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 PDF

Info

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
Application number
CN202310436619.6A
Other languages
English (en)
Other versions
CN116155329B (zh
Inventor
李旺旺
黄学军
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.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
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 Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202310436619.6A priority Critical patent/CN116155329B/zh
Publication of CN116155329A publication Critical patent/CN116155329A/zh
Application granted granted Critical
Publication of CN116155329B publication Critical patent/CN116155329B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

基于元启发算法的mMIMO-NOMA系统的用户分簇和功率分配 方法
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
Figure SMS_1
簇中包含用户/>
Figure SMS_2
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。
作为本发明的进一步改进，簇
Figure SMS_3
中第/>
Figure SMS_4
个用户接收到的信号为：
Figure SMS_5
其中，
Figure SMS_10
表示簇/>
Figure SMS_15
中用户/>
Figure SMS_23
的发射信号，/>
Figure SMS_8
表示簇/>
Figure SMS_17
中用户/>
Figure SMS_11
的接收信号；
Figure SMS_16
，/>
Figure SMS_20
，/>
Figure SMS_26
表示簇/>
Figure SMS_9
中用户/>
Figure SMS_13
的发射功率，/>
Figure SMS_22
表示簇/>
Figure SMS_30
中用户/>
Figure SMS_24
的发射功率，/>
Figure SMS_28
表示簇/>
Figure SMS_29
中用户/>
Figure SMS_34
的发射功率，/>
Figure SMS_36
表示簇/>
Figure SMS_41
中用户/>
Figure SMS_6
的发射信号，/>
Figure SMS_12
表示簇/>
Figure SMS_18
中用户/>
Figure SMS_21
的发射信号，/>
Figure SMS_35
是簇/>
Figure SMS_42
中用户/>
Figure SMS_27
的高斯噪声矢量，且/>
Figure SMS_33
；/>
Figure SMS_32
是模拟预编码矩阵，/>
Figure SMS_38
是矩阵的共轭转置操作，/>
Figure SMS_39
就是/>
Figure SMS_43
的共轭转置；/>
Figure SMS_19
表示数字预编码矩阵中的第/>
Figure SMS_25
列，/>
Figure SMS_7
表示数字预编码矩阵中的第/>
Figure SMS_14
列，/>
Figure SMS_31
表示簇/>
Figure SMS_37
中用户/>
Figure SMS_40
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：
Step1.初始化：初始化用户信道增益向量
Figure SMS_46
，其中/>
Figure SMS_49
；
Figure SMS_52
是第/>
Figure SMS_45
个用户的信道矢量，/>
Figure SMS_47
，/>
Figure SMS_50
表示用户总数；簇头集合/>
Figure SMS_53
初始为空集；初始化阈值/>
Figure SMS_44
；设置每簇中用户最大数/>
Figure SMS_48
；/>
Figure SMS_51
；
Step2.选择当前信道增益向量中最大元素对应的信道
Figure SMS_54
作为当前簇头，并将其从信道集合和信道增益向量中去除；
Step3.计算信道集合中剩余所有用户信道
Figure SMS_55
与当前簇头的相关性
Figure SMS_56
，当且仅当该簇中用户数不超过/>
Figure SMS_57
并且/>
Figure SMS_58
时，将/>
Figure SMS_59
对应的用户与当前簇头对应用户归入第/>
Figure SMS_60
簇，并将其从剩余用户信道集合中去除；
Step4.
Figure SMS_61
；
Step5.重复Step3和Step4，直到所有用户都已经完成分簇，分簇结束，设所有用户一共被分为
Figure SMS_62
簇，第/>
Figure SMS_63
簇中包含用户/>
Figure SMS_64
个，则分簇后所有用户用/>
Figure SMS_65
表示。
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；
Figure SMS_66
其中，
Figure SMS_81
表示第/>
Figure SMS_71
个粒子在第/>
Figure SMS_76
次迭代过程中的位置矢量；/>
Figure SMS_80
表示第/>
Figure SMS_85
个粒子在第/>
Figure SMS_84
次迭代过程中的位置矢量；/>
Figure SMS_86
为引入的一个矢量；/>
Figure SMS_72
、/>
Figure SMS_78
、/>
Figure SMS_67
都是0到1之间服从均匀分布的随机数，/>
Figure SMS_73
为0到/>
Figure SMS_70
之间服从均匀分布的随机值；/>
Figure SMS_77
、/>
Figure SMS_79
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；/>
Figure SMS_83
是每次迭代过程中的全局最优位置矢量；/>
Figure SMS_69
为一个标量，初始值为/>
Figure SMS_74
，迭代过程中逐渐减小；/>
Figure SMS_75
是一个控制系数；/>
Figure SMS_82
和/>
Figure SMS_68
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
Figure SMS_87
簇中包含用户/>
Figure SMS_88
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。
也就是说，步骤一具体为：构建如图2所示的多用户毫米波mMIMO-NOMA系统模型，BS端配有
Figure SMS_89
根发射天线和/>
Figure SMS_90
个RF链，同时服务/>
Figure SMS_91
个随机分布的单天线用户，/>
Figure SMS_92
Figure SMS_93
Figure SMS_94
。
为了充分获得多路复用增益，设RF链的数量等于波束数量
Figure SMS_95
。
通过NOMA技术，将用户分为
Figure SMS_96
簇，第/>
Figure SMS_97
簇中共计/>
Figure SMS_98
个用户共用同一波束。
令
Figure SMS_99
、/>
Figure SMS_100
分别表示混合预编码中的模拟预编码矩阵和数字预编码矩阵，则簇/>
Figure SMS_101
中第/>
Figure SMS_102
个用户接收到的信号表示为：/>
Figure SMS_103
（1）
其中，
Figure SMS_132
表示簇/>
Figure SMS_137
中用户/>
Figure SMS_139
的发射信号，/>
Figure SMS_108
表示簇/>
Figure SMS_114
中用户/>
Figure SMS_120
的接收信号；
Figure SMS_127
，/>
Figure SMS_128
，/>
Figure SMS_133
表示簇/>
Figure SMS_135
中用户/>
Figure SMS_140
的发射功率，/>
Figure SMS_130
表示簇/>
Figure SMS_134
中用户/>
Figure SMS_138
的发射功率，/>
Figure SMS_142
表示簇/>
Figure SMS_111
中用户/>
Figure SMS_119
的发射功率，/>
Figure SMS_123
表示簇/>
Figure SMS_129
中用户/>
Figure SMS_104
的发射信号，/>
Figure SMS_110
表示簇/>
Figure SMS_116
中用户/>
Figure SMS_122
的发射信号，/>
Figure SMS_109
和/>
Figure SMS_115
的取值范围如累和符号中描述，/>
Figure SMS_117
是簇/>
Figure SMS_126
中用户/>
Figure SMS_131
的高斯噪声矢量，且/>
Figure SMS_136
；/>
Figure SMS_141
是模拟预编码矩阵，/>
Figure SMS_143
是矩阵的共轭转置操作，/>
Figure SMS_106
就是
Figure SMS_112
的共轭转置；/>
Figure SMS_121
表示数字预编码矩阵中的第/>
Figure SMS_125
列，/>
Figure SMS_107
表示数字预编码矩阵中的第/>
Figure SMS_113
列，
Figure SMS_118
表示簇/>
Figure SMS_124
中用户/>
Figure SMS_105
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：
Figure SMS_144
（2）
其中：
Figure SMS_145
（3）
其中，
Figure SMS_146
表示数字预编码矩阵中的第/>
Figure SMS_147
列。
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：
Step1.初始化：初始化用户信道增益向量
Figure SMS_149
，其中/>
Figure SMS_153
；
Figure SMS_156
是第/>
Figure SMS_150
个用户的信道矢量，/>
Figure SMS_152
，/>
Figure SMS_154
表示用户总数；簇头集合/>
Figure SMS_157
初始为空集；初始化阈值/>
Figure SMS_148
；设置每簇中用户最大数/>
Figure SMS_151
；/>
Figure SMS_155
；
Step2.选择当前信道增益向量中最大元素对应的信道
Figure SMS_158
作为当前簇头，并将其从信道集合和信道增益向量中去除；
Step3.计算信道集合中剩余所有用户信道
Figure SMS_159
与当前簇头的相关性
Figure SMS_160
，当且仅当该簇中用户数不超过/>
Figure SMS_161
并且/>
Figure SMS_162
时，将/>
Figure SMS_163
对应的用户与当前簇头对应用户归入第/>
Figure SMS_164
簇，并将其从剩余用户信道集合中去除；/>
Step4.
Figure SMS_165
；
Step5.重复Step3和Step4，直到所有用户都已经完成分簇，分簇结束，设所有用户一共被分为
Figure SMS_166
簇，第/>
Figure SMS_167
簇中包含用户/>
Figure SMS_168
个，则分簇后所有用户用/>
Figure SMS_169
表示。
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
Figure SMS_170
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/>
Figure SMS_171
比特精度的移相器，则模拟预编码矩阵可以表示为：
Figure SMS_172
（4）
其中，
Figure SMS_174
是G个用户簇的簇头信道，/>
Figure SMS_178
表示/>
Figure SMS_181
的第/>
Figure SMS_175
行第/>
Figure SMS_177
个元素，/>
Figure SMS_180
表示/>
Figure SMS_183
的第/>
Figure SMS_173
行第/>
Figure SMS_176
个元素，/>
Figure SMS_179
是中间变量，/>
Figure SMS_182
表示计算复数的相位角。在获得了模拟预编码之后，得到所有簇头用户的等效信道为
Figure SMS_184
（5）
则数字预编码矩阵为：
Figure SMS_185
（6）
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；
Figure SMS_186
其中，
Figure SMS_194
表示第/>
Figure SMS_188
个粒子在第/>
Figure SMS_198
次迭代过程中的位置矢量；/>
Figure SMS_189
表示第/>
Figure SMS_196
个粒子在第/>
Figure SMS_200
次迭代过程中的位置矢量；/>
Figure SMS_204
为引入的一个矢量，其定义在公式（17）；/>
Figure SMS_199
、/>
Figure SMS_203
、/>
Figure SMS_187
都是0到1之间服从均匀分布的随机数，/>
Figure SMS_193
为0到/>
Figure SMS_201
之间服从均匀分布的随机值；/>
Figure SMS_206
、/>
Figure SMS_202
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；/>
Figure SMS_205
是每次迭代过程中的全局最优位置矢量；/>
Figure SMS_191
为一个标量，初始值为/>
Figure SMS_195
，迭代过程中逐渐减小；/>
Figure SMS_192
是一个控制系数；/>
Figure SMS_197
和/>
Figure SMS_190
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：
Figure SMS_207
第g簇中第m个用户的信息传输速率表示如下：
Figure SMS_208
（7）
则系统的频谱效率表示为；
Figure SMS_209
（8）
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：
Figure SMS_210
（9）
其中
Figure SMS_211
、/>
Figure SMS_212
、/>
Figure SMS_213
分别表示每个射频链功率、每个移相器功率和基带功率，/>
Figure SMS_214
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：/>
Figure SMS_215
（10）
其中，
Figure SMS_216
表示每个用户的发送功率应当为正数，/>
Figure SMS_217
表示所有用户的总发射功率小于基站最大发送功率/>
Figure SMS_218
，/>
Figure SMS_219
是第g簇中第m个用户的信息传输速率，见公式（7），/>
Figure SMS_220
保证每个用户的信息传输速率满足最低速率要求/>
Figure SMS_221
。
为了方便求解，根据算法特点，忽略
Figure SMS_222
约束，利用罚函数将上述有约束最大化优化问题转化为无约束最小化优化问题：
Figure SMS_223
（11）
其中，
Figure SMS_225
表示系统频谱效率，见公式(8)；/>
Figure SMS_228
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/>
Figure SMS_230
簇中有/>
Figure SMS_226
个用户，/>
Figure SMS_227
是第g簇中第m个用户的发送功率，/>
Figure SMS_229
是系统总的发送功率约束；/>
Figure SMS_231
是第g簇中第m个用户的频谱效率，/>
Figure SMS_224
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
Figure SMS_232
和/>
Figure SMS_233
分别表示第/>
Figure SMS_234
个粒子在第/>
Figure SMS_235
次迭代过程中的位置矢量和速度矢量，则第/>
Figure SMS_236
个粒子从第/>
Figure SMS_237
次迭代到第/>
Figure SMS_238
次的状态更新公式如下：
Figure SMS_239
（12）
其中，
Figure SMS_241
、/>
Figure SMS_244
是0到1之间服从均匀分布的随机数，/>
Figure SMS_247
表示第/>
Figure SMS_242
个粒子在第/>
Figure SMS_243
次迭代的最优位置，/>
Figure SMS_246
表示全局最优位置，/>
Figure SMS_248
为惯性权重，表示了对粒子此前运动状态的信任；
Figure SMS_240
，/>
Figure SMS_245
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
Figure SMS_249
表示从第/>
Figure SMS_250
次迭代更新到第/>
Figure SMS_251
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。
Figure SMS_252
（13）
其中，
Figure SMS_254
为第/>
Figure SMS_256
次的全局最优解，/>
Figure SMS_259
为种群中成员/>
Figure SMS_255
时刻所处的位置，/>
Figure SMS_257
表示/>
Figure SMS_260
时刻各成员局部最优位置，/>
Figure SMS_261
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，/>
Figure SMS_253
和/>
Figure SMS_258
是0到1间的随机数。其他参数通过式(14~16)得到。
Figure SMS_262
(14)
Figure SMS_263
(15)
Figure SMS_264
(16)
其中，
Figure SMS_265
、/>
Figure SMS_266
是0到1之间的随机数，/>
Figure SMS_267
代表每只沙猫的敏感范围，一般设为2；/>
Figure SMS_268
、
Figure SMS_269
分别表示当前迭代次数和最大迭代次数，/>
Figure SMS_270
是中间变量，/>
Figure SMS_271
是用于控制沙猫行为的距离参数。
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：
Figure SMS_272
(17)
其中，
Figure SMS_277
表示第/>
Figure SMS_274
个粒子在第/>
Figure SMS_279
次迭代过程的位置矢量，/>
Figure SMS_276
表示第/>
Figure SMS_281
个粒子在第/>
Figure SMS_286
次迭代过程中的位置矢量，/>
Figure SMS_290
表示所有粒子位置坐标的上边界，/>
Figure SMS_285
表示所有粒子位置坐标的下边界，/>
Figure SMS_289
表示全局最优解矢量，/>
Figure SMS_273
、/>
Figure SMS_280
、/>
Figure SMS_278
都是0到1之间的随机数，/>
Figure SMS_282
中元素均为0到/>
Figure SMS_283
之间的随机值，/>
Figure SMS_288
表示运动步长，/>
Figure SMS_275
控制收敛速度，/>
Figure SMS_284
初值为/>
Figure SMS_287
。
式（17）中，第一项代替了原式中的惯性和局部最优因子，
Figure SMS_291
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/>
Figure SMS_292
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：
Figure SMS_293
(18)
其中，
Figure SMS_306
表示第/>
Figure SMS_297
个粒子在第/>
Figure SMS_300
次迭代过程中的位置矢量；/>
Figure SMS_309
表示第/>
Figure SMS_313
个粒子在第/>
Figure SMS_310
次迭代过程中的位置矢量；/>
Figure SMS_314
为引入的一个矢量，其定义与公式（17）中相同；
Figure SMS_307
、/>
Figure SMS_311
、/>
Figure SMS_294
都是0到1之间服从均匀分布的随机数，/>
Figure SMS_305
为0到/>
Figure SMS_298
之间服从均匀分布的随机值；/>
Figure SMS_301
、/>
Figure SMS_299
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；/>
Figure SMS_304
是每次迭代过程中的全局最优位置矢量；/>
Figure SMS_296
为一个标量，初始值为/>
Figure SMS_302
，迭代过程中逐渐减小；/>
Figure SMS_308
是一个控制系数；/>
Figure SMS_312
和/>
Figure SMS_295
均为加速因子，值与/>
Figure SMS_303
相关，具体如下：
Figure SMS_315
(19)
式（18）到（19）中，
Figure SMS_318
、/>
Figure SMS_321
、/>
Figure SMS_323
的值根据实际问题调整，/>
Figure SMS_317
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/>
Figure SMS_320
，/>
Figure SMS_322
，/>
Figure SMS_324
发挥主要作用，促使粒子向最优点靠近；否则/>
Figure SMS_316
,/>
Figure SMS_319
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：
Figure SMS_326
，
Figure SMS_328
，/>
Figure SMS_332
，/>
Figure SMS_327
；惩罚因子/>
Figure SMS_330
，/>
Figure SMS_331
。分簇算法中阈值/>
Figure SMS_333
的计算方式为随机选择/>
Figure SMS_325
个用户，令/>
Figure SMS_329
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。/>
Figure SMS_334
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。
2.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
Figure QLYQS_1
簇中包含用户/>
Figure QLYQS_2
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。
3.根据权利要求2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，簇
Figure QLYQS_3
中第/>
Figure QLYQS_4
个用户接收到的信号为：
Figure QLYQS_9
其中，/>
Figure QLYQS_13
表示簇/>
Figure QLYQS_19
中用户/>
Figure QLYQS_6
的发射信号，/>
Figure QLYQS_12
表示簇/>
Figure QLYQS_8
中用户/>
Figure QLYQS_15
的接收信号；/>
Figure QLYQS_22
，
Figure QLYQS_28
，/>
Figure QLYQS_10
表示簇/>
Figure QLYQS_16
中用户/>
Figure QLYQS_18
的发射功率，/>
Figure QLYQS_23
表示簇/>
Figure QLYQS_24
中用户/>
Figure QLYQS_31
的发射功率，/>
Figure QLYQS_30
表示簇/>
Figure QLYQS_38
中用户/>
Figure QLYQS_34
的发射功率，/>
Figure QLYQS_40
表示簇/>
Figure QLYQS_5
中用户/>
Figure QLYQS_11
的发射信号，/>
Figure QLYQS_20
表示簇/>
Figure QLYQS_26
中用户/>
Figure QLYQS_33
的发射信号，/>
Figure QLYQS_39
是簇/>
Figure QLYQS_21
中用户/>
Figure QLYQS_27
的高斯噪声矢量，且/>
Figure QLYQS_29
；/>
Figure QLYQS_35
是模拟预编码矩阵，
Figure QLYQS_36
是矩阵的共轭转置操作，/>
Figure QLYQS_42
就是/>
Figure QLYQS_17
的共轭转置；/>
Figure QLYQS_25
表示数字预编码矩阵中的第/>
Figure QLYQS_7
列，/>
Figure QLYQS_14
表示数字预编码矩阵中的第/>
Figure QLYQS_32
列，/>
Figure QLYQS_37
表示簇/>
Figure QLYQS_41
中用户/>
Figure QLYQS_43
的信道矢量，采用均匀平面阵列的毫米波信道模型。
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
Figure QLYQS_45
，其中/>
Figure QLYQS_47
，/>
Figure QLYQS_50
是第/>
Figure QLYQS_46
个用户的信道矢量，
Figure QLYQS_49
，/>
Figure QLYQS_52
表示用户总数；簇头集合/>
Figure QLYQS_53
初始为空集；初始化阈值/>
Figure QLYQS_44
；设置每簇中用户最大数/>
Figure QLYQS_48
；/>
Figure QLYQS_51
；Step2.选择当前信道增益向量中最大元素对应的信道/>
Figure QLYQS_54
作为当前簇头，并将其从信道集合和信道增益向量中去除；/>
Step3.计算信道集合中剩余所有用户信道
Figure QLYQS_55
与当前簇头的相关性
Figure QLYQS_56
，当且仅当该簇中用户数不超过/>
Figure QLYQS_57
并且/>
Figure QLYQS_58
时，将/>
Figure QLYQS_59
对应的用户与当前簇头对应用户归入第/>
Figure QLYQS_60
簇，并将其从剩余用户信道集合中去除；Step4.
Figure QLYQS_61
；
Step5.重复Step3和Step4，直到所有用户都已经完成分簇，分簇结束，设所有用户一共被分为
Figure QLYQS_62
簇，第/>
Figure QLYQS_63
簇中包含用户/>
Figure QLYQS_64
个，则分簇后所有用户用/>
Figure QLYQS_65
表示。
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；
Figure QLYQS_80
其中，/>
Figure QLYQS_68
表示第/>
Figure QLYQS_74
个粒子在第/>
Figure QLYQS_71
次迭代过程中的位置矢量；/>
Figure QLYQS_76
表示第/>
Figure QLYQS_81
个粒子在第/>
Figure QLYQS_85
次迭代过程中的位置矢量；/>
Figure QLYQS_70
为引入的一个矢量；/>
Figure QLYQS_77
、/>
Figure QLYQS_66
、/>
Figure QLYQS_75
都是0到1之间服从均匀分布的随机数，/>
Figure QLYQS_69
为0到/>
Figure QLYQS_73
之间服从均匀分布的随机值；/>
Figure QLYQS_79
、/>
Figure QLYQS_84
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；/>
Figure QLYQS_78
是每次迭代过程中的全局最优位置矢量；/>
Figure QLYQS_83
为一个标量，初始值为/>
Figure QLYQS_82
，迭代过程中逐渐减小；/>
Figure QLYQS_86
是一个控制系数；/>
Figure QLYQS_67
和/>
Figure QLYQS_72
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。
CN202310436619.6A 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 Active CN116155329B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (9)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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