[发明专利]一种基于社会关系的NOMA使能D2D通信资源博弈方法

权利要求书

1.一种基于社会关系的NOMA使能D2D通信资源博弈方法，其特征在于，在保证所有用户通信质量的基础上，增强蜂窝用户和D2D用户之间的合作以提高系统吞吐量，其具体包括以下步骤：

(1)、定义蜂窝用户集合为{C₁,C₂,...,C_M}，每个蜂窝用户占用一个子信道，各子信道之间相互正交，子信道集合为{SC₁,SC₂,...,SC_M}，假设蜂窝用户C_m使用子信道SC_m，D2D组集合为{D₁,D₂,...,D_N}，一个D2D组由一个D2D发送端DT_n和两个接收端组成，假设蜂窝用户数量多于D2D组数量，D2D组内采用NOMA进行通信，D2D发送端DT_n的最大发送功率为P_d，功率分配系数设为α_n和β_n，α_n+β_n≤1，即在最大发送功率之内优化发送端发送信号给2个接收端时的功率，定义蜂窝用户和D2D用户之间的社会关系

(2)、定义蜂窝用户效用函数相对蜂窝用户，加入D2D通信时激励来源于根据社会关系为D2D组分配功率后得到的报酬，损失为由于D2D产生的干扰会牺牲一部分的吞吐量；

(3)、定义D2D接收端的效用函数，由此得到D2D组的效用函数相对于D2D用户，激励来源于复用蜂窝信道后速率的增加，若复用蜂窝信道后速率不会得到提升，此时效用一定小于零，则选择蜂窝方式进行通信；如复用蜂窝信道后速率得以增加，此时损失为此支出的一定的功率费用；

(4)、根据蜂窝用户的效用函数，将蜂窝用户与D2D组进行匹配，为D2D组分配信道；

(5)、根据D2D组的效用函数，在D2D组内为D2D发送端分配发送功率；

(6)、设置历史信道分配集合，重复执行步骤(4)和(5)，持续存入每次的信道分配结果，直至信道分配结果已存在于历史信道分配集合中，即通过领导层和从属层之间的迭代得到斯坦伯格博弈均衡；

所述步骤(2)中，蜂窝用户效用函数定义为式中，和分别表示蜂窝用户C_m和D2D接收端的社会关系，V为每单位功率的价格，表示为每单位功率的实际价格，其与两用户之间的社会关系有关，社会关系越密切，实际价格越低，为C_m不将信道给D2D组复用时的传输速率：R_m为C_m将信道给D2D组复用时的速率：R_m＝log₂(1+γ_m)，其中P_c为蜂窝用户的发射功率，g_m,B和g_n,B分别为蜂窝用户C_m和D2D发送端DT_n到基站的信道增益，η_m,n表示D2D组复用蜂窝信道的情况，如果D_n复用C_m的信道，那么η_m,n＝1，否则η_m,n＝0，N₀表示噪声功率；

在所述步骤(3)中，D2D接收端的效用函数定义为：式中，R_n,1和R_n,2为D2D用户以D2D方式复用蜂窝用户信道进行通信时的速率：R_n,1＝log₂(1+γ_n,1)，R_n,2＝log₂(1+γ_n,2)，其中，g_n,1和g_m,n,1分别为D2D发送端DT_n和蜂窝用户C_m到的信道增益，g_n,2和g_m,n,2分别为D2D发送端DT_n和蜂窝用户C_m到的信道增益，和为D2D用户不复用蜂窝用户的信道，以蜂窝方式与基站进行通信时的速率，由此得到D2D组的效用函数：

在所述步骤(4)中，实现蜂窝用户和D2D用户匹配的具体步骤为：

(4.1)、将蜂窝用户与D2D组用户之间的匹配度定义为蜂窝用户的效用，对其中某一特定的蜂窝用户，其最大匹配度取决于能使其获得最大效用的匹配，若蜂窝用户和D2D组匹配后，出现D2D组传输速率下降或两者信干噪比低于门限值的情况，则将蜂窝用户与D2D组用户之间的匹配度置为零；

(4.2)、逐个为蜂窝用户匹配能使其效用最大化的D2D组，若匹配不和其他蜂窝用户的匹配产生冲突，则该蜂窝用户匹配成功；

(4.3)、若匹配产生冲突，则为该蜂窝用户及所有已成功匹配的蜂窝用户重新规划，找到匹配度之和仅次于最大效用之和且不会产生冲突的匹配；

(4.4)、重复步骤(4.2)至(4.3)，直到蜂窝用户和D2D组完全匹配，实现D2D组的信道分配；

在所述步骤(5)中，为D2D组中的D2D发送端分配发送功率的具体步骤为：

(5.1)、以D2D组的效用函数为优化目标进行D2D用户的功率控制，保证信道上每个蜂窝用户和D2D用户的信干噪比大于门限值，并将有约束功率控制问题转换为无约束优化问题：

其中，η和P分别表示信道和功率分配参数，M为罚函数因子，分别表示蜂窝用户和两个D2D接收端的信干噪比门限；

(5.2)、功率的优化即为功率分配系数对(α_n,β_n)的优化，在α_n和β_n的联合定义域内，初始化N_pop个功率分配系数对，所述初始化N_pop个功率分配系数对的位置X_id的集合表示为并初始化N_pop个功率分配系数对的速度；

(5.3)、根据优化目标计算每个功率分配系数对(α_n,β_n)对应的目标函数值，即为其适应度；

(5.4)、将每个功率分配系数对(α_n,β_n)经历过的历史最优适应度的位置记录为个体最优位置，所有功率分配系数对经历过的历史最优适应度的位置记录为种群最优位置，比较并更新功率分配系数的个体最优位置和种群最优位置；

(5.5)、更新每个功率分配系数对(α_n,β_n)的速度：

V′_id＝ωV_id+C₁random(0,1)(P_id-X_id)+C₂random(0,1)(P_gd-X_id)

其中，ω为惯性因子，决定寻找最优适应度的快慢，C₁和C₂为加速常数，分别表征个体学习因子和种群学习因子，random(0,1)表示[0,1]上的随机数，由于优化参数有α_n和β_n两个，故该优化问题为二维优化问题，P_id表示第i个功率分配系数对(α_n,β_n)在第d维上的个体最优位置，P_gd表示第d维上的种群最优位置；

(5.6)、更新每个功率分配系数对(α_n,β_n)的位置：X′_id＝X_id+V′_id；

(5.7)、重复(5.3)至(5.6)，至所有功率分配系数对(α_n,β_n)收敛至最优适应度位置，实现D2D组的功率分配。