统,利用MIMO 的天线阵列,采用分簇方式实现 SDMA 和 NOMA 的混合多址,可以突破射频链的数目对用户连接数的限制,有望为未来无线网络提供更高速率和更低功耗的数据传输。
在mMIMO-NOMA通信系统中,随着用户数的增加,用户间干扰会显著影响系统性能,不同簇间的干扰可以通过混合预编码技术解决,簇内用户间的干扰需要通过合理的用户分簇和功率分配算法解决。近年来,国内外学者针对混合预编码、用户分簇和功率分配做了大量的研究,其中更多的研究集中在混合预编码上,也有较多学者研究了用户分簇和功率分配,提出了多种方案,但现有功率分配问题主要通过凸优化方法解决,计算复杂度高,传统基于机器学习的用户分簇算法也需要较为复杂的计算;近年来有学者提出了使用元启发算法求解NOMA系统功率分配问题,但是在mMIMO-NOMA系统中,用户数增加,传统元启发算法本身存在的缺陷导致性能下降,因此为mMIMO-NOMA系统设计一种高效的用户分簇和功率分配算法具有重要的意义。
发明内容
本发明针对mMIMO-NOMA系统中用户分簇和功率分配求解复杂的问题,提供了一种基于元启发算法的mMIMO-NOMA系统的用户分簇和功率分配方法,具体包括一种改进的基于簇头选择的用户分簇算法和融合粒子群算法(particle swarm optimization, PSO)和沙猫算法(Sand Cat Swarm Optimization, SCSO)的改进元启发算法用于功率分配方案,目的是降低计算复杂度,提高系统频谱效率和能量效率。
为实现上述目的,本发明提供了一种基于元启发算法的mMIMO-NOMA系统的用户分簇和功率分配方法,包括以下步骤:
步骤一,构建毫米波mMIMO-NOMA系统,构建毫米波信道模型;
步骤二,采用基于簇头选择的用户分簇算法,对所有用户进行分簇,得到用户分簇结果;
步骤三,针对获得的簇头信道进行混合预编码,消除簇间的用户干扰;
步骤四,步骤四,使用基于融合PSO-SCSO的元启发算法进行功率分配。
作为本发明的进一步改进,步骤一中,所述毫米波mMIMO-NOMA系统包括数字预编码模块、模拟预编码模块和G个用户簇,第簇中包含用户/>个,用户数据流根据分组和功率分配叠加之后流入数字预编码模块,然后流入模拟预编码模块,最终发送到各个用户。
其中,表示簇/>中用户/>的发射信号,/>表示簇/>中用户/>的接收信号;,/>,/>表示簇/>中用户/>的发射功率,/>表示簇/>中用户/>的发射功率,/>表示簇/>中用户/>的发射功率,/>表示簇/>中用户/>的发射信号,/>表示簇/>中用户/>的发射信号,/>是簇/>中用户/>的高斯噪声矢量,且/>;/>是模拟预编码矩阵,/>是矩阵的共轭转置操作,/>就是/>的共轭转置;/>表示数字预编码矩阵中的第/>列,/>表示数字预编码矩阵中的第/>列,/>表示簇/>中用户/>的信道矢量,采用均匀平面阵列的毫米波信道模型。
作为本发明的进一步改进,步骤二中采用基于簇头选择的用户分簇算法,对所有用户进行自适应分簇,具体包括:
利用毫米波的方向性特点,将用户根据信道相关性进行分簇,同一簇内的用户使用同一模拟预编码,即从同一波束中获得波束增益;同一簇内用户信道的相关性高,不同簇用户信道的相关性低;簇头用户为每簇中的强用户;具体算法过程如下:
作为本发明的进一步改进,步骤三中使用混合预编码,包括模拟预编码和数字预编码,其中,所述模拟预编码使用移相器实现,仅调整信号的相位;所述数字预编码通过射频链实现,以同时调整相位和幅度。
作为本发明的进一步改进,步骤四中以最大化系统频谱效率和能量效率为目标,采用融合PSO-SCSO的元启发算法求解用户功率分配,通过对粒子运动方式进行改进,并且融合SCSO算法,可以在更少次数的迭代之后获得更精确的结果。
作为本发明的进一步改进,所述融合PSO-SCSO的元启发算法包括:
融合PSO-SCSO算法将粒子群算法PSO和沙猫优化算法SCSO相结合,利用SCSO的高维搜索能力提高PSO的开发能力和全局搜索能力;融合PSO-SCSO算法利用改进的方式更新粒子位置,其算法步骤如下:
Step1.初始化粒子种群的大小,初始化所有的参数,随机初始化粒子群;
Step2.计算所有粒子的适应度值,如果优于全局最优位置的适应度值,则更新全局最优位置;
Step3.利用如下公式更新所有粒子的位置;
其中,表示第/>个粒子在第/>次迭代过程中的位置矢量;/>表示第/>个粒子在第/>次迭代过程中的位置矢量;/>为引入的一个矢量;/>、/>、/>都是0到1之间服从均匀分布的随机数,/>为0到/>之间服从均匀分布的随机值;/>、/>均是公式的中间变量,分别表示粒子在运动前期和后期的主要位置更新方式;/>是每次迭代过程中的全局最优位置矢量;/>为一个标量,初始值为/>,迭代过程中逐渐减小;/>是一个控制系数;/>和/>均为加速因子;
Step4.重复Step2、Step3直到算法收敛;
Step5.输出算法更新位置信息。
本发明的有益效果为:本发明适用于毫米波mMIMO-NOMA多用户系统,采用基于簇头选择的用户分簇算法对用户分簇,以最大化频谱效率和能量效率加权和为目标,采用改进的元启发算法进行功率分配;所述元启发算法与传统元启发算法相比,表现出更精确的搜索结果和较快的搜索速度;其用于系统功率分配,可以使系统获得更高的频谱效率和能量效率,并且减少计算的复杂度。
附图说明
图1是本发明实施例中的基于元启发算法的mMIMO-NOMA系统的用户分簇和功率分配方法的流程图。
图2是本发明实施例中的毫米波mMIMO-NOMA系统模型图。
图3是本发明实施例中融合PSO-SCSO算法的元启发算法的算法流程图。
图4是本发明实施例中算法收敛性分析图。
图5是本发明实施例中所提出功率分配算法的系统频谱效率与信噪比关系对比示意图。
图6是本发明实施例中所提出功率分配算法的系统能量效率与信噪比关系对比示意图。
图7是本发明实施例中所提出用户分簇算法的系统频谱效率与信噪比关系对比示意图。
图8是本发明实施例中所提出用户分簇算法的系统能量效率与信噪比关系对比示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图和具体实施例对本发明进行详细描述。
如图1所示,本发明提供了一种基于元启发算法的mMIMO-NOMA系统的用户分簇和功率分配方法,主要包括以下步骤:
步骤一,构建毫米波mMIMO-NOMA系统,构建毫米波信道模型;
步骤二,采用基于簇头选择的用户分簇算法,对所有用户进行分簇,得到用户分簇结果;
步骤三,针对获得的簇头信道进行混合预编码,消除簇间的用户干扰;
步骤四,使用基于融合PSO-SCSO的元启发算法进行功率分配。
以下将结合附图对步骤一~步骤四进行详细描述。
步骤一中,所述毫米波mMIMO-NOMA系统包括数字预编码模块、模拟预编码模块和G个用户簇,第簇中包含用户/>个,用户数据流根据分组和功率分配叠加之后流入数字预编码模块,然后流入模拟预编码模块,最终发送到各个用户。
其中,表示簇/>中用户/>的发射信号,/>表示簇/>中用户/>的接收信号;,/>,/>表示簇/>中用户/>的发射功率,/>表示簇/>中用户/>的发射功率,/>表示簇/>中用户/>的发射功率,/>表示簇/>中用户/>的发射信号,/>表示簇/>中用户/>的发射信号,/>和/>的取值范围如累和符号中描述,/>是簇/>中用户/>的高斯噪声矢量,且/>;/>是模拟预编码矩阵,/>是矩阵的共轭转置操作,/>就是的共轭转置;/>表示数字预编码矩阵中的第/>列,/>表示数字预编码矩阵中的第/>列,表示簇/>中用户/>的信道矢量,采用均匀平面阵列的毫米波信道模型,则用户对应的信干噪比为:
其中:
步骤二中采用基于簇头选择的用户分簇算法,对所有用户进行自适应分簇,得到用户分簇结果,具体方法如下:
利用毫米波的方向性特点,将用户根据信道相关性进行分簇,同一簇内的用户使用同一模拟预编码,即从同一波束中获得波束增益;同一簇内用户信道的相关性高,不同簇用户信道的相关性低;簇头用户为每簇中的强用户;具体算法过程如下:
步骤三中使用混合预编码,包括模拟预编码和数字预编码,其中,所述模拟预编码使用移相器实现,仅调整信号的相位;所述数字预编码通过射频链实现,以同时调整相位和幅度。
步骤三具体为:针对获得的簇头信道进行混合预编码,消除簇间的用户干扰,由于模拟预编码矩阵只能够调整信号的相位,故而考虑使用信道矩阵的共轭转置的相位设计模拟预编码,同时考虑到移相器的精度问题,假设为/>比特精度的移相器,则模拟预编码矩阵可以表示为:
则数字预编码矩阵为:
步骤四中以最大化系统频谱效率和能量效率为目标,采用融合PSO-SCSO的元启发算法求解用户功率分配,通过对粒子运动方式进行改进,并且融合SCSO算法,可以在更少次数的迭代之后获得更精确的结果。
所述融合PSO-SCSO的元启发算法包括:
融合PSO-SCSO算法将粒子群算法PSO和沙猫优化算法SCSO相结合,利用SCSO的高维搜索能力提高PSO的开发能力和全局搜索能力;融合PSO-SCSO算法利用改进的方式更新粒子位置,其算法步骤如下:
Step1.初始化粒子种群的大小,初始化所有的参数,随机初始化粒子群;
Step2.计算所有粒子的适应度值,如果优于全局最优位置的适应度值,则更新全局最优位置;
Step3.利用如下公式更新所有粒子的位置;
其中,表示第/>个粒子在第/>次迭代过程中的位置矢量;/>表示第/>个粒子在第/>次迭代过程中的位置矢量;/>为引入的一个矢量,其定义在公式(17);/>、/>、/>都是0到1之间服从均匀分布的随机数,/>为0到/>之间服从均匀分布的随机值;/>、/>均是公式的中间变量,分别表示粒子在运动前期和后期的主要位置更新方式;/>是每次迭代过程中的全局最优位置矢量;/>为一个标量,初始值为/>,迭代过程中逐渐减小;/>是一个控制系数;/>和/>均为加速因子,其定义在公式(19);
Step4.重复Step2、Step3直到算法收敛;
Step5.输出算法更新位置信息。
具体来说,步骤四中使用基于融合PSO-SCSO的元启发算法进行功率分配,以提高系统的频谱效率和能量效率。
首先确定优化目标,在完成混合预编码之后,先对簇中的用户按信道增益进行排序并重新编号,排序之后的结果满足:
第g簇中第m个用户的信息传输速率表示如下:
则系统的频谱效率表示为;
系统的能量效率定义为每焦耳能量传输的比特数量,表达式如下:
其中、/>、/>分别表示每个射频链功率、每个移相器功率和基带功率,/>表示移相器的数量。由于频谱效率和能量效率都是移动通信的关键指标,故本发明考虑以最大化它们的加权和作为优化目标,构建出如下优化问题:/>
其中,表示每个用户的发送功率应当为正数,/>表示所有用户的总发射功率小于基站最大发送功率/>,/>是第g簇中第m个用户的信息传输速率,见公式(7),/>保证每个用户的信息传输速率满足最低速率要求/>。
其中,表示系统频谱效率,见公式(8);/>表示系统的能量效率,见公式(9);ρ是惩罚因子;系统分为G簇,第/>簇中有/>个用户,/>是第g簇中第m个用户的发送功率,/>是系统总的发送功率约束;/>是第g簇中第m个用户的频谱效率,/>是满足各个用户要求的的最低频谱效率。
针对最小化优化问题(11),传统基于经典数学理论的优化算法计算过程复杂;而元启发算法通过全局随机搜索,可以通过简单的计算获得全局最优值,为了充分发挥算法的全局搜索能力,提高系统性能,改进PSO算法并且融合SCSO算法。
PSO算法:
PSO算法从随机的初始值开始,通过追踪每次迭代过程中的局部最优解,最终确定全局最优解。其特点是结构简单、计算速度快,非常适合用于求解多目标优化问题。标准PSO算法中,令和/>分别表示第/>个粒子在第/>次迭代过程中的位置矢量和速度矢量,则第/>个粒子从第/>次迭代到第/>次的状态更新公式如下:
其中,、/>是0到1之间服从均匀分布的随机数,/>表示第/>个粒子在第/>次迭代的最优位置,/>表示全局最优位置,/>为惯性权重,表示了对粒子此前运动状态的信任;,/>为加速因子,分别表示粒子对自身的经验与全局共享信息的信任。虽然PSO算法实现简单,收敛速度快,但它也有易陷入局部最优的缺点,这是因为PSO算法的粒子运动方向相对固定,使其易于早熟收敛。
SCSO算法:
SCSO算法是2022年新提出的一种模仿沙猫生存行为的优化算法,具有收敛速度快、结果准确的特点,在高维和多目标优化问题中表现较好。令表示从第/>次迭代更新到第/>次迭代得到的种群的新位置,则SCSO算法的粒子更新公式如下所示。
其中,为第/>次的全局最优解,/>为种群中成员/>时刻所处的位置,/>表示/>时刻各成员局部最优位置,/>是一个随机角度,用于控制群体中的每个成员在搜索空间中沿着不同的方向移动,/>和/>是0到1间的随机数。其他参数通过式(14~16)得到。
融合PSO-SCSO算法
根据以上描述,首先改进PSO算法,目的是加快算法的收敛速度和改善算法的全局搜索能力,改进其位置更新公式如下:
其中,表示第/>个粒子在第/>次迭代过程的位置矢量,/>表示第/>个粒子在第/>次迭代过程中的位置矢量,/>表示所有粒子位置坐标的上边界,/>表示所有粒子位置坐标的下边界,/>表示全局最优解矢量,/>、/>、/>都是0到1之间的随机数,/>中元素均为0到/>之间的随机值,/>表示运动步长,/>控制收敛速度,/>初值为/>。
式(17)中,第一项代替了原式中的惯性和局部最优因子,是指向全局最优解的向量,使用正弦函数作为系数,其结果促使粒子向着全局最优位置靠近或者远离,两者发生的概率比例为2:1,这样的设计加速了算法的收敛速度;第二项通过对粒子当前位置添加余弦扰动,其意义是使粒子从当前位置出发,随机向最优位置附近的范围内运动,使算法有更好的搜索能力;第三项中将原式中加速因子/>替换为一个正弦表达式,其值随着迭代次数增加而降低,使粒子在迭代初期快速靠近最优解,后期在全局最优点的附近缓慢收敛,从而避免了粒子在最优点附近震荡,改善了收敛性。
再参考SCSO算法中的攻击行为,修改式(17)中第三项,并且引入可变系数,再次改进之后的公式如下:
其中,表示第/>个粒子在第/>次迭代过程中的位置矢量;/>表示第/>个粒子在第/>次迭代过程中的位置矢量;/>为引入的一个矢量,其定义与公式(17)中相同;、/>、/>都是0到1之间服从均匀分布的随机数,/>为0到/>之间服从均匀分布的随机值;/>、/>均是公式的中间变量,分别表示粒子在运动前期和后期的主要位置更新方式;/>是每次迭代过程中的全局最优位置矢量;/>为一个标量,初始值为/>,迭代过程中逐渐减小;/>是一个控制系数;/>和/>均为加速因子,值与/>相关,具体如下:
式(18)到(19)中,、/>、/>的值根据实际问题调整,/>的计算与沙猫算法中相同。改进后的算法以与全局最优点的距离为参数,若/>,/>,/>发挥主要作用,促使粒子向最优点靠近;否则/>,/>发挥主要作用,促使粒子在全局范围内搜索。
所述融合PSO-SCSO算法的计算流程如图3所示。
以所有用户的发射功率作为算法中粒子的位置矢量,在经过有限次的迭代之后,算法收敛,输出结果即是用户的功率分配方案,可以最大化系统的频谱效率和能量效率。
在上述实施例步骤下,通过在MATLAB平台进行仿真实验,从而说明本发明的有益效果。
下表展示了仿真参数设置,除表中系统参数,融合PSO-SCSO算法参数为:,,/>,/>;惩罚因子/>,/>。分簇算法中阈值/>的计算方式为随机选择/>个用户,令/>为这些用户中任意两用户间信道相关性的平均值的1.25倍,其中1.25为多次实验的经验值。/>
图4为不同元启发算法的收敛性仿真图,对比了所提算法与经典元启发算法,包括PSO算法、灰狼优化(Grey Wolf Optimizer,GWO)算法,鲸鱼优化 (whale optimizationalgorithm, WOA)算法,从图中可以看出所提算法在大约10次以内即实现收敛,收敛速度最快且适应度值最低,验证了所提算法的收敛性。
图5和图6分别为不同算法的能量效率和频谱效率与信噪比的关系,从图5中可以看出,全数字预编码的频谱效率最高,代表了理论上限,但是其成本高昂,难以应用于实际,所以仅供参考。在NOMA功率分配方案中,随着信噪比的增加,所提算法最接近全数字预编码,优于其他方案。图6展示了能量效率与信噪比的关系,从图6中可以看出,虽然全数字预编码的频谱效率最高,但是由于其需要大量的射频链来实现,所以其能量效率最低;而NOMA系统因为使用较少的射频链和利用了功率域复用,所以能量效率大大提高;且所提算法的能量效率要优于其他算法,这是因为在相同的功率消耗的情况下,所提算法能够获得更高的频谱效率。
图7和图8比较了所提用户分簇算法与K均值分簇算法,K均值算法的簇数设为固定值6。从图7中可以看出,随着信噪比的增加,所提算法的频谱效率明显优于其他算法,这是因为本发明所提算法将相关性较高的用户信道分为一簇,否则单独作为一簇;而K均值算法将所有用户强行分为固定簇,导致存在簇内用户相关性低的情况,部分用户的传输速率低,也不利于簇内用户间干扰消除。图8中展示了不同分簇算法的能量效率,虽然所提算法的实际分簇数会高于其他算法,意味着需要更多的RF链和能量消耗,但从图中可以看出能量效率实际略高于K均值算法,所以这样的方案是合理的。
综上所述,本发明适用于毫米波mMIMO-NOMA多用户系统,采用基于簇头选择的用户分簇算法对用户分簇,以最大化频谱效率和能量效率加权和为目标,采用改进的元启发算法进行功率分配;所述元启发算法与传统元启发算法相比,表现出更精确的搜索结果和较快的搜索速度;其用于系统功率分配,可以使系统获得更高的频谱效率和能量效率,并且减少计算的复杂度。
以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围。
Claims (7)
1.一种基于元启发算法的mMIMO-NOMA系统的用户分簇和功率分配方法,其特征在于,包括以下步骤:
步骤一,构建毫米波mMIMO-NOMA系统,构建毫米波信道模型;
步骤二,采用基于簇头选择的用户分簇算法,对所有用户进行分簇,得到用户分簇结果;
步骤三,针对获得的簇头信道进行混合预编码,消除簇间的用户干扰;
步骤四,使用基于融合PSO-SCSO的元启发算法进行功率分配。
4.根据权利要求1所述的基于元启发算法的mMIMO-NOMA系统的用户分簇和功率分配方法,其特征在于,步骤二中采用基于簇头选择的用户分簇算法,对所有用户进行自适应分簇,具体包括:
利用毫米波的方向性特点,将用户根据信道相关性进行分簇,同一簇内的用户使用同一模拟预编码,即从同一波束中获得波束增益;同一簇内用户信道的相关性高,不同簇用户信道的相关性低;簇头用户为每簇中的强用户;具体算法过程如下:Step1.初始化:初始化用户信道增益向量,其中/>,/>是第/>个用户的信道矢量,,/>表示用户总数;簇头集合/>初始为空集;初始化阈值/>;设置每簇中用户最大数/>;/>;Step2.选择当前信道增益向量中最大元素对应的信道/>作为当前簇头,并将其从信道集合和信道增益向量中去除;/>
5.根据权利要求1所述的基于元启发算法的mMIMO-NOMA系统的用户分簇和功率分配方法,其特征在于:步骤三中使用混合预编码,包括模拟预编码和数字预编码,其中,所述模拟预编码使用移相器实现,仅调整信号的相位;所述数字预编码通过射频链实现,以同时调整相位和幅度。
6.根据权利要求1所述的基于元启发算法的mMIMO-NOMA系统的用户分簇和功率分配方法,其特征在于:步骤四中以最大化系统频谱效率和能量效率为目标,采用融合PSO-SCSO的元启发算法求解用户功率分配,通过对粒子运动方式进行改进,并且融合SCSO算法,能够在更少次数的迭代之后获得更精确的结果。
7.根据权利要求6所述的基于元启发算法的mMIMO-NOMA系统的用户分簇和功率分配方法,其特征在于,所述融合PSO-SCSO的元启发算法包括:
融合PSO-SCSO算法将粒子群算法PSO和沙猫优化算法SCSO相结合,利用SCSO的高维搜索能力提高PSO的开发能力和全局搜索能力;融合PSO-SCSO算法利用改进的方式更新粒子位置,其算法步骤如下:Step1.初始化粒子种群的大小,初始化所有的参数,随机初始化粒子群;
Step2.计算所有粒子的适应度值,如果优于全局最优位置的适应度值,则更新全局最优位置;
Step3.利用如下公式更新所有粒子的位置;
其中,/>表示第/>个粒子在第/>次迭代过程中的位置矢量;/>表示第/>个粒子在第/>次迭代过程中的位置矢量;/>为引入的一个矢量;/>、/>、/>都是0到1之间服从均匀分布的随机数,/>为0到/>之间服从均匀分布的随机值;/>、/>均是公式的中间变量,分别表示粒子在运动前期和后期的主要位置更新方式;/>是每次迭代过程中的全局最优位置矢量;/>为一个标量,初始值为/>,迭代过程中逐渐减小;/>是一个控制系数;/>和/>均为加速因子;/>
Step4.重复Step2、Step3直到算法收敛;
Step5.输出算法更新位置信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310436619.6A CN116155329B (zh) | 2023-04-23 | 2023-04-23 | 基于元启发算法的mMIMO-NOMA系统的用户分簇和功率分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310436619.6A CN116155329B (zh) | 2023-04-23 | 2023-04-23 | 基于元启发算法的mMIMO-NOMA系统的用户分簇和功率分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116155329A true CN116155329A (zh) | 2023-05-23 |
CN116155329B CN116155329B (zh) | 2023-07-28 |
Family
ID=86354722
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310436619.6A Active CN116155329B (zh) | 2023-04-23 | 2023-04-23 | 基于元启发算法的mMIMO-NOMA系统的用户分簇和功率分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116155329B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117135737A (zh) * | 2023-10-24 | 2023-11-28 | 中国铁塔股份有限公司 | 基站电源的控制方法、装置、电子设备及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110225569A (zh) * | 2019-06-10 | 2019-09-10 | 桂林电子科技大学 | 一种基于改进粒子群算法的WSNs分簇多跳路由协议的方法 |
CN110418399A (zh) * | 2019-07-24 | 2019-11-05 | 东南大学 | 一种基于noma的车联网资源分配方法 |
CN113055088A (zh) * | 2021-03-09 | 2021-06-29 | 西安电子科技大学 | 基于改进粒子群算法的室内可见光通信系统功率分配方法 |
CN113329418A (zh) * | 2021-04-21 | 2021-08-31 | 中南大学 | 基于大规模mimo-noma系统的用户分簇方法、系统及介质 |
CN113472409A (zh) * | 2021-05-19 | 2021-10-01 | 南京邮电大学 | 毫米波大规模mimo系统中基于past算法的混合预编码方法 |
CN114199248A (zh) * | 2021-11-30 | 2022-03-18 | 哈尔滨工程大学 | 一种基于混合元启发算法优化anfis的auv协同定位方法 |
CN115133969A (zh) * | 2022-07-01 | 2022-09-30 | 内蒙古大学 | 毫米波大规模mimo-noma系统的性能提高方法 |
CN115833886A (zh) * | 2022-09-20 | 2023-03-21 | 内蒙古大学 | 一种无蜂窝大规模mimo系统的功率控制方法 |
CN115835358A (zh) * | 2022-11-24 | 2023-03-21 | 杭州电子科技大学 | 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 |
-
2023
- 2023-04-23 CN CN202310436619.6A patent/CN116155329B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110225569A (zh) * | 2019-06-10 | 2019-09-10 | 桂林电子科技大学 | 一种基于改进粒子群算法的WSNs分簇多跳路由协议的方法 |
CN110418399A (zh) * | 2019-07-24 | 2019-11-05 | 东南大学 | 一种基于noma的车联网资源分配方法 |
CN113055088A (zh) * | 2021-03-09 | 2021-06-29 | 西安电子科技大学 | 基于改进粒子群算法的室内可见光通信系统功率分配方法 |
CN113329418A (zh) * | 2021-04-21 | 2021-08-31 | 中南大学 | 基于大规模mimo-noma系统的用户分簇方法、系统及介质 |
CN113472409A (zh) * | 2021-05-19 | 2021-10-01 | 南京邮电大学 | 毫米波大规模mimo系统中基于past算法的混合预编码方法 |
CN114199248A (zh) * | 2021-11-30 | 2022-03-18 | 哈尔滨工程大学 | 一种基于混合元启发算法优化anfis的auv协同定位方法 |
CN115133969A (zh) * | 2022-07-01 | 2022-09-30 | 内蒙古大学 | 毫米波大规模mimo-noma系统的性能提高方法 |
CN115833886A (zh) * | 2022-09-20 | 2023-03-21 | 内蒙古大学 | 一种无蜂窝大规模mimo系统的功率控制方法 |
CN115835358A (zh) * | 2022-11-24 | 2023-03-21 | 杭州电子科技大学 | 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 |
Non-Patent Citations (3)
Title |
---|
LI WANGWANG; HUANG CHENGCHENG; XIE HUIXING; BI YAFAN: ""Study on the Release Property of Nitrogen in Sustained-release Fertilizer with Carrier of Bentonite"", 《IEEE》 * |
金秀章,史德金,乔鹏: ""基于沙地猫群优化-最小二乘支持向量机的动态NOx排放预测"", 《中国电机工程学报》 * |
高佰宏,刘朝晖,刘华: ""基于SCSO-GRU模型的网络流量预测"", 《计算机与现代化》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117135737A (zh) * | 2023-10-24 | 2023-11-28 | 中国铁塔股份有限公司 | 基站电源的控制方法、装置、电子设备及存储介质 |
CN117135737B (zh) * | 2023-10-24 | 2024-01-26 | 中国铁塔股份有限公司 | 基站电源的控制方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116155329B (zh) | 2023-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Machine learning for user partitioning and phase shifters design in RIS-aided NOMA networks | |
CN101867402B (zh) | 一种自适应天线选择的mimo系统及其应用方法 | |
CN116155329B (zh) | 基于元启发算法的mMIMO-NOMA系统的用户分簇和功率分配方法 | |
CN110011712B (zh) | 一种面向毫米波大规模多输入多输出的混合预编码方法 | |
CN112703682A (zh) | 用于使用机器学习来设计波束网格的装置和方法 | |
Yang et al. | Deep reinforcement learning for RIS-aided non-orthogonal multiple access downlink networks | |
CN110536321B (zh) | 5g iot通信中权衡能量效率和频谱效率的优化方法 | |
CN112564754A (zh) | 一种毫米波Massive MIMO系统下基于自适应交叉熵的波束选择方法 | |
CN114745032B (zh) | 一种无蜂窝大规模mimo智能分布式波束选择方法 | |
CN115133969B (zh) | 毫米波大规模mimo-noma系统的性能提高方法 | |
CN116980940A (zh) | 一种基于分布式ris辅助毫米波noma系统的资源分配方法 | |
Wu et al. | Intelligent resource allocations for IRS-assisted OFDM communications: a hybrid MDQN-DDPG approach | |
CN114302487B (zh) | 基于自适应粒子群功率分配的能效优化方法、装置及设备 | |
CN114285443B (zh) | 动态超表面天线辅助的近场宽带上行mimo传输方法 | |
CN113595609B (zh) | 一种基于强化学习的蜂窝移动通信系统协作式信号发送方法 | |
CN114727318A (zh) | 一种基于maddpg的多ris通信网络速率提升方法 | |
CN113766492A (zh) | 一种安全Massive MIMO网络资源配置方法 | |
CN111556511B (zh) | 一种基于智能边缘缓存的部分机会性干扰对齐方法 | |
Hou et al. | Particle swarm optimization inspired low-complexity beamforming for MmWave massive MIMO systems | |
Zhang et al. | Joint optimization of energy efficiency and spectrum efficiency of single-station multi-satellite MIMO uplink system | |
CN106452528B (zh) | 3d-mimo系统中扇区垂直裂化的系统下行传输速率提升方法 | |
Sun et al. | Reliable UAV Communication via Collaborative Beamforming: A Multi-objective Optimization Approach | |
CN113242068B (zh) | 一种基于深度强化学习的智能通信波束碰撞避免方法 | |
CN116614826B (zh) | 一种同时传输和反射表面网络的覆盖和容量优化方法 | |
CN116112941B (zh) | 一种多ris辅助的无线网络覆盖优化方法与装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |