一种基于干扰动态更新的能效资源分配方法与流程

本发明属于信息与通信工程
技术领域：
，涉及无线通信系统中的大规模mimo技术，具体是一种基于干扰动态更新的能效资源分配方法。
背景技术：
：近年来随着无线通信设备和多媒体业务要求的提高，无线通信网络中的业务量急剧增加。大规模多输入多输出(mimo)系统通过充分利用空间分集技术，可以大幅提高系统的信道容量和系统的可靠性，因此受到学术界和工业界的广泛关注。然而，随着天线数目的增加，大规模mimo系统中的能量消耗也随之增加，因此如何合理的分配系统资源从而实现信号的高效传输成为研究的热点。对于多用户大规模mimo上行链路，为了区分来自不同用户的信息，需要在基站端对接收信号进行一定的处理，现有的研究大多是采用最大比合并(mrc)、迫零(zf)以及最小均方误差(mmse)这三种线性接收方案，其中mrc由于其较低的复杂度得到了广泛的应用。针对采用mrc接收的大规模mimo上行通信系统，由于对信号处理的复杂度较低，因而无法将干扰完全消除。现有的算法研究为了降低复杂度，采用将干扰项用最大可容忍的常数值代替的方法，使得原本处于动态变化的干扰始终为一个固定值，对算法的精确性造成了很大的影响。且在对能效资源进行分配时，现有研究大多仅进行功率分配，将基站天线数和功率进行联合优化的研究较少。在优化目标函数的限制条件上，都是对总发射功率进行限制，没有针对单个用户的功率限制，这样很容易对用户的公平性造成影响。技术实现要素：为了解决现有大规模mimo系统能效资源分配中的上述问题，本发明提供一种基于干扰动态更新的能效资源分配方法。本发明解决其技术问题所采用的技术方案的具体步骤如下：步骤1.确定系统模型并进行问题描述；1-1.考虑单小区多用户的大规模mimo上行链路系统，配有m根天线的基站(bs)位于小区中央和k个地理位置分散的单天线用户进行通信。g表示基站(bs)和k个用户之间的信道矩阵，表示成：g＝hd1/2公式1其中，h表示m×k维的快衰落系数矩阵，d＝diag{β1,β2,…,βk,…,βk}表示大尺度衰落矩阵，元素由路径损耗和阴影衰落组成，是与载波频率和天线增益相关的常数，dk表示基站bs和第k个用户之间的距离，α为路径损耗指数，表示服从对数正太分布的阴影衰落。1-2.采用最大比合并接收(mrc)。则第k个用户的接收信号yk表示为：其中pk表示用户k的发射功率,gk是信道矩阵g的第k个向量元素,xk是用户k的发送信号,nk为用户k的高斯白噪声。1-3.假设接收端完全已知信道状态信息(csi),噪声方差值为1，通过对矩阵的随机理论加以应用推导出用户k的上行速率下界:其中，pk表示用户k的发射功率，pl表示来自其他用户的干扰，m表示基站端的天线数目。因此，系统吞吐量的下界能够表示为：能效ee定义为每焦耳能量所能成功传输的比特数(bits/j)。因此，大规模mimo上行链路系统能效函数下界表示为：其中，p＝[p1,...,pk,...,pk]，pk表示用户k的发射功率，m表示基站配备的天线数，pc表示每根天线平均所消耗的电路功率。1-4.在实际的通信系统中，除了能效还需要考虑用户的qos要求。本文除了考虑每个用户的最低速率外还对每个用户的最高发射功率进行限制。因此，大规模mimo上行通信系统中基于能效优化的资源分配问题可以表述为如下的约束优化问题：c1,c2表示两个约束条件，pt,k表示第k个用户可提供的最高发射功率，rt,k表示第k个用户的最低速率要求。由于上述问题是一个约束性的非凸优化问题，难以获得最优解，因次将通过凸转化和约束消除对目标问题进行转化。步骤2.目标函数的转化2-1.凸转换：公式6中的分数目标函数归类为非线性分数规划问题。通过使用分数规划的性质，可实现能效最大化，当且仅当：其中因此初始的最优化问题可以转化成：由于上式是一个凸优化问题。因此，可以利用凸优化的方法来求解目标函数的极值问题。2-2.约束消除对于上式中的凸优化问题，利用拉格朗日对偶函数，将含有约束条件的凸优化问题转化为等价的无约束问题。因此，目标函数的拉格朗日对偶函数可以表示为：其中λ表示数据速率约束的拉格朗日乘子，ω为对应于发射功率约束的拉格朗日乘子。因此，上式的对偶问题可以表示为：2-3.基于干扰动态更新的能效资源分配2-3-1.基于标准干扰求解p和m的表达式：对于上式中的对偶问题，给定λ和ω，采用kkt条件，分别对pk和m进行求导，其中速率表达式中干扰项表达式采用以pk为自变量的函数即：其中，表示向上取整，令pk右边的表达式用t(pk)表示，若在迭代过程中令其中n表示迭代次数,则算法可以快速收敛至局部最优点。由利用对干扰项θk进行更新。令τ表示循环终止的阈值，δ1和δ2表示迭代步长，采用dinkelbach方法。本发明有益效果如下：通过采用本发明中的基于干扰动态更新的能效资源分配算法，可以在满足最小传输速率要求和最高发射功率限制的情况下同时迭代出系统最优的基站天线数和用户发射功率，且由于本发明中的算法在迭代过程中考虑干扰的动态更新，使得所获得的资源分配情况更加合理，相比于以往的算法，本发明能够以更低的资源消耗获得更高的能量效率，同时还且有较好的系统吞吐量。附图说明图1为本发明算法所适用的大规模mimo上行链路系统的模型结构。图2为当用户数k＝15的情况下干扰项中pk值的动态更新情况仿真图图3为本发明算法和已有算法在不同用户数情况下的能效性能对比仿真图。图4为本发明算法和已有算法在不同用户数情况下的吞吐量性能比较仿真图。图5为本发明算法和已有算法在不同用户数情况下的平均发射功率对比仿真图。图6为本发明算法和已有算法在不同用户数情况下的算法迭代次数对比仿真图。图7为本发明算法和已有算法在不同用户数情况下的所需最优基站天线数目对比仿真图。具体实施方式下面结合附图和附表对本发明实施例作详细说明。如图1所示，本发明提供一种基于干扰动态更新的能效资源分配方法。本发明针对采用mrc接收的大规模mimo上行链路，将进行基站天线数和发射功率的联合优化，并在满足用户最低速率的基础上进一步考虑用户端的最高发射功率限制作为约束因子从而建立起能效最优化模型，与已有研究中将干扰项用常数值代替的方法不同，由于本发明在每一轮迭代过程中都会对用户端发射功率进行重新分配，进而导致干扰项的值发生改变，因而在每一次的迭代过程都将对干扰项进行重新计算，采用实时更新干扰项的方式来代替已有研究中的干扰项常数化方案。本发明具体步骤如下：步骤1.确定系统模型并进行问题描述；1-1.考虑单小区多用户的大规模mimo上行链路系统，配有m根天线的基站(bs)位于小区中央和k个地理位置分散的单天线用户进行通信。g表示基站(bs)和k个用户之间的信道矩阵，表示成：g＝hd1/2公式1其中，h表示m×k维的快衰落系数矩阵，d＝diag{β1,β2,…,βk,…,βk}表示大尺度衰落矩阵，元素由路径损耗和阴影衰落组成，是与载波频率和天线增益相关的常数，dk表示基站bs和第k个用户之间的距离，α为路径损耗指数，表示服从对数正太分布的阴影衰落。1-2.采用最大比合并接收(mrc)。则第k个用户的接收信号yk表示为：其中pk表示用户k的发射功率,gk是信道矩阵g的第k个向量元素,xk是用户k的发送信号,nk为用户k的高斯白噪声。1-3.假设接收端完全已知信道状态信息(csi),噪声方差值为1，通过对矩阵的随机理论加以应用推导出用户k的上行速率下界:其中，pk表示用户k的发射功率，pl表示来自其他用户的干扰，m表示基站端的天线数目。因此，系统吞吐量的下界能够表示为：能效ee定义为每焦耳能量所能成功传输的比特数(bits/j)。因此，大规模mimo上行链路系统能效函数下界表示为：其中，p＝[p1,...,pk,...,pk]，pk表示用户k的发射功率，m表示基站配备的天线数，pc表示每根天线平均所消耗的电路功率。1-4.在实际的通信系统中，除了能效还需要考虑用户的qos要求。本文除了考虑每个用户的最低速率外还对每个用户的最高发射功率进行限制。因此，大规模mimo上行通信系统中基于能效优化的资源分配问题可以表述为如下的约束优化问题：c1,c2表示两个约束条件，pt,k表示第k个用户可提供的最高发射功率，rt,k表示第k个用户的最低速率要求。由于上述问题是一个约束性的非凸优化问题，难以获得最优解，因次将通过凸转化和约束消除对目标问题进行转化。步骤2.目标函数的转化2-1.凸转换：公式6中的分数目标函数归类为非线性分数规划问题。通过使用分数规划的性质，可实现能效最大化，当且仅当：其中因此初始的最优化问题可以转化成：由于上式是一个凸优化问题。因此，可以利用凸优化的方法来求解目标函数的极值问题。2-2.约束消除对于上式中的凸优化问题，利用拉格朗日对偶函数，将含有约束条件的凸优化问题转化为等价的无约束问题。因此，目标函数的拉格朗日对偶函数可以表示为：其中λ表示数据速率约束的拉格朗日乘子，ω为对应于发射功率约束的拉格朗日乘子。因此，上式的对偶问题可以表示为：2-3.基于干扰动态更新的能效资源分配2-3-1.基于标准干扰求解p和m的表达式：对于上式中的对偶问题，给定λ和ω，采用kkt条件，分别对pk和m进行求导，其中速率表达式中干扰项表达式采用以pk为自变量的函数即：其中，表示向上取整，令pk右边的表达式用t(pk)表示，若在迭代过程中令其中n表示迭代次数,则算法可以快速收敛至局部最优点。由利用对干扰项θk进行更新。令τ表示循环终止的阈值，δ1和δ2表示迭代步长，采用dinkelbach方法。表1为该发明算法在仿真中所需要的系统参数值参数值基站端每根天线的电路功率消耗pc10mw用户初始化发射功率p0[0.1，…，0.1]基站天线初始化m0128步长δ10.01步长δ20.01每个用户最低速率要求rt1.2bit/s每个用户最高发射速率pt0.1w循环阈值τ0.01由图表可知，本发明对所需的系统参数和算法初始值进行了设置，将基站端每根天线的电路功率消耗设置为10mw，用户初始化发射功率一律设为0.1w，基站天线初始化为128根，拉格朗日乘子更新步长δ1和δ2都设置为0.01，每个用户最低速率设为1.2bit/s，每个用户最高发射速率限制为0.1w，算法循环结束的阈值设置为0.01。针对特定的系统需求可将参数按要求进行重新设置。首先，针对用户数k＝15的情况下对用户端发射功率pk的动态变化情况进行了仿真，仿真结果如图2所示，从图中可以看出，随着迭代次数的增加，用户端发射功率的分配进一步调整，最终趋于稳定。这说明干扰项的更新对发射功率的分配情况有很大影响，但最终仍能得到稳定的分配方案。图3为不同用户数情况下采用本发明算法、干扰常数化算法以及sif-based算法时的能效性能对比仿真图。从图中可以看出，本文算法的能效性能始终优于干扰常数化算法，平均能提升2.5bit/j左右，由此说明在迭代过程中实时更新干扰项的创新有助于实现资源更加合理的分配。且随着用户数的增加，本发明算法的能效性能也开始逐渐优于sif-based算法的性能，由此说明，将基站天线和发射功率这两个系统资源进行联合优化的做法有助于提高系统的能量效率。图4给出了本发明算法和其他两种已有算法在不同用户数情况下的吞吐量性能比较仿真图。从图中可以看出，本发明算法的吞吐量性能介于sif-bssed算法和干扰常数化算法之间，这是因为干扰常数化算法是在发射功率不受任何约束的情况下最大化系统能效，因此能获得很高的吞吐量，而sif-based算法未对系统的基站天线数进行优化，因此吞吐量性能较差。从图中还可以看出，随着用户的增多，系统吞吐量性能都在逐渐增加，这是由于随着用户数增加，系统多用户分集特性更加明显。图5为采用采用本发明算法、干扰常数化算法以及sif-based算法在用户数范围在15～50的情况下，各算法的平均发射功率比较仿真图，可以看出本发明算法所需的平均发射功率远低于干扰常数化算法，这是因为该算法是在发射功率不受任何限制的情况下进行能效最优的发射功率分配，而本发明算法对每一个用户的最高发射功率进行了约束，虽然sif-based算法也对用户的发射功率进行了约束，但由于该算法是进行总发射功率的限制，因此功率消耗还要略高于本发明算法。图6和图7分别给出了算法收敛所需的迭代次数以及最终确定的基站天线数目对比仿真图。从图6可知，本发明算法经过低数量级的迭代次数便可达到收敛，故该发明算法具有运用于实际的价值。并且所需的最优天线数也比已有的干扰常数化算法平均低50左右，大大节约了天线资源。本
技术领域：
中的普通技术人员应当认识到，以上实施例仅是用来说明本发明，而并非作为对本发明的限定，只要在本发明的范围内，对以上实施例的变化、变形都将落在本发明的保护范围。当前第1页12