本發(fā)明屬于移動通信
技術(shù)領(lǐng)域：
，更具體地說，涉及一種基于能效最優(yōu)的中繼系統(tǒng)聯(lián)合資源分配方法。
背景技術(shù)：
：當(dāng)今社會，4G網(wǎng)絡(luò)已經(jīng)開始普及，其中一項關(guān)鍵技術(shù)就是正交頻分復(fù)用(OFDM)技術(shù)。OFDM技術(shù)起源于上世紀(jì)60年代中期，專利發(fā)表于70年代，它的基本思想將總傳輸頻段分為多個頻譜重疊的子載波，但各個子載波之間互不影響，具有很高的頻譜利用率，是一種特殊的頻率復(fù)用技術(shù)。早期的OFDM系統(tǒng)采用傳統(tǒng)的模擬信號傳輸載波，在實現(xiàn)調(diào)制，解調(diào)，同步等一系列步驟是具有相當(dāng)大的復(fù)雜度，導(dǎo)致使用OFDM系統(tǒng)過于昂貴，故而在當(dāng)時并沒有被廣泛應(yīng)用。直到1971年，離散傅里葉變換(DFT)被提出并應(yīng)用于多載波調(diào)制，OFDM系統(tǒng)才從模擬信號傳輸技術(shù)向數(shù)字信號傳輸技術(shù)轉(zhuǎn)變，并由于在調(diào)制解調(diào)中應(yīng)用DFT技術(shù)，簡化了系統(tǒng)復(fù)雜度，才逐漸走向?qū)嵱没ｋS著數(shù)字通信的大力發(fā)展，高速調(diào)制解調(diào)技術(shù)也越來越先進(jìn)，自上世紀(jì)90年代起，OFDM技術(shù)就在無線通信領(lǐng)域中占到了一席之地，得到了迅速的發(fā)展，擁有越來越廣泛的應(yīng)用。近年來，在數(shù)字處理技術(shù)與大規(guī)模集成電路技術(shù)的支撐下，OFDM技術(shù)在無線通信中更加實用，迅速推廣的4G蜂窩網(wǎng)絡(luò)的核心技術(shù)之一就是OFDM技術(shù)。如今的OFDM技術(shù)已經(jīng)趨于成熟，人們更多的研究重點逐漸轉(zhuǎn)移到了OFDM技術(shù)與其他技術(shù)相結(jié)合時產(chǎn)生的新問題。例如在中繼網(wǎng)絡(luò)中，子載波配對技術(shù)與功率分配方式一直是人們關(guān)注的焦點。雖然新問題必然會隨著研究的深入逐漸凸顯，但是，作為下一代網(wǎng)絡(luò)核心技術(shù)之一的OFDM技術(shù)，一定會受到越來越多的人的重視，克服一個又一個不斷產(chǎn)生的新問題，為下一代無線通信提供更好的服務(wù)。作為現(xiàn)代通信系統(tǒng)中的兩種關(guān)鍵技術(shù)，OFDM技術(shù)與協(xié)同通信技術(shù)的結(jié)合將給無線通信系統(tǒng)的資源分配增加更多樣化的選擇。OFDM技術(shù)可以利用各個子載波信道的不同衰落特性，動態(tài)地分配信道資源，由于不同子信道相互獨立，OFDM技術(shù)可以獲得較大的頻率分集增益，增加系統(tǒng)的容量；協(xié)同通信技術(shù)則在系統(tǒng)中引入中繼節(jié)點，形成兩個或多個獨立的轉(zhuǎn)發(fā)鏈路，充分利用了中繼為整個系統(tǒng)帶來的分集增益，提高了系統(tǒng)的頻譜利用效率，擴(kuò)大了系統(tǒng)覆蓋范圍。將這兩種技術(shù)結(jié)合在一起，可以充分發(fā)揮二者的優(yōu)勢，更為有效的應(yīng)用無線系統(tǒng)資源，具有廣泛的研究與應(yīng)用前景。在下一代無線網(wǎng)絡(luò)中，中繼技術(shù)因其可以提供更為可靠地信號傳輸而被廣泛研究，人們提出了很多算法以獲取更大的傳輸速率。然而，隨著能源的價格越來越貴，環(huán)境污染越來越嚴(yán)重，綠色通信正被更多的人們所關(guān)注，傳輸速率不再是人們唯一的關(guān)注目標(biāo)，節(jié)能降耗成為所有廠商發(fā)展的重要指標(biāo)。目前，綠色通信在工業(yè)界與學(xué)術(shù)界均已成為研究熱點。G.A.Sidhu在2010年IEEEWCNC會議上指出以系統(tǒng)容量最大值為目標(biāo)的多用戶場景下最優(yōu)化問題，并給出子載波匹配與功率分配的方法。在此基礎(chǔ)上，不同于單中繼多用戶場景，H.Jeong在2010年IEEEICC會議上提出多中繼場景下同樣的問題。L.Vandendorpe在2008年ISWPC會議上提出了一種改進(jìn)的DF中繼方式，即在中繼轉(zhuǎn)發(fā)的同時，源端采用沒有被中繼占用的子載波再次發(fā)送信號給用戶，以保證在中繼信道較差時用戶的通信質(zhì)量。HaoZhang在2012年IEEEComm.Letter中提出了一種雙向多中繼多用戶OFDM系統(tǒng)下的資源分配算法，該算法僅考慮了AF中繼方式，且在功率分配方面只考慮了中繼的功率，沒有分配源節(jié)點功率，并非最優(yōu)化系統(tǒng)所有資源。隨著綠色通信逐漸被人們所重視，人們對通信系統(tǒng)中能量效率的關(guān)注越來越高。能量效率問題是一個分式問題，并不利于用常規(guī)的數(shù)學(xué)方法進(jìn)行求解，D.W.K.Ng在2012年IEEETWC中指出在OFDM系統(tǒng)下，應(yīng)用Dinkelbach方法將能量效率的分式問題轉(zhuǎn)化為線性規(guī)劃問題，但其并不是中繼場景。K.T.K.Cheung在2013年IEEETC中應(yīng)用AF中繼方式，對多用戶OFDM系統(tǒng)中的能量效率問題進(jìn)行了討論，但并未包含子載波匹配。技術(shù)實現(xiàn)要素：針對現(xiàn)有基于能效最優(yōu)的中繼系統(tǒng)聯(lián)合資源分配方法未充分考慮第二時隙基站重發(fā)信號帶來的性能改善、聯(lián)合考慮中繼選擇、載波配對和功率分配、實時性要求、低復(fù)雜度算法實際應(yīng)用等問題，本發(fā)明提出種基于能效最優(yōu)的中繼系統(tǒng)聯(lián)合資源分配方法，在綜合考慮以最大化系統(tǒng)能量效率的功率和子載波聯(lián)合優(yōu)化，允許基站在第二個時隙通過這些空閑的子載波轉(zhuǎn)發(fā)重發(fā)信息，輔助低復(fù)雜度迭代算法，最大化用戶實時通信的網(wǎng)絡(luò)性能。為解決上述問題，本發(fā)明所采用的技術(shù)方案如下：一種基于能效最優(yōu)的中繼系統(tǒng)聯(lián)合資源分配方法，包括步驟1:建立系統(tǒng)模型；系統(tǒng)中有一個中繼，K個用戶，總帶寬被等分成N個子載波，不同子載波之間相互獨立，所有子載波的信道均服從瑞利衰落，系統(tǒng)通過兩個時隙傳輸信號，在第一時隙內(nèi)，信號源通過廣播的方式發(fā)送信號，中繼和用戶都接受這一來自源節(jié)點的信號，在第二時隙內(nèi)，中繼完成子載波的配對，根據(jù)信道狀態(tài)信息選擇出不同子載波的信號分別轉(zhuǎn)發(fā)給哪個用戶，并決定該子載波對是否采用中繼進(jìn)行轉(zhuǎn)發(fā)，若不采用中繼，則發(fā)送一個信令信號給源節(jié)點，源節(jié)點通過與第一時隙不同的子載波再次發(fā)送信號給用戶，設(shè)信號傳輸時，第一時隙用第m個子載波，第二時隙用第n個子載波，用與分別表示源節(jié)點到中繼節(jié)點、源節(jié)點到用戶節(jié)點與中繼節(jié)點到用戶節(jié)點的信道增益，與傳統(tǒng)的中繼方式不同的的是，考慮到信道的極端惡劣情況，每次系統(tǒng)傳輸信號要先決定是否使用中繼，若在第二時隙內(nèi)，不選擇用中繼進(jìn)行信號轉(zhuǎn)發(fā)，則信號源再次通過第n條子載波重新發(fā)送信號給用戶，此時信道增益為假設(shè)信道中的噪聲為相互獨立的零均值高斯白噪聲，并用分別表示中繼節(jié)點與第k個用戶節(jié)點的噪聲方差，1≤k≤K，源節(jié)點與中繼節(jié)點可以獲取所有的信道狀態(tài)信息，定義等效的信道增益與定義決策矩陣s＝{smnk}來表示路徑選擇Path(m,n,k)情況，smnk＝1表示路徑Path(m,n,k)被選中，smnk＝0表示未被選中，對于某一選定的路徑Path(m,n,k)，定義參數(shù)tmnk來表示是否使用中繼進(jìn)行信號轉(zhuǎn)發(fā)，當(dāng)使用中繼時，tmnk＝1，且此時系統(tǒng)的信號傳輸速率為當(dāng)不使用中繼時，參數(shù)tmnk＝0，則此時的傳輸速率為其中與表示使用中繼模式時源節(jié)點和中繼節(jié)點的發(fā)送功率，與則表示不使用中繼時，源節(jié)點在第一時隙與第二時隙發(fā)送的直傳信號功率，因此對已選擇的路徑Path(m,n,k)來說，源節(jié)點到用戶節(jié)點之間的總信息傳輸速率為步驟2:系統(tǒng)場景分析，問題歸結(jié)；對某一路徑Path(m,n,k)而言，如果使用中繼輔助傳輸信號，優(yōu)化問題是一個最大-最小問題，而只有當(dāng)兩個相互比較的多項式相等時，最小值才能取得最大，系統(tǒng)才能獲得最大的信道容量，信號傳輸速率可以改寫為其中是改寫后的等效信道增益，并用來代替表示原式中的兩個功率變量；定義變量wk來表示不同用戶的權(quán)重，系統(tǒng)在所有子載波對上與所有用戶上的總?cè)萘繛橄到y(tǒng)所有節(jié)點在兩個時隙內(nèi)所使用的總功率為其中PBC與PRC分別表示源節(jié)點與中繼節(jié)點維持設(shè)備正常工作所用的環(huán)路電流功率，最大化系統(tǒng)能量效率的優(yōu)化問題可以表示為：P1:maxs,t,PRP]]>s.t.C1:Σk=1KΣm=1Nsmnk=1,∀n,Σk=1KΣn=1Nsmnk=1,∀mC2:Σm=1Ntm,n=1,∀n,Σn=1Ntm,n=1,∀mC3:Σk=1KΣn=1NΣm=1Nsmnk(tmnkPmnk+(1-tmnk)(Pmks+Pnks))≤PtC4:Σk=1KΣm=1NΣn=1Nsmnk2{tmnklog2(1+amnkPmnk)+(1-tmnk)[log2(1+cmkPmks)+log2(1+cnkPnks)]}≥PreqC5:Pmnk≥0,Pms≥0,Pns≥0C6:smnk∈{0,1},tmnk∈{0,1}.;]]>步驟3:使用凸優(yōu)化方法求解最優(yōu)化問題；所述優(yōu)化問題P1的求解可以采用拉格朗日因子方法：L(smnk,tmnk,Pmnk,Pmks1,Pnks2,βs,n,n,βt,n,n,β0,β1)=RP-βs,n,n(Σk=1KΣm=1Nsmnk-1)-βt,n,n(Σm=1Ntm,n-1)-β0(Σk=1KΣm=1NΣn=1Nsmnk(tmnkPmnk+(1-tmnk)(Pmks+Pnks))-Pt)-β1(Rreq-Σk=1KΣm=1NΣn=1Nsmnk2{tmnklog2(1+amnkPmnk)+(1-tmnk)[log2(1+cmkPmks)+log2(1+cnkPnks)]})]]>再聯(lián)立和并用次梯度方法迭代求解，其中βs,n,n,βt,n,n,β0,β1是相應(yīng)的拉格朗日因子。進(jìn)一步的，所述優(yōu)化問題P1的拉格朗日形式中的拉格朗日因子βs,n,n,βt,n,n,β0,β1的迭代更新方法采用次梯度算法，所述次梯度算法的迭代更新方程是βs,n,n(τ+1)=[βs,n,n(τ)-δs,n,n(τ)(1-Σk=1KΣm=1Nsmnk)]+]]>βt,n,n(τ+1)=[βt,n,n(τ)-δt,n,n(τ)(1-Σm=1Ntm,n)]+]]>β0(τ+1)=[β0(τ)-δ0(τ)(Pt-Σk=1KΣm=1NΣn=1Nsmnk(tmnkPmnk+(1-tmnk)(Pmks+Pnks)))]+]]>β1(τ+1)=[β1(τ)-δ1(τ)(Σk=1KΣm=1NΣn=1Nsmnk2{tmnklog2(1+amnkPmnk)+(1-tmnk)[log2(1+cmkPmks)+log2(1+cnkPnks)]}-Rreq)]+]]>其中βs,n,n(τ),βt,n,n(τ),β0(τ),β1(τ)分別表示第τ次迭代的拉格朗日因子，δs,n,n(τ),δt,n,n(τ),δ0(τ),δ1(τ)分別表示相應(yīng)的迭代步長。進(jìn)一步的，所述次梯度算法迭代更新方程的迭代步長可以設(shè)置成：δs,n,n(τ)=δt,n,n(τ)=δ0(τ)=δ1(τ)=1τ2,n∈{1,2,...,N}.]]>進(jìn)一步的，所述步驟3還包括：首先，將優(yōu)化目標(biāo)從整形規(guī)劃變?yōu)橐粋€連續(xù)性的規(guī)劃函數(shù)，先將約束條件放寬，定義決策矩陣來代替s＝{smnk}，其中定義：P~mnk=s~mnktmnkPmnk,P~mks=s~mnk(1-tmnk)Pmks,P~nks=s~mnk(1-tmnk)Pnks]]>P~mnk=12{tmnklog2(1+amnkP~mnks~mnktmnk)+(1-tmnk)[log2(1+cmkP~mkss~mnk(1-tmnk))+log2(1+cnkP~nkss~mnk(1-tmnk))]}]]>R~=ΣkKwkΣmNΣnNs~mnkR~mnk,P~=PBC+PRC+Σk=1KΣm=1NΣn=1N(P~mnk+P~mks+P~nks)]]>最優(yōu)化問題被改寫為：P2:maxs,t,PR~P~]]>s.t.C1:Σk=1KΣm=1Ns~mnk=1,∀n,Σk=1KΣn=1Ns~mnk=1,∀mC2:Σm=1Ntm,n=1,∀n,Σn=1Ntm,n=1,∀mC3:Σk=1KΣm=1NΣn=1N(P~mnk+P~mks+P~nks)≤PtC4:Σk=1KΣm=1NΣn=1Ns~mnkR~mnk≥PreqC5:Pmnk,Pms,Pns≥0C6:0≤s~mnk,tmnk≤1..]]>進(jìn)一步的，所述步驟3優(yōu)化問題P2的目標(biāo)函數(shù)可以進(jìn)一步轉(zhuǎn)化成連續(xù)線性規(guī)劃，包括：定義最優(yōu)化問題P2的最優(yōu)解為q*，再定義函數(shù)通過凸優(yōu)化的證明，可以將最優(yōu)化問題P2轉(zhuǎn)換為一個連續(xù)線性規(guī)劃問題：P3:maxs,t,PR~-qP~]]>s.t.C1,C2,C3,C4,C5,C6求解最優(yōu)化問題P2的最大值的問題就轉(zhuǎn)換成了求解最優(yōu)化問題P3最大值為0的q*值問題，再應(yīng)用凸規(guī)劃方法在其拉格朗日函數(shù)中找到全局最優(yōu)解。進(jìn)一步的，所述步驟3優(yōu)化問題P3的求解可以包括以下步驟：求解優(yōu)化問題P3中的凸規(guī)劃問題需要進(jìn)行內(nèi)外兩層循環(huán)迭代算法：能量效率最大化的外循環(huán)算法包括：在給定了初始q0值后，再經(jīng)過內(nèi)循環(huán)算法的計算將得到一個新的值q1，若兩個值的差小于一個足夠小的數(shù)，則表明已取得最優(yōu)的能量效率，否則用q1代替q0重新進(jìn)行循環(huán)，如此重復(fù)，直到得到最優(yōu)的能量效率；能量效率最大化的內(nèi)循環(huán)算法包括：對于給定的qi-1值，用于對功率與信道進(jìn)行分配，求得目標(biāo)函數(shù)能量效率的最大值，等價于求出其對偶函數(shù)的最小值，應(yīng)用次梯度算法進(jìn)行迭代求解，首先設(shè)定初始值λ(0)與μ(0)，根據(jù)外循環(huán)給定的qi-1值，進(jìn)行功率分配和信道分配，算出當(dāng)前的R與P，再判斷拉格朗日因子λ和μ是否收斂，如此循環(huán)，直到得到最大的R-qP值；所述次梯度算法的迭代更新方程是：λ(i+1)=[λ(i)-stλ(i)(Pt-Σk=1KΣm=1NΣn=1N(P~mnk+P~mks+P~nks))]+]]>μ(i+1)=[μ(i)-stμ(i)(Σk=1KΣm=1NΣn=1NsmnkR~mnk-Rreq)]+]]>式中i表示循環(huán)的次數(shù)，st(i)是與i相關(guān)的變量，用來控制每次迭代的步長。進(jìn)一步的，所述步驟3能量效率最大化的外循環(huán)算法步驟如下：步驟A1：初始化最大循環(huán)次數(shù)I；步驟A2：設(shè)置初始的能量效率q0＝0,，循環(huán)次數(shù)i＝0；步驟A3：dowhileqi-qi-1＞0.00000001andi＜I；步驟A4：i＝i+1；步驟A5：對給定的q，算出內(nèi)循環(huán)資源分配結(jié)果,得到R，P的值；步驟A6：qi＝R/P；步驟A7：enddo。進(jìn)一步的，所述步驟3能量效率最大化的外循環(huán)算法步驟如下：步驟B1：初始化最大循環(huán)次數(shù)J；步驟B2：設(shè)置初始值λ(0)與μ(0)，循環(huán)次數(shù)j＝0；步驟B3：dowhile|λ(j)-λ(j-1)|＞0.00000001or|μ(j)-μ(j-1)|＞0.00000001andj＜J；步驟B4：j＝j(luò)+1；步驟B5：根據(jù)和算出功率分配情況；步驟B6：根據(jù)和算出信道分配情況；步驟B7：根據(jù)和更新變量λ與μ；步驟B8：enddo。有益效果：相對比于現(xiàn)有技術(shù)，本發(fā)明的有益效果為：(1)本發(fā)明在最大總功率和最小總傳輸速率的約束下，結(jié)合完整的信道狀態(tài)信息，構(gòu)建了使能量效率最大化的功率和子載波聯(lián)合優(yōu)化問題，具有現(xiàn)實的指導(dǎo)意義；(2)本發(fā)明區(qū)別與傳統(tǒng)的中繼協(xié)議，允許基站在第二個時隙通過這些空閑的子載波重發(fā)第一時隙的信息，能夠降低基站和中繼的發(fā)射功率，提高系統(tǒng)容量；(3)本發(fā)明以能量效率的優(yōu)化模型為非線性混合整數(shù)規(guī)劃問題，由于無法應(yīng)用目前的常規(guī)方法進(jìn)行求解，為了降低該問題的復(fù)雜度，先采用Dinkelbach方法將該優(yōu)化模型變?yōu)榫€性凸規(guī)劃，然后基于對偶規(guī)劃對簡化后的線性規(guī)劃問題進(jìn)行求解，最后結(jié)合匈牙利算法與次梯度算法算出最優(yōu)解；(4)本發(fā)明針對特殊的應(yīng)用場景，來源實際應(yīng)用，場景設(shè)置細(xì)致、合理，更有實踐指導(dǎo)意義；(5)本發(fā)明針對最優(yōu)化問題的求解，采用凸優(yōu)化處理，轉(zhuǎn)化優(yōu)化問題的目標(biāo)函數(shù)，不經(jīng)過近似計算，不影響問題的精度的同時極大的降低的計算復(fù)雜度，減少系統(tǒng)開銷產(chǎn)生的時延；(6)本發(fā)明尋優(yōu)采用拉格朗日乘子方法，尋優(yōu)速度快，算法迭代過程中采用次梯度方法，并選用漸進(jìn)步長，尋優(yōu)更加精確；(7)本發(fā)明的資源分配方法，算法設(shè)計合理，易于實現(xiàn)。附圖說明圖1為單中繼多用戶OFDM系統(tǒng)模型。具體實施方式為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點更加清楚明白，以下結(jié)合附圖及實施例，對本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。實施例一一種基于能效最優(yōu)的中繼系統(tǒng)聯(lián)合資源分配方法，包括步驟1:建立系統(tǒng)模型；本發(fā)明針對特殊的應(yīng)用場景，來源實際應(yīng)用，場景設(shè)置細(xì)致、合理，更有實踐指導(dǎo)意義。如圖1所示，本發(fā)明考慮的場景是單中繼多用戶OFDM系統(tǒng)。系統(tǒng)中有一個中繼，K個用戶，總帶寬被等分成N個子載波，不同子載波之間相互獨立，所有子載波的信道均服從瑞利衰落。系統(tǒng)通過兩個時隙傳輸信號：在第一時隙內(nèi)，信號源通過廣播的方式發(fā)送信號，中繼和用戶都接受這一來自源節(jié)點的信號；在第二時隙內(nèi)，中繼完成子載波的配對，根據(jù)信道狀態(tài)信息選擇出不同子載波的信號分別轉(zhuǎn)發(fā)給哪個用戶，并決定該子載波對是否采用中繼進(jìn)行轉(zhuǎn)發(fā)，若不采用中繼，則發(fā)送一個信令信號給源節(jié)點，源節(jié)點通過與第一時隙不同的子載波再次發(fā)送信號給用戶。不妨設(shè)信號傳輸時，第一時隙用第m個子載波，第二時隙用第n個子載波，則用與分別表示源節(jié)點到中繼節(jié)點、源節(jié)點到用戶節(jié)點與中繼節(jié)點到用戶節(jié)點的信道增益。本發(fā)明區(qū)別與傳統(tǒng)的中繼協(xié)議，允許基站在第二個時隙通過這些空閑的子載波重發(fā)第一時隙的信息，能夠降低基站和中繼的發(fā)射功率，提高系統(tǒng)容量。與傳統(tǒng)的中繼方式不同的的是，本發(fā)明應(yīng)用一種改進(jìn)型DF中繼(I-DF)來轉(zhuǎn)發(fā)信號。I-DF考慮到信道的極端惡劣情況，每次系統(tǒng)傳輸信號要先決定是否使用中繼，若在第二時隙內(nèi)，不選擇用中繼進(jìn)行信號轉(zhuǎn)發(fā)，則信號源再次通過第n條子載波重新發(fā)送信號給用戶，此時信道增益為假設(shè)信道中的噪聲為相互獨立的零均值高斯白噪聲，并用分別表示中繼節(jié)點與第k(1≤k≤K)個用戶節(jié)點的噪聲方差。假設(shè)源節(jié)點與中繼節(jié)點可以獲取所有的信道狀態(tài)信息，定義等效的信道增益與當(dāng)已配對的子載波對SP(m,n)被分配給第k個用戶時(每組子載波對僅可被一個用戶占用)，就表明路徑Path(m,n,k)就被選中，并定義決策矩陣s＝{smnk}來表示路徑選擇情況，smnk＝1表示路徑Path(m,n,k)被選中，smnk＝0表示路徑Path(m,n,k)未被選中。對于某一選定的路徑Path(m,n,k)，定義參數(shù)tmnk來表示是否使用中繼進(jìn)行信號轉(zhuǎn)發(fā)。當(dāng)使用中繼時，tmnk＝1，且此時系統(tǒng)的信號傳輸速率為：RmnkR=12min{log2(1+cmkPmnks+bnkPmnkr),log2(1+amPmnks)}---(1)]]>當(dāng)不使用中繼時，參數(shù)tmnk＝0，則此時的傳輸速率為：RmnkI=12log2(1+cmkPmks)+12log2(1+cnkPnks)---(2)]]>其中，與表示使用中繼模式時源節(jié)點和中繼節(jié)點的發(fā)送功率，與則表示不使用中繼時，源節(jié)點在第一時隙與第二時隙發(fā)送的直傳信號功率。故對已選擇的路徑Path(m,n,k)來說，源節(jié)點到用戶節(jié)點之間的總信息傳輸速率為：Rmnk=tmnkRmnkR+(1-tmnk)RmnkI---(3)]]>步驟2:系統(tǒng)場景分析，問題歸結(jié)；對某一路徑Path(m,n,k)而言，如果使用中繼輔助傳輸信號，觀察公式(1)是一個最大-最小問題，而只有當(dāng)兩個相互比較的多項式相等時，最小值才能取得最大，也就是說，只有當(dāng)時，系統(tǒng)才能獲得最大的信道容量，故公式(1)中信號傳輸速率可以改寫為：RmnkR=12log2(1+amnkPmnk)---(4)]]>其中，是改寫后的等效信道增益，并用來代替表示原式中的兩個功率變量。為了保證一定意義上的公平性，為不同的用戶定義不同的優(yōu)先級，并定義變量來表示不同用戶的權(quán)重。結(jié)合新定義的權(quán)重變量wk，并以公式(4)代替公式(1)，那么系統(tǒng)在所有子載波對上與所有用戶上的總?cè)萘繛椋篟=Σk=1KwkΣm=1NΣn=1NsmnkRmnk---(5)]]>系統(tǒng)所有節(jié)點在兩個時隙內(nèi)所使用的總功率為：P=PBC+PRC+Σk=1KΣm=1NΣn=1Nsmnk[tmnkPmnk+(1-tmnk)(Pmks+Pnks)]---(6)]]>公式(6)中的PBC與PRC分別表示源節(jié)點與中繼節(jié)點維持設(shè)備正常工作所用的環(huán)路電流功率。這些功耗與信號發(fā)送使用的功率是相對獨立的，可以用固定的常量來表示。系統(tǒng)的能量效率是指系統(tǒng)單位功率所創(chuàng)造的能量，用來表示系統(tǒng)的能量利用率，本發(fā)明中用系統(tǒng)總?cè)菁{量與總功率的比值作為能量效率進(jìn)行優(yōu)化。綜合，最大化系統(tǒng)能量效率的優(yōu)化模型可以表示為：P1:maxs,t,PRP]]>s.t.C1:Σk=1KΣm=1Nsmnk=1,∀n,Σk=1KΣn=1Nsmnk=1,∀m]]>C2:Σm=1Ntm,n=1,∀n,Σn=1Ntm,n=1,∀m]]>C3:Σk=1KΣm=1NΣn=1Nsmnk(tmnkPmnk+(1-tmnk)(Pmks+Pnks))≤Pt]]>C4:Σk=1KΣm=1NΣn=1Nsmnk2{tmnklog2(1+amnkPmnk)+(1-tmnk)[log2(1+cmkPmks)+log2(1+cnkPnks)]}≥Preq]]>C5:Pmnk≥0,C6:smnk∈{0,1},tmnk∈{0,1}.其中，約束條件C1保證了每一對子載波對只能分配給一個用戶，而且子載波不會被重復(fù)配對。約束條件C2則保證了系統(tǒng)要么使用中繼，要么不用中繼，不會出現(xiàn)同時存在的情況。約束條件C3表示系統(tǒng)的總功率受限，Pt為系統(tǒng)所能使用的最大輸出功率。C4則表示雖然系統(tǒng)以能量效率為優(yōu)化目標(biāo)，但是實現(xiàn)該目標(biāo)要以用戶能正常通信為前提，常量Rreq表示系統(tǒng)的最小信道容量。C6則表示smnk與tmnk只能取0或者1的整數(shù)。這里假設(shè)系統(tǒng)最小信道容量Rreq是可以在其他約束條件下取得的，否則該優(yōu)化問題無法求解。本發(fā)明在最大總功率和最小總傳輸速率的約束下，結(jié)合完整的信道狀態(tài)信息，構(gòu)建了使能量效率最大化的功率和子載波聯(lián)合優(yōu)化問題，具有現(xiàn)實的指導(dǎo)意義。步驟3:使用凸優(yōu)化方法求解最優(yōu)化問題；為了提高進(jìn)一步改進(jìn)，提高算法的運算效率，本發(fā)明提出一種新的求解優(yōu)化問題P1的思路，采用拉格朗日乘子方法去尋優(yōu)，速度更快，算法復(fù)雜度更低。具體來說，所述優(yōu)化問題P1的求解可以采用拉格朗日因子方法：L(smnk,t,Pmnk,Pmks1,Pmks2,βs,n,n,βt,n,n,β0,β1)=RP-βs,n,n(Σk=1KΣm=1Nsmnk-1)-βt,n,n(Σm=1Ntm,n-1)-β0(Σk=1KΣm=1NΣn=1Nsmnk(tmnkPmnk+(1-tmnk)(Pmks+Pnks))-Pt)-β1(Rreq-Σk=1KΣm=1NΣn=1Nsmnk2{tmnklog2(1+amnkPmnk)+(1-tmnk)[log2(1+cmkPmks)+log2(1+cnkPnks)]})]]>再聯(lián)立和并用次梯度方法迭代求解，其中βs,n,n,βt,n,n,β0,β1是相應(yīng)的拉格朗日因子。采用拉格朗日乘子算法的基礎(chǔ)上，每一次循環(huán)迭代的過程中我們可以采用次梯度方法，并選用漸進(jìn)步長，尋優(yōu)更加精確。具體來說，所述所述優(yōu)化問題P1的拉格朗日形式中的拉格朗日因子βs,n,n,βt,n,n,β0,β1的迭代更新方法采用次梯度算法，復(fù)雜度更低，更有效率，所述次梯度算法的迭代更新方程是βs,n,n(τ+1)=[βs,n,n(τ)-δs,n,n(τ)(1-Σk=1KΣm=1Nsmnk)]+]]>βt,n,n(τ+1)=[βt,n,n(τ)-δt,n,n(τ)(1-Σm=1Ntm,n)]+]]>β0(τ+1)=[β0(τ)-δ0(τ)(Pt-Σk=1KΣm=1NΣn=1Nsmnk(tmnkPmnk+(1-tmnk)(Pmks+Pnks)))]+]]>β1(τ+1)=[β1(τ)-δ1(τ)(Σk=1KΣm=1NΣn=1Nsmnk2{tmnklog2(1+amnkPmnk)+(1-tmnk)[log2(1+cmkPmks)+log2(1+cnkPnks)]}-Rreq)]+]]>其中βs,n,n(τ),βt,n,n(τ),β0(τ),β1(τ)分別表示第τ次迭代的拉格朗日因子，δs,n,n(τ),δt,n,n(τ),δ0(τ),δ1(τ)分別表示相應(yīng)的迭代步長。為了使得迭代速度更快，精度更高，我們選擇遞進(jìn)減小的迭代步長。所述迭代步長可以設(shè)置成：δs,n,n(τ)=δt,n,n(τ)=δ0(τ)=δ1(τ)=1τ2,n∈{1,2,...,N}.]]>實施例二觀察最優(yōu)化問題P1，可以發(fā)現(xiàn)該目標(biāo)函數(shù)是一個非線性混合整數(shù)規(guī)劃，如果應(yīng)用分支定界法對該問題直接進(jìn)行求解，會有極大的計算復(fù)雜度。因此，本節(jié)應(yīng)用一種較為簡單的方法對目標(biāo)函數(shù)進(jìn)行求解，大大的降低了計算復(fù)雜度。首先將該問題進(jìn)行簡化，以便于使用常規(guī)的線性規(guī)劃方法進(jìn)行求解。為了已經(jīng)以降低算法的復(fù)雜度，用于實際應(yīng)用，本發(fā)明的提出一種簡化的實施例，具體來說，所述步驟3優(yōu)化問題P1的求解可以采用簡化的目標(biāo)函數(shù)，包括：最優(yōu)化問題P1中的優(yōu)化目標(biāo)函數(shù)為混合整數(shù)的非線性規(guī)劃，為了降低該問題的求解難度，分兩步將該問題轉(zhuǎn)換為常見的線性規(guī)劃問題。首先，為了將優(yōu)化目標(biāo)從整形規(guī)劃變?yōu)橐粋€連續(xù)性的規(guī)劃函數(shù)，不妨先將約束條件放寬，即定義決策矩陣來代替s＝{smnk}，其中再定義：P~mnk=s~mnktmnkPmnk---(7)]]>P~mks=s~mnk(1-tmnk)Pmks---(8)]]>P~nks=s~mnk(1-tmnk)Pnks---(9)]]>時，取得整數(shù)值，滿足smnk所要取得的條件范圍，應(yīng)用算出的最優(yōu)化結(jié)果與應(yīng)用smnk算出的最優(yōu)化結(jié)果相同，所以說他們是等效的；而當(dāng)時，信道容量表達(dá)式(5)中的與根據(jù)洛必達(dá)法則，應(yīng)用極限的思想計算出也等于0，同樣與smnk＝0一致。因此最優(yōu)化問題P1可以被重新表示為：P2:maxs,t,PR~P~]]>s.t.C1:Σk=1KΣm=1Ns~mnk=1,∀n,Σk=1KΣn=1Ns~mnk=1,∀m]]>C2:Σm=1Ntm,n=1,∀n,Σn=1Ntm,n=1,∀m]]>C3:Σk=1KΣm=1NΣn=1N(P~mnk+P~mks+P~nks)≤Pt]]>C4:Σk=1KΣm=1NΣn=1Ns~mnkR~mnk≥Rreq]]>C5:Pmnk,C6:tmnk≤1.其中P~mnk=12{tmnklog2(1+amnkP~mnks~mnktmnk)+(1-tmnk)[log2(1+cmkP~mkss~mnk(1-tmnk))+log2(1+cnkP~nkss~mnk(1-tmnk))]}---(10)]]>R~=ΣkKwkΣmNΣnNs~mnkR~mnk---(11)]]>P~=PBC+PRC+Σk=1KΣm=1NΣn=1N(P~mnk+P~mks+P~nks)---(12)]]>實施例三本發(fā)明在實施例二的基礎(chǔ)上可以進(jìn)一步改進(jìn)，所述步驟3優(yōu)化問題P2的目標(biāo)函數(shù)可以進(jìn)一步轉(zhuǎn)化成連續(xù)線性規(guī)劃，包括：一般而言，放寬約束條件求解出的最優(yōu)解為原目標(biāo)函數(shù)最優(yōu)解的上界，稍后本文將說明本節(jié)中最優(yōu)化問題P1與最優(yōu)化問題P2擁有相同的最優(yōu)解。在將整形優(yōu)化模型的最優(yōu)化問題P1轉(zhuǎn)化為連續(xù)性非線性規(guī)劃的最優(yōu)化問題P2后，第二步再將其轉(zhuǎn)化為連續(xù)性線性規(guī)劃。定義優(yōu)化問題P2的最優(yōu)解為q*，即再定義函數(shù)：F(q)=max(R~-qP~)---(13)]]>觀察最優(yōu)化問題P2中的目標(biāo)函數(shù)。該函數(shù)是一個分式，其分子由三個函數(shù)以及的和組成，他們分別是凸函數(shù)與的投影，因此這三個函數(shù)也是凸函數(shù)。由于最優(yōu)化問題P2的分子是三個凸函數(shù)的線性和，故該分子也為凸函數(shù)；而最優(yōu)化問題P2的分母為正常數(shù)與非負(fù)變量的線性組合，故其也為正值并具有仿射性。因此可以得到最優(yōu)化問題P2中目標(biāo)優(yōu)化函數(shù)是關(guān)于(s，P)的準(zhǔn)凸函數(shù)，那么對于一個準(zhǔn)凸函數(shù)f(x)/g(x)，根據(jù)Dinkelbach方法，求解函數(shù)f(x)/g(x)的最大值α，等價于求解適當(dāng)?shù)淖兞喀潦购瘮?shù)max(f(x)-αg(x))＝0的問題。因此，可以將最優(yōu)化問題P2轉(zhuǎn)換為一個連續(xù)線性規(guī)劃問題：P3:maxs,t,PR~-qP~]]>s.t.C1,C2,C3,C4,C5,C6求解最優(yōu)化問題P2的最大值的問題就轉(zhuǎn)換成了求解使最優(yōu)化問題P3最大值為0的q*值問題。之前本文已經(jīng)說明了最優(yōu)化問題P2中的優(yōu)化目標(biāo)函數(shù)為準(zhǔn)凸函數(shù)，其分子為凸函數(shù)，其分母是一系列正常量的組合，而最優(yōu)化問題P3中的優(yōu)化目標(biāo)函數(shù)為分子和分母的線性組合，故其為嚴(yán)格凸函數(shù)。觀察最優(yōu)化問題P3的約束條件，它們都具有仿射性并且在定義域內(nèi)可達(dá)，滿足Slater條件，因此凸規(guī)劃最優(yōu)化問題P3具有零松弛變量，可以應(yīng)用凸規(guī)劃方法在其拉格朗日函數(shù)中找到全局最優(yōu)解。實施例四在前面三個實施例的基礎(chǔ)上，所述優(yōu)化問題的求解可以采用Dinkelbach方法方法，進(jìn)一步降低算法復(fù)雜度。首先，我們討論已知子載波配對和用戶選擇結(jié)果下的最優(yōu)功率分配問題。在實施例三中已經(jīng)證明了最優(yōu)化問題P3是一個嚴(yán)格凸函數(shù)，本實施例應(yīng)用對偶規(guī)劃來解決最優(yōu)功率分配問題。首先構(gòu)造最優(yōu)化問題P3目標(biāo)函數(shù)的拉格朗日函數(shù)：L(s,t,P~,λ,μ)=R~-qP~-λ(Σk=1KΣm=1NΣn=1N(P~mnk+P~mks+P~nks)-Pt)-μ(Rreq-ΣkKΣmNΣnNs~mnkR~mnk)=Σk=1K(wk+μ)ΣmNΣnNs~mnkR~mnk-(q+λ)(Σk=1KΣm=1NΣn=1N(P~mnk+P~mks+P~nks))-q(PBC+PRC)+λPt-μRreq---(14)]]>其對偶規(guī)劃為：g(λ)=maxL(s,t,P~,λ,μ)s.t.C1,C4,C5---(15)]]>在給定適當(dāng)?shù)膓，λ和μ時，公式(15)中的拉格朗日函數(shù)的最大值可以通過最優(yōu)分配功率來得到。而KKT條件說明，可將其拆分為N×N×K個獨立的次級優(yōu)化問題解得最優(yōu)的與P~mnk*=s~mnktmnk[wk+μ2log(2)(q+1)-1amnk]+---(16)]]>P~mks*=s~mnk(1-tmnk)[wk+μ2log(2)(q+1)-1cmk]+---(17)]]>P~nks*=s~mnk(1-tmnk)[wk+μ2log(2)(q+1)-1cnk]+---(18)]]>其中[x]+＝max{0,x}。然后，我們進(jìn)一步考慮已知功率分配結(jié)果下的子載波配對和用戶選擇問題。系統(tǒng)的信道分配由兩部分完成：對任意一條路徑Path(m,n,k)，第一部分要解決的問題是該路徑是否使用中繼來進(jìn)行信號的傳輸；由于中繼前后選用的子載波要一一對應(yīng)且一對子載波對SP(m,n)只能分配給一個用戶，第二部分則要決定該路徑是否在傳輸信號時被選用，也就是說要解決子載波配對與用戶選擇的問題。是否使用中繼的問題即是確定變量tmnk是否為1的問題。將求得的最優(yōu)功率分配(16)-(18)代入拉格朗日函數(shù)式(14)。如果按照使用中繼模式與非中繼模式將公式(14)拆分，并分別定義變量與表示中繼模式與非中繼模式足量單位，可以得到：EmnkR=wk+μ2log2(1+amnkPmnk*)-(q+λ)Pmnk*---(19)]]>EmnkI=wk+μ2(log2(1+cmkPmks*)+log2(1+cnkPnks*))-(q+λ)(Pmks*+Pnks*)---(20)]]>上式中與的大小反映了不同模式時可以取得的能量效率的大小，為了獲得最大的系統(tǒng)能效，可以根據(jù)這兩個值的大小確定tmnk的值：與上述類似，是否使用路徑Path(m,n,k)的問題即是確定變量smnk是否為1的問題。定義變量并將其與式(21)代入到拉格朗日函數(shù)式(14)中,那么對偶規(guī)劃函數(shù)(15)可由下式?jīng)Q定：maxs~mnkΣmnks~mnkEmnks.t.C1,C4---(22)]]>定義變量對于某一固定的子載波對SP(m,n)來說，要想使系統(tǒng)的總?cè)萘咳〉米畲笾?，那么對?yīng)的Amn也要取得最大值，因此，通過此時的最大值A(chǔ)mn所對應(yīng)的Emnk就可以確定最佳的中繼與用戶選擇，可以表示為：(k*)=argmaxk∈KEmnk---(23)]]>將三維數(shù)組決策矩陣s＝{smnk}可以表示成N*N的二維數(shù)組x＝{xmn}與一維數(shù)組的積：smnk=xmn*ykmn---(24)]]>那么公式(22)可以等價表示為：maxsmnkΣmnxmnΣkymnkEmnks.t.Σm=1Nxmn=1,∀n,Σn=1Nxmn=1,∀m,0≤xmn≤1,∀m,nΣk=1Kymnk=1,∀m,n,0≤ymnk≤1,∀m,n,k---(25)]]>根據(jù)公式(24)可知：定義變量：L′=ΣmnxmnAmn---(27)]]>根據(jù)圖優(yōu)化理論，公式(27)總是存在正數(shù)二元最優(yōu)解，那么該問題轉(zhuǎn)化為一個二元背包問題，可以通過較低復(fù)雜度的匈牙利算法進(jìn)行求解。雖然本文之前應(yīng)用了放款約束條件的方法來簡化優(yōu)化目標(biāo)，但根據(jù)(27)可知，本發(fā)明中簡化前與簡化后的優(yōu)化目標(biāo)函數(shù)具有共同的最優(yōu)解。最后，我們給出本實施例迭代算法的詳細(xì)步驟：求解最優(yōu)化問題P3中的凸規(guī)劃問題需要進(jìn)行內(nèi)外兩層循環(huán)迭代。首先是能量效率最大化的外循環(huán)算法，在給定了初始q0值后，經(jīng)過內(nèi)循環(huán)算法的計算將得到一個新的值q1，若兩個值的差小于一個足夠小的數(shù)，則表明已取得最優(yōu)的能量效率，否則用q1代替q0重新進(jìn)行循環(huán)，如此重復(fù)，直到得到最優(yōu)的能量效率。能量效率最大化的外循環(huán)算法步驟如下：步驟A1：初始化最大循環(huán)次數(shù)I；步驟A2：設(shè)置初始的能量效率q0＝0,，循環(huán)次數(shù)i＝0；步驟A3：dowhileqi-qi-1＞0.00000001andi＜I；步驟A4：i＝i+1；步驟A5：對給定的q，算出內(nèi)循環(huán)資源分配結(jié)果,得到R，P的值；步驟A6：qi＝R/P；步驟A7：enddo。對于給定的qi-1值，內(nèi)循環(huán)算法所示，用于對功率與信道進(jìn)行分配。由對偶規(guī)劃所知，為了求得目標(biāo)函數(shù)能量效率的最大值，等價于求出其對偶函數(shù)的最小值，即最優(yōu)化問題P3中的最優(yōu)化問題轉(zhuǎn)化為：minλ,μg(λ,μ)s.t.λ>0,μ>0---(28)]]>應(yīng)用次梯度算法對上式進(jìn)行求解。首先設(shè)定初始值λ(0)與μ(0)，根據(jù)外循環(huán)給定的qi-1值，利用公式(16)-(18)進(jìn)行功率分配，再應(yīng)用公式(26)與(27)進(jìn)行信道分配，這樣就可以算出當(dāng)前的R與P。應(yīng)用公式(29)與(30)算出λ(1)與μ(1)，若λ(1)與λ(0)，μ(1)與μ(0)的差值同時小于一個足夠小的數(shù)，則表示已取得R-qi-1P的最大值，否則用λ(1)與μ(1)代替λ(0)與μ(0)并計算出λ(2)與μ(2)，比較λ(2)與λ(1)，μ(2)與μ(1)的差值。如此循環(huán)，直到得到最大的R-qP值。λ(i+1)=[λ(i)-stλ(i)(Pt-Σk=1KΣm=1NΣn=1N(P~mnk+P~mks+P~nks))]+---(29)]]>μ(i+1)=[μ(i)-stμ(i)(Σk=1KΣm=1NΣn=1NsmnkR~mnk-Rreq)]+---(30)]]>式中i表示循環(huán)的次數(shù)，st(i)是與i相關(guān)的變量，用來控制每次迭代的步長。給定qi-1時資源分配的內(nèi)循環(huán)算法步驟如下：步驟B1：初始化最大循環(huán)次數(shù)J；步驟B2：設(shè)置初始值λ(0)與μ(0)，循環(huán)次數(shù)j＝0；步驟B3：dowhile|λ(j)-λ(j-1)|＞0.00000001or|μ(j)-μ(j-1)|＞0.00000001andj＜J；步驟B4：j＝j(luò)+1；步驟B5：根據(jù)(16)-(18)算出功率分配情況；步驟B6：根據(jù)(26)，(27)算出信道分配情況；步驟B7：根據(jù)(29)，(30)更新變量λ與μ；步驟B8：enddo。需要特別指出的是，迭代算法收斂閾值可以根據(jù)當(dāng)前信道狀態(tài)以及用戶的需求，自適應(yīng)調(diào)整，從而滿足實時運算，易于實際運用。本發(fā)明以能量效率的優(yōu)化模型為非線性混合整數(shù)規(guī)劃問題，由于無法應(yīng)用目前的常規(guī)方法進(jìn)行求解，為了降低該問題的復(fù)雜度，先采用Dinkelbach方法將該優(yōu)化模型變?yōu)榫€性凸規(guī)劃，然后基于對偶規(guī)劃對簡化后的線性規(guī)劃問題進(jìn)行求解，最后結(jié)合匈牙利算法與次梯度算法算出最優(yōu)解。以上所述僅為本發(fā)明的較佳實施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。當(dāng)前第1頁1 2 3