1.本发明属于无线通信
技术领域：
：，尤其涉及一种基于联盟博弈的车联网任务卸载与资源管理方法及装置，用于降低车联网系统的总能耗，同时用户保证平均数据率高于一定的门限。
背景技术：
：：2.非正交多址接入技术(non-orthogonalmultipleaccess:noma)被视为一种可广泛应用的无线通信技术。与传统的正交多址接入(orthogonalmultipleaccess:oma)技术分配每个用户独立的带宽资源不同，部署了noma技术的基站系统通常会有多个可供用户选择的子载波，并允许多个用户使用同一个子载波来发送数据给基站。基站收到多个用户的信号后，会利用串行干扰消除技术(successiveinterferencecancellation：sic)来解码多用户的信号，最小化用户间的干扰。由于本发明应用于车联网的任务卸载场景，采用的是上行noma信道，故此处将对上行noma信道模型中用户与基站之间的通信进行一个详细说明。3.现假设在上行noma信道模型中，有三个车辆用户与基站进行通信，每个用户共用同一子载波，并均有数据须上传给服务器。此处设三个用户间的信道增益h1＞h2＞h3，服务器收到用户信号(h1x1+h2x2+h3x3)+σ2后(σ2为环境噪声功率)，采用sic进行串行解码，首先从信道增益最大的1号用户开始，此时2号与3号用户的信号均视为干扰，sic解码出x1后，即可从原始接收信号中分离，得到(h2x2+h3x3)+σ2，再采用相同步骤依次解码x2,x3，得到相应的信息，相应的图示为图1。4.在上行noma信道模型中，基站对于每个用户相应的上传数据率，根据香农定律，用户u的上传数据率可以表示为：[0005][0006]其中w为一个子载波的带宽长度，p为相应用户信号的发射功率，g为天线增益，可发现由于串行干扰消除的特点，信道增益最大的1号用户受到的干扰最大，信道增益最小的3号用户不受其它用户信号干扰。[0007]在上行noma信道模型中，为了使基站进行充分地串行译码消除，对于那些会受到其它用户干扰的用户的信号发射功率有一定的门限要求，即：[0008][0009]其中为用户u的标准化增益，ptol为sic解码门限功率。同一个子载波中信道增益较小用户的信号会影响到信道增益较大用户的发射功率。[0010]此外，在车联网系统中，车辆为了处理本地终端难以计算的任务，通常是任务量大或者需要使用gpu计算的任务，会利用车载边缘计算(vehicularedgecomputing：vec)技术，将任务卸载(即上传)给车辆附近的边缘节点(roadsiteunit:rsu)，边缘节点有着强大的计算能力，可以处理车辆终端难以处理的任务。[0011]在vec技术中，有两项重要目标，一是如何降低整个系统的能耗，二是如何保证用户的服务质量(qualityofservice:qos)。系统能耗包括选择任务卸载时用户发射数据所需能耗以及选择非卸载时车辆终端计算所需的能耗。用户qos则与数据率直接相关，通常定义为卸载数据的上传数据率以及车辆端计算的计算数据率之和。[0012]这些目标通过边缘计算服务器对整个车联网的卸载决策以及资源管理策略进行最优化来实现。其中卸载决策定义为服务器为每个用户决定是否卸载，在noma上行系统中，通常还包括若执行卸载操作，每个用户应当如何分配子载波，即子载波分配策略。资源管理策略定义为服务器为每个用户管理网络及终端中的各种资源，比如计算能力资源以及用户的发射功率，应当如何调控。卸载决策及资源管理策略会对车联网的整个系统开销有着重大影响，是当前的研究热点。然而现有研究大多聚焦于保证用户的瞬时qos，而实际上有些应用对qos要求具有灵活性，此时系统更该关注用户一段时间内的平均qos。更进一步来说，如何在上行noma系统中采取一个合适的卸载决策及资源管理策略以最小化用户能耗并保证用户的平均qos，是一个有待深入研究的问题。技术实现要素：[0013]因此，为了弥补前人研究的不足之处，针对车联网中上行noma信道模型的任务卸载及资源管理问题，本发明设计了一种基于联盟博弈的车联网任务卸载与资源管理方法及装置，在保证平均qos的前提下最小化整个系统的能耗。[0014]本发明的技术方案包括：[0015]一种基于联盟博弈的车联网任务卸载与资源管理方法，所述方法包括：[0016]构建基于上行noma信道的车联网任务卸载与资源管理的目标方程p1，并基于李雅普诺夫优化对所述目标方程p1进行转换，得到目标方程p2，其中，所述目标方程p1表示基于子载波分配决策、本地计算能力决策集合与卸载发射功率决策集合，在保证平均qos的前提下最小化所述[0017]车联网的平均能耗，所述子载波分配决策表示在每个时隙中每一车辆针对任务的卸载决策，所述卸载决策包括：本地计算或使用子载波c进行卸载；[0018]建立由车辆集合、本地计算及分配子载波c的用户集合与联盟的效用函数组成的联盟博弈。[0019]基于所述联盟对所述目标方程p2求解，得到近似最优子载波分配策略以及所述近似最优子载波分配策略相应的近似最优本地计算能力决策集合与近似最优卸载发射功率决策集合；[0020]根据所述最优子载波分配策略、最优本地计算能力决策集合与最优卸载发射功率决策集合，对所述车联网进行任务卸载与资源管理决策。[0021]进一步地，所述构建基于上行noma信道的车联网资源分配的目标方程p1，并基于李雅普诺夫优化对所述目标方程p1进行转换，得到目标方程p2，包括：[0022]构建所述车联网的场景，所述场景包括：空间维度上的n个车辆、时间维度上的t个时隙和事件维度上的每一所述车辆在每一时隙均有一个任务进行本地计算或基于上行noma信道的子载波卸载至基站服务器端进行计算；[0023]基于保证所述场景下的车联网系统的平均qos与每个任务在当前时隙内完成，建模第一目标方程其中，a表示子载波分配策略，f表示本地计算能力集合，p表示卸载发射功率集合，aic与ai0为所述子载波分配策略中的元素，aic(t)表示第i个车辆在第t个时隙基于第c个子载波将所述任务卸载至基站服务器端进行计算，ai0表示第i个车辆在第t个时隙对所述任务进行本地计算，表示第i个车辆在第t个时隙基于第c个子载波将所述任务卸载至基站服务器端进行计算时的卸载能耗，表示第i个车辆在第t个时隙对所述任务进行本地计算时的计算能耗，所述目标方程p1的约束条件包括：平均qos约束、最大延时约束、自变量取值范围约束和sic解码门限约束；[0024]基于子载波分配策略、第i个车辆在第t个时隙基于第c个子载波将所述任务卸载至基站服务器端进行计算时的相应的卸载时间和第i个车辆在第t个时隙对所述任务进行本地计算时的计算时间，生成一个表示所述平均qos约束在过去时隙中被满足程度的虚拟序列bu(t)；[0025]构建表示所述虚拟队列bu(t)增长快慢的李雅普诺夫转移方程，并将所述平均qos约束转变为所述李雅普诺夫转移方程的最小化问题；[0026]对所述李雅普诺夫转移方程中涉及未来时隙t+1的项进行近似处理后，结合所述目标方程p1得到目标方程p2，并将所述目标方程p2作为所述目标方程，其中所述目标方程其中所述目标方程其中，v表示原目标的权重，v表示原目标的权重，表示第i个车辆在第t个时隙基于第c个子载波将所述任务卸载至基站服务器端进行计算时的相应的卸载数据率，表示第i个车辆在第t个时隙对所述任务进行本地计算时的计算数据率，所述目标方程p2的约束条件包括：最大延时约束、自变量取值范围约束和sic解码门限约束。[0027]进一步地，基于所述联盟对所述目标方程求解，得到近似最优子载波分配策略以及所述近似最优子载波分配策略相应的近似最优本地计算能力决策集合与近似最优卸载发射功率决策集合，包括：[0028]初始化所有用户发射功率为最大功率，且卸载决策设为本地计算；[0029]判断每一用户u与其它联盟的用户v是否执行联盟交换操作，并获取执行联盟交换操作后的子载波分配策略，且将执行联盟交换操作的相关联盟中所有用户的本地计算能力决策集合与卸载发射功率决策集合进行最优化调整；[0030]判断所述用户u是否可转移到其他联盟，并获取执行联盟转移操作后的子载波分配策略，且将执行联盟转移操作的相关联盟中所有用户的本地计算能力决策集合与卸载发射功率决策集合进行最优化调整；[0031]重复执行联盟交换操作与联盟转移操作，并当没有可执行联盟交换操作与联盟转移操作的用户u时，将此时的子载波分配策略、本地计算能力决策集合与卸载发射功率决策集合作为近似最优子载波分配策略、近似最优本地计算能力决策集合与近似最优卸载发射功率决策集合。[0032]进一步地，所述判断每一用户u与其它联盟的用户v是否执行联盟交换操作，包括：[0033]分别计算用户u的增益、用户v的增益、用户u所在联盟的效用函数、用户v所在联盟的效用函数；[0034]对用户u与用户v执行联盟交换操作的情况之下，若用户u的增益、用户v的增益、用户u所在联盟的效用函数、用户v所在联盟的效用函数中的至少一者得到增加，且其余三者并未下降、联盟交换操作后的基站服务器sic解码功率满足sic解码门限功率要求、新子载波分配决策下各用户的本地计算或卸载的耗时不大于所述时隙，则判断对用户u与用户v执行联盟交换操作。[0035]进一步地，所述判断所述用户u是否可转移到其他联盟，包括：[0036]计算用户u所在联盟p的效用函数与待转移的联盟q的效用函数之和；[0037]将所述用户u转移到联盟q的情况之下，若转移后联盟p与联盟q的新的效用函数之和大于未转移前的效用函数之和，且联盟操作操作后的基站服务器sic解码功率满足sic解码门限功率要求、新子载波分配决策下各用户的本地计算或卸载的耗时不大于所述时隙，则判断对用户u执行联盟转移操作。[0038]进一步地，将执行联盟转移操作的相关联盟中所有用户的本地计算能力决策集合进行最优化调整，包括：[0039]结合所述执行联盟转移操作后的子载波分配策略，将所述目标方程降解本地计算资源的最优化调控问题其中f表示本地计算能力决策集合，s0表示本地计算用户，v为所述李雅普诺夫转移方程中原目标的权重，κ为本地计算的能耗效益因子，fu为用户u的本地计算能力，d为所述任务的大小，φ为计算每比特数据所需要的cpu周期数，bu为李雅普诺夫优化中用户u的虚拟队列长度；所述最优化调控问题p2.1的约束条件包括：最大时延约束约束和自变量取值范围约束；[0040]对所述最优化调控问题p2.1中的每个单一变量求导，并将所述最优化调控问题p2.1的约束条件内的最优值作为优化后的本地计算能力决策集合。[0041]进一步地，将执行联盟转移操作的相关联盟中所有用户的卸载发射功率决策集合进行最优化调整，包括：[0042]结合所述执行联盟转移操作后的子载波分配策略，将所述目标方程拆解为各联盟独立的子问题独立的子问题其中，p表示卸载发射功率决策集合，bu为李雅普诺夫优化中用户u的虚拟队列长度，sc表示使用子载波c卸载的用户集合，w表示子载波c的带宽长度，σ2表示环境噪声功率，huc表示用户u在子载波c中的信道增益，g表示天线增益，v表示所述李雅普诺夫转移方程中原目标的权重，d为所述任务的大小，pu表示用户u的发射功率，所述子问题p2.2-c的约束条件包括：最大时延约束、自变量取值范围约束和sic解码门限约束；[0043]将所述子问题p2.2-c拆解为针对联盟c中每个用户u发射功率pu的单一变量子问题其中，cu＝-wbu，，[0044]将子载波c下的用户u按信道增益增序由小到大排列，得到序列seqc；[0045]从所述序列seqc中依次取出一个用户u，并判断所述用户u的最大功率是否大于sic解码门限和时延约束的最小功率：[0046]若所述用户u的最大功率不小于sic解码门限和时延约束的最小功率，基于引理求解所述单一变量子问题p2.2-c-u，其中，所述引理为设定与若则fc′(pu)必存在一个零点p0且所述零点p0》0，fc′(pu)在(0,p0)单调递减，在(p0,∞)单调递增，若则fc′(pu)在(0,∞)单调递增，根据fc′(pu)的单调性判断fc(pu)的最小值；[0047]若所述用户u的最大功率小于sic解码门限和时延约束的最小功率，则对已优化过的用户的当前功率进行调整，以降低所述用户u满足门限与时延约束的最小功率，或者重新判断每一用户u与其它联盟的用户v是否执行联盟交换操作与判断所述用户u是否可转移到其他联盟，在前一种情况中，重新判断所述用户u的最大功率能否大于或等于满足门限与时延约束的最小功率，若大于或等于，则基于引理求解所述单一变量子问题p2.2-c-u；[0048]基于所述单一变量子问题p2.2-c-u的最优解，获取所述子问题p2.2-c的近似最优解；[0049]根据所述子问题p2.2-c的近似最优解，得到优化后的卸载发射功率决策集合。[0050]进一步地，对所述用户u的最大功率进行调整，或者重新判断每一用户u与其它联盟的用户v是否执行联盟交换操作与判断所述用户u所属联盟之外的联盟中用户v′是否可转移到其他联盟，包括：[0051]从所述seqc中以信道增益由大到小依次取出所有已完成功率优化步骤的用户u′；[0052]依次将所述用户u′的功率pu′调整至所述时延与sic门限约束的最小功率，以降低所述用户u满足sic解码门限和时延约束的最小功率，以判断该次的所述用户u的最大功率是否大于或等于新的sic解码门限和时延约束的最小功率：[0053]若大于或等于，则调整结束；[0054]若小于，则将下一个所述用户u′的功率pu′调整至所述时延约束的最小功率；[0055]在所有的所述用户u′的功率pu′调整至所述时延约束的最小功率时，所述用户u的最大功率仍不大于sic解码门限和时延约束的最小功率，则重新判断每一用户u与其它联盟的用户v是否执行联盟交换操作与判断所述用户u是否可转移到其他联盟。[0056]一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法。[0057]一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述方法。[0058]与现有技术相比，本发明至少具有以下优势：[0059]·相较于以往考虑瞬时针对现有车联网研究对平均qos要求关注的不足，本发明提出了基于平均qos要求的车联网任务卸载与资源管理问题的框架，为了处理原问题的不可行性，利用了李雅普诺夫优化转化原问题为可行的单时隙等价问题。[0060]·根据上行noma模型解码顺序的特点，提出了基于联盟博弈的子载波分配及功率控制算法，定义了转移与交换两种操作以进行子载波分配并以信道增益顺序依次优化用户功率，以求得原问题的近似解。[0061]实验表明本文提出算法能保证平均qos门限，并且与已有的优化方法相比，能保持更低的平均能耗。附图说明[0062]图1上行noma信道模型及解码方法图。[0063]图2基于车联网上行noma信道的城市场景图。[0064]图3基于联盟博弈的子载波分配及功率控制算法流程图。[0065]图4基于信道增益排序的功率控制算法流程图。[0066]图5两种门限θ与三种权重v下，本发明随时隙增长的平均能耗曲线图。[0067]图6两种门限θ与三种权重v下，本发明随时隙增长的平均数据率曲线图。[0068]图7两种门限θ下，本发明与现有技术随车辆数增长与其它算法相比的平均能耗曲线图。具体实施方式[0069]下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本技术所限定的范围。[0070]本发明的车联网任务卸载与资源管理方法，先构建车联网资源分配方法的目标方程；再如图3所示，算法预设每个参与者发射功率为最大，计算模式为本地计算，之后，依次遍历每个参与者u，对每个u，依次遍历其它参与者v，查看是否可执行交换操作φexchange(u,v)，尝试交换后将u与v所属联盟中所有的参与者的f与p调整至相应的最优值，其中p通过图4算法进行功率控制，若可执行交换则各自的联盟交换参与者u与v；再遍历与u所属联盟不同的其它联盟，查看是否执行可转移操作φtransfer(u,s(u),sc)，此时算法以同样方法调整f与p至最优值，若存可执行转移操作则转移参与者u至新联盟中。stable为收敛判定的标志，当经历过一次完整遍历且没有新的转移或交换操作时，判定该联合算法已收敛，结束循环，返回当前的子载波分配状态，该算法最坏时间复杂度为in2(n+s-2)(i'+(n-1)/2)，其中i为算法迭代次数，i'为下文所述引理1中使用二分法的迭代次数。[0071]一、构建目标方程[0072]1.1场景建模[0073]本发明具体涉及上行noma系统的车联网场景建模流程，包括：[0074]考虑如图2的一个曼哈顿城市场景。外侧长度为l，内围长度为l，有n辆车在该场景内移动，n＝{1,2，...,n}表示车辆的集合，并且将一个长时间段分为若干相等的时隙，t＝＝{1,2,...,t}表示时隙的集合，假设一个时隙内每辆车的信道条件不变，而不同时隙之间车的信道条件会改变。在每个时隙t每辆车均有一个数据量大小为d的任务需要进行本地计算或是卸载至基站服务器端计算。车辆用户采用上行noma信道与服务器进行通信，设共有c个子载波，并设c＝{0,1,2,…,c}表示子载波和本地计算的集合，其中0表示本地计算。[0075]基站服务器在每个时隙决定每辆车是否要进行卸载操作以及分配给用户哪一个子载波进行卸载，即子载波分配决策，本发明用一个n×(c+1)维矩阵变量来表达卸载和子载波分配决策，有：[0076][0077]第一项表示同一时隙一个用户只能从卸载计算和本地计算中选择其中一项，第二项表示一个用户最多分配一个子载波进行卸载，而不能同时占有多个子载波。[0078]如前文上行noma特性所述，用户u选择子载波c进行通信时，其相应的卸载数据率为：[0079]其中发射车辆用户的发射功率pu(t)为每个时隙服务器调控的资源量，sc为使用子载波c进行卸载的车辆集合。此时相应的卸载时间与卸载能耗为：[0080][0081][0082]当用户u选择本地终端计算时，相应的本地计算数据率为：[0083][0084]其中fu(t)为t时刻车u的计算能力，为服务器每个时隙调控的资源量，单位为cycles/s，φ为计算每比特数据所需要的cpu周期数。相应的本地计算时间与计算能耗为：[0085][0086][0087]其中κ为计算能耗效益因子。[0088]如前文所述，许多研究多以瞬时数据率作为用户qos的保证，而许多应用实际上对用户qos要求有一定灵活空间，故本发明聚焦于保证车联网系统的平均数据率：[0089][0090]其中θ是要求的平均数据率门限。[0091]由于每个时隙均有新的任务产生，本模型要求每个任务在当前时隙内完成，即：[0092][0093]其中τ为时隙长度。[0094]1.2问题建模[0095]本发明目标是在保证用户平均qos门限的前提下，通过选择合适的子载波分配决策a、本地计算能力以及卸载发射功率最小化基于上行noma信道模型的整个车联网的能耗，根据以上对车联网能耗、时间以及qos的说明，可建模目标方程为：[0096][0097][0098][0099][0100][0101][0102][0103][0104][0105]c1表示平均qos的约束，θ为平均qos门限，c2表示最大时延约束，τ为最大允许时延，c3-c6为自变量取值范围，其中f为最大本地计算能力，pmax为最大发射功率，c7为sic解码门限约束，为使用子载波c进行卸载且受到干扰的用户集合。所建模问题p1同样是一个多时隙随机优化问题，且是一个混合整型优化问题，难以直接求解，故本发明将先应用李雅普诺夫优化将原问题转化为一系列等价的单时隙优化问题，再提出一种基于联盟博弈的子载波分配及功率优化的联合优化方法寻找等价问题的一个近似最优解。[0106]1.3基于李雅普诺夫优化的问题转换[0107]应用李雅普诺夫优化将原问题转化为等价问题，注意到原问题p1的约束c1涉及未来的时隙，故p1为多时隙随机优化问题，仅当基站服务器能预测未来的信道增益时才能求解，而在实际车联网系统中这是不现实的，故本文应用了李雅普诺夫优化来处理约束c1，首先引入虚拟队列的概念,用户u在时隙t的虚拟队列长度设为bu(t)：[0108][0109]其中且bu(0)＝0，此虚拟队列长度bu(t)表明了约束c1在过去时隙中被满足的程度，bu(t)越大表示过去数据率ru(t)＜θ的时隙越多。由虚拟队列长度可以得到李雅普诺夫方程：[0110][0111]以及李雅普诺夫转移方程：[0112][0113]李雅普诺夫转移方程象征了虚拟队列增长的快慢，根据李雅普诺夫优化理论，当c1有解时，在每一时隙t最小化式(15)等价于c1满足，故可将原约束条件c1转变为对(15)的最小化问题。注意到(15)仍涉及未来时隙t+1，此处对其做一个近似处理：[0114][0115]其中为当前时隙t两种计算模式所能取得的最大数据率。注意到(16)只有第一项与优化变量有关其它为常量，故只需考虑最小化第一项-bu(t)ru(t)。综合考虑原来问题的目标方程，可得到李雅普诺夫惩罚转移方程：[0116][0117]其中v为李雅普诺夫惩罚转移方程中原目标的权重。至此，本发明将涉及多个时隙的随机优化问题p1转化为了单时隙的确定性优化问题p2。只需在每个时隙t最小化p2即可得到满足p1的解，为了方便表达，下文的公式表达将省去时隙符号t。[0118]二、基于联盟博弈与功率控制的联合优化算法[0119]2.1效用函数与增益的定义[0120]本发明在此节将提出一种联合优化方法求得问题p2的近似最优解。注意到由于离散变量a的存在，转化后问题p2仍为混合整型规划问题，直接求解为np-hard难度，故本发明利用分层优化的思想先求得子载波分配策略a再固定a求f,p，并通过不断更新a的值来得到一个较优的解。[0121]对于目标函数p2，若只考虑子载波分配策略a的优化，则是一个匹配问题，本发明采用联盟博弈来解决此匹配问题以求得近似最优分配策略a。联盟博弈有三个构成部分，即参与者、联盟以及效用函数。本发明将p2的联盟博弈定义为g＝{n,s,w}。其中n为参与者即车辆用户集合，s＝{s0,s1,…,sc}，其中sc表示分配子载波c或是本地计算的用户集合，w为该联盟的效用函数。[0122]由于本发明目标是最小化p2，故效用函数的设计应直接体现每个联盟包含的参与者不同时，目标p2的值的变化情况，且p2的值越小的情况下，效用函数应越大。故本发明设计任意联盟c的效用函数为：[0123][0124]其中gc(u)为用户u使用子载波c进行卸载或本地计算中的增益，本发明将其定义为：[0125][0126]其中及为a固定的情况下的最优计算能力与最优发射功率，求解方法本发明下文会具体介绍。用户u在子载波c的增益即为该用户选择使用子载波c上传相比本地计算对于目标p2减少的程度。gc(u)越大，表明用户u选择子载波c卸载越有利于p2的最小化。联盟效用函数为该联盟内所有用户的增益和，特别地w(s0)＝0。[0127]2.2偏好与操作的定义[0128]联盟博弈通过不断改变每个联盟所包含的参与者使总目标最小化，本发明定义了问题p2中联盟和参与者各自的偏好关系，作为联盟改变所包含参与者的依据。[0129]对于两个不同的联盟p和q以及参与者u，定义参与者u关于联盟p和q的偏好关系为：[0130][0131]此关系表示参与者更倾向于加入能使自己增益更大的联盟之中。[0132]对于两个不同的参与者m与n以及联盟c，定义联盟c关于参与者m与n的偏好关系为：[0133][0134]此关系表示联盟更倾向于包含能使自己效用函数更大的参与者。[0135]根据以上两种关系，定义两种联盟博弈的操作：[0136]交换：两个联盟p,q会交换各自所属的参与者m,n，记为φexchange(m,n),当且仅当以下条件全部满足：[0137][0138][0139][0140][0141][0142][0143]并且以下条件至少有一项满足：[0144][0145]其中s'＝{s\{sp,sq}}∪{sp∪{n}\{m},sq∪{m}\{n}}，为用户i的最优发射功率。ti(s')表示分配策略s'下用户i本地计算或卸载的耗时。该操作表示两个联盟交换自己的参与者后，如果能增加自身的效用函数及对应用户各自的增益，执行交换操作是合适的。[0146]转移：参与者u会从自己原来所属的联盟p转移到新的不同联盟q中，记为φtransfer(u,sp,sq),，当且仅当以下条件全部成立：[0147]w(sq∪{u})+w(sp\{u})＞w(sp)+w(sq),[0148][0149][0150]该操作表示当一个参与者转移自身所属联盟后，如果转移前后两个联盟的总效用函数和能得到增加，执行转移操作是合适的。[0151]2.3固定子载波分配决策下的资源管理策略求解方法[0152]注意到联盟博弈中进行用户增益的计算时，涉及到固定子载波分配决策即a下，f与p的最优值，故本发明将提出在本问题p2固定a情况下，f与p的求解方法。[0153]对于一个用户u，若其选择本地计算，即au0＝1，原问题p2降解为本地计算资源的最优化调控问题，如下式所述：[0154][0155]该函数为凸函数，可直接对每个单一变量求导得取值范围内的最优值：[0156][0157]现考虑用户卸载计算问题，由于只有同属同一个联盟即子载波的用户间存在干扰，故可将该问题看作c个联盟各自独立的子问题。设对于联盟c，其关于p2的子问题为：[0158][0159]由于p2.2-c多个自变量间相互耦合，且有约束条件c7，问题为非凸问题，难以直接求得全局最优解。故本发明先将p2.2-c拆解为针对联盟c中每个用户u发射功率pu的单一变量子问题p2.2-c-u，先聚焦于求解p2.2-c-u的全局最优解再求p2.2-c的近似最优解。[0160]对于单用户子问题p2.2-c-u，本发明将证明其最优解的存在性及求解方法，设cu＝-wbu,可将p2.2-c-u定义为fc(pu)：[0161][0162]可根据引理1求得p2.2-c-u关于pu的全局最优解：[0163]引理1：设为fc(pu)的导数。若则fc'(pu)必存在一个零点po且po＞0，fc'(pu)在(0,po)单调递减，在(po,+∞)单调递增；若fc'(pu)在(0,+∞)单调递增。[0164]根据引理1，我们可以根据的值以及零点po来得到最优功率控制策略p*，考虑po的取值范围，有：[0165][0166]其中po通过对fc'的分子使用二分法求得，为能同时满足约束c2,c7的最小值。[0167]2.4基于信道增益排序的功率控制算法[0168]至此，本发明通过证明了引理1来得到子问题p2.2-c-u的全局最优解，现在，本发明利用上行noma中，只有信道增益低的用户会对信道增益高的用户产生干扰的特性，提出一种基于信道增益排序的功率控制的优化算法，利用信道增益低到高形成的序列依次优化每一个子问题p2.2-c-u，以求得p2.2-c的一个近似最优解，具体算法如图4。[0169]此处详细介绍算法流程。符号hc＝(h1c,h2c,...,hnc)为子载波c中每个用户的信道增益矢量。该算法先将使用子载波c进行任务卸载的用户在c中的信道增益从小到大进行排序，生成序列seqc。由于只有较低信道增益用户会对较高信道增益用户造成干扰，故本算法从信道增益最小的用户开始优化以避免重复优化的问题。算法按信道增益由小到大的顺序取出seqc中的用户u来最优化p2.2-c-u。对于p2.2-c-u，若存在符合约束条件c2,c4及c7的解pi，即可以利用引理1求解，故只须对p2.2-c-u是否存在可行解进行验证。此处可以直接检查允许的最大发射功率pmax与满足p2.2-c-u所有约束条件(时延约束与门限约束)的最小可行功率为若则p2.2-c-u没有可行解，这表明对于用户u，其干扰过大需要降低干扰，此时，算法从seqc中依次取出第u-1,u-2,...1个已完成功率优化步骤的用户，标记为v，算法将尝试调整pv至其允许的最小可行功率以降低用户u的干扰，并重新更新u的最小可行功率若仍成立，则重复此步骤，直至此外，若已将用户u序列前所有共u-1个用户的功率调控至最小值，而仍成立，则表明当前子载波分配策略不可行，即联盟博弈中转移或交换的操作不成立。通过上述步骤，本发明提出的算法以信道增益从小到大的顺序，按照排序优化每个功率调控子问题从而得到每个p4-c的近似最优解。[0170]该算法时间复杂度最坏情况下为n(i'+(n-1)/2)，其中i'为引理1中使用二分法的迭代次数，但通常情况下所有用户不会共用同一个子载波，并且在引理1仅当时才必须使用二分法，故实际的时间复杂度远小于此值。[0171]三、仿真环境与算法性能[0172]3.1仿真环境[0173]本节对本发明所提出的算法进行实验仿真及性能比较。采取图2中的城市场景，取l＝200米，l＝100米，各车延道路随机行驶，服务器位置为场景中心，依据3rdgenerationpartnershipprojecttechnicalprotocol(3gpp)，设路径损失为其中l为车辆与服务器水平距离，h为天线高度差。代表qos的平均数据率门限为θ＝1.5mb/s与θ＝2mb/s。其它参数如表2。此外，每个时隙加入虚拟队列的数据率以单位mb/s表达。[0174]表2[0175][0176][0177]3.2李雅普诺夫优化性能分析[0178]图5和图6分别呈现了不同权重v及平均qos要求的门限θ下，本发明所提出的联盟博弈的子载波分配和功率控制优化算法(coalitiongamebasedjointsubcarrierassignmentandpowercontrolalgorithm:cgbja)的平均系统能耗以及平均数据率随时隙增长的曲线图，以说明所本发明所应用的李雅普诺夫优化的有效性。[0179]从图中可得出以下结论：[0180]1)在三种权重及两种门限的设定下，随着仿真时隙的增长，所提出的cgbja算法均能满足相应平均数据率门限的约束，表明本发明中采用李雅普诺夫优化来等价转化问题是有效的。[0181]2)相同门限θ情况下，权重v越大，平均能耗越小，平均数据率也越小。这是由于v代表原目标及能耗优化的重要程度，v越大算法越着重优化能耗，但随着时隙增长，只要原方程有解，平均数据率的约束仍可得到满足。[0182]3)相同权重v情况下，门限θ越大，平均能耗越大。θ代表车联网系统所要求的平均数据率，由前文问题建模的部分可知，无论是本地计算或任务卸载，数据率越大，所需的能耗越大，表明了仿真符合真实的物理关系。[0183]3.3算法性能随场景规模增长的性能分析[0184]图7呈现了本发明所提出的cgbja算法与其它算法的平均能耗随场景规模增长的曲线图，以此说明本发明较以往算法的优越性。其中对比方法如下：[0185]hoo(heuristicorthogonaloffloading):每个子载波最多只能供一个用户使用，每个子载波选择当前子载波下信道增益最大的用户执行卸载。[0186]cd(coordinatedescent):即坐标下降法，求解整型规划中一种常用方法，首先随机初始化子载波分配决策，利用贪心思想依次转换每个用户的决策，并记录最低损失(即p2的值)下的决策，重复步骤直至收敛。再利用本发明提出的方法求解f与p。[0187]cfa(coalitionformationalgorithm)：同样使用了联盟博弈作为子载波分配策略的求解方法，与本发明相比，cfa只考虑了转移一种操作，且没有对用户的发射功率进行优化，此处为了进行更好的对比，采用了两种cfa方法，即固定功率下的cfa法(f-cfa)与应用了本文提出的序列性功率优化法的cfa方法(p-cfa)，与本文的cgbja方法进行对比。[0188]从图7中可发现本发明提出的cgbja算法与现存方法相比，在两种数据率门限下均有着最好的性能，表明了本发明算法的优越性。[0189]以上所述仅为本发明的较佳实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。当前第1页12当前第1页12