CN116582937A - 多无线体域网共存情况下的资源分配方法 - Google Patents
多无线体域网共存情况下的资源分配方法 Download PDFInfo
- Publication number
- CN116582937A CN116582937A CN202310682085.5A CN202310682085A CN116582937A CN 116582937 A CN116582937 A CN 116582937A CN 202310682085 A CN202310682085 A CN 202310682085A CN 116582937 A CN116582937 A CN 116582937A
- Authority
- CN
- China
- Prior art keywords
- transmission
- body area
- node
- wireless body
- energy
- 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000013468 resource allocation Methods 0.000 title claims abstract description 15
- 230000005540 biological transmission Effects 0.000 claims abstract description 168
- 238000005457 optimization Methods 0.000 claims abstract description 62
- 238000009826 distribution Methods 0.000 claims abstract description 36
- 238000004891 communication Methods 0.000 claims abstract description 15
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 35
- 238000005516 engineering process Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 4
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000000452 restraining effect Effects 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000009472 formulation Methods 0.000 claims description 2
- 239000000203 mixture Substances 0.000 claims description 2
- 230000036541 health Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000000116 mitigating effect Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000000474 nursing effect Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000013585 weight reducing agent Substances 0.000 description 1
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
- H04W72/0446—Resources in time domain, e.g. slots or frames
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B13/00—Transmission systems characterised by the medium used for transmission, not provided for in groups H04B3/00 - H04B11/00
- H04B13/005—Transmission systems in which the medium consists of the human body
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及无线通信技术领域,具体涉及一种多无线体域网共存情况下的资源分配方法,包括以下步骤:构建基于信息能量双向传输的多无线体域网系统模型,多无线体域网系统模型中包含预先布置的用于无线供能的射频能量源、多个可自由移动的无线体域网和配有边缘服务器的AP;构建多无线体域网共存情况下,无线体域网系统模型内的信息与能量传输协议;基于传输协议选择向量a、传感器发射功率分配比参数ρij以及时隙顺序P构建总体优化模型;基于总体优化模型求解多无线体域网系统模型的最优配置,得到最优传输策略。本发明保证信息传输和能量传输的高可靠性,尤其是重要信息的高可靠传输。
Description
技术领域
本发明涉及无线通信技术领域,更具体的说是涉及一种多无线体域网共存情况下的资源分配方法。
背景技术
随着无线通信以及物联网技术的蓬勃发展,以及人口老龄化不断加剧,无线体域网(WBAN,Wireless BodyAreaNetwork)作为一种可以高可靠性、灵活性、可扩展性和低成本的可以对人体生命健康进行监测的传感器技术得到了广泛的关注和应用。无线体域网的应用可以有效缓解有限的医疗资源与日益增长的老龄人口需求之间的矛盾,已广泛应用于电子医疗保健中,为健康监测提供实时和持续的护理。
无线体域网可以被广泛部署在人口密集的场景中,例如,医院的病房、候诊室、养老院或者智慧家庭等。然而当相邻的无线体域网的通信区域相互靠近甚至重叠时,系统会不可避免地遭受严重的网内或网间的干扰。体域网内干扰是指网络内部各节点同时传输数据时产生的干扰;网间干扰是由两个或多个相邻网络之间同时传输数据而引起的。体域网间干扰降低了生理数据传输的可靠性和时效性,增加了网络管理和医疗保健的经济成本。同时干扰可能会导致紧急医疗诊断数据的不完整或过期,从而威胁到人们的生命安全。在网络之间存在干扰时,采取有效干扰缓解方案是必要的,然而现有的研究中对于体域网间缓解干扰的方案提出的很少。
同时,在大多数情况下,为了满足小型化和轻量化的要求,传感器的电池尺寸因此受到限制,储能容量较小。特别对于植入人体的传感器节点,对其进行充电或更换是十分不方便的,因此无线传感器网络的长期持续稳定的供电成为了关键问题。无线能量传输(WPT,Wireless Power Transmission)成为了解决无线传感器供电问题的理想解决方案,无线供能网络(WPCN,Wireless Powered Communication Network)的提出,实现了传感器网络与WPT技术的较好融合,使得在无线传感器网络中采用无线供能的传感器采集数据成为了可能。
如何在多网络共存情况下,保证信息能量双向传输的高可靠性成为本领域技术人员亟需解决的技术问题。
发明内容
有鉴于此,本发明提供了一种多无线体域网共存情况下的资源分配方法,保证信息传输和能量传输的高可靠性,尤其是重要信息的高可靠传输。
为了实现上述目的,本发明采用如下技术方案:
一种多无线体域网共存情况下的资源分配方法,包括以下步骤:
构建基于信息能量双向传输的多无线体域网系统模型,并针对不同的网络拓扑结构,构建两种基于时分多址的传输协议;所述多无线体域网系统模型中包含预先布置的用于无线供能的射频能量源、多个可自由移动的无线体域网和配有边缘服务器的AP;每个无线体域网包括一个汇聚节点和m个位于不同位置的传感器;
针对无线能量传输和无线数据传输的收发过程进行数学表述,分析各传感器节点进行能量收集数据发送性能和汇聚节点信息收集性能;
针对传输过程中的传输协议选择向量a、传感器发射功率分配比参数ρij以及时隙顺序P三个子问题构建总体优化模型;
对三个子问题进行交替优化更新,求解所述多无线体域网系统模型的最优配置,得到最优传输策略a*、ρ*和P*。
进一步的,根据网络拓扑结构将所述多无线体域网系统模型中的无线体域网分为c组,不同组之间的无线体域网不存在网间干扰,按照组别进行优化。
进一步的,所述传输协议中,针对整个帧,分为上行、下行和传输阶段;
在上行阶段,各传感器节点传输位置信息;
在下行阶段,AP广播本阶段各无线体域网的传输协议、各传感器节点的传输时隙顺序和传输功率分配比以及同步信息;
传输阶段分为能量收集阶段和信息传输阶段,在能量收集阶段,射频能量源广播射频信号,传感器节点接收能量信号并进行充电;
整个信息传输阶段分为正常传输阶段以及紧急传输阶段,在正常传输阶段,各传感器节点按照基于时分多址技术的传输协议传输给汇聚节点,并由汇聚节点转发给AP;
在紧急传输阶段,有数据剩余的传感器节点按照由权重决定的概率竞争传输机会。
进一步的,在传输阶段前,AP对于网络的拓扑结构进行预测并在该拓扑结构的基础上进行策略制定;并利用SWIPT技术将携带策略信息的射频信号广播给传感器节点,传感器节点在此阶段进行能量收集;在信息传输阶段,传感器节点根据接收的的传输策略信息向汇聚节点发送收集的生理数据,并由汇聚节点将数据转发给AP。
进一步的,紧急传输阶段下的传输协议为:
将节点的重要程度量化,定义节点的重要程度为:
v=c1*H+F
其中,F为公平性因子;H为指标脱离正常范围的程度;c1为常数;θl、θu表示指标正常范围的最大和最小值;θ为样本数据数值;
节点重要程度服从的分布用离散分布表示为:
节点的重要程度随时间变化,优化问题表示为:
s.t.C1:
C2:ωi>ωmin
其中,表示第i个样本的数据;P∈E表示符合的分布集合;EP表示期望;r(ω,θ)表示损失函数;C1表示权重的归一化;C2表示保证节点的最低权重约束;
根据分布式鲁棒优化算法将上述随机优化问题转化为凸优化问题:
s.t.C1:
C2:λ≥0
C3:
C4:ωi>ωmin
其中,λ为拉格朗日乘子;,si为引入的变量;为样本数据;||.||为范数;/>为任意的第i个样本;ωmin为最小权重约束;C1为引入上镜图的约束;C2为拉格朗日乘子约束;C3为权重归一化约束;C4为对权重的最小约束;
通过求解上述凸优化问题得到最优权重ω*。
8、进一步的,所述总体优化模型以保证传感器节点的正常服务质量为前提,实现多无线体域网系统整体传输速率最大化,其目标函数的表达式如下:
s.t.C1:
C2:
C3:
C4:
C5:
C6:
其中,r1(ρij)为在第一种传输协议下的吞吐量;r2(ρij)为在第二种传输协议下的吞吐量;g为AP到节点的信道增益;j为第j个用户;M(g)为在同一组的用户;aj为协议选择向量;T为向量转置;ωij为节点权重;ti为第i个时隙所分配到的时间;η为节点的能量转换效率;为传感器节点到汇聚节点的信道增益,dij为第j个用户的第i个节点,sj为第j个用户的汇聚节点;/>能量信号从AP到传感器节点的信道增益,e为AP发射能量信号;Pj为与节点同一时隙传输的节点的集合;/>为汇聚节点到传感器节点的信道增益;/>为能量信号从AP到传感器节点的信道增益;dik为第k个用户的第i个节点;ρik为功率分配比;Ps为AP发射能量信号的功率;σ2为高斯白噪声功率;B为带宽;rmin表示满足系统服务质量要求的最低传输速率;
C1、C2为数据传输要满足服务质量的约束;C3是对功率分配比的非负约束以及上界约束;C4约束了传感器节点发射信息消耗的能量不能大于接收到的能量;C5、C6为对于协议选择的约束。
进一步的,所述基于所述总体优化模型求解所述多无线体域网系统模型的最优配置,得到最优传输策略,包括:
根据网络拓扑图将体域网按照有无体域网间干扰分组,设置传输协议选择向量a、功率分配比参数ρ和时隙顺序P的初值;
通过凸优化算法计算出最优的协议选择a*,并更新公共参数;在新的公共参数下,利用匈牙利算法获得最优时隙顺序P*,并更新公共参数;在新的公共参数下,将目标函数改写为凸函数减凸函数的形式,并利用凸差算法计算出最优传感器发射功率分配比ρ*,并更新公共参数;
重复上述算法,直至相邻两次优化差值小于收敛阈值,获得最终的最优策略a*、P*、ρ*。
进一步的,所述通过凸优化算法计算出最优的协议选择a*,包括:
在时隙顺序P和功率分配比参数ρ固定的情况下,传输协议选择子问题表示为:
s.t.C1:
C2:aj(i)∈{0,1}
通过计算得到:
其中,Pj表示与体域网j有网间干扰的体域网集合;则:
当时,传输协议选择向量aj=(0,1);当/> 时,传输协议选择向量aj=(1,0)。
进一步的,所述利用匈牙利算法获得最优时隙顺序P*,包括:
建立效用矩阵U,Uij=αdij+βij
其中α、β表示决策者对于保证重要数据的通信质量与减少网间干扰的态度;dij表示两个传感器节点之间的距离,wij表示两传感器节点的权重比;
将效用矩阵中的最大值元素减去所有元素,得到新的矩阵C,cij=Uimax-Uij;
利用匈牙利算法计算出最优时隙顺序P*。
进一步的,利用凸差算法计算出最优传感器发射功率分配比ρ*,包括:
将a和P固定为常量,求多无线体域网系统模型总传输速率的R(ρ)的最大值来实现对于通信性能的优化;将目标函数拆分成单组中每个时隙分别优化:
将Rt改写为凸函数与凸函数的差的形式:
Rt(ρtj)=Yt(ρtj)-Ft(ρtj)+D
采用罚函数的形式将优化问题转化为无约束问题;
通过凸差算法求出最优的传感器节点发射功率分配比ρ*。
经由上述的技术方案可知,与现有技术相比,本发明具有以下有益效果:
本发明针对多无线体域网共存情况下网络之间的干扰问题,提出通过不同的传输协议、节点传输顺序以及对节点发射功率分配比的控制,减少网间干扰并提升整体系统的网络性能,可在多无线体域网信息能量双向传输场景下,保证信息传输的高可靠性。此外,对于现有的取决于决策者的主观判断权重量化方法进行改进,提出了基于数据的动态权重计算算法,更为精确的保证了重要节点的传输质量。本发明所述的技术不仅可以应用在医疗健康领域,还在娱乐、健康和军事等方面有很大的实用价值。
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,下面描述中的附图仅仅是本发明的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本发明提供的多无线体域网共存情况下的资源分配方法的流程图。
图2为本发明提供的多无线体域网系统模型的结构示意图。
图3为本发明提供的传输协议示意图。
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做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。
如图1所示,本发明实施例公开了一种多无线体域网共存情况下的资源分配方法,包括以下步骤:
S1、构建基于信息能量双向传输的多无线体域网系统模型,并针对不同的网络拓扑结构,构建两种基于时分多址的传输协议;所述多无线体域网系统模型中包含预先布置的用于无线供能的射频能量源、多个(N个)可自由移动的无线体域网和配有边缘服务器的AP(无线接入点);每个无线体域网包括一个汇聚节点和m个位于不同位置的传感器;根据网络拓扑结构将所述多无线体域网系统模型中的无线体域网分为c组,不同组之间的无线体域网不存在网间干扰,进行优化时,按照组别进行优化。
S2、针对无线能量传输和无线数据传输的收发过程进行数学表述,分析各传感器节点进行能量收集数据发送性能和汇聚节点信息收集性能;
S3、针对传输过程中的传输协议选择向量a、传感器发射功率分配比参数ρij以及时隙顺序P三个子问题构建总体优化模型;
S4、对三个子问题进行交替优化更新,求解所述多无线体域网系统模型的最优配置,得到最优传输策略a*、ρ*和P*。
在一个具体实施例中,S1中的传输协议,针对整个帧,分为上行、下行和传输阶段;
在上行阶段,各传感器节点传输位置信息;传感器将位置信息通过基于时分多址技术传输给汇聚节点,并由汇聚节点转发给AP,AP接受到数据后进行决策和优化。
在下行阶段,AP广播本阶段各无线体域网的传输协议、各传感器节点的传输时隙顺序和传输功率分配比以及同步信息;
传输阶段分为能量收集阶段和信息传输阶段,在能量收集阶段,射频能量源广播射频信号,传感器节点接收能量信号并进行充电;
整个信息传输阶段分为正常传输阶段以及紧急传输阶段,在正常传输阶段,各传感器节点按照基于时分多址技术的传输协议将收集到的生理数据传输给汇聚节点,并由汇聚节点转发给AP;
在紧急传输阶段,有数据剩余的传感器节点按照由权重决定的概率竞争传输机会。
在传输阶段前,AP对于网络的拓扑结构进行预测并在该拓扑结构的基础上进行策略制定,将系统内的体域网根据是否在通信范围内进行分组,并对于每一组分别进行优化;并利用SWIPT技术将携带策略信息的射频信号广播给传感器节点,传感器节点在此阶段进行能量收集;在信息传输阶段,传感器节点根据接收的的传输策略信息向汇聚节点发送收集的生理数据,并由汇聚节点将数据转发给AP,针对不同的网络拓扑,设计两种基于时分多址的传输协议,第一种传输协议为:在一组内一个时隙只有一个节点传输,第二种传输协议为:一个体域网内一个时隙只有一个节点传输。两种协议都包含正常和紧急传输阶段。。
在一个具体实施例中,所述总体优化模型以保证传感器节点的正常服务质量为前提,实现多无线体域网系统整体传输速率最大化,减少网络间干扰和避免网络内部干扰,其目标函数的表达式如下:
其中,r1(ρij)为在第一种传输协议下的吞吐量;r2(ρij)为在第二种传输协议下的吞吐量;g为AP到节点的信道增益;j为第j个用户;M(g)为在同一组的用户;aj为协议选择向量;T为向量转置;ωij为节点权重;ti为第i个时隙所分配到的时间;η为节点的能量转换效率;为传感器节点到汇聚节点的信道增益,dij为第j个用户的第i个节点,sj为第j个用户的汇聚节点;/>能量信号从AP到传感器节点的信道增益,e为AP发射能量信号;Pj为与节点同一时隙传输的节点的集合;/>为汇聚节点到传感器节点的信道增益;/>为能量信号从AP到传感器节点的信道增益;dik为第k个用户的第i个节点;ρik为功率分配比;Ps为AP发射能量信号的功率;σ2为高斯白噪声功率;B为带宽;rmin表示满足系统服务质量要求的最低传输速率;
C1、C2为数据传输要满足服务质量的约束;C3是对功率分配比的非负约束以及上界约束;C4约束了传感器节点发射信息消耗的能量不能大于接收到的能量;C5、C6为对于协议选择的约束。
在一个具体实施例中,S4包括:
S41、根据网络拓扑图将体域网按照有无体域网间干扰分组,设置传输协议选择向量a、功率分配比参数ρ和时隙顺序P的初值;
S42、通过凸优化算法计算出最优的协议选择a*,并更新公共参数;在新的公共参数下,利用匈牙利算法获得最优时隙顺序P*,并更新公共参数;在新的公共参数下,将目标函数改写为凸函数减凸函数的形式,并利用凸差算法计算出最优传感器发射功率分配比ρ*,并更新公共参数;
S43、重复S42,直至相邻两次优化差值小于收敛阈值,获得最终的最优策略a*、P*、ρ*。
需要说明的是:
在实际情况下,a,ρ,P的优化顺序可以更改,并且不同优化顺序对于收敛的速度有影响,经过仿真发现收敛速度最快的情况是先优化协议选择a,再优化时隙分配P,最后优化功率分配比ρ,并且优化功率分配比对于提升整体通信性能的作用最大。
获得最优的传输策略是在于对S2中无线能量传输以及无线数据传输的收发过程进行数学表述,分析各传感器节点进行能量收集数据发送和汇聚节点信息收集性能的基础上进行的,其中包括:
(1)信道模型
本发明采用的体域网内信道模型为:
其中,di表示传感器节点与汇聚节点间的传输距离,u表示路径损耗指数,d0表示相关距离。
Gamma分布可以用来描述体域网与体域网之间的信道特性,因此本发明采用的体域网之间的信道模型为:
其中,A表示信道增益的振幅,x,k表示描述分布形状和尺寸的参数,Γ(k表示信道增益分布;本发明用均值和方差来表示:
E(x)=kx (4)
D(x)=kx2 (5)
均值和方差随着距离变化的公式为:
E=ardB+b,rdB=20log10r (6)
其中,a表示常数,b表示常数;
(2)传输过程分析
在能量收集阶段,射频能量源广播射频信号,传感器节点接收能量信号并进行充能,那么节点Dij收集的能量为:
其中,射频能量源的发射功率为Ps,η表示传感器节点能量收集效率,且满足0<η<1,表示从能量源到传感器节点Dij的传输信道增益,t0为系统分配给能量传输阶段的传输时隙的时长。
在信息传输阶段,传感器将采集到的生命健康信息通过基于时分多址技术的传输协议依次传输给汇聚节点,则传感器节点的发射功率表示为:
其中,Pij d表示传感器节点Dij的发射功率,η表示传感器节点能量收集效率,且满足0<η<1,表示从能量源到传感器节点Dij的传输信道增益。
(3)基于数据的动态权重
不同的被监测者的身体状况不同,因此节点的重要程度也是不同的;即使对于同一个监测者,在不同的时间阶段节点的重要程度也是不同的。在医疗领域重要节点更能够影响到被监测人的生命健康,因此本发明提出基于数据的而非主观判断的动态权重计算方法,具体包括:
将节点的重要程度量化,定义节点的重要程度为:
v=c1*H+F (9)
其中,F为公平性因子;H为指标脱离正常范围的程度;c1为常数;θl、θu表示指标正常范围的最大和最小值;θ为样本数据数值;
节点重要程度服从的分布用离散分布表示为:
节点的重要程度随时间变化,优化问题表示为在最坏的分布下最小化损失函数:
其中,表示第i个样本的数据;P∈E表示符合的分布集合;EP表示期望;r(ω,θ)表示损失函数;C1表示权重的归一化;C2表示保证节点的最低权重约束。
根据分布式鲁棒优化算法将上述随机优化问题转化为凸优化问题(即上一问题的拉格朗日函数):
其中,λ为拉格朗日乘子;,Si为引入的变量;为样本数据;||.||为范数;/>为任意的第i个样本;ωmin为最小权重约束;C1为引入上镜图的约束;C2为拉格朗日乘子约束;C3为权重归一化约束;C4为对权重的最小约束;
通过用解决凸优化问题的求解工具求解上述凸优化问题得到最优权重ω*。
(4)传输过程传输速率分析
在传感器节点将生命健康信息传输各汇聚节点阶段,节点Dij将数据传输给汇聚节点Sj过程的信噪比表示为:
其中,σ2表示均值为零方差为σ2的高斯白噪声的功率,表示从传感器节点Dij到汇聚节点Sj之间的信道增益。
则节点Dij到汇聚节点Sj的传输功率为:
一个传输帧内,赋有权重的系统总传输速率可以表示为:
其中,r1(ρij)表示在传输协议一下传输的信噪比,r2(ρij)表示在传输协议二下传输的信噪比。
(5)模型求解
在通信范围内的体域网之间距离越小,网间干扰越小,因此传输速率也越大。根据分析可以得到,在同一个体域网组内,以传输协议一进行传输的体域网的传输速率之和与该组内的体域网之间距离之和成正比。而在同一个体域网组按照传输协议二进行传输的体域网,由于在每一个时隙只有一个节点进行传输,因此不存在网间干扰。同一体域网组内,按照传输协议二进行传输的体域网的传输速率之和不随体域网之间的距离的变化而发生变化。
通过制定最优传输策略,最大化系统总传输速率,来提高系统整体的传输性能,减少网间干扰。由于优化问题为多项式难问题,因此本发明将优化问题分解成三个优化子问题,分别进行求解。优化子问题包括:传输协议优化子问题、时隙设计优化子问题以及节点传输功率分配比优化子问题。
具体来说,S42中,所述通过凸优化算法计算出最优的协议选择a*,包括:
在时隙顺序P和功率分配比参数ρ固定的情况下,传输协议选择子问题(求解最优传输协议)表示为:
通过计算得到:
其中,Pj表示与体域网j有网间干扰的体域网集合;则:
当时,在传输协议二下传输的通信性能优于在传输协议一下传输,传输协议选择向量aj=(0,1);当/>时,传输协议一的性能更优,传输协议选择向量aj=(1,0)。
S42中,所述利用匈牙利算法获得最优时隙顺序P*,包括:
由于节点间的距离以及节点的权重影响了,时隙顺序的分配,因此本发明引入效用函数:建立效用矩阵U:
Uij=αdij+βwij (22)
其中α、β表示决策者对于保证重要数据的通信质量与减少网间干扰的态度;dij表示两个传感器节点之间的距离,wij表示两传感器节点的权重比;
将效用矩阵中的最大值元素减去所有元素,得到新的矩阵C,cij=Uimax-Uij;
利用匈牙利算法计算矩阵C,得出最优时隙顺序P*。
S42中,利用凸差算法计算出最优传感器发射功率分配比ρ*,包括:
将a和P固定为常量,求多无线体域网系统模型总传输速率的R(ρ)的最大值来实现对于通信性能的优化;由于不同组或同一组中不同时隙传输的节点间是不存在干扰的,因此将目标函数拆分成单组中每个时隙分别优化:
将Rt改写为凸函数与凸函数的差的形式:
Rt(ρtj)=Yt(ρtj)-Ft(ρtj)+D (24)
由于凸差算法应用于无约束问题,各约束条件的函数与ρtj呈线性关系,因此本发明采用罚函数的形式将优化问题转化为无约束问题;
其中,u(i)是非负的惩罚因子,hi +(ρtj)=max[0,hi(ρtj)]。
通过凸差算法求出最优的传感器节点发射功率分配比ρ*。
需要进一步说明的是:
惩罚因子在大于一定的下界时,惩罚函数是精准的,并且该下界与拉格朗日乘子有关。
利用凸差迭代算法求解过程为:
首先,设定一个初始点ρ0,求解以下的凸问题:
其中,<,>表示的是内积,表示偏导数,得到上式最优解/>
其次,下降的方向为:步长为λk,其中步长要满足:/>
联合优化通过交替更新算法实现,固定其他两个优化变量的情况下,去求解另一个优化变量的最优值并更新公共参数。其他变量按照同样的方法进行优化,每当每一个变量完成一次优化,实现一次交替优化;重复上述直到到达预设的条件或者到达预设的迭代次数,迭代结束最终获得联合优化的结果。
根据上述论述可知,基于数据的动态权重可以利用分布式鲁棒优化算法进行求解,传输协议子问题可以结合协议的特点以及凸优化进行求解,对于时隙顺序优化可以建立效用矩阵并由匈牙利算法求出,利用凸差算法结合惩罚函数得到最优的功率分配比。基于上述论断,可以对各个变量进行交替优化并且更新。其主要的思想在于:固定其他两个优化变量的情况下,去求解另一个优化变量的最优值并更新公共参数。其他变量按照同样的方法进行优化,每当每一个变量完成一次优化,实现一次交替优化;重复上述直到到达预设的条件或者到达预设的迭代次数,迭代结束最终获得联合优化的结果。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种多无线体域网共存情况下的资源分配方法,其特征在于,包括以下步骤:
构建基于信息能量双向传输的多无线体域网系统模型,并针对不同的网络拓扑结构,构建两种基于时分多址的传输协议;所述多无线体域网系统模型中包含预先布置的用于无线供能的射频能量源、多个可自由移动的无线体域网和配有边缘服务器的AP;每个无线体域网包括一个汇聚节点和m个位于不同位置的传感器;
针对无线能量传输和无线数据传输的收发过程进行数学表述,分析各传感器节点进行能量收集数据发送性能和汇聚节点信息收集性能;
针对传输过程中的传输协议选择向量a、传感器发射功率分配比参数ρij以及时隙顺序P三个子问题构建总体优化模型;
对三个子问题进行交替优化更新,求解所述多无线体域网系统模型的最优配置,得到最优传输策略a*、ρ*和P*。
2.根据权利要求1所述的多无线体域网共存情况下的资源分配方法,其特征在于,根据网络拓扑结构将所述多无线体域网系统模型中的无线体域网分为c组,不同组之间的无线体域网不存在网间干扰,按照组别进行优化。
3.根据权利要求1所述的多无线体域网共存情况下的资源分配方法,其特征在于,所述传输协议中,针对整个帧,分为上行、下行和传输阶段;
在上行阶段,各传感器节点传输位置信息;
在下行阶段,AP广播本阶段各无线体域网的传输协议、各传感器节点的传输时隙顺序和传输功率分配比以及同步信息;
传输阶段分为能量收集阶段和信息传输阶段,在能量收集阶段,射频能量源广播射频信号,传感器节点接收能量信号并进行充电;
整个信息传输阶段分为正常传输阶段以及紧急传输阶段,在正常传输阶段,各传感器节点按照基于时分多址技术的传输协议传输给汇聚节点,并由汇聚节点转发给AP;
在紧急传输阶段,有数据剩余的传感器节点按照由权重决定的概率竞争传输机会。
4.根据权利要求3所述的多无线体域网共存情况下的资源分配方法,其特征在于,在传输阶段前,AP对于网络的拓扑结构进行预测并在该拓扑结构的基础上进行策略制定;并利用SWIPT技术将携带策略信息的射频信号广播给传感器节点,传感器节点在此阶段进行能量收集;在信息传输阶段,传感器节点根据接收的的传输策略信息向汇聚节点发送收集的生理数据,并由汇聚节点将数据转发给AP。
5.根据权利要求3所述的多无线体域网共存情况下的资源分配方法,其特征在于,紧急传输阶段下的传输协议为:
将节点的重要程度量化,定义节点的重要程度为:
v=c1*H+F
其中,F为公平性因子;H为指标脱离正常范围的程度;c1为常数;θl、θu表示指标正常范围的最大和最小值;θ为样本数据数值;
节点重要程度服从的分布用离散分布表示为:
节点的重要程度随时间变化,优化问题表示为:
C2:ωi>ωmin
其中,表示第i个样本的数据;P∈E表示符合的分布集合;EP表示期望;r(ω,θ)表示损失函数;C1表示权重的归一化;C2表示保证节点的最低权重约束;
根据分布式鲁棒优化算法将上述随机优化问题转化为凸优化问题:
C2:λ≥0
C4:ωi>ωmin
其中,λ为拉格朗日乘子;,si为引入的变量;为样本数据;||.||为范数;/>为任意的第i个样本;ωmin为最小权重约束;C1为引入上镜图的约束;C2为拉格朗日乘子约束;C3为权重归一化约束;C4为对权重的最小约束;
通过求解上述凸优化问题得到最优权重ω*。
6.根据权利要求1所述的多无线体域网共存情况下的资源分配方法,其特征在于,所述总体优化模型以保证传感器节点的正常服务质量为前提,实现多无线体域网系统整体传输速率最大化,其目标函数的表达式如下:
其中,r1(ρij)为在第一种传输协议下的吞吐量;r2(ρij)为在第二种传输协议下的吞吐量;g为AP到节点的信道增益;j为第j个用户;M(g)为在同一组的用户;aj为协议选择向量;T为向量转置;ωij为节点权重;ti为第i个时隙所分配到的时间;η为节点的能量转换效率;为传感器节点到汇聚节点的信道增益,dij为第j个用户的第i个节点,sj为第j个用户的汇聚节点;/>能量信号从AP到传感器节点的信道增益,e为AP发射能量信号;Pj为与节点同一时隙传输的节点的集合;/>为汇聚节点到传感器节点的信道增益;/>为能量信号从AP到传感器节点的信道增益;dik为第k个用户的第i个节点;ρik为功率分配比;Ps为AP发射能量信号的功率;σ2为高斯白噪声功率;B为带宽;rmin表示满足系统服务质量要求的最低传输速率;
C1、C2为数据传输要满足服务质量的约束;C3是对功率分配比的非负约束以及上界约束;C4约束了传感器节点发射信息消耗的能量不能大于接收到的能量;C5、C6为对于协议选择的约束。
7.根据权利要求1所述的多无线体域网共存情况下的资源分配方法,其特征在于,所述基于所述总体优化模型求解所述多无线体域网系统模型的最优配置,得到最优传输策略,包括:
根据网络拓扑图将体域网按照有无体域网间干扰分组,设置传输协议选择向量a、功率分配比参数ρ和时隙顺序P的初值;
通过凸优化算法计算出最优的协议选择a*,并更新公共参数;在新的公共参数下,利用匈牙利算法获得最优时隙顺序P*,并更新公共参数;在新的公共参数下,将目标函数改写为凸函数减凸函数的形式,并利用凸差算法计算出最优传感器发射功率分配比ρ*,并更新公共参数;
重复上述算法,直至相邻两次优化差值小于收敛阈值,获得最终的最优策略a*、P*、ρ*。
8.根据权利要求7所述的多无线体域网共存情况下的资源分配方法,其特征在于,所述通过凸优化算法计算出最优的协议选择a*,包括:
在时隙顺序P和功率分配比参数ρ固定的情况下,传输协议选择子问题表示为:
C2:aj(i)∈{0,1}
通过计算得到:
其中,Pj表示与体域网j有网间干扰的体域网集合;则:
当时,传输协议选择向量aj=(0,1);当/> 时,传输协议选择向量aj=(1,0)。
9.根据权利要求7所述的多无线体域网共存情况下的资源分配方法,其特征在于,所述利用匈牙利算法获得最优时隙顺序P*,包括:
建立效用矩阵U,Uij=αdij+βwij
其中α、β表示决策者对于保证重要数据的通信质量与减少网间干扰的态度;dij表示两个传感器节点之间的距离,wij表示两传感器节点的权重比;
将效用矩阵中的最大值元素减去所有元素,得到新的矩阵C,Cij=Uimax-Uij;
利用匈牙利算法计算出最优时隙顺序P*。
10.根据权利要求7所述的多无线体域网共存情况下的资源分配方法,其特征在于,利用凸差算法计算出最优传感器发射功率分配比ρ*,包括:
将a和P固定为常量,求多无线体域网系统模型总传输速率的R(ρ)的最大值来实现对于通信性能的优化;将目标函数拆分成单组中每个时隙分别优化:
将Rt改写为凸函数与凸函数的差的形式:
Rt(ρtj)=Yt(ρtj)-Ft(ρtj)+D
采用罚函数的形式将优化问题转化为无约束问题;
通过凸差算法求出最优的传感器节点发射功率分配比ρ*。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310682085.5A CN116582937A (zh) | 2023-06-09 | 2023-06-09 | 多无线体域网共存情况下的资源分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310682085.5A CN116582937A (zh) | 2023-06-09 | 2023-06-09 | 多无线体域网共存情况下的资源分配方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116582937A true CN116582937A (zh) | 2023-08-11 |
Family
ID=87541405
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310682085.5A Pending CN116582937A (zh) | 2023-06-09 | 2023-06-09 | 多无线体域网共存情况下的资源分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116582937A (zh) |
-
2023
- 2023-06-09 CN CN202310682085.5A patent/CN116582937A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111372314A (zh) | 基于移动边缘计算场景下的任务卸载方法及任务卸载装置 | |
Sun et al. | Deep learning-based long-term power allocation scheme for NOMA downlink system in S-IoT | |
CN109947545A (zh) | 一种基于用户移动性的任务卸载及迁移的决策方法 | |
CN108123828B (zh) | 一种基于接入用户移动性预测的超密集网络资源分配方法 | |
CN111526592B (zh) | 一种用于无线干扰信道中的非协作多智能体功率控制方法 | |
CN111586614B (zh) | 联合目的节点权重进行优化协作网络信息和能量传输的方法 | |
CN113064665A (zh) | 一种基于李雅普诺夫优化的多服务器计算卸载方法 | |
CN115802389B (zh) | 一种利用数字孪生辅助模型训练的联邦学习方法 | |
CN113596785A (zh) | 基于深度q网络的d2d-noma通信系统资源分配方法 | |
CN113613198A (zh) | 无人机辅助的无线携能d2d网络资源分配方法 | |
Luo et al. | A nonlinear recursive model based optimal transmission scheduling in RF energy harvesting wireless communications | |
CN116916386A (zh) | 一种考虑用户竞争和负载的大模型辅助边缘任务卸载方法 | |
Zhang et al. | Channel autocorrelation-based dynamic slot scheduling for body area networks | |
CN115942460A (zh) | 基于资源图谱与对抗学习的低轨卫星无线资源调度方法及装置 | |
Jin et al. | Deep reinforcement learning based scheduling for minimizing age of information in wireless powered sensor networks | |
CN104540203A (zh) | 基于独立集的无线体域网能效优化方法 | |
CN113541768B (zh) | 一种基于noma的leo卫星通信系统频点分配方法 | |
CN105530203B (zh) | D2d通信链路的接入控制方法及系统 | |
Hu et al. | α–β AoI penalty in wireless-powered status update networks | |
Taleb et al. | Energy efficient selection of spreading factor in LoRaWAN-based WBAN medical systems | |
CN113365288A (zh) | 一种基于SWIPT的NB-IoT系统上行链路资源分配法 | |
CN114884957B (zh) | 空天地网络中的计算任务卸载方法、装置和电子设备 | |
CN116528250A (zh) | 一种基于noma的无人机辅助mec资源优化方法 | |
CN116582937A (zh) | 多无线体域网共存情况下的资源分配方法 | |
CN108540246B (zh) | 一种基于认知无线电的资源分配方法 |
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 |