基于平均场无人机辅助多频段密集网络能效降解方法与流程

[0001]
本发明涉及空地一体化网络技术领域，尤其涉及一种基于平均场无人机辅助多频段密集网络能效降解方法。


背景技术：

[0002]
目前的地面通信系统是根据长期的流量统计数据进行严格规划的，仅依靠地面网络并不能完全应对一些特殊情况，例如灾害等方面的突发性需求，或者在大型比赛期间提供额外带宽。如何在提高网络负载的同时，以灵活、可靠、安全的方式确保多个设备和用户无处不在的连接，蜂窝运营商面临着巨大的挑战。最近，无人机(uav)被部署为空中基站，以协助地面基础设施实现突发热点的用户卸载、对严重阴影的普遍覆盖以及自然灾害后的快速服务恢复。由于uav的位置较高，其能够克服地形特征对传播的限制，扩大覆盖范围，uav基站还可以快速部署，方便增进服务。因此，在蜂窝网络上运行uav可以结合uav的优点和蜂窝网络的普遍可用性，将uav纳入未来密集网络的一部分是极为必要的。然而，虽然uav在提高网络容量方面有巨大潜力，但在超密集网络中运行仍有挑战，这主要是由于uav的信号在高度增加的情况下需要经历更长的视线信号传播，所以uav比地面通信更容易受到干扰。此外，由uav的机动性和网络流动引起的拓扑结构变化，可能导致频繁的间歇性连接甚至传输故障。幸运的是，毫米波技术通过高方向性和电子可控制的波束成形为uav通信中的干扰抑制提供了希望。
[0003]
现有技术中，uav辅助的多频段密集复杂网络中，最重要面临的是能耗问题。首先，单一uav电池容量有限，将限制其巡航和悬停时间。其次，在密集网络环境中，尽管单个终端的传输功率很小，单一微基站一般也属于低功率基站，但是随着用户和设备数的增加，网络能耗会不断增加，这部分能耗显然不能忽视。而且，混合网络基站类型多，同时传输大量元素，导致信号传输模型异构，干扰特性和分布复杂。另外，微波和毫米波共存，频率资源复杂。这些因素进一步增加了降低网络能耗的难度。对于这样的复杂网络能耗问题，可以引入平均场均衡可以降解原始能效问题的干扰和频率复杂性。这种方法非常适用于基站密集异构、层内层间干扰互相耦合，且频段资源复杂需要妥善处理的场景。


技术实现要素：

[0004]
针对上述现有技术的不足，本发明提供一种基于平均场无人机辅助多频段密集网络能效降解方法。
[0005]
为解决上述技术问题，本发明所采取的技术方案是：一种基于平均场无人机辅助多频段密集网络能效降解方法，包括如下步骤：
[0006]
步骤1：根据密集部署的基站种类i、基站数量b和用户数量m，建立多频段密集网络的能量消耗模型；
[0007]
所述基站种类i中包括无人机基站、宏基站、uav基站和陆基微基站。
[0008]
所述无人机基站、宏基站、uav基站和陆基微基站均设计成微波-毫米波多频段的
双模基站。
[0009]
步骤1的具体过程如下：
[0010]
步骤1.1：设b个基站共享带宽ω，用集合v表示多频段密集网络中的所有基站，定义k＝{1,2,...k,...,i}为v中第k种类型基站的集合；
[0011]
其中，v
ik
为v
k
中第i个基站，i＝{1,2,...i,...,n
k
}，n
k
是第k种类型基站个数，因此有b＝n
1
+n
2
+...+n
k
+...+n
i
；
[0012]
步骤1.2：由于有i种基站类型，因此v＝v
1
∪...v
k
∪...∪v
i
；
[0013]
步骤1.3：设b个基站为m个用户提供服务，且用户集可表示为u，u＝u
1
∪...u
k
∪...∪u
i
；
[0014]
其中，u
k
是被第k种基站集v
k
服务的用户集，且而是被基站服务的用户集，且
[0015]
步骤2：构造各个基站的状态空间、动作集和能量效率效益函数，并得到各个基站原始的最大化能效的效益函数表示，过程如下：
[0016]
步骤2.1：用户和基站之间的信道增益定义为其中τ代表时隙；
[0017]
步骤2.2：基站在时刻τ的状态与其他基站独立，只与其自身目前的可用能量与相应信道增益有关，定义是基站在时刻τ的可用能量；
[0018]
步骤2.3：基站在时刻τ的状态定义为相应的状态空间为其中，是为简化问题而定义的的简便形式，
[0019]
步骤2.4：在τ时刻的动作向量表示为用来决定发射功率的决策；其中，是本地基站的功率控制向量，是其他干扰基站的功率；
[0020]
步骤2.5：基站在τ的状态的可用动作集可以表示为：
[0021][0022]
步骤2.6：基站在时刻τ的能量效率效益函数可以表示为：
[0023][0024]
其中，为用户在τ时刻接收到来自基站信号瞬时速率，代表能量
效率，w
0
是基站的固定电路功率损耗；
[0025]
步骤2.7：总目标为决定每个基站的最优控制策略，从而最大化能量效率函数同时保证用户的服务质量，将基站的最大化能效的效益函数的问题表示为：
[0026][0027][0028][0029]
其中，动作向量的限定时间平均期望表示为
[0030]
步骤3：能量效率问题的混合平均场均衡转化；
[0031]
如果步骤2中的原始的最大化能效的效益函数的问题满足下面两个条件，则其收敛于一个mf模型，
[0032]
1)i类型中的每个基站只知道其自己的状态；
[0033]
2)i类型中的每个基站都执行下面的相同的动作：
[0034][0035]
并且，
[0036]
其中，为一般基站连续状态，为基站在τ的状态，w
(i)
为每个基站执行的相同的功率控制向量，为除基站以外其他基站的发射功率，这样可以将原始优化问题转化为平均场形式。
[0037]
步骤4：能效问题的混合平均场降解；
[0038]
在这个平均场模型里，能量效率最大化和状态衍化可以重新改写为：
[0039][0040][0041][0042]
其中，w(τ)为决策发射功率的动作向量，为一般连续状态的衍化，对于任何τ∈[t,t']，s
z
＝diag(0,ζ1)是一个对角矩阵，表示一个独立维纳过程；那么，当：
[0043][0044]
控制向量则能达到mf均衡，于是公式(5)给出的mf均衡解就是原始问题的解，从而实现了原始问题的降解；
[0045]
其中，的密度，为的平均能量效率。
[0046]
采用上述技术方案所产生的有益效果在于：
[0047]
1、本发明提供一种基于平均场无人机辅助多频段密集网络能效降解方法，在微波-毫米波多频段双模的宏基站、uav基站和陆基微基站组成的密集网络框架下，针对uav基站能量有限和密集设备总能耗高的问题，将高能效功率分配问题表述为平均场均衡模型。利用平均场的作用将原始难解问题降解和简化，使得每个基站可以只使用其自身信道状态来决定其控制策略，不需要与其它基站交换任何信息。
[0048]
2、本发明将密集网络中的基站划分成包括uav在内的i种，研究确保服务质量的同时，根据每焦耳传输的比特数量最大化每种基站自身的时间平均能源效率。该优化问题可以被描述为一个动态随机博弈模型，各个基站是参与者，其决策是决定资源分配中的发射功率和用户调度策略的控制向量。
[0049]
3、本发明由于超密集部署，所有基站都经历严重的干扰耦合，这个动态随机博弈求解过程变得十分复杂。于是，引入平均场理论，简化基站间的一对一交互，促使每个基站参与者根据它们的各自状态做出本地决策，而通过解这组方程来获得其它基站参与者的策略。值得注意的是，与以往研究不同，本发明中开发的平均场策略是针对不同基站分别开发的，属于混合平均场范畴，是平均场应用的扩展。
附图说明
[0050]
图1为本发明实施例中基于平均场无人机辅助多频段密集网络示意图；
[0051]
图2为本发明实施例中基于平均场无人机辅助多频段密集网络能效降解方法流程图。
具体实施方式
[0052]
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
[0053]
本实施例通过提出uav辅助多频段密集网络的功率分配的能量效率问题的降解方法，降低uav辅助基站与蜂窝网络密集基站共存、微波-毫米波多波段共存的复杂网络总能耗。针对不同基站，应用平均场理论将难以处理的原始能量效率问题降解为更容易处理的平均场形式，阐明原始干扰项和平均场干扰的映射关系，寻找平均场平衡，使能效优化问题清晰表达从而得以优化，以便系统在任何状态都能定义最佳资源分配策略。具体实施方法的流程如图2所示，过程如下：
[0054]
步骤1：根据密集部署的基站种类i、基站数量b和用户数量m，建立多频段密集网络的能量消耗模型；
[0055]
本实施例中，将混合密集网络的示意图如图1所示，其中的基站根据属性不同分为i＝3类，宏基站、uav辅助基站和陆基微基站。由于三种基站在未来密集网络环境中都是大量部署，因此采用混合平均场均衡方法进行能效优化。将密集部署的宏基站、uav基站和陆基微基站均设计成微波-毫米波多频段的双模基站。
[0056]
步骤1.1：设b个基站共享带宽ω，用集合v表示多频段密集网络中的所有基站，定
义k＝{1,2,...k,...,i}为v中第k种类型基站的集合；
[0057]
其中，为v
k
中第i个基站，i＝{1,2,...i,...,n
k
}，n
k
是第k种类型基站个数，因此有b＝n
1
+n
2
+...+n
k
+...+n
i
；
[0058]
步骤1.2：由于有i种基站类型，因此v＝v
1
∪
…
v
k
∪
…
∪v
i
；
[0059]
步骤1.3：设b个基站为m个用户提供服务，且用户集可表示为u，u＝u
1
∪
…
u
k
∪
…
∪u
i
；
[0060]
其中，u
k
是被第k种基站集v
k
服务的用户集，且而是被基站服务的用户集，且
[0061]
步骤2：构造各个基站的状态空间、动作集和能量效率效益函数，并得到各个基站原始的最大化能效的效益函数表示，过程如下：
[0062]
步骤2.1：用户和基站之间的信道增益定义为其中τ代表时隙；
[0063]
基站发出的信号经历块衰落信道，增益在块内是恒定的，而在块之间按照高斯马尔可夫过程衰落；已知块长度无限小，信道增益有以下衍化规律：
[0064][0065]
其中，μ＝{μ
x
，μ
y
}，μ
x
和μ
y
为常数，η为参数并且0≤η≤∞，表示一个独立维纳过程；
[0066]
步骤2.2：基站在时刻τ的状态与其他基站独立，只与其自身目前的可用能量与相应信道增益有关，定义是基站在时刻τ的可用能量；
[0067]
步骤2.3：基站在时刻τ的状态定义为相应的状态空间为其中，是为简化问题而定义的的简便形式，
[0068]
步骤2.4：在τ时刻的动作向量表示为用来决定发射功率的决策；其中，是本地基站的功率控制向量，是其他干扰基站的功率；
[0069]
步骤2.5：基站在τ的状态的可用动作集可以表示为：
[0070]
[0071]
为简化问题，以下用代替
[0072]
步骤2.6：基站在时刻τ的能量效率效益函数可以表示为：
[0073][0074]
其中，代表能量效率，w
0
是基站的固定电路功率损耗，为用户在τ时刻接收到来自基站信号瞬时速率，计算式如下：
[0075][0076]
其中，ω是基站的共享带宽，是基站的发射功率，w
max
是基站可以提供的最大的发射功率，σ
2
为信道中均值为零的加性高斯白噪声的方差，是其他基站带来的干扰，这里只考虑同种基站间的干扰，公式如下：
[0077][0078]
其中，为除基站以外其他基站的发射功率，为除基站以外其他基站和用户之间的信道增益；
[0079]
则步骤2.1中的衍化规律化简写为：
[0080][0081]
其中，并且ω＝[0,η]
t
，为的向量形式；
[0082]
步骤2.7：总目标为决定每个基站的最优控制策略，从而最大化能量效率函数同时保证用户的服务质量，将基站的最大化能效的效益函数的问题表示为：
[0083][0084][0085][0086]
其中，动作向量的限定时间平均期望表示为
[0087]
当基站数持续增大，直到所有的基站参与者形成连续整体，且彼此之间很难区分，于是可以将原始问题引入平均场理论求解。
[0088]
步骤3：能量效率问题的混合平均场均衡转化；
[0089]
可以证明，如果收敛，则原始问题收敛于一个mf模型。在密集网络场景中，如果各个状态之间存在可换性，就可以保证收敛的存在。
[0090]
如果步骤2中的原始的最大化能效的效益函数的问题满足下面两个条件，则其收敛于一个mf模型，
[0091]
1)i类型中的每个基站只知道其自己的状态；
[0092]
2)i类型中的每个基站都执行下面的相同的动作：
[0093][0094]
并且，
[0095]
其中，为一般基站连续状态，为基站在τ的状态，w
(i)
为每个基站执行的相同的功率控制向量，为除基站以外其他基站的发射功率，这样可以将原始优化问题转化为平均场形式。
[0096]
将每个基站看成普通参与者，其一般基站连续状态是那么的密度是
[0097][0098]
其中，δ(
·
)是狄拉克函数，n
k
是每种类型基站个数。
[0099]
假设φ/n
k
是归一化因子，φ是基站密度，因此信道增益变成：
[0100][0101]
其中，定义
[0102]
步骤4：能效问题的混合平均场降解；
[0103]
假设是参与基站的平均能量效率，它依赖于从时刻t到时刻t'的状态变化，即s(t)
→
s(t')：
[0104][0105]
在这个平均场模型里，能量效率最大化和状态衍化可以重新改写为：
[0106][0107][0108]
[0109]
其中，w(τ)为决策发射功率的动作向量，为一般连续状态的衍化，对于任何τ∈[t,t']，s
z
＝diag(0,ζ1)是一个对角矩阵，表示一个独立维纳过程；那么，当：
[0110][0111]
其中，为的密度，的平均能量效率；
[0112]
控制向量则能达到mf均衡，于是上述给出的mf均衡解就是原始问题的解，从而实现了原始问题的降解。
[0113]
本实施例在能量效率和传输功率的累积密度函数方面均具有很好的性能，同时能够保证服务质量。当网络的基站密度趋于40/km2时，网络的能量效率可以提高6.4％。当网络密度增加到100/km2时，网络的能量效率可以提高36.7％。