[发明专利]一种分布式多智能体的无线资源分配方法

权利要求书

1.一种分布式多智能体的无线资源分配方法，其特征在于，包括如下步骤：

步骤A：建立和速率最大化模型，该和速率最大化模型A1表述为：

约束条件：

其中，x＝(x₁,…,x_n,…,x_N)为所有智能体的载波分配状态矢量，N为智能体个数，p＝(p₁,…,p_n,…,p_N)为所有智能体的载波功率分配状态矢量；为智能体n接纳的用户集合，表示智能体n接纳的用户数；为智能体n的载波分配状态矢量，是这个用户的编号，为智能体n的载波功率分配状态矢量；I为每个智能体的OFDM频带数目，K为每个频带中的正交子载波个数；为用户m与智能体n的载波分配状态矢量，定义(i,k)表示第i组的第k个子载波，为用户m使用第n个智能体的第(i,k)个子载波的指示变量，若表示使用，否则B为OFDM频带带宽，为用户m在第n个智能体的第(i,k)个子载波上的信道增益系数；表示用户m在第n个智能体的第(i,k)个子载波上获得的发射功率，用户m与智能体n的功率分配状态矢量表示为表示除了智能体n以外的其它所有智能体的信道增益系数的绝对值的平方之和，则表示在当前智能体n′的所有连接用户中，使用了第(i,k)个载波的所有功率之和，而则表示，与智能体n的第(i,k)个载波造成的同频干扰的噪声功率和；σ²表示高斯白噪声功率；为用户m对智能体n选择的指示变量，其中，ε(·)是单位阶跃函数；约束条件C1表示每个用户至多连接一个智能体，但每个用户至少选择一个子载波；为用户m与智能体n的接入指示变量，其中表示用户m对智能体n的接入电平，其取值范围为{0}∪[γ₀,γ₁]；当表示用户m对智能体n可接入，否则表示用户m对智能体n不可接入；约束条件C2表示由于智能体n上的子载波被用户m使用，则用户m必须与智能体n可连接；约束条件C3表示每个智能体的每个子载波最多只能分配给一个用户，其中，M为用户个数；P₀为智能体的额定发送功率，约束条件C4表示所有智能体内所有用户的发送功率和均不大于P₀；约束条件C5表示只有当时，对应载波(i,k)的功率才不为0；

步骤B：求解所述和速率最大化模型A1，具体步骤如下：

步骤B-1：确定智能体n连接的用户集合该集合需满足如下条件：

1)

2)当n≠n′时，

记是只能与智能体n建立连接的待分配用户集合，是与智能体n以及其它至少一个智能体建立连接的待分配用户集合；按照如下过程确定智能体n的接入用户集合

步骤B-1-1：智能体n将其所有可接入用户的信息广播出去，同时还需把中对本智能体的接入电平广播出去；

步骤B-1-2：所述智能体n将中的用户加入到用户集合内；

步骤B-1-3：所述智能体n检查若不为空，则将中的任意一个用户，记为q，设其可接入的智能体序号为其中为可接入的智能体数目，且该用户q的所有可接入智能体的接入电平为然后选择负载最小的智能体其表达式为：其中，α＞0为可调参数；函数arg min(·)表示找到一个变量使得括号内的函数值最小；从而为每个智能体确定了其连接的接入用户集合

步骤B-2：分配功率与子载波；

步骤B-2-1：初始化功率与子载波；

步骤B-2-1-1：子载波的功率均初始化为子载波平均功率：P₀/IK；

步骤B-2-1-2：子载波的分配状态矢量x_n的初始值，按照如下方法获得：

步骤B-2-1-2-1：将模型A1转换为关于载波分配状态矢量x_n的模型B1，所述模型B1为：

约束条件：

其中，参数在p_n为载波平均功率时，为常数；

步骤B-2-1-2-2：求解模型B1，按照如下方法进行载波分配：函数argmax(·)表示找到一个变量使得括号内的函数值最大；

步骤B-2-1-3：从而得到载波分配状态矢量x_n与功率分配状态矢量p_n的初始解；

步骤B-2-2：将模型A1拆分，分别得到优化载波分配状态矢量x_n的模型A2和优化功率分配状态矢量p_n的模型A3；

步骤B-2-2-1：所述优化载波分配状态矢量x_n的模型A2表述为：

约束条件：

其中，在已知时，为常数；

步骤B-2-2-2：所述优化功率分配状态矢量p_n的模型A3表述为：

约束条件：

步骤B-2-2-3：对模型A3进行凸近似，将模型A3展开为模型A4，模型A4表述为：

约束条件:

步骤B-2-2-4：将模型A4中目标函数的在处进行泰勒公式展开为：

步骤B-2-2-5：经过凸近似之后的模型A5表述为：

约束条件:

步骤B-2-3：迭代求解模型A1，所述模型A1的求解方式为：使用匹配理论的方法求解模型A2，得到子载波分配状态矢量x_n；使用对偶次梯度迭代方法求解模型A5，得到功率分配状态矢量p_n；在第t次迭代中，求解过程如下：

步骤B-2-3-1：使用基于匹配理论的方法求解模型A2，得到第t次迭代过程中，智能体n的载波分配状态矢量x_n[t]，其中x_n[t]表示第t次迭代得到的x_n的值，即x_n[t]＝x_n；

步骤B-2-3-2：x_n＝x_n[t]，将x_n代入到模型A5中；然后采用对偶次梯度迭代方法求解模型A5，该方法求解过程如下：

步骤B-2-3-2-1：对模型A5中的目标函数引入拉格朗日函数为：

其中β为对偶乘子，其值β≥0；

步骤B-2-3-2-2：采用二分法求得的零点，该零点记为

步骤B-2-3-2-3：根据次梯度迭代法将对偶乘子β按如下表达式进行更新：令β＝β′，其中ρ0为可变步长，函数

步骤B-2-3-2-4：交替优化对偶变量β和原始变量直到模型A5的目标函数的值保持不变，从而得到第t次迭代过程中的智能体n的功率分配状态矢量p_n[t]，p_n[t]表示第t次迭代得到的p_n的值，即p_n[t]＝p_n；

步骤B-2-4：x_n＝x_n[t]，p_n＝p_n[t]，将x_n和p_n代入到模型A1中，并计算模型A1目标函数的值，当模型A1目标函数的值不再变化时，迭代方法终止，输出结果x_n和p_n；否则进行下一轮迭代。