[发明专利]异构网多点协作能效谱效联合优化的资源分配方法

摘要

本发明公开了一种异构网多点协作能效谱效联合优化的资源分配方法，首先，定义能效和谱效的联合优化问题；然后，在上述给定的资源块和功率约束的条件下，对资源块和功率及其在各用户间的分配进行优化，从而实现能效和谱效的联合优化；其中，对资源块和功率及其在各用户间的分配进行优化的方法为：通过对偶方法简化用户对数速率与功率之间的关系，再使用贪心算法思想分别对CoMP用户和非CoMP用户进行资源分配。本发明给出了一种能实现谱效和能效联合优化的有效、快速的功率分配方法，避免了暴力求解方法带来的复杂度。

主权项

1.一种异构网多点协作能效谱效联合优化的资源分配方法，其特征在于：首先，定义能效和谱效的联合优化问题为：其中，Rk和Ptotal分别表示用户k的数据速率和系统总功耗，β1与β2表示加权系数，β1与β2取值由运营商根据网络运行情况自行决定；pm,k表示用户k收到资源块m的信号功率，ρm,k表示资源块m对用户k的分配情况，当ρm,k＝0表示资源块未分配给用户k，当ρm,k＝1表示资源块被分配给用户k；p＝(p1,1,p1,2,p1,3,...,pM,K)，ρ＝(ρ1,1,ρ1,2,ρ1,3,...,ρM,K)分别代表功率和资源块的分配；PTM和PTP分别代表了运营商允许的宏基站和小站最大发射功率，KM和KP分别代表了宏基站和小站服务的用户集合，KM与KP分别表示宏基站和小站服务的用户数，K和M分别表示系统总用户数与基站资源块个数；然后，在上述给定的资源块和功率约束的条件下，对资源块和功率及其在各用户间的分配进行优化，从而实现能效和谱效的联合优化；其中，对资源块和功率及其在各用户间的分配进行优化的方法为：通过对偶方法简化用户对数速率与功率之间的关系，再使用贪心算法思想分别对CoMP用户和非CoMP用户进行资源分配；对资源块和功率及其在各用户间的分配进行优化的具体步骤为：步骤一，寻找用户速率下界，对用户速率进行近似：利用对偶方法将问题简化，将资源分配问题转化为：其中，tk为用户k数据速率Rk的下界，通过C7保证tk与Rk的关系，tk在代价函数中用来近似用户速率；由于对数函数是单调递增的函数，代价函数为下界t＝(t1,t2,t3,...,tK)的增函数，当代价函数达到最大值时，下界t中的每个元素也将等于各用户的数据速率，因此变换后的问题与原问题有相同的最优解；将上式整理为拉格朗日问题进行求解，拉格朗日函数为：s.t.C1,...,C6.其中，λ＝(λ₁₁,λ₁₂,λ₁₃,...,λ_mk)为拉格朗日乘子，将拉格朗日问题分解为对偶问题及对偶方程：s.t.C1,...,C6.对偶问题中，使用梯度下降法更新拉格朗日乘子：λi＝max[0,λi+s1(Rk‑tk)]其中，s1为更新步长；对于用户k，对拉格朗日函数进行求导并令其等于零，得到：步骤二：用贪心算法分配用户资源：将步骤一中的对偶方程简化为：s.t.C1,...,C6其中，ξ₁和ξ₂分别表示宏基站和小站发射功率与消耗功率之间的斜率，与分别表示用户k在宏基站和小站分配到的功率，与分别表示宏基站和小站的电路功率，R表示小站数目；由于宏基站、小站的电路损耗在给定系统中为常数值，问题能够写为：s.t.C1,...,C6应用拉格朗日对偶的方法将宏基站、小站对发射功率的限制加进拉格朗日函数，整理得到：s.t.C1,...,C3,C6其中，rmk表示用户k在资源块m上的数据速率，KM1、KP1和KC分别表示宏基站服务的非CoMP用户、小站服务的非CoMP用户和系统的CoMP用户数，M1和M2分别表示非CoMP和CoMP用户可用资源块数目，μ＝(μM，μp1，…，μPR，)为拉格朗日乘子；使用拉格朗日对偶的方法将拉格朗日问题分解为对偶问题及对偶方程：s.t.C1,...,C3,C6.对偶问题中，使用梯度下降法更新拉格朗日乘子，以宏基站为例：其中，s2为更新步长；对于非CoMP用户，将拉格朗日函数Q(p,ρ,μ)中相关的部分整理得：上式表明资源块之间并没有耦合关系；以宏基站非CoMP用户为例，基站的每个资源块分配给令下式达到最大值的非CoMP用户：对于每个用户先计算资源块m上的最优发射功率，通过求导得到最优发射功率及最佳子载波分配其中，I_mk表示用户k接收资源块m时接收到的干扰信号强度，为小区n内用户k收到的来自基站c在资源块m上的信号所经信道的冲击响应，N₀为热噪声；对于每个CoMP用户，计算用户连接的基站集合{C_k，1，C_k，2，...，C_k，i}里的基站C_k，i在资源块m上的最优发射功率和最佳子载波分配其中，表示用户k连接的基站c在资源块m上的发射功率，μ_c和ξ_c分别表示不同的服务基站对应的拉格朗日乘子和发射功率与基站功耗的斜率；步骤三：迭代判断步骤二求出最优资源分配后，判断各用户速率R_k是否与相等；当用户速率R_k与不相等时认为算法未收敛，返回步骤一进行下一次迭代；当用户速率R_k与相等时时迭代结束，此时的资源分配即为最优的用户资源分配。