[发明专利]一种H-CRAN下基于多时间尺度协同优化的资源分配方法

权利要求书

1.一种H-CRAN下基于多时间尺度协同优化的资源分配方法，其特征是，包括如下步骤：

1)大时间尺度资源分配，用于频点和带宽的均衡分配：大数据处理得到用户移动轨迹Γ和网络流量Φ，得到最优的频点N_f和带宽B，具体步骤为：

步骤11)分析用户移动轨迹Γ、网络流量Φ与频点N_f及带宽B之间的映射关系，并作为先验知识建立专家系统，用于频点N_f及带宽B的分配；

步骤12)测量并记录网络参数，大数据处理得到用户移动轨迹Γ和网络流量Φ；

步骤13)在专家系统中匹配实际的用户移动轨迹Γ和网络流量Φ，得到最相关的先验知识，进而得到频点N_f和带宽B；

2)小时间尺度资源分配，用于资源块和发射功率的均衡分配，大数据处理得到信道质量H，利用H计算得到信干噪比γ，具体内容为：

大数据处理得到信道质量H，利用H计算得到信干噪比γ，将其作为深度强化学习的状态X_t；

根据Q值表选择状态X_t下最大Q值对应的动作Y_t执行，动作Y_t定义为资源块K和发射功率P的联合分配；

通过神经网络模拟Q值更新公式得到Q_t(X_t,Y_t)；

根据奖赏函数R(X,Y)计算得到状态X_t下执行动作Y_t的奖赏R_t(X_t,Y_t)，同时进入下个状态X_t+1进行新一轮的学习；

每轮学习结束后将X_t,Y_t,R_t,X_t+1四元组作为一条记录保存在记忆单元中，当记忆单元的记录数达到阈值ξ后，每隔L轮学习从记忆单元中随机抽取A条记录学习得到目标神经网络，Aξ，通过最小化原神经网络与目标神经网络的差值来确保神经网络的有效性和可靠性，当Q值表逐渐趋于稳定，即可得到每个状态X下最优的动作Y；

具体步骤为：

步骤21)按用户连接的基站类型将用户分为与宏基站相连的用户和与RRH相连的用户，记为HUE和RUE；按业务QoS要求将资源块K分为两个集合，记为Ω1和Ω2；

步骤22)测量并记录网络参数，大数据处理得到信道质量H；

步骤23)计算用户通信过程中的信干噪比γ：

231)计算用户通信过程中的干扰I：RRHr覆盖范围内的RUEn在资源块k上通信受到的干扰表示为

其中，N是占用资源块集合Ω1的用户数，记为{1,2,...,N}，q是占用资源块集合Ω2的用户数，记为{N+1,N+2,...,N+q}，是RUE的接入指示因子，表示RRHr覆盖范围内的RUEi接入资源块k，是RRHr为RUEi在资源块k上分配的发射功率，是RRHr覆盖范围内的RUEi在资源块k上通信的信道增益，表示RRHr覆盖范围内占用资源块k的其他RUE对RUEn产生的干扰功率，N₀表示噪声功率；表示RRHr覆盖范围内占用资源块k的其他RUE对RUEn产生的干扰功率，是HUE的接入指示因子，表示宏基站H覆盖范围内的HUEj接入资源块k，是宏基站H为HUEj在资源块k上分配的发射功率，是宏基站H覆盖范围内的HUEj在资源块k上通信的信道增益，表示宏基站H覆盖范围内占用资源块k的HUE对RUEn产生的干扰功率；

宏基站H覆盖范围内的HUE m在资源块k上通信受到的干扰表示为其中，表示宏基站H覆盖范围内占用资源块k的其他HUE对HUEm产生的干扰功率，表示所有RRH覆盖范围内占用资源块k的RUE对HUEm产生的干扰功率；

232)计算用户通信过程中的信干噪比γ：RRHr覆盖范围内的RUEn在资源块k上通信的信干噪比γ表示为宏基站H覆盖范围内的HUE m在资源块k上通信的信干噪比γ表示为

步骤24)根据香农公式计算网络覆盖范围内的通信速率C：

步骤25)计算网络的能源效率EE：

步骤26)建立深度强化学习模型，进行资源块K和发射功率P的均衡分配；

3)结合步骤1)和2)进行协同优化，用于多时间尺度的协同优化；具体内容为：

步骤31)进行大时间尺度资源分配，得到频点N_f和带宽B的均衡分配；

步骤32)基于大时间尺度资源分配的带宽B得到可用的资源块数K；

步骤33)进行小时间尺度资源分配，得到资源块K和发射功率P的均衡分配；

步骤34)若可用的资源块全部分配完，但小时间尺度资源分配仍然不能满足网络覆盖范围内所有业务的QoS要求，则跳转步骤31)重新进行大时间尺度资源分配。