RU2483450C1

RU2483450C1 - Устройство и способ распределения ресурсов по узлам в системе связи

Info

Publication number: RU2483450C1
Application number: RU2011146653/08A
Authority: RU
Inventors: Андреас ДОТЦЛЕР; Максимилиан РИМЕНСБЕРГЕР; Вольфганг УЧИК; Гуидо ДИТЛ
Original assignee: Нтт Докомо, Инк.
Priority date: 2010-11-17
Filing date: 2011-11-17
Publication date: 2013-05-27
Also published as: US20120122505A1; EP2456086A1; US8934931B2; CN102469597A; JP2012134952A; JP5351241B2; KR20120089416A; KR101382556B1; BRPI1105581A2; EP2456086B1

Abstract

Заявленное изобретение относится к беспроводной связи. Технический результат состоит в обеспечении улучшенной концепции выделения ресурсов узлам в системе связи. Для этого устройство для распределения ресурсов в узлах системы связи содержит контроллер итерации (10) для выполнения итеративной обработки, при этом контроллер итерации использует (11) итеративные веса ресурса, чтобы получить результат распределения ресурсов для шага итерации, и для обновления (12) итеративных весов ресурса, чтобы получить обновленные итеративные веса ресурса для дополнительного шага итерации, используя взвешенную комбинацию результатов распределения ресурсов для шага итерации и, по меньшей мере, для одного более раннего шага итерации. 4 н. и 11 з.п. ф-лы, 16 ил.

Description

Настоящее изобретение относится к беспроводной связи и, в частности, к задаче распределения ресурсов для приемопередающих узлов в беспроводной сети.

Делается упор на задачу обнаружения эффективного пропорционального и справедливого распределения скорости передачи, обозначенного вектором скоростей передачи

, для множества пользователей К в зоне охвата сети.

Распределение скорости передачи для пользователей в сети показано на фигуре 2. Взаимосвязь пользовательских скоростей передачи описывается достижимой скоростью передачи в области охвата R, которая, как предполагается, является выпуклым множеством. Область охвата ресурсами или область ресурсов R составляется методиками физического уровня, например передачей по схеме MIMO и реализацией канала. Известно, что эта задача может быть решена двойным разложением [1]. Двойная задача может быть решена прямодвойственным алгоритмом, как описано в алгоритме, показанном на фигуре 5.

Чтобы учесть выполнение алгоритма в реального времени, главным вопросом является его сложность и скорость сходимости. Вычислительная сложность алгоритма определяется сложностью решения оптимизации взвешенной суммы-скорости

выполняемой на каждой итерации. Кроме того, когда пользователи координируются в сети, содержащей более одной базовой станции, каждая итерация связана с затратами на сигналы среди базовых станций. Поскольку сложность решения задачи оптимизации взвешенной суммы-скорости является постоянной для каждой итерации, основная проблема состоит в уменьшении количества итераций, требуемых для решения, или конфигурации скорости передачи, которая вероятна в пределах коэффициента ε решения. Число необходимых итераций зависит от способа обновления двойных переменных, и наиболее часто используемые методы обновления двойных переменных включают:

- субградиентные методы, которые являются наиболее популярными правилами обновления, поскольку они имеют простое выражение закрытой формы для обновления,

Недостаток субградиентных методов заключается в плохой сходимости, в частности, в случае, когда требуется высокая точность;

- метод секущих плоскостей, основанный на том, что двойная функция является выпуклой и, следовательно, может быть ограничена снизу гиперплоскостями. Итеративно гиперплоскости используются для отсечения точек полупространства от точек-кандидатов, пока не будет найдено решение;

- метод эллипсоида [2] использует эллипсоиды, которые содержат точки-кандидаты. Итеративно эллипсоид разрезается на два полуэллипсоида, и один из них отбрасывается. В качестве обновления используется центр новых эллипсоидов, содержащих оставшуюся половину эллипсоида. Новый центр λ_i+1 вычисляется по уравнениям

- метод секущих плоскостей Келли [3] аппроксимирует двойную функцию гиперплоскостями и использует минимизатор линейной аппроксимации как обновление. Новые двойные переменные являются решением следующей задачи оптимизации

Существуют различные варианты добавления гиперплоскостей к линейной аппроксимации. Кроме того, рассматривается способ, который называется многократным отсечением, где при каждой итерации добавляется одна пользовательская гиперплоскость. Способ многократного отсечения значительно повышает скорость сходимости, однако затраты на двойное обновление значительно увеличиваются с каждой итерацией;

- способ Айткена [4] прибавляет режим ускорения к субградиентным методам, приводя к более быстрой сходимости, однако устойчивость алгоритма становится проблемой. Правило обновления вычисляет один субградиентный шаг, находя, таким образом, промежуточный двойной вектор

С промежуточным двойным вектором мы можем вычислить

,

и

чтобы получить еще один субградиентный шаг

Наконец, используя

и

вычисляем

Следует отметить, что скорость сходимости улучшается, когда для двойного обновления используется больше компьютерных ресурсов. Некоторые из методов имеют форму выражений, закрытых для обновления, тогда как другие требуют, решить задачу оптимизации. В итоге получаются сложность и скорость сходимости, как показано на фигуре 8.

Как можно видеть, текущие методы характеризуются либо высокой сложностью вычисления двойного обновления, либо плохой сходимостью, что снова является сложным в вычислительном отношении из-за большого количества задач взвешенной суммы, которые должны быть решены.

Целью настоящего изобретения является обеспечить улучшенную концепцию выделения ресурсов узлам в системе связи.

Эта цель достигается благодаря устройству для выделения ресурсов по пункту 1, способу выделения ресурсов по пункту 14 или благодаря компьютерной программе по пункту 15.

Настоящее изобретение основано на предпосылке, что можно получить намного более высокую скорость сходимости итерационного процесса, когда шаг обновления итеративных весов ресурса выполняется, используя взвешенную комбинацию результатов распределения ресурсов для этого шага итерации и, по меньшей мере, для одного более раннего шага итерации. Предпочтительно, объединить все более ранние результаты распределения ресурсов для вычисления обновленных итерационных весов ресурса, необходимых в прямодвойственном алгоритме.

Конкретно, обновление двойных переменных λ_k выполняется как взвешенная комбинация результатов более раннего распределения ресурсов, где каждый более ранний результат распределения имеет соответствующий весовой коэффициент. Весовой коэффициент предпочтительно является решением дополнительной задачи оптимизации в том, что сумма весов для загрузки более раннего результата итерации равна 1.

Предпочтительно, результат распределения ресурсов для шага итерации определяется на основе оптимизации взвешенной суммы отдельных ресурсов, где итеративные веса ресурса λ являются весами для отдельных ресурсов, и где оптимизация выполняется, используя цель оптимизации и область ресурсов. Область ресурсов определяется условием системы связи или узлов. В одном примере воплощения условием системы связи или узлов является наличие канала передачи между узлом и приемником или внутренние характеристики узлов, ограничение мощности передачи узлов, взаимной интерференцией между узлами, ограничениями физического уровня или протоколами передачи. Предпочтительно, ресурсы, выделенные через узлы, являются скоростями передачи, частотными каналами, временными интервалами, сегментами кода или пространственными каналами.

Предпочтительно используется контроллер для вычисления на шаге итерации нового веса комбинации α на основе оптимизации взвешенной суммы результата распределения ресурсов на более раннем шаге итерации, умноженного на вес комбинации более раннего шага итерации, и на результате распределения ресурсов текущего шага итерации, умноженного на новый вес комбинации, при условии, что сумма нового веса комбинации и веса комбинации, по меньшей мере, одного более раннего шага итерации равна предопределенной величине ограничения.

Предпочтительно, чтобы устройство включало память для хранения результатов распределения ресурсов, полученных на более ранних шагах итерации до текущего шага итерации и для хранения веса комбинации для взвешенной комбинации от более ранних шагов итерации до текущего шага итерации.

Устройство предпочтительно содержит входной интерфейс для получения информации об области ресурса, определенной условием системы связи или узлов, и выходной интерфейс для вывода результата распределения ресурсов заключительного шага итерации, выполняемого контроллерами итерации с тем, чтобы узлы были сконфигурированы, используя результат распределения ресурсов на заключительном шаге итерации.

Предпочтительно, чтобы узлы были бы мобильными терминалами, и система содержала бы базовые станции, где устройство для распределения ресурсов конфигурируется так, чтобы результат распределения ресурсов заключительного шага итерации передавался бы на базовую станцию.

Примеры воплощения настоящего изобретения составляют эффективное пропорциональное справедливое распределение ресурсов для многопользовательских систем. Изобретение обеспечивает новый двойной способ обновления и устройство для алгоритмов двойного разложения, используемых, чтобы вычислить эффективное пропорциональное справедливое распределение скоростей передачи для многопользовательских систем. Новая концепция предлагает превосходящую скорость сходимости по сравнению с существующими способами. В отличие от существующих способов, примеры воплощения настоящего изобретения намного улучшают характеристики на каждой итерации. При небольших дополнительных затратах изобретательская концепция значительно снижает количество необходимых итераций и, следовательно, снижет общую сложность вычислений.

Настоящее изобретение полезно в области беспроводной связи, в области технологий передачи, в области координируемой, многоточечной передачи (СоМР) и когда требуется пропорциональное справедливое распределение скоростей.

Предпочтительные примеры воплощения настоящего изобретения поясняются сопроводительными чертежами, на которых:

фигура 1 - устройство для реализации способа распределения ресурсов по узлам в системе связи;

фигура 2 - распределение скоростей для пользователей при передаче в сети нисходящей связи для многопользовательской системы (СОМР MIMO);

фигура 3 - эффективность настоящего изобретения по сравнению с существующими способами по ряду итераций;

фигура 4 - предпочтительный алгоритм итерации для распределения ресурсов в графическом представлении 4A-4I;

фигура 5 - прямодвойственный алгоритм;

фигура 6 - изобретательский прямодвойственный алгоритм с конкретным правилом обновления;

фигура 7 - эффективность изобретения относительно известных способов, и

фигура 8 - таблица, суммирующая различные характеристики известных способов по сравнению с изобретательской концепцией.

Фигура 2 иллюстрирует задачу, к которой может быть применено настоящее изобретение. Сценарий задачи включает несколько ячеек 201, 202, 203, 204, где каждая ячейка содержит базовую станцию 210 и несколько мобильных терминалов 211. Задача, которая должна быть решена, состоит в том, что каждые мобильные терминалы 211 должны получить определенный ресурс передачи, такой как скорость передачи, ряд частотных каналов, число и размер временных интервалов, частотных интервалов, кодовых сегментов или пространственных каналов. Конкретно, беспроводная ситуация такова, что все мобильные терминалы 211 в некотором смысле влияют друг на друга, и эта взаимозависимость обычно описывается достижимой области ресурсов R, которая, например, предполагается в виде выпуклого множества, хотя это не является необходимым для осуществления изобретения. Область ресурсов R составляется методиками физического уровня, например передачей MIMO и реализацией канала. Как показано в [1], эта задача может быть решена двойным разложением, и двойная задача решается прямым двойственным алгоритмом, как показано на фигуре 5. В частности, требуется справедливое распределение ресурсов, что означает, что никакой пользователь не получает нулевой ресурс и что, в целом, такой ресурс максимизируется. Иначе говоря, когда пользователь 211, который находится в определенной ячейке, должен получить максимальную скорость передачи, это означает, что другие передатчики в окружении этого сильного передатчика могут иметь только небольшую скорость передачи, но общая скорость передачи может быть выше, когда оба передатчика получают, в основном, одинаковую скорость передачи. Однако, в конечном счете, это зависит от различных каналов передачи, физического уровня сигнала и так далее. Однако скорости пользователям должны быть выделены пропорционально и справедливо, чтобы достичь высокого выхода также и для пользователей по краям ячейки и, таким образом, высокого качества обслуживания для всех пользователей. Поскольку обычно никакое явное описание области охвата R недоступно, используется алгоритм итерации, как показано на фигуре 5. В этом процессе выполняется итерация, в котором вычисляется решение задачи взвешенной суммы согласно текущим двойным переменным (весам), и двойные переменные обновляются до тех пор, пока не будет получено оптимальное решение.

Было найдено, что вычислительная сложность двойного переменного обновления в известных способах слишком высока и что требуется много итераций, приводя к общей высокой вычислительной сложности, где основная трудность заключается в решении задачи взвешенной суммы ресурсов в случае взаимодействия между ячейками, когда необходимы высокие затраты на передачу сигналов.

В соответствии с настоящим изобретением, правило обновления для двойных переменных улучшается в том, что при 1 кГц обновления итеративные веса ресурса λ и итеративные веса ресурса λ_i+1 обновляются, используя взвешенную комбинацию результатов распределения ресурсов для текущего шага итерации и, по меньшей мере, для одного более раннего шага итерации. Предпочтительно, приближения областей скорости итеративно улучшаются и используются для того, чтобы обновить двойные переменные (распределения скорости передачи среди пользователей). Новое правило обновления имеет небольшую вычислительную сложность и обеспечивает высокую скорость сходимости. Следовательно, новая концепция снижает общую сложность вычислений. Это суммировано в последней строке на фигуре 8.

Для моделирований на фигурах 7 и 8 используется установка моделирования СОМР с 19 сайтами, помещенными в шестиугольную сетку с тремя секторами на сайт, расстояние между сайтами 500 метров, конфигурация переноса, модель канала согласно 3GPP TR 360.814, городская макроячейка с конфигурациями MIMO четыре на четыре, в среднем пять пользователей на сектор с их равномерным распределением.

На фигуре 1 показано устройство для распределения ресурсов между узлами 211 в системе связи 200, показанной на фигуре 2. Устройство содержит контроллер итерации 10 для выполнения итеративной обработки, при этом контроллер итерации сконфигурирован, как показано в позициях 11 и 12. Цифровая позиция 11 относится к конфигурации контроллера итерации, который сконфигурирован для использования итеративных весов ресурса λ, чтобы получить результат распределения ресурсов r* для шага итерации. Цифровая позиция 12 указывает, что контроллер итерации дополнительно осуществляет обновление итеративных весов ресурса λ, чтобы получить обновленные итерационные веса ресурса λ_i+1 для дополнительно шага итерации, используя взвешенную комбинацию результатов распределения ресурсов для текущего шага итерации и, по меньшей мере, для одного более раннего шага итерации. Кроме того, устройство содержит входной интерфейс 13 для получения информации о достижимой области охвата, которая, например, может быть составлена методиками физического уровня типа передачи MIMO и реализацией канала. Кроме того, устройство содержит выходной интерфейс 14 для вывода конечного результата распределения ресурсов, следующего за завершением итерационного процесса, т.е., когда критерий завершения был выполнен.

Конечный результат распределения ресурсов может содержать скорости передачи, частотные каналы, временные интервалы, кодовые сегменты или пространственные каналы. Например, когда требуется определенный минимальный коэффициент битовых ошибок для определенной скорости передачи информации в бит/с, должна быть установлена определенная мощность передачи. Однако когда мощность передачи остается неизменной, выделение более высокого или более низкого минимального отношения сигнал-шум, который, например, может регулироваться с помощью различных методик регулирования, имеющих верхние или нижние квадратурные диаграммы, может также быть выполнено распределение скоростей. Следовательно, распределение ресурсов может иметь место в пределах передатчика при определенном регулировании мощности передачи и/или при определенном выборе правила отображения (квадратурная диаграмма), при некотором кодировании прямого исправления ошибок, т.е. более высокая избыточность означает более низкую скорость передачи, но улучшенное отношение сигнал-шум. В распределение ресурсов могут быть включены более сложные операции, такие как определенные правила передачи и т.д.

Следовательно, конечный результат распределения передается через выходной интерфейс к отдельному передатчику в сети связи или сначала передается на базовую станцию 210 на фигуре 2 и затем от базовой станции к передатчику 211, который соединен с этой базовой станцией.

Для обновления двойных переменных предлагается следующее уравнение

где α^* является решением следующей задачи оптимизации:

Задача состоит в максимизации двойной дифференцированной вогнутой функции по простому набору ограничений, для которого существуют очень быстрые и эффективные алгоритмы. В итоге на фигуре 6 получается прямой двойной алгоритм с новым механизмом обновления, в котором исключены некоторые шаги.

Главный вклад нового двойного способа обновления:

- повышенная скорость сходимости;

- гарантированное улучшение утилиты при каждой итерации, не требуется никакого пошагового управления;

- уменьшение общей сложности.

Примеры воплощения предпочтительно содержат концепцию правила обновления двойных переменных в алгоритмах, нацеленную на максимизацию некоторой функции-утилит в коммуникационных системах с множеством пользователей, содержащую решение служебной программы максимизации, на основе кусочно-линейной аппроксимации области скорости и, дополнительно, содержащую элемент инверсии полученных пользовательских скоростей передачи.

Предпочтительно, настоящее изобретение содержит итеративное выполнение правила обновления двойной переменной для повышения качества части кусочно-линейной аппроксимации области скорости. Функция-утилита предпочтительно делается в соответствии с пропорциональным справедливым распределением ресурсов. Кроме того, изобретение предпочтительно применяется в системе связи, где базовые станции взаимодействуют друг с другом и где базовые станции и мобильные узлы имеют множество антенн.

Обнаружение эффективного пропорционального справедливого распределения ресурсов для многопользовательской системы выполняется решением задачи максимизации

Эта задача решается двойным разложением, где двойная функция d(λ)

Поскольку U_P является задачей выпуклой оптимизации, которая достигает своего максимума, двойная задачи имеет то же самое оптимальное значение

. Двойная задача U_D

эквивалентна

поскольку закрытое выпуклое множество может быть охарактеризовано как пересечение закрытых полупространств. В основном, число полупространств, необходимое для полного описания R, бесконечно, что исключает прямое решение U_D. Следовательно, можно использовать алгоритм 1, и при каждой итерации можно сформулировать альтернативную задачу,

которая работает с конечным множеством точек

, полученных из задачи взвешенной оптимизации суммы-скорости

, решаемой на каждой итерации. Ясно, что оптимум А_Р является нижней границей на оптимуме задачи U_P, которой имеет меньше степеней свободы. Ниже математически доказывается, что итеративно используя оптимизаторы А_Р как обновление двойных переменных, можно, в конечном счете, сжать составляющие до

или

, в котором ε - оптимальное решение.

Решение проблемы аппроксимации

В этом разделе обсуждается, как вычислить решение

, которое является задачей выпуклой оптимизации. Лагранжева функция представляет собой

Предложение 1: двойная функция θ(α), которая является минимумом лагранжевой функции для данных двойных переменных α, выдает

Объяснение: поскольку z является неограниченной величиной, можно сделать ее произвольно небольшой и, следовательно, θ(α)=-∞, если

. В этом случае,

и из

следует

Включив это в уравнение (1), можно завершить вычисление в случае, когда

Из предложения 1 можно прийти к заключению, что двойная задача, A_D(i)

,

эквивалентна следующей задаче

Задача заключается в нахождении выпуклой комбинации точек скорости с₁, …, с_i, которые максимизируют пропорциональную утилиту справедливости. Включение решения а* А_D(i) в уравнение (2) приводит к предложенному правилу обновления. Наконец, можно доказать, что этот алгоритм улучшает утилиту на каждой итерации, пока это не сходится к решению.

Результаты моделирования

На фигуре 3 показана утилита по итерациям для одной реализации канала. Здесь можно проверить достижение сходимости. Процесс Аиткена требует тщательного пошагового управления, чтобы гарантировать стабильность. Этого нельзя было достичь в экспериментах изобретателей. Можно видеть, что заявленный способ предлагает лучшую скорость сходимости. Метод усеченной плоскости имеет сопоставимую сложность для вычисления обновления, и можно видеть значительный выигрыш этого метода. Метод многоусеченной плоскости предлагает хорошие результаты, однако он имеет более высокую сложность, чем способ в соответствии с примером воплощения изобретения.

Описанный алгоритм также исследовался в большей сети с дробной схемой повторного использования. Субградиентный и эллипсоидный алгоритмы и алгоритм усеченной плоскости не применимы для этого сценария, поскольку число итераций становится слишком большим (1000-1000000). На фигуре 7 показано, что предложенный способ значительно превосходит способ усеченной плоскости в смысле более низкой сложности вычислений. Число ограничений решаемой линейной программы устраняется на стадии i итерации способа многоусеченной плоскости, имеет ограничения (K+1)i, которых более 7000 на последней итерации. Однако новый подход на итерации i имеет переменные i в выпуклой программе с одним простым ограничением. Заметим, что можно достичь конфигурации, близкой (90-95%) к оптимуму в пределах нескольких шагов, что делает новый способ реалистичным для практической реализации.

Ниже алгоритм, показанный на фигуре 6, обсуждается более подробно со ссылкой на фигуры 4A-4I. При рассмотрении фигур 4A-4I следует учесть, что для достижения полной согласованности, на этих фигурах параметр с заменяется параметром r. Однако и с и r означают одно и то же, т.е. результат распределения ресурсов. Конкретно, r_m или c_m указывают на результат распределения ресурсов для конкретного пользователя m рассматриваемой группы пользователей. Следовательно, r_m или c_m могут быть скоростью передачи для пользователя m, частотным каналом для пользователя m, временным интервалом для пользователя m, кодовым сегментом для пользователя m или пространственным каналом для пользователя m. Кроме того, итеративные веса ресурса λ связаны с каждым пользователем с тем, чтобы каждой результат распределения пользовательских ресурсов r имеет соответствующий λ_m. Кроме того, m* является весовым коэффициентом для определенного пользователя m, который используется во взвешенной комбинации результата распределения ресурсов для шага итерации и, по меньшей мере, для одного более раннего шага итерации.

На фигуре 4A показана максимизация взвешенной суммы-скорости (WSRMax), которая может использоваться, чтобы найти точку на границе R, где R является так называемой достижимой областью ресурсов R, которая является представлением всех физических параметров и каналов передачи. Произведение λ, умноженного на r, является максимизированным объектом по факту, что скорости находятся в допустимой области охвата. Как можно видеть на фигуре 4A, на ней имеются прямые линии 40, и конкретная прямая линия 41 касается области охвата в определенный момент, а вектор, определенный итеративными весами ресурса λ, является ортогональным по отношению к линии 41. На фигуре 4B показан алгоритм итерации в несколько отличающемся представлении по сравнению с фигурой 6. Конкретно, показан шаг обновления 2, который выполняется вслед за максимизацией взвешенной суммы скорости с λ в качестве аргумента. Конкретно, фигура 4B иллюстрирует итеративное исследование области охвата и стоимость каждой итерации, задаваемой проблемой оптимизации, WSRMax и необходимый объем сигналов для всех передатчиков при обновлении λ. Главная цель состоит в том, чтобы значительно сократить количество итераций.

На фигуре 4C показано другое итеративное исследование области охвата, где различные линии 42 имеют различный наклон относительно фигуры 4A и где линия 43 касается границы области охвата в результате распределения ресурсов r и λ снова ортогонально к линии 43.

На фигуре 4D показан первый шаг итерации с оптимизацией взвешенной суммы-скорости. Здесь снова показана область ресурсов, и первый результата итерации находится в r¹, связанным весами обновления λ¹. Теперь, как показано на фигуре 4E, выполняется внутренняя аппроксимация области охвата. Шаг обновления показан на фигуре 4E. Далее, на фигуре 4F, выполняется итерация 2, но теперь с другим λ, вычисленным на фигуре 4E, что означает, что определяется точка, где линия 50 касается области охвата R, и эта точка соответствует r². Теперь, как показано на фигуре 4G, снова выполняется внутренняя аппроксимация области охвата, и в итерации 2, r² вычисляется взвешенная комбинация r¹ и r² как определено в двух более ранних шагах итерации, и теперь эта r² используется, чтобы вычислить новые λ³ с тем, чтобы обновление λ было бы основано на взвешенной комбинации результатов распределения ресурсов для шага итерации и, по меньшей мере, для одного более раннего шага итерации.

Далее, на фигуре 4H показаны 3 результата итерации в r³. Иначе говоря, на фигуре 4G определяется λ³, и точка, в которой линия, определяющая наклон λ³, касается области охвата, вычисленной на фигуре 4G. Следовательно, результатом третьей итерации является r³. Как показано на фигуре 4I, итерация теперь завершена, поскольку не может быть получен никакой улучшенный результат.

Хотя некоторые аспекты изобретения были описаны в контексте устройства, ясно, что эти аспекты также представляют описание соответствующего способа, где блок или устройство соответствует шагу способа или признаку шага способа. Аналогичным образом, аспекты, описанные в контексте шага способа также представляют описание соответствующего блока или элемента или признака соответствующего устройства.

В зависимости от определенных требований к реализации, примеры воплощения изобретения могут быть выполнены в аппаратных средствах или в программном обеспечении. Реализация может быть выполнена используя цифровой или иной носитель, например гибкий диск, DVD, CD, ROM, PROM, EPROM, EEPROM или флэш-память, на которых сохраняются электронно-читаемые управляющие сигналы, которые взаимодействуют (или способны к взаимодействию) с программируемой компьютерной системой с тем, чтобы выполнялся соответствующий способ.

Некоторые примеры воплощения изобретения содержат носитель информации, имеющий электронно-читаемые управляющие сигналы, которые способны взаимодействовать с программируемой компьютерной системой с тем, чтобы выполнялся один из способов.

В основном, примеры воплощения настоящего изобретения могут быть выполнены как продукт компьютерной программы с кодом программы, используемым для выполнения одного из способов, когда продукт компьютерной программы используется в компьютере. Код программы, например, может быть сохранен на машиночитаемом носителе.

Другие примеры воплощения содержат компьютерную программу для выполнения одного из описанных здесь способов, сохраняемую на машиночитаемом носителе.

Иными словами, пример воплощения изобретательского способа является компьютерной программой, имеющей код программы для выполнения одного из описанных здесь способов, когда компьютерная программа выполняется на компьютере.

Дополнительно пример воплощения способа по настоящему изобретению является носителем информации (цифровой носитель или читаемый компьютером носитель), содержащий записанную на нем компьютерную программу для выполнения одного из описанных здесь способов.

Дополнительно пример воплощения способа по настоящему изобретению является потоком данных или последовательностью сигналов, представляющих компьютерную программу для выполнения одного из описанных здесь способов. Поток данных или последовательность сигналов, например, могут быть сконфигурированы для передачи через сеть для передачи данных, например через Интернет.

Дополнительно пример воплощения содержит средство обработки, например компьютер или программируемое логическое устройство, сконфигурированное или адаптированное для выполнения одного из описанных здесь способов.

Дополнительно пример воплощения содержит компьютер, на котором установлена компьютерная программа для выполнения одного из описанных здесь способов.

В некоторых примерах воплощения программируемое логическое устройство (например, программируемая на месте логическая матрица) может использоваться для выполнения некоторых или всех функций описанных здесь способов. В некоторых примерах воплощения программируемая на месте логическая матрица может взаимодействовать с микропроцессором, чтобы выполнить один из описанных здесь способов. В основном, методы предпочтительно выполняются любым аппаратным средством.

Вышеописанные примеры воплощения просто иллюстрируют принципы настоящего изобретения. Подразумевается, что модификации и изменения описанных здесь действий и деталей, будут очевидны для специалистов в данной области техники. Следовательно, изобретение ограничено только объемом приложенной формулы изобретения, а не конкретными деталями, представленными посредством описания и объяснения приведенных здесь примеров.

Список ссылок

[1] Mung Chiang, S.H. Low, A.R. Calderbank, and J.C. Doyle. Layering as optimization decomposition: A mathematical theory of network architectures. Proceedings of the IEEE, 95 (1): 255-312, Jan. 2007.

[2] N.Z. Shor. Convergence rate of the gradient descent method with dilatation of the space. Cybernetics and Systems Analysis, 6 (2): 102-108, 1970.

[3] J.E. Jr. Kelley. The Cutting-Plane method for solving convex programs. Journal of the Society for Industrial and Applied Mathematics, 8 (4): 703-712, December 1960.

[4] J.Hodgskiss, A.Dekorsy, and J.Fliege. Accelerating a dual algorithm for the simultaneous routing and power control problem. In Proc. IEEE 18^th International Symposium on Personal, Indoor and Mobile Radio Communications, PIMRC '07, pages 1-5, 2007.

Claims

1. Устройство распределения ресурсов по узлам в системе связи, содержащее
контроллер итерации (10) для выполнения итеративной обработки, при этом указанный контроллер сконфигурирован
для использования (11) итеративных весов ресурса (λ), чтобы получить результат распределения ресурсов (r*) для шага итерации, и
для обновления (12) итеративного веса ресурса (λ), чтобы получить обновленные итеративные веса ресурса (λ_i+1) для дополнительного шага итерации, используя взвешенную комбинацию результатов распределения ресурсов для шага итерации и, по меньшей мере, для одного более раннего шага итерации.

2. Устройство по п.1,
в котором контроллер итерации (10) конфигурируется так, чтобы определить результат распределения ресурсов (r*) для шага итерации на основе оптимизация взвешенной суммы отдельных ресурсов, где итеративные веса ресурса (λ) являются весами для отдельных ресурсов, и где оптимизация выполняется, используя цель оптимизации и область ресурсов, определенную условием системы связи или узлов.

3. Устройство по п.2, в котором система связи или узел связи содержит канал передачи между узлом и приемником, и внутренние характеристики узлов определяются ограничениями мощности передачи узлов, взаимной интерференцией между узлами, ограничениями физического уровня или протоколами передачи.

4. Устройство по п.1, в котором ресурсы являются скоростями передачи, частотными каналами, временными интервалами, сегментами кода или пространственными каналами.

5. Устройство по п.1, в котором
контроллер итерации (10) используется для вычисления на шаге итерации нового веса комбинации (α) на основе оптимизации взвешенной суммы результатов распределения ресурсов более раннего шага итерации, умноженного на вес комбинации более раннего шага итерации и результат распределения ресурсов текущего шага итерации, умноженного на новый вес комбинации, при условии, что комбинация нового веса комбинации и веса комбинации, по меньшей мере, одного более раннего шага итерации равна предопределенной стоимости ограничения.

6. Устройство по п.1, дополнительно содержащее
память (15) для хранения результаты распределения ресурсов, полученных на более ранних шагах итерации до текущего шага итерации, и для хранения веса комбинации для взвешенной комбинации от более ранних шагов итерации до текущего шага итерации.

7. Устройство по п.1, дополнительно содержащее
входной интерфейс (13) для получения информации об области ресурса, определенной условием системы связи или узлов; и
выходной интерфейс (14) для вывода результата распределения ресурсов заключительного шага итерации, выполняемого итеративным контроллером, для того, чтобы узлы были сконфигурированы, используя результат распределения ресурсов заключительного шага итерации.

8. Устройство по п.1, в котором контроллер итерации (10) конфигурируется, чтобы выполнить новую линеаризацию области ресурса в каждом шаге итерации для того, чтобы получить результат распределения ресурсов.

9. Устройство по п.1, в которых контроллер итерации (10) конфигурируется так, чтобы максимизировать функцию

при условии, что r находится в области ресурса для получения результата распределения ресурсов, в котором λ является вектором, состоящим из итеративных весов ресурса для узлов связи, и в котором r является вектором, состоящим из результата распределения ресурсов для узлов связи.

10. Устройство по п.1, в котором контроллер итерации (10) конфигурируется для вычисления нового объединенного веса α для взвешенной комбинации, максимизируя функцию

при следующем ограничении

в котором α_i является весом для взвешенной комбинации для узла m на шаге итерации i, в котором r_i является результатом распределения ресурсов на шаге итерации i, в котором е является вектором единицы для того, чтобы выбрать компонент результата распределения ресурсов для пользователя k из множества пользователей К, и в котором m является параметром суммирования.

11. Устройство по п.1,
в котором контроллер итерации (10) конфигурируется, чтобы обновить итеративные веса ресурса на основе следующего уравнения:

12. Устройство по п.1,
в котором узлы являются мобильными терминалами (211), в котором система содержит базовые станции (210) и в котором устройство для распределения ресурсов конфигурируется так, чтобы обеспечить результат распределения ресурсов заключительного шага итерации, который передается на базовые станции (210).

13. Система связи (200), содержащая
устройство для распределения ресурсов по п.1;
узлы, являющиеся мобильными терминалами (211);
базовые станции (210),
в которой мобильные терминалы (211) или базовые станции (210) имеют множество антенн, создающих пространственные каналы.

14. Способ распределения ресурсов для узлов в системе связи, содержащий стадию итеративной обработки, используя множество последовательных шагов итерации;
в шаге итерации (11) используются итеративные веса ресурса (λ), чтобы получить результат распределения ресурсов (r*) для шага итерации, и
в шаге итерации (12) выполняется обновление итеративных весов ресурса (λ), чтобы получить обновленные итеративные веса ресурса (λ_i+1) для дополнительного шага итерации во множестве последовательной шагов итерации, используя взвешенную комбинацию результатов распределения ресурсов для шага итерации и, по меньшей мере, для одного более раннего шага итерации.

15. Машиночитаемый носитель компьютерной программы для ее выполнения на компьютере или процессоре при реализации способа для распределения ресурсов по п.14.